图1：亚马逊使用带摄像头、汽车投影仪和机器学习的视觉辅助系统检索包裹。

亚马逊开发出一种计算机视觉辅助包裹检索（VAPR）解决方案，它可以自动识别需要交付到每个站点的包裹，从而节省司机的时间和精力。

亚马逊（美国华盛顿州西雅图）的一份新闻稿显示，司机到达交货地点后，VAPR将需在该站交付的包裹上显示绿色的“O”，在其它包裹上显示红色的“×”。这种方式不再需要司机按站点归整包裹、读取标签或识别其他信息，也不再需要他们用手动扫描条形码的方式确保该包裹地址在应交付范围。

货车司机在交付包裹前，要先停留在每个站点的货物区。在为该站点找到相应的包裹后，VAPR系统会发出蜂鸣声或在货车的导航屏幕上出现绿色圆圈。通过查看屏幕，司机还可以看到在该站点需交付的包裹数量。

亚马逊拥有39万多名司机，每天运营10万多辆货车，运送数百万个包裹。

根据测试该技术的司机反馈，亚马逊预测这项新技术可使司机的每次停车时间节省2~5分钟，每条路线总共节省30分钟。预计到2025年初，亚马逊将在1000辆新电动货车上安装VAPR。

VAPR使用亚马逊机器人识别（AR-ID）。这是一种涉及计算机视觉和机器学习的扫描能力，最初为配送中心取代手动扫描条形码而开发。亚马逊表示，在配送中心使用AR-ID后，附近员工手中包裹上的条形码标签会被以120fps运行的独立摄像头系统自动扫描。员工不再需要像以前那样，一只手拿着包裹，另一只手抓着条形码扫描仪，而是可以用双手处理包裹。对于车内应用程序，AI-ID可以在处理周围环境时实时定位和破译多个条形码。

亚马逊的视觉辅助包裹检索工作原理

亚马逊的开发人员训练了机器学习模型，以在各种照明条件下特别是在车内环境中识别不同的标签和包装。亚马逊在新闻稿中表示，这些模型已被纳入VAPR。它的技术系统使用专门设计的汽车灯光投影仪和摄像头。软件和硬件组件被集成在一个安装在货车货物区的定制外壳中，并与货车的导航系统集成在一起。

图2：视觉辅助包裹检索系统站点交付的包裹上显示绿色的“O”，在其它包裹上显示红色的“×”。

Machine Vision Source（美国北卡罗来纳州索尔兹伯里）的创始人、机器视觉专家David Dechow表示：“我认为，识别系统、云包裹列表和司机路线之间的交互是一项非常大的成就。软件与货车的导航系统相连，系统知道在某个地点需要交付哪些包裹。”

Dechow指出，该应用程序的自动代码读取功能并不新鲜，在行业中使用光投影仪来辅助拣选操作也很常见。他还提到，虽然“瞄准投影的机制很复杂”，但是许多供应商仍然提供了解决方案。

Dechow推测了系统的工作原理，他说，最初的处理层可能会识别和隔离包装上的标签。据报道，它使用“经过训练的机器学习模型”完成，但目前尚不清楚这在技术上到底意味着什么。他说：“假设分割部分算作深度学习是实际可行的，那么其它经过训练的识别模型也是可行的。”Dechow又补充说：“视觉过程的最终目的是读取每个标签上的条形码。读取部分可能使用的是标准视觉算法，也可能是深度学习。”

亚马逊表示，开发人员使用两种商用工具为VAPR构建了软件层，一种是用于构建、训练和部署机器学习模型的软件服务——SageMaker，另一种是帮助开发人员为边缘设备创建软件的云服务——IoT Greengrass。

亚马逊的视觉辅助包裹检索系统运行情况

亚马逊快递公共关系团队的Maya Vautier解释说，若干包裹被包装成一个提袋并装载到货车上，司机将它们放置到多个站点。“每个提袋内的包裹数量不一，每条路线上的提袋数量也不一样。”

亚马逊配送服务合作伙伴Bloomfield Logistics（美国马萨诸塞州哈弗希尔）的司机Bobby Garcia一直在测试VAPR。对于新系统对他的日常工作的影响，Garcia解释说：“以前清空一个提袋并装好下一站的包裹可能需要2~5分钟。在使用VAPR后，整个过程只需要一分钟左右。”

图3：亚马逊的路线规划系统使用的机器学习模型考虑了天气和步行距离等因素。

帮助司机的其它人工智能解决方案

另一份新闻稿称，亚马逊也在实施其它技术以帮助司机，例如在路线规划系统中使用考虑天气和步行距离等因素的机器学习模型。该公司还使用预测模型来识别司机路线上的安全风险，例如未铺砌的道路或铁路道口。到2024年底，亚马逊预计将识别2亿个风险特征，并通过APP为司机提供1800万个安全提示。

亚马逊运输服务副总裁Beryl Tomay在新闻稿中说：“我们一直在研究通过数字信号处理器使司机的日常工作体验更安全、更简单的新方法。”

（文章来源于雅时视觉，如有侵权请联系删除）