第十届中国物流技术大会( LT Summit 2021 )在上海国际会议中心隆重举办;LT大会以“新十年，数智跃迁”为主题，开启新十年物流数智化转型的新征程!
LT大会是一年一度的物流科技饕餮盛宴，来自全球的物流技术领袖分享和探讨数字化转型大背景下产业及企业数智化转型的机遇与挑战，以及数智技术在智能制造、智能仓储、智慧配送等场景下的创新解决方案和最佳实践。
Geek+联合创始人/产品副总裁刘凯先生受邀参加LT大会并分享《聚焦物流新智慧，抢占发展制高点》主题报告，全面解读了物流技术带给供应链的变革，以及企业如何借助于技术和供应链的变革为企业赋能。以下为演讲内容整理。
Geek+联合创始人/产品副总载 刘凯
1、技术浪潮推动行业变革
从整个大的技术背景来看，目前正处于以产业互联网为核心的第三次技术浪潮，在技术的浪潮下，每一家公司都在寻求数字化、智能化变革，希望通过技术的应用，驱动公司和生产力的发展;技术的变革也在反向驱动着技术的进步，促使整个市场正在进入技术高速发展的正向循环中。
2、供应链变革与重塑
从消费端来看，在疫情的影响下，催生了到家业务的爆发式增长。消费者对到家业务从适应逐渐转变为依赖，新的购买模式成为消费持续升级的引擎。
从门店和电商来看，分别都有高速发展的业务。比如：服装企业的上新周期越来越短、换品的速度越来越快，客户在选品上也越来越精细。这就需要我们对客户进行画像，分析市场新变化，同时提升整个供应链的响应速度。新的需求推动了柔性供应链、物流技术的进步，反向拉动供应链从设计-制造-物流-供应灵活响应终端消费升级。
从智慧供应链的环节来看，2B到2C的供应链的中间环节(生产-仓储-零售-配送端)生产关系发生着变化，这些变化推动着生产力升级。
主要体现在以下几个方面：
Smart Factory: 需要小批次、多品种的柔性生产模式改变产线的品类;
Smart Warehouse: 控制库存,提高库存的周转率或者缩短周期;
Smart Retail:新的消费模式催生了越来越多前店后仓的业务，这类企业需要对门店进行智慧化的改造升级;
Smart Delivery: 末端配送也在逐渐趋于无人化。
从时间维度来看，供应链升级分为四个阶段。从最初的人工到自动化真正解决了一些重复劳动的替换，让整个生产端或者物流端减少人工，能够有节奏的生产;从自动化再到系统化有了系统能够管理和积累数据，能够把流程沉淀在软件中，能够让我们的系统生产环节统一管理规范化;再到数据化，当数据池越来越大，我们就会有对效率的需求，对数据的分析真正发现瓶颈在什么地方，真正发现我们流程环节卡在什么地方，设备或者人有没有充分发挥产能。
有了数据的积累，算法也就有了用武之地。通过数据分析，可以对市场做更多的预测，以便帮助企业更好的做决策与规划。
从工具和决策层发展来看，供应链将进行重建与重构。最传统的决策方式是通过管理者的经验来做决策;然后从工具端上升到自动化设备或机器人无人车以及物流的系统再到决策端;有了数据的积累之后能够进行智能的排查，前期通过数字孪生仿真，预先知道需要生产的计划和生产要素。这样从工具到决策两个层面结合后真正形成了智慧化供应链、智能工厂或者智能仓再到真正供应链的智能。
Geek+一直围绕着工具端和决策端打磨产品和方案研究。工具端指的是物流机器人系列产品(AMR)，比如货到人拣选机器人、料箱拣选机器人，分拣机器人，SLAM搬运机器人，无人叉车等等;
决策端包括基于机器人的决策、人机协同的决策再到算法数据决策。只有把工具以及决策体系有效的结合起来，才能真正形成强大的生产力。
目前提得比较多的一些智能算法到底应用在什么环节?
