2024世界機器人大會以 「共育新質生產力 共享智能新未來」 為主題，為期三天的主論壇和26場專題論壇上，416位元國內外頂尖科學家、國際組織代表、院士和企業家聚焦前沿技術、產業動向和創新成果，深入研討人工智能與機器人技術深度融合帶來的新趨勢、新機遇，共同打造了一場十分精彩的機器人領域前沿觀點盛宴！
在8月23日下午的主論壇上，香港中文大學教授劉雲輝以 【物流機器人技術與挑戰】 為主題發表演講。
以下是演講內容實錄
劉雲輝（香港中文大學教授）
大家下午好，女士們、先生們。
我來自香港物流中心，這是香港政府資助的一個平台，是我們中文大學跟UC Becening一起合作的一個東西，主要是面向物流方面的機器人技術以及產業化研究。
為什麽我們要做物流機器人？物流機器人的市場每年25%到30%的增加，預測2030年左右能到30幾個billion。我們套用場景主要分兩類，一類是倉儲裏動手操作類工作，二類是搬運式工作。比如倉居里面的搬運，倉庫到店，最後一公裏配送等等。這些東西的技術挑戰有三方面：一是感知。比如魯棒感知，怎麽可靠地感知周圍環境，包括二維資訊、三維資訊等等。二是可信可靠的高速地做工作，根據場景怎麽可靠怎麽有效地做，來解決怎麽運動怎麽抓取，我覺得可信AI模型非常重要。三是機器人硬件系統，我們主要圍繞這些挑戰，有四方面的研究，感知、人機協作、操作、移動。
今天快速介紹一下工作，首先感知上強調如何更可靠、更魯棒地獲取環境三維資訊，包括物體。比如你可以對透明的物體進行三維成像。透過跟蹤，就是透明物體我們也可以把它的三維點雲很精準地重構起來。比如和國際上最好的工業相比，下面那個沒法拍到塑膠物體，下面是可以做的。
這個是跟real sence的一個比較，這個東西非常難，real sence是什麽都看不見，但是我們可以捕捉90%以上的資訊。同時我們也做低成本的三維相機，面向商業套用，精準、高速的，同時也能夠在很小的系統實作演算法。我們把這個用到很典型的基於三維視覺的割草機系統。這些東西已經在不同的場景開始實施，我們不用任何GPS，RTK都不用，就透過odomat+3D傳感器來做這個事情。
另外感知現在非常重要，AI模型粗略地對三維重建還有很多方面都非常有效，也快，成功率也高，比如準確度達到80-90%，但是這往往對於工業套用來說就是致命的。傳統的幾何演算法，比如某些場景能夠很好很精準地提供三維資訊。如果真正要解決工業場景或者套用場景需求，要把這兩個結合起來，我們現在很多工作就是既有AI模型，同時也有精準的幾何演算法。
精準的幾何演算法為什麽需要，比如點雲配準場景，在飛機、SLam、抓取都是最基本的問題，這裏面精度都很重要。最近我們希望能不能更魯棒。比如說誤差很多的情況下可以做到，同時還很快。主要的想法是本來六維空間，減成三維空間、兩維空間、一維空間，透過新的方式把演算法提升很多。Auter area做到97%、98%的情況，我也能夠很好的計算peace pose等等。
在自動駕駛，點雲的數量非常大，比如你有1000個點雲，Scalability是個問題，現在所有演算法我們做了，如果你有一百萬或者以上的Miliar por cloud都會失敗。
我們現在透過一些新的演算法，同時保障一千萬個點在一般的電腦上都能跑，而且很快。因為對於機器人來說，我們資源有限。我們把這個東西套用到比如module constructively inspection，這個很大，因為點雲很高。一般都是幾億個點雲，點雲之間很challenge，我們在工業上已經開始規模化套用了，它可以自己做尺寸測量也可以檢測一些漏洞等等，這裏面的技術我就不講了。
第三個關於操作，這個場景很多，店裏面倉居里面都有很多。但是操作問題非常難，去年9月份在新加坡問大家什麽比較難。很多人就說比如操作能夠抓任何物體，可能是未來很難實作的，短期內實作不了的夢，所以我覺得這個問題有很多可以做的。
