作者：凌華科技平臺產(chǎn)品中心嵌入式平臺及模塊事業(yè)處產(chǎn)品總監(jiān)蔡雨利Zane Tsai
自動化利用技術(shù)的手段，讓人類可以完成更多的任務(wù)。在物流領(lǐng)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(dāng)運營方式出現(xiàn)巨大變化或者需求不斷增加的情況下。擴大運營規(guī)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(yè)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(yīng)，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(jù)需求的變化快速實現(xiàn)增容。將物流自動化提升到戰(zhàn)略性的地位之后，不僅可以提高生產(chǎn)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(jīng)準(zhǔn)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(yīng)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(wù)（如對產(chǎn)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(guī)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(huán)境中時，都會帶來一定的挑戰(zhàn)。它可以像動力傳送帶代替重復(fù)過程一樣的簡單，也可以像將具備協(xié)作能力的自主機器人引入工作場所一樣復(fù)雜。當(dāng)人工智能被加入到自動化和集成的過程中時，挑戰(zhàn)將變得更加復(fù)雜，但是受益也會隨之增加。
隨著解決方案之間的互聯(lián)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(chǎn)生數(shù)據(jù)和采取行動的設(shè)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(fā)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(wǎng)絡(luò)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(huán)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(shù)據(jù)更加緊密地結(jié)合在一起。在傳統(tǒng)的物聯(lián)網(wǎng)應(yīng)用中，大多數(shù)的數(shù)據(jù)通過網(wǎng)絡(luò)被發(fā)送到（云）服務(wù)器，并在那里進行數(shù)據(jù)的處理，再把結(jié)果返回到網(wǎng)絡(luò)的邊緣（如邊緣處的物理設(shè)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(tǒng)來說是不可接受的。這里舉個邊緣計算發(fā)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(shù)據(jù)，可以讓物流自動化系統(tǒng)在短短的0.2秒內(nèi)就可以做出響應(yīng)。而系統(tǒng)這部分的網(wǎng)絡(luò)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(shù)據(jù)，但將人工智能引入到邊緣側(cè)，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(xiàn)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(chǎn)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(xùn)練人工智能模型的解決方案不適合在網(wǎng)絡(luò)邊緣側(cè)部署模型。用于訓(xùn)練的處理資源是為服務(wù)器而設(shè)計的，其對能耗和內(nèi)存等資源的需求幾乎是不限制的。而在邊緣，能耗和內(nèi)存則是有限制的。
異構(gòu)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(yīng)用。相反地，開發(fā)人員正在專項針對邊緣人工智能部署優(yōu)化的異構(gòu)硬件解決方案。這種方案包括了CPU和GPU，當(dāng)然，還可以擴展到ASIC、MCU和FPGA。某些架構(gòu)（例如GPU）擅長并行處理，而其他架構(gòu)（例如CPU）則更擅長順序處理。今天，沒有一種單一的架構(gòu)可以真正做到為人工智能應(yīng)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(tǒng)，而不是使用同一架構(gòu)的多個實例。
這種趨勢指向了異構(gòu)，其中有許多不同架構(gòu)的硬件處理解決方案，通過配置進行協(xié)同工作，而不是使用多個設(shè)備（所有設(shè)備都基于相同的處理器）的同一架構(gòu)。能夠為任何給定的任務(wù)引入正確的解決方案，或者在特定設(shè)備上整合多個任務(wù)，這樣可以提供更大的可擴展性能，以及優(yōu)化的每瓦和/或每美元性能。
從同構(gòu)系統(tǒng)轉(zhuǎn)向異構(gòu)處理需要一個龐大的解決方案生態(tài)系統(tǒng)，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(yīng)商建立合作伙伴關(guān)系的供應(yīng)商合作的原因，因為這個供應(yīng)商能夠為邊緣計算提供解決方案，并與客戶一起合作開發(fā)具備擴展能力和靈活能力的系統(tǒng)。
此外，這些解決方案使用Linux等通用開源技術(shù)，以及機器人操作系統(tǒng)ROS2等專業(yè)技術(shù)。事實上，越來越多的開源資源正在開發(fā)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(gòu)建邊緣計算
為了提高靈活性并減少被供應(yīng)商綁定，凌華科技在硬件層面上開發(fā)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(tǒng)硬件的任何部分，例如處理器，而且不會造成系統(tǒng)范圍的中斷。
在部署邊緣人工智能等新技術(shù)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(shù)通常為網(wǎng)絡(luò)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(tǒng)的中斷降到最低的程度，并且邊緣人工智能系統(tǒng)設(shè)計也是一個明顯的優(yōu)勢。
通過使用微服務(wù)架構(gòu)和Docker容器技術(shù)，將硬件中的模塊化擴展到軟件中。如果有更優(yōu)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(tǒng)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(nèi)的軟件也可以是模塊化的。凌華科技用于人工智能視覺產(chǎn)品的Edge Vision Analytics（EVA）SDK（軟件開發(fā)套件）就是一個典型的例子。該平臺基于Gstreamer，專注于構(gòu)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(xiàn)成的開源插件（自身包含模塊）來簡化管道的開發(fā)。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(yīng)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(yīng)用之間的抽象，使得最終用戶更容易開發(fā)自己的，不依賴于任何平臺的應(yīng)用程序。
我們通過一個數(shù)據(jù)庫來簡化升級的過程，該數(shù)據(jù)庫在組件可以用時對其進行表征。使用該數(shù)據(jù)庫，工程師可以選擇適合的產(chǎn)品，以實現(xiàn)推理性能和系統(tǒng)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(yīng)。因此，與一個在軟硬件組合開發(fā)系統(tǒng)方面有著豐富經(jīng)驗，并且能滿足應(yīng)用需求的供應(yīng)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(yè)的第三方技術(shù)（如LiDAR傳感器）集成的模塊。
結(jié)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(tǒng)。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(biāo)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(yīng)對需求的增加。
越來越多的科技公司致力于開發(fā)人工智能解決方案，但是大多數(shù)公司通常只針對云計算，而不是邊緣計算。在邊緣側(cè)，其運行條件是不同的，資源可能有限，甚至可能需要專網(wǎng)。
通過使用人工智能等技術(shù)，自動化在物流運營中將持續(xù)增長并得以擴展。這些系統(tǒng)解決方案需要特別設(shè)計，用以滿足惡劣的運行環(huán)境，這與云或者數(shù)據(jù)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(fā)周期和靈活的平臺。