装载是亚马逊正在用机器人解决的一个“美丽问题”

当我们听说仓库里的操纵机器人时，几乎都是在挑选．也就是说，从一个商品箱中抓取一个商品，然后将该商品放入另一个商品箱中，在那里它可能用于构建客户订单。从一堆物品中挑选一件物品对机器人来说可能很棘手(尤其是当不同物品的数量可能达到数百万件时)。虽然这个问题肯定没有解决，但在一个结构良好和优化的环境中，机器人仍然非常擅长这类事情。

至少从2015年开始，亚马逊就一直在研发可以挑选商品的机器人ICRA亚马逊采摘挑战赛．就在一个月前，亚马逊推出了麻雀，并将其描述为“我们仓库中的第一个机器人系统，可以检测、选择和处理库存中的单个产品然而，了解麻雀的重要一点是，像大多数实用而有效的工业机器人一样，它周围的系统正在做大量繁重的搬运工作——麻雀被提供了非常适合机器人的箱子，这使得它的工作比其他机器人要容易得多。这并不是亚马逊独有的情况，在拥有机器人拣货系统的高度自动化仓库中，通常会看到箱子里只有相同的物品，或者只有少数不同的物品，以帮助拣货机器人成功。

反过来做拾取任务被称为堆存，这是商品进入亚马逊仓库工作流程的首要方式。

但对于亚马逊仓库中的绝大多数商品来说，机器人友好的垃圾箱根本不是现实，造成这种情况的很大一部分原因是(像往常一样)人类把事情搞得一团糟，在这种情况下，首先是他们把产品塞进垃圾箱。Sidd Srinivasa亚马逊人工智能机器人(Amazon Robotics AI)的主管说，存放物品的问题是“一场噩梦....”Stow从根本上打破了所有现有的工业机器人思维。”但在过去几年里，亚马逊机器人的研究人员已经投入了一些认真的工作来解决这个问题．

---

首先，了解我们通常看到的机器人拣箱机器人友好的工作流程与大多数亚马逊仓库实际运行的方式之间的区别很重要。也就是说，大部分复杂的操作都是由人类来完成的。

你可能已经很熟悉了亚马逊的驱动单元-顶部有货架的移动机器人(称为吊舱)，它们会自动驾驶自己经过从货架上取下商品的人类，为顾客建立订单。这显然是挑选任务，但反过来做同样的任务被称为堆存，这是商品进入亚马逊仓库工作流程的首要方式。事实证明，人们在亚马逊的移动货架上放置东西的方式基本上是随机的，目的是最有效地最大化空间。这听起来违反直觉，但实际上很有道理。

当亚马逊(Amazon)的仓库收到一批新货时，比如说“极棒鸡块”(Extremely Very Awesome Nuggets，简称EVANs)，最明显的做法可能是召集一个有足够空架子的吊舱，一次性把所有的EVANs都装进去。这样，当有人订购EVAN时，装满EVAN的豆荚就会出现，一个人可以从货架上挑选EVAN。然而，这种方法的问题是，如果装满EVANs的豆荚卡住、损坏或无法访问，那么没有人可以获得他们的EVANs，从而减慢整个系统的速度(对EVANs的需求非常非常高)。亚马逊的策略是将EVANs分布在多个pod上，这样就总有一些EVANs可用。

这种分布式存储的过程是随机的，从某种意义上说，一个人类存储员可能会得到一对埃文斯，放入接下来出现的任何豆荚中。每个吊舱都有一个阵列架子，其中一些是空的。埃文斯最适合放在哪里是由人决定的，亚马逊并不在乎，只要人告诉库存系统埃文斯最终放在哪里。这个过程是这样的:

从这个视频中，有两件事是显而易见的:首先，亚马逊产品存放在像这样的自动化仓库的方式与目前大多数的拣箱机器人完全不兼容。其次，很容易理解为什么这种装载对机器人来说是“噩梦”。好像需要小心地操作一堆物体来在垃圾桶里腾出空间还不是一个足够困难的问题，你还必须处理那些阻碍操作和可视化的橡皮筋，而且你必须能够抓住和操纵你想要存放的物品。现钞。

