在內部物流中執行復雜的物料搬運是機器人最典型任務之一。到目前為止，技術人員和企業主對于編程和部署設備的成本仍然相當高，但是，對于低混合高產量（worthwhile for low mix high volume）的生產來說是值得的。

除了智能圖像處理外，這個用于物流的技術項目還使用了專門為抓取集裝箱而開發的滾輪式抓手 ? Robomotion

但是，如果在日益個性化的生產時代，零件的種類增加了呢？通常情況下，這些努力都變得不經濟了。在倉庫、物流中心或零售業中使用機器人的情況也是如此：物品的種類非常多，對機器人應該能夠抓取的每個物體進行教學，成本太高。

在這種情況下，人工智能技術可以使機器人更自主、更靈活，并實現新的應用。即使在具有挑戰性的條件下，自動化解決方案在經濟上也是可行的。來自德國弗勞恩霍夫IPA的研究人員正在展示這樣一個例子在深度揀選項目中可能是什么樣子。除其他事項外，他們正在與 "高級機器人 "公司合作，開發基于人工智能的圖像處理解決方案，使機器人能夠識別和抓取托盤上的未知包裝單元。

在過去，需要高度領域和專家知識的經典圖像處理方法被用于機器人的定位和抓取物體。然而，這些方法往往不足以完成要求較高的任務，如抓取緊密堆疊的產品，這些產品的外觀都非常相似。此外，對新產品進行耗時的訓練是另一個障礙。由弗勞恩霍夫IPA和Premium Robotics公司開發的一個實驗裝置說明了人工智能提供的使用案例和好處。負載架上緊密堆疊的物體不能在不影響其他物體的情況下被任意抓取或接近。任務是研究對象檢測的不同方法，并測試它們在機器人揀選貨物領域的應用。

此外，還研究了基于卷積神經網絡（CNN）的物體識別和姿勢估計的方法。由于訓練新產品的成本相應較高--必須生成圖像數據的訓練樣本并進行人工注釋--因此在模擬環境中進行了模型訓練，訓練后的模型隨后被轉移到真實世界。成功測試的對象是各種包裝，如打開和關閉的盒子、裝有瓶子、罐子和杯子的托盤、透明物體、倉庫中遇到的任何形狀的不同類型的包裝，所有這些都在具有挑戰性的照明條件和背景反射下進行。