自動化利用技術的手段，讓人類可以完成更多的任務。在物流領域，自動化的潛力巨大且其帶來的好處也是顯而易見的，尤其是當運營方式出現巨大變化或者需求不斷增加的情況下。擴大運營規模通常需要增加額外的員工，而這些員工通常沒辦法立刻上崗，尤其是其他行業也有類似需求的時候。如何在市場波動的情況下做出快速的反應，需要在整個運營的過程中具有快速的行動力以及其他額外的能力。

　　物流自動化可以根據需求的變化快速實現增容。將物流自動化提升到戰略性的地位之后，不僅可以提高生產力，而且還可以減少人為錯誤，進而提高工作效率。有了合適的物流自動化軟件、硬件和平臺資源，即使在需求較低的時期，對運營成本的影響也比較小，遠遠低于要維持大量人力所需要的成本。隨著需求的增加，運營的能力已經準備就緒并且能夠快速啟動。雖然這些方式能夠為物流公司帶來所需的靈活性，可以快速響應需求的變化，但是，仍然有機會做得更多。

　　人工智能將放大物流自動化的影響力

　　將人工智能引入物流自動化將大大增強人工智能的影響力。人工智能可以減少常見的半技能任務（如對產品進行分類和分揀）中的錯誤。利用自主移動機器人AMR可以提升包裹投遞的效率，包括最昂貴的最后一公里的投遞。人工智能幫助自主移動機器人AMR進行路線的規劃和特征的識別，比如人、障礙物、交付門戶和門口等。

　　將物流自動化集成到任何環境中時，都會帶來一定的挑戰。它可以像動力傳送帶代替重復過程一樣的簡單，也可以像將具備協作能力的自主機器人引入工作場所一樣復雜。當人工智能被加入到自動化和集成的過程中時，挑戰將變得更加復雜，但是受益也會隨之增加。

　　隨著解決方案之間的互聯互通，以及對流程之中其他階段的了解更加深入，各個自動化元素的效率也會隨之提高。將人工智能置于產生數據和采取行動的設備附近，我們稱之為邊緣人工智能。而邊緣人工智能的采用正重新定義物流自動化。

　　邊緣人工智能的發展極其迅速，其用途不僅限于物流自動化。將人工智能置于網絡邊緣的好處必須與資源的可用性保持一定的平衡，例如電力、環境操作條件、物流位置以及可用空間。

　　在邊緣處實施推理

　　邊緣計算讓計算和數據更加緊密地結合在一起。在傳統的物聯網應用中，大多數的數據通過網絡被發送到（云）服務器，并在那里進行數據的處理，再把結果返回到網絡的邊緣（如邊緣處的物理設備）。只有云計算才引入了對延遲的考慮，而這樣的方式對于時間敏感型的系統來說是不可接受的。這里舉個邊緣計算發揮作用的例子，在分揀過程中，從本地捕獲和處理包裹的圖像數據，可以讓物流自動化系統在短短的0.2秒內就可以做出響應。而系統這部分的網絡延遲則會讓分揀過程變得更慢，不過，邊緣計算則可以消除這個潛在的瓶頸。

　　雖然邊緣計算讓計算更接近數據，但將人工智能引入到邊緣側，可以讓過程變得更加靈活，而且不容易出錯。同樣地，最后一公里的物流很大程度上依賴人工，但使用邊緣人工智能的自主移動機器人AMR卻可以改善這一現狀。

　　引入人工智能對物流自動化中使用的硬件和軟件來說，將產生重大的影響，并且存在越來越多的潛在解決方案。通常，用于訓練人工智能模型的解決方案不適合在網絡邊緣側部署模型。用于訓練的處理資源是為服務器而設計的，其對能耗和內存等資源的需求幾乎是不限制的。而在邊緣，能耗和內存則是有限制的。

　　異構的趨勢

　　在硬件方面，大型的多核處理器不太適合邊緣人工智能應用。相反地，開發人員正在專項針對邊緣人工智能部署優化的異構硬件解決方案。這種方案包括了CPU和GPU，當然，還可以擴展到ASIC、MCU和FPGA。某些架構（例如GPU）擅長并行處理，而其他架構（例如CPU）則更擅長順序處理。今天，沒有一種單一的架構可以真正做到為人工智能應用提供最佳的解決方案。總體的趨勢是使用能夠提供最佳解決方案的硬件來配置整個系統，而不是使用同一架構的多個實例。