“对我来说，这很难，但并不太难——这是机器人可行的前沿，”他说亚马逊机器人和人工智能的应用科学高级经理Aaron Parness说．“这是非常有趣的工作。”帕尼斯从斯坦福大学和喷气推进实验室来到亚马逊，在那里他研究了StickyBot和LEMUR等机器人，并负责这个疯狂的微脊椎夹持器是用来在微重力环境下抓小行星的．帕内斯继续说道:“拥有可以在高杂波和高接触环境中进行交互的机器人是非常令人兴奋的，因为我认为它开启了一波应用程序。”“这正是我来亚马逊的原因;致力于解决这类问题，并试图扩大规模。”

对于机器人来说，亚马逊的囤货工作既前卫又噩梦，因为这是一项为人类高度优化的任务。亚马逊在人力优化方面投入了大量资金，而且(至少目前)该公司非常依赖人力。这意味着任何会对以人为中心的工作流程产生重大影响的机器人解决方案可能都不会走得太远。因此，帕内斯和高级应用科学家帕克·奥万(Parker Owan)必须开发能够解决这个问题的硬件和软件。以下是他们得出的结论:

在硬件方面，有一个挂钩系统，可以抬起松紧带，以便访问每个垃圾桶。但这是简单的部分;难的部分体现在末端臂工具(EOAT)上，它由两个长桨组成，可以轻轻挤压物品以将其拾取，内侧表面有传送带，将物品射入垃圾箱。一个可伸缩的薄金属铲可以在桨之前放入垃圾桶，必要时可以移动物品以腾出空间。

要使用所有这些硬件需要一些非常复杂的软件，因为系统需要能够感知箱子里的物品(它们可能相互遮挡，也可能在橡皮筋后面)，估计每个物品的特征，考虑这些物品可以安全地推来推去的方式，以根据要存放的物体最大化可用的箱子空间，然后执行正确的运动来实现这一切。通过识别一系列运动原语，然后将其链接在一起，亚马逊的研究人员已经能够实现(在实验室中)超过90%的装载成功率。

经过多年的工作，该系统运行良好，原型机正在华盛顿州的亚马逊物流中心存放实际库存商品。目标是能够储存亚马逊库存的85%的产品(数以百万计的商品)，但由于该系统可以在与人类使用的相同工作流程中安装，因此没有必要达到100%。如果系统不能处理它，它就会把它传递给人类工人。这意味着该系统甚至不需要达到85%就可以发挥作用，因为如果它可以完成即使是很小一部分的项目，它就可以从人类那里卸载一些基本的工作。如果你是一个需要一遍又一遍地做很多基本事情的人，这似乎是件好事。谢谢,机器人!

当然，在机器人方面还有很多事情要做，我们采访了Aaron Parness来了解更多。

亚博真人yabo.at：在亚马逊的仓库里装货是一项高度人工优化的任务。这是否会让机器人面临更大的挑战?

亚马逊机器人和人工智能的应用科学高级经理Aaron Parness说亚马逊

亚伦Parness:在家里，在医院，在空间站，在这些环境中，你有这些人类建造的环境。我不认为这是我们的动力。我们要解决的难题包括接触和推理。我认为这不会随着环境的变化而发生太大变化。我的团队大多数人都没有关注这种性质的问题，比如，“如果我们只能把箱子做这么高”，或者，“如果我们只能改变这个或那个小东西”。我并不是说亚马逊永远不会改变流程或改变系统。显然，我们一直都在这么做。在新建筑中比在老建筑中更容易做到这一点，但亚马逊仍然完全在这样做。我们只是想让我们的产品适应现有的环境。

我认为有一个普遍的说法，当你把机器人从实验室带到现实世界中，你总是受到你所处环境的限制。关于装载问题，这绝对是真的。这些织物吊舱是水平表面，所以相对于重力的方向可能是一个因素。挡住我们视线的橡皮筋是个挑战。环境的硬度也很重要，因为我们正在进行这种循环力控制，亚马逊销售的商品种类之多令人难以置信，这意味着有些商品是可压缩的。所以这些因素也是我们环境的一部分。在我们的例子中，处理这种非结构化的接触，这种意外的接触，是问题中最难的部分。

“处理接触对于工业机器人来说是一件新鲜事，尤其是意外的、不可预测的接触。这既是一个难题，也是一个值得思考的问题。”
亚伦Parness

你对每个箱子里有什么信息，这些信息对你收纳物品有多大帮助?

