智慧仓内的智能算法应用现状综述

图片来自“123RF”

一、引言

随着物联网技术、移动互联技术、RFID、机器人等技术的发展和应用，物流业迎来了智慧物流时代。智慧物流以自动化、智能化、信息化和网络化为主要特征，能够实现物流各个环节的高效率运转。

仓储作为物流中的最重要一环，对智慧物流整体运作性能的发挥起着举足轻重的作用。传统仓库是劳动力密集型的作业模式，需要大量人力、效率低、易出错、人工成本高;智慧物流中的仓储实现了翻天覆地的变化，通过应用大量实时感知技术、信息处理技术以及人工智能技术实现了仓储的智能化，解放了大量的人力、物力，大大提高了运作效率和订单实时响应能力。

国内外知名电商企业都已率先实现了智能仓储，如亚马逊投入KIVA机器人实现无人仓，京东的“亚洲一号”，阿里巴巴旗下的菜鸟网络，都在部署智能仓储，实现了仓储运作效率质的飞跃。京东的“北京亚洲一号”借助shuttle智能系统，创造了“3人单日拣货24000件”的记录，运营效率是传统仓库的五倍;“广州亚洲一号”日出库总量100万单，创国内单体库房最高记录;“昆山亚洲一号”日分拣能力超过100万个包裹。南京苏宁云仓物流中心的智能仓库控制系统实现了日处理包裹最高可达181万件，拣选效率每人每小时1200件，仓储员工数从3000人削减到500人，大大节约了人力成本。有关媒体在菜鸟网络智慧仓内与传统仓内同时测试结果表明，一个传统仓内的拣货员，在7个半小时的工作时间内，行走了27924步，拣货1500件，已接近人工拣货极限。而一个智慧仓内的拣货员仅需行走2563步，拣货却高达3000件。这个数值还不是智慧仓的最高值。同时，据麦肯锡咨询公司估计，由于人工智能技术的应用，美国将有3900-7900万的工作消失，英国也将有近20%的工作消失。

智慧仓相对传统仓如此高的优势，其根本原因在哪里呢?到底什么样的仓库属于智慧仓?智慧仓的“智慧”又是怎么实现的?本文将就这两个问题展开讨论。

二、智慧仓的定义

首先需要界定什么是智慧仓储?目前尚无统一定义，国内外学者的见解大致如下。

国外以英国和德国的研究居多，对智慧仓的观点与英国学者Mahroof的观点一致，即：智慧仓储是指在传统仓库中应用了人工智能技术后的仓储模式，这些人工智能技术包括机器人和机器学习等。

北京交通大学的杨松认为智慧仓储系统是由仓储智能设备系统、电子信息识别系统、智慧控制系统、电子监控系统、信息管理系统等多个子系统组成的智能执行系统，具有对信息进行智能感知、处理和决策，对仓储设备进行智慧控制和调度，能自动完成仓储作业的执行。

华东交通大学的张秋淼认为智能仓储系统是指设计改进仓储的设施、业务系统、行为规范和标准，通过科学合理规划，构建由现代化智能设备打造的仓储网络，进行仓储业务的统一管理和调度，实现仓储管理的自动化和智能化。

综上所述，可以看出智慧仓储是综合运用了包括硬件和软件在内的各种智能技术、从而实现仓储作业的智能化，能够做到“自感知、自学习、自诊断、自决策、自恢复”，实现对仓储物资的全程监控和仓储管理决策的智能化。其中，硬件包括智能仓储设备、智能机器人和各种物联网传感设施的部署，软件包括仓储管理系统，实现对仓储的智能控制，后者尤其是智能仓储系统运作的核心。

