🔍
Amazon Fulfillment Center Tour with AWS - YouTube
Channel: Amazon Web Services
[0]
有没有想过亚马逊为何
如此迅速地将您的包裹送到您手中？
[4]
这是由机器学习、自动化
[7]
和我们了不起的同事共同完成的
[9]
跟我们来吧，我们会在
亚马逊运营中心看到这一点
[16]
欢迎来到亚马逊机器人可分拣运营中心
[21]
该 FC 是全球 50 多个 FC 之一
[24]
机器人在这里
与我们出色的员工一起工作
[28]
让我们到里面看看
[30]
在亚马逊，我们以客户为中心
[32]
我们也非常关注员工的安全
[35]
2020 年 4 月
[36]
亚马逊通过在北美的多个业务线中
[39]
实施热像仪系统
[41]
开始加强其体温筛查流程
[44]
既然我们的体温没有过高
[47]
那我们就可以继续游览了
[50]
今天，我们将遵循产品
[53]
从接收、存放、拣选、包装
[57]
到装上卡车进行配送的路径
[59]
在任何东西到达 FC 之前
[63]
入站流程从预测和订购开始
[66]
在 AWS 的支持下，亚马逊的预测引擎
[69]
每天用于 4 亿多件产品
[74]
我们去收件区吧
[77]
如您所见，我们在物流方面投入了大量精力
[81]
这是一首由人员、AWS、软件
[85]
和其他高科技组件构成的交响乐
[87]
结果是我们优秀的员工
[90]
与我们已经发展了 20 多年的
精心磨练的计算机系统之间的协调
[94]
我们的员工是我们运营的核心和灵魂
[97]
有些是退伍军人
[99]
有些是社群的活跃成员
[101]
有些是与亲人一起在这里工作的员工
[104]
他们都很了不起
[106]
装满供应商和中小型企业
卖家商品的拖车
[110]
按预约到达这些舱门
[113]
员工卸下拖车上的商品
并开始在其接收工作站上
[118]
暂存商品的过程
[121]
该 FC 承载数百万件库存
[124]
并使用称为
Amazon Aurora 的服务
[127]
来管理我们的
库存交易和其他关系数据库需求
[134]
在此工作台，您可以看到我们的入站员工
[138]
如何接收产品以及这些产品
如何存放在我们的库存中
[141]
当员工登录他们的工作站执行任务时
[144]
亚马逊机器人驱动单元就会被激活
[148]
存储舱到达时朝向正确的一面
[151]
以将商品存放到库存中
[153]
每次员工接触产品时
[156]
他们都会扫描该商品的唯一条形码
[158]
我们将其称为亚马逊标准识别码或 ASIN
[163]
它存储在我们的库存系统中
因此我们知道该商品
[166]
在任何给定时间的数量和位置
[169]
为了管理我们的库存历史
我们使用 Amazon Neptune
[172]
这是 AWS 提供的
一项快速、可靠、完全托管的图形数据库服务
[178]
现在，您可能希望我们
[179]
以类似的商品存放在一起的方式来整理
[182]
例如，所有电子设备都将存放在同一区间
[185]
然而，在亚马逊，我们发现使用随机方法
[189]
存放产品更有效
[190]
这就是为什么您会在
每个库存箱中看到各种商品的原因
[194]
一旦该过程完成
[196]
我们的系统中就会创建物理和数字匹配
[199]
因此，在商品存放几秒钟后
[202]
您就可以在
Amazon.com 上订购了
[205]
看看隔壁的一个工作台
[206]
我们看到了计算机视觉
帮助自动化的一个很好的例子
[210]
当员工扫描某件商品时
[212]
您会在存储舱中的一些箱子上
看到洋红色的灯光
[215]
这让员工知道不能将该商品放置在这些位置
[219]
因为人工智能驱动的逻辑
[221]
确定箱子已满
[223]
将商品放置在那里可能会对
[225]
存储舱的整体重量分布产生负面影响