從硬件來說，我們抓這種小的東西，這其實非常難。還有日常用品，比如電商物流、水果等等，這些東西我們在硬件上都在努力，具體不介紹了。演算法上，怎麽面向這種場景，特別面向日常物品怎麽抓，因為我們覺得未來電商物流分揀一定會被機器人代替，現在還做不到。還有碼垛也是挑戰，我們做了規劃類演算法，透過learning來實作碼垛規劃。還有回歸裏有些東西要拿掉，你不能百分之百節省，比如本來需要10個工人，現在只需要4個工人，現在已經開始在工廠做這些套用了。
如果你做自動駕駛，場景很大，有個最大問題是map越來越大，很多東西都越來越費時間。我剛才講了機器人一定要在有限的計算資源下快速做事。現在稀疏的Slam怎麽來做，本來這樣多，我們能不能把map簡化。其實很多map點沒有用的，你只要把有用的點找出來，比如本來是140K的data可以變成5K。你17%memory，data size小了也會增加你的efficiency。你可以把space分成很多東西，然後再看怎麽做這個事情。我們也做了地圖建構，我們想把它用到實際場景。
未來模組建築是趨勢，它需要把物體運過去，然後組裝起來。因為AGV非常小非常薄，環境又非常惡劣，挑戰很多。我們develop這麽一個東西，現在在香港正在做transpotation等等。我覺得這個還是有很好的套用場景，因為現在MIC也會做得越來越高，gap越來越小。現在要求做到250以下，你後面工程就比較大，所以我們還在跟合作夥伴做研究。
透過UNV，我們現在有UNV系統，我只要按一個鍵，室內室外都可以自己建圖，我們開發演算法包括精度密度也比較高，現在在政府在很多地方套用起來。
最後倉居里面的搬運，我們有一個standup，都是我的學生跟我一起做的，技術一個是Slam，一個是視覺反饋，然後是planning hardwork，我們有一系列的產品，這裏面其實目前已經在全世界範圍內做了大概3000多套。現在有不同產品，就不介紹了，但是我想講一下，我們團隊都是從學校出來的，我們希望有些創新。
2018年第一次做了9米4的storage，也是世界上第一次。2019年做了庫位監測，這也是沒有的系統。2020年首台料能堆疊機器人。2021年做了平板車的裝運，也是世界首例。2022年做了灰翼車的裝運。最新產品是很長的箱的這種卡車的裝運。
這是貨車的無人裝車解決方案，現在很多裝車是這樣，要麽人拉上去裝，或者有專門的機構特殊的裝，這些成本都很高，實用性不是很好。我們現在想做標準化的，很小的車來做裝車和卸車工作，它主要負載兩噸。
這是一些技術，怎麽做Slam。車很長，因為一般這種箱體車，有的20米，有的30米，因為它feature是有限的，你一定要在Natural feature上面做這個事情，所以就有Natural Slam，Semantic Slam，這是我們的一個影片。
這是做路徑規劃，現在人是這樣拉，拉著很麻煩，當然這跟人也可以互動使用。這個車非常長，因為也沒有什麽feature，我們裝車希望精度很高。可以兩板一起卸，放到倉居里面。這是快進的，25倍的速度。到目前我們在全世界很多場景已經落地使用了，如果有興趣可以跟公司聯系。
因為是政府機構，我們也希望做一些政府的服務，這個東西挺好，在中國也能做，因為在香港有一個隧道，大概是4米寬，7公裏多，建了30年，從來沒有人知道那裏面發生了什麽，我們其實做了很簡單的一個機器人，相當於一個球一樣，我扔到裏面，我從上遊扔了，我到下遊用一個網把它接起來，因為它自己帶很多相機，可以把所有沿途的資訊拍下來。
我們在香港已經試了，現在正在擴充套件到香港，很多隧道都是扔下去，不用動力，完全靠水流，我們也希望有機會在國內能夠合作。
我們物流機器人圍繞Real world application，最主要還是Efficiency，Efficiency是非常頭痛的一個問題，機器人Efficiency是人的一半左右，再一個是成本很高，還有一個是需要很大的space，在香港物流倉庫很頭疼的是沒有這麽多空間，怎麽在小的空間做這些事情，可靠性等等都是一些挑戰。
時間到了，謝謝大家！
（本文根據錄音整理）