从最底层往上层走，底层是指机器人的本体-有终端的智能机器人：它们都有自主决策、自主导航、自主协同的能力。
局部的机器人可以形成分布式系统、多机调度系统再到上千台大规模的机器人高效协作。多机调度系统能够以上帝视角对机器人运行线路进行规划;可对交通的拥堵状况和路径做预测;以及做检索的动作都能够让智能化的设备高效运作。
在机器人、智能仓领域把设备高效协同起来。算法对业务层来说有着非常大的作用。比如在订单的分配和组合上，可以实现让机器人的路径就近选择。再比如：一个波次，对相同品类的结构可以做波次拣选，机器人能够做到分区管理就近履行订单。
再到供应链智能的更上层。比如做选品的预测、库存优化、生产的规划。从机器人层、调度层、数据层打通之后能够形成完整的解决方案。
3、终端、调度、业务、数据实现网络协同，才能真正发挥商业价值
终端智能除了导航感知，在分布式的条件下。比如工厂里的无人叉车多机协作、分布式的调度，每一个机器人都在某一个时刻成为一个master，成为终端智能系统。机器人本身具备了视觉的能力，以下分别从仓储和工厂层面分别举例说明：
机器人可以感知地上的障碍物:货到人系统中间区域为无人区，当货物掉落地上时，机器人可以通过感知系统发现掉到地上的货物，然后上报给业务系统和现场的管理人员做相应处理。
工厂层面的机器人的感知：有生产线的工厂环境更为复杂，产线内会有叉车穿梭于产线、厂区内;工厂与产线联动需要机器人的感知端;要求地图构建端更加高效，实时应对高动态的环境。比如说今天库区里存放了托盘，明天托盘要移走，在这个过程中，依靠AI算法及滤波算法保证导航的鲁棒性。
从终端智能到调度智能：Geek+在自己的仓库里做过一些小小的实验，调度上百台机器人摆一个图形去验证算法的高效性。从一个图形变到另外一个图形衡量时间，以最短的时间去调度更多的机器人;从一个状态到另外一个状态，不管在工厂、仓库还是从多点到多点移动的任务，如何保证移动的任务高效，路径优化、交通的优化及任务执行分配先后的顺序都是非常的关键。
目前机器人种类越来越丰富，从货架机器人、分拣机器人、工厂搬运、机械臂等在不同场景与行业得到了广泛应用。面对未来，大的蓝图应该走向云端，云端的算力才能真正保证大规模的全智能的体系高效运转。
朝着北极星指标，Geek+也做了一点点尝试，实现了多种类型机器人的联合调度。在仓库端货到人机器人采用二维码导航实现无人化管理，拣选之后机器人到达工位，同一个地图能够高效协同管理。在上海的西门子开关工厂实现了四种机器人调度，有托盘式机器人、送料机器人等等，未来的需求会越来越复杂，新需求的层出不穷倒逼技术的进步更加的迅速。
从调度智能到业务智能，从SKU进行一些热度的分析以及关联性分析和销量性预测，来看SKU是否是当前热销的商品，之后可以进行预测明天的订单。前一天补货的计划我们把货架进行打分，对库存进行动态的调配再到真正生产的时候，我们会有一个很好的基础组波，再到拆分，这样使得机器人和人更加的协同高效。
例如：马士基为了保证当天实现订单的履行当日达，在其他的国家能够实现当日达也是需要借助很多的技术进步帮助客户能够高效的运营。
鞋服的拣选仓案例，2015年已经做了5万平仓库的仿真，当时感觉这是不可思议的仓库面积，在国内没有先例，在海外是有的。 通过不同案例能够验证这样的仿真或者算法是可以扩展的，扩展之后效率不会降低，在去年实现了5万平米的落地案例，能够实现客户大规模商品的拣选。
数据智能是从消费端开始。不管是门店还是电商，都要精确捕捉消费者的行为。例如：在某个时间段，分别进来多少男性或女性客户，针对这些信息进行收集，有了这些信息之后才会真正实现动态选品的计划，帮助企业在库存压缩或者真正响应消费者需求的时候更加的精准和高效。
不管是从终端智能、调度智能、业务智能、数据智能实现网络的协同，还是从网络协同到数据智能的闭环，都是在围绕客户的价值创造，从设备以及人的效率提升为客户实现降本增效，最终让技术发挥商业价值。
（转载）