[227]
或者那里有视觉上相似的商品
[229]
当员工随后需要挑选商品时，可能会引起混淆
[232]
然后，员工可以将商品放入任何其他箱子中
[236]
但计算机视觉并不止于此
[240]
它还将检测员工所使用的箱子
[243]
并知道该商品放置的位置
[245]
作为最后一步，它将拍摄存储舱的照片
[248]
并使用图像识别来计算箱子中的商品数量
[252]
确保计数与我们跟踪系统中记录的数量相符
[257]
当机器学习模型的置信度较低时
[259]
它会将图像发送给人们
以便为我们的机器学习模型分类
[264]
以及训练更多 Ground Truth 数据
该模型在 AWS 的 Amazon SageMaker
[267]
和 Amazon SageMaker
Ground Truth 中运行
[271]
这使我们能够执行持续的库存核对
[275]
避免其他组织往往
[277]
每年至少进行一次的预定库存盘点
[280]
现在，我们看到的
那些移动存储舱的机器人怎么样了呢？
[285]
每层楼都有数以千计的机器人驱动装置
[289]
帮助员工每天完成客户订单
[292]
亚马逊机器人
在 FC 内的专用围栏区域运作
[297]
这些区域约占设施总面积的 65%
[301]
驱动装置前往我们 FC 的各个位置
[304]
以拾取移动货架上的产品并将其交付给
[308]
在符合人体工程学的工作站工作的员工
[310]
为了导航，他们读取地板上的二维条码
[314]
并使用我们自己创建的机器人操作软件
[317]
实时跟踪位置
[320]
我们的亚马逊机器人团队
开发了 100 多项服务
[323]
来支持运营
[325]
并在亚马逊运营中心广泛使用 AWS
[329]
只有穿戴定制安全装备且经过专门培训的人员
[333]
才能进入该区域
[334]
但是在我们的虚拟游览中
[336]
我们可以穿过这个禁区
[339]
每个可分拣的 FC
都有一百多万件独特的商品
[342]
帮助我们实现提供地球上最多选择的目标
[347]
您可能会想：“好吧，机器人是很棒
[350]
但我只是订购了一件商品
它是怎么被挑出来的？”
[352]
为了回答这个问题，让我们去一个拣选站
[355]
在这里，我们看到了
与我们的装载站类似的布局
[358]
在您点击 Amazon.com 上的
购买按钮后
[361]
我们的系统会让机器人排队，以找到您订购的
[364]
商品所在的存储舱
[366]
一旦确定了该商品
[368]
机器人就会将其带给我们的同事
[371]
员工站的屏幕
[373]
会显示他们需要挑选的商品的图片和数量
[377]
与装载期间使用相同的视觉箱检查系统
[382]
除了这次，系统不会点亮
[384]
不应放置商品的箱子
[386]
而是在该商品所在的地方点亮白灯
[389]
员工识别并抓住该商品
[392]
将其放入由绿灯表示的
[393]
黄色手提袋中，然后按下按钮
[396]
确认该商品已放置在那里
[398]
当系统检测到手提袋已满时
[401]
指示灯会闪烁，员工会将装满的手提袋
[404]
推回到一系列传送带，并用自动运送到
[408]
他们站点的新手提袋替换它
[410]
在这个阶段，员工分批
[413]
为不同的客户挑选商品
[415]
我们关注的两种拣选流程是
[418]
单品订单和多品订单
[421]
单品订单中，每个客户订单仅包含一件商品
[425]
我们装满了一个黄色手提袋
[427]
里面有重达 25 磅的单品订单
[429]
单品订单黄色手提袋
[431]
随后将被传送到
Singles Pack 生产线进行包装
[435]
多品订单中，每个订单包含多个商品
[439]
如果您的 6 件单品订单
[441]
都在这栋大楼内
[443]
那么您的订单可能会被
[445]
多达 6 个不同的人
从 6 个不同的机器人上取货
