Роботи наближаються до розвантаження вантажних автомобілів у віці Amazon-Era

Автоматизовані розвантажувачі розроблялися роками, і досі не були вдосконалені, що відображає труднощі роботи з безліччю пакетів, які по-різному складаються від вантажівки до вантажівки.

Оскільки FedEx Corp. та United Parcel Service Inc. вдосконалюють автоматизацію, щоб йти в ногу з бурхливим розвитком електронної комерції та потенційною загрозою з боку Amazon.com Inc., вони зазнали неприємностей на вирішальному етапі: завантаження та розвантаження вантажівок.

Виробники роботів наближаються до вирішення частини цієї головоломки.

Siemens AG та Honeywell International Inc. побудували машини, які витягують пакети із задньої частини тракторного причепа та розміщують їх на конвеєрних стрічках, відбираючи посилки для сортування. Виготовлення роботів, які можуть завантажувати вантажівки, є складнішим, хоча очищення цієї перешкоди не за горами.

"Найбільшим викликом у нашому світі є: кожна упаковка відрізняється за розміром, формою, вагою, кольором, матеріалом", - сказав Тед Денгел, керуючий директор з технологічних операцій підрозділу наземної доставки FedEx. "Це робить це дуже складною проблемою".

Пристрої, представлені на нещодавній конференції з автоматизації в Чикаго, забезпечують підвищення продуктивності, одночасно зменшуючи потребу в одній з найбільш виснажливих робіт у логістиці. Кур'єри покладаються на автоматизацію, щоб боротися з ростом покупок в Інтернеті, що стимулює рекордний попит, але тисне норму прибутку. План Amazon, який повинен забезпечити більшу кількість своїх власних судноплавних послуг та запропонувати більше одноденних поставок, лише збільшує очікування.

Автоматизовані розвантажувачі розроблялися роками, і досі не були вдосконалені, що відображає труднощі роботи з безліччю пакунків, які по-різному складаються від вантажівки до вантажівки. Машинам також потрібен простір у логістичних центрах та складах, які вже забезпечені обладнанням. Контракт Siemens вимагає модифікації причепа вантажівки. Honeywell’s ні, але не так швидко розвантажується.

Апарат Хонівелла - це бегемот на колесах, який має набір присосок для захоплення пакунків, складених високо. Портативний конвеєр ловить або зачерпує їх із ложа причепа. Він працює в більшості причепів з плоским підлогою і вивантажується так швидко, наскільки це можливо, але без болю в спині та виснаження.

"Я можу говорити з власного досвіду розробки цієї машини: робота в цьому причепі жалюгідна", - сказав Метт Вікс, віце-президент з розробки продуктів в підрозділі "Інтеграція" компанії Honeywell, який зосереджується на автоматизації складу. "Виведення людей з причепа та керування кількома з цих машин є величезним фактором, оскільки це пов’язано із задоволенням та утриманням працівників".

Siemens застосував інший підхід. На підлозі причепа вантажівки повинен бути постійно встановлений котячий ремінь із завантаженими зверху пакетами. Коли причіп знаходиться у завантажувальному доку, до ременя прикріплюється велика машина, а пакети втягуються та направляються до сортувального вузла. Вивантаження стандартного причепа займає близько 10 хвилин, порівняно з приблизно годиною для однієї людини, яка рухається ящиками.

FedEx почав шукати шляхи автоматизації розвантаження причепів шість років тому, а нещодавно розпочав випробування двох конкуруючих машин, сказав Денгель, директор з технологічних операцій. Один пристрій йде далі, і FedEx планує придбати дві моделі та почати використовувати їх у польових умовах протягом наступного року, сказав він. Він відмовився називати виробників, з якими співпрацює компанія з Мемфіса, штат Теннессі.

UPS також працює над автоматизацією розвантаження, заявив речник Гленн Заккара, відмовившись надавати деталі. Кур'єр, що базується в Атланті, знаходиться в середині трирічного технологічного перетворення на 20 мільярдів доларів, щоб йти в ногу зі зростанням роздрібної торгівлі в Інтернеті. За останні п'ять років кількість працівників профспілки компанії зросла на 14% через збільшення обсягу пакунків, сказав Заккара електронною поштою.

Розв’язати тривимірну головоломку завантаження причепа складніше, ніж розвантажувати. Однак Dorabot, який підтримує китайського титана електронної комерції Джека Ма, тестує автоматизовану технологію завантаження з двома клієнтами.

Роботи стартапу використовують штучний інтелект і можуть завантажувати 400 посилок на годину у причіп, заповнюючи 60% його потужності - відповідно до того, що може зробити людина, - сказав генеральний директор Спенсер Денг. Доработ розраховує покращити швидкість приблизно на 50 посилок на годину та заповнити 80% вантажопідйомності, перш ніж вийти на ринок протягом півтора року, сказав Денг.

