GreyOrange近日发布了一款全新的仓储模拟平台,旨在帮助运营商在实施现场变更之前,对自动化部署方案进行建模、评估成本并预测系统性能。
该平台名为GreyMatter Foundry,将仓储流程设计、布局规划与自动化规模测算整合于统一的模拟环境之中。GreyOrange表示,该系统能够对机器人、自动化设备与人工作业人员组成的混合作业场景进行建模,适用于复杂的履约环境。
此次发布折射出业界对AI驱动的仓储调度系统日益增长的关注——这类系统需要管理越来越异构的自动化环境,而这些环境中往往同时混合了来自多家供应商的技术方案与人工作业流程。
GreyOrange表示,新平台的数据基础来源于其GreyMatter调度软件所积累的运营数据,该软件据称已部署于全球数千个仓库。根据GreyOrange的介绍,该系统目前通过其Certified Ranger Network对逾13万个机器人智能体进行统一调度。
GreyMatter Foundry可供仓库运营商、系统集成商及履约团队对不同自动化方案进行模拟,评估布局调整、劳动力供给变化、存储需求变化或机器人系统更换对吞吐量及运营效率的潜在影响。
在核心功能方面,该平台支持同时对多种机器人系统进行建模,模拟劳动力短缺或旺季需求高峰场景,并可基于5年和10年的规划周期,对仓库布局的未来增长适应性进行测试。
此外,GreyOrange表示,该系统还能生成仓库三维可视化效果图及投资回报率测算,同时支持多组模拟方案并行运行,便于用户对比不同运营策略的差异。
平台内置了GreyOrange所称的AI"设计智能助手",用户可通过对话式提示词或预设模板引导模拟过程。
"仓储自动化不应是一场盲目的赌注,"GreyOrange首席技术官Saurabh Gupta表示,"通过将我们实时运行的全球GreyMatter网络的智能能力注入每一次模拟,我们为经销商、第三方物流企业、零售商和系统集成商提供了一个有真实数据支撑的'水晶球'。无论是从零开始的新建项目,还是对现有运营的重新规划,Foundry都能让您测试数千种方案、模拟旺季压力,并在正式部署时胸有成竹。"
GreyOrange表示,该平台既适用于新建仓库项目,也支持现有仓库的改造升级,尤其契合当前运营商面临的劳动力短缺、吞吐量需求攀升及履约要求日趋复杂等多重压力。
据悉,利用该平台完成一次模拟分析仅需数小时,而非数周,使运营商在正式投入资本之前便能充分评估多种自动化方案的可行性。
Q&A
Q1:GreyMatter Foundry是什么?它主要解决什么问题?
A:GreyMatter Foundry是GreyOrange推出的一款AI仓储模拟平台,集仓储流程设计、布局规划和自动化规模测算于一体。它主要帮助仓库运营商、系统集成商和履约团队在实际部署前,对自动化方案进行模拟评估,预测系统性能并估算成本,从而降低投资决策风险,避免盲目试错。
Q2:GreyMatter Foundry平台有哪些核心功能?
A:该平台支持同时对多种机器人系统进行建模,能够模拟劳动力短缺或旺季需求高峰,并可基于5年和10年规划周期测试仓库布局的未来适应性。此外,平台还可生成三维可视化效果图和投资回报率测算,支持多组方案并行模拟对比,并内置AI"设计智能助手",用户可通过对话方式引导模拟过程。
Q3:使用GreyMatter Foundry完成一次模拟需要多长时间?
A:根据GreyOrange的介绍,利用GreyMatter Foundry完成一次模拟分析通常只需数小时,相比传统方式可能需要数周大幅缩短。这使运营商能够在正式投入资本之前,快速评估并对比多种自动化部署方案,显著提升决策效率。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。