CN110998467A - 确定运送位置处的下放点的模型 - Google Patents
确定运送位置处的下放点的模型 Download PDFInfo
- Publication number
- CN110998467A CN110998467A CN201880050604.3A CN201880050604A CN110998467A CN 110998467 A CN110998467 A CN 110998467A CN 201880050604 A CN201880050604 A CN 201880050604A CN 110998467 A CN110998467 A CN 110998467A
- Authority
- CN
- China
- Prior art keywords
- drop
- drop point
- point
- neural network
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 259
- 238000013528 artificial neural network Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 3
- 238000002379 ultrasonic velocimetry Methods 0.000 description 152
- 238000004891 communication Methods 0.000 description 22
- 230000007246 mechanism Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 10
- 239000003550 marker Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U70/00—Launching, take-off or landing arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0044—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement by providing the operator with a computer generated representation of the environment of the vehicle, e.g. virtual reality, maps
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/102—Simultaneous control of position or course in three dimensions specially adapted for aircraft specially adapted for vertical take-off of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0836—Recipient pick-ups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/60—UAVs specially adapted for particular uses or applications for transporting passengers; for transporting goods other than weapons
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/60—UAVs specially adapted for particular uses or applications for transporting passengers; for transporting goods other than weapons
- B64U2101/64—UAVs specially adapted for particular uses or applications for transporting passengers; for transporting goods other than weapons for parcel delivery or retrieval
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
- B64U2201/104—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS] using satellite radio beacon positioning systems, e.g. GPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
