单次卸载集装箱的一部分并放入机器，散装零件重组以及订单履行这样单调的任务需要大量的劳动力，如果零件非常沉重尖锐，这些任务还相当危险。零件拾取机器人做这种重复性的工作已经许多年了。但是，还有更多的应用亟待实现。制造和仓储自动化也正在焦虑地观望之中。

尽管自动拾取机器人比以往都要高效，但是它们依然有其局限性。我们尚未掌握这项科技中的最神圣的部分——随机零件拾取机器人。尽管如此，我们还是能看到一些显著的进步。以领先的视觉技术软件作为强大支持，逐渐开发的解决方案可以让机器人探索这一未知领域。

为什么机器人实现随机拾取这么艰难呢？

问题在于精确性。尽管机器人因其可重复性而备受赞赏，随机拾取则需要在混乱时维持高精确度。机器人需要将零件放在一个未结构化的环境中的空间里，然而其他零件也会随着每次机器人取出零件而不停移动位置。机器人的灵活性、机器视觉、软件配置以及计算需要实时处理所有的数据以达到这种精确的平衡，并给出解决算法以找出需要拾取的零件。听起来难以实现，但并不是不可能的。

「对自动拾取机器人的能力以及其局限的炒作早就甚嚣尘上。」fanuc 公司的智能机器人/机器视觉工程师 David Dechow 说道，「现实是，机器视觉对于所有我们希望它执行的其中一些任务都非常适合，并且足够强大和可靠，无论是审察，二维或者三维引导。从我自己许多年的实际经验来说，自动拾取也在这一类型当中。这其实是一种真实世界的本领，但是也仍然是我们希望机器人完成的事情之一。」

Dechow 与已故的机器人视觉引导领域的专家 Adil Shafi 曾经合作密切，后者为早期自动拾取技术的进步做出了贡献。许多他的创新依然还在影响这这些领域的发展。

Shafi 预言机器人随机拾取将会成为 2020 年的主流。很多当代人相信他是对的。自动拾取在如今已经相当常见。

「我会说，随机拾取正在成为一种主流现象。」Dechow 说道，「我认为 Adil 的思想和创作都在促进这个过程。他就如同一个传教士一样，而剩余的应用所带来的特殊挑战也会在不远的将来被解决。」

自动拾取主要有三种类型：结构化的，半结构化的以及随机自动拾取。越往后，其应用的复杂性就会增加，成本与循环时间也是如此。（这里将集装箱或行李箱和无包裹的零件做出区分。在后面会详述为什么这个区分很关键）

结构化——零件以有规律和组织的形式容纳在集装箱里，因此易于成像和拾取。

半结构化——零件以某种程度上的组织和规律容纳在集装箱，能够帮助成像和拾取。

随机——零件以完全的随机形式容纳在集装箱内，方向不同，且有重叠甚至缠绕的现象，让成像和拾取很困难。

在这三个子集中，我们还要基于要拾取的零件的特性，例如，在集装箱中以不同的形态去进一步考虑。

「结构化与半结构化的自动拾取通常很容易操作，并且非常迅速，因此不需要复杂的技术。」Dechow 说，「当我们讨论技术上的『圣杯』时，我想到的更多的是随机的情况，重叠与缠绕的情况，以及多种类型的零件拾取。」

他提到结构化的自动拾取经常由二维视觉完成，「当你想起自动拾取的时候，每个人都在想三维成像以及三维分析。实际上，自动拾取领域的一些任务可以只用二位成像与二维分析完成。」

几何对称的成功

零件的特性经常决定一个零件是否适合自动拾取。Dechow 说他们已经从「十分有把握的事情」前进到了更有挑战性的应用。

「有一些零件在几何结构以及在任意集装箱里的形态都十分适合。」Dechow 说，「在这种类型的零件中，绝对成功率会更大，几何形态并不复杂的零件在随机静置的状态下并不会发生很大改变。」（无论零件会掉落到或者躺在集装箱内的哪个地方，这都是它的随机静置状态中的一种。）

也有一种混合类型的集装箱，但是它们的零件在几何分布上很相似。它们更大，由于其对称性构造，因而并不是很复杂。即使它的底面甚至可以放下一个箱子，它依然是一个可分析的相对连续的表面。许多应用都属于这一种类。这种混合的产品类型订单很常见，并且通常很成功，因为你在仓库里找到的产品通常都属于这种几何对称的类型。

「它们并没有什么奇特的特征。」Dechow 说，「并不沉，并且在它们的随机静置状态中，它们依然有足够的可识别的表面以用来拾取。这种三维自动拾取是如今最成功的案例。」

