«Товар к человеку» и роботы поштучного подбора: как склады перестают ходить
48% компаний в исследовании Modern Materials Handling уже используют системы «товар к человеку», а 51% собираются внедрить или обновить их в ближайшие два года. Следующий шаг – заменить человека на самой станции: рынок роботов поштучного подбора Mordor Intelligence оценивает в 2,58 млрд долларов в 2026 году и ждет роста почти на 52% в год. Разбираем, как устроены системы «товар к человеку», где они окупаются, почему роботу трудно взять прозрачную бутылку и как выбрать робота-комплектовщика.
Контекст
В классической схеме «человек к товару» комплектовщик ходит между стеллажами с тележкой и терминалом, и большая часть смены уходит не на сам подбор, а на дорогу между ячейками. Пока заказы были крупными, а ассортимент небольшим, с этим мирились. Интернет-торговля изменила профиль: заказ из одной–трех единиц, десятки тысяч SKU и жесткие сроки отгрузки. Схема «товар к человеку» (goods-to-person, G2P) переворачивает логику: контейнер или стеллаж с нужным товаром сам приезжает к оператору на станцию.
Следующая волна – роботы поштучного подбора. Станция G2P – идеальное место для робота: товар приезжает в контейнере в одну и ту же точку, освещение и высота известны, остается взять единицу и переложить ее в заказ. Этот шаг дольше всех оставался ручным, и именно его сейчас автоматизируют с помощью камер и машинного обучения. Для России стимул тот же, что и в мире, – нехватка людей: в обзоре «Кадры в логистике 2026» мы писали, что склады недоукомплектованы на 30–40%, а 85% складских операций по-прежнему выполняются вручную.
Как устроены системы «товар к человеку»
| Тип | Как работает | Сильные стороны | Ограничения |
|---|---|---|---|
| Мобильные роботы под стеллаж | Низкий робот подъезжает под стеллаж и везет его к станции | Гибкость, парк можно наращивать, высокий потолок не нужен | Плотность хранения невысокая |
| Шаттлы для контейнеров | Шаттлы ездят по уровням стеллажа, лифты и конвейер подают контейнеры к станциям | Высокая пропускная способность, контейнеры приходят в нужной последовательности | Жесткая конструкция, долгий монтаж, дорогое расширение |
| Кубическое хранение | Контейнеры стоят штабелями в решетке, роботы сверху достают нужный и везут к порту выдачи | Максимальная плотность на квадратный метр, подходит для невысоких зданий | Чтобы достать нижний контейнер, роботу нужно переставить верхние |
| Карусели и вертикальные лифтовые модули | Полки вращаются или лоток подается к окну оператора | Недорогой вход, компактность, удобно для мелочи и запчастей | Небольшая пропускная способность |
Шаттлы и кубическое хранение относятся к автоматическим системам хранения (AS/RS); самый известный пример кубической системы – AutoStore. Роботы под стеллаж подробно разобраны в материале «AMR, AGV и коботы», поэтому здесь сосредоточимся на станции.
Станция – сердце системы. Производительность G2P определяет не скорость хранения, а то, сколько подборов в час успевает сделать оператор и как ровно к нему приходят контейнеры. На станциях обычно стоят световые подсказки: из какой секции контейнера взять и в какой заказ положить. Эргономика – высота, наклон, расстояния – влияет на выработку и усталость не меньше, чем автоматика.
