《Waste Management》：Robotic sorting and artificial intelligence in material recovery facilities: a review of published research and expert perspectives
编辑推荐：
•通过文献和行业交流审查人工智能和机器人分拣。•识别出行业从机器人集成向独立人工智能工具的转变。•人工智能越来越多地用于质量控制和监测，而不是执行动作。•突出了学术分类与工业检测之间的脱节。•概述了经济可行性、人工智能数据和抓取挑战方面的研究。引言美国市政回收系统由三个主要阶
- •
通过文献和行业交流审查人工智能和机器人分拣。
- •
识别出行业从机器人集成向独立人工智能工具的转变。
- •
人工智能越来越多地用于质量控制和监测，而不是执行动作。
- •
突出了学术分类与工业检测之间的脱节。
- •
概述了经济可行性、人工智能数据和抓取挑战方面的研究。
引言
美国市政回收系统由三个主要阶段组成：收集、处理和再制造（美国环境保护署，2025 年）。材料回收设施（MRFs）作为处理设施，将收集的回收物分拣和分离成压缩包，出售给二手市场。与旨在从市政固体废物（MSW，即黑色垃圾袋）流中分离回收物的“脏”MRFs 不同，“清洁”MRFs 处理来自住宅区的源头分离回收物，即消费者已经从 MSW 流中分拣出来的材料，通常装在蓝色或绿色垃圾桶中。美国有超过 400 家 MRFs 在运营，每年合计处理超过 3700 万吨包装材料，主要收集自已识别的源头，并且通常需要技术升级以提高运营效率和材料回收率（美国环境保护署，2024 年）。本文重点关注“清洁”MRFs，这是美国主要的类型，为简便起见，下文将统称为"MRFs"。
源头分离收集和“清洁”MRF 式处理也在其他地区实践，例如欧盟，那里的生产者责任延伸（EPR）法规和押金返还计划塑造了接受的物料流和包材质量标准与美国情况不同，以及澳大利亚和亚洲部分地区。接受材料、包材市场规格和政策驱动方面的地区差异意味着，一个系统的发现并不总是能直接在不同地区之间转移。
MRFs 面临的一个主要挑战是进料流中的污染。这既包括不可回收物品，也包括本来可回收物品上的杂质，如标签、食物残渣或液体。导致前者的常见原因是“希望循环”，即消费者将不可接受物品放入回收箱，希望它们能被回收。通常不被 MRFs 接受的产品，例如由某些塑料（如 PVC、PS）制成的包装、塑料薄膜和袋子，或需要拆卸的产品，使分拣过程复杂化。例如，杂货袋和薄膜等柔性塑料可能会缠住分拣设备，导致机械故障和停机（Lubongo 和 Alexandridis，2022）。包括电池和医疗废物在内的危险材料进一步增加了运营风险。锂离子电池特别危险，因为它们受损时会着火（Plasticsrecycling.org，2025）。污染不仅扰乱 MRF 运营，还降低了其输出质量，由于污染水平高，MRF 包材可能被下游处理商拒收（Lubongo 和 Alexandridis，2022）。
MRFs 使用自动化和人工分拣系统的组合来分离进料回收物。配备较旧分拣技术的设施通常依赖人工来分拣复杂的物料流，例如混合塑料。人工分拣对于 MRFs 处理污染和防止运营中断也是必不可少的。这种对人工的依赖会减慢处理速度并增加运营成本。由于包括高温、强烈异味和体力消耗大任务在内的艰难工作条件，MRFs 员工流动率高很常见。由于接触危险材料，如尖锐物体和医疗废物，以及设备相关受伤的风险，工人安全是一个持续的关注点（Rosengren，2019）。
提高分拣效率和减少对人力的依赖的需求，使得 MRFs 中的材料分拣成为机器人系统开发的热门应用。在此背景下，机器人分拣器指的是结合人工智能（AI）驱动检测与机器人操作的集成系统。这些高级系统集成了感知技术，如相机和 AI 算法，以识别传送带上的回收物，并使用机器人物理分离检测到的材料。机器人分拣器可以根据形状和颜色等视觉特征识别和定位材料，灵活地从传送带上抓取物品，并集成到现有 MRFs 的空间受限环境中。通过持续、实时的训练，它们可以适应变化的物料流，并表现出类似于工人的分拣能力。这些系统还提供附加功能，如运营监测、数据收集和按产品品牌分拣物品的能力。