一种示例性***,包含运送交通工具、连接到运送交通工具的传感器,以及控制***,该控制***确定物体的运送目的地。控制***接收表示运送目的地的至少一部分的物理环境的传感器数据并通过人工神经网络(ANN)确定运送目的地内的物体的下放点。人工神经网络被训练以基于对应的运送目的地内先前指定的下放点而确定下放点,并且包含接收传感器数据的输入节点、连接到输入节点的隐藏节点,以及连接到隐藏节点提供指示下放点的位置的数据的输出节点。控制***附加地使运送交通工具移动到下放点并将物体放置在下放点处。
Description
背景技术
无人交通工具(也可以称为自主交通工具)是能够在没有物理在场的人类操作者的情况下行驶的交通工具。无人交通工具可以以远程控制模式、以自主模式或以部分自主模式操作。
当无人交通工具以远程控制模式操作时,在远程位置处的飞行员或驾驶员可以经由通过无线链接发送到无人交通工具的命令来控制无人交通工具。当无人交通工具以自主模式操作时,无人交通工具典型地基于预编程的导航路标点、动态自动化***,或其组合移动。此外,一些无人交通工具可以以远程控制模式和自主模式来操作,并且在一些实例中可以同时地这样做。例如,远程飞行员或驾驶员可能希望把导航留给自主***而手动地进行另一任务,诸如操作机械***以拾取或下放物体,作为实例。
对于不同的环境存在各种类型的无人交通工具。例如,无人交通工具为空中、地面、水下和太空中的操作存在。示例包含四旋翼飞行器和尾座式UAV等等。无人交通工具还为混合操作存在,其中多环境操作是可能的。混合无人交通工具的示例包含能够在陆地上以及在水上操作的两栖交通工具,或者浮式飞机,其能够着陆在水上以及陆地上。其它示例是可能的。
发明内容
本文描述了自主确定物体运送的下放点的示例性实施方式。操作可以在很少或没有人类干预的情况下确定较大运送目的地内的物体可以被自主运送交通工具安全并容易地下放的点。可以通过一个或多个机器学习模型或算法(诸如人工神经网络)确定下放点,以识别运送目的地内的优选的或最优的下放点。在一些实施例中,可以替代地使用启发式模型确定下放点。此外,在一些实例中,机器学习和启发式模型可以组合为混合模型以确定下放点。机器学习模型可以被训练以基于对应的运送目的地内的多个先前指定的下放点而识别下放点。与先前指定的下放点相关联的数据可以被“挖掘”或以其它方式处理,以提取在确定先前未见的运送目的地中的下放点的过程中可以使用的规则和观测。
在一个示例中,提供了一种***,其包含运送交通工具、连接到运送交通工具的传感器,以及控制***。控制***被配置为确定要由运送交通工具运送的物体的运送目的地。控制***还配置为从传感器接收传感器数据,传感器数据表示运送目的地的至少一部分的物理环境。控制***附加地配置为通过人工神经网络(ANN)确定物体在运送目的地内的下放点。ANN被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定下放点。ANN包含(i)输入节点,配置为接收传感器数据作为输入,(ii)多个隐藏节点,连接到输入节点,以及(iii)输出节点,连接到多个隐藏节点中的一个或多个并配置为提供指示下运送目的地内的放点的位置的数据。控制***还配置为提供指令以使运送交通工具移动到下放点并将物体放置在下放点。
在另一示例中,提供了一种方法,包含确定要由运送交通工具运送的物体的运送目的地。方法还包含从连接到运送交通工具的传感器接收传感器数据,传感器数据表示运送目的地的至少一部分的物理环境。方法附加地包含通过人工神经网络(ANN)确定物体在运送目的地内的下放点。ANN被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定下放点。ANN包含(i)输入节点,配置为接收传感器数据作为输入,(ii)多个隐藏节点,连接到输入节点,以及(iii)输出节点,连接到多个隐藏节点中的一个或多个并配置为提供指示运送目的地内的下放点的位置的数据。方法还包含提供指令以使运送交通工具移动到下放点并将物体放置在下放点处。
在其它示例中,提供非瞬态计算机可读储存介质,其上具有储存的指令,当由计算装置执行该指令时,使计算装置进行操作。操作包含确定要由运送交通工具运送的物体的运送目的地。操作还包含从连接到运送交通工具的传感器接收传感器数据,传感器数据表示运送目的地的至少一部分的物理环境。方法附加地包含通过人工神经网络(ANN)确定物体在运送目的地内的下放点。ANN被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定下放点。ANN包含(i)输入节点,配置为接收传感器数据作为输入,(ii)多个隐藏节点,连接到输入节点,以及(iii)输出节点,连接到多个隐藏节点中的一个或多个并配置为提供指示运送目的地内的下放点的位置的数据。方法还包含提供指令以使运送交通工具移动到下放点并将物体放置在下放点处。
