作者：陳哲涵 黎學(xué)臻 

北京科技大學(xué)機(jī)械工程學(xué)院

一，物流機(jī)器人的視覺能力需求

物流機(jī)器人是應(yīng)用在物流中心等工業(yè)場景，通過搭載各種傳感器、導(dǎo)航系統(tǒng)和計(jì)算技術(shù)以自主執(zhí)行物流任務(wù)的智能機(jī)器人，通常用于物流倉儲(chǔ)領(lǐng)域進(jìn)行貨物搬運(yùn)、倉庫管理、分揀等操作[1-2]。

隨著全球供應(yīng)鏈不斷擴(kuò)展和商業(yè)活動(dòng)的日益全球化，以物流中心為代表的智慧工廠正面臨著更為復(fù)雜和多元化的運(yùn)營環(huán)境，并帶來包括貨物追蹤、安全管理以及運(yùn)營效率提升等多個(gè)方面的挑戰(zhàn)。在很多情況下，傳統(tǒng)的物流機(jī)器人難以滿足智慧工廠的多元化需求，無法完成各種精細(xì)化任務(wù)，有時(shí)只能依靠低效的人工處理，從而造成一系列問題。

例如，廠房巡查工作中，隨著物流中心規(guī)模的增大和運(yùn)營業(yè)務(wù)的復(fù)雜化，傳統(tǒng)的物流機(jī)器人巡檢只能按照固定路線行走而無法避障，而人工巡查和監(jiān)控又往往不夠高效和精確，因此傳統(tǒng)的巡檢手段可能會(huì)因檢測手段不足、視角有限或人為疏忽而錯(cuò)過一些潛在問題；面對異常情況，傳統(tǒng)的物流機(jī)器人很多時(shí)候難以及時(shí)響應(yīng)，可能導(dǎo)致潛在危險(xiǎn)事件的擴(kuò)大和蔓延，從而造成巨大經(jīng)濟(jì)損失，而且也往往由于缺乏記錄異常情況的手段導(dǎo)致事后無法及時(shí)追責(zé)與糾錯(cuò)；在廠房的物料/工具/文件的運(yùn)送過程中，很多物流機(jī)器人無法靈活運(yùn)送，可能存在走錯(cuò)路甚至取錯(cuò)物品的問題，而人工運(yùn)送往往效率低、耗時(shí)長，導(dǎo)致生產(chǎn)延誤甚至停滯；在庫存管理任務(wù)中，傳統(tǒng)的物流機(jī)器人無法實(shí)現(xiàn)盤庫或者只能固定位置掃描/逐件掃描，而人工盤查速度慢、易出錯(cuò)，并且快速識(shí)別庫存中的物品類型和數(shù)量也需要成熟豐富的經(jīng)驗(yàn)。

在這一背景下，物流中心等智慧工廠需要更智能化的解決方案，而強(qiáng)大的視覺能力正是滿足這些需求的關(guān)鍵驅(qū)動(dòng)因素之一。因此，為應(yīng)對日益復(fù)雜的操作和追求更高的安全性，越來越多的智慧工廠意識(shí)到引入具有視覺能力的物流機(jī)器人是滿足復(fù)雜需求的一項(xiàng)重要措施。物流機(jī)器人的視覺能力提升，不僅僅是追求技術(shù)創(chuàng)新，更是為了滿足日益增長的關(guān)鍵需求，從而確保智慧工廠在競爭激烈和不斷變化的環(huán)境中能夠持續(xù)高效運(yùn)營。

二，云邊協(xié)同智能視覺傳感器總體架構(gòu)

云邊協(xié)同智能視覺傳感器是一種將邊緣計(jì)算和云計(jì)算相結(jié)合，以實(shí)現(xiàn)多個(gè)智能視覺傳感器之間的協(xié)同工作的綜合系統(tǒng)。智能視覺傳感器可以在接近數(shù)據(jù)源的地方執(zhí)行圖像分析和處理，從而減少數(shù)據(jù)傳輸延遲，同時(shí)還可以與云端資源通信，共享數(shù)據(jù)和結(jié)果，以實(shí)現(xiàn)更高級(jí)別的智能決策和應(yīng)用。