[448]
而这些机器人都需要
为您的单次装运而集中在一起
[452]
您的商品将被放置在任何可用的黄色手提袋中
[455]
并被运送到我们的多品订单组装站
[458]
届时，我们会将您的个人商品
[461]
重新装箱到一个客户订单中
[464]
然后，一旦您的所有商品都放在一起
就可以进行打包了
[468]
为了帮助提高效率并减少包装对环境的影响
[471]
机器学习算法
[474]
会自动选择盒子或信封的尺寸
[478]
甚至正确的胶带长度也由机器学习确定
[481]
并自动分配
[483]
如果需要，可添加保护性包装材料
[487]
在包装上贴上条形码
[490]
封好
[492]
我们便可以走了
[493]
该条形码对于我们称为
SLAM 的下一阶段非常重要
[497]
但是，如果我订购了两件商品
[499]
而它们在两个不同的 FC 中呢？
[501]
我要一个箱子还是两个？
[503]
答案是“视情况而定”
[506]
我们的首要任务是，当您下订单时
[508]
我们要在承诺的日期和时间为您提供商品
[511]
第二个优先事项是以尽可能低的成本
[514]
和对环境的影响最小的方式做到这一点
[516]
因此我们可以继续将更低的价格转嫁给您
[519]
考虑到这两点，我们使用机器学习
[522]
来确定是从每个 FC 以两个不同的包裹
[525]
运送给您
还是将商品从一个 FC 运送到另一个
[529]
在那里组合它们
然后以一个单一包裹的方式运送给您
[532]
您现在可以看到
我们的 SLAM 生产线正在进行中
[535]
SLAM 是首字母缩写词
代表 Scan、Label、Apply 和 Manifest
[541]
这里的技术扫描
[544]
置于包装上的条形码和标签
[547]
并立即知道在包装上打印正确的运输标签
[549]
这是您的姓名和地址第一次出现在包裹上
[553]
那么我们如何知道使用哪个承运商呢？
[555]
这也是由机器学习决定的
[558]
在几秒钟内运行算法来确定
[561]
最佳的交付承运商，以便以尽可能低的成本
[565]
准时为您提供包裹
[567]
这里也有质量控制措施
[570]
在此之后，对箱子进行称重
[572]
并根据商品的已知重量进行检查
[575]
如果重量少了
订单将被路由到一个特殊的位置
[579]
从那里，一名员工将打开包裹
[581]
并采取适用的行动
[584]
我们现在进入最后阶段
[586]
在通过所有这些质量控制措施后
[589]
包裹会被传送到另一系列传送带上
[592]
到达扫描标签的位置
[596]
然后传送带会自动将每个包裹送入正确的滑槽
[600]
然后用半拖车将其打包
[602]
然后运送到另一个 FC 或分拣中心
最终交付给您
[608]
该 FC 中约有 17.5 英里的传送带
[612]
为了可靠地运行，他们每天
[614]
都通过 AWS IoT 服务进行监控
[618]
AWS IoT Greengrass
允许设备
[622]
在本地对它们生成的数据进行操作
[624]
同时仍能利用云，从而提供帮助
[627]
事件，尤其是来自机器的事件
[629]
被发送到 AWS 中
触发 Step Functions 的 Lambda 函数
[634]
然后，这些工作流进行协调
[636]
RME 运作以维护设备、执行检查
[640]
更换故障电机和皮带，以及其他类型的活动
[645]
我们甚至与我们的一些自动化供应商合作
[648]
使用 AWS ML 模型来预测设备故障
[651]
并在问题出现之前加以解决
[659]
感谢您访问我们的
亚马逊可分拣机器人运营中心
[663]
我们希望您喜欢我们的虚拟之旅
Most Recent Videos:
You can go back to the homepage right here: Homepage