Где применяется:
- Интернет-торговля с поштучным отбором и большим ассортиментом
- Запчасти: много мелких SKU, к большинству позиций обращаются редко
- Фарма и косметика: мелкие дорогие единицы, контроль серий и сроков годности
- Омниканальный ритейл: один запас обслуживает и магазины, и интернет-заказы
- Пополнение зон отбора: G2P как буфер, из которого быстро подпитывают ручные зоны
Роботы поштучного подбора: как они видят и берут
Робот штучного отбора (piece picking) – это манипулятор, камеры и программа, которая решает, за что взяться. 2D-камеры дают изображение, 3D-камеры – карту глубины: где лежит предмет и какой он формы. Модели машинного обучения на основе компьютерного зрения распознают предметы в контейнере и выбирают точку захвата. Захваты бывают вакуумными (присоски – самый универсальный вариант для коробок, банок, товара в плотной упаковке), пальцевыми (механические «пальцы» для того, за что не взяться присоской) и комбинированными; часть роботов сама меняет захват под товар.
| Сложный товар | Почему трудно | Как решают |
|---|---|---|
| Прозрачный: стекло, пластик, блистеры | 3D-камера плохо видит поверхность, в карте глубины дыры | Обучение моделей на таких товарах, дополнительная подсветка, несколько камер |
| Бликующий: фольга, глянец | Блики искажают изображение | Рассеянный свет, другой угол съемки |
| Мягкий и деформируемый: одежда в пакетах, мешочки | Присоска теряет вакуум, предмет меняет форму в захвате | Мягкие захваты, пальцы, повторная попытка |
| Смешанный контейнер | Предметы лежат друг на друге и перепутаны | Робот берет верхний предмет и разбирает контейнер по шагам |
| Слишком мелкий, тяжелый или хрупкий | Не подходит захват или грузоподъемность | Такие SKU оставляют человеку |
Главный практический вывод: робот почти никогда не берет весь ассортимент. Проект строят так, чтобы робот обрабатывал «свои» SKU, а остальное и исключения доставались человеку на соседней станции.
Факты: внедрение и рынок
| Показатель | Значение |
|---|---|
| Используют системы «товар к человеку» (исследование Modern Materials Handling 2026, 120+ компаний, США) | 48% |
| Планируют внедрить или обновить G2P в ближайшие 2 года | 51% |
| Используют автоматические системы хранения (AS/RS) | 36% |
| Рынок роботов поштучного подбора, 2026 (оценка Mordor Intelligence) | 2,58 млрд $ |
| Прогноз Mordor Intelligence на 2031 год | 20,78 млрд $ (51,78% в год) |
| Роботов на складах России | около 6 400 |
| Доля складских операций в России, которые выполняются вручную | 85% |
Почему 52% в год – не сенсация. Такие темпы типичны для рынка, который растет с низкой базы. 2,58 млрд долларов – скромная величина рядом с оценкой всей автоматизации складов: ее та же Mordor Intelligence оценивает в 34,17 млрд долларов в 2026 году. Прогноз означает рост рынка примерно в восемь раз за пять лет. Для молодых рынков такие прогнозы особенно чувствительны к допущениям и часто пересматриваются. Делить одну оценку на другую тоже не стоит: границы рынков в разных отчетах определены по-разному, и «долю» роботов поштучного подбора так не посчитать. Среди заметных игроков Mordor Intelligence называет RightHand Robotics, Berkshire Grey, Covariant, Plus One Robotics и Ocado.
