非原創,轉載自:趙新華的知乎專欄-移動機器人

背景

最近以下概念比較火:
- 智慧倉儲系統, 代表: 亞馬遜, 京東, 其他()
- 智慧運輸系統: 包括分揀中心, 物流配送中心, 美團外賣,
- 智慧交通系統: 包括智慧城市, 其他()
- 自動駕駛系統: 代表: 百度, 其他
這些概念, 都是在建立智慧物流系統的過程, 今天說一說智慧物流系統的四大元素, 以及每個元素與人工智慧的關係.

物流系統

物流系統, 由貨車倉路四大元素組成.
貨: 運動的客體.
車: 運動的主體.
倉: 靜止的客體.
路: 靜止的主體.
說人話, 就是車主動動, 貨被動動,路假裝靜(實際相對車運動), 倉真裝靜(靜止是相對的, 運動才是絕對的).
在物流系統的概論課程中, 對以上問題可以反覆定義, 本質上, 就是要解決以上的資料結構的設計問題, 併為未來的演算法打下良好的基礎.

物流系統管理.

智慧, 不是體現在物流系統的靜態資源(貨車倉路)上, 而是體現在動態過程上.
智慧物流系統, 則由倉儲, 運輸, 交通, 駕駛四個功能組成. (其中運輸transport, 是為了避免物流本身的歧義, 在工廠內容易與工廠內物流, 也叫後勤logistics, 易混淆)

倉儲管理: 就是倉庫保管員, 他的核心任務只有一個, 就是確保倉庫靜態狀態(庫存)與倉庫的動態過程(建庫+出入庫+損溢+領用/消耗/歸還+….) 的結果一致. 能夠做到這一點的倉儲系統就是好的倉儲系統. 在工業領域, 通常是WMS(Warehouse Management System)來實現該功能.

運輸管理: 就是運輸車隊隊長, 工廠內物流主管. 他的核心任務也是隻有一個, 就是根據倉儲的出入庫任務, 或者外部的運輸任務, 調遣車隊中的車輛到指定地點接貨, 再到另外一個地點送貨, 再接貨, 再送貨. 在商業領域, 原來的郵政公司, 貨運公司, 大量的物流公司, 現有的電商物流公司, 快遞公司都有一套這樣的系統. 在工業領域, 工廠內部通常是用WCS(Warehouse Control System)來完成. (這個定義並不夠精確, 但是已經使用多年, 暫且用之), 工廠之間用SCM(Supply Chain Management)的部分模組來管理.

交通管理: 就是領航員的角色, 同時也包括交通警察的角色. 核心任務也是一個, 就是解決車和路的關係問題. 特別是各種路口, 單行線, 限行交通規則等. 在工廠裡, AGV或移動機器人, 採用的是AGVS, 開發LBS的群控排程演算法.
駕駛管理: 就是駕駛員的角色. 核心問題是解決車的問題, 和車與車之間的關係問題. 是在沒有交通衝突的情況下, 完成從一點到另一點的任務的事情. 這裡核心就是嵌入式軟體開發, 以及伴隨著的AI功能, 現在的雲端TPU+裝置端GPU/APU的模式力求解決這個問題.
另外, 比駕駛管理更低一個層面的是感知和控制, 包括如何定位, 感知障礙, 避障, 視覺獲取環境資訊, 路面感知, 以及車輛的姿態控制, 速度控制, 加速度控制等. 這一部分是難點, 但不是自動駕駛的全部, 自動駕駛應該至少包括一個駕駛管理和交通管理的部分.
有人說, 我自己一個人開車全搞定了, 因為你一個人扮演了以上四個角色. 甚至在沒有紅綠燈的地方, 你和另外一個人會車, 你們連交通警察和交通燈的角色也兼任了.
司機 = 駕駛員 + 領航員 + 交通協管員/交通燈/交通警察 + 車隊隊長 + 倉庫主管/上下料搬運工/物流檢驗員.

智慧物流系統

以上3已經實現了物流系統的管理, 管得好不好, 就是智慧程度的高與低.

倉儲智慧: 提高倉儲效率
- 同樣的倉庫面積能裝更多的貨,
- 通過合理的貨位碼放, 同樣的吞吐量, 貨的運輸總距離最短, 總能耗最小,
- 對於高頻物料, 等待時間最短, 響應速度最快.
- 立體倉庫不必拘泥於分類堆放, 可以最大自由度的實現以倉儲效率, 而不是人類管理方便為目標.
- 採用的手段, 通常為: 哈夫曼樹優化(90%問題夠用)

運輸智慧: 提高運輸效率
- 同樣的車隊能運更多的噸公里.
- 同樣的車隊能有更多的順風貨, 縮短車的運輸時間,
- 通過用小車運小貨, 大車規模化等方案實現貨重/(貨重+車重)的最優比例.
- 採用的手段和演算法: JobShop演算法, 旅行商問題, 揹包問題, 排隊論….
目前這裡的效率優化, 還大有可為, 貨車物流大資料專案確實能為貨車省油, 資訊化系統1年回本不是難題, 前提是至少省級的貨運優化組織能力.

