سیستم‌های بینایی برای ربات‌های تحویل خودران: نوآوری‌هایی که لجستیک آخرین مایل را بازتعریف می‌کنند

ساخته شده در 01.09

بازار جهانی تحویل در آخرین مرحله (last-mile) به دلیل افزایش تجارت الکترونیک و انتظارات مصرف‌کنندگان برای سرعت و راحتی، شاهد رونق بی‌سابقه‌ای است. ربات‌های تحویل خودران (SDRs) به عنوان راه‌حلی تحول‌آفرین برای رفع ناکارآمدی‌ها، هزینه‌های بالا و کمبود نیروی کار که خدمات تحویل سنتی را آزار می‌دهد، ظهور کرده‌اند. در قلب این ماشین‌های خودکار، سیستم بینایی آن‌ها قرار دارد - "چشمانی" که به آن‌ها امکان می‌دهد محیط شهری پیچیده و پویا را درک کرده، در آن ناوبری کنند و با ایمنی با آن تعامل داشته باشند. برخلاف سیستم‌های بینایی خودروهای خودران که با سرعت‌های بالاتر و در جاده‌های ساختاریافته عمل می‌کنند، سیستم‌های بینایی SDRs باید خود را با محیط‌های کم‌سرعت و غیرساختاریافته پر از عابران پیاده، دوچرخه‌سواران، جدول‌ها، موانع و شرایط آب و هوایی متغیر تطبیق دهند. این مقاله به بررسی آخرین نوآوری‌ها، چالش‌های کلیدی و روندهای آینده می‌پردازد. سیستم‌های بینایی برای ربات‌های تحویل خودران، که روشن می‌کند چگونه این فناوری‌ها آینده لجستیک آخرین مایل را بازتعریف می‌کنند.

نیازهای منحصر به فرد سیستم‌های بینایی SDR: فراتر از رانندگی خودران سنتی

برای درک اهمیت سیستم‌های بینایی برای ربات‌های تحویل خودکار (SDRs)، ابتدا لازم است زمینه عملیاتی منحصربه‌فرد تحویل در آخرین مایل را بشناسیم. برخلاف وسایل نقلیه خودران که برای تردد در بزرگراه‌ها یا جاده‌های شهری طراحی شده‌اند، ربات‌های تحویل در محیط‌های بسیار غیرساختاریافته فعالیت می‌کنند: محله‌های مسکونی با پیاده‌روهای باریک، مناطق شلوغ مرکز شهر با انبوهی از عابران پیاده، و مکان‌هایی با موانع غیرقابل پیش‌بینی مانند دوچرخه‌های پارک شده، سطل‌های زباله یا مناطق ساخت‌وساز. علاوه بر این، SDRها معمولاً با سرعت کم (۲ تا ۸ کیلومتر بر ساعت) حرکت می‌کنند اما برای پیمایش فضاهای تنگ، اجتناب از برخورد و رسیدن به نقاط تحویل دقیق (مانند درب منزل مشتری یا لابی ساختمان) به دقت استثنایی نیاز دارند.

این الزامات به تقاضاهای متمایزی برای سیستم‌های بینایی آن‌ها منجر می‌شود. اول، آن‌ها به میدان دید (FOV) وسیعی نیاز دارند تا تمام خطرات بالقوه در نزدیکی را ثبت کنند. دوم، آن‌ها باید در تشخیص و طبقه‌بندی اشیاء کوچک و پویا - مانند کودکی که در حال تعقیب توپ است یا عابری که از جدول پایین می‌آید - با دقت بالا برتری داشته باشند. سوم، آن‌ها باید در شرایط نوری متغیر (مانند نور شدید خورشید، غروب یا شب) و آب و هوای نامساعد (باران، برف، مه) به طور قابل اعتماد عمل کنند. در نهایت، مقرون به صرفه بودن یک عامل کلیدی است: برخلاف خودروهای خودران رده بالا که می‌توانند مجموعه‌های حسگر گران‌قیمت را تهیه کنند، SDRها اغلب در مقیاس بزرگ مستقر می‌شوند و به سیستم‌های بینایی نیاز دارند که عملکرد را با مقرون به صرفه بودن متعادل کنند.

