AI 外送機器人如何「看見」世界？

Uber Eats 與 CARTKEN 在日本東京推行的 AI 送餐機器人

讓機器人「看懂」這個世界，關鍵在於精密的感測器與 AI 計算技術。Uber Eats 在各國合作的AI機器人透過多種感測器與演算法，即時蒐集環境資訊，確保送餐過程的安全性與高效性。

AI機器人的核心技術：

1. Camera（攝影機）——模擬人眼，識別行人與路況

機器人透過計算機視覺（Computer Vision） 來識別行人、紅綠燈、交通標誌和道路狀況，確保行駛安全。攝影機類似人類的雙眼，能即時捕捉環境變化，搭配 AI 演算法分析是否需要停下或變換路線。

2. LiDAR（光學雷達）——3D 掃描環境，精準測距

光學雷達（Light Detection and Ranging, LiDAR）是 AI 自動駕駛系統的重要組件，能透過發射數百萬道雷射光束，測量環境物體的深度與距離，建立即時的 3D 地圖。

LiDAR 的核心功能包括：

• 發射光束測量周圍物體距離，計算返回時間來繪製環境立體圖
• 即時 3D 感測，即使在低光環境或夜間仍能清楚辨識障礙物
• 比攝影機更精準的空間感知能力，能判斷物體的高度、形狀與位置

這使得送餐機器人即使在人流擁擠的街道，也能有效避開障礙物並安全行駛。

光學雷達運作原理

3. Radar（毫米波雷達）——預測移動物體

毫米波雷達主要用來測量物體的速度與移動方向，能夠預測行人、車輛或腳踏車的行進軌跡，讓機器人能夠提前做出閃避動作。

雷達的優勢在於：

• 適用於高速行駛與突發狀況反應，能偵測快速接近的移動物體
• 在惡劣天氣下依然能運作（如大霧、雨天）

4. GPS + IMU（慣性測量單元）——高精度定位

GPS（全球定位系統）提供機器人在地圖上的位置資訊，而 IMU（慣性測量單元）則能透過加速度計和陀螺儀，即使在 GPS 訊號不穩定的狀況下，仍然維持準確導航。這些技術結合，使送餐機器人能夠應對複雜的交通環境，確保餐點能夠準時、安全地送達。

AI 讓機器人「越送越聰明」

送餐機器人不只是被動執行指令，還具備機器學習與強化學習能力，能夠不斷優化送餐方式。

1. 機器學習（Machine Learning, ML）

AI 會記錄每一次送餐的數據，包括行駛時間、路線選擇、交通狀況，並透過大數據分析找出最短、最順暢的送餐路線。

例如：

• 哪條道路最常塞車？
• 哪個時段人流最多？
• 哪些路口紅燈較長？

這些資訊都會回傳到 AI 系統，讓機器人逐步學習，未來能夠更快、更精準地送達餐點。

2. 強化學習（Reinforcement Learning, RL）

強化學習的概念類似「試錯法」，機器人會透過數千次的模擬測試，學習如何在各種情境下做出最佳決策。

例如：

• 在下雨天應該選擇哪條較安全的路線？
• 碰到擁擠人潮時，應該減速還是選擇繞路？
• 哪些顧客取餐點較固定，是否能預測送餐時間？

透過不斷學習，送餐機器人的表現將會越來越接近人類外送員的靈活應變能力。

Uber Eats 送餐機器人的數智驅動策略：SUPA 在智慧物流中的應用

隨著人工智慧（AI）與智慧物流技術的發展，Uber Eats 正在透過數智驅動（Data-Intelligence Driven）的方式，提升送餐機器人的適應性與決策能力，以確保更高效、安全的外送服務。其中，SUPA 模型（Sensing、Understanding、Planning、Acting） 成為這一技術的核心架構，讓機器人能夠即時感知環境、做出智慧決策，並根據動態變化調整行動策略。

SUPA 模型如何讓 Uber Eats 送餐機器人更智慧？

1.感測（Sensing）：Uber Eats 送餐機器人透過 Camera（攝影機）、LiDAR（光學雷達）、Radar（毫米波雷達）、GPS + IMU 這些感測器來蒐集環境數據，以應對不同的交通狀況。

2.理解（Understanding）：僅僅蒐集數據是不夠的，機器人還需要「理解」這些資訊，才能做出正確決策。透過感測的數據識別「這是一輛車」、「這是一個行人」、「這是一個紅綠燈」－ 這些資訊來自於大量標註數據，進而理解數據的意義

3.計劃（Planning）：當 Uber Eats 送餐機器人完成 「感測（Sensing）」與「理解（Understanding）」 階段後，AI 便會進一步進行「計劃」，即根據環境資訊與外送需求，制定最佳行動方案，以確保餐點能最快速、最安全、最節能地送達顧客手中。

4.執行（Acting）：當 AI 制定好最佳配送計劃後，機器人便會進入「執行（Acting）」階段，即根據環境狀況與訂單需求，做出即時行動調整，以確保餐點能安全送達。

機器人的「執行」能力，主要透過強化學習（Reinforcement Learning, RL）與邊緣運算（Edge Computing） 來優化，確保每一次的行動決策都能適應即時變化的環境。

數智驅動的 Uber Eats 送餐機器人：改變的不只是外送產業

案例分析：自動化技術如何提升配送效率？

Uber Eats 送餐機器人的技術應用，正展現出數智化轉型對物流產業的深遠影響。在 SUPA 的策略下，透過結合自動化技術，如和泰豐田與鼎新數智合作的倉儲自動化解決方案，物流應用正朝向更高效、更智能的方向發展。

傳統倉儲物流存在人工分揀、搬運與存取貨物效率低、成本高且易出錯等問題。透過導入 AGV（自動導引車）與 AI 智能分揀系統，和泰豐田大幅減少了人力需求。例如，原本需要 10 名作業人員的分揀工作，現在僅需 2 人即可完成。這不僅降低了勞動成本，也提高了作業品質，避免錯誤發生。

在 SUPA 的策略框架下，這類技術的發展不僅優化傳統外送模式，還為智慧物流、城市配送及無人物流提供全新的解決方案。未來，這項技術可能不僅應用於餐飲外送，還可能影響更廣泛的領域，例如：

• 智慧零售：自動補貨機器人、無人商店即時配送
• 供應鏈優化：智能倉儲與配送中心整合 AI 分析
• 都市物流：無人駕駛車輛與機器人協作配送

這場由 AI 驅動的物流革命，可能會改變我們對「最後一里配送」的認知，讓送貨與外送服務變得更加智能、精準、高效。