亞馬遜自主移動機器人(AMR) : Proteus引領 AI 倉儲革命

06 Dec 2024

亞馬遜AMR機器人 Proteus引領 AI 倉儲革命


2024年,NVIDIA創辦人黃仁勳與Tesla創辦人Elon Musk共同揭示了一個充滿未來的願景—— 人形機器人將全面融入人類生活,並改變我們的工作方式與生活形態,而要實現這個願景,不僅需要AI技術的深厚基礎,還需克服人形機器人在設計與應用上的多重挑戰。閱讀更多人形機器人的核心構造 ),值得注意的是,支撐這一願景的相關技術,正迅速應用於物流產業中。

2024108日至9日舉行的亞馬遜第三屆「Delivering the Future 2024」全球峰會上,亞馬遜展示了其領先的深度強化學習演算法、先進自動化倉儲系統和能源效率技術,透過智能化倉儲和配送機器人,亞馬遜實現了供應鏈的高效優化與配送管理的精準升級,也為AI驅動的機器人應用提供了商業落地的場景。完整閱讀Delivering the Future 2024 )


亞馬遜自主移動機器人Proteus

在亞馬遜的一個超大型倉儲中心,一台機器人正以流暢的動作穿梭於貨架之間,透過自主導航技術精準地將物品搬運至分揀區域。在高峰時段,它會與上百台同伴以及人類緊密協作,快速完成了數萬件商品的出貨準備,展現了人機協作的高效與流暢。這台機器人,正是本次峰會中的焦點之一 亞馬遜自主移動倉儲機器人「Proteus」。

作為亞馬遜 AI 倉儲機器人的最新力作,與傳統的自動導引車(Automated Guided Vehicle)不同,其採用自主移動機器人(Autonomous Mobile Robot)技術,能在倉儲環境中實現完全自主的路徑規劃與動態避障,有效突破傳統自動導引車只能在預設路徑和固定標記軌道移動的痛點,此舉不僅能降低運營成本,更能讓倉儲運作不受空間限制。而能夠達到這一能力的關鍵核心在於 SLAM、自主規劃及動態避障技術的綜合應用。

亞馬遜AMR機器人


AMR  AGV 比較

名稱 AMR AGV
技術架構 SLAM、自主規劃、動態避障 磁條、光學路徑、雷射反射器
靈活性 高:支援自主導航與路徑規劃 低:固定路徑或預定義導航
運營成本 低:無需基礎設施,降低部署與運營成本 高:需投入額外人力、維護費用及基礎設施建設
避障能力 高:實時避障技術,能適應人員移動的環境 低:依賴固定路徑,遇到障礙物可能停止
人機協作 可動態避讓人員 要求穩定的靜態環境
應用 倉儲、分揀、自主物品運輸等 生產線物流配送、固定軌跡搬運


Proteus 的三大核心技術

Proteus 的三大核心技術,SLAM,自主規劃,動態避障

SLAM 技術機器人的「導航專家」

  • SLAM(Simultaneous Localization and Mapping)技術使機器人能夠在移動過程中,同步繪製環境地圖並精確定位自身位置。這項技術依賴多種感測器(如里程計、攝像頭、LiDAR 和 IMU),協同完成多重任務。

    首先,機器人會從周圍環境中提取顯眼的特徵,例如牆角、門框、地板標記或物體邊界,這些元素是構建一致地圖和理解位置的基礎。接著,通過整合里程計的速度資訊與 LiDAR 的距離測量數據,系統能精準計算機器人在地圖上的位置。最後,當環境發生變化時,SLAM 技術會及時更新地圖,利用最新的感測器數據,讓機器人適應新的場景並保持穩定的導航性能。

自主規劃技術:物流效率的「規劃師」

自主規劃技術讓 Proteus 能夠在倉庫環境中找到全局最佳路徑,把貨物運送到目標位置。這項技術使用了像 A*D* 這樣的路徑規劃算法,能快速計算出通往目標的最短路徑。若周圍環境發生變化,如障礙物出現,Proteus 會自動更新地圖,重新計算新的路徑,確保它能安全而迅速地完成任務。