Dechow 提到如果有些物品表面有图像或打印的字体，也不会有所不同。因为大部分云生成的三维图像与目标的图像标志并无关系。

「它们不需要有多么漂亮或者干净。」Dechow 说，「想一想工厂里机器处理，锻造或加热的大型钢坯，大概有 20 或 30 磅重。但是就像我们所说的，在不同的静置状态下，它是一个连续的几何形状，并且仅有几个几何表面。这对于机器人来说易于拾取并抓握。」

复杂几何也在进步

随着零件更加复杂，自动拾取也从易到难，但是易于识别的特征——例如甜甜圈形状还是会让事情更简单。

机器人随机自动拾取利用 FANUC 公司的 iRVision 三维区域感应器以及两个机器人来拾取集装箱内被冲压扁的汽车，以及交给热处理机器。Motion Controls Robotics 是一种 RIA 认证的机器人的制造商，它可以为一级供应商设计并安装电池单元。

FANUC 的自动拾取机器人由双头的多功能末端执行器，它可以利用 Magswitch 开发的磁铁抓捕器在集装箱内重组零部件，使抓取更加容易，以及由 SCHUNK 开发的两指抓握器去拾取零件并将它们扔到滑梯上。滑梯上的感应器会告诉机器人的第二个控制端零件的方向，并告诉它轮缘是向上还是向下，因此机器人就知道该如何抓取零件。接着，机器人会从滑梯上取下零件，调整方向，将它嵌入到热处理机中。并捡起完成的零件并将它交给下一步的操作。

这家机器人公司会在成功之前尝试多种手臂末端工具的设计与视觉处理。这对于自动拾取应用并不稀奇。这种三维技术仍然需要足够熟练的组装技巧，零件更加复杂，组装任务也会更加困难。Dechow 表示，在简单与困难的这个范围中间则是更加复杂的架构。

「想象一个像曲轴一样的圆形物体，很长并有一定的几何形状。从一面来看，它可能是个圆柱体，而从另一端看，它还可能是一个小型活塞杆。它是一个长的物体，因此它可能会被某些部分所覆盖。假如有另一个零件覆盖在它上面，一个 30 磅的物体甚至可能会变成 50 或者 60 磅重的物体。」Dechow 说。

「这些零件可以划分为一个大的种类，你可以在重工业或者自动化制造业中看到它们。」Dechow 接着说，「它们常常用集装箱来运输，你在集装箱上面，也就是成像的位置，只能看到一个零件的一部分，而这仅仅是冰山一角。隐藏在其下的才是大部分，因此很难去找出到底哪个才是最适合的抓握机器。」

片状物，包装以及变形依然具有挑战性

还有些物体对于机器视觉，甚至三维成像技术来说，依然十分困难。

「例如某些片状物体，非常薄但很宽阔，它们被压扁然后覆盖于彼此之上。」Dechow 解释，「这让机器非常难于区分这些物体，因为高度的变化十分微小，并且这些零件的几何形状也会让机器困惑。」

「包装好的零件，以及装在塑料包装里的零件和软（易于变形）的零件，这些都是机器人难以识别的物体。」

「我们从来不会说『不行』」他补充说，「我们希望将这个技术推动到极限，而且我们也经常这样做。」

二维随机自动拾取

位于荷兰和密歇根州的 JR 自动化技术公司也是一个坚持挑战极限的公司。这一家 RIA 认证的机器人制造商也是 FANUC 机器视觉技术下的机器人指定测试站点。

「我们会在新技术的测试阶段试用并感受它，然后提供评估与反馈。」JR 自动化公司的控制工程经理 TYLER McCoy 说，「我们已经这么做了很多年了，某种意义上，我们就是 FANUC iRVision 的试验床。」

McCoy 提到他们整合了许多结构化以及半结构化的自动拾取应用技术，他们认为这将是一个趋势。随机自动拾取技术则看起来仍然很稀少且遥远。

「我们最近实现了为汽车座背装配零件的自动拾取算法。」McCoy 说，「其中包括了一个看起来像座背的 U 型结构框架，两根焊接到头枕的金属管，以及跨在框架中间用来安装靠垫的支撑。」

「这是一个包括了组装与焊接的单元。我们的任务就是将这些零件从总体上卸下，并将它们放到焊接工具中，再放置在有四个位置的组装床上，两个机器人会将这些组件焊接到一起。」

这些 U 型框架会被放在重力支架（一种倾斜支撑物）上以便更容易地进行焊接处理。而两个头枕的金属管则比较小，可以放入螺旋的碗型送料机。

「但是靠垫的支撑架有 16 英尺长，9 英尺宽，0.75 英尺厚。暂时我们还没有很适合的送料机适用于这么大的金属板。」McCoy 说，「因此我们用三维区域扫描先进行评估，但是我们发现它所具有的单调几何特征很难让机器进行三维区分。三维自动拾取暂时还无法应用于它。」（它属于片状物，包装以及变形的具有挑战性的物体。）

