本文為「Robotics 2.0系列」第二篇。在前一篇文章〈AI重新定義機器人〉中,我們談到AI機器人和傳統機器人最大的不同在於自主學習能力,而這樣的改變將使得AI機器人有潛力顛覆各大產業。但究竟AI機器人會發展出什麼樣的應用?對各個產業又會有什麼影響?
Bastiane Huang
Bastiane Huang目前在舊金山的AI/Robotics新創公司擔任產品經理,擁有近10年產品行銷及市場開發管理經驗;曾在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0(AI-Enabled Robotics)、產品管理、Future of Work有興趣,歡迎追蹤她的Medium。
在這篇文章中,我們將徹底探討AI機器人在倉儲產業中的應用、並且瞭解為何倉庫會成為AI機器人的首個應用場景。
在下一篇文章中,我們則將進一步探討如何從「倉庫產業」這個AI機器人孵化器中,預測這項技術未來在其他產業的發展。
為什麼傳統機器手臂很難應用在倉庫作業上
透過程式設計,工廠內常見的機器手臂能以超越人類的高精度、高速度重複執行特定任務,甚至舉起人類無法負荷的重物。
但是,就算是現在最先進的機械手臂,也無法像人類一樣靈活變化。一旦生產商品或流程變更,工程師就需要重新編寫程式;甚至只要環境中有些微變化,例如某個零件稍微往左移動幾公分,機器手臂往往就無法應變。
為此,系統整合業者特別設計了振動台、送料器、輸送帶等,以確保機器人能以同樣的角度和位置獲取需要的零件;然而這些周邊硬體和整合費用,往往比機械手臂本身還要貴四五倍以上,不但所費不貲、也不夠有彈性。
平均來說,一輛汽車會有一到兩萬多個獨立零件。如果這樣聽起來已經很多、很複雜,想像一下,一般倉庫中通常有上百萬種商品、以及各式各樣的包裝。
這樣的多樣化程度,為機器手臂的自動化應用增加了許多難度。如果使用傳統的機器視覺及程式設計,意味著必須事先登錄好上百萬種商品、並且編寫程式教導機器人對各個商品做不同的處理,不但曠日費時,而且幾乎是不可能的任務。
AI讓機器手臂變得更聰明
然而這個以往看來不可能的任務,現在卻因為深度強化學習(Deep Reinforcement Learning,DRL)的出現而出現契機;因為DRL可以協助機器識別、應對周圍環境,並自主學習處理多樣的產品及工作內容。
有了足夠的資料與練習,DRL機器人就能自學新能力、逐漸進步。
有了足夠的資料與練習,DRL機器人就能自學新能力、逐漸進步;就像我們的學習方式一樣,經過嘗試、或是他人示範,機器也可以學著識別影像、打贏電玩遊戲,或是像Deep Mind研發的Alpha Go Zero一樣,利用DRL自我學習,最終戰勝世界棋王。
每次的抓取和試驗,都使機器人變得更聰明、更善於掌握任務內容;此外,雲端連線的機器人還能相互學習交流。這樣的巨大轉變,使得機器人解決方案更加靈巧、彈性、而且有效率。
什麼是深度強化學習?
深度學習以人工神經網路架構為基礎,是機器學習的一種,主要用於影像分類。
簡單舉例說明:如果要你找出一套規則,教機器如何辨識貓,你可能會說「一隻貓有四隻腳、兩隻耳朵、毛茸茸的」。但這樣和形容狗有什麼差異?
深度學習不需要我們自己找出規則,只要直接給機器一堆貓的照片,就能讓機器自己學會一套辨別貓的規則。
強化學習的靈感來自於行為心理學;透過獎懲機制、邊做邊試、從錯誤中學習,從而學習到如何強化控制方式。舉例來說,我們學習走路的時候,並不需要先看「走路時關節如何運動」的照片;而是直接嘗試,逐漸從跌跌撞撞進步到可以順利自行行走。
同樣的,機器也可以透過這種方式來學習動作。
深度強化學習(DRL)同時結合了以上兩種方法。因此機器手臂現在能透過深度學習,來自主辨識不同的物體;並藉由強化學習,對於不同物體採取不同的因應動作。
這樣的技術還在快速發展當中,目前適用的範圍包括了:
- 簡單或模擬的任務;
- 容錯(fault-tolerant)任務;
- 需要處理的狀況很多樣,因此很難以人工編寫規則的工作;
- 容易定義獎賞機制及目標的工作;
- 環境中不確定因素較低的工作。
為什麼倉庫會先成為AI機器人孵化器?
