Nomagic 接下 S.OLIVER 倉儲專案：AI 撿鞋盒為什麼需要專用機器人？
Nomagic 為 S.OLIVER 德國據點導入時尚物流自動化，鞋盒是重點品類。解析 Shoebox Picker、AI 感知與投入流程，說明掉落、人工接手及合格吞吐如何影響收益。
Nomagic 的新倉儲專案，把一個看似簡單的動作推到眼前：機器人如何穩定拿起不同鞋盒。
S.OLIVER 選擇在德國 Dettelbach 物流據點導入公司的自動化方案，涵蓋時尚商品與鞋盒的投入作業。
對倉庫而言，物品被拿起只是開始，還要正確放進後續物流流程，才能減少重複搬運。
公告說明了導入範圍，卻沒有提供這個據點的長期運轉率或回本時間，因此成效還要看現場數據。
對商品外觀多變的電商與服飾物流，專用品類能力值得重視，但它能否融入整條線，會比一段抓取影片更有意義。
這次合作的新意，要從導入範圍與鞋盒作業的關係看起。
Nomagic 與 S.OLIVER 合作涵蓋什麼？
新專案以時尚物流的投入作業為核心，並把鞋盒納入自動化範圍。
Nomagic 官方公告在 2026 年 10 月 14 日說明，S.OLIVER GROUP 選擇其方案，用於德國 Dettelbach 物流據點，涵蓋多種時尚商品與鞋盒。
投入作業是把商品送入後續分揀或輸送流程的起點。機器人需要在這個位置接住不同物品，讓它們以後段可以接收的方式繼續移動。
對服飾倉庫來說，商品不只是一種固定形狀。假設一批訂單同時包含袋裝衣物與鞋盒，人工原本會依包裝改變拿法，自動化也得處理這種差異。
把鞋盒加入同一條流程，減少哪種斷點？
若一套系統能處理部分服飾，鞋盒卻仍需另外分流，人就要先挑出不能處理的商品。即使主要機器速度快，這段人工分類仍會限制整體效率。
本次合作的重點，是把鞋盒也納入作業範圍。官方把 Shoebox Picker 列為核心，但沒有公布這個據點的長期運轉率或回本時間。
後續若有現場數據，還要知道包含哪些尺寸與包裝狀態。
合作公告和效果證據，回答的問題不同
客戶願意導入，表示這項需求值得投資，但實際能省多少，則要看工作量與例外。兩種證據有不同價值，不能只用合作品牌大小替代現場結果。
假設原本每天都有一批鞋盒必須轉人工，新方案若能讓其中多數繼續走同一條線，就可能減少搬運。但這是收益機制的推演，不是已公布的專案成績。
先把導入位置看清楚，後面才能問對問題。這套方案要改善的是拿取與投入，不是單憑一項新設備就證明整間倉庫已無人化。
品類範圍決定機器人需要處理哪些抓取難題。
Nomagic has been selected by S.OLIVER GROUP to introduce intelligent robotic automation at the company's logistics site in Dettelbach, Germany.
