将物流自动化集成到任何环境中都会带来挑战,它可以像动力传送带替换重复过程一样简单,也可以像将协作和自主机器人引入工作场所一样复杂。
随着解决方案的互连以及流程中其他阶段的了解越来越深入,每个自动化元素的效率也会提高。使用边缘人工智能重新定义了物流自动化。将人工智能置于网络边缘的好处必须与资源可用性保持一定平衡,例如电力,环境操作条件,物流位置和可用空间在边缘实施推理。系统中的网络延迟将使分拣过程更慢,但是边缘计算可以消除这种潜在的瓶颈。引入人工智能对物流自动化中使用的硬件和软件将产生重大影响并存在越来越多的潜在解决方案。
通常用于训练人工智能模型的解决方案不适合在网络边缘部署模式;培训处理资源是服务器设计的,其中电源和内存等资源几乎无限。
相反,开发人员正在为边缘人工智能部署和优化的异构硬件解决方案提供特殊服务。如今,没有单一的架构可以真正为人工智能应用程序提供最佳解决方案。
这种趋势指向异构架构,其中许多不同的硬件处理解决方案配置为协同工作,而不是使用多个设备的同结构。所有设备都是基于相同的处理器,可以将正确的解决方案引入给定任务或集成特定设备上的多项任务,从而提供了更可扩展和优化每瓦特/$ 1性能的机会。
从同构系统架构到异构处理需要巨大的解决方案生态系统,以及在硬件和软件级别配置这些解决方案的成熟能力。这些供应商为边缘计算提供解决方案并与他们合作开发可扩展性和灵活性的系统。
在部署边缘AI等新技术时,“升级”底层平台(无论是软件,处理器等)的能力尤为重要。每代新处理器和模块技术通常为在网络边缘运行的推理引擎提供更好的功率/性能平衡,因此它们可以快速利用这些性能和功率增益并降低整个物流自动化系统的中断。
为了提高灵活性并减少供应商绑定,在硬件层面上开发了一种模块化的方法,使任何解决方案中的硬件配置更加灵活。