库存不可信
WMS 说 SKU 在 A-03，现场却在 B-02；拣货员、AMR、客服和客户都被错误库存拖慢。
01 · Problem
仓库最贵的不是作业，而是异常没人闭环。
仓库主管每天被异常打断：WMS 只记录状态，群聊只传递情绪，现场人员靠经验补救。结果是订单延迟、重复盘点、跨班扯皮、客户投诉、加班成本和管理层救火。
异常无人认领
错拣、缺货、卡单、补货断点和设备卡停在多个系统之间漂移，没有 owner、SLA 和升级链。
退货拖毛利
破损、错货、疑似欺诈、可售/不可售判定缺标准证据，返架慢，索赔和折价空间流失。
自动化断层
WMS 记录流程，机器人执行动作，相机看到现场，但异常没有统一任务语言和证据标准。
02 · Why Now
仓库正在从“人海调度”进入“利润率保卫战”。
订单碎片化、即时履约、退货增长、用工波动、物流降本和机器人普及，让异常频率和处置成本同时上升。企业不再只买自动化设备，而是需要一套能把异常压下去的运营系统。
$849.9B
NRF 预计 2025 年美国零售退货规模；线上退货率 19.3%。
13.9%
2025 年中国社会物流总费用/GDP 首次低于 14%，政策目标到 2027 年约 13.5%。
1989.5 亿件
2025 年中国快递业务量，仓内波峰、临时工和错件压力持续存在。
2.75 万亿
2025 年中国跨境电商进出口额，海外仓退货、换标、质检和库存纠偏成为刚需。
03 · Core Insight
异常不是单点事件，而是一条未完成的业务链。
真正的问题不在“有没有报警”，而在报警之后谁负责、多久响应、是否升级、证据是否足够、有没有根因、下次是否避免。闭环系统比单个机器人或看板更接近仓库经理的预算语言。
责任
每个异常必须有 owner、SLA、影响订单/客户、升级规则和目标状态。
证据
扫码、照片、视频、RFID、重量变化、机器人状态和人工确认一起证明“已经纠正”。
复盘
失败、低置信度、人工接管、超时和复发进入异常库，变成下一版流程和 edge skill。
04 · Solution
WarehouseLoop 是 existing warehouse 之上的异常闭环操作层。
它不替代 WMS/WES/AMR，也不从“全自动无人仓”开始。它连接 WMS、TMS、PDA、摄像头、RFID、称重、AMR/叉车/机械臂和人工复核，把每个异常从现场发现推进到派单、纠偏、验证、回写和复盘。
- Capture：订单、库存、路径、设备、人员状态、固定相机、扫码、RFID、称重和 WMS 对账发现异常。
- Classify：判断影响订单、客户、时效、SLA、退货价值、dock dwell 和 AMR 任务风险。
- Dispatch：异常变成有负责人、SLA、优先级、目标状态和证据要求的任务。
- Close：扫码、照片、视频、RFID、重量变化和机器人状态组成证据包，回写 WMS/WES/TMS。
- Learn：失败、低置信度、人工接管和复发导出为 LeRobot episode。
05 · Product Workflow
发现、判断、派单、追踪、复盘，一条链跑完。
第一版不做全仓替换，只做一个高频异常流程：库存差异、收货/月台异常、退货质检、putwall 复核或 AMR 卡停。客户要看到异常响应时间、关闭率、回写延迟、证据完整率和主管追踪工时。
发现
Edge camera、PDA、RFID、WMS 对账或 AMR 日志发现错位、漏扫、破损、卡停或退货待判。
判断
系统评估影响订单、客户、时效、库存准确率、退货价值和机器人任务。
派单
分配到仓员、班组、主管、AMR、机械臂或远程协助，并设置 SLA 与升级链。
验证
扫码、拍照、视频、RFID、重量变化或机器人状态验证完成。
复盘
WMS/WES/TMS 回写已修正；根因、复发、接管和失败片段进入训练队列。
06 · Market Wedge
先切入“异常密度最高”的仓库现场。
最好的首单不是全仓智能化，而是 60-90 天把一个高频异常流程闭环：SKU 多、退货高、10+ 月台、临时工多、有 WMS 但自动化碎片化的仓库。
中大型 3PL
多客户、多 SLA、多系统、多临时工，需要中立的异常闭环层。
DTC 品牌仓
服饰、美妆、消费电子 SKU 多、退货多，返架周期直接影响收入和折价。
跨境海外仓
退货分级、换标、破损、疑似欺诈、单证异常和库存纠偏是高价值场景。
物流园 / 分拨
dock dwell、ASN 不符、格口爆仓、包材/面单异常和设备卡停需要分钟级升级。
制造仓储
MES order、kitting、QR/RFID 验证、线边配送失败和备件错发可以复用。
自动化集成商
AMR/ACR/WMS/WES 项目里，异常闭环是可复制的插件和售后增购项。
07 · Business Model
按仓库规模和异常闭环量收费，而不是按硬件 BOM 收费。