اجزای اصلی سیستم‌های بینایی SDR مدرن: هم‌افزایی حسگرها و هوش مصنوعی

سیستم‌های پیشرفته بینایی SDR امروز به یک نوع حسگر واحد متکی نیستند، بلکه ترکیبی از چندین فناوری حسگری را با هوش مصنوعی (AI) و الگوریتم‌های یادگیری ماشین (ML) قدرتمند ترکیب می‌کنند. این رویکرد ادغام چند حسگری اطمینان از افزونگی، دقت و قابلیت اطمینان در محیط‌های متنوع را تضمین می‌کند. در زیر اجزای اصلی که سیستم‌های بینایی SDR پیشرفته را تعریف می‌کنند، آورده شده است:

1. دوربین‌ها: پایه و اساس ادراک بصری

دوربین‌ها اساسی‌ترین جزء سیستم‌های بینایی SDR هستند که داده‌های بصری دوبعدی و سه‌بعدی را ثبت می‌کنند و اساس ادراک محیطی را تشکیل می‌دهند. SDRهای مدرن مجهز به چندین دوربین هستند که به صورت استراتژیک در اطراف ربات قرار گرفته‌اند: دوربین‌های رو به جلو برای تشخیص موانع و مسیریابی، دوربین‌های جانبی برای نظارت بر فضاهای مجاور، و دوربین‌های عقب برای جلوگیری از برخورد هنگام دنده عقب. 

دو نوع دوربین به طور خاص برای SDRها حیاتی هستند: دوربین‌های RGB و دوربین‌های عمق. دوربین‌های RGB اطلاعات رنگی را ثبت می‌کنند که به طبقه‌بندی اشیاء (به عنوان مثال، تمایز بین یک عابر پیاده و یک سطل زباله) و تشخیص علائم ترافیکی یا برچسب‌های تحویل کمک می‌کند. دوربین‌های عمق - مانند دوربین‌های زمان پرواز (ToF) و دوربین‌های استریو - با اندازه‌گیری فاصله بین ربات و اشیاء در محیط آن، بعد سوم را اضافه می‌کنند. دوربین‌های ToF نور مادون قرمز ساطع می‌کنند و فاصله را بر اساس زمانی که طول می‌کشد تا نور بازتاب شود، محاسبه می‌کنند و این امر آنها را برای شرایط کم نور ایده‌آل می‌سازد. از سوی دیگر، دوربین‌های استریو از دو لنز برای شبیه‌سازی دید دوچشمی انسان استفاده می‌کنند و اطلاعات عمق دقیقی را در محیط‌های با نور خوب ارائه می‌دهند.

2. LiDAR: افزایش دقت در محیط‌های پیچیده

در حالی که دوربین‌ها ضروری هستند، در شرایط آب و هوایی نامساعد (مانند مه یا باران شدید) و شرایط دید کم، محدودیت‌هایی دارند. فناوری لایدار (LiDAR) با انتشار پالس‌های لیزری و اندازه‌گیری زمان بازگشت آن‌ها از اشیاء، این شکاف‌ها را برطرف می‌کند و یک ابر نقطه سه‌بعدی با وضوح بالا از محیط ایجاد می‌کند. لایدار دقت فوق‌العاده‌ای در تشخیص شکل، اندازه و فاصله اشیاء ارائه می‌دهد و آن را برای پیمایش در فضاهای تنگ و اجتناب از برخورد با موانع پویا ارزشمند می‌سازد.

از نظر تاریخی، لایدار (LiDAR) برای ربات‌های تحویل خودکار (SDRs) بسیار گران بوده است، اما پیشرفت‌های اخیر در لایدار حالت جامد (SSL) آن را در دسترس‌تر کرده است. SSL قطعات متحرک لایدار مکانیکی سنتی را حذف می‌کند و هزینه، اندازه و مصرف برق را کاهش می‌دهد - مزایای کلیدی برای ربات‌های تحویل کوچک و با باتری. بسیاری از تولیدکنندگان پیشرو SDR، مانند Nuro و Starship Technologies، اکنون SSL را در سیستم‌های بینایی خود ادغام می‌کنند تا قابلیت اطمینان را در محیط‌های چالش‌برانگیز افزایش دهند.

