尽管这场流行的全球疫情无疑加速了仓库自动化--员工缺勤方面的挑战，以及巨大的需求迫使公司探索更有效和更少劳动密集型的工作方式--自动化解决方案供应商早在Covid-19这个词出现在任何人的嘴边之前就已经在做很好的生意。

第一批自动化存储和检索系统--计算机控制的系统类似于在仓库和配送中心存储和检索物品的巨大自动售货机--早在20世纪60年代就已推出。随着世界对消费主义的接受，在接下来的几十年里，自动化稳步深入到仓库运作中，以帮助订单和履行过程中尽可能多的步骤。

但直到2000年，对自动化的投资才出现爆炸性增长：电子商务已经到来。这种对购物模式、客户期望和行业竞争格局的破坏被称为 “亚马逊效应”，它的成功推动了成熟的零售巨头转变他们的商业模式，并大量投资于他们自己的电子商务运营和仓储网络。

“其结果是一场自动化革命。在仓库里，凡是人类要做的枯燥、肮脏或危险（或可能是亲爱的）的任务，现在都有一个机器人来完成。然而，你仍然会看到人类在那里忙碌。人类非常善于适应。”康耐视物流视觉产品高级经理本-凯瑞解释说。例如，如果他们去拿东西，却把它弄掉了，他们知道他们要如何第二次拿起它。这种与生俱来的智能是极难建立在机械上的。

配备视觉系统的机器人仍然在各种基本的仓库任务中挣扎，而它们的人类同行却觉得轻而易举。其中很大一部分原因是工作和环境的纯粹不一致。仓库或配送中心是一个快节奏、光线多变的工作场所，每天处理成千上万的物品，以数千种不同的方式包装，送往无数不同的目的地。

鉴于大多数机器视觉系统传统上是为工厂开发的，它们在相同的条件下无限期地重复识别和处理相同的物体，当面对混乱的、动态的物流世界时，它们会感到困惑，这并不奇怪。但是，最近，相机技术、机器视觉和深度学习的进步已经结合在一起，向许多更高层次的、传统的人类职责进军。

更智能的分拣机

总部位于美国马萨诸塞州纳蒂克的康耐视，生产一系列机器视觉系统、软件和传感器，用于工厂和仓库的自动测量、检查、引导和识别。

其中一个例子是它的3D-A1000紧凑型快照智能相机，结合了二维和三维视觉，不需要困难的集成。这就是今天运行的基于规则的软件，使用3D和2D数据，并将它们锁定在一起，中间有很多逻辑，"Carey说。它可用于识别分拣机上物体的存在或不存在，同时收集额外的有用信息。例如，破译物体的三维属性--大小、形状、体积等--可以改善二维检查，例如弄清包装的标签在哪里。

总部位于德国弗莱堡附近的Sick公司是康耐视的一个密切竞争对手，它的产品范围同样广泛，可以满足无数不同的仓库任务。例如，它的TriSpector 1000是一个三维三角测量相机，在传送带上经过的物体上投射并记录激光线，与康耐视的In-Sight 3D-L4000大致相当。机器视觉的Sick市场产品经理Ryan Morris解释了TriSpector 1000和3D感应的一些好处。他说：“在二维世界中，传送带上的一个卡住的标签看起来像一个物品，但在三维中，我们得到了高度信息，所以我们基本上可以忽略这个卡住的标签。”此外，3D传感并不关心不同物体之间的低对比度或具有挑战性的照明场景。

以 3D 方式扫描包裹

康耐视和 Sick 还为物流的发展趋势提供了大量传感器解决方案：移动机器人。自动导引车、自动导引车以及越来越多的自主移动机器人 (AMR) 经常在仓库地板上滚动。他们可能正在穿过过道以查明物品或检测危险溢出物，或执行任何其他涉及装载、分类、交付或取货的任务。

自主移动机器人在 2012 年首次亮相，当时亚马逊收购了 Kiva Systems 的吊舱运输机器人。从那时起，该行业充斥着提供大量不同 AMR 解决方案的老牌和新公司，从 AutoGuide Robots 的无人驾驶叉车到波士顿动力公司的狗状四足 Spot 产品。视觉信息对于任何 AMR 的导航和功能都至关重要，这也是许多开发人员转向 Cognex 和 Sick 的原因。例如，Morris 表示，Sick 的飞行时间和立体 3D 相机 Visionary-T 和 Visionary-S 分别越来越多地用于仓库应用中的移动机器人视觉，以提供比传统自动化系统更多的灵活性和信息。

仓库视觉系统的最新趋势是推出具有更复杂车载处理的产品。康耐视的新型 In-Sight 2800 具有与 Sick 的 InspectorP611 2D 传感器类似的功能，可以进行在线机器视觉检查，就是一个很好的例子。“对于物流来说，它是一种用于复杂分类的深度学习技术。”Carey 解释道。“与传统的基于规则的工具不同，它能够应对大量的变化。”因此，例如，从使用 2D 相机查看 5 到 10 张图像，In-Sight 2800 可以对混合的、倾斜的对象进行分类，并提供输出以对它们进行适当的分类。

