想想婴儿是怎样从零开始学着探索周围未知世界的？他们是怎样学习抓取物品的？这对我们研究机器学习有什么帮助呢？机器学习是未来机器人拣选技术的关键，要如何克服体量、速度和准确性这“三大难题”？ 关键就在于模仿婴儿的学习方式。

　　在上个月的一篇文章中，我们通过强调人手的惊人功能及其与人眼的协调，概括了机器人拣选面临的挑战。手眼的协调使我们可以从一箱随机产品中轻松拣出任意的特定物品，这对于拣选机器人来说并不容易。在我们看来是一个任务，而它们则必须将其拆解成多个独立的任务和决定。另外，我们还分享了一些在视觉和夹具领域发生的惊人进展，这些进展将缩小机器人与人类手眼组合之间的差距。

　　然而这个难题还有另一面：手眼协调是由人类大脑实现的。大脑是完成复杂任务的绝佳平台，无需编程。大脑的一个关键特征是其适应性。人类可以从经验中学习，根据这种经验改善他们的表现。更重要的是，人类可以根据经验对从前没遇到的情况做决策。机器人能获得同样的能力吗？

　　这基本上就是机器学习——人工智能的一种形式——的意义。嵌入在机器人等设备中或者在云端运行的软件能够在没有明确编程的情况下学习。机器学习正在推动人工智能的快速发展，并已经在我们的手机等设备中出现，可以根据我们过去所做的事情来预测下一步我们最有可能做的事情。 

　　机器学习在供应链领域有许多潜在的应用。例如，供应链软件通过使用机器学习和关联算法来关联供应链系统和外部资源（如社交媒体、新闻推送和天气预报等）之间的数据，从而获得跟踪和预测供应链中断风险的能力。这也将是训练拣选机器人更快更准确地学习拣选物品的关键。
 
　　尽管已有少数创新者和早期采用者，但仓储行业的许多人仍持怀疑态度。他们的怀疑也很有道理。机器学习所面临的挑战与大数据应用关联的“三大难题”并行：体量、多样性和准确性。机器学习的应用程序可以处理海量数据吗？它可以关联不同类型的数据吗？这些数据可信吗？虽然这些担忧是必要的，但我们相信有办法解决这些问题，它就是教会拣选机器人像人类婴儿一样去学习。

　　人类天生具有抓握反射能力。生活中的一个小乐趣就是把你的手指放在新生儿的手掌上，感受他们的抓握。但在新生儿期，抓握是一种条件反射，而不是一种自主行为。大约四个月后，婴儿开始伸手抓住周围的物品。当他们抓的时候，他们学习辨认形状。在学会区分红色和蓝色之前，他们先学会区分一个盒子和一个球体，以及抓取和握住他们的最佳方式。他们抓住的周围物品越多，抓取和处理这些物品就越熟练。

　　同样的方法可以应用于机器人拣选。在机器人试图学习零售仓库中成千上万个SKU之前，它们需要先了解这些SKU所代表的各种产品的形状，以及处理这些产品的最佳方式。这是必要的一步，因为这些SKU不仅代表了大量数据，而且还在不断变化。
 
　　如果您运营着零售仓库，就知道我在说什么。您认为是相同SKU的所有产品实际上包含了10个SKU，每个SKU都有细微的差别。或者SKU没有改变，但是产品变了，现在加量30％放在一个特制的促销包装里。或者，产品本质上是一样的，但现在是抽奖的一部分，所以产生了一个新的SKU。变化多到无法想象。
 
　　因此，不要指望拣选机器人去适应每一次变化，这严重限制了它们的拣选速度。通过教会机器人如何有效地处理典型零售行业产品结构所代表的各种形状，机器学习可以被更有效地利用。

　　作为世界领先的机器人公司KUKA集团的子公司，我们看好机器人未来在物流领域的应用。结合我们提供的其他产品，我们的目标是为电子商务和零售仓库提供适应产品和市场变化的解决方案。应用机器学习来优化机器人处理各种形状的产品，是实现这一目标的关键，并将帮助拣选机器人更快地将零售和电子商务仓库的生产力和灵活性提升到新水平，超出业界对它们的期望。

关于瑞仕格
　　瑞仕格是全球领先的仓储及配送物流系统集成商，为具有前瞻性思维的仓库及配送中心客户设计、开发、交付一流的自动化物流解决方案。瑞仕格在全球20多个国家拥有超过2,500名雇员。现在，瑞仕格是国际知名智能自动化解决方案提供商KUKA集团的新成员。