此外，这些解决方案使用 Linux 等通用开源技术，以及机器人操作系统 ROS 2 等专业技术。 事实上，越来越多的开源资源正在开发中以支持物流和边缘人工智能。从这个角度来看，没有单一的“正确”软件解决方案，运行软件的硬件平台也是如此。

自动化边缘计算的模块化方法

为了提高灵活性并减少供应商锁定，一种方法是在硬件级别使用模块化，使任何解决方案中的硬件配置更加灵活。实际上，硬件级别的模块化允许工程师更改系统硬件的任何部分，例如处理器，而不会造成系统范围的中断。

在部署边缘 AI 等新技术时，“升级”底层平台（无论是软件、处理器等）的能力尤为重要。每一代新的处理器和模块技术通常都会为在网络边缘运行的推理引擎提供更好的功率/性能平衡，因此能够快速利用这些性能和功率增益，并将对整个物流自动化系统的中断降到最低，并且边缘 AI 硬件系统设计是一个明显的优势。

通过使用Docker等微服务架构和容器技术，将硬件中的模块化扩展到软件中。如果有更优化的处理器解决方案可用，即使它来自不同的制造商，利用该处理器的软件也是模块化的，可以代替先前处理器的模块使用，而无需更改系统的其余部分。软件容器还提供了一种简单而强大的方式来添加新功能，例如，适用于在边缘运行 AI。

容器内的软件也可以模块化。

硬件和软件的模块化和容器方法最大限度地减少了供应商锁定，这意味着解决方案不依赖于任何特定平台。它还增加了平台和应用程序之间的抽象，使最终用户更容易开发自己的不依赖于平台的应用程序。

结论

在物流自动化中部署边缘 AI 不需要更换整个系统。首先评估工作空间并确定可以真正从 AI 驱动的自动化中受益的阶段。主要目标是在降低运营支出的同时提高效率，特别是在劳动力短缺时期应对需求增加。

越来越多的科技公司致力于 AI 解决方案，但这些公司通常针对的是云，而不是边缘计算。在边缘，条件非常不同，资源可能有限，甚至可能需要专用的专用通信网络。

通过使用人工智能等技术，自动化将在物流运营中继续增长和扩展。这些系统解决方案需要设计用于恶劣的环境，与云或数据中心截然不同。我们使用模块化方法解决这个问题，该方法提供极具竞争力的解决方案、较短的开发周期和灵活的平台。