具體而言，邊緣計(jì)算和云計(jì)算是兩種互補(bǔ)的計(jì)算模式。邊緣計(jì)算是指將計(jì)算和數(shù)據(jù)存儲(chǔ)移動(dòng)到網(wǎng)絡(luò)邊緣（即物理設(shè)備層），從而減少數(shù)據(jù)傳輸和延遲；云計(jì)算則是通過互聯(lián)網(wǎng)將數(shù)據(jù)和資源提供給用戶使用。在物聯(lián)網(wǎng)時(shí)代，邊緣計(jì)算和云計(jì)算的結(jié)合成為必然趨勢，即“云邊協(xié)同”。通過結(jié)合邊緣計(jì)算和云計(jì)算的優(yōu)勢，云邊協(xié)同智能視覺傳感器，能夠充分利用作業(yè)現(xiàn)場的視覺信息，提高數(shù)據(jù)處理和分析的能力、提供更可靠的數(shù)據(jù)存儲(chǔ)和備份、提供更靈活的數(shù)據(jù)處理和分析服務(wù)[3]。因此，云邊協(xié)同智能視覺傳感器是提升物流機(jī)器人視覺能力的重要基礎(chǔ)。

圖1云邊協(xié)同智能視覺傳感器總體框架圖

云邊協(xié)同智能視覺傳感器總體框架（見圖1），主要由以下幾個(gè)部分構(gòu)成：

1.傳感器層：架構(gòu)的基礎(chǔ)是各類智能視覺傳感器，這些傳感器負(fù)責(zé)收集環(huán)境中的圖像和數(shù)據(jù)，作為后續(xù)處理的原始輸入。

2.邊緣計(jì)算層：在邊緣設(shè)備上，可以使用輕量化的算法對傳感器數(shù)據(jù)進(jìn)行初步的處理和分析。這些算法能夠在本地實(shí)現(xiàn)快速的物體檢測、跟蹤、分類等任務(wù)，以便在實(shí)時(shí)性要求較高的場景下做出即時(shí)決策。

3.邊緣智能層：邊緣智能層進(jìn)一步利用深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)，對邊緣計(jì)算層產(chǎn)生的數(shù)據(jù)進(jìn)行更深入的分析。例如，可以進(jìn)行目標(biāo)識(shí)別、情感分析、異常檢測等任務(wù)，以提供更豐富的信息和見解。

4.邊緣與云協(xié)同：一部分經(jīng)過邊緣智能層處理的數(shù)據(jù)會(huì)被傳輸?shù)皆贫耍c云計(jì)算層協(xié)同工作。云計(jì)算層擁有更大的計(jì)算和存儲(chǔ)資源，能夠進(jìn)行更復(fù)雜的分析、建模和數(shù)據(jù)挖掘。這使得系統(tǒng)能夠從大量的數(shù)據(jù)中挖掘出更深層次的信息和模式。

5.云計(jì)算層：在云計(jì)算層，可以運(yùn)用更復(fù)雜的算法和模型，進(jìn)行大規(guī)模的數(shù)據(jù)分析和訓(xùn)練。這些分析可以用于業(yè)務(wù)決策、預(yù)測分析、趨勢識(shí)別等，從而為企業(yè)提供更具價(jià)值的信息。

6.決策和反饋：經(jīng)過分析后，系統(tǒng)可以在邊緣設(shè)備上做出實(shí)時(shí)決策，例如觸發(fā)報(bào)警、自動(dòng)控制設(shè)備等。同時(shí)，云端的分析結(jié)果也可以提供給操作人員，以供參考和決策支持。

可見，云邊協(xié)同智能視覺傳感器具備不同精度和效率的判斷決策能力，可用于各種領(lǐng)域，如工業(yè)自動(dòng)化、智能制造、物流和交通等，從而提高系統(tǒng)響應(yīng)速度和數(shù)據(jù)處理效率。

三，基于輕量化算法的邊緣機(jī)器視覺

由于物流機(jī)器人在實(shí)時(shí)環(huán)境中執(zhí)行任務(wù)，需要現(xiàn)場采集視覺信息并做出即時(shí)反饋，而將視覺處理推向云端的方式受制于網(wǎng)絡(luò)延遲，可能導(dǎo)致物流機(jī)器人的決策效率低下，甚至還有隱私數(shù)據(jù)泄露的風(fēng)險(xiǎn)。因此，為物流機(jī)器人配備邊緣機(jī)器視覺是一項(xiàng)必不可少的要求。

