教育新闻网最近在柏林郊区的一个仓库中，仓库的一个新成员机器人被引起了媒体的注意。
在纽约时报称为分拣组件机器人“在人工智能的重大进步和机器进行人力的能力。”
甲视频在动作机器人的演示显示机器人放置各种物品，具有不同的形状，在不同的容器中。
“随着数百万种产品流经亚马逊，沃尔玛和其他零售商经营的仓库，低薪工人必须将一堆又一堆的随机物品(从衣服，鞋子到电子设备)逐一梳理，以使每件物品都可以包装并发送到直到现在，机器还没有真正完成任务。”《纽约时报》说。
专家将其放在IEEE Spectrum的路线上：在物流自动化方面的所有活动正在进行中，在仓库中，根据实际的自动化需求，可以将其分为两类：“人们用腿做的事情和人们用腿做的事情用他们的双手做。”
引用的专家是Covariant的创始人，总裁兼首席科学家Pieter Abbeel。他断言，已经通过传送带系统，移动取回系统和其他功能正常的机器人解决了腿部问题，但“现在的压力在手部。”
手工方面，他的意思是“如何提高人手在仓库中完成的工作的效率”。输入协变量。拣选解决方案中的大多数项目都是可以预测的-简单的硬件。IEEE Spectrum中的Evan Ackerman列出了它们：现成的工业手臂，吸盘，二维摄像头系统。魔术通过非常大的神经网络来实现。它转化为对客户而言具有成本效益的解决方案。
为何如此?“我们不能拥有专门的网络，”阿比厄尔说。“它必须是一个单一的网络，能够处理任何种类的SKU，任何种类的拣配站。”
协方差解称为协方差脑。它与人的大脑悲伤的Abbeel有一个共同点，那就是“一个单一的神经网络就可以做到这一切”。
如果制造机器人无法独立思考，那么它们只能发挥其潜力的一小部分。如果机器人可以执行超出受控环境中预先编程的任务的机器人呢?
《边缘》中的詹姆斯·文森特(James Vincent)指出了为什么Covariant的机器人在更大范围的机器人拾取器中起着重要作用：“机器人本身看起来并不稀奇，但令其与众不同的是它的眼睛和大脑。借助六个机器人-镜头阵列和机器学习算法的镜头，它能够抓取和包装可能会使其他机器人感到困惑的物品。”
考虑一下协变前大脑的情况，在这种情况下，您有一个传统系统，该系统旨在将所有内容提前分类并试图识别目录中的所有内容。
现在考虑使用Covariant来追求在具有许多SKU(始终在变化)的快速移动仓库中执行绩效的愿景。Abbeel在接受采访时说：“我们的系统适应性极差，这意味着我们无需进行任何操作即可即时完成，如果不成功，它将更新对场景的了解并尝试一些新事物。”当被问及有关新类别物品的培训时，IEEESpectrum。
