总部位于东京的初创企业Telexistence本周宣布将在日本数百家全家(FamilyMart)便利店部署NVIDIA AI驱动的智能机器人来为货架补货。
全日本共有56000家便利店,密度居全球第三。其中约16000家由全家经营。Telexistence希望为这些商店节省时间,将重复性的工作(如为货架补充饮料)交给机器人,使店员能够处理与顾客互动等更复杂的任务。
这只是Telexistence机器人的功能之一,这些机器人在NVIDIA Jetson边缘AI和机器人平台上运行。该公司还在开发能够使用机器人分拣包裹的AI仓储物流系统。
Telexistence首席执行官Jin Tomioka表示:“我们希望将机器人部署到各个支持人们日常生活的行业,首先就是便利店这个我们在日常生活中离不开,但却面临着劳动力短缺问题的行业,尤其是在便利店星罗密布的日本。”
这家成立于2017年的公司下一步准备扩张到美国的便利店。美国的零售业同样受到劳动力短缺的困扰,该国目前有15万家便利店,超过一半的消费者表示他们每月至少去一次便利店。
请观看视频“Telexistence将为日本300家便利店安装AI补货机器人”:https://youtu.be/8C_OKyh0hq4
Telexistence将在全家便利店部署补货机器人
Telexistence将于8月开始在300家全家便利店部署名为TX SCARA的补货机器人,并计划在未来几年将这种自主机器人部署到更多的全家便利店以及其他主要的连锁便利店。
Tomioka表示:“为了给货架补货,便利店店员在里屋耗费了大量本该在外面与顾客打交道的时间。机器人服务可以让店员有更多的时间与顾客接触。”
TX SCARA一边在轨道上运行,一边通过多个摄像头扫描每个货架并使用AI识别数量过少的饮料,然后规划补货路线。这套AI系统为饮料自动补货的成功率达到98%以上。
即便在极少数情况下,该机器人对饮料的摆放位置判断失误或者饮料翻倒,店员也不需要放下手中的工作来让机器人重新运转。待命的Telexistence远程操作人员会通过使用NVIDIA GPU进行视频流传输的虚拟现实(VR)系统进行手动控制,为便利店迅速解决问题。
Telexistence估计,一家繁忙的便利店每天需要补充1000多份饮料。TX SCARA的云系统会根据机器人在运行过程中的补货名称、日期、时间和数量来维护一个产品销售数据库,使AI能够根据过去的销售数据考虑哪些商品需要优先补货。
使用NVIDIA Jetson进行边缘AI处理
TX SCARA内置多个AI模型。物体检测模型可以识别商店里的饮料类型,确定哪种饮料属于哪个货架,并且与另一个模型一起帮助检测机器人手臂的运动,使机器人可以拿起饮料并准确地将其放在货架上的产品之间。第三个模型负责异常检测,即识别饮料是否掉落或离开货架。还有一个模型负责检测每个货架区域中哪些饮料的数量不足。
Telexistence团队将自定义的预训练神经网络作为基础模型,通过添加合成和注释的真实世界数据来微调应用的神经网络。该团队使用一个模拟环境创建了8万多张合成图像用于增强他们的数据集,使机器人能够学会检测任何颜色、图案、照明环境中的饮料。
该团队依靠NVIDIA DGX Station来训练AI模型。机器人本身使用两个NVIDIA Jetson嵌入式模块:用于边缘AI处理的NVIDIA Jetson AGX Xavier以及用于传输视频串流数据的NVIDIA Jetson TX2模块。
在软件方面,该团队使用用于边缘AI的NVIDIA JetPack SDK和用于高性能推理的NVIDIA TensorRT SDK。
Telexistence首席机器人自动化官Pavel Savkin表示:“如果没有TensorRT,我们的模型就无法快速运行,也就无法高效地检测店里的商品。”
Telexistence使用半精度浮点格式(FP16)来进一步优化其AI模型,而非单精度浮点格式(FP32)。
您可在9月19日至22日在线举行的NVIDIA GTC大会上了解更多关于AI和机器人技术的最新动态。本次大会的报名不收取任何费用。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。