三、智慧仓中的智能算法应用现状

仓储作业过程中会产生大量的订单信息、货物信息、存储信息、设备信息、控制指令信息等，信息的数量庞大、种类繁多、动态性强，智慧仓储系统的“智慧”就是通过运用信息识别技术、智能算法和决策优化等技术，对仓储内这些信息进行智能感知、智能处理和智能决策，从而实现高效的仓储作业流程，实现电子商务时代对订单的及时响应。其中，智慧仓库的“智慧”核心就是大量先进的智能算法的应用，这些智能算法能够有效地处理大量的、种类繁多的仓储信息，提高信息的处理效率，做出的智能决策能够降低人为操作带来的错误和误差，提高操作的准确性和及时性，实现对仓储各个环节的智能控制，使得仓储设备具有学习能力、适应能力、决策能力和组织能力。

仓储中的核心决策包括：储位分配、货位动态分配、订单分配、拣选路径规划、装箱等，传统仓储中主要靠人的主观经验做决策，而智慧仓的决策却是依靠智能算法，所以本文将对各决策问题的智能算法应用现状进行综述。

1.储位分配中的智能算法应用现状

智慧仓在存储和保管商品过程中，会综合考虑货物重量、出入库频率、出入库时间、市场需求变化和仓储设备能力等方面的因素，动态规划储位，以便快速响应订单的需求，提高仓储作业效率，降低搬运和存储成本，减少搬运过程中货物的损耗。

储位优化是指在选定的库址上，通过分析物料的接收、存储、出库等整体过程及各活动的关系，根据仓库所处的地理位置、其规模的不同、存放货物的特性及仓储的技术条件等多种因素安排其流程、路径与时序，求得各种物料、设备及人员操作所需的空间需求，通过调整各活动位置与空间，使物料、机器、人员等获得最合理位置与操作方法。仓位优化的目标常常包括：最大限度地减少货品的搬运次数和时间、缩短在库操作周期、有效利用空间、人员和设备、投资成本最低、工作条件最适宜等。

储位分配问题可以这样描述：假设仓库中有n种物品，需要分别存放在n个储位上，储位编号1，2，…，n，配货点用0表示。在过去一段时间内已有m个订单从仓库中拣选出库，每个订单又包含若干种物品，每个订单拣选一次，问如何分配n种物品的储位，才能使未来一段时间内订单拣选效率最高。

常用的储位分配策略包括：随机储位分配策略、最近储位分配策略、固定储位分配策略和基于货物周转率的分配策略。

智慧仓储在处理储位分配问题时，会根据订单等历史数据挖掘出物品之间的关联关系，这样在补货时将存在需求关联的物品存储在相同或相邻的拣货区货位中，可以缩短订单拣选时的行走时间，达到提高拣选效率的目的。一般采用数据挖掘技术，最典型的方法是聚类分析方法。聚类分析基于“物以类聚”思想，将数据样本进行归类，目的是挖掘出数据的内在联系，为进一步的数据分析提供支持。聚类分析的基本原则是使得同一类中任意两个数据样本之间的关联程度要大于其他类中的数据样本。

常用的聚类分析算法如K-means法、基于图论的聚类算法和谱聚类算法、基于密度和网格的聚类算法、层次聚类算法、模糊聚类算法等。国内外学者在求解储位分配问题时基本上采用了聚类算法为核心的方法。例如，德国耶拿大学Weidinger提出了启发式二进制搜索算法，证明比随机分配储位策略要好。山东大学吴耀华教授的研究生包子敏对门诊药房的药品储位分配问题进行优化，提出了动态聚类算法进行求解;吴教授的另一个研究生王震对多载货台堆垛机自动化仓储系统的储位分配问题，混合蚁群算法和聚类算法，提出了蚁群聚类算法分配货位，并证明优越于基于最近货位分配策略的储位分配结果，能够提高自动存储效率;邹霞也是吴教授团队的博士研究生，提出了基于节约时间的多层次启发式聚类算法，对AS/RS系统的储位分配进行优化。

对于平库和立体库，库区和货位的动态分配的实现方式也有所区别。平库的货位优化主要体现在移动货架的动态调整，机器人会托运移动货架，按照聚类的结果将货品的货架移动到相应位置，以便减少仓储机器人后续拣选作业的总时间。立体库的货位优化主要靠堆垛机的上下左右移动实现货物位置的调整，目的也是减少堆垛机的运行距离和时间，提高效率的同时降低能耗。

