未来让机器人给你送快递不是梦

不知道大家有没有见过在大街上“乱跑”的机器人，也许你觉得很科幻、很高大上。但是事实上，它们特别接地气！

早在去年“618”，京东配送机器人就已经在中国人民大学校园内穿梭，并最终完成首单配送任务。

未来已来，当智能化之风吹到物流业，国内外企业纷纷尝鲜无人化配送，也就催生了智能机器人在这一领域施展拳脚。从国外的Woowa Brothers、Starship、Yelp、Marble，到国内的阿里、京东、苏宁，都着手研发了配送机器人。

Marble 2017年4月与Yelp合作推出了食品配送机器人。用户使用Yelp的APP下单后，由机器人送餐上门，点餐者可通过验证码短信打开机器人的储物箱。该机器人有模块化的货舱，可以根据有效载荷进行换货，并使用传感器和高分辨率3D城市地图来高效地穿梭于繁华的城市街道。

（食品配送机器人）

Starship Technologies成立于2014年，总部位于英国伦敦，是无人配送领域的“大明星”。该公司的目标是建立一个自动驾驶机器人网络，用户可以使用机器人来进行货物和食品配送。Starship送货机器人具备完整的避障系统，可完全自动执行任务，能够以每小时4英里的速度行驶，每次可以运送20镑（约9公斤）的物品。机器人配备9个摄像头，能够辨别并“记住”路线，通过机器学习可以实现自主导航。

（Starship送货机器人）

这些“蠢萌”的家伙靠什么才能上路呢？

传感器让机器人感知这个世界

传感器是一种物理装置，能够探测、感受外界的信号、物理条件（如光、热、湿度）或化学组成（如烟雾），并将探知的信息传递给其他装置。传感器的应用领域十分广泛，大致上包括通讯电子产品、汽车、工业自动化，以及作为专用设备应用于医疗、环保、气象等领域。其中在工业领域比较常见的是压力传感器、位置传感器、湿度传感器等。

（传感器）

传感器在机器人中的应用十分普遍。传感器处于连接外界环境与机器人的接口位置，是机器人获取信息的窗口。

当前，市面上的可移动机器人多是采用了激光雷达、视觉传感器、IMU、超声波等多传感器融合进行定位、导航、避障。这种方案稳定性高，但因为可用的激光雷达的成本多在1万元人民币左右，这就使得机器人整机的成本很难低于2万元，制约大规模商用。

像京东自主研发的快递机器人就通过雷达和传感器实现360度环境监测，能够自动规避道路障碍与车辆行人，准确识别红绿灯信号，自主停靠配送点，做到了自动化配送的全场景适应。

用传感器采集信息是机器人智能化的第一步；其次，如何采取适当的方法，将多个传感器获取的环境信息加以综合处理，控制机器人进行智能作业，则是提高机器人智能程度的重要体现。

机器学习让机器人学会思考

有了传感器，机器人能够真真切切地感知这个世界并对其做出反应，从此之后不再是冰冷冷的机器。而想让机器人开始独立思考，这就需要机器学习这项技术了。

机器学习尚属人工智能研究领域较年轻的分支，作为人工智能的核心，机器学习常见技术包括监督式学习、无监督学习、强化学习、神经网络等。

l 监督式学习

监督学习使用人类标记过的数据，通常在数据有能力预测可能发生的事件时使用。该算法对一组输入数据进行处理，并得到相应的输出结果，通过将该输出结果与正确结果进行比较来发现错误。一旦发现错误，就可以相应地对模型进行修改。

l 无监督学习

无监督学习使用无标记的数据。机器人在不了解任何事先数据或信息的情况下发现新的模式。当数据被归类到数据组时，这种类型的学习会在集群下更好地工作。

l 强化学习

受强化行为心理观念的启发，强化学习是一种学习的理念。机器人可以通过多次尝试来获得一个理想的结果。随着时间的推移，它学会了选择某种行为，以得到理想的结果。这种类型的学习经常被应用于游戏、导航等应用程序中。

l 神经网络

深度神经网络（DNNs）又称人工神经网络（ANN），代表了一套用于构建强大的学习系统的技术。该技术于20世纪80年代被发明，在2010年之后开始腾飞，这种飞速增长得益于强大的并行硬件和易于使用的开源软件。

DNNs覆盖了一系列不同的神经体系结构，最著名的是：

1. 递归神经网络（RNN）——神经元将反馈信号发送给彼此

2. 卷积神经网络（CNN）——前馈神经网络，通常用于视觉和图像识别

需要注意的是，构建不同的模型需要用到不同的算法和技术。

（机器学习常见框架）

回过头来看，配送机器人作为电商与自动化、物流与机器人的融合，显然还有很长的路要走，但其可能带来的新技术进化与应用、物流与服务模式的变革、就业结构的变迁，都值得我们去思考和想象。不过，以后敲开你家大门送快递的如果是机器人，咱们就别吃惊啦~