交通智慧: 提高交通效率(都快成套話了)
- 同樣的道路, 能跑更多的車
- 平均車速更高, 紅綠燈綠燈的比例更高.
- 車與車之間堵車的概率最小化, 堵車發生時, 疏導的時間縮短.
- 堵車概率堵車時間損失 + 道路容量浪費概率 道路容量浪費損失 = 機會成本 的最小化 (這也解釋了為什麼路面價格高的地方, 堵車概率高的合理性– 但是也不該這麼堵車啊? )
- 路口紅綠燈規則的智慧化, 交通管制的自動化.
- 採用的手段和演算法: 路徑尋優, 最速下降法, 啟發搜尋…

駕駛智慧: 提高駕駛效率
車跑得更快
加速快, 轉彎快, 不超速不違章, , 快快快.
坐車的人, 則希望舒適: 車的加速度最小化, 轉彎時離心加速度最小化, 振動最小化, 這些都是可以用感測器, 通過人工學習完成的.
常用的演算法和手段: 加速度測量情況下的舒適度控制, 視覺+結構鐳射+其他感知技術+定位技術 下的姿態/速度/加速度三閉環控制.

以上四個智慧, 目前尚未體系化. 小公司做好1個點, 大公司研究多個智慧之間的體系結構, 然後抓重點重點突破.
(建立以上一套智慧物流的指標集, 然後開啟後驗的試水模式, 利用中國地大人多的市場資源, 最快速度的積累大資料, 進行學習和探索. 這是在大資料時代, 市場換技術的一種模式, : 因為郵包最多, 所以資料最多, 所以迭代最快, 進化最快, 最先獲得一個10億人規模的智慧物流系統優化演算法, 然後在美國之前佔領歐洲市場, 印度市場, 非洲市場 這三個10億人量級的大物流系統. –放在括號裡的意思是, 不是正文, 不負責任, 不要閱讀, 不要當真. )

智慧物流系統

物流智慧, 是將以上四個智慧進行整合之後, 超出每一個區域性智慧可以完成的功能. 是智慧物流的第五元素.
目前該部分的理論尚不夠成熟, 演算法也在討論中.

由於新型的運輸方式的出現, 比如3D的無人機, 比如專用的真空膠囊管道(已用於工廠內樣品的快速氣力輸送), 比如堆垛機, 立體庫的大範圍推廣, AGV, R-AGV, 智慧叉車, 智慧桁車的普及, 給智慧物流系統帶來新的契機.
這種組合爆炸, 需要3~5年的時間進行探索, 才能真正在實現四個智慧的基礎上, 再實現整個智慧物流系統的總體優化. 由於問題的複雜性過高, 所以, 幾乎每個人都可以找到智慧物流裡的一些組合, 形成組合創新. – 但是真正找到如何組合優化才能得到最優解, 而求解效率又不大幅降低, 這個需要搞演算法的人, 和搞實踐的人一起.
舉幾例子:
1) 倉儲庫位的動態調整, 與運輸車輛的排隊耦合在一起, 大幅減少車輛等待時間.
2) 堵車位置與無線智慧充電結合起來, … 似乎和智慧物流沒什麼關係. 司機少停幾次充電的時間.
3) 智慧駕駛與路面, 與交通指揮結合, 在地面上貼滿二維碼/RFID, 汽車低頭閉眼睛開, (只管好避障, 不管尋路)
4) 增加大量的中轉模式, 把物流中心中轉, 改為服務區中轉, 建立按小時共享租賃的路邊庫…
腦洞太大, 我還是回到我自己的工廠內移動機器人的本體和排程系統來.

智慧物流系統的軟體與架構

圍繞以上的幾個系統, 進行細緻的功能分層, 設計簡便而合理的資料結構, 和相互呼叫的介面, 一方面可以實現高內聚, 鬆耦合的軟體智慧物流系統,
在工廠內, 建立”WMS - WCS - Traffic - Moobot(AGV/立體庫/機械臂/智慧叉車/…)”一體的綜合智慧物流系統;
在工廠間, 打通”倉儲中心 - 運輸車隊 - 交通指揮 - 自動駕駛” 一體的綜合智通物流系統.
這同時也給未來新的演算法接入, 除錯, 升級, 組合優化帶來巨大的空間.
( 智慧物流相關演算法和原始碼級合作, 有意私信, 非誠勿擾. )