2.货位动态分配中的智能算法应用现状

货位动态分配是指在给定储位布局前提下，如何存储货物能够使得货物的出入库效率高、仓库货架稳定等。按照作业方式可以将货位动态分配分为入库货位动态分配和出库货位动态分配两个问题。

入库货位动态分配问题是指结合仓储目前的存储现状，确定货位分配的策略及优化原则，给待入库的货物安排最恰当的货位。入库货位分配常常需要考虑的原则有同类货物相邻原则、提高出入库效率原则以及货架稳定性原则等。所以一般的入库货位分配优化问题常常将这三个原则作为优化目标建立优化模型。

出库货位动态分配问题是在收到出库订单后按照订单信息选择合适的货物位置，不同的位置对应着不同的出库行走路径。影响出库作业效率的因素主要有出库路径规划、货位分配、叉车和工人的作业效率等。

无论是入库货位动态分配还是出库货位动态分配问题，都是一个典型的组合优化问题，可以用智能算法进行求解。

国内外学者对于货位动态优化问题展开研究并取得丰硕的成果，例如中国科学技术大学的段悦针对某农资仓库存在的问题，分别研究了入库货位分配策略和出库分配策略，建立了多目标优化模型，设计了入侵杂草算法，并与粒子群算法和遗传算法进行了对比，证明所提算法的优越性。沈阳工业大学侯景超研究了机电设备公司仓储系统，利用改进的遗传算法对仓储系统动态货位优化。西南交通大学的杜轶波针对危化品的存储货位分配问题，利用滚动时域策略分阶段解决货位分配问题。河北工业大学刘志帅结合一个具体仓库的运行现状，建立了以拣选作业人员的人体能耗最小的货位优化模型，采用贪婪算法求解了模型。

近年来，自动化立体仓库的货位分配优化是一个研究热点。自动化立体库存货和取货有多种启发式规则可以使用，对于入库货位分配，有先到先服务规则，即按照先后顺序安排货物到最近的空位上;对于出库货位分配，有具有最长等待时间的随机取货、最近邻居、应急最近邻居取货规则等。结合这些启发式规则，已有大量研究将其集成到某种智能算法形成混合算法，用于优化自动化立体库的货位分配优化问题。例如，清华大学贾煜亮对单元货格式自动化立体仓库中的货位实时分配问题进行了研究，分别研究了入库分配货位优化和出库选择货位优化问题，将模拟退火算法和遗传算法混和对问题进行求解。

兰州交通大学的王厅长针对双深式自动化立体仓库货位优化问题，建立了以货架稳定性高、存取作业效率高为目标的货位优化模型，并设计了病毒遗传算法进行求解。昆明理工大学杨湛通过遗传算法和粒子群算法的思想对立体仓库的货位进行优化。浙江工业大学的姚俊针对智能立体仓库货位分配问题，考虑货物重量、出入库频率和出入库时间等因素，以货架重心低、出入库频率高、货物离出入库口近等原则建立货位分配优化模型，提出了一种基于精英多策略差分进化算法的货位分配优化方法。陕西科技大学的党培针对AS/RS的入库货位分配优化问题，利用多色集合及粒子群算法进行求解。东华大学的袁培培针对巷道作业平衡优化问题，提出了双亲混合遗传算法。南京工程学院李小笠等人研究了小型立体库的货位分配策略，考虑了存储能耗、货架稳定性和运行效率，建立仓库货位分配优化数学模型，提出嵌套分区算法进行求解。

昆明理工大学的郑雪梅研究了某卷烟厂配送中心的自动化立体库货位分配问题，考虑了存取作业效率、货架稳定性以及同类产品相邻储存不同类产品均匀分布的货物存储原则，采用遗传算法求解货位优化模型。东华大学的梁博针对动态货位分配的优化问题，提出了二进制的粒子群算法和遗传算法，并通过实验结果证明二进制粒子群算法优越于遗传算法。南京工业大学的江唯将效率、离散度、重力对货位优化的影响程度转化为权重，并在此基础上建立了以提高周转效率为最终目标的货位优化模型，提出了基于自适应免疫遗传算法的货位优化决策方法。