邊緣機(jī)器視覺是一種將機(jī)器視覺技術(shù)應(yīng)用于邊緣設(shè)備的方法，利用分布式計(jì)算架構(gòu)，將圖像和視頻數(shù)據(jù)的處理和分析部署在更接近數(shù)據(jù)源的邊緣設(shè)備上，以減少數(shù)據(jù)傳輸和延遲，實(shí)現(xiàn)視覺任務(wù)的快速響應(yīng)。在總體架構(gòu)中，邊緣機(jī)器視覺對應(yīng)“邊緣計(jì)算層”和“邊緣智能層”兩部分。

事實(shí)上，由于邊緣設(shè)備通常計(jì)算能力和資源十分有限，但仍需要實(shí)時(shí)進(jìn)行圖像處理和分析。傳統(tǒng)的復(fù)雜算法在邊緣設(shè)備上可能導(dǎo)致高計(jì)算負(fù)擔(dān)、延遲增加以及資源不足等問題。而基于輕量化算法的邊緣機(jī)器視覺則旨在解決這些問題，在保持合理的準(zhǔn)確性前提下，通過減少模型大小、計(jì)算量和內(nèi)存占用，實(shí)現(xiàn)在邊緣設(shè)備上高效地進(jìn)行圖像處理。邊緣機(jī)器視覺的網(wǎng)絡(luò)模型一般尺寸相對較小，具有較低的計(jì)算復(fù)雜度和較少的參數(shù)，應(yīng)用時(shí)設(shè)備功耗和延遲都較低。

邊緣機(jī)器視覺的實(shí)現(xiàn)依賴于輕量化方法，典型的方法包括模型剪枝、模型量化、知識(shí)蒸餾等。對于模型剪枝，基于深度神經(jīng)網(wǎng)絡(luò)中權(quán)重參數(shù)存在顯著冗余、僅使用小部分權(quán)重就可以預(yù)測出其余的權(quán)重這一認(rèn)識(shí)[4]，模型剪枝衡量各結(jié)構(gòu)的重要性，刪除模型中對性能不重要的冗余或不相關(guān)的單元（即節(jié)點(diǎn)、過濾器或?qū)樱?，提供合理壓縮率的同時(shí)盡可能降低對模型準(zhǔn)確性的影響，并在各種設(shè)置下都具有魯棒性[5]。對于模型量化，由于網(wǎng)絡(luò)的推理和訓(xùn)練都通過計(jì)算實(shí)現(xiàn)，數(shù)值的表示方式影響很大，而當(dāng)前網(wǎng)絡(luò)模型又都嚴(yán)重過度參數(shù)化，因此使用模型量化將模型的參數(shù)從浮點(diǎn)數(shù)轉(zhuǎn)換為較低位數(shù)的定點(diǎn)數(shù)，能夠不影響模型精度的情況下顯著減少模型所需的存儲(chǔ)空間和計(jì)算資源[6]。對于知識(shí)蒸餾，首先訓(xùn)練大型深度學(xué)習(xí)模型，然后作為教師網(wǎng)絡(luò)監(jiān)督訓(xùn)練一個(gè)輕量級(jí)的學(xué)生網(wǎng)絡(luò)[7-8]，學(xué)生網(wǎng)絡(luò)通過補(bǔ)充教師網(wǎng)絡(luò)中隱含信息的方式，在保有輕巧的結(jié)構(gòu)特性的同時(shí)提升模型性能。因此，知識(shí)蒸餾的訓(xùn)練階段使用大網(wǎng)絡(luò)有利于特征提取，推理階段使用小網(wǎng)絡(luò)有利于提升效率[9]。