Томас Блек

Amazon знову під обстрілом, оскільки Китайська фабрика наймає стажерів-підлітків

Amazon зобов'язує 700 мільйонів доларів для перепідготовки працівників

Робітники Amazon планують страйк на перший день у складі Міннесоти

Купці Amazon відчувають біль торгової війни з Китаєм

Cogniac допомагає виробникам підняти інвестиції в систему зору на новий рівень за допомогою моделей на основі ШІ.

Є причина, чому стільки виробників вже десятки років звертаються до машинного бачення. Простіше кажучи, технологія зору - це річ краси, завдяки своїй здатності до послідовності та точного впорання з нудним та повторюваним завданням візуального пошуку помилок. Однак не всі системи зору створені однаково. Зрештою, є суттєві відмінності між традиційними системами зору «встанови і забудь» та системами глибокого навчання.

"Ми знаходимось на самому початку цієї революції та маємо величезний потенціал для штучного інтелекту для сприяння виробництву", - каже доктор Емі Ван, співзасновник та віце-президент систем компанії з машинного зору, що розвивається в галузі штучного інтелекту, Cogniac. Система Cogniac поєднує в собі найновіші дослідження ШІ, засоби взаємодії людини з комп’ютером та масштабне управління даними, що робить комп’ютерний зір простішим, точнішим та масштабованішим, що дозволяє виробникам отримувати інформацію з постійно зростаючих даних про зображення та відеопотоки.

Доктор Емі Ван, співзасновник Cogniac та віце-президент систем. Реальний потенціал залежить від лідерів галузі і усвідомити, пояснює Ван. "Йдеться насправді про можливість постійного вдосконалення - те, що вбудовано в ДНК найкращих виробників. На щастя, ця ментальність дуже добре поєднується з ШІ та глибоким навчанням », - каже вона. "Якщо ви розглядаєте розгортання системи зору з використанням штучного інтелекту як точковий проект, над яким ви працюєте та відходите, то такий підхід залишає надто багато можливостей".

Вибір ідеальних додатків

Існує величезна покрокова функція в тому, що можна автоматизувати за допомогою глибокого навчання - речі, які раніше взагалі не були можливими. Однак введення системи ШІ у існуючий процес та очікування його роботи може призвести до розчарування. “Зазвичай відбуваються зміни процесу, щоб повною мірою використати можливості глибокого навчання. ШІ повинен керуватися даними - це означає, що людям потрібно позначати зображення. Ви хочете звернути увагу на дані, хочете зібрати дані, хочете використовувати ці дані з максимальною перевагою », - каже вона.

Cogniac звертається до необхідних змін, попередньо зрозумівши робочий процес - від частин, що надходять, до різних показників, які компанія розглядає як дефекти, - щоб розробити ефективне рішення, яке готове вивчити та вдосконалити. "Спеціалізовані експерти з питань теми, люди, які знають, що вони шукають, відіграють вирішальну роль у маркуванні зображень для створення хороших моделей", - говорить Ван. "Рівень відданості управлінню процесом змін із самого початку робить або порушує проект".

Типовий робочий процес повинен починатися з виявлення бізнес-проблеми, завантаження зображень у систему, позначення невеликого набору даних, а потім дозволити системі автоматично розпочати навчання моделі. "Попутно оператори можуть бачити, що робить модель, і за потреби вносити коригування", - каже вона. «Наприклад, якщо ви якось бачите дефект, освітлення неправильне або кут камери неправильний, ви можете налаштувати свої камери. Ви можете налаштувати свій бізнес-пріоритет щодо того, які дії ви хочете виконати ".

Справа в цьому? Клієнт Cogniac оглядає панелі розміром 7 футів x 10 футів, що спускаються по лінії кожні чотири секунди. Він повинен виявити дуже дрібні дефекти, такі як дуже дрібні розщеплення або забруднення на панелі. "У нас є 25 камер високої роздільної здатності, які роблять знімки, коли вони падають по конвеєрній стрічці", - каже вона. «Ці зображення подаються в систему і застосовуються до моделі. Розбиття може бути де завгодно на панелі, і це може бути будь-якої форми. Варіабельність досить велика, іноді це дуже крихітні розколи. Система помітила проблеми, які компанія навіть не розпізнала спочатку, що дозволило їм змінити пріоритети якості ».

Ван розповідає IndustryWeek, спостерігаючи за зображеннями, що надходять, модель системи Cogniac може робити прогнози щодо цих зображень. Якщо модель не впевнена в собі через щось нове (тобто матеріальні зміни чи зміни навколишнього середовища), система створить попередження з проханням про допомогу. "Допомога моделі через зміни, змушує систему вчитися та вдосконалюватися з часом", - каже вона. “Наша система має дуже інтуїтивно зрозумілий інтерфейс, що дозволяє користувачам створювати робочі процеси для своїх перевірок. Потім ми маємо маркування, яке допомагає ШІ, щоб допомогти експертам із тематики позначати зображення. Як тільки компанія має успішну першу заявку, майже не викликає звикання знаходити інші можливості. легко з цим зробити більше ".

Ключем до можливості масштабування є розгортання випробувань у виробничому середовищі, щоб система зору опрацьовувала зображення, які точно відповідають виробничим очікуванням.