3.订单分配中的智能算法应用现状

“货到人”的智慧仓储是近年来出现的一种新型高效的配送中心仓储模式。由机器人代替人工完成仓库内部的拣货工作，能够大大提高拣货效率。那么，智慧仓库中大量拣货机器人的使用，如何协调多个机器人完成多项任务是影响仓储效率的关键要素之一。这就是智慧仓内的订单分配问题，又称为拣选任务分配问题，它是指在特定条件下，将未完成的订单任务合理分配给拣选机器人，以实现整体执行效果最优。

任务分配的好坏对智慧仓储的整体效率有着直接且重要的影响，所以国内外学者对其进入了深入系统的研究，并形成了一些优秀的算法。

1990年，该问题就被美国德克萨斯大学达拉斯分校的Du等人证明属于NP难题，所以对该问题的研究基本上都是基于启发式方法和智能算法。例如，德国马格德堡大学的Henn先后研究了迭代局部搜索算法和基于属性的爬山算法求解任务分配问题的效果，并成功将二者集成，形成混合算法;中国台湾辅仁大学的Chen等人提出了遗传算法和蚁群算法的混合解决方案，遗传算法用于产生问题的近优解，蚁群算法用于对遗传算法的解进行评估;印度Thiagarajar工程学院的Elango等人提出了基于K-means聚类及拍卖机制的任务分配算法，同时考虑了总路程最短和机器人之间的分配平衡两个目标。

北京物资学院李文玉设计了快速求解模型的启发式算法。长春工业大学的史朋涛研究了适用性较好的蚁群算法和遗传算法，对订单中货物需求量比较大的订单，设计了用于订单分割的遗传算法，对于分割后的子订单和小订单的备货路径优化问题，设计了多目标的动态蚁群算法，证明了蚁群算法要比遗传算法优越。西班牙胡安卡洛斯国王大学的Menéndez针对订单任务分配问题，结合启发式规则提出了变邻域搜索算法，并与已有算法进行了对比，证明针对此类问题变邻域搜索算法是迄今为止最好的算法。

4.拣选路径规划中的智能算法应用现状

据英国学者估计，订单拣选所耗成本为整个仓库作业成本的55%。所以拣选路径规划成为智慧仓库改造重点。这是仓库中最复杂、也是最重要的一个环节，有句话说得好“赢在拣选就赢在仓库”，高效率的拣选是提高商品出库的重要保障。

拣选路径规划问题是指对每个订单，如何合理确定拣货员或拣货机器人对货物拣选的顺序，以实现拣选时行走距离短或者损耗的时间最少。在仓储机器人数量充足的智能仓库系统中，仓储机器人的数量多于每批订单中的任务个数。因此，仓储机器人数量充足的多机器人任务分配问题，相当于一个非平衡指派问题。仓储机器人数量不足的多机器人任务分配问题，属于一个典型的调度问题。

人工拣选时常用的是基于简单路径规则的启发式算法，如S型路线、返回型路线、中点返回型路线、最大间隔型路线、混合型路线等。不同的拣选路径策略在不同的前提条件下有不同的最优效果，这个前提条件包括货位的指派方式、存储区的形状以及每条拣选通道上拣选货物的密度。已有研究表明货物拣选密度小于3.8时，最大间隔型路线最优;大于3.8时，S型路线最优化。

绝大多数的智慧仓内都布置了机器人负责拣选工作，那么路径规划针对的是多个机器人在场地内运动时，如何为每个机器人确定运动的轨迹，使得所有机器人都能尽快到达任务的目的地。而交通控制算法则是为了防止机器人之间可能的碰撞、防止部分区域出现机器人拥堵。