具體而言，圖2所示的是一種典型的基于輕量化算法的邊緣機(jī)器視覺傳感器。在結(jié)構(gòu)上，該傳感器的芯片采用XBurst2 1.2GHz雙核處理器和600MHz RISC-V協(xié)處理器，不含GPU核，但內(nèi)置NPU核以支持int16/int8/int4/int2等多種量化等級(jí)，并擁有8T算力。并且，該傳感器還配備算法后處理單元，用于支持非卷積計(jì)算的硬件加速。該傳感器搭載一個(gè)ISP模塊，其最大支持4K，分辨率達(dá)到3740×2160，并具備畸形矯正、視頻旋轉(zhuǎn)以及雙攝像頭同時(shí)輸入的能力。編碼上，支持H265/H264/JPEG等編碼，最大輸出分辨率可達(dá)3840×2160。在接口上，包括百兆以太網(wǎng)接口、USB2.0接口以及UART×4等。在深度學(xué)習(xí)框架方面，能夠兼容Pytorch、ONNX等多種框架。

圖2使用國產(chǎn)AI芯片的邊緣機(jī)器視覺傳感器

在功能上，如圖3所示，為了實(shí)現(xiàn)邊緣機(jī)器視覺的模型輕量化，該傳感器對基于深度卷積網(wǎng)絡(luò)的分類模型進(jìn)行壓縮，采用結(jié)構(gòu)化剪枝去除網(wǎng)絡(luò)中冗余卷積核與連接，再對剪枝后的網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，最后生成輕量化的網(wǎng)絡(luò)。在保證精度的前提下，再采用蒸餾的方式，訓(xùn)練一個(gè)小型的學(xué)生模型。通過這種方式，大幅降低了大模型的參數(shù)，并通過蒸餾提升小模型的精度，實(shí)現(xiàn)了邊緣機(jī)器視覺的應(yīng)用。

圖3邊緣機(jī)器視覺的典型輕量化方法

輕量化算法的應(yīng)用，使得邊緣機(jī)器視覺能夠通過減小模型復(fù)雜度和資源消耗，使邊緣設(shè)備能夠高效地進(jìn)行實(shí)時(shí)圖像處理和分析，從而滿足實(shí)時(shí)性和資源受限的要求，其能夠完成的實(shí)時(shí)性任務(wù)主要包括：

1.實(shí)時(shí)環(huán)境感知：物流機(jī)器人利用邊緣機(jī)器視覺感知環(huán)境，包括檢測障礙物、辨識(shí)路徑和識(shí)別標(biāo)志，從而實(shí)現(xiàn)安全自主導(dǎo)航和避障。

2.貨物識(shí)別與分類：物流機(jī)器人能夠?qū)崟r(shí)識(shí)別和分類貨物，根據(jù)標(biāo)識(shí)或圖像特征將貨物分揀到正確的位置。

3.異常檢測與報(bào)警：物流機(jī)器人可以實(shí)時(shí)監(jiān)測環(huán)境中的異常情況，如火災(zāi)、漏水等，并即時(shí)發(fā)出報(bào)警，提醒相關(guān)人員采取行動(dòng)。

4.自動(dòng)巡檢和維護(hù)：物流機(jī)器人可以自動(dòng)巡檢倉庫和設(shè)備，檢測設(shè)備狀態(tài)，發(fā)現(xiàn)潛在故障，以及執(zhí)行基本的維護(hù)任務(wù)。

5.庫存管理與追蹤：利用邊緣視覺，物流機(jī)器人可以捕捉貨物的圖像特征，從而實(shí)現(xiàn)庫存追蹤和管理，準(zhǔn)確記錄物品的位置和數(shù)量。

6.任務(wù)自動(dòng)化和協(xié)同：物流機(jī)器人通過邊緣機(jī)器視覺能夠自動(dòng)執(zhí)行任務(wù)，如搬運(yùn)、分揀、上貨架等，實(shí)現(xiàn)物流流程的自動(dòng)化和協(xié)同。

因此，利用即時(shí)計(jì)算、快速響應(yīng)的邊緣機(jī)器視覺，物流機(jī)器人能夠大大提高作業(yè)的效率、安全性和自動(dòng)化程度，為智慧工廠的物流管理帶來了創(chuàng)新和提升。

四，面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)