一般公認,倉庫貨物分揀作業是最適合AI機器手臂早期廣泛應用的使用情境。以上述適合DRL應用的五個條件來說:
首先,貨物分揀是相對簡單、而且可以容錯的任務;就算機器人不小心失誤,也只要將貨品重新撿起來,不破壞物品就可以。相反的,如果手術機器人出現失誤,就不是可以輕易解決的問題。
其次,任務內容雖然相對簡單,但需要處理的商品多達上百萬種、包裝千奇百怪,因此無法光靠人工編寫程式來完成任務。可以成功地拿取貨物就是成功、反之就是失敗,所以相對容易定義獎賞機制及目標。
最後,一般的自動化倉庫是相對受限的環境;雖然還是有不確定性,但相對於一般家庭或大街上,不確定因素還是少了很多。
倉儲作業中的人工成本,高達經營總預算的50%到70%。
另外,倉庫中需要完成的任務往往十分相似,而且訂單揀貨佔了大多數倉庫營運成本的40%以上,人工成本佔倉庫總預算高達70%;因此在亞馬遜(Amazon)等電子商務公司降低成本、追求快速到貨的推波助瀾下,零售商無一不設法追求倉庫自動化,而這也讓倉儲自動化成為AI機器人的應用案例首選。
許多新創公司都選擇倉庫貨物分揀作為第一個應用案例,希望利用倉庫做為試驗場,讓AI機器人技術更進一步、也讓更多傳統公司瞭解這項新技術。
貨物分揀是機器人研究領域的「終極目標」
在自動化倉庫中,實際裝箱的貨物分檢程序仍大多是由人工進行。(source: Bastian Solutions)
倉庫自動化已經存在數十年,也發展出了自動倉儲系統、自動導引車(AGV,如Amazon Robotics現行的「Kiva」)等各種設備。
但多數人不知道的是,自動化倉庫內的貨物揀選與包裝作業仍然是由人工執行;而這些作業的人工成本,更高達倉儲經營總預算的50%到70%。
除此之外,機器人的成本自1990年代以來持續大幅下降;同時,倉庫工人短缺卻導致每年平均工資上漲6%至8%。綜合以上原因,貨物分揀一直是倉庫業者想自動化、卻苦無方法著力的終極目標。
所以,「揀貨能力」長期以來一直是機器人研究中被譽為聖杯(holy grail)、也就是難以突破的「終極目標」。
AI機器人的技術很快就會成熟,並在接下來五年內大量獲得倉庫採用。
年復一年,Amazon和KUKA等公司都為新創公司和學術團隊舉辦機器人挑戰賽,希望藉此打造出有能力識別、揀貨、貯放貨品的機器。近年來,因為深度學習技術的出現,終於促使機器人有能力識別、挑選、並且妥善放置數百、甚至多達數千件的物品。
但這項技術仍未臻完善。對機器來說,識別數千萬個物件、並處理可變形物件或透明包裝物品,仍然充滿挑戰;然而,根據我們訪談Locus Robotics與OSARO等美國倉庫機器人新創的結果,許多產業專家預計這項技術很快就會成熟,在接下來五年內大量獲得倉庫採用。
另一方面,包括亞馬遜、Standard Cognition等公司,都正在開發無人商店、發展利用AI的商品識別技術;或許在不久的將來,就會出現能識別倉庫裡大部分商品的智慧相機。
如果這種情況真的發生,不僅足以影響倉儲作業,還將衝擊零售、出貨,以及許多其他我們從未想像過的應用場景。