硅谷人工智能专家Celina Wang：人工智能如何改变传统物流 | CCF-GAIR 2017

本篇文章4811字，读完约12分钟

雷锋。2017年7月7日至9日，全球人工智能与机器人峰会ccf-gair会议在深圳成功举行。本次活动由中国计算机学会主办，雷和香港中文大学协办。来自世界各地的30多位顶尖院士和近300家ai明星ai企业齐聚一堂，参加智能技术产业盛会。

塞利纳·王(王亚丽)是硅谷的人工智能专家。她的研究领域包括移动设备的智能传输和优化、电子商务领域的预测和决策以及动态路径规划。塞利纳·王分别获得了斯坦福大学和加州大学的硕士和博士学位。回国前，她在美国著名的研究中心施乐parc工作，施乐parc是计算机领域的先驱，个人电脑、激光打印机、鼠标和以太网等计算机领域的许多发明都源于施乐parc。

塞利纳王在主题为“人工智能引领物流转型——新兴产业革命的现在和未来”的2017年ccf-gair大会上发表了演讲。她从三个方面发展。首先，介绍了传统物流模式和瓶颈。其次，阐述了人工智能是如何改变传统物流模式的。最后，举例说明了智能物流的应用场景。

以下是塞丽娜.王的发言速记全文。雷锋。(公开号码:雷锋。com)在不改变初衷的情况下进行了精编:

传统物流模式和瓶颈物流是一个非常广泛的领域，侧重于当前经典的热点应用场景。

简单地看传统的物流传输模式，有保守的生产线，定期运输和人工仓库。传统物流是一个相对封闭的系统。如今，中国有很多知名的物流企业，从仓库组装到户外配送，员工超过10万人，这是一个非常大的成本消耗。因此，在人力、物力和财力方面，传统物流投入了相当大的资金和时间，并且不得不支付额外的费用，比如从仓库到仓库的各个方面都要保证安全设施，这是一个很大的瓶颈。当成本绩效低到一定程度时，就会导致企业的长期亏损。

另外，传统的物流模式属于被动服务，不能提供动态和随机的预测，宏观预测能力仍然较弱。

对于传统物流带来这些损失的背景，我们很容易从新闻媒体的报道中找到，这是非常直观和明显的证据，因此必须用现代物流来打破和改善传统物流。

另外，传统的物流环节非常封闭和独立，相互之间联系不紧密，这将导致手续繁琐。我记得早期的传统物流没有使用计算机进行数据维护和数据存储，它仍然是一种像纸和笔一样的老式记录形式，需要通过智能物流逐步更新。物流信息也是孤立的，仓库和库房是独立的系统，信息相对封闭，会影响物料的有效流动。例如，当我们购买电脑时，普通人想购买相关产品，如键盘、鼠标和显示器。如果我们使用传统的物流，我们可能会想购买电脑，而你想同时购买的鼠标和键盘会被放在另一个仓库，这将导致在你需要的所有设备都完成后，需要大量的时间和成本。

人工智能如何改善物流？人工智能如何改善物流，什么叫做智能物流？首先，智力可以在许多环节上自发地、自主地、独立地进行调节，比如商品的关联程度，或者以计算机为例。当你想买一台电脑时，你能把你需要的其他辅助设备，如显示屏、键盘和鼠标放在电脑附近吗？把它放在仓库甚至相邻的货架上，这样就大大降低了拣货成本，这是需要考虑的人工成本。我们知道仓库曾经是一个有人管理的仓库，每个环节都是由人来实现的。智能物流的引入将减少人工处理时间、实物消耗和经济成本，同时也提高了中转效率。当所有这些成为自动模式，成本将大大降低，以换取更可观的利润。

那些了解人类过去100年科技革命的人应该知道，我们进入第二次世界大战是从第二次工业革命开始的，例如汽车发明时，到第三次工业革命，最后在20世纪80年代打破了软件的一些瓶颈。例如，微软有视窗系统，现在我们正处于第四次工业革命，那就是人工智能。

人工智能改变了传统物流。人工智能改善物流的环节很多。我只给出几个应用场景，比如运输路线。我们不想绕太多的圈或者走太多的路去传播。我们选择最好的路线，有时是最快的，有时是最短的。最短和最快不是一回事。例如，当开车到市中心时，最短的物理距离可能被阻塞，时间可能是最慢的。此时，我们需要立即做出调整。