收入模型是试点费 + 仓年费 + 模块费 + 系统集成费 + 按订单行/闭环异常的用量费。商业语言聚焦减少异常处理成本、提升履约稳定性和缩短退货返架周期。
60-90 天试点
中国 ¥8万-30万/仓；海外 US$25k-100k/仓，先跑 baseline 再验证改善。
仓年费
中国 ¥20万-80万/仓/年，大仓多模块 ¥80万-200万；海外 US$60k-250k/仓/年。
用量 / 模块
按订单行、closed exception、dock door、视觉点位、AMR 连接和退货模块收费。
集成 / 成果
WMS/WES 集成、码头视觉和客户验证收益可加 10%-20% success fee。
08 · Go-To-Market
从一个痛点班组，扩到整个仓网。
先卖给仓储运营负责人，不从 CIO 长周期切入。以 4-8 周试点证明：异常响应时间下降、超时单减少、WMS 回写更快、主管人工追踪减少。成功后扩到同仓多流程、多仓复制、集团级看板。
Design Partners
2-3 家 3PL、跨境退货中心、服饰/美妆品牌仓或制造备件仓。
First Workflow
退货质检、收货/月台差异、错库位纠偏、putwall 复核或 AMR 卡停。
Trial Metrics
异常 dwell、错拣、dock-to-stock、退货 receive-to-disposition、AMR intervention 和证据完整率。
Channel
WMS/WES/RMS、MHE 集成商、AMR/ACR/机械臂厂商、叉车/货架服务商和 Qualcomm edge 生态。
09 · Competition
我们不是 WMS，也不是机器人调度系统。
WMS 记录流程，BI 展示结果，机器人系统调度设备，群聊处理临时问题。WarehouseLoop 位于它们之间，专注异常处理闭环，把状态、责任、动作、证据、回写和复盘串起来。
Locus / Geek+
AMR pick assist 和货到人强；WarehouseLoop 管异常、proof、WMS 回写和 HIL 数据。
AutoStore / Symbotic
AS/RS 和 mega-DC 自动化强；WarehouseLoop 切 brownfield 3PL、退货和上下游异常。
Corvus / Dexory
库存扫描和数字孪生强；WarehouseLoop 进一步派单、纠偏、验证和回写。
Hai / Quicktron
中国 AMR/ACR 生态成熟；WarehouseLoop 做多系统异常和训练插件。
WMS / WES
system of record 强；WarehouseLoop 是 system of action, evidence and learning。
群聊 / 人工
短期灵活但无法沉淀 SLA、根因、证据、跨班责任和复发预防。
10 · Moat
闭环数据越多，异常处理越准。
护城河来自真实异常库、仓库流程图谱、客户现场规则、设备和系统连接器、跨仓复盘模型，以及每个客户现场持续沉淀的运营知识。
异常图谱
错拣、缺货、卡单、库存差异、dock dwell、AMR 卡停和退货争议的根因链。
证据标准
SKU、库位、tote/bin、条码、RFID、照片、重量、视频、模型版本和 WMS 状态。
HIL 数据
人工接管、低置信度、错误识别、AMR 卡停、复核驳回和恢复策略。
连接器
WMS/WES/ERP/RMS/RCS/TMS、AMR、RFID、扫码、称重和工位系统连接器。
SOP Benchmarks
客户 SOP、SLA、责任分派、审计证据、退货规则和 KPI benchmark。
Edge Profiles
Qualcomm edge model profiles、deployment recipes、fallback layer 和 rollback records。
11 · Architecture
轻集成、边缘感知、云端闭环。
边缘侧接入摄像头、PDA、RFID、称重、传感器、机器人和本地系统；云端做异常规则、AI 判断、任务编排、SLA 管理、证据包和复盘分析。架构重点是低侵入部署，不替换现有 WMS。
LoopCore
WMS/ERP/WES/RMS/RCS/TMS 连接器、ExceptionCase、WarehouseTask、SLA、审计和回滚。
LoopEdge
Qualcomm edge device 连接固定相机、扫码、RFID、称重、AMR、叉车、机械臂和本地安全门控。
LoopRMF
ROS 2、Nav2、MoveIt 2、ros2_control、Open-RMF 和混合厂商 fleet adapter；安全由本地控制器优先。
Learning Cloud
LeRobotDataset、HIL loop、中国/海外训练云、AI Hub / QNN / ONNX Runtime QNN profile 和灰度回滚。
