亚马逊履行中心使用了数以千计的移动机器人。为了保持产品流动，亚马逊机器人公司的研究人员精心设计了独特的解决方案。

每一天，亚马逊都会收到数百万份订单。对于每一个订单，它都会对这些商品何时出现在客户的门口做出承诺。

为了满足这些最后期限，亚马逊建立了由50多万个移动机器人组成的车队。典型的亚马逊履行中心有四层楼，每层楼都有几个足球场大小，有4000个或更多的机器人将产品运送到站台，由员工选择运输。在一些大楼里，额外的机器人会按照邮政编码对这些发出的包裹进行分类，以便运送。

对于亚马逊机器人公司的研究人员来说，数量庞大的机器人需要一些创造性的解决问题方法。

亚马逊机器人AI的首席应用科学家迈克尔沃尔夫（Michael Wolf）说："想象一下，我们希望我们的机器人在设定的时间内尽可能多地取送物品。起初，我们可以通过增加更多的机器人来提高吞吐量。但到了一定程度，它们的庞大数量开始造成拥堵。机器人会相互干扰，降低整个系统的效率。"

这是一个少数公司面临的挑战。亚马逊，因为其巨大的规模和取悦客户的需要，已经成为利用机器人的领导者，同时其科学团队努力使拥堵不影响运营效率。

亚马逊机器人公司的研究和科学高级经理乔伊·达勒姆(Joey Durham)帮助领导了这一进程。他在10年前亚马逊收购Kiva系统公司之前加入了该公司，这是一家仓库机器人的先驱。当时，Kiva客户平均使用约250个机器人。亚马逊的愿景是要远远超越这些界限。

达勒姆说："当我们第一次开始关注它时，我们认为需要超过8000个机器人来维持一个亚马逊履约中心的运行，但是没有足够的空间容纳它们。这时我们真的必须解决拥堵问题。如今我们已经解决了这个问题，因此我们的效率大大提高了。"

虽然亚马逊对拥堵挑战的答案随着时间的推移而演变，但其最初的解决方案并不涉及交通管理。相反，这一切都是为了帮助机器人做出更好的决定。

了解地板

为了理解为什么更好的决策很重要，考虑一下亚马逊的大型矩形履约中心是如何布局的。机器人和被称为 "吊舱 "的四面存储架位于中间，其中包含数百万件独立产品。

装有产品的吊舱从中间流向周边的站台，在那里，员工们选择履行每个订单所需的物品，并将其放入周转箱。当需要一个特定的吊舱时，一个机器人从1000磅重的吊舱下面滑过，把它从地板上抬起来，然后把它带到站台上。这与传统仓库正好相反，在传统仓库中，工人们每天都要走过数英里的过道，一个一个地挑选产品。通过消除这些行程，亚马逊极大地提高了生产力。

当亚马逊收到一个订单时，该订单会被分配到设施或最能满足它的设施。然后，一个基于云的计算机系统决定订单中的每件物品使用哪个吊舱，以及哪些订单要一起处理，以优化每个吊舱交付的物品。就像拼车一样，每个吊舱挑选更多的物品将减少机器人的拥挤程度。

在这一过程中，有一些权衡。亚马逊希望在地板上存储最大数量的货物。同时，它希望尽可能有效地将产品转移到站点。杜伦说："我们一直面临的挑战是如何在增加存储空间的同时给机器人足够的操作空间。"

寻找流量

虽然良好的工作分配和路线决策可以顺畅交通并减少不必要的行程，但管理机器人的实际运动也很重要。为了简化任务，亚马逊的云计算服务创建了相当于城市网格地图的虚拟空间，机器人可以在上面 "南北 "或 "东西 "行驶。一旦机器人拿起一个吊舱，计算服务就会创建一条通往其最终目的地的路线。

为了优化整体系统效率并确保机器人不会相互干扰，亚马逊开发了协调机器人运动的算法。主要挑战是制定足够快的计划以领先于所有移动机器人。该团队使用的一种方法是计算“社会规则”来指导机器人的整体流动以避免交通混乱，同时还要考虑是否应该允许机器人打破这些规则以走捷径并更有效地到达目的地。

然而，履行中心的动态特性意味着新订单不断送达，员工进出站点，机器人在感知到意外问题时会停下来。再加上地板上的吊舱和机器人的数量以及亚马逊的规模，你就会开始意识到挑战的范围。沃尔夫说：“实际上有数万亿种可能性，我们必须实时解决这些问题。”

相反，该系统寻求不断调整计划以适应地板上的条件。达勒姆解释说：“这种反应对我们来说比全球优化的时间表更重要。理想情况下，我们都想要。因此，我们必须在确保系统具有反应性和尽可能优化之间找到这种微妙的平衡。”

