Ambi Robotics（前身为Ambidextrous Laboratories）为其采摘机器人和基于模拟到真实的人工智能（AI）的操作系统筹集了610万美元的种子资金。由肯德伯格大学（Ken Goldberg），美国加州大学伯克利分校的一位教授共同创立的Ambi Robotics表示，尽管它多年来在改善机器人抓地力方面的工作并不是秘密，但它正在退出隐身模式。

Ambi Robotics有两个旗舰产品。AmbiSort是一种自动放置墙，可将散装输入流（斜槽，手提袋和垃圾箱）中的箱子，塑料袋和信封分类到目标容器（邮件袋，手提袋）中。Ambi Robotics称，该系统“比体力劳动快50％以上”。AmbiKit是一个机器人系统，可以从任何项目集中构建独特的套件。该公司表示，它可以与各种行业的订阅盒，医疗箱，礼品套装和样品套装一起使用，包括化妆品，食品和饮料，消费品，医疗设备，航空航天和汽车。

该公司的机器人是模块化的，但它们确实使用基于吸力的抓取。这是AmbiSort的工作方式。深度感应相机首先查看物品箱并分析对象。在确定如何最好地抓取物品后，机器人将用其吸气式夹具抓取物品，将其固定在条形码扫描仪上，然后将物品放入垃圾箱。然后，当料箱已满并准备好打包时，系统会向操作人员发出警报。

按Dex-Net计算

该公司的机器人由其专有的操作系统AmbiOS提供支持，该操作系统可对机器人进行仿真训练，并将其进步成果转移到实际系统中。AmbiOS基于敏捷网络（Dex-Net）项目，该项目使深度神经网络的训练自动化，从而提高了机器人抓取各种物品的能力。

Dex-Net由加州大学伯克利分校的研究人员创建，其中许多人现在在Ambi Robotics工作。Dex-Net的算法结合了数千个3D对象模型和合成点云的仿真。本质上，深度神经网络可确定鲁棒的拾取点，从而为机器人提供了在无需进一步培训的情况下成功抓取新颖物体的最佳机会。

Dex-Net 4.0于2019年1月推出，能够针对500万个合成深度图像，抓取力和从3D对象堆中产生的奖励训练平行颚和基于真空的吸盘式抓取器的策略。对于具有两个抓取器的物理机器人，当时的策略是清除多达25个新对象的垃圾箱，其可靠性大于95％，且每小时的平均拾取次数超过300。Ambi Robotics联合创始人Jeff Mahler说：

“为了满足COVID-19期间在线交付量惊人增长的需求，我们的机器人与仓库员工一起工作，以减轻工作量，减少伤害并提高准确性，效率和吞吐量。我们的人工智能驱动的机器人系统专为人类操作而设计，使工人能够发挥最佳性能，利用我们的模拟到真实技术来拣选和分类物品，而工人则可以完成装箱和处理异常情况。”

Dex-Net团队在2.0版本发布后于2017年左右开始考虑将该技术商业化。在2018年，该团队应邀向亚马逊进行了技术演示，电子商务巨头的热情和积极回应进一步激发了团队的灵感。

Goldberg表示：

“使用我们独特的基于模拟到真实的转换的深度学习AI方法，AmbiOS可以为各种传感器，机器人和包装类别快速配置我们的系统，”“我们的AmbiSort机器人和龙门系统可靠地实现了超人分拣–允许人类工人以手动拣选速度的两倍来分拣成千上万的商业包裹。”

仓库已经成熟，可以实现自动化，而机器人系统正在赶上电子商务的增长。有许多机器人公司专注于使用操纵来改进供应链运营中的各种流程。我们在最近的RoboBusiness Direct会议“机器人拣选，抓取和操纵方面的进展”中讨论了此问题。就在昨天，波士顿动力公司发布了它的Stretch机器人，这是一种移动式卸垛机器人，旨在卸载卡车并在仓库中移动箱子。Strecth成功的关键在于其处理各种包装的能力。