۳. هوش مصنوعی و یادگیری ماشین: مغز پشت درک و تصمیم‌گیری

داده‌های خام سنسور بدون الگوریتم‌های پیشرفته هوش مصنوعی و یادگیری ماشین برای پردازش، تجزیه و تحلیل و تفسیر آن‌ها بی‌فایده هستند. نوآوری واقعی سیستم‌های بینایی SDR مدرن در نحوه تبدیل داده‌ها توسط هوش مصنوعی به بینش‌های عملی نهفته است. سه قابلیت کلیدی مبتنی بر هوش مصنوعی برای سیستم‌های بینایی SDR حیاتی هستند:

تشخیص و طبقه‌بندی اشیاء: مدل‌های یادگیری ماشین - مانند شبکه‌های عصبی کانولوشنال (CNNs) و الگوریتم‌های You Only Look Once (YOLO) - به SDRها امکان می‌دهند اشیاء را در زمان واقعی تشخیص داده و طبقه‌بندی کنند. این مدل‌ها بر روی مجموعه داده‌های وسیعی از محیط‌های شهری آموزش دیده‌اند و به آن‌ها اجازه می‌دهند تا عابران پیاده، دوچرخه‌سواران، وسایل نقلیه، لبه پیاده‌روها، خطوط عابر پیاده و حتی موانع کوچک مانند کاسه حیوانات خانگی یا اسباب‌بازی‌ها را تشخیص دهند. مدل‌های پیشرفته همچنین می‌توانند بین اشیاء ایستا و پویا تمایز قائل شوند و حرکت موجودیت‌های پویا (مانند عابری که از پیاده‌رو عبور می‌کند) را برای جلوگیری از برخورد پیش‌بینی کنند.

تقسیم‌بندی معنایی: برخلاف تشخیص اشیاء که اشیاء منفرد را شناسایی می‌کند، تقسیم‌بندی معنایی هر پیکسل در تصویر را به یک دسته خاص (مانند پیاده‌رو، جاده، ساختمان، عابر پیاده) طبقه‌بندی می‌کند. این به SDRها کمک می‌کند تا ساختار محیط خود را درک کنند و به آن‌ها امکان می‌دهد در مسیرهای تعیین شده (مانند پیاده‌روها) باقی بمانند و از مناطق ممنوعه (مانند باغچه‌های گل یا املاک خصوصی) اجتناب کنند.

محلی‌سازی و نقشه‌برداری همزمان (SLAM): الگوریتم‌های SLAM از داده‌های بصری برای ایجاد نقشه‌ای از محیط در زمان واقعی استفاده می‌کنند در حالی که به طور همزمان موقعیت ربات را در آن نقشه تعیین می‌کنند. این برای ربات‌های تحویل خودران (SDRs) که اغلب در مناطقی بدون نقشه‌های از پیش موجود فعالیت می‌کنند (مانند توسعه‌های مسکونی جدید) حیاتی است. SLAM بصری (vSLAM) به داده‌های دوربین برای ردیابی ویژگی‌های کلیدی در محیط تکیه دارد و امکان ناوبری دقیق حتی در مناطق ناشناخته را فراهم می‌کند.

نوآوری‌های کلیدی که سیستم‌های بینایی SDR را متحول می‌کنند

با افزایش تقاضا برای SDRها، محققان و تولیدکنندگان در حال گسترش مرزهای فناوری سیستم‌های بینایی برای رفع محدودیت‌های موجود هستند. در زیر تأثیرگذارترین نوآوری‌هایی که آینده سیستم‌های بینایی SDR را شکل می‌دهند آورده شده است:

۱. هوش مصنوعی لبه (Edge AI): فعال کردن تصمیم‌گیری در زمان واقعی بدون وابستگی به ابر

سیستم‌های بینایی اولیه SDR به شدت به محاسبات ابری برای پردازش داده‌های بصری متکی بودند که باعث ایجاد تأخیر و آسیب‌پذیری در برابر قطعی شبکه می‌شد. امروزه، هوش مصنوعی لبه (Edge AI) - استقرار الگوریتم‌های هوش مصنوعی مستقیماً بر روی پردازنده‌های داخلی ربات - به یک تغییر دهنده بازی تبدیل شده است. هوش مصنوعی لبه پردازش داده‌های بصری را در زمان واقعی امکان‌پذیر می‌سازد و به SDRها اجازه می‌دهد تا بدون اتکا به اتصال پایدار اینترنت، تصمیمات لحظه‌ای (مانند توقف ناگهانی برای جلوگیری از برخورد با عابر پیاده) بگیرند.

پیشرفت‌ها در تراشه‌های محاسباتی لبه کم‌مصرف و با کارایی بالا (مانند NVIDIA Jetson، Intel Movidius) این امکان را فراهم کرده است. این تراشه‌ها به طور خاص برای بارهای کاری هوش مصنوعی طراحی شده‌اند و به SDRها اجازه می‌دهند تا مدل‌های پیچیده یادگیری ماشین (مانند تشخیص اشیاء، SLAM) را به طور مؤثر اجرا کنند و در عین حال مصرف برق را به حداقل برسانند - که برای افزایش عمر باتری در ربات‌های تحویل‌دهنده حیاتی است.

