对于各种自动化托盘任务，检测包装单元是在实际处理包装单元之前的一个关键步骤。我们提出了一种方法来解决这个具有挑战性的问题，该方法完全依靠合成生成的数据进行训练，可以稳健地应用于任意真实世界的包装单元，无需进一步的训练或设置工作。所提出的方法能够处理稀疏且质量低的传感器数据，如果有先前知识可用，还可以利用先前知识，并且对各种产品和应用场景具有很好的泛化能力。为了证明我们方法的实际用途，我们对不同种类的零售产品进行了广泛的实证评估。此外，我们将我们的方法集成到了一个实验室演示器中，并且通过一个工业合作伙伴将其推向市场。

Aug, 2023

自动化仓库操作可以降低物流成本，最终降低消费者的最终价格，提高交付速度，并增强对市场波动的适应能力。本文展示了亚马逊机器人的大规模包裹处理系统，以及其使用的启发式方法和利用实际生产数据训练的拣选成功预测器的后继方法。据作者所知，这是第一个在实际生产系统中大规模部署学习拣选质量评估方法的工作。

Sep, 2023

我们创建了一个使用物联网和机器学习的完整解决方案，以提高铁路包裹递送的效率，并通过扫描和排序阶段来提高准确性和评估最新技术和现有技术方法。

Apr, 2024

本文提出了一个利用强化学习框架来优化传送带速度以最小化对系统其他部分的干扰，并使生产力、控制平滑和减少计算时间等方面有了显著提高的智能制造自动化解决方案。

Mar, 2023

我们提出了一个新的学习框架来解决 3D 中的运输和装箱问题，其中的技术核心是使用强化学习训练的神经网络，通过 RGBD 感知和识别，机器人运动规划，来实现在目标容器中进行紧密的装箱。

Oct, 2023

本文阐述了亚马逊机器人的 Robot Induction (Robin) 良品挑选系统通过人工智能技术的最新进展，成功实现了从大规模、无结构货堆中抓取所需产品，以此推动仓库自动化、实现物流成本节约的目标。

May, 2023

自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

Oct, 2023

本篇论文介绍了一种基于单张 RGB 图像的包裹几何形态重建及损坏检测方法，并提出了 Parcel3D 和 CubeRefine R-CNN 两个创新性的算法和数据集用于检验所述方法的可行性和准确度。

Apr, 2023

在这篇论文中，我们提出了使用结构线索来增强基于图像的位置识别，这是通过利用结构运动获得的，因此不需要为位置识别使用任何其他传感器，这是通过将基于图像的位置识别通常使用的 2D 卷积神经网络与从结构运动点云导出的体素网格作为输入的 3D CNN 相结合来完成的。我们评估了不同的方法来融合 2D 和 3D 特征，并通过全局平均汇集和简单的串联获得了最佳性能。在牛津机器人车数据集上，得到的描述符表现优于仅从一个输入模态性提取的描述符，包括最先进的基于图像的描述符。特别是在低描述符维度下，我们的表现超过最先进的描述符高达 90％。

Feb, 2020

本研究介绍了一种全面评估包装设计中品牌标志符关注度的框架，该框架包括使用 YOLOv8 进行标志符检测、使用新型显著性预测模型建模用户视觉关注度以及将标志符检测与显著性地图生成结合以提供全面的品牌关注度评分。通过比较与现有模型的标志符检测和显著性地图预测，结果显示了所提方法的优越性，并对品牌能见度相关的心理物理学假设进行了验证。研究在认知心理学、计算机视觉和市场营销的交叉领域取得了重要进展，为先进的以消费者为中心的包装设计铺平了道路。

Mar, 2024