物流行业也是如此，它需要独立地调整路径的最佳优化，始终处于动态状态，并且一直在寻找最快的路径，这就是我们通常驾驶时导航系统所能做的。有效的解决方案包括智能算法，如路径算法、调度算法等，这些都可以在未来进一步探索。

人工智能也改变了库存管理。我刚才提到有些仓库有大量传统而繁琐的库存管理模式，如纸笔、手工手写订单等，可以用来建立云计算中心，每天用电脑存储数据。例如，计费情况和计费情况每24小时更新一次，与云计算中心数据同步，并连续存储，可用作历史数据。未来，许多指标可以根据这些历史数据进行分析。

什么是库存动态调整？我不知道客户对某个产品的需求有多高，也不知道我应该如何支持它。例如，当有一个节日促销时，一些产品在促销期间可能是急需的，所以有必要立即补充货物。如果新的iphone 8上市，可能会有很大的需求。此时，需要提前几天进行大量的补货，这涉及到补货操作。

货物外运也是如此。根据采购数量预测，预测出库和入库数量。有效的解决方案是将数据存储在云计算中心后，进行足够的历史数据分析。此时，可以使用机器学习，并且这些数据可以用作训练机器来学习这些数据，构建模型，然后使用它来预测发生的概率有多高。这就是我所说的预测库存指数。

智能物流的应用场景

简单说说智能物流的应用场景，它有很多应用，比如著名的无人仓库和无人驾驶汽车，这也是提到的。传统物流的每个环节都是由人来实现的。无人仓库的理想状态是这个仓库里没有人，只有少数技术人员在后台监视和监视。理论上，监控系统也是智能的，所有环节都是通过机器智能实现的。

上图显示的是标准的无人仓库，货架上的穿梭车都是自动提货的，与人工相比，仓储效率提高了10倍，提货效率提高了5倍。无人驾驶车辆主要实现道路前方障碍物自动检测、自主学习和避障停车等基本应用。

无人驾驶货架穿梭有两个重要步骤。第一个是电梯。收到指令后，它将被发送到指定楼层。有许多楼层，然后在到达那个楼层后并行发送到特定的位置。因此，这是一个二维坐标，其中有深刻的数学理论，如运筹学，这将被更多地使用。梭子可实现24小时不间断传输，完成拣货、补货和装运。订单选择、商品布局和智能调度都与货架穿梭有关。

无人仓库的下一个重要智能应用是自动引导车，即agv(自动引导车的缩写，意思是“自动引导车”)。其中重要的智能算法是路径规划，这是智能物流无人仓库的一个关键热点问题。

上图显示的是亚马逊的agv。它有一个非常大的无人仓库，里面有成千上万的自动导引车在不停地运行，速度非常快，这涉及到一个非常严格的路径规划算法。

要实现的第一个功能是:

首先，agv在其操作背景中有一个中央控制台。研究过网络的人应该知道，网络有一个中央控制台来决定下一个信号传输点的去向，而最广泛使用的是手机。当我们打电话的时候，不是你直接和另一个人交流，而是通过基站。你首先把信号传送到基站，然后基站再把它传送给手机用户。自动导引车有一个中央控制台来控制每个自动导引车的去向，知道自动导引车的二维坐标位置，知道它什么时候到达以及如何避免碰撞。

其次，不仅要避免碰撞，还要防止堵塞。拥堵是一个非常重要的环节。你可能打不到它，但如果它被挡住了，你就不能离开，这将大大降低传输效率。我们想把效率提高到最好，这是自动导向车辆的一个非常重要的功能。

我曾经帮助设计路径规划算法。路径规划算法首先需要的是路径表，它记录了你的目的地、出发地点、可能的到达时间以及你的下一个节点。如上图所示，例如，S为起点，D为终点，s1至d1为路径，s2至d2为另一条路径，从s1至D，将经过a1、b1或b2、b2或C。可以看出，在点C处变成了垂直碰撞，这对于agv来说很容易发生。这是我们需要解决的问题。如何避免碰撞是提前预测你到达b1的时间和汽车到达b1的时间。汽车什么时候到达b2？提前四处走走。最后，你必须不断更新数据。看看这个网格。无人仓库里有一个一米长的网格。它可以从物理角度来计算。开始时有一个加速，到达时有一个减速，中间有一个恒定的速度。计算从b1到b2的大致时间，错开它们，并在中央控制台中输入最终时间。这是路径表的一个组件。首先，初始化它，然后查找路径表。如果你想知道这个路径是否曾经存在或者是否有人在使用这个路径，你应该从路径表中查找。例如，这是一个全新的路径，应该提交到路径表中。如果路径表已经过期或失效，或者被证明被广泛使用，如果不合适就应该删除。

