智能物流系统的四大元素 -- 仓储, 物流, 交通, 驾驶

背景

最近以下概念比较火: 
- 智能仓储系统, 代表: 亚马逊, 京东
- 智能运输系统: 包括分拣中心, 物流配送中心, 美团外卖, 
- 智能交通系统: 包括智慧城市
- 自动驾驶系统: 代表: 百度
这些概念, 都是在建立智能物流系统的过程, 今天说一说智能物流系统的四大元素, 以及每个元素与人工智能的关系.

物流系统

物流系统, 由货车仓路四大元素组成. 
货: 运动的客体. 
车: 运动的主体. 
仓: 静止的客体. 
路: 静止的主体. 
说人话, 就是车主动动, 货被动动,路假装静(实际相对车运动), 仓真装静(静止是相对的, 运动才是绝对的). 
在物流系统的概论课程中, 对以上问题可以反复定义, 本质上, 就是要解决以上的数据结构的设计问题, 并为未来的算法打下良好的基础.

物流系统管理.

智能, 不是体现在物流系统的静态资源(货车仓路)上, 而是体现在动态过程上. 
智能物流系统, 则由仓储, 运输, 交通, 驾驶四个功能组成. (其中运输transport, 是为了避免物流本身的歧义, 在工厂内容易与工厂内物流, 也叫后勤logistics, 易混淆)

仓储管理: 就是仓库保管员, 他的核心任务只有一个, 就是确保仓库静态状态(库存)与仓库的动态过程(建库+出入库+损溢+领用/消耗/归还+….) 的结果一致. 能够做到这一点的仓储系统就是好的仓储系统. 在工业领域, 通常是WMS(Warehouse Management System)来实现该功能.

运输管理: 就是运输车队队长, 工厂内物流主管. 他的核心任务也是只有一个, 就是根据仓储的出入库任务, 或者外部的运输任务, 调遣车队中的车辆到指定地点接货, 再到另外一个地点送货, 再接货, 再送货. 在商业领域, 原来的邮政公司, 货运公司, 大量的物流公司, 现有的电商物流公司, 快递公司都有一套这样的系统. 在工业领域, 工厂内部通常是用WCS(Warehouse Control System)来完成. (这个定义并不够精确, 但是已经使用多年, 暂且用之), 工厂之间用SCM(Supply Chain Management)的部分模块来管理.

交通管理: 就是领航员的角色, 同时也包括交通警察的角色. 核心任务也是一个, 就是解决车和路的关系问题. 特别是各种路口, 单行线, 限行交通规则等. 在工厂里, AGV或移动机器人, 采用的是AGVS, 开发LBS的群控调度算法. 
驾驶管理: 就是驾驶员的角色. 核心问题是解决车的问题, 和车与车之间的关系问题. 是在没有交通冲突的情况下, 完成从一点到另一点的任务的事情. 这里核心就是嵌入式软件开发, 以及伴随着的AI功能, 现在的云端TPU+设备端GPU/APU的模式力求解决这个问题. 
另外, 比驾驶管理更低一个层面的是感知和控制, 包括如何定位, 感知障碍, 避障, 视觉获取环境信息, 路面感知, 以及车辆的姿态控制, 速度控制, 加速度控制等. 这一部分是难点, 但不是自动驾驶的全部, 自动驾驶应该至少包括一个驾驶管理和交通管理的部分. 
有人说, 我自己一个人开车全搞定了, 因为你一个人扮演了以上四个角色. 甚至在没有红绿灯的地方, 你和另外一个人会车, 你们连交通警察和交通灯的角色也兼任了. 
司机 = 驾驶员 + 领航员 + 交通协管员/交通灯/交通警察 + 车队队长 + 仓库主管/上下料搬运工/物流检验员. 
在继续之前, 先向司机致敬! 
一个人做这么多事情, AI还要学些时日, 
–换标题党的说法, AI打败司机比AI打败柯洁难上百倍.

智能物流系统

以上3已经实现了物流系统的管理, 管得好不好, 就是智能程度的高与低.

仓储智能: 提高仓储效率 
- 同样的仓库面积能装更多的货, 
- 通过合理的货位码放, 同样的吞吐量, 货的运输总距离最短, 总能耗最小, 
- 对于高频物料, 等待时间最短, 响应速度最快. 
- 立体仓库不必拘泥于分类堆放, 可以最大自由度的实现以仓储效率, 而不是人类管理方便为目标. 
- 采用的手段, 通常为: 哈夫曼树优化(90%问题够用)

运输智能: 提高运输效率 
- 同样的车队能运更多的吨公里. 
- 同样的车队能有更多的顺风货, 缩短车的运输时间, 
- 通过用小车运小货, 大车规模化等方案实现货重/(货重+车重)的最优比例. 
- 采用的手段和算法: JobShop算法, 旅行商问题, 背包问题, 排队论…. 
目前这里的效率优化, 还大有可为, 货车物流大数据项目确实能为货车省油, 信息化系统1年回本不是难题, 前提是至少省级的货运优化组织能力.

