机器人智能分拣技术突破：解决复杂仓储难题

仓储分拣的挑战

当产品抵达某机构配送中心时，首要任务是通过将其添加至可用库存来提供给客户。实践中，这意味着需要拾取并将其存放于存储单元中。存储单元类似于大型书架，由坚固的黄色织物制成，包含多达40个称为箱子的隔间。每个箱子前部配有弹性带，防止内部物品掉落。这些单元由轮式机器人运送到进行分拣操作的工作站。

分拣是某机构运营的重要组成部分，但由于工作需要精细的思维和灵巧性，从机器人自动化角度来看，这项任务曾被视为棘手难题。

技术突破的核心

机器人系统需求

成功完成分拣任务需要机器人系统具备两项高级能力：一是对三维世界的精确理解，二是能够牢固而灵敏地操纵各种包装物品（从灯泡到玩具）——轻柔推开物品、翻转物品、将物品以一定角度插入其他物品之间等。

为实现这一目标，机器人系统需要智能视觉感知、自由移动的机械臂、工程学未知的末端操纵器以及对施加力量的敏锐感知。

力反馈与顺从操纵

研究团队采用了配备力反馈的机械臂，该手臂每秒数百次提供关于施加力量和遇到阻力的反馈。使用这些信息控制机器人被称为"顺从操纵"。

硬件专家开发了相对简单的钩系统来解决移动弹性带的问题。末端工具(EOAT)经历了快速演进，最终发现使用两个桨叶轻轻挤压物品比使用吸盘或机械钳更稳定。

创新性输送带解决方案

团队在每个桨叶上安装微型输送带，使EOAT能够平稳地将物品送入箱子，而无需进入箱子内部。这一改进使分拣成功率从约80%跃升至99%。

空间创造的算法突破

运动原语识别

通过研究人类操作方式，团队发现绝大多数在织物箱内创造空间的手部运动可归纳为四种类型或"运动原语"，包括横向清扫箱内现有物品、翻转平放物品、堆叠以及将物品以角度插入其他物品之间的间隙。

视觉感知与机器学习

系统的视觉感知基于指向存储单元的摄像头，将图像数据馈送到机器学习系统。系统"擦除"弹性带，模拟箱内不可见物品，并估算每个箱子的总可用空间。

机器学习系统部分基于某机构履约技术团队开发的现有模型，预测在可用运动原语的情况下，每个箱子中可以创建多少连续空间。

系统集成与性能

当系统对选项有明确想法时，会考虑缓冲区中的物品（机械臂龙门架附近等待分拣的各种形状和尺寸产品的区域），并决定哪些物品最适合放入哪些箱子以实现最大效率。

在2022年进行的分拣测试中，系统成功分拣了95个物品中的94个，涵盖具有挑战性的产品属性，如袋装物品、具有偏移重心的不规则物品等。

人机协作的未来

该技术采用混合系统，机器人处理重复性任务并轻松触及高低货架，人类处理需要直觉和灵巧性的更复杂物品。这种协同作用将带来更高效的操作，同时提高工作人员的安全性。

原型系统已安装在华盛顿州西雅图的实验室和萨姆纳的配送中心，处理实时库存。团队最终目标是能够分拣标准某机构配送中心85%的库存产品。

这种兼容机器人的应用开创了新的范式，为零售以外的领域拓展奠定了基础，包括装载易碎杂货、装载洗碗机或帮助人们完成家务任务等场景。