智慧仓储技术分析与展望

在全球产能过剩的大背景下, 市场需求由低成本、标准化、大批量的产品, 转向差异化、多元化、快变化的产品, 与此相适应的是生产方式由标准化流水线模式转变为定制化柔性线模式。在流通领域, 电子商务的蓬勃发展减少了传统中间流通环节, 为消费者提供了更优质的消费体验, 但在物流过程中, 以整托盘或整箱为单元的集中式作业逐渐被以产品基本包装为单元的碎片式作业所取代, 因此反而增大了物流作业的复杂度。

物流信息化解决了信息数字化问题, 实现信息的高效传递;物流自动化解决了作业机械化的问题, 实现了人工作业强度的降低。智慧物流则是将人工智能算法、自动感知识别技术与自动化设施、信息化系统深度融合, 使物流系统从过去仅能代替人的四肢升级为代替人的大脑+感知器官+四肢, 能模仿人的智能, 具有思维、感知、学习、推理判断和自行解决物流中某些问题的能力。智慧物流的灵活性、柔性化的特点, 可以有效应对碎片式作业所带来的成本增加和效率降低的问题。

仓储与运输是物流系统中两个核心部分, 其中仓库内部作业流程包括收货、存储、拣选、发货四个基本环节。本文将对仓库内各基本环节中现有智慧物流技术及发展趋势进行阐述。

(1) 自然导航无人叉车。托盘搬运作业是将整托盘货物从运输车辆上搬运至收货区等待质检入库。传统自动化解决方案采用激光或惯性导航的无人叉车实现托盘搬运作业。这些无人叉车通常只能在某个固定的区域内, 人为的设置好反光板、磁钉等标记物或反射器, 不能随意的变化工作环境, 存在很大的局限性。基于SLAM (Simultaneous localization and mapping, 同时定位与地图创建) 技术实现无人叉车的自然导航, 不需要安装标记或反射器, 只需让装有环境感知传感器的无人叉车在未知环境中从某一位置出发, 根据其移动过程中内部与外部传感器获取的感知信息进行自定位, 同时逐渐建立一个连续的环境地图, 然后, 在此地图的基础上可以实现无人叉车的精确定位与路径规划, 完成导航任务[1]。自然导航无人叉车具有安装时间短、投入成本低、自由创建新路径等特点, 是下一代智能无人叉车的发展方向。

(2) 智能拆垛机械手。拆垛作业是将转运托盘上码放的货物一箱箱搬运到传送带上。传统自动化解决方案是采用工业机器人手臂抓取或吸取完成, 由于机器人手臂作业控制依据的是计算机系统数据库中存储的箱型尺寸和码垛规则, 而不能在线识别现场作业的对象, 因此只能实现从同一托盘中取出相同规格的箱子, 当面临成千上万种货物箱型时数据库的维护任务将非常繁重。电商公司收到的同一托盘上的货物箱型大小不一, 且码垛无固定规则, 传统机器人手臂难以操作。智能拆垛机械手借助3D视觉和深度学习算法, 实现机器人手臂作业的自我训练、自我校正, 无需箱型和垛型的数据库维护。机器人通过3D深度摄像头识别顶层货物轮廓, 当首次拾起一个箱子, 它就建立一个关于的外形箱子模型, 并基于这个模型加快对下一个箱子的识别。

传统集中式作业过程中, 同一品规的货物以托盘为单元大批量进出仓库, 存储环节最常用的自动化解决方案是托盘自动化立体仓库AS/RS (Automated Storage and Retrieval System) , 货物以托盘为单位存储在高位货架上, 通过堆垛机完成托盘出入库作业。而在碎片式作业过程中, 为便于后期海量品项、成千上万订单的拆零拣选, 货物更多以料箱方式进行存储, 借助智能调度算法指挥小车群体完成货物出入库作业。

(1) KIVA系统。KIVA系统由成百上千个举升搬运货架单元的机器小车组成[2]。货物开箱后放置在货架单元上, 通过货架单元底部的条码将货物与货架单元信息绑定, 仓库地面布置条码网格, 机器小车应用两台摄像机分别读取地面条码和货架单元底部的条码, 在编码器、加速计和陀螺仪等传感器的配合下完成货物搬运导航。此外, 机器小车不支持移动与转向同步, 转向时需要固定在原地位置进行。该系统的核心是控制小车的集中式多智能体调度算法[3]。

(2) 多层穿梭车系统。KIVA系统受货架单元的高度限制, 仅能实现货物在平面空间上的存储, 多层穿梭车系统则采用立体料箱式货架, 实现了货物在仓库内立体空间的存储。入库前, 货物经开箱后存入料箱, 通过货架巷道前端的提升机将料箱送至某一层, 然后由该层内的穿梭小车将货物存放至指定的货格内。当货物出库时, 通过穿梭车与提升机的配合实现完成[4,5]。该系统的核心也在于通过货位分配优化算法和小车调度算法的设计, 均衡各巷道之间以及单个巷道内各层之间的任务量, 提高设备间并行工作时间, 发挥设备的最大工作效率。