康耐视最先进的物流产品之一是 In-Sight D900。“这是世界上首批可以运行完整的神经网络深度学习算法的智能相机之一。”Carey 说。由于智能相机本身部署了深度学习软件，非程序员也可以使用，因此在物流方面，In-Sight D900 特别适合用于标签识别的光学字符识别。鉴于包装来自多个国家和供应商，并且使用多种印刷工艺制造，标签可能会严重变形、歪斜或蚀刻不良，从而使识别具有挑战性。“你可以想象，有很多差异。”他说：“这就是深度学习在物流中真正发挥作用的地方。”

棘手的任务

其他公司也在扩展仓库中计算机视觉的范围，无论是在能力还是范围方面。Fizyr 总部位于荷兰代尔夫特，专注于开发先进的计算机视觉软件，用于传统上由人类执行的拾取和放置任务。该公司于 2014 年从代尔夫特理工大学分拆出来的代尔夫特机器人公司开始。不久之后，该团队赢得了 2016 年亚马逊拣货挑战赛——其目标是制造一个自主机器人从仓库货架上拣选物品，甚至比一个人。“但后来我们意识到我们的深度学习能力是多么独特，所以我们决定转向一家只提供软件的公司。”Fizyr 技术销售顾问 Shubham Singh 说。

Fizyr 的深度学习算法能够自动处理从散装中挑选的未知物体。“如果你看看包裹或杂货，它们的形状、大小、颜色、堆叠方式总是不同的，而机器人在这些情况下并不擅长，因为它们需要了解要检测、分割、挑选和放置哪些物品。”辛格解释道。“这就是Fizyr进来的地方。”

Fizyr 软件难以分割包裹

Singh 说，Fizyr 的技术相对于竞争对手产品的一个关键优势是，即使在其他算法——甚至是人类——难以解决的情况下，它的准确性也很高，例如从一堆重叠且颜色相似的物品中挑选物品。“我们的软件使用有监督的深度学习进行训练，有数十万张来自现实物流环境的图像，是与我们的行业合作伙伴合作收集的，”他解释说。“与机器人在旅途中学习的其他方法不同，我们确保最终用户处于控制之中，并且机器人能够学习我们希望它学习的所有东西。”

Fizyr 的软件被全球 20 多家领先的系统集成商用于生产。Singh 表示，该技术与硬件无关，但需要工业级 2D 和 3D 立体相机进行三角测量。因此，配备 Fizyr 软件的机器人通常可以处理电子商务、包裹服务和物流中的极端物体变化。他们执行一系列传统的人工任务，不仅在仓库中挑选各种 SKU，而且在机场进行包裹处理、卸垛、卡车卸货、混合放置甚至行李处理。

位于美国加利福尼亚州旧金山的 Rabot 是另一家在仓库视觉领域开拓利基市场的公司，专注于提高工人效率。Rabot 联合创始人兼首席产品官 Sandeep Suresh 解释说：“我们的唯一目标是真正增强当今现有的仓库运营，而不是实施可能具有破坏性的解决方案。”

“Rabot Pack 使用在包装站上设置的现成工业级摄像头，然后执行机器学习以识别错误和低效率，并验证订单是否已正确包装。“它真的是包装工的虚拟助手。”他继续说：“它可以直观地验证包装站中的所有不同物体，执行简单的检查以确保任何需要粘贴的标签、包装材料或气泡膜都已粘贴。”

Rabot 首席执行官 Channa Ranatunga 正在观看 Rabot Pack 的运行情况。

安装 Rabot Pack 的结果令人印象深刻，客户报告称其生产力在几个月内提高了 25% 至 50%，新员工培训速度更快，故障排除或解决客户投诉的时间显着减少。

与 Rabot 一样，总部位于美国加利福尼亚州圣克拉拉的计算机视觉公司 Vimaan 也在提高仓库效率方面着眼大局。该公司拥有一套库存跟踪和验证技术，可以实现从物品到达到离开仓库的全过程和门到门的可视性。这些产品在货盘和传送带、叉车甚至空中扫描和成像货物和包裹，自动无人机执行仓库货架的飞越。Vimaan 的解决方案完全消除了库存管理中的人为错误，并且可以为单个仓库节省数百万美元的核销费用。

随着这些以及更多的视觉技术降低了成本和错误，并提高了整个仓库的效率，这就引出了一个问题：我们是否已经接近人类不再需要踏入仓库的地步了？

“我认为我们已经到了那里。”莫里斯说：“我认为现在没有任何限制性技术，我们正在等待能够做到这一点——现在更多的是关于意志力和整合，以使这一切成为现实。”