仓库自动化系统提供商Locus Robotics近日正式发布Locus Array,将其定位为"完全自主的履单系统"。该系统融合了移动机器人、集成机械拣选臂以及AI感知能力,能够在无需人工干预的情况下自主完成端到端的仓储工作流程。
目前,Locus Array已在北美的早期客户中开始部署,公司同时计划将其推广至欧洲和亚太地区,以应对全球市场对全自主履单解决方案日益旺盛的需求。
Locus Robotics首席执行官Rick Faulk表示:"多年来,自主履单更多停留在炒作和承诺层面,直到现在才真正成为现实。仓储运营正面临来自人力短缺、成本攀升和持续波动的多重压力,而传统系统根本无法有效应对。Locus Array将自主化能力引入真实规模化运营中,以系统级的全新思路从根本上解决这些挑战。"
全球长期合作伙伴DHL供应链是Locus Array的早期客户之一,已将该系统投入实际运营。DHL供应链全球首席信息官Sally Miller表示:"Locus Array的发布标志着DHL加速数字化进程中的一个重要里程碑,推动我们从传统的辅助拣选模式迈入高密度自主履单的新时代。在DHL,我们相信一个方案的价值在于其可规模化落地的能力,而与Locus Robotics的合作持续证明了我们能够将前沿技术理念转化为全球运营标准。作为首批部署Locus Array的企业,我们不仅在应对当下的人力与产能挑战,更在积极构建更具敏捷性的供应链。这一创新使我们能够充分利用垂直空间、大幅减少人工操作,持续为客户提供全球物流领军者应有的速度与可靠性。"
Locus Array的核心能力体现在以下几个方面:
高效高密度吞吐与流畅履单:支持订单并行处理,并直接在货架通道内完成工作整合,实现全天候24/7不间断运营,大幅提升吞吐量。
多工作流程全自主执行:在单一系统内涵盖拣选、补货上架、入库引导、货物交接、货位规划及库存补充等多项操作,可减少90%的人工操作。
快速上线、低干扰部署:无需重新规划设施或引入复杂基础设施,数周内即可完成部署。
灵活可扩展的动态适应能力:可随业务量弹性扩展,并在无需重构工作流程的前提下,适应布局变化、SKU调整和需求波动。
多机器人协同执行:与Locus Origin和Locus Vector无缝协作,在统一系统内覆盖100%的SKU,并以可扩展、低前期投入的机器人即服务(RaaS)模式交付,实现快速投资回报。
上述能力共同开创了仓库自动化的全新品类——机器人到货(Robots-to-Goods,R2G)模式。在这一模式下,Locus Array等智能机器人系统直接前往库存位置,在货架通道内完成履单任务。通过将多个工作流程直接内嵌于机器人本体,R2G将自动化能力从辅助流程扩展至完全自主执行。
与将库存沿固定流程转移的传统系统不同,Locus Array等机器人可根据实时需求动态分配任务,从而减少不必要的移动路径,保持SKU的持续可用性,同时在现有仓库布局内实现更高的存储密度。
Locus Array由AI驱动的调度平台LocusONE提供支撑,与Locus Origin和Locus Vector共同组成统一的机器人机群。LocusONE基于实时需求动态分配任务,将机器人、工作流程与库存调度整合为一个可随运营持续扩展和自适应的整体系统,从而将自动化覆盖延伸至全部履单流程,在不确定的市场环境中提供稳定的作业表现和运营信心。
Q&A
Q1:Locus Array是什么系统?有哪些核心功能?
A:Locus Array是Locus Robotics推出的全自主仓库履单系统,集成了移动机器人、机械拣选臂和AI感知技术,无需人工干预即可完成端到端仓储流程。其核心功能包括订单并行处理、全天候运营、多工作流程自主执行(涵盖拣选、补货、入库等),并可减少90%的人工操作,同时支持数周内快速部署上线。
Q2:Locus Array采用的R2G模式与传统仓储自动化有什么区别?
A:传统仓储自动化系统通常将库存沿固定流程输送,而R2G(机器人到货)模式则让机器人直接前往货架通道取货并完成履单。Locus Array可根据实时需求动态分配任务,减少无效移动,保持SKU持续可用,并在不改变现有仓库布局的前提下提升存储密度,实现更灵活高效的自动化作业。
Q3:LocusONE平台在Locus Array系统中起到什么作用?
A:LocusONE是Locus Array背后的AI驱动调度平台,负责统筹协调Locus Array、Locus Origin和Locus Vector等多类型机器人的协同运作。它能够根据实时需求动态分配任务,将机器人调度、工作流程管理和库存移动整合为一个统一系统,使自动化覆盖全部履单环节,并随业务发展持续扩展和自适应。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。