几篇综述以前在更广泛的废物管理背景下审查了 AI 和机器人分拣。Fang 等人 (2023) 提供了智慧城市中废物管理 AI 应用的全面概述，涵盖跨不同废物流的收集、运输和分拣，确立了 MRF 分拣所处的更广阔格局。Lu 和 Chen (2022) 系统评估了固体废物分拣的计算机视觉方法，而 Kroell 等人 (2022) 调查了用于物料流表征的光学传感器和机器学习。Maier 等人 (2024) 提供了跨工业应用的基于传感器的分拣技术的广泛调查，而 Kiyokawa 等人 (2024) 调查了混合工业废物特定的机器人分拣挑战。我们的论文通过专门关注“清洁”MRFs 补充了这些工作，其运营背景主要基于美国。审查的 AI 和机器人文献有意涵盖广泛，跨越了关于中国厨余设施、欧洲工业分拣厂和合成数据集的文献，因为许多涵盖的技术领域没有 MRF 特定的文献。当研究源自非美国或非 MRF 环境时，它们被视为提供可转移但间接的证据，其测试背景在表 2 中注明。本文解决了现有文献中未充分涵盖的三个方面的内容：（1）塑造 MRFs 中 AI 和机器人系统现实世界部署的经济壁垒和部署壁垒；（2）将 AI 检测从机器人分拣/执行中分离出来的新兴行业趋势，AI 越来越多地与光学分拣器一起部署，而不是与机器人集成；以及（3）关于吞吐量限制、机械手可靠性和设施经济学等运营约束的专家观点，这些在已发表文献中尚未得到充分代表。
尽管有潜力，机器人分拣器在集成到 MRFs 时面临重大挑战。MRFs 呈现出高度不可预测的环境，其特征是各种物品密集地聚集在快速移动的传送带上，要求机器人分拣器以高速有效分离材料。本工作的目标是评估部署在 MRFs 的机器人分拣器的当前状态，并确定它们面临的挑战，旨在为未来研究提供信息。论文的其余部分结构如下：第 2 节详细介绍了研究使用的方法论；第 3 节提供了关于 MRFs 及其分拣运营的背景信息；第 4 节提出了从文献综述和专家咨询中发现的机器人和 AI 分拣系统实施描述；第 5 节概述了从两个来源确定的挑战；第 6 节基于发现提供了讨论。
章节片段
方法论
研究方法涉及两个阶段：文献综述和行业专家讨论。文献综述包括 2024 年在三个主要学术数据库中进行的结构化搜索：工程村、Web of Science 和 IEEE Xplore。选择这些数据库是因为它们广泛且重叠地涵盖了与该主题相关的工程、计算机科学和应用科学文献。使用以下搜索字符串收集相关研究：（机器人 或
MRF 运营
除了分为“清洁”和“脏”之外，MRFs 还可以根据它们如何接收回收物进行分类，即单流或双流。单流 MRFs 接受所有回收物作为组合进料流，而双流 MRFs 将纤维（纸张和纸板）产品与其他混合材料（如塑料、金属和玻璃）分开接收。MRFs 接受的回收物成分通常由材料类型或产品类型描述。典型产品
MRFs 中机器人分拣相关的活跃研究领域
我们对近期文献的审查确定了 MRFs 中机器人分拣的若干活跃研究领域。这些包括新型 AI 算法和数据集、多模态目标检测和实例分割系统，以及新的传感模式，MRFs 中的集成分拣系统，以及新型抓取和握持方法。以下小节概述了每个领域的代表性工作。
MRFs 中 AI 和机器人分拣的挑战
通过文献综述和专家咨询确定了 AI 和机器人分拣器面临的几项挑战。我们提出了涉及机器人和 AI 系统的各种研究领域的已确定挑战，用于分拣回收物。
讨论
专家咨询表明，部署机器人的趋势正在从在 MRFs 从传送带上分离回收物向带有气射流的光学分拣器转变，结合 AI 检测系统。最初，机器人系统被视为一种比人工分拣器具有成本效益且相对简单的替代方案，提供了工人灵活性和气射流分拣器自动化之间的中间地带。然而，实际经验揭示了重大局限性。机器人难以
免责声明
本论文中确定了某些设备、仪器、软件或材料，以充分指定实验程序。这种识别不旨在暗示美国国家标准与技术研究院（NIST）对任何产品或服务的推荐或认可，也不旨在暗示所确定的材料或设备必然是为此目的可用的最佳选择。
CRediT 作者贡献声明
坦梅·哈尔丹卡尔：写作 – 审查与编辑，写作 – 原稿，方法论，调查，概念化。凯尔西·舒马赫：写作 – 审查与编辑，监督，形式分析，概念化。
写作过程中生成式 AI 和 AI 辅助技术声明
在工作准备期间，作者使用了 Grammarly 来提高可读性和语言质量。使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。
竞争利益声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些可能会影响本论文中报告的工作。
坦梅·哈尔丹卡尔 | 凯尔西·舒马赫