Parness:我们有箱子里的物品清单，以及每件物品的一系列信息。我们还知道缓冲区中[要存放的]项目的所有信息。我们有一个来自我们感知系统的3D表示。但也有质量控制的问题，库存系统说箱子里有四件物品，但实际上，箱子里只有三件物品，因为在某个地方有缺陷。在亚马逊，因为我们每天都在谈论数百万件商品，这对我们来说是常态。

每个箱子中物品的配置是真正具有挑战性的事情之一。如果你有同样的五样东西:一个足球，一个泰迪熊，一件t恤，一条牛仔裤和一张SD卡，你把它们放进垃圾箱100次，它们在这100个箱子里看起来都不一样。你也可以得到看起来非常相似的东西。如果你有一条红色牛仔裤或红色t恤和红色运动裤，你的感知系统不一定能分辨出哪个是哪个。我们必须考虑潜在的损坏物品——我们的算法决定哪些物品应该放在哪些箱子里，我们有多大的信心能够成功地将其存放起来，以及如果我们把东西翻过来或压扁东西，我们会损坏物品的风险有多大。

“接触和杂乱是让我夜不能寐的两件事。”
亚伦Parness

当你对箱子里的东西的信息不完整时，你如何确保你不会损坏任何东西?

Parness:这里有两点需要强调。一个是方法，以及我们如何决定采取什么行动。其次是如何确保你在做这些动作时不会损坏物品，比如尽可能地压扁。

首先，我们使用决策树。我们使用该物品信息来认领所有容易的东西——如果箱子是空的，就把最大的东西放在箱子里。如果箱子里只有一件东西，你知道那件东西是一本书，你可以假设它是不可压缩的，你可以相应地操作它。当你沿着决策树向下工作时，你会得到某些枝叶，它们太复杂了，没有一套启发式，这就是我们使用机器学习来预测的事情，比如，如果我扫这个点云，我可能会在箱子里留下多少空间?

这就是基于接触的操作出现的地方，因为另一件事是，在仓库中，你需要有速度。你不可能每小时装一件东西，而且还很有效率。这就是在控制回路中施加力和扭矩的不同之处——我们需要有一个高速率，一个几百赫兹的环，在传感器周围闭合，在我们的导纳控制器和我们的运动计划堆栈中有一堆特殊的佐料，以确保我们可以在不损坏物品的情况下进行这些运动。

亚马逊的新装载机器人的俯视图亚马逊

既然你是在这些人类优化的环境中工作，你的机器人方法模仿人类会做的事情有多接近?

Parness:我们从自己动手开始。我们自己也拿着一个机器人末端执行器。这很重要，因为你没有意识到你在做所有这些精细控制的动作，你手上有这么多传感器，对吧?亚博排列五投注网站这是一件事。但当我们自己做这个任务时，当我们观察专家做的时候，这就是运动原语的想法出现的地方，这让问题变得更容易解决。

是什么让你使用运动原语方法而不是更一般化的学习技术?

Parness:我给你一个诚实的答案——我从来没有被强化学习所诱惑过。但我的团队中有些人对此很感兴趣，我们进行了一场辩论，因为我真的相信迭代设计哲学和原型的价值。我们做了很多早期的原型，试图做出一个数据驱动的决策，而端到端的强化学习似乎很棘手。但是运动原始策略实际上改变了我对机器人是否能做这项工作的怀疑，并让我认为，“哦，是的，这就是事情。我们必须这样做。”这是一个转折点，获得了这些运动原语，并认识到这是一种构建问题并使其可解决的方法，因为它们使你达到了大部分目的——你可以处理除长尾之外的所有事情。有了尾巴，也许有时候一个人会往里看，然后说，“好吧，如果我玩俄罗斯方块，我做这个非常复杂和缓慢的事情，我可以做一个完美的独角兽形状的洞，把这个独角兽形状的物体放进去。”机器人不会那样做，也不需要那样做。它可以处理大货。

你一开始真的不认为这个问题是可以解决的吗?