　　這種趨勢指向了異構，其中有許多不同架構的硬件處理解決方案，通過配置進行協同工作，而不是使用多個設備（所有設備都基于相同的處理器）的同一架構。能夠為任何給定的任務引入正確的解決方案，或者在特定設備上整合多個任務，這樣可以提供更大的可擴展性能，以及優化的每瓦和/或每美元性能。

　　從同構系統轉向異構處理需要一個龐大的解決方案生態系統，以及具備在硬件和軟件級別上配置這些解決方案的成熟的能力。這就是為什么要與一家有能力與所有芯片供應商建立合作伙伴關系的供應商合作的原因，因為這個供應商能夠為邊緣計算提供解決方案，并與客戶一起合作開發具備擴展能力和靈活能力的系統。

　　此外，這些解決方案使用Linux等通用開源技術，以及機器人操作系統ROS2等專業技術。事實上，越來越多的開源資源正在開發之中，以支持物流和邊緣人工智能。從這個角度來看，沒有單一的“正確的”的軟件解決方案，運行軟件的硬件平臺也是如此。

　　利用模塊化的方法構建邊緣計算

　　為了提高靈活性并減少被供應商綁定，凌華科技在硬件層面上開發了一種模塊化的方法，這樣可以讓任何解決方案中的硬件配置變得更加靈活。實際上，硬件級別的模塊化可以讓工程師更改系統硬件的任何部分，例如處理器，而且不會造成系統范圍的中斷。

　　在部署邊緣人工智能等新技術時，“升級”底層平臺（無論是軟件，處理器等）的能力尤為重要。每一代新的處理器和模塊技術通常為網絡邊緣的推理引擎提供了更好的功率/性能的平衡，因此能夠快速利用這些性能和功率增益，把整個物流自動化系統的中斷降到最低的程度，并且邊緣人工智能系統設計也是一個明顯的優勢。

　　通過使用微服務架構和Docker容器技術，將硬件中的模塊化擴展到軟件中。如果有更優化的處理器解決方案可用，即使它來自不同的制造商，軟件利用處理器也是模塊化的，可以替代之前的處理器，而無需更改系統的其余部分。軟件容器還提供了一種簡單而強大的方式，可以添加新的功能以運行在邊緣人工智能中。

　　容器（Container）內的軟件也可以是模塊化的。凌華科技用于人工智能視覺產品的Edge Vision Analytics（EVA）SDK（軟件開發套件）就是一個典型的例子。該平臺基于Gstreamer，專注于構建人工智能視覺管道所需要的基本功能。人工智能視覺管道的每個階段都使用現成的開源插件（自身包含模塊）來簡化管道的開發。這些插件包括圖像捕獲和處理、人工智能推理、后處理和分析。

　　硬件和軟件的模塊化和容器的方法，最大程度減少了被供應商綁定的危險，這就意味著解決方案不依賴于任何特定的平臺。它還增加了平臺和應用之間的抽象，使得最終用戶更容易開發自己的，不依賴于任何平臺的應用程序。

　　我們通過一個數據庫來簡化升級的過程，該數據庫在組件可以用時對其進行表征。使用該數據庫，工程師可以選擇適合的產品，以實現推理性能和系統資源之間的完美平衡。

　　物流自動化最重要的要求之一就是要實時響應。因此，與一個在軟硬件組合開發系統方面有著豐富經驗，并且能滿足應用需求的供應商合作是非常重要的。凌華科技的方法就是使用可以與專業的第三方技術（如LiDAR傳感器）集成的模塊。

　　結論

　　在物流自動化中部署邊緣人工智能不需要更換整個系統。首先需要評估工作空間并確定可以真正從人工智能中獲益的階段。主要的目標是降低運營支出的同時提高效率，尤其是在勞動力短缺的時期可以應對需求的增加。

　　越來越多的科技公司致力于開發人工智能解決方案，但是大多數公司通常只針對云計算，而不是邊緣計算。在邊緣側，其運行條件是不同的，資源可能有限，甚至可能需要專網。

　　通過使用人工智能等技術，自動化在物流運營中將持續增長并得以擴展。這些系統解決方案需要特別設計，用以滿足惡劣的運行環境，這與云或者數據中心的需求截然不同。我們使用模塊化的方法解決這個問題，這個方法提供了極具競爭力的解決方案、更短的開發周期和靈活的平臺。