通过习得抓取成功度量的大规模包裹操作演示

自动化仓储作业可降低物流间接成本，最终降低消费者的最终价格、提高配送速度并增强对劳动力波动的韧性。过去几年中，人们对自动化此类重复任务的兴趣日益增加，但大多是在受控环境中。诸如从非结构化、杂乱堆积中抓取物体等任务，直到最近才变得足够稳健，可在最少人工干预下大规模部署。本文展示了 Amazon Robotics 的 Robot Induction（Robin）机群从非结构化堆积中进行大规模包裹操作，其利用基于真实生产数据训练的抓取成功预测器。具体而言，该系统在超过 394K 次抓取上进行了训练，用于每天分离多达 500 万个包裹，并在本论文评估期间操作了超过 2 亿个包裹。所开发的习得抓取质量度量实时对各种抓取方案进行排序，并优先执行最有希望的方案。该抓取成功预测器旨在根据既往经验，估算所部署工业机械臂在包含具有部分已知属性的可变形与刚性物体的杂乱场景中对期望抓取的成概率。它是一个浅层机器学习模型，使我们能够评估哪些特征对预测最为重要。在线抓取排序器利用习得的成功预测器优先为机械臂提供最有希望的抓取方案，随后进行碰撞避免评估。该习得排序过程被证明克服了局限性，并优于人工设计与启发式替代方案的性能。据作者所知，本文提出了习得抓取质量估计方法在真实生产系统中的首次大规模部署。