走下滑道

一旦订单被打包并贴上标签，它们就会进入分拣中心。在那里，工人和机械臂将包裹从传送带上拉下来，扫描条形码以获取目的地信息，然后将每个包裹放在一个小型机器人上。然后机器人绕着地板上的一系列洞穿行，每个洞代表一组不同的邮政编码。当它到达正确的位置时，它会将包裹从滑槽下落到下面的装卸码头，然后在那里进行交付。一个典型的分拣楼层有数百个滑槽和一千个机器人，它们将包裹运送到那里。

然而，与履行相比，分拣提供的优化选择较少。在分拣中，随机混杂的包裹在传送带上滚动，系统必须在包裹到达时处理它所发现的任何东西。

因此，亚马逊机器人研究人员着手设计更好的流量管理模式。云中的计算机为每个机器人规划一条路径。与履行层一样，分拣中心定义了虚拟街道，控制机器人可以向哪个方向移动——但这里的街道更宽。

这会产生新的问题和解决这些问题的新算法。例如，当多个机器人在多车道交叉路口相遇时，其中一些机器人想要直行或转向迎面而来的车辆时会发生什么？为了创造更优化的交通流，亚马逊机器人研究人员正在开发一种新的多智能体规划系统，该系统将同时考虑更多机器人。

但即使是最先进的多智能体规划也无法为亚马逊大楼中的数千个或更多机器人进行足够快的规划。因此，达勒姆的团队正在发明“混合”解决方案，将单个机器人的快速规划与受最先进方法启发的协调技术相结合。达勒姆说，目标是在冲突发生之前发现并解决冲突。

达勒姆说：“我们的目标是创建一个不断发展的计划，我们没有闲工夫在零点坐下来，想出一个完美的计划来让我们的机器人动起来。相反，我们从已经启动和运行的计划开始，而且我们在一秒钟前就已经解决了。然后，我们用什么变化、什么出错、什么新东西出现来更新它，然后重新确定机器人应该做什么的优先次序。"

以增量为基础

多智能体规划将是向前迈出的重要一步，但亚马逊还有更多的概念正在研究中。亚马逊在机器人方面拥有无与伦比的经验，其研究人员希望使用机器学习来更好地应对常见挑战。然后他们可以将这些学习到的策略和启发式方法整合到一个更好的多智能体系统中。

沃尔夫说：“当这些机器人移动并环顾四周时，他们可以评估他们所看到的并在云中查找最佳策略来处理它，这将为我们节省为每个机器人复制这些政策的成本，并使世界各地的政策更新变得更加容易。亚马逊研究人员还在开发学习算法，使系统能够预测未来地板上的拥堵区域会出现在哪里，以及它们何时会消失，这种预测能力让规划变得更有知识。”

亚马逊希望通过与正在探索尚未准备好商业化的新概念的学者联系，在这项工作的基础上再接再厉。

去年10 月，亚马逊宣布与麻省理工学院合作，为机器人和人工智能创建一个科学中心。在那里，亚马逊正在与使用机器学习研究城市中自动驾驶和人工驾驶汽车的交通流量的 Cathy Wu 教授以及运筹学问题专家 Cynthia Barnhart 教授合作，例如如何将机器人分配给任务。

他们正在探索如何使用机器学习来让机器人车队避免拥堵。亚马逊的科学家希望利用学术研究来开发更好的算法，以便在拥堵出现之前预测它，并规划算法来避免它。

最终目标是继续将技术扩展到新的方向。机器学习衍生的策略以及更好的预测和规划算法将使亚马逊能够增加其分拣和履行中心的机器人数量，并安全地增加交通流量。这将帮助客户更快地获得他们的包裹。

尽管取得了长足的进步，但这只是开始。机器人技术仍然是一门年轻且发展迅速的科学。例如，亚马逊资助了几所大学的多个项目，从机器学习和共享自治到硬件重新设计和人机交互。高级应用科学经理杰里米-怀亚特（Jeremy Wyatt）说：“我们有机会不仅可以为我们的客户使用科学改进产品，还可以支持机器人研究人员作为公共产品，”

然而，亚马逊还提供了更多的东西，只有规模才能提供的东西。

沃尔夫说：“亚马逊拥有我在行业中看到的最具挑战性、最全面、最现实的问题，如果你想对现实世界产生影响，那就是机器人研究的地方。它让研究人员有机会看到我们的解决方案部署在数十万个机器人上。而且，由于我们的运营一直在发展，因此总是有一个令人兴奋的新挑战需要解决。”