2. ادغام حسگرهای چندوجهی: ترکیب نقاط قوت برای قابلیت اطمینان بی‌نظیر

هیچ سنسور واحدی کامل نیست، اما ترکیب چندین سنسور - دوربین‌ها، لایدار، رادار و حتی سنسورهای اولتراسونیک - از طریق ادغام چندوجهی، یک سیستم بینایی قوی‌تر ایجاد می‌کند. به عنوان مثال، دوربین‌ها در طبقه‌بندی اشیاء مبتنی بر رنگ عالی هستند، لایدار اطلاعات عمق دقیقی را در شرایط دید کم ارائه می‌دهد و رادار در تشخیص اشیاء در باران یا مه مؤثر است. با ادغام داده‌ها از این سنسورها، الگوریتم‌های هوش مصنوعی می‌توانند نقاط ضعف سنسورهای منفرد را جبران کرده و دید جامع‌تر و دقیق‌تری از محیط ارائه دهند.

نوآوری‌های اخیر در ادغام حسگرها بر ادغام پویا و بلادرنگ تمرکز دارند - تنظیم وزن داده‌های هر حسگر بر اساس شرایط محیطی. به عنوان مثال، در نور شدید خورشید، سیستم ممکن است بیشتر به داده‌های دوربین تکیه کند، در حالی که در مه، ممکن است داده‌های LiDAR و رادار را در اولویت قرار دهد. این رویکرد تطبیقی عملکرد مداوم را در سناریوهای متنوع تضمین می‌کند.

۳. یادگیری انتقالی و یادگیری چند نمونه‌ای: کاهش الزامات داده‌های آموزشی

آموزش مدل‌های یادگیری ماشین برای سیستم‌های بینایی SDR معمولاً به مجموعه داده‌های عظیم از محیط‌های شهری متنوع نیاز دارد که جمع‌آوری آن‌ها زمان‌بر و پرهزینه است. یادگیری انتقالی و یادگیری چند نمونه‌ای با اجازه دادن به مدل‌ها برای استفاده از دانش از پیش آموزش‌دیده از مجموعه داده‌های دیگر (مانند مجموعه داده‌های خودروهای خودران) و انطباق با محیط‌های جدید با حداقل داده‌های آموزشی اضافی، این چالش را برطرف می‌کنند.

به عنوان مثال، مدلی که بر روی مجموعه داده‌ای از خیابان‌های شهری از پیش آموزش دیده است، می‌تواند با مجموعه داده کوچکی از محله‌های مسکونی تنظیم دقیق شود تا با موانع و مسیرهای منحصر به فرد تحویل در آخرین مایل سازگار شود. این نه تنها هزینه و زمان آموزش مدل را کاهش می‌دهد، بلکه به SDRها اجازه می‌دهد تا به سرعت با مکان‌های استقرار جدید سازگار شوند - یک مزیت کلیدی برای مقیاس‌بندی عملیات.

4. استحکام در برابر آب و هوای نامساعد و نورپردازی

یکی از بزرگترین چالش‌ها برای سیستم‌های بینایی SDR، حفظ عملکرد در شرایط آب و هوایی نامساعد (باران، برف، مه) و شرایط نوری متغیر (غروب، شب، نور شدید خورشید) است. برای پرداختن به این موضوع، محققان در حال توسعه حسگرهای مقاوم در برابر آب و هوا و مدل‌های هوش مصنوعی هستند که به طور خاص بر روی مجموعه داده‌های آب و هوای شدید آموزش دیده‌اند.

به عنوان مثال، برخی از SDR ها اکنون از لنزهای دوربین آبگریز برای دفع آب استفاده می‌کنند، در حالی که سیستم‌های LiDAR مجهز به لنزهای گرم شونده برای جلوگیری از تجمع برف و یخ هستند. مدل‌های هوش مصنوعی نیز بر روی مجموعه داده‌های مصنوعی که شرایط آب و هوایی شدید را شبیه‌سازی می‌کنند، آموزش داده می‌شوند و این امکان را به آن‌ها می‌دهد تا اشیاء را حتی زمانی که داده‌های بصری توسط باران یا مه تحریف شده‌اند، تشخیص دهند. علاوه بر این، دوربین‌های حرارتی در برخی از سیستم‌های بینایی برای تشخیص عابران پیاده و حیوانات در تاریکی مطلق ادغام می‌شوند و ایمنی را بیشتر می‌کنند.