— Nomagic (@nomagicAI) October 14, 2026
Link to the press release: https://t.co/XEsNRZj9j0 pic.twitter.com/7uUbqbJSaR
鞋盒看起來規則，為什麼仍然難抓？
盒蓋、包裝狀態與擺放方式，都可能改變拿取的可靠度。
鞋盒外觀看起來規則，實際拿取時，盒蓋、底部與周圍物件仍可能有不同關係。機器看見一個長方體，不代表已找到可靠的受力位置。
假設盒蓋沒有扣好，從上方拿起時，可能只帶起蓋子。人會憑接觸感覺調整，機器則需要用感知、機構與控制一起解決，不能只修改物品名稱。
形狀相同，包裝狀態也可能不同
同一款鞋盒可能有凹陷、膠帶或外包裝。這些是假設的驗收情境，官方並未披露每一種狀態的成功率，也沒有公開全部抓取機構細節。
它們會改變的是可接觸表面與物件穩定性。原本可用的位置被遮住，抓取方式就可能失效，因此測試應覆蓋日常真正會遇到的包裝。
尺寸也會改變相鄰物件的空隙。若盒子靠得很近，機器手能否進入、拿起時是否帶動旁邊物品，都會影響一次拿取是否完成。
拿起來之後，內容物與盒子仍要保持完整
對物流而言，商品不能只離開原位，還要在移動後維持可出貨狀態。盒子掉落、擠壓或開蓋，都可能增加人工檢查與重新包裝。
假設系統快速搬了很多盒，卻有少量需要補包裝，單看拿取數量就會高估收益。成本應包含商品處理與重新投入，才能看出是否真的省工。
放置姿勢也要符合後段要求。若輸送帶或掃描位置需要特定方向，前端拿法就應考慮放下後的狀態，而非只追求最快離開原位置。
這讓鞋盒題目比辨識外觀更具體。專用品類能力的價值，是讓抓取與後段作業連起來，而不是再增加一個能在畫面上框出物件的模型。
因此，辨識物品與控制手臂必須接成同一個動作流程。
AI 感知如何配合專用品類機構？
系統要把看到的物品轉成可執行的抓取與放置方式。
AI 感知指從影像等資料判斷物品的位置與狀態。Nomagic 公告說明，方案結合 AI 感知與靈活操作，讓更多品類進入同一個流程。
這提供了工作分工，但沒有公開每個控制細節。理解時可以先拆成看見物件、選擇拿法、執行與確認，不必假設它使用某一種未披露的感測器。
看見的位置，還要轉成手臂能到達的位置
假設影像判斷鞋盒在左前方，手臂仍需要知道實際距離與可行路徑。影像上的位置與設備的動作座標若對不上，辨識正確也可能拿空。
座標是描述位置的方法，校正則讓不同視角與機器位置能互相對應。這是機器人流程的一般原理，不代表本次專案已公開特定校正程序。
當物品被碰動，原先位置也可能改變。可靠流程需要用新的觀察接續，而不是一直依照第一次看到的畫面操作，否則錯誤會累積。
專用設計應服務最難的商品關係
假設常見失敗來自盒蓋與盒身分離，改善方向應是讓拿取維持整體穩定。若問題來自相鄰盒子太近，則可能需要改變接近方向或前端擺位。
這些例子說明，機構與資料不能互相替代。更好的影像判斷未必能補足不合適的接觸方式，換一隻手也未必能解決位置估計錯誤。
因此，評估 Shoebox Picker 時，可以要求看到相同品類不同狀態的結果。只展示最整齊的一盒，不足以說明專用設計解決了哪種限制。
商品範圍也應寫清楚。若某類包裝需要先整理，就把整理算進流程，不能讓上游同事默默承擔額外工作，再把機器人的效率獨立算得很高。
商品辨識也要接住正確的工作紀錄
假設相同外觀的鞋盒有不同尺碼，機器人即使搬得穩，仍要把商品對應到正確紀錄。外觀相近與物流身分相同，是兩個不同問題。
因為後段會依商品資訊繼續處理，所以拿取與識別不能各自成功卻彼此對錯。測試時可以檢查每個投入結果，是否仍對應原本那件商品。
這是流程驗收例子，不是公告已披露特定掃碼技術。若現場需要重新確認標籤，就應把這段工作保留在成本裡，不能只計算手臂搬運。
當商品外觀、物理位置與資料身分連在一起，操作員才容易追查異常。掉落後重新投入，也需要知道前一次是否已被後段記錄，避免重複或遺漏。
抓取策略做好，還得確認出錯時整條線如何繼續走。
從展示到倉庫上線，要看哪些例外？
現場驗收應把漏抓、掉落與人工接手一起記錄。
