自动化使用技术让人类完成更多的任务。在物流领域，自动化的潜力巨大且好处显而易见，尤其是在运营发生剧烈变化或需求不断增加的情况下。扩大业务规模通常需要增加通常不容易找到的额外员工，尤其是在其他行业也有类似需求的情况下。如何在面对市场波动时快速做出反应，需要贯穿整个运营过程的快速行动和其他附加能力。物流自动化可以根据需求变化快速实现产能扩张。物流自动化提升到战略地位后，不仅可以提高生产力，还可以减少人为错误，从而提高工作效率。有了合适的物流自动化软件、硬件和平台资源，即使在需求低迷时期，对运营成本的影响也相对较小，远低于维持大量劳动力所需的水平。随着需求的增加，运营能力已经准备就绪并能够迅速启动。虽然这些方法可以为物流公司提供快速响应需求变化所需的灵活性，但仍有机会做得更多。人工智能将放大物流自动化的影响。将人工智能引入物流自动化，将大大提升人工智能的影响力。人工智能可以减少常见的半熟练任务（如分拣和挑选产品）中的错误。自主移动机器人(AMR)的使用可以提高包裹递送的效率，包括最昂贵的最后一英里递送。人工智能帮助自主移动机器人(AMR)进行路线规划和识别人员、障碍物、送货入口和门口等特征。将物流自动化集成到任何环境中时，都会带来一定的挑战。它可以简单到用传动带代替重复性流程，也可以复杂到将协作式自主机器人引入工作场所。当人工智能被添加到自动化和集成过程中时，挑战变得更加复杂，但好处也随之增加。随着解决方案相互连接并更好地了解过程中的其他阶段，各个自动化元素的效率也会提高。将AI靠近生成数据并采取行动的设备就是我们所说的边缘AI。在边缘采用人工智能正在重新定义物流自动化。边缘人工智能发展极其迅速，其用途不仅限于物流自动化。将AI置于网络边缘的好处必须与资源可用性（例如电力、环境操作条件、物流位置和可用空间）相平衡。在边缘实施推理边缘计算使计算和数据更紧密地结合在一起。在传统的IoT应用程序中，大多数数据通过网络发送到（云）服务器进行处理，并将结果返回到网络边缘（例如边缘的物理设备）。只有云计算引入了延迟考虑因素，这对于时间敏感的系统来说是不可接受的。这是边缘计算发挥作用的示例。在分拣过程中，在本地采集并处理包裹的图像数据，可以让物流自动化系统在最短0.2秒内做出响应。系统这部分的网络延迟会减慢分拣过程，但边缘计算可以消除这种潜在的瓶颈。虽然边缘计算让计算更接近数据，但将人工智能引入边缘可以让这个过程更加灵活，更不容易出错。同样，最后一英里物流在很大程度上依赖于人，但使用边缘人工智能的自主移动机器人(AMR)可以改善这种情况。人工智能的引入将对物流自动化中使用的硬件和软件产生重大影响，并且存在越来越多的潜在解决方案。通常，用于训练AI模型的解决方案不适合在网络边缘部署模型。用于训练的处理资源是为服务器设计的，对功耗和内存等资源的需求几乎是无限的。然而，在边缘，功耗和内存受到限制。异构趋势在硬件方面，大型多核处理器不适合边缘AI应用。相反，开发人员正在部署针对边缘AI优化的异构硬件解决方案。这个方案包括CPU和GPU，当然也可以扩展到ASIC、MCU和FPGA。某些架构（例如GPU）擅长并行处理，而其他架构（例如CPU）则更擅长顺序处理。今天，没有任何一种架构能够真正为AI应用提供最佳解决方案。总的趋势是使用提供最佳解决方案的硬件配置整个系统，而不是使用同一架构的多个实例。这种趋势指向异构性，其中有许多不同架构的硬件处理解决方案配置为协同工作，而不是使用多个设备（全部基于同一处理器）的相同架构。能够为任何给定任务引入正确的解决方案，或在特定设备上整合多个任务，可以提供更大的可扩展性能，以及每瓦特和/或每美元的优化性能。从同构系统转向异构处理需要庞大的解决方案生态系统以及在硬件和软件级别配置这些解决方案的成熟能力。这就是为什么与能够与所有硅供应商合作以提供边缘计算解决方案并与客户合作开发可扩展和灵活的系统的供应商合作很重要。此外，这些解决方案使用了Linux等常见的开源技术，以及机器人操作系统ROS2等专业技术。事实上，越来越多的开源资源正在开发，以支持物流和边缘人工智能。从这个角度来看，没有单一的“正确”软件解决方案，也没有运行软件的硬件平台。使用模块化方法构建边缘计算为了提高灵活性并减少供应商锁定，凌华科技开发了硬件级别的模块化方法，允许在任何解决方案中进行更灵活的硬件配置。事实上，硬件级别的模块化允许工程师更改系统硬件的任何部分，例如处理器，而不会导致系统范围的中断。在边缘部署AI等新技术时，“升级”底层平台（无论是软件、处理器等）的能力尤为重要。每一代新的处理器和模块技术通常都会为网络边缘的推理引擎提供更好的功率/性能平衡，从而可以快速利用这些性能和功率增益，将整个物流自动化系统的中断降到最低.而边缘人工智能系统设计也是一个明显的优势。通过使用微服务架构和Docker容器技术，将硬件的模块化扩展到软件。如果有更优化的处理器解决方案可用，即使它来自不同的制造商，软件漏洞处理器也是模块化的，可以在不改变系统其余部分的情况下替换以前的处理器。软件容器还提供了一种简单而强大的方法来添加新功能以在边缘AI中运行。容器（Container）中的软件也可以模块化。凌华科技面向AI视觉产品的EdgeVisionAnalytics（EVA）SDK（SoftwareDevelopmentKit）就是一个典型的例子。该平台基于Gstreamer，专注于构建AI视觉管道所需的基本功能。AI视觉流水线的每个阶段都使用现成的开源插件（本身包含模块）来简化流水线的开发。这些插件包括图像捕获和处理、AI推理、后处理和分析。硬件和软件的模块化和容器化方法最大限度地降低了供应商锁定的风险，这意味着该解决方案不依赖于任何特定平台。它还增加了平台和应用程序之间的抽象，使最终用户更容易开发自己的不依赖于任何平台的应用程序。我们使用一个数据库来简化升级过程，该数据库在组件可用时对其进行表征。使用此数据库，工程师可以选择合适的产品，以实现推理性能和系统资源之间的完美平衡。物流自动化最重要的要求之一是实时响应。因此，与具有丰富的软硬件组合系统开发经验并能满足应用需求的供应商合作非常重要。凌华科技的方法是使用可以与激光雷达传感器等专业第三方技术集成的模块。结论在物流自动化的边缘部署人工智能不需要更换整个系统。首先是评估工作空间并确定AI可以真正受益的阶段。主要目标是在提高效率的同时降低运营费用，尤其是在劳动力短缺时期以应对不断增长的需求。越来越多的科技公司致力于开发人工智能解决方案，但大多数通常只针对云计算，而不是边缘计算。在边缘侧，其运行条件不同，资源可能有限，甚至可能需要专用网络。通过使用人工智能等技术，自动化将在物流业务中继续发展壮大。这些系统解决方案需要专门设计以满足恶劣的运行环境，这与云端或数据中心的需求大不相同。我们使用模块化方法解决这个问题，该方法提供极具竞争力的解决方案、更短的开发周期和灵活的平台。