動態避障技術:倉儲安全的「守護者」

在實際運行中遇到移動障礙物時,動態避障技術能發揮關鍵作用。Proteus利用多感測器(如 LiDAR、攝像頭和 IMU),能實時檢測周圍障礙物的位置與運動軌跡,並根據深度學習技術或基於運動模型(constant velocity model)來預測障礙物運動軌跡,並即時反應來調整路徑,這一能力確保設備在人機共存環境中保持安全性與穩定性。


數位孿生技術的關鍵作用

數位孿生

    為了讓自主移動機器人(AMRProteus 發揮最大的性能,亞馬遜採用了 NVIDIA 的數位孿生技術,將虛擬與現實緊密結合,實現從倉儲設計到機器人訓練的全方位優化。數位孿生技術在倉儲與機器人開發中的應用,主要依賴 Omniverse Isaac Sim 這兩個平台,且各自聚焦於不同的核心功能。  

    什麼是數位孿生?

    數位孿生技術(Digital Twins是一種以數據為驅動的虛擬技術,通過為現實中的物理實體建立數位對應體,以模擬現實環境的運作、預測未來情境,並提供解決方案。

    其核心價值不僅在於精準的模擬和預測,更在於構建一個雙向互動的數據循環。感測器能即時捕捉物理系統的變化,並將這些動態數據同步至虛擬模型;同時,模擬結果也會反饋至物理系統,進行調整與優化。這種閉環的數據流程能顯著提升運營效率,降低試驗成本,並推動系統持續進化,使未來情境的預測與掌控成為可能。閱讀更多數位孿生技術

    數位孿生的運作原理

    數位孿生技術依賴感測器網絡( IoT )實時收集真實世界的數據,並通過邊緣計算或雲端架構將數據傳輸至高性能計算系統處理。結合數學模型與物理引擎(NVIDIA Omniverse 的 PhysX 引擎或 Ansys 的多物理場模擬工具),實現了精準的模擬與分析,接著NVIDIA 的 GPU 加速技術(RTX)會進一步支持即時運算和快速渲染,使數位模型能夠動態反映真實世界的即時變化,並持續迭代與校正,使其精準再現真實世界的行為。

    在智慧倉儲中,亞馬遜充分運用數位孿生技術,靈活應對動態場景變化,實現物流路徑的即時優化,顯著提升系統穩定性與運營效率。借助這項技術,Proteus 的性能得到大幅提升,為倉儲系統的全面智能化發展奠定了堅實基礎。閱讀更多Cosmos


    Omniverse 平台: 數位倉儲的模擬設計與優化核心

    Omniverse 提供了一個實現數位孿生的強大軟體平台,能夠模擬真實世界中的運作場景,包括倉儲設計、工作流程和多機器人協作的行為。透過 Omniverse,亞馬遜得以建立倉庫的數位孿生模型,模擬實際運作環境,並持續優化決策與資源配置。

    1. 數位倉庫模型的構建與測試

    Omniverse 平台提供多來源數據整合和即時物理模擬能力,使亞馬遜能建立高度真實的數位倉儲模型。 數據整合的核心在於將 CAD 模型、感測器數據等多來源信息通過統一數據接口進行整合,確保不同數據格式間的兼容性,並生成統一的三維數位模型。這種整合方式讓設計團隊能在單一平台上進行協作,快速建立模擬場景,提升開發效率。

    即時物理模擬則基於 NVIDIA PhysX 引擎,能動態計算物體的運動、碰撞及其他物理行為,提供接近現實的模擬效果。例如,在模擬倉儲運營時,平台能準確預測不同佈局對物流效率的影響,並評估機器人運動過程中的可能問題。 通過這些技術,亞馬遜可模擬並測試不同倉儲佈局與運營策略,事先評估設計效果並快速識別潛在缺陷,顯著縮短測試週期,降低實地試驗的風險,並為倉儲運營提供更高效的解決方案。

    2. 多場景模擬與 cuOpt 結合的應用

    Omniverse 平台中,亞馬遜模擬了多種倉儲運營場景,如旺季高峰時段多台 AMR 同步運作的路徑衝突問題。Omniverse cuOpt 算法的結合讓系統能動態重新規劃最佳物流路徑,實現更高效的路徑優化。

    cuOpt 是 NVIDIA 基於 GPU 加速的路徑優化算法,利用線性規劃和啟發式算法對物流場景中的資源分配問題進行求解。其核心在於即時計算,能快速處理多變的物流需求,例如動態障礙物出現或任務優先級的改變,並生成新的最優路徑方案。