这方面的研究成果比较丰富。

例如，北京物资学院李文玉分别研究了机器人数量充足和不足情况下的拣货路径规划，提出了启发式方法，研究成果应用在某网上书店智能仓库系统中。

北京物资学院的刘少华针对鱼骨布局下拣选路径问题分别设计了遗传算法、蚁群算法和布谷鸟算法进行求解，结果证明，在拣选点数量在20以内时，三种算法都可以找到最优解，当拣选点数量大于20时，蚁群算法和布谷鸟算法优化效果好于遗传算法。浙江大学邱歌针对智能仓储中多AGV运作可能引发的碰撞、死锁、运行低效等问题，从地图构建和调度算法两方面探索设计，前者将系统资源合理分配设置来预防可能导致的死锁，而后者通过优化调度和资源锁控制避免了AGV之间的碰撞。中国科学院大学的张丹露研究了基于A*算法多机器人动态路径规划问题，提出了基于交通规则的改进A*算法，从根本上解决了多机器人交通拥挤堵塞问题。北京邮电大学的高小杰以KIVA系统的仓储布局为例，研究了仓储系统中多机器人小车的路径规划问题，提出了改进人工鱼群算、遗传算法以及A*算法。中北大学的潘成浩针对如何实现多仓储物流机器人在拣选作业的过程中进行高效实时的路径规划问题，提出了以遗传算法和A*算法相结合的求解思路。西南交通大学的张涛在实现经典A*算法基础上，从减少路径转角次数的角度出发对A*算法进行转角约束，同时为减少多机器人在仓储环境中运行时可能发生的碰撞，引入单行道约束对规划的路径进行限制。山西农业大学的冯晨钟提出了改进遗传算法，求解多机器人的路径规划问题。南京理工大学的王健认为无人车的路径规划问题可分为：基于环境先验信息已知的全局路径规划和基于不确定环境信息的局部路径规划。针对全局路径规划问题，以A*算法为基础，提出基于拓扑优化环境模型的改进A*算法;针对局部路径规划问题，采用了人工势场法。东华大学杜永华提出了拣选作业的二进制粒子群算法和遗传算法，证明前者比后者优越。湖南工业大学的丁建文改进了A*算法，也提出了改进萤火虫算法。西安科技大学针对危化品仓储，提出遗传贪心算法，构建了稀土金属仓库移动巡检系统，并针对易爆炸特征，设计了改进极限学习机算法的仓库温度动态预测方法。

除了算法方面，“货到人”的机器人拣选系统也有很多产品开发出来，如亚马逊的KIVA机器人、Swisslog的CarryPick系统、阿里巴巴的菜鸟小G机器人等等，这些机器人能够快速拣选货物，其内在的智慧就是上述智能算法。

针对立体库中穿梭车的路径规划问题，也有一些学者做了探索，例如，南京理工大学江唯针对环形轨道穿梭车调度问题提出了一种基于规则的遗传算法，达到了优化调度结果、提高运算效率的目的。浙江工业大学的鲁建厦研究了子母穿梭车密集仓储系统复合作业三维路径规划问题，提出了混合智能水滴算法，实现了更好的全局搜索能力和更高的收敛速度，降低复合作业设备的碳排放成本，优化了三维空间路径，提高了出入库效率。

从上述的文献综述上来看，在机器人路径规划问题上，应用最多的是蚁群算法和A*算法，A*算法是一种启发式规则，全局寻优能力较差，一般是将其结合到全局寻优算法中，形成混合算法。

5.装箱作业中的智能算法应用现状

菜鸟智能装箱算法被写入阿里巴巴“黑科技”，自从投入使用以来，由于大大提高了满箱率，真正做到了节约成本和保护环境。目前已累计优化超过5亿个包裹，相当于节省了1.15亿个邮政6号纸箱，减少超过1.5万吨的碳排放量，一个仓库仅此一项可以节省数万成本。菜鸟装箱算法通过大数据分析，根据一个订单中所有商品的特性，比如长宽高、可否堆压等，能够快速推荐出最优的箱型和智能装箱方案，打包员只要按图操作即可，方便快捷，不但节省可包装成本，还提高了包装效率。那么智能装箱算法的背后，到底应用了哪些人工智能技术呢?