Parness:是的。帕克Owan他是我们团队的首席科学家之一，他走到实验室的角落，开始做一些实验。当我在做其他事情的时候，我会看着那里，然后说，“哦，那个年轻人，真勇敢。这个问题会告诉他。”然后我开始感兴趣了。最终，有两件事，就像我说的:发现你可以使用这些运动原语来完成大部分的in-bin操作，因为这真的是问题中最难的部分。第二件事是在夹具上，在手臂末端的工具上。

“如果机器人表现良好，我就会说，‘这是可以实现的!’当我们遇到一些新问题时，突然间我就会说，‘这是世界上最难的事情!’”
亚伦Parness

末端执行器看起来很特别，你是怎么开发出来的?

Parness:环顾整个行业，有很多吸盘，很多捏握。当你有这样的钳子时，突然间你就想用你抓着的东西来操纵箱子里的其他东西，对吧?当我们决定采用桨式方法并封装物品时，它既为我们提供了对物品的六个自由度控制，以确保它不会进入我们不想让它进入的空间，同时也为我们提供了抓手上的已知工程表面。也许我只能以一般的方式预测它的硬度或接触特性或箱子里的物品，但我知道我是用桨的背面接触它，那是铝的。

但后来我们意识到末端执行器实际上在垃圾箱里占据了很多空间，关键是我们试图把这些垃圾箱填满这样我们就可以在亚马逊网站上有很多东西出售。所以我们说，好吧，我们会待在垃圾桶外面，但是我们会有这个锅铲作为我们的垃圾桶操纵器。这是一个超级简单的工具，你可以用来推东西，翻转东西，压扁东西....你肯定不是在做27个自由度的人手，但因为我们有这些运动原语，硬件补充了它。

然而，划桨带来了一个新问题，因为当我们使用它们时，我们基本上必须同时放下物品，然后尝试将其推入。这是一种动态的放手和推搡，这不是很好。这就是把传送带安装在桨板上的原因，这就成功地把我们带到月球上了。我现在是最坚定的信徒!帕克·欧万有时候会让我慢下来因为我太兴奋了。

在末端执行器上不断迭代一定很诱人。

Parness:是的，这很诱人，尤其是当你的团队中有科学家和工程师的时候。他们什么都想要。总是说"我能做得更好"我可以让它变得更好。我可以让它变得更好。”我身上也有，这是肯定的。还有一个我非常喜欢的短语，就是“如此简单，它可能会起作用。”我们是在创造和复杂化，还是在创造一个优雅的解决方案?我们让事情变得简单了吗?因为实验室和实际执行中心的另一个不同之处在于我们必须和我们的操作员一起工作。 We need it to be serviceable. We need it to be accessible and easy to use. You can’t have four Ph.D.s around each of the robots constantly kind of tinkering and optimizing it. We really try to balance that, but is there a temptation? Yeah. I want to put every sensor known to man on the robot! That’s a temptation, but I know better.

拣货在多大程度上只是反向装载?你能倒着运行你的系统并解决拾取问题吗?

Parness:这是一个很好的问题，因为很明显我也会考虑这个问题，但是选择有点难。关于堆垛，更多的是关于如何在箱子里腾出空间，然后如何将物品放入空间。为了挑选，你需要识别物品——当箱子出现时，机器学习，计算机视觉，系统必须能够在杂乱中找到正确的物品。但一旦我们能够处理接触，我们能够处理混乱，挑选肯定是一个开放的应用程序。

从长远来看，如果亚马逊部署了一堆这样的装载机器人，你就可以开始跟踪物品，你可以记得这个机器人把物品存放在这个箱子的这个地方。您可以开始构建容器映射。但是现在，系统不记得了。

特别是在采摘方面，亚马逊在过去几年做的一件好事是开始更多地与学术界接触。我的团队赞助了麻省理工学院和华盛顿大学的研究。华盛顿大学的研究小组实际上正在研究选择。装载和挑选都是非常困难和非常吸引人的问题，我希望我能及时解决这两个问题!