    透過這一算法,Omniverse 平台可實現多場景動態規劃,讓系統即時調整 AMR 的運行路徑,避免因路徑衝突導致的物流停滯,並顯著提升多機器人協作的效率。這種即時規劃能力不僅優化了倉儲運營,還充分發揮了數位孿生的價值,為亞馬遜在高動態倉儲場景中提供了強大的運營支持。


    Isaac Sim 平台: 機器人訓練與智能物流的推進器

    Omniverse 聚焦倉儲設計不同,Isaac Sim 平台專注於機器人開發與訓練,為 Proteus 提供虛擬訓練場景,模擬動態避障、多機器人協作及倉儲導航等場景,顯著提升操作策略的優化效率與環境適應性。

    1. 數據驅動的機器人訓練

    Isaac Sim 平台結合 NVIDIA PhysX 引擎與高效 GPU 計算,提供高度真實的物理模擬環境。平台支援剛體、柔體、摩擦力及碰撞行為的精確模擬,並整合 LIDAR、RGB-D 相機等多種感測器模擬,幫助 Proteus 在高動態倉儲場景中學習並應對人員密集與動態障礙物。

    結合強化學習算法,Proteus 能高效迭代其導航策略,將虛擬場景中的學習成果無縫遷移至真實場景,顯著縮短模型調適時間。即時交互模擬讓用戶可調整環境變量,如障礙物密度與人員流動模式,並通過數據同步技術即時觀察對機器人行為的影響,實現動態策略優化。

    2. 強化學習的應用實例

    在倉儲運營中,動態環境中的障礙物和不確定性對機器人提出了高標準的判斷與應變要求。為了應對挑戰,亞馬遜採用強化學習技術,讓機器人能不斷從模擬中學習並優化其行為模式。

    強化學習的核心在於獎勵機制。通過讓機器人與環境互動,根據行為結果獲取獎勵或懲罰,不斷優化決策過程。Proteus 採用策略梯度方法(Policy Gradient),以概率分佈的方式生成行為策略,通過多次試驗學習如何預測障礙物的運動軌跡,並實時選擇最佳路徑。

    這種方法通過計算梯度來指導策略改進,確保機器人更快適應動態場景,提升其環境適應性與導航精度。與傳統測試方法相比,虛擬環境中的大規模強化學習能快速進行大量訓練,顯著降低了開發成本,並為 Proteus 的真實運行奠定了穩固基礎。


    結語

    新的工業用機器人,如Proteus 這種次世代AMR的誕生,不僅推動了物流行業向智慧化邁進,更為全球競爭激烈的物流市場帶來了全新的可能性。未來,從消費者下單到商品交付的全流程,將因它的高效運作而徹底革新,開創一個全新的智慧物流時代。

    與此同時,數位孿生技術作為現實與虛擬之間的橋樑,提供了重塑世界的新方式。釋放了我們在實驗、探索和創新中的種種限制,讓解決方案得以以更高的精度、更低的成本、更快的速度實現。數位孿生與智慧機器人兩者的結合,正以前所未有的速度推動現代工業、城市管理、醫療、交通等領域的革命,為全球智慧化發展奠定基礎。


    參考文獻

    [1] Shneier, M., & Bostelman, R. (2015). Literature review of mobile robots for manufacturing. NIST Interagency/Internal Report, 8022, 1–43. Link

    [2] Sánchez-Ibáñez, J. R., Pérez-del-Pulgar, C. J., & García-Cerezo, A. (2021). Path planning for autonomous mobile robots: A review. Sensors, 21(23), 7898. Link

    [3] Keith, R., & La, H. M. (2024). Review of autonomous mobile robots for the warehouse environment. arXiv preprint, arXiv:2406.08333. Link


    This website uses technical and analytical cookies, including third-party cookies, to analyse user browsing behaviour, create website visit statistics and improve the contents provided. To consult the full Cookie Policy or decline, at a later date, your consent to the cookies used by the website, click here.

    Got It!