面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)是一個(gè)專門設(shè)計(jì)和構(gòu)建的云計(jì)算平臺(tái)，用于支持和管理企業(yè)級(jí)物流業(yè)務(wù)，其運(yùn)行的基礎(chǔ)是與配備視覺能力的物流機(jī)器人相關(guān)的任務(wù)和數(shù)據(jù)。面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)在云邊協(xié)同計(jì)算、邊緣計(jì)算和云計(jì)算之間建立了連接，為企業(yè)提供了一套綜合性的解決方案，通過對搭載智能視覺傳感器的物流機(jī)器人的控制，實(shí)現(xiàn)物流管理的智能化和優(yōu)化。在總體架構(gòu)中，該云平臺(tái)主要對應(yīng)“云邊協(xié)同層”和“云計(jì)算層”兩部分。

由于云計(jì)算擁有大規(guī)模的計(jì)算資源和存儲(chǔ)空間，具備處理復(fù)雜的大規(guī)模數(shù)據(jù)和模型的運(yùn)算能力，同時(shí)也具有延遲高、難以快速響應(yīng)的特點(diǎn)，因此盡管該云平臺(tái)匯聚了眾多物流機(jī)器人的智能視覺傳感器獲取的信息，無需也無必要逐一分析業(yè)務(wù)場景和數(shù)據(jù)，而是通過云端大數(shù)據(jù)分析和數(shù)據(jù)挖掘，提供豐富的數(shù)據(jù)洞察和業(yè)務(wù)支持，幫助企業(yè)深入理解物流運(yùn)營情況，優(yōu)化業(yè)務(wù)流程，提高效率和競爭力。

從功能上看，如圖4所示，云平臺(tái)具有數(shù)據(jù)集中與整合、任務(wù)分配與調(diào)度、路徑規(guī)劃和調(diào)度、異常監(jiān)測與報(bào)警的功能，也能夠?qū)崿F(xiàn)數(shù)據(jù)統(tǒng)計(jì)與分析、庫存管理與優(yōu)化和預(yù)測性維護(hù)。前者與物流機(jī)器人的控制有關(guān)，是云邊協(xié)同運(yùn)算的重要實(shí)現(xiàn)；而后者與企業(yè)業(yè)務(wù)相關(guān)，并且非常依賴于云平臺(tái)的大規(guī)模計(jì)算能力，具體為：

1. 數(shù)據(jù)統(tǒng)計(jì)與分析：平臺(tái)可以對機(jī)器人的運(yùn)行數(shù)據(jù)進(jìn)行分析，生成報(bào)告和統(tǒng)計(jì)信息，幫助企業(yè)了解物流業(yè)務(wù)的運(yùn)行情況并進(jìn)行優(yōu)化。

2. 庫存管理與優(yōu)化：通過前端傳感器數(shù)據(jù)，云平臺(tái)可以實(shí)時(shí)監(jiān)測庫存水平，幫助企業(yè)進(jìn)行庫存優(yōu)化和補(bǔ)貨決策。

3.預(yù)測性維護(hù)：云平臺(tái)可以監(jiān)測設(shè)備的運(yùn)行狀態(tài)和健康狀況，識(shí)別出潛在的故障跡象。借助大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)，云平臺(tái)可以預(yù)測設(shè)備故障，使企業(yè)能夠采取預(yù)防性維護(hù)措施，減少生產(chǎn)線停機(jī)時(shí)間。

圖4面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)功能

借助云平臺(tái)龐大的計(jì)算能力，以上三個(gè)任務(wù)需要利用數(shù)據(jù)挖掘和大數(shù)據(jù)分析完成，是與邊緣機(jī)器視覺的不同分工之處。具體來說，數(shù)據(jù)挖掘從視覺傳感器搜集的大量數(shù)據(jù)中自動(dòng)發(fā)現(xiàn)隱藏的模式、規(guī)律和趨勢的過程。通過數(shù)據(jù)挖掘技術(shù)，云平臺(tái)可以在物流和倉儲(chǔ)數(shù)據(jù)中發(fā)現(xiàn)有關(guān)運(yùn)營的關(guān)鍵信息。例如，從物流機(jī)器人和傳感器數(shù)據(jù)中挖掘出物流路徑的瓶頸、貨物的高峰運(yùn)輸時(shí)段等。這些分析結(jié)果可以幫助企業(yè)更好地了解其運(yùn)營狀況，從而進(jìn)行戰(zhàn)略規(guī)劃和決策。而大數(shù)據(jù)分析涉及處理和分析大規(guī)模、多樣性、高速生成的數(shù)據(jù)。在智慧工廠中，大數(shù)據(jù)分析可以幫助平臺(tái)處理物流機(jī)器人、傳感器和倉儲(chǔ)系統(tǒng)產(chǎn)生的大量數(shù)據(jù)。通過大數(shù)據(jù)分析，平臺(tái)可以實(shí)時(shí)監(jiān)測物流活動(dòng)、分析設(shè)備狀態(tài)、跟蹤貨物流動(dòng)等，從而提供實(shí)時(shí)的業(yè)務(wù)洞察，支持實(shí)時(shí)決策和調(diào)整[10]。

