在實體 AI（Physical AI／物理 AI）系統中，倉儲揀選機器人的效能，應以完成且驗證正確的訂單品項來衡量，而不是只看機械手臂抓起物品的次數。WMS 任務、庫存位置、周轉箱、輸送設備、物品辨識、抓取、放置、覆核與人工介入都會影響最終吞吐量。
因此，導入前要先畫出訂單從釋放到出貨前驗證的完整流程，再決定哪些步驟交給固定式機械手臂、AMR、輸送設備或人員。把每段都籠統稱為『揀選』，會掩蓋延遲、責任與錯誤真正發生的位置。
先界定揀選流程的起點與終點
測試若從已放在機器人前方的單一物品開始，只能回答抓取模組的問題；若從 WMS 訂單開始，還必須包含庫存查詢、儲位存取、搬運、身分核對與目的周轉箱。驗收文件應明確寫出起點、成功條件與不計入範圍。
單品揀選是從料箱或貨架取出個別商品；箱件揀選處理整箱貨物；棧板揀選則搬運更大的物流單位。貨到人系統把庫存送到工作站，人到貨模式則讓人員或移動機器人前往儲位。名稱相近，機構與軟體需求卻不同。
物料流與搬運設備會限制機械手臂
WMS 產生任務後，儲存設備或人員先讓商品可被取用，輸送機或 AMR 再搬運周轉箱與推車。機械手臂完成揀取後，下游還要核對商品與數量。任何一段供料不足、周轉箱卡住或確認訊息遺失，都會讓手臂等待。
固定工作站容易管理安全範圍與維護；移動操作平台可以前往多個儲位，但還要處理導航、停靠誤差、底盤穩定與電力。專用設備通常比人形機器人更容易在標準化通道中取得穩定產能，選擇應由工作流程而不是外型決定。
可處理範圍要用真實品項定義
倉庫雖有固定通道與標示儲位，品項仍會因包裝改版、反光表面、透明袋、柔軟外袋、破損紙箱、堆疊方式與季節需求而變動。這些少見但會反覆出現的例外情況，往往決定人工介入量。
所謂運作邊界，應列出可處理物品的尺寸、重量、表面、可變形程度、條碼位置與堆放密度，也要包含周轉箱幾何、裝填高度與補貨規則。試點可以先排除最困難的品項，但必須公布排除後仍涵蓋多少實際訂單。
感知與抓取必須一起驗收
機器學習可擴大可辨識的品項類別，協助物件分割、姿態估測、抓取點評分與損傷分類；ROS-Industrial 的感知與操作模組說明展示了模組化整合思路。然而模型仍依賴相機校正、機器人運動學、末端工具與安全限制。
料箱揀取時，每次取走物品都會改變遮擋與堆疊。離線辨識準確率無法取代現場測試；應使用代表性品項組合，記錄成功抓取、空抓、一次抓到多件、掉落、包裝損傷與可否自動重試。
| 物品狀態 | 常用末端工具 | 主要風險 | 應記錄的證據 |
|---|---|---|---|
| 表面平整的硬盒 | 真空吸取或平行夾爪 | 標籤翹起、表面漏氣 | 密封狀態、掉落與損傷 |
| 柔軟袋裝商品 | 自適應真空工具 | 皺褶、變形、一次取出多件 | 不同裝填高度的成功率 |
| 小型散裝品 | 指爪或專用工具 | 遮擋、碰撞、難以分離 | 密集料箱中的完成率 |
| 易碎包裝 | 順應控制夾爪 | 壓傷、滑落、外觀損傷 | 損傷程度與人工覆核 |
表格不能替代現場品項清單。採購方應用實際訂單占比建立『品項—工具』矩陣，先找出覆蓋最多的組合，再評估換工具所增加的節拍、維護與故障介面。
WMS 與例外流程決定訂單能否收尾
任務至少要包含來源儲位、目的周轉箱、商品身分、數量與優先順序。介面還要處理庫存過期、儲位實際為空、商品替代、訂單取消及實體庫存與資料庫不一致等狀況，不能把判斷全部留給現場人員。
從訂單釋放到驗證完成應共用可追蹤的任務識別碼。訊息延遲、重複指令與確認遺失，即使不造成碰撞，也會導致重複揀取或庫存錯誤。因此，介面與復原測試本來就是揀選驗收的一部分。
驗證正確訂單，比抓取成功更重要
抓起物品不代表商品與數量正確。條碼、影像、重量及目的位置感測器可以交叉確認；訊號不一致時，系統應把物品送往例外處理站，同時保留原訂單狀態與處理紀錄。
| 指標 | 建議定義 | 容易造成的誤判 |
|---|---|---|
| 持續吞吐量 | 每個實際作業小時完成並驗證的品項 | 引用短時間最高動作速度 |
| 自主覆蓋率 | 不需人員協助即可完成的實際訂單品項占比 | 先排除困難品項再計算 |
| 人工介入率 | 每件商品或每段時間的人員處理次數 | 只計算完全接管 |
| 訂單正確率 | 目的周轉箱中的商品與數量皆正確 | 只測抓取是否成功 |
| 商品損傷率 | 搬運後出現商品或包裝損傷的比例 | 忽略輕微但不可出貨的損傷 |
指標必須附上品項組合、排除條件、作業時段與成功定義。高峰期補貨、上游阻塞與包裝變動都應納入，才不會把供應商展示值誤當成日常產能。
分階段導入可以提早暴露整合風險
- 盤點真實訂單與品項分布，選出具代表性的測試組合。
- 離線驗證辨識與末端工具，再測空抓、掉落及多件誤取。
- 把單一工作站接上真實 WMS、周轉箱與驗證路徑。
- 先穩定例外處理與人工接管，再逐步延長作業時間。
- 以持續吞吐量、正確率、損傷與介入量決定是否擴大。
若要理解供應商分工，可參考物理 AI 企業生態系；模擬工作可搭配機器人模擬器比較；移動平台的定位則可延伸到VIO 與 SLAM 指南。
倉儲導入常見疑問
夾爪成功率很高，就代表可以直接上線嗎？
不代表。還要驗證供料、周轉箱、商品身分、放置、例外處理及 WMS 訊息。任何一段不穩定，都會降低端到端產能。
所有品項都必須在試點中自動處理嗎？
不必，但排除項必須透明，並用實際訂單占比計算自主覆蓋率。先處理高占比、低風險品項是合理策略，不能把剩餘困難品項從分母中消失。
最值得先改善的是機械手臂速度嗎？
只有在手臂確實是持續瓶頸時才是。若設備常等待周轉箱、驗證失敗或人工清除異常，先改善物料流與復原流程通常更有效。