仓储成为 AI 机器人的孵化器！

货物种类多样复杂，仓库无法导入传统机器手臂处理

透过程式设计，工厂内常见的机器手臂能以超越人类的高精度、高速度重复执行特定任务，甚至举起人类无法负荷的重物。

但是，就算是现在最先进的机械手臂，也无法像人类一样灵活变化。一旦生产商品或流程变更，工程师就需要重新编写程式；甚至只要环境中有些微变化，例如某个零件稍微往左移动几公分，机器手臂往往就无法应变，更不用说要处理时常变换的客制化零件。

为此，系统整合业者特别设计了振动台、送料器、输送带等，以确保机器人能以同样的角度和位置获取同样的零件；然而这些周边硬体和整合费用，往往比机械手臂本身还要贵四五倍以上，不但所费不赀、也不够有弹性。

这也是为什么车厂无法完全自动化的原因之一：平均来说，一辆汽车会有一到两万多个独立零件。如果这样听起来已经够多、够复杂，想像一下一般仓库中，通常有上百万种商品、以及各式各样的包装，这样的多样化程度，为机器手臂的自动化应用增加了许多难度。对传统的机器视觉及自动化来说，这意味着必须事先登录上百万种商品、并且编写程式教导机器人对各个商品做不同的处理，不但旷日费时，而且几乎是不可能的任务。

深度强化学习让机器手臂更聪明

然而这个以往看来不可能的任务，现在却因为深度强化学习（Deep Reinforcement Learning，DRL）的出现而出现契机；因为 DRL 可以协助机器识别、应对周围环境，并自主学习处理多样的产品及工作内容。

有了足够的资料与练习，DRL 机器人就能自学新能力、逐渐进步；就像我们的学习方式一样，经过尝试、或是他人示范，机器也可以学着识别影像、打赢电玩游戏，或是像 Deep Mind 研发的 Alpha Go Zero 一样，利用 DRL 自我学习，最终战胜世界棋王。

每次的抓取和试验，都使机器人变得更聪明、更善于掌握任务内容；此外，云端连线的机器人还能相互学习交流。这样的巨大转变，使得机器人解决方案更加灵巧、弹性、而且有效率。那么究竟什么是深度强化学习？

深度强化学习简单来说，就是深度学习（DL）以及强化学习（RL）的结合：

深度学习（DL）

深度学习以人工神经网路架构为基础，是机器学习的一种，主要用于影像分类。举例说明：如果要你找出一套规则，教机器如何辨识猫，你可能会说「一只猫有四只脚、两只耳朵、毛茸茸的」。但这样和形容狗有什么差异？

深度学习不需要我们自己找出规则，只要直接给机器一堆猫的照片，就能让机器自己学会一套辨别猫的规则。

强化学习（RL）

强化学习的灵感来自于行为心理学；透过奖惩机制、边做边试、从错误中学习，从而学习到如何强化控制方式。举例来说，我们学习走路的时候，并不需要先看「走路时关节如何运动」的照片；而是直接尝试，逐渐从跌跌撞撞进步到可以顺利自行行走。

同样的，机器也可以透过这种方式来学习动作。

深度强化学习（DRL）

深度强化学习（DRL）同时结合了以上两种方法。因此机器手臂现在能透过深度学习，来自主辨识不同的物体；并藉由强化学习，对于不同物体採取不同的因应动作。

这样的技术还在发展当中，目前适用的范围包括了：

1. 简单或模拟的任务

2. 容错（fault-tolerant）任务

3. 需要处理的状况很多样，因此很难以人工编写规则的工作

4. 容易定义奖赏机制及目标的工作

5. 环境中不确定因素较低的工作

符合 5 大条件，仓库成为 AI 机器人的孵化器

一般公认，仓库货物分拣作业是最适合 AI 机器手臂早期广泛应用的使用情境。以上述适合 DRL 应用的五个条件来说：

首先，货物分拣是相对简单、而且可以容错的任务；就算机器人不小心失误，也只要将货品重新捡起来，不破坏物品就可以。相反的，如果手术机器人出现失误，就不是可以轻易解决的问题。

其次，任务内容虽然相对简单，但需要处理的商品多达上百万种、包装千奇百怪，因此无法光靠人工编写程式来完成任务。可以成功地拿取货物就是成功、反之就是失败，所以相对容易定义奖赏机制及目标。

最后，一般的自动化仓库是相对受限的环境；虽然还是有不确定性，但相对于一般家庭或大街上，不确定因素还是少了很多。

另外，仓库中需要完成的任务往往十分相似，而且订单拣货佔了大多数仓库营运成本的 40% 以上，人工成本佔仓库总预算高达 70%；因此在亚马逊（Amazon）等电子商务公司降低成本、追求快速到货的推波助澜下，零售商无一不设法追求仓库自动化，而这也让仓储自动化成为 AI 机器人的应用案例首选。

许多新创公司都选择仓库货物分拣作为第一个应用案例，希望利用仓库做为试验场，让 AI 机器人技术更进一步、也让更多传统公司瞭解这项新技术。

货物分拣是机器人研究领域的「终极目标」

仓库自动化已经存在数十年，也发展出了自动仓储系统、自动导引车（AGV，如 Amazon Robotics 现行的「Kiva」）等各种设备。

但多数人不知道的是，自动化仓库内的货物拣选与包装作业仍然是由人工执行；而这些作业的人工成本，更高达仓储经营总预算的 50% 到 70%。

除此之外，机器人的成本自 1990 年代以来持续大幅下降；同时，仓库工人短缺却导致每年平均工资上涨 6% 至 8%。综合以上原因，货物分拣一直是仓库业者想自动化、却苦无方法着力的终极目标。

所以，「拣货能力」长期以来一直是机器人研究中被誉为圣杯（holy grail）、也就是难以突破的「终极目标」。

年复一年，Amazon 和 KUKA 等公司都为新创公司和学术团队举办机器人挑战赛，希望藉此打造出有能力识别、拣货、贮放货品的机器。近年来，因为深度学习技术的出现，终于促使机器人有能力识别、挑选、并且妥善放置数百、甚至多达数千件的物品。

但这项技术仍未臻完善。对机器来说，识别数千万个物件、并处理可变形物件或透明包装物品，仍然充满挑战；然而，根据访谈 Locus Robotics 与 OSARO 等美国仓库机器人新创的结果，许多产业专家预计这项技术很快就会成熟，在接下来五年内大量获得仓库採用。

另一方面，包括亚马逊、Standard Cognition 等公司，都正在开发无人商店、发展利用 AI 的商品识别技术；或许在不久的将来，就会出现能识别仓库里大部分商品的智慧相机。

如果这种情况真的发生，不仅足以影响仓储作业，还将冲击零售、出货，以及许多其他我们从未想像过的应用场景。