12 · Competition Demo
3 分钟看见一个异常如何被消灭。
桌面 demo 用 2-3 层小货架、6-9 个库位、3 个 mini pallet/tote、SKU 盒子、QR/AprilTag、固定 edge camera、可选扫码枪/RFID/称重台和低速 rover。目标不是全自动仓，而是证明现场异常如何闭环。
Mismatch
Mock WMS 显示 SKU-A 应在 A-03，现场故意放在 B-02。
Edge Detect
Qualcomm edge camera 识别库位 AprilTag + SKU QR，生成红色异常卡。
Correct
系统派单给仓员、低速 AMR 或小机械臂，完成纠偏并扫码/拍照。
Writeback
WMS 从 exception_open 变成 closed_verified，证据包展开时间线、图片、扫码和模型版本。
Train
退货破损/条码不匹配低置信度触发人工复核，接管片段导出为 LeRobot episode。
13 · Why Qualcomm
Qualcomm 是仓库边缘智能的放大器。
WarehouseLoop 需要现场端低延迟感知、设备连接、边缘 AI、稳定网络和低功耗终端。客户的 SKU、订单、视频和退货数据不能都上传到公共云，安全控制也不能依赖公网。
Edge Vision
库位、条码、包装破损、缺件、多件、错放和动作失败在现场判断。
Gateway
条码、RFID、相机、AMR、机械臂、安全门控和 WMS mock 需要稳定本地 gateway。
Runtime
AI Hub、QNN、QAIRT、ONNX Runtime QNN EP 把模型变成可验证 edge artifact。
Hardware Path
RB3 Gen 2/QCS6490 做比赛原型，QCS8550/RB6/Dragonwing IQ10 做更高阶迁移路径。
LeRobot HIL
人工接管转成下一版技能，Qualcomm edge profile 让技能在现场可评估、可回滚。
14 · Ask
把 WarehouseLoop 做成 Qualcomm 仓储 physical AI 的可复制样板。
比赛阶段需要证明完整闭环，而不是证明一个单点模型：异常发现、派单、纠偏、验证、回写、HIL episode、AI Hub/QNN profile 和下一轮部署队列。
Edge Kit
RB3 Gen 2、QCS6490/QCS8550 或 RB6 路线，用于多摄像头边缘感知和 profile。
Scenario Data
mock WMS/API 样例和 5-10 个真实仓务异常流程样本。
Partners
3PL 退货中心、跨境海外仓、品牌履约仓，以及 AMR/机械臂/扫码/RFID 伙伴。
Trial Metrics
异常 dwell、证据完整率、回写延迟、AMR intervention、人工追踪工时和 HIL episode。
15 · Claims & Sources
只讲可验证的商业事实。
页面主张低风险桌面演示、轻集成、异常派单、证据包、WMS/WES/TMS 回写候选路径、LeRobot HIL 和 Qualcomm edge profile。它不主张替代 WMS/WES、全自动无人仓、机器人自主解决所有异常、零错拣、必达 99.99%、30 天 ROI 或已具备安全认证。
一句话 pitch：3PL 和品牌仓用 WarehouseLoop 把错货、漏扫、卡单、退货和破损从现场异常变成可派单、可验证、可回写、可训练的仓库异常闭环。
NRF Returns
Warehouse Automation Market
Interact Analysis Warehouse Automation
MHI Deloitte 2026
US Census E-commerce Q1 2026
BTS warehouse labor
Locus Scale
Symbotic FY26 Q2
Corvus GNC Case
Dexory
NDRC Logistics Cost
Cost Action Plan
China Express Parcels 2025
China Online Retail 2025
China Cross-Border Ecommerce 2025
Geek+
Hai Robotics
Quicktron
Oracle WMS APIs
Manhattan Robotics
GS1 EPCIS
Open-RMF
ros2_control
Qualcomm RB3
Qualcomm RB6
AI Hub
QNN
ONNX QNN
LeRobotDataset
LeRobot HIL
Alibaba PAI
Huawei ModelArts
Tencent GPU
AWS SageMaker
Google Cloud Training
Azure ML