在内部物流中执行复杂的物料搬运是机器人最典型任务之一。到目前为止，技术人员和企业主对于编程和部署设备的成本仍然相当高，但是，对于低混合高产量（worthwhile for low mix high volume）的生产来说是值得的。

除了智能图像处理外，这个用于物流的技术项目还使用了专门为抓取集装箱而开发的滚轮式抓手 © Robomotion

但是，如果在日益个性化的生产时代，零件的种类增加了呢？通常情况下，这些努力都变得不经济了。在仓库、物流中心或零售业中使用机器人的情况也是如此：物品的种类非常多，对机器人应该能够抓取的每个物体进行教学，成本太高。

在这种情况下，人工智能技术可以使机器人更自主、更灵活，并实现新的应用。即使在具有挑战性的条件下，自动化解决方案在经济上也是可行的。来自德国弗劳恩霍夫IPA的研究人员正在展示这样一个例子在深度拣选项目中可能是什么样子。除其他事项外，他们正在与 "高级机器人 "公司合作，开发基于人工智能的图像处理解决方案，使机器人能够识别和抓取托盘上的未知包装单元。

在过去，需要高度领域和专家知识的经典图像处理方法被用于机器人的定位和抓取物体。然而，这些方法往往不足以完成要求较高的任务，如抓取紧密堆叠的产品，这些产品的外观都非常相似。此外，对新产品进行耗时的训练是另一个障碍。由弗劳恩霍夫IPA和Premium Robotics公司开发的一个实验装置说明了人工智能提供的使用案例和好处。负载架上紧密堆叠的物体不能在不影响其他物体的情况下被任意抓取或接近。任务是研究对象检测的不同方法，并测试它们在机器人拣选货物领域的应用。

此外，还研究了基于卷积神经网络（CNN）的物体识别和姿势估计的方法。由于训练新产品的成本相应较高--必须生成图像数据的训练样本并进行人工注释--因此在模拟环境中进行了模型训练，训练后的模型随后被转移到真实世界。成功测试的对象是各种包装，如打开和关闭的盒子、装有瓶子、罐子和杯子的托盘、透明物体、仓库中遇到的任何形状的不同类型的包装，所有这些都在具有挑战性的照明条件和背景反射下进行。