首先，我们给出智慧仓中装箱问题的描述：有t种不同规格的箱子，每种规格的箱子尺寸分别为：宽度为Wj，长为Lj，高为Hj(j=1,2…,t)，成本为Cj。现有一个订单，内含n种矩形物品，第i种物品的属性包括三维尺寸li、wi、hi，重量di和其他属性(如是否可堆压、有无气味等)，同种物品有mi个(i=1,2,…,n)，同种物品所包括的所有物品属性相同。求装纳这些物品所需要箱子成本最低，并需要给出订单中的物品在选定箱型中的布局方案。

按照装箱物体所属装箱空间可把装箱问题分为一维装箱问题、二维装箱问题、三维装箱问题，其中三维装箱问题可以看作是一维、二维装箱问题的一个泛化。按照装箱物体的形状可以把装箱问题分为规则物体的装箱和不规则物体的装箱，规则物体是指具有规则外形的物体，不规则物体是指具有任意几何形状的物体。按照装箱物体达到情况可把装箱问题分为在线装箱问题和离线装箱问题，如果装入一个物品时，只利用这个物品前面物品的信息，而不知道后继物品的任何信息，即按照物品到达顺序随到随装，则称该类问题为在线装箱问题;若物品装载以前就已得到所有物品信息，之后统一处理所有物品，则称该类问题为离线装箱问题。按照装载过程是否有惩罚值装箱问题可分为带拒绝装箱问题和不带拒绝装箱问题，如果在装载过程中待装载物品没有被放在箱中而产生惩罚，这种情况下的装箱问题是带拒绝装箱问题，反之为不带拒绝装箱问题;按容器数目分为单容器装载问题和多容器装载问题。

装箱问题是一个组合优化问题，在理论上属NP-hard问题。由于目前NP完全问题不存在有效时间内求得精确解的算法，装箱问题的求解极为困难的，在20世纪70、80年代陆续提出的装箱算法都是各种近似算法，如下次适应、首次适应、降序下次适应和调和算法等。近几年装箱问题的研究方法主要有线性规划法、动态规划法、传统启发式方法及现代启发式方法(如模拟退火算法、禁忌搜索算法、遗传算法)等等。

装箱算法设计中应用较多的是垂直“层”或“墙”的概念。使用“层”来生成摆放模式的基本思路是：通过生成垂直的互不相关的包含多种物品的层，由这些层来组成完整的布局模式，层内单个物品的摆放方式不同的算法有各自的规定。新西兰坎特伯雷大学的George和Robinson首先针对装箱问题提出了“层”的启发式方法。英国威尔士大学的Bischoff和Marriott比较了14种基于“层”的方法。因为层与层之间互不关联，独立存在，所以一个完整的布局模式中，这些层的顺序可以任意调整，能够更容易地满足一些约束，比如对重心的要求。

后来，Bischoff等人针对多种物品单托盘装载问题(只考虑空间和稳定性约束)，从托盘缺少可用于支撑的垂直壁的特点和由底向上的摆放方式出发，提出了基于“平面”的算法。由底向上每次只放入一层最多由两种物品组成的水平层，迭代填充和生成平面、水平层，获得有效且具有高稳定性的布局模式。

德国哈根远程大学的Gehring和Bortfeldt引入了“塔”的概念，算法的基本思路是先用待装物品生成许多塔，生成一个由互不关联的塔组成的集合。然后将这些塔按设定的一系列规则放入目标容器，生成完整的布局模式。在具体设计规则时根据需要考虑不同的约束。最后使用遗传算法求出最优解。该算法在物品摆放稳定性方面表现不错，对物品种类少或多的情况均适用。

与“塔”和“层”的概念不同，德国卡塞尔大学的Michael Eley设计了基于同类“块”的算法，完整的布局模式是由这些同类“块”组成的，而“块”则是由完全相同的物品(物品属性和摆放方向均相同)组成的多层结构。算法用贪婪算法生成初始解，然后用分支定界法改善，在搜索树的点时采用最佳搜索策略，即只选择具有最佳评价值的结点作为下一步的拓展结点。该算法在容器空间利用率和物品稳定性方面表现较好。另外，由于块与块之间不关联的特点，可以很好地满足重心约束。