「首先，在自动拾取之前最好先评估物体。」McCoy 说道，「但随后，我们发现这些没什么特点的几何物体倾向于纠结在一起。它们可以有很多种方向，这使得基于数据的拾取策略有些掣肘。」

因此他们专门为机器人拾取支撑架开发了一套解决方案。通过无接触的唯一感应器来探测集装箱的深度，利用绘制虚拟的地形图，从高处到低处，通过嵌有磁铁的手臂末端一次抓取三到四个零件，并监视掉落的零件。这些零件会被放到循环推进系统，并利用不同的传输带分开物体。接着二维相机和另一个机器人会拾取这些零件。结合其自主开发的软件以及具有兼容性的工具和通用的拾取策略，从集装箱里拿出这些零件，并将它们分离并运输到更加传统的送料机器。

整个组装过程总共需要六个机器人。一个机器人进行拾取，另一个机器人将分离开来的支撑架从传输带上卸下，第三个机器人则拾取主框架以及焊接头枕的金属管，两个焊接机器人以及一个卸装机器人。

「现有的系统能够给我们每个集装箱两个半小时的缓冲时间，每个循环 20 秒。」McCoy 说，「我们同时用两个集装箱来操作，这样它们就不需要等待的时间。机器人会清空一个集装箱，在第二个集装箱换上之前，然后用两个半小时进行处理。」

在 JR 自动化这个过程之前，人们需要手动为汽车座椅的零件装上焊接工具。McCoy 表示，这是他们为客户开发的第二种类似的系统。第一个已经投入生产六个月了。

感应器、软件以及 EOAT

随机自动拾取需要很多技术的融合，尤其是三种提升机器人智力的技术：感应器、软件以及手臂末端的工具。

「其中一个重要因素就是硬件。」McCoy 说，「它会变得更经济有效，有更高的分辨率与更快的处理速度，生成三维点数据的能力也会变得更加工业化。例如 Kenyence 和 LMI 公司都正在生产一些很有趣的产品，看起来每个人都想要将三维点云数据囊入到工业空间中。」

「更加重要的是软件，有很多独立于机器人制造商的公司试图认为这只不过是软件的竞争而已。例如像 Recognition Robotics 在做一种很酷的拥有六个有自由度的二维摄像机。」

「在我看来，所有的硬件制造商正在让生成三维云点数据的硬件的分辨率越来越高。」McCoy 说，「有很多智能软件开发商正在利用这一点。我的确感觉到我们正处于两种科技融合的时代，想象 2020 年的未来令人兴奋。」

避免干扰

自动拾取——尤其是针对随机自动拾取的环境——的软件发展一个关键点就是利用算法，防止机器人以及它的手臂撞到集装箱和其他的零件。

「很多人们从没有想过这一点，然而这也是一个非常广阔的问题。」FANUC 的 Dechow 说道，「尤其是，我们的干扰避免技术是一个非常优雅的解决方案。你需要将机器人做出一个你自己都无法想象的姿势。机器人可能真的会为了拾取一个零件而试图穿过集装箱的侧壁。」

Dechow 认为，想让机器人聪明到避免这种问题，需要开发针对性的软件，这是一个有意思的任务。但是更加复杂的任务则是让机器人决定它是否想去，以及它要去的地方是否会造成干扰，它可以以很高的自由度去自动改变机器人的路径，让机器人去抓取目标并避免碰触到其他物体。

FNUAC 的避免干扰技术完全基于软件，并且与三维区域感应器的标准相配合。其他的机器人制造商和软件开发商有相似的算法，它也被叫做障碍避免。

「你可以模拟机器人的关节，末端的工具，以及任何在抓握范围内造成干扰的物体。」Dechow 表示，随着机器人被送到一个未知的地方，软件会计算预期的目标并改变方法以及抓握位置。比如一个靠墙的一个零件，或者以一定角度倚墙的零件，机器人则需要将它推到墙边以便于抓握。Dechow 认为，这是一个很优雅的方式，但很多人并没有想到这一点。

人工智能用于自动拾取

对于一个软件开发商，这就是他们所有想到的方案。在 NASA 之外的实验室里，研究家正在为未知的太空探索准备拟人型的机器人，Universal Robotics 的机器人已投入应用，但是他们仍然在追求更高的精确度。

2013 年，这家公司发布了其开发的不受限拆垛系统，可以识别任何形状，大小与方向的盒子。现在它正在将这些精细的算法利用于随机自动拾取。

「从容器内拾取物体的重点就在于精确度，因为每一次拾取都需要不同的路径设计。」Universal Robotics 公司的 CEO 与联合创始人之一的 David Peters 表示。他的兄弟 Alan 也是联合创始人之一以及首席科技官。科学家们和 NASA 与范德比尔特大学联合开发算法。David 将他在电影商业中的资本放到了私募股权融资中以支持兄弟的冒险。