Собственная аналитика Логипедии
Как выбрать робота поштучного подбора
| Критерий | Что проверить | Тревожный сигнал |
|---|---|---|
| Доля SKU, которую робот берет | Тест на вашем ассортименте: что робот берет уверенно, что – с ошибками, что не берет | Демонстрация на «удобных» коробках поставщика |
| Подборов в час | Устойчивая скорость за смену с учетом повторных попыток | Указан только рекорд на демо |
| Точность и доля ручных исключений | Сколько подборов уходит человеку: не взял, взял два, уронил, повредил | Нет данных об исключениях и о том, кто их разбирает |
| Тип захвата | Подходит ли захват под упаковку вашего ассортимента, меняется ли автоматически | Один захват на весь разнородный ассортимент |
| Интеграция с ячейками и конвейером | Как робот получает контейнеры, куда кладет товар, как связан с WES и станциями G2P | Робот работает только с «родной» системой хранения поставщика |
| Время смены SKU и контейнеров | Нужно ли дообучение на новых товарах, сколько робот ждет смены контейнера | Каждый новый SKU требует ручной настройки |
Где G2P окупается, а где нет
- Окупается: большой ассортимент, поштучный отбор, поток мелких заказов, нехватка людей, работа в несколько смен, дорогая площадь
- Под вопросом: мало SKU и отбор коробками или паллетами, сильная сезонность с простоем в низкий сезон, нестабильная товарная матрица, короткий срок аренды здания
Моя интерпретация. «Товар к человеку» и роботы на станции – не две разные технологии, а два этапа одного пути. Сначала склад перестает ходить: товар приезжает к человеку. Затем на станции, куда товар приезжает в предсказуемое место, человека частично заменяет робот. Поэтому при проектировании G2P стоит сразу спросить поставщика, можно ли будет поставить на станцию манипулятор и как он будет получать контейнеры. Главный показатель робота – не скорость, а доля ручных исключений: робот, который быстро работает, но регулярно отдает предметы человеку, переносит работу, а не убирает ее. Пилот проводите на реальном ассортименте несколько недель: модели машинного обучения улучшаются на ваших данных, и первые дни не показательны.
Что учесть в России. Большинство известных игроков рынка – зарубежные компании, и после 2022 года доступность их техники, запчастей и поддержки в России приходится проверять в каждом случае отдельно. У роботов с машинным обучением зависимость от поставщика сохраняется и после запуска: обновление моделей, удаленная диагностика, облачные сервисы. Уточните, работает ли робот без связи с облаком поставщика, где хранятся данные и кто будет дообучать модель на новых товарах. Для маркированных товаров на станции нужно сканировать код каждой единицы – проверьте, считывает ли станция или робот коды «Честного знака» без участия человека. Шаттловые и кубические системы ставят на годы, поэтому до заказа убедитесь, что в стране есть инженеры и запас деталей именно для этой системы.
Практика: дорожная карта проекта
Анализ – до разговора с поставщиками:
- Соберите профиль заказов за год: строк и единиц в заказе, число SKU, доля штучного отбора, пиковый день
- Оцените, какую долю времени комплектовщики тратят на перемещения – это потенциал G2P
- Разделите ассортимент по габаритам, весу, упаковке и хрупкости: что поместится в контейнер и что сможет взять робот
- Посчитайте, сколько подборов нужно в пиковый час, а не в среднем
Пилот:
- Попросите поставщика G2P смоделировать работу станций на ваших заказах: очереди, загрузку операторов, время подачи контейнера
- Протестируйте робота поштучного подбора на выборке ваших SKU, включая прозрачные, мягкие и бликующие
- Измерьте долю исключений и время их разбора человеком
- Проверьте интеграцию с WMS или WES на реальных заказах, а не на тестовых
Масштабирование:
- Сравните варианты по совокупной стоимости владения за одинаковый срок, а не по цене оборудования
- Заложите место и интерфейсы для роботов на станциях, даже если сейчас там работают люди
- Зафиксируйте в договоре сроки ремонта, запас запчастей и порядок обновления программ
Выводы
- G2P убирает ходьбу. По данным Modern Materials Handling, системы «товар к человеку» используют 48% опрошенных компаний, а 51% планируют внедрить или обновить их в ближайшие два года.
- Тип системы выбирают по профилю. Роботы под стеллаж дают гибкость, шаттлы – скорость, кубическое хранение – плотность, карусели – недорогой вход для мелочи и запчастей.
- Станция – логичное место для робота. Товар приезжает в предсказуемое место, поэтому роботы поштучного подбора развиваются прежде всего на станциях G2P.
- 52% в год – рост с низкой базы. Mordor Intelligence ждет восьмикратного роста рынка к 2031 году, но прогнозы для молодых рынков чувствительны к допущениям.
- Главная метрика робота – доля исключений. Скорость на демо мало что значит; важно, какую долю ваших SKU робот берет и сколько работы возвращает человеку.
