Fulfillment : Läutet Amazon das Ende des Barcodes ein?

Seit fast 50 Jahren ist der Barcode nun bei Amazon im Einsatz. "Er ist allgegenwärtig und so gut wie unfehlbar", schreibt Amazon in seinem Science-Blog. Das sei aber nicht genug, so das Unternehmen weiter.

Denn wenn ein Artikel in einem Amazon-Fulfillment-Center eintreffe, überprüfen die Mitarbeiter die Identität des Artikels an verschiedenen Stellen auf dem Weg zum Lieferfahrzeug. Jedes Mal müsse der Artikel in die Hand genommen, der Barcode lokalisiert und gescannt werden. Manchmal sei der Barcode beschädigt oder fehlt sogar.

Dieser Vorgang wird bei einem riesigen Katalog von Artikeln unterschiedlicher Form und Größe millionenfach wiederholt und lässt sich nicht ohne weiteres automatisieren. Zurzeit gibt es keinen Roboter, der so vielseitig ist, dass er jeden Artikel, der in ein Lager kommt, manipulieren und dann scannen kann. "Die Lösung?", fragt Amazon im Beitrag. "Den Barcode ergänzen oder sogar abschaffen. Oder, noch besser, die Abhängigkeit von der umständlichen und ineffizienten manuellen Identifizierung von Artikeln ganz abzuschaffen."

Amazon erforscht genau das mit der multimodalen Identifizierung (MMID). Dieser Prozess nutzt mehrere Informationsmodalitäten - zum Beispiel die Extraktion des Aussehens und der Abmessungen eines Artikels aus einem Bild dieses Artikels - um die Identifizierung zu automatisieren.

Lesen Sie auch zum Unternehmen:
Post und Amazon investieren Millionen in ihre heimischen Logistikzentren >>

Wie ein Roboter individuelle Produkte erkennt >>

Amazons Lieferroboter Scout performt nicht wie erwartet >>

Amazon setzt MMID bereits in den Fulfillment-Zentren in Hamburg und Barcelona ein. Dort wird es auf Förderbändern eingesetzt, um Tablare zu kennzeichnen, die nicht mit den von Amazon als virtuell-physikalisch bezeichneten Artikeln übereinstimmen - Fälle, in denen die Artikel in einem Tablar nicht mit den vom Inventarsystem aufgelisteten übereinstimmen. Solche Abweichungen seien zwar selten, aber bei Amazons Größe summieren sie sich.

"Unsere Vision ist es, dies für die Robotermanipulation zu nutzen", sagt Nontas Antonakos, Applied Science Manager in Amazons Computer Vision Group in Berlin, der das MMID-Team leitete, als das Konzept ursprünglich konzipiert und umgesetzt wurde. "Dieses Problem zu lösen, so dass Roboter Artikel aufnehmen und verarbeiten können, ohne einen Barcode finden und scannen zu müssen, ist von grundlegender Bedeutung. Es wird uns helfen, die Pakete schneller und genauer zu den Kunden zu bringen. Und MMID ist ein Eckpfeiler, um dies zu erreichen."

Das Team wollte zunächst einem Algorithmus beibringen, einen Artikel mit seinem Foto abzugleichen. Es gab jedoch keine konsequenten Bemühungen, Bilder von Artikeln zu machen, wie sie in den Abwicklungszentren auftauchten, so dass keine Trainingsdaten verfügbar waren. Der erste Schritt bestand darin, einfach Fotos von Produkten zu machen, während sie sich in den Fulfillment-Zentren über die Förderbänder bewegten, und so eine Bibliothek von Bildern anzulegen.

Jedes Bild wurde dann in eine beschreibende Liste von Zahlen oder einen Vektor übersetzt. Die Abmessungen des Artikels wurden ebenfalls in einen Vektor umgewandelt. Die Forscher entwickelten dann Algorithmen für maschinelles Lernen, um diese Vektoren zu extrahieren und sie mit den entsprechenden Vektoren der in Frage kommenden Artikel abzugleichen. Das Team nutzte die Möglichkeiten des Deep Learning - und war überrascht über die hohe Trefferquote bei den ersten Experimenten: Sie lag zwischen 75 und 80 Prozent.

"Das war ein großer Schritt für uns", sagt Antonakos. "Wir erkannten, dass wir etwas hatten, in das es sich zu investieren lohnt." Nach umfangreichen wissenschaftlichen Investitionen erreicht MMID derzeit Trefferquoten von nahezu 99 %.