(3) 细胞单元系统。KIVA系统中的自动导引小车实现地面搬运, 多层穿梭车系统中的穿梭车实现货架轨道上的搬运, 新型细胞单元系统则是以上两者技术的融合。细胞单元小车当在货架或提升机上时, 按照传统多层穿梭车的工作方式在轨道上运动;当离开货架到达地面时, 可以切换至自动导引小车的工作方式在地面运行, 在地面上的导航方式不同于KIVA系统, 采用的是基于无线传感网测距、激光测距仪测量和推测航行法的传感器融合技术, 无线传感网实现信息通信以及全局定位, 而激光测距仪测量和推测航行法实现位置跟踪和定位精度校正, 相比KIVA地面标签配合惯性导航的方式更加灵活[6]。该系统将立体货架存储空间与地面平面存储空间无缝链接在一起, 代表了可扩展、高柔性化的小车群体技术的未来发展方向。

订单拣选方式分为人工拣选和自动化拣选两种类型。

(1) AR辅助拣选技术。传统的人工拣选解决方案采用手持RF拣选、电子标签拣选或语言拣选方式。拣货员根据货架上的指示灯或者手持RF以及穿戴设备中的提示, 拣取货架中的货物。虽然作业准确率提高, 但是要求拣货员熟悉掌握库房的布局。通过虚拟增强现实技术 (Augmented Reality, 简称AR) 将真实世界和虚拟世界的信息进行“无缝”集成, 通过AR眼镜自动识别库房环境, 定位待拣货物位置, 并自动规划拣选路径, 建立线路导航, 指引作业人员以最快、最短的时间到达目标拣选货位, 通过AR眼镜自动扫描货物条码, 指导作业人员准确获取商品, 解放双手, 大幅提高拣选作业效率[7]。

(2) Delta机械手拣选技术。传统的自动化拣选设备是以A字架为代表的通道式拣选机, 同一品项货物被整齐叠放在立式通道内, 借助通道底部的弹射机构将货物拣选至皮带输送线上, 该设备主要适用于包装标准的盒装品拣选, 无法应对电商行业成千上万种货物包装形式的拣选需求。瑞典Reymond Clavel教授在20世纪80年代提出Delta并联机器人, 机械手的驱动电机被设计在机架上, 从动臂可以做成轻杆, 因此末端可以获得很高的速度和加速度, 特别适合轻型货物的高速分拣操作[8]。基于摄像机和计算机来模拟人的视觉功能, Delta并联机械手能够实现动态拣选, 并且机械手可以根据产品的不同的尺寸和种类更换拾取器, 因而适用的包装类型可以多种多样。此外, 为了保证抓取的准确性, Delta机械手需要借助人工智能技术训练同种商品在不同姿态下的识别准确率。

在发货区内根据送货线路不同划分不同区块, 集货分拣作业是将拣选完成的订单放置在对应送货线路的区块内。传统的自动化解决方案多采用基于斜轮分流器、滑块分拣机或交叉皮带机的自动化分拣线, 分拣线仅能解决订单按照送货线路分类集中, 但无法实现订单按照送货线路的固定顺序排列, 只有等到装车发货时, 由发货人员根据送货线路由远及近的客户顺序, 将相应的订单货物依次挑出, 装入车箱内, 严重影响装车效率。

智能发货分拣系统采用多层穿梭车技术, 拣选完成的订单存储在立体货架内, 穿梭车的存取货叉可根据箱型尺寸进行货叉间距调整, 因而可以适用于不同尺寸的货物和不同类型的包装。当接到发货装车指令, 订单货物会根据送货线路由远及近的客户顺序依次从货架中取出, 通过输送线送至装车区域, 若配合伸缩皮带机, 可实现直接装车, 减少中间二次搬运环节, 大幅改善装车效率。此外, 由于订单在发货区货架内进行立体存储, 相比传统发货区的地面平面存储方式, 空间利用率得到显著提高。

综上所述, 智慧仓储技术发展有两个显著特点:一是基于人工智能算法和自动感知识别技术机器人的快速融入;二是人机间的友好高效协作。对于拆垛、拣选等抓取类作业, 配备3D机器视觉和人工智能算法的机器手可以逐渐应对各类外形重量的商品;对于卸车、入库、出库、集货等搬运类作业, 配备各类导航设备和调度算法的自动导引小车机器人可以协同完成。机器人的融入, 使得传统仓储物流系统由刚性变为柔性, 而人工智能则使得物流作业更加高效和精准。与此同时, 由于商品多样性和高额建设成本的限制, 全部采用机器人作业的无人仓仅会出现在个别行业或企业内部, 并不具备一般适用性, 因此在更多应用场景中会采用人机协作的模式, 例如在订单拣选环节中, KIVA系统或多层穿梭车系统将待拣选货物料箱送至拣选台, 由人工来完成拣选作业, 人工拣选效率的提高依赖于拣选工位的设计, 需要增加人机界面的友好性, 让人工作的更愉快、更舒适, 把工位做的更加人性化, 智能化, 可有效避免差错。

随着机器人技术、人工智能算法和自动感知技术的研究深入和完善成熟, 智慧仓储技术将迎来快速发展和广泛应用, 如何让人与机器人之间更加友好高效的合作将成为新的研究热点。