还有更新，这意味着当你发现一个碰撞，你必须绕道，然后你必须更新下一个节点的目的地。此外，我们需要找出热点。这里对热点的定义是，例如，一些区域非常热，会被汽车经过很多次。例如，无论你乘坐哪一趟国际航班，北京都可以直接到达北京。北京是一个热点。例如，遥远的地方、小城市和很少的过往航班都是冷点。我们非常关注热点，尽力改变热点带来的障碍。

有两种碰撞模式，一种是垂直交叉，另一种是同向碰撞。在同一个方向上，汽车开始时加速很快，后面的汽车以恒定的速度行驶。当两辆车的速度不一致时，会出现拥堵甚至从后面相撞。这是同一个方向的碰撞，所以我们在避免碰撞时应该区分是哪一个，因为在同一个方向碰撞时不需要绕道而是减速。如这里所说，确定碰撞的类型以进行不同的操作改进。如果是交叉碰撞，停下来等待。

目标识别是无人运载工具的研究热点。无人驾驶车辆和无人配送车辆都有。配送车辆的尺寸、高度和尺寸都远远小于人们驾驶的车辆，所以现在能够运载的每一件货物的重量还没有达到相当大的范围，仍然是一件中小型的物品。

无人配送车仍处于开发过程中，需要几个易于理解的功能，如智能传感、智能控制、目标识别、避障和自动导航。

现在我们主要挑选几个，比如目标识别，这是一个热门的研究领域。在无人驾驶车辆中，目标识别分为几个方向。一个是交通标志识别，也就是说，当你在单行道上行驶时，你会看到白色的虚线和黄色的实线，所以交通标志需要被识别。也有交通灯，即红、绿、黄，为了区分前面的障碍物，有必要判断前面是车、人还是动物。还有近距离行人检测，无人配送车辆的车主主要在自行车和人行道上行走，而不是在机动车上，因此检测行人在行走时是否会相互碰撞非常重要。

举个简单的例子，流行病学是目前研究的热点之一。我们需要将非线性降维应用到图像识别中，这涉及到几何理论。我们现在的问题是什么？因为在大数据时代，人工智能和大数据相辅相成。如果数据量太小，就没有必要太聪明。因此，人工智能必须与大数据密切相关。当数据达到一个巨大的水平时，它涉及到高维空.举一个图像的例子，英语中有26个字母，只要我选择g，就可以认为是26/き，我知道它代表绿色，所以我可以去掉剩下的25个字母，也就是25个字母空，只留下一维字母g。你不仅要使结果不失真，还要去掉多余的东西。这是起点。现在的问题是计算量太大。例如，如果从a到z进行过滤，则有25个空是冗余的，因此计算程度增加，复杂性也增加，因此有必要降低空.维数有一些有趣的方法，例如拉普拉斯特征映射，这是唯一被证明是有效的并且具有最佳处理效果的方法。

机器人的另一个应用场景

简单谈谈机器人的另一个应用场景，也是机器人的最优轨迹规划。上图显示了清扫机器人的轨迹规划。去年年底，我买了一个清扫机器人，但它仍然在家里横冲直撞。目前，定位不准确。我们会发现机器人经常在床下跑来跑去，出不去。这张照片显示我们可以用紫外线观察它行走的痕迹。现有的问题是，我们希望清扫机器人在最短的前提下清扫到空的最大范围。到目前为止，这个问题还没有得到很好的解决，这是一个刚刚起步的研究方向，还在对着陆场景进行不断的实验和研究过程中。

目前，可靠的方法是测地线，这是几十年前的一种古老的理论算法。这意味着当地图是椭圆形时，因为地图是多维空，我们平时真正使用的物理距离是指二维距离，所以我们需要在多维空.中找到二维这种测地线方法相对较深。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。