北京科技大学李昱蓉借鉴“金角银边草肚皮”的思想提出的最大穴度算法也很有效，其基本思想是：在某一时刻，已经按放置规则向箱子中放置了若干物品，那么对还未放入的物品，按照穴度大小来放，即：放进箱子的物品始终占据由三个先前已放进箱子的物品所形成的角，并且放置动作的穴度还要尽可能地大;若有多个穴度最大的动作，就挑选边度最小的动作(边度体现了放进箱子中各物品所形成布局的规整程度)。这样一来，放进箱子的诸物品就抱得非常紧凑，从而提高了箱子的积载率。

综述所述，国内外学者提出的装箱算法，基本上的求解思路都是在智能算法的框架内集成某些启发式规则。

四、我国智慧仓的应用实例

随着我国电子商务的蓬勃发展，智慧仓的建设也如火如荼，并初具规模。京东在全国各地的15个“亚洲一号”就是最成功的应用，据京东方面介绍，目前京东的存储效率是传统横梁货架存储效率的5倍以上。京东昆山分拣中心的分拣能力可以达到9000件/小时，供包环节的效率提升了 4倍，在同等场地规模和分拣货量的前提下，每个场地可节省人力180人。无人机则能够将传统人工配送的时间缩短数倍甚至数十倍，物流成本也随之降低。

除了电商行业，各行各业都在探索智慧仓储的升级改造。电力行业方面，通过实施智慧仓储项目，可帮助电力企业减少库存10%～20%，提升库存空间利用率 10%，降低劳动力成本10%～40%，减少保管不善损失50%，提高库存作业准确率70%，达到电厂整体物资管理水平提升的目的，预计每年可节省 10 ～15 万元的管理费用。军队方面，已有军民融合军需智慧仓储系统，它是为解决目前军需战备物资数量规模大且管理难、库存管理手段落后及信息模糊滞后等问题，基于物联网技术及相关的软硬件设备提出一种军民融合式军需智慧仓储系统框架，实现了在保证军队储备军事目的前提下，以军需物资通用性为方向进行探索的军地一体化储备管理。

就地区分布而言，东南沿海地区走在了我国智慧仓建设的最前沿，如柏亚与广东省物流行业协会、南方物联网信息中心共同建设的“柏亚仓”。首期工程将运用于“塑料原材料、薄膜”的仓储物流与金融商贸，为包括中石化、中石油、中海壳牌石油化工、韩国 SK 化工、新加坡埃克森(美孚)公司、LG 宁波乐金甬兴化工等上游企业，以及海西经济区大型塑料终端、批发等下游客户提供“智慧物流”服务。海康机器人为其量身定制智能化仓储物流解决方案，该系统在海康威视桐庐生产基地应用以来，能够满足基地日产值亿元的仓储及内物流需求。与传统人工库操作相比，使用海康威视智能仓储系统，成品库节约人力约58%，提升工作效率84%，在节约生产成本的同时，大大地提高了生产效率。智能仓储在威海也正处于加速发展期，智能仓储未来的发展方向就是根据不同的客户需求做到更加精准化和个性化。

因为创新，智慧仓库的效率提升了一个层次。农业生鲜及农产品、医院物流是智能仓储目前最主要的两个应用领域。

五、结束语

智慧仓储与传统仓储的核心功能都是实现物品的保管和仓储，但是智慧仓储借助物联网技术和人工智能技术，实现了仓储运作效率的大幅提升，不但节省了劳动力等成本，还实现了节能减排的环保目标，实现了经济效益和社会效益的双提升。未来，随着5G技术的进一步推广和普及，以及人工智能技术的日新月异，各种高效稳健的智能算法将会不断涌现，智慧仓必将越来越“智慧”，进而带来物流业的高速发展，从而造福于人类和社会。