現場錯誤不只影響一次抓取。物品掉在不適合的位置、前端阻塞或後段未接收，都可能讓整條投入作業停住，因此恢復方式很重要。
假設機器抓空，系統若能確認物品仍在原位，可以安排適當重試。若物品已偏移，就需要重新觀察，不能把同一組動作無限制重複。
漏抓、掉落與未完成，要分開記錄
漏抓是沒有拿到預定物品，掉落是拿起後失去控制，未完成則可能發生在投入或交接。分開記錄，才知道改善資料、機構或流程哪一部分。
這是現場驗收建議，不是公告中已公開的報表欄位。團隊可依既有管理方式記錄，但每種錯誤最好能對回原本商品與發生步驟。
若後段暫時不能接收，前端也要有合理安排。持續把物品送進等待區，可能只是把阻塞移到另一個位置，並沒有讓整條線繼續運作。
人工接手不應變成重新找資料
操作員來到現場時，應知道是哪件商品、嘗試了什麼，以及現在需要做哪個動作。只有一個紅燈，通常不足以降低處理時間。
假設同事每次都要重新看畫面、找商品編號，再確認有沒有重複投入，接手負擔可能很高。這些時間也要納入自動化前後比較。
可以先以固定期間的正常作業測試，而非只挑展示時段。商品種類、班次與訂單集中程度不同，都可能改變人工介入次數。
恢復後還要確認原工作是否正確繼續。若為了排除異常而漏記一件商品，後續庫存或訂單便可能對不上，影響會延伸到抓取以外。
這些紀錄會影響成本比較，也決定能否擴大商品範圍。
物流團隊怎麼判斷專案是否有效？
把合格吞吐、人工介入與商品損壞放在同一張作業紀錄裡，才能比較導入前後。
合格吞吐量是單位時間內，真正送入後段並符合要求的商品數量。它比手臂動作次數更接近物流目標，也能避免把重試算成新增產出。
假設新設備增加拿取速度，但商品損傷與人工處理也增加，就需要重新算收益。速度只是其中一項，不能獨立決定導入成功。
先固定商品範圍，才能比較前後
可以選代表性鞋盒與服飾組合，記下工作量、合格投入、例外與人工時間。相同範圍比較，才不會把淡旺季差異全歸因於設備。
若加入新的商品類型，也要保留各類別表現。整體平均看起來進步，仍可能掩蓋某種常見鞋盒一直需要人工處理，讓上游分流無法取消。
批次差異也值得追查。同樣款式換了包裝供應商，表面與硬度可能改變，因此長期效果不能只用最初驗收的一批推定。
專用能力要能融入既有作業節奏
如果前端變快，後端卻無法接收，收益可能停在局部。比較時應看訂單或商品完成整段投入的時間，找出新的限制是否轉移到其他位置。
也可以讓不同班次操作員處理相同例外。若只有原建立團隊能恢復，專案就仍依賴少數人，擴大部署時會碰到維護瓶頸。
採用判斷的改變應有證據。若未來公布持續運轉、損傷與接手工時，可以更具體評估。若只有合作公告，先保留為值得追蹤的導入案例。
對物流團隊，最有用的下一步是整理自己的難商品。把實際包裝與流程拿來測，才能知道專用品類能力是否剛好補上原有自動化的缺口。
後續公開的持續運轉資料，會比單次合作公告更能說明成效。
Nomagic 常見問題
Nomagic 這次是在整間倉庫取代人嗎？
公告聚焦商品投入作業，並把鞋盒納入自動化。不能從一個流程的導入，推定整間倉庫已不需要人工。
鞋盒是長方體，為什麼還需要專用設計？
盒蓋、盒身與擺位會影響可靠拿取。專用能力應看能否維持商品完整，並讓後段正確接收，不只看外觀規則。
S.OLIVER 專案已公布回本時間嗎？
本次官方公告沒有提供該據點的長期運轉率或回本數字。成效需要現場工作量、成本與例外紀錄支持。
測試時應只選最難的鞋盒嗎？
應包含日常常見與困難狀態，並保留各類別結果。只測極端或只測整齊商品，都不容易推估實際工作。
把鞋盒接進流程，才看得到專用機器人的價值
Nomagic 的合作讓鞋盒這個品類更受關注。對需要導入的團隊，先比較合格投入、損傷與人工接手，再看是否能減少原本分流，會比只看抓取影片更有幫助。
想追蹤實體 AI 如何處理日常物品，可以免費訂閱 AI 郵報，並把自己最常需要人工處理的商品列成測試清單。
延伸閱讀：Natura-1 機器人模型亮相：百萬小時人類影片，如何教會靈巧雙手？
延伸閱讀：Daimon TWM 是什麼？機器人串珠與做帆布袋，觸覺世界模型解決哪個難題？