交通智能: 提高交通效率(都快成套话了) 
- 同样的道路, 能跑更多的车 
- 平均车速更高, 红绿灯绿灯的比例更高. 
- 车与车之间堵车的概率最小化, 堵车发生时, 疏导的时间缩短. 
- 堵车概率堵车时间损失 + 道路容量浪费概率 道路容量浪费损失 = 机会成本 的最小化 (这也解释了为什么路面价格高的地方, 堵车概率高的合理性– 但是也不该这么堵车啊? ) 
- 路口红绿灯规则的智能化, 交通管制的自动化. 
- 采用的手段和算法: 路径寻优, 最速下降法, 启发搜索…

驾驶智能: 提高驾驶效率 
车跑得更快 
加速快, 转弯快, 不超速不违章, , 快快快. 
坐车的人, 则希望舒适: 车的加速度最小化, 转弯时离心加速度最小化, 振动最小化, 这些都是可以用传感器, 通过人工学习完成的. 
常用的算法和手段: 加速度测量情况下的舒适度控制, 视觉+结构激光+其他感知技术+定位技术 下的姿态/速度/加速度三闭环控制.

以上四个智能, 目前尚未体系化. 小公司做好1个点, 大公司研究多个智能之间的体系结构, 然后抓重点重点突破. 
(建立以上一套智能物流的指标集, 然后开启后验的试水模式, 利用中国地大人多的市场资源, 最快速度的积累大数据, 进行学习和探索. 这是在大数据时代, 市场换技术的一种模式, : 因为邮包最多, 所以数据最多, 所以迭代最快, 进化最快, 最先获得一个10亿人规模的智能物流系统优化算法, 然后在美国之前占领欧洲市场, 印度市场, 非洲市场 这三个10亿人量级的大物流系统. –放在括号里的意思是, 不是正文, 不负责任, 不要阅读, 不要当真. )

智能物流系统

物流智能, 是将以上四个智能进行整合之后, 超出每一个局部智能可以完成的功能. 是智能物流的第五元素. 
目前该部分的理论尚不够成熟, 算法也在讨论中.

由于新型的运输方式的出现, 比如3D的无人机, 比如专用的真空胶囊管道(已用于工厂内样品的快速气力输送), 比如堆垛机, 立体库的大范围推广, AGV, R-AGV, 智能叉车, 智能桁车的普及, 给智能物流系统带来新的契机. 
这种组合爆炸, 需要3~5年的时间进行探索, 才能真正在实现四个智能的基础上, 再实现整个智能物流系统的总体优化. 由于问题的复杂性过高, 所以, 几乎每个人都可以找到智能物流里的一些组合, 形成组合创新. – 但是真正找到如何组合优化才能得到最优解, 而求解效率又不大幅降低, 这个需要搞算法的人, 和搞实践的人一起. 
举几例子: 
1) 仓储库位的动态调整, 与运输车辆的排队耦合在一起, 大幅减少车辆等待时间. 
2) 堵车位置与无线智能充电结合起来, … 似乎和智能物流没什么关系. 司机少停几次充电的时间. 
3) 智能驾驶与路面, 与交通指挥结合, 在地面上贴满二维码/RFID, 汽车低头闭眼睛开, (只管好避障, 不管寻路) 
4) 增加大量的中转模式, 把物流中心中转, 改为服务区中转, 建立按小时共享租赁的路边库… 
脑洞太大, 我还是回到我自己的工厂内移动机器人的本体和调度系统来.

智能物流系统的软件与架构

围绕以上的几个系统, 进行细致的功能分层, 设计简便而合理的数据结构, 和相互调用的接口, 一方面可以实现高内聚, 松耦合的软件智能物流系统, 
在工厂内, 建立”WMS - WCS - Traffic - Moobot(AGV/立体库/机械臂/智能叉车/…)”一体的综合智能物流系统; 
在工厂间, 打通”仓储中心 - 运输车队 - 交通指挥 - 自动驾驶” 一体的综合智通物流系统. 
这同时也给未来新的算法接入, 调试, 升级, 组合优化带来巨大的空间.