Diese hohen Trefferquoten sind zum Teil darauf zurückzuführen, dass Amazons Bestandssysteme genau wissen, wo sich jeder Artikel bei jedem Schritt des Erfüllungsprozesses befindet. Der Algorithmus muss einen Artikel nicht mit dem gesamten Amazon-Katalog von Hunderten von Millionen Produkten abgleichen - eine derzeit unmögliche Aufgabe. Jeder Artikel stammt aus einem bestimmten Behälter, und jeder Behälter enthält ein paar Dutzend Produkte. Der Algorithmus muss also einen Artikel nur mit dem Inhalt eines einzigen Behälters abgleichen.

Die MMID-Technologie wurde zunächst in einem Fulfillment-Center in Stettin (Polen) erprobt, wo eine Kamera über einem einzelnen Förderband positioniert war und Bilder von "vereinzelten" Behältern machte - Behältern, die nur einen Artikel enthalten. Diese Einzeltabletts sind ideal, da es einfacher ist, ein einzelnes Produkt zu identifizieren, als zu versuchen, mehrere Produkte zu unterscheiden und dann jedes einzelne zu identifizieren.

Außerdem tauchen die einzelnen Schalen früh genug im Erfüllungsprozess auf, so dass "wir den Fall vermeiden, dass die Artikel bis zum Ende des Prozesses durchgelaufen sind und sich jemand um den Fehler kümmern muss", sagt Doug Morrison, ein Robotics AI-Wissenschaftler, der in den letzten zwei Jahren intensiv an dem Projekt beteiligt war. "Wir können dann den falschen Artikel einfach wieder in das System an seinen richtigen Platz zurückführen."

Die Verwendung der MMID-Sensorplattform in dieser Phase hat auch den Vorteil, dass sie nicht in das System eingreift: Wenn das System eine Abweichung feststellt, kann der Fehler behoben werden. Liegt keine Abweichung vor, unterbricht der Prozess die Linie nicht.

In der Zwischenzeit fügen die Kameras der Bibliothek der Bilder mit jedem vorbeifahrenden Artikel kontinuierlich neue hinzu.

"Diese Daten verwenden wir später, um das System zu verbessern", sagt Anton Milan, ein leitender Wissenschaftler bei Amazon, der das Projekt in den ersten zwei Jahren wissenschaftlich geleitet hat. "Wir erhalten die Daten kostenlos und unterbrechen keine Prozesse".

Dieser Lernprozess ist von entscheidender Bedeutung. Bei der Einführung von MMID gab es zum Beispiel eine unerwartete Herausforderung, die zum Teil auf eine Prime Day-Aktion zurückzuführen war. Mehrere hundert Echo Dots verließen stündlich das Fulfillment Center und waren in zwei Farben erhältlich: grau und blau. Der Algorithmus konnte sie nicht auseinanderhalten.

"Abgesehen von dem Strichcode, den wir nicht sehen konnten, war die Verpackung fast identisch", sagt Morrison. "Es gab ein winziges Bild eines blauen oder grauen Punktes, und unser System war verwirrt".

Das führte zu einer neuen und wichtigen Funktion: eine Vertrauensbewertung, die jede Identifizierung begleitet. Eine hohe Punktzahl signalisiert eine mögliche Nichtübereinstimmung und ist gleichbedeutend mit: "Lassen Sie das Fach nicht durch", sagt Morrison, während eine niedrige Punktzahl gleichbedeutend ist mit: "Ich bin mir bei diesem Fall nicht sicher, unternehmen Sie nichts."

In Zukunft könnte MMID auch in andere Komponenten des Fulfillment-Prozesses integriert werden, obwohl es dafür einige Hindernisse gibt. Auf einem Förderband sind die Beleuchtung und die Geschwindigkeit des Artikels relativ kontrolliert und konstant. Wenn eine Person einen Artikel in die Hand nimmt, gibt es viel mehr Variablen, um die Identifizierung in der Hand durchzuführen. Die Hand des Mitarbeiters kann die Erkennung des Artikels erschweren, je nachdem, wie er ihn hält. Wird ein Gegenstand von der linken in die rechte Hand weitergegeben, muss er außerdem schneller erkannt werden. Robotikforscher arbeiten daran, diese Herausforderungen zu meistern.

"Die Vision, MMID im gesamten Fulfillment-Prozess einzusetzen, um die Automatisierung durch Roboter zu beschleunigen und zu ermöglichen, wird erreicht werden", sagt Antonakos, "und wenn dies der Fall ist, wird es ein weiterer Schritt auf unserem Weg sein, Pakete schneller und genauer zum Kunden zu bringen."