數(shù)據(jù)挖掘和大數(shù)據(jù)分析在面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)中起著至關(guān)重要的作用。它們能夠從邊緣視覺提供的海量的數(shù)據(jù)中提取出有關(guān)業(yè)務(wù)運(yùn)營的有用信息。因此，面向企業(yè)級(jí)業(yè)務(wù)管理的云平臺(tái)以數(shù)據(jù)挖掘和大數(shù)據(jù)分析為主要手段，能夠?yàn)槠髽I(yè)提供深入的洞察，從而支持庫存管理、決策制定和業(yè)務(wù)優(yōu)化。

五，應(yīng)用案例

面向物流機(jī)器人的智能視覺傳感器，憑借即時(shí)快捷的邊緣機(jī)器視覺和智能化的云端處理能力，能夠在各個(gè)領(lǐng)域發(fā)揮作用。

以某物流中心為例，其立體庫中的四向穿梭車搭載了云邊協(xié)同的智能視覺傳感器，是一種特殊形態(tài)的物流機(jī)器人，如圖5所示。四向穿梭車能夠利用邊緣機(jī)器視覺能力實(shí)時(shí)感知分析車輛周圍的環(huán)境，幫助四向穿梭車進(jìn)行自主導(dǎo)航和避障，確保安全高效地完成貨物搬運(yùn)任務(wù)。利用邊緣計(jì)算可以識(shí)別貨架上的貨物特征，確定貨物位置和屬性，從而準(zhǔn)確地獲取貨物并將其放置在正確的位置。穿梭車也可以利用邊緣計(jì)算對圖像數(shù)據(jù)進(jìn)行路徑規(guī)劃和任務(wù)調(diào)度，云計(jì)算可以進(jìn)一步優(yōu)化路徑和任務(wù)分配，以提高多輛穿梭車的運(yùn)輸效率并減少等待時(shí)間。運(yùn)行過程中，四向穿梭車捕捉運(yùn)輸過程中的異常情況，例如貨物掉落或堵塞。邊緣計(jì)算可以實(shí)時(shí)分析異常數(shù)據(jù)，辨識(shí)異常，并發(fā)送警報(bào)通知到云平臺(tái)，以及時(shí)采取適當(dāng)?shù)拇胧?。此外，智能視覺傳感器也可以利用捕獲的圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，邊緣計(jì)算可以處理初步的數(shù)據(jù)分析任務(wù)。云計(jì)算則可以將不同車輛的數(shù)據(jù)進(jìn)行匯總分析，從中識(shí)別出流程改進(jìn)的機(jī)會(huì)，提高倉庫運(yùn)營效率。

圖5四向穿梭車中智能視覺傳感器的應(yīng)用

在某航空制造企業(yè)的生產(chǎn)車間中，具有智能視覺能力的物流機(jī)器人，借助基于邊緣機(jī)器視覺的VSLAM技術(shù)，能夠自主規(guī)劃路線與避障，結(jié)合人臉識(shí)別、目標(biāo)檢測等技術(shù)實(shí)現(xiàn)工具/物料從倉庫到工位的準(zhǔn)確遞送。利用先進(jìn)的圖像分析算法檢測異常情況，及時(shí)監(jiān)測環(huán)境變化，例如火災(zāi)、煙霧、泄漏等，一旦發(fā)現(xiàn)異常，能夠立即發(fā)出警報(bào)，以便迅速采取適當(dāng)?shù)木o急措施，滿足車間高要求的生產(chǎn)環(huán)境標(biāo)準(zhǔn)。基于云邊協(xié)同分析，物流機(jī)器人也能夠及時(shí)發(fā)現(xiàn)設(shè)備故障或物料破損，促使維修人員迅速采取行動(dòng)，避免生產(chǎn)中斷和成本增加。