「近几年技术上发生的大事便是我们在追求交易中 100% 的精确度。」Peters 说，算法正变得愈发精细，学习功能也愈发广阔。许多围绕人工智能的事物都在应用之上不停扩展。首先是移动盒子，接着开始自动拾取，现在自动拾取已经可以处理上千个单品。

Universal Robotics 的自动拾取软件算法的模拟应用平台有两个组成部分。空间视觉处理传统视觉并进行设备和感应器之间的交流，并促进机器人功能与校准的控制，Neocortex 结合了它的实时机器学习——即人工智能和 Spatial Vision 的三维视觉成果所结合。

「我们利用的是平行处理，这让我们能够在毫秒量级内处理大型数据库，理解正在发生什么，继而促进机器做出交易所需的行为。我们正处于机器可以在供应链中与人力速度所竞争的时刻。」Peters 总结道。

订单履行

其中一个供应链解决方案包括了 Universal Robotics，R/X Automation Solutions 以及 Yasakawa Motorman 的合作，并一起提供机器人履行药剂订单的一站式方案。

「我们已经将 Neocortex 的技术应用于工业机器人以完成订单履行，后者目前还需要手工操作。我们给系统设定三层保障以确保证器人能够取得订单中的药剂。

「R/X Automation 的客户们是大型直接对接客户的药剂公司。」Peters 说，「在他们的交易中，他们供应 100% 的客户需要有效自动化结局方案，我们会处理工作零件组分。这正是史上第一次人们出现在供应链上。我们正在为这种特殊的零件提供一站式方案，包括了启动、工业机器人、感应器、控制端、处理以及所需要的安全程度。」

Universal Robotics 的软件对于机器人，启动与感应还未可知。这个系统通常利用现成的工业级机构光传感器与一对立体视觉相机耦合。

「我们可以连接任务所需要的感应器数量。」Peters 提到，「因此如果客户们说我需要你去读一个二维码，或者一个序列号，或者在它被放进箱子之前我需要你去做字符识别，我们只需要将感应器放在机器人手臂上或者机器人旁边。」

「我们主要与感应器打交道，一旦后者可以提升，我们就可以将它放入现有的系统中。英特尔 i7 最新的版本刚刚上市，它的效率非常高。你猜怎么样，我要把它用于我的解决方案里。它能让我能够处理更加精细的算法，达到更快的处理速度。」

Universal Robotics 的软件基于 PC，「我们刚接受了类似于一个游戏电脑的白标。」Peters 解释道，「它是一个非常快的高端配置电脑。Spatial Vision 总是基于这一个单元的机器，而 Neocortex 则可以基于这个机器，工厂的服务器，或者在云中。」

「我们将 Spatial Vision 安放在机器人中的模型或辅助设计里，它可以自动理解如何驱动机器并在空间里移动（末端执行器也是同理），然后决定如何躲避障碍。」

电子商务与订单履行是机器人自动拾取的一个快速发展领域。

「沃尔玛、好市多、凯马特等都拥有自己的网络预订服务。」Peters 说，「目前为止，在包装站依然需要人类在场。包装出货箱的过程其实正是自动拾取的一个很好的应用。」

他提到，这些物体可以是任意形状。但是拾取一瓶清洁剂和一管小小的唇膏还是很不一样的。挑战最终还是落于末端执行器。

把握挑战

许多人相信智能抓握技术将是推动随机自动拾取成为主流之前的最终难题。FANUC 的 Dechow 则已经看到了其解决办法所带来的巨大潜力。

「我认为问题常常不是我们能不能从二维或者三维场景中获取数据，而是如何根据已有的数据，让机器人的手臂进入集装箱围绕在目标周围，并成功地取出它。」

「问题在于，一个抓握器对于每种不同的随机静置状态的物体经常是不够的。」Dechow 表示。「当然，颜色对于成像也有决定性作用，但是末端执行器才是最终决定零件是否可以被取出的重要因素。」

Soft Robotics 公司研发的具有灵活性的抓握器已经准备好了挑战。

Peters 表示，正如他们可以针对传统末端执行器进行 CAD 辅助设计，他们也可以为可变形的抓握器做同样的设计。

「你知道它本质上是一种触碰能力，每个启动的手指如何活动都会有一系列变量。当你能够利用 CAD 进行辅助设计，你可以设计这些变量。」

很多公司都在研究该如何针对不同的工业和订单履行业务，将自动拾取技术标准化，让它对于中小型公司变得更加容易，性价比更高。

甚至连谷歌的登月项目也在跃跃欲试。

像这样的突破性研究对于机器人随机自动拾取有着深远的影响，对于其他复杂的机器人路径设计以及操作任务也是如此。Adil Shafi 一定会对此感到骄傲。不远将来，2020 年将会见证人类掌握这个「圣杯」的时刻。