کاربردهای دنیای واقعی: چگونه SDR های پیشرو از سیستم‌های بینایی پیشرفته استفاده می‌کنند

تولیدکنندگان پیشرو SDR در حال حاضر از این سیستم‌های بینایی نوآورانه برای استقرار ربات‌ها در محیط‌های واقعی استفاده می‌کنند. بیایید به دو مثال برجسته نگاهی بیندازیم:

۱. Nuro: سیستم‌های بینایی سفارشی برای تحویل خودکار خواربار

نورو، پیشگام در ربات‌های تحویل خودران، یک سیستم بینایی سفارشی برای ربات R2 خود توسعه داده است که به طور خاص برای تحویل مواد غذایی و بسته‌ها طراحی شده است. R2 مجهز به مجموعه‌ای از دوربین‌ها، لایدار حالت جامد، رادار و سنسورهای اولتراسونیک است که همگی از طریق الگوریتم‌های پیشرفته هوش مصنوعی ترکیب شده‌اند. سیستم بینایی نورو برای تشخیص اشیاء کوچک و شکننده (مانند کیسه‌های مواد غذایی) و پیمایش در پیاده‌روهای باریک مسکونی بهینه شده است.

یکی از نوآوری‌های کلیدی سیستم بینایی نورو، توانایی آن در شناسایی و اجتناب از کاربران آسیب‌پذیر جاده، مانند کودکان و سالمندان است. این سیستم از تقسیم‌بندی معنایی برای ترسیم مسیرهای امن و پیش‌بینی حرکت اشیاء پویا استفاده می‌کند و از ناوبری ایمن در محله‌های شلوغ اطمینان حاصل می‌کند. ربات‌های نورو در حال حاضر در چندین شهر ایالات متحده برای تحویل مواد غذایی، وعده‌های غذایی و بسته‌ها به مشتریان مستقر هستند.

۲. استارشیپ تکنالوجیز: سیستم‌های بینایی فشرده برای تحویل شهری و پردیس

شرکت Starship Technologies در زمینه ربات‌های تحویل کوچک و برقی که برای محیط‌های شهری و دانشگاهی طراحی شده‌اند، تخصص دارد. ربات‌های این شرکت به یک سیستم بینایی جمع و جور مجهز هستند که شامل دوربین‌ها، LiDAR و حسگرهای اولتراسونیک می‌باشد و به آن‌ها این امکان را می‌دهد که در پیاده‌روها، گذرگاه‌ها و حتی فضاهای داخلی حرکت کنند.

سیستم بینایی Starship از هوش مصنوعی لبه (edge AI) برای پردازش داده‌ها در زمان واقعی استفاده می‌کند و به ربات‌ها اجازه می‌دهد تا در محیط‌های شلوغ تصمیمات سریع بگیرند. این سیستم همچنین برای بهره‌وری هزینه طراحی شده است و از سنسورهای آماده (off-the-shelf) در کنار الگوریتم‌های اختصاصی هوش مصنوعی برای پایین نگه داشتن هزینه‌های تولید استفاده می‌کند - که برای مقیاس‌بندی عملیات در سطح جهانی حیاتی است. ربات‌های Starship در حال حاضر در بیش از 20 کشور فعالیت می‌کنند و غذا، نوشیدنی و بسته‌ها را در محوطه دانشگاه‌ها و مناطق شهری تحویل می‌دهند.

چالش‌ها و روندهای آینده

در حالی که سیستم‌های بینایی SDR پیشرفت‌های قابل توجهی داشته‌اند، چندین چالش همچنان باقی مانده است که باید به آن‌ها پرداخته شود:

هزینه در مقابل عملکرد: متعادل کردن هزینه سنسورها و سخت‌افزار هوش مصنوعی با عملکرد، یک چالش کلیدی باقی مانده است. در حالی که LiDAR حالت جامد و تراشه‌های محاسباتی لبه هزینه‌ها را کاهش داده‌اند، نوآوری‌های بیشتری برای قابل دسترس کردن سیستم‌های بینایی پیشرفته برای تولیدکنندگان کوچک‌تر SDR مورد نیاز است.