因此，云邊協(xié)同智能視覺傳感器為各類智慧工廠中的物流機(jī)器人賦予了智能視覺能力，既能夠?qū)崟r(shí)、準(zhǔn)確地執(zhí)行復(fù)雜操作，提高作業(yè)運(yùn)作效率、準(zhǔn)確性、可靠性和安全性，又能夠基于海量數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和大數(shù)據(jù)分析，以更高的維度分析企業(yè)的運(yùn)營狀況，優(yōu)化管理方式和業(yè)務(wù)流程，是企業(yè)提高競爭力的一大利器。

六，結(jié)語

隨著工業(yè)4.0掀起智能制造、產(chǎn)業(yè)升級(jí)的浪潮，再加上競爭日益激烈的經(jīng)營環(huán)境，提高企業(yè)的運(yùn)營效率和業(yè)務(wù)優(yōu)化的能力成為越來越多企業(yè)的訴求，開發(fā)應(yīng)用具有智能視覺的物流機(jī)器人是其中一種重要實(shí)現(xiàn)途徑，而云邊協(xié)同智能視覺傳感器作為其核心組成，也受到前所未有的重視。

一方面，隨著芯片制程的進(jìn)步，基于AI芯片的邊緣計(jì)算能力日益提高；另一方面，以ChatGPT和Segment Anything Model為代表的大模型一次次震驚世界，云邊協(xié)同智能視覺傳感器的“智慧”即將迎來飛躍式的提升，基于智能視覺的物流機(jī)器人應(yīng)用范圍也將大幅拓展，能夠完成越來越復(fù)雜的任務(wù)。相信不久之后，物流機(jī)器人不再是新鮮事物，而是將進(jìn)入一家家智慧工廠，引起廣泛的工業(yè)變革，推動(dòng)更加智能、高效、創(chuàng)新和可持續(xù)的工業(yè)發(fā)展。

參考文獻(xiàn):

[1]Lin R, Huang H, Li M. An automated guided logistics robot for pallet transportation[J]. Assembly Automation, 2020, 41(1): 45-54.

[2]Bernardo R, Sousa J M C, Gon.alves P J S. Survey on robotic systems for internal logistics[J]. Journal of manufacturing systems, 2022, 65: 339-350.

[3]Dai W, Nishi H, Vyatkin V, et al. Industrial edge computing: Enabling embedded intelligence[J]. IEEE Industrial Electronics Magazine, 2019, 13(4): 48-56.

[4]李屹,魏建國,劉貫偉.模型剪枝算法綜述[J].計(jì)算機(jī)與現(xiàn)代化,2022(09):51-59.

[5]Yeom S K, Seegerer P, Lapuschkin S, et al. Pruning by explaining: A novel criterion for deep neural network pruning[J]. Pattern Recognition, 2021, 115: 107899.

[6]Gholami A, Kim S, Dong Z, et al. A survey of quantization methods for efficient neural network inference[M]//Low-Power Computer Vision. Chapman and Hall/CRC, 2022: 291-326.

[7]Wang L, Yoon K J. Knowledge distillation and student-teacher learning for visual intelligence: A review and new outlooks[J]. IEEE transactions on pattern analysis and machine intelligence, 2021, 44(6): 3048-3068.

[8]陳立瑋,周新志.基于特征自注意力的圖像分類知識(shí)蒸餾算法[J].現(xiàn)代計(jì)算機(jī),2023,29(04):49-53+68.

[9]楊珂浩,于龍,高仕斌等.基于無監(jiān)督知識(shí)蒸餾的高鐵絕緣子缺陷檢測算法[J].電氣化鐵道,2023,34(01):9-14.DOI:10.19587/j.cnki.1007-936x.2023.01.001.

[10]Yang C, Lan S, Wang L, et al. Big data driven edge-cloud collaboration architecture for cloud manufacturing: a software defined perspective[J]. IEEE access, 2020, 8: 45938-45950.

本文源自《物流技術(shù)與應(yīng)用》2023年12期（點(diǎn)擊可查看）

本文版權(quán)歸《物流技術(shù)與應(yīng)用》所有。