انطباق با مقررات: بسیاری از مناطق فاقد مقررات شفاف برای ربات‌های تحویل خودکار هستند که می‌تواند استقرار را محدود کند. سیستم‌های بینایی باید برای برآورده کردن الزامات نظارتی آینده طراحی شوند، مانند اثبات توانایی تشخیص و اجتناب از انواع موانع.

امنیت سایبری: با افزایش اتصال SDRها، سیستم‌های بینایی آن‌ها در برابر حملات سایبری آسیب‌پذیر می‌شوند. اطمینان از امنیت داده‌های حسگر و الگوریتم‌های هوش مصنوعی برای جلوگیری از دسترسی و دستکاری غیرمجاز حیاتی است.

با نگاه به آینده، چندین روند برای شکل‌دهی به آینده سیستم‌های بینایی SDR آماده هستند:

هوش مصنوعی مولد برای تولید داده‌های مصنوعی: مدل‌های هوش مصنوعی مولد (مانند GANها) برای ایجاد مجموعه داده‌های مصنوعی در مقیاس بزرگ از محیط‌های متنوع استفاده خواهند شد، که نیاز به جمع‌آوری داده‌های دنیای واقعی را کاهش داده و امکان آموزش مدل‌ها بر روی سناریوهای نادر یا شدید (مانند آب و هوای نامساعد، موانع غیرمعمول) را فراهم می‌کند.

دوقلوهای دیجیتال برای آزمایش و بهینه‌سازی: دوقلوهای دیجیتال - بازتولیدهای مجازی از محیط‌های فیزیکی - برای آزمایش و بهینه‌سازی سیستم‌های بینایی SDR در یک محیط ایمن و کنترل‌شده استفاده خواهند شد. این امر به تولیدکنندگان اجازه می‌دهد تا هزاران سناریو (مانند جشنواره‌های شلوغ، مناطق ساخت‌وساز) را شبیه‌سازی کرده و سیستم‌های بینایی خود را قبل از استقرار اصلاح کنند.

سیستم‌های بینایی مشارکتی: SDRهای آینده ممکن است داده‌های بصری را از طریق اتصال 5G با یکدیگر و با زیرساخت‌ها (مانند چراغ‌های راهنمایی هوشمند، دوربین‌ها) به اشتراک بگذارند. این رویکرد مشارکتی یک "دیدگاه مشترک" از محیط ایجاد می‌کند، آگاهی موقعیتی را افزایش می‌دهد و ربات‌ها را قادر می‌سازد تا سناریوهای پیچیده را به طور مؤثرتری هدایت کنند.

نتیجه‌گیری

سیستم‌های بینایی، ستون فقرات ربات‌های تحویل خودران هستند و به آن‌ها امکان می‌دهند تا در محیط‌های پیچیده و غیرساختاریافته لجستیک آخرین مایل، با ایمنی و کارایی بالا حرکت کنند. از طریق ترکیب حسگرهای پیشرفته (دوربین‌ها، لایدار، رادار) و الگوریتم‌های هوش مصنوعی (محاسبات لبه، یادگیری انتقالی، تقسیم‌بندی معنایی)، سیستم‌های بینایی مدرن SDR بر چالش‌های منحصر به فرد محیط‌های کم‌سرعت و پر از عابر پیاده غلبه می‌کنند. نوآوری‌هایی مانند هوش مصنوعی لبه و ترکیب حسگرهای چندوجهی، این سیستم‌ها را قابل اعتمادتر، مقرون‌به‌صرفه‌تر و مقیاس‌پذیرتر می‌کنند و راه را برای پذیرش گسترده SDRها در شهرها و محله‌های سراسر جهان هموار می‌سازند.

با ادامه تکامل فناوری - با ظهور هوش مصنوعی مولد، دوقلوهای دیجیتال و سیستم‌های بینایی مشارکتی - سیستم‌های بینایی SDR حتی قوی‌تر و تواناتر خواهند شد. آینده تحویل در آخرین مایل، خودران است و سیستم‌های بینایی در خط مقدم این تحول قرار خواهند گرفت و نحوه دریافت کالا و خدمات را در زندگی روزمره ما بازتعریف خواهند کرد.

ربات‌های تحویل خودران، تحویل آخرین مایل، سیستم‌های بینایی

تماس

اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.

درباره ما

محصولات

درباره ما

پشتیبانی

+8618520876676

+8613603070842

اخبار

leo@aiusbcam.com

vicky@aiusbcam.com

WeChat