在另外的示例中,提供了***,***包含用于确定要由运送交通工具运送的物体的运送目的地的机构。***还包含用于从连接到运送交通工具传感器接收传感器数据的机构,传感器数据表示运送目的地的至少一部分的物理环境。***附加地包含用于通过人工神经网络(ANN)确定物体在运送目的地内的下放点的机构。ANN被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定下放点。ANN包含(i)输入节点,配置为接收传感器数据作为输入,(ii)多个隐藏节点,连接到输入节点,以及(iii)输出节点,连接到多个隐藏节点中的一个或多个并配置为提供指示运送目的地内的下放点的位置的数据。***还包含用于提供指令以使运送交通工具移动到下放点并将物体放置在下放点处的机构。
前述发明内容仅出于说明性目的,且不意图以任何方式限制。除上述说明性方面、实施例和特征之外,其它方面、实施例和特征通过参考附图和以下详细说明书和附图将变得清楚。
附图说明
图1示出了根据示例性实施例的无人运送交通工具的部件的框图。
图2是示出了根据示例性实施例的无人运送交通工具***的简化框图。
图3示出了根据示例性实施例的流程图。
图4示出了根据示例性实施例的人工神经网络。
图5A示出了根据示例性实施例的人工神经网络的节点的结构。
图5B、图5C和图5D示出了根据示例性实施例的激活函数。
图6示出了根据示例性实施例的采用人工神经网络的***。
图7A示出了根据示例性实施例的运送目的地。
图7B和图7C示出了根据示例性实施例的运送目的地的模型。
图7D示出了根据示例性实施例的候选下放点。
图7E示出了根据示例性实施例的物体运送。
图8A示出了根据示例性实施例的用户界面。
图8B示出了根据示例性实施例的另一用户界面。
图8C示出了根据示例性实施例的其它用户界面。
图9示出了根据示例性实施例的另一流程图。
图10A示出了根据示例性实施例的分类的物理特征。
图10B示出了根据示例性实施例的结构布置。
图10C示出了根据示例性实施例的示例性下放点分数。
具体实施方式
以下具体实施方式参照附图描述了本公开的装置、***和方法的各种特征和操作。本文描述的说明性装置、***和方法实施例并不意味着是限制性的。应当理解,词语″示例性″、示例″和″说明性″在本文中用来表示″用作示例、实例或说明″。本文中描述为″示例性″、″示例″或″说明性″的任何实施方式、实施例或特征不一定解释为比其它实施方式、实施例或特征优选或有利。此外,如本文总体地描述并且在附图中示出的,本公开的方面可以以各种不同的配置来布置、替换、组合、分离和设计。
在下面的具体实施方式中,参考形成其一部分的附图。在附图中,除非上下文另外指出,否则相似的符号通常标识相似的部件。在不脱离本文提出的主题的精神或范围的情况下,可以利用其它实施例,并且可以进行其它改变。此外,除非另有说明,否则附图未按比例绘制,仅用于说明目的。此外,这些图仅是代表性的,并且未示出所有部件。例如,可能未示出附加结构或约束部件。
I.概述
包裹运送服务当前依赖人类运送人员使用他们的判断和直觉来找到运送目的地(例如,家庭或工作地址)并在运送目的地选择在运送时放置包裹的点(例如,前廊、侧门等)。随着包裹运送服务开始采用无人运送交通工具,包裹接收者可以对以下具有更多控制:何时运送包裹、包裹运送到的运送目的地,以及包裹在运送时被放置的点。例如,除了运送到家庭或工作的现有范例之外,无人运送交通工具可以被调度以在精确的、用户指定时间将包裹运送到除接收者的家庭之外(例如,当前用户位置,诸如咖啡厅、餐厅、健身房等)的位置。此外,接收者可以能够借助于计算装置指定包裹的精确目标下放点。例如,接收者可以指定点,包裹在该点处将没有被盗风险并且将不会阻挡门或走道。
然而,重复地指定包裹和其它物体的目标下放点可能变得令人厌烦,导致包裹接收者不指定下放点或重复使用旧的下放点。然而,运送目的地的环境和物理特征可能随时间改变,导致旧的下放点变得被阻碍或不可到达。在一些实例中,运送目的地的环境可以足够频繁地改变,使得甚至新指定的下放点变得不可到达。例如,在给定时间窗口内可能运送比指定下放点的数目更多的包裹。从而,运送***可能需要能够确定物体在运送目的地处可以被放置的替代性下放点。
相应地,本文描述的是自主确定运送目的地内的下放点的***。***可以通过人工神经网络(ANN)或其它机器学习模型确定下放点。ANN可以被训练以基于多个对应的运送目的地内的多个先前指定的下放点确定下放点。先前指定的下放点可以是早前时间由运送***内的人类用户和操作者选择的下放点。基于这样的先前人类输入的训练ANN允许ANN自主地确定人类用户自身将很可能选择的下放点。
多个先前指定的下放点中的每个相应的先前指定的下放点可以与ANN的训练中使用的附加数据相关联。例如,附加数据可以包含运送到相应的先前指定的下放点的相应的物体的大小、由相应的先前指定的下放点处的相应的物体占据的面积/体积、运送相应的物体的运送交通工具的物理能力、运送时的天气条件、居住区的犯罪统计等。
训练的ANN可以接受表示运送目的地的传感器数据或虚拟模型与任意可用附加数据一起作为输入。基于输入,ANN可以确定运送目的地内的下放点。ANN的输出可以包含指示运送目的地内的一个或多个下放点的位置的数据。例如,数据可以包含表示运送目的地的虚拟模型内的下放点的坐标。一个或多个下放点中的每一个可以与置信水平相关联,可以基于置信水平为要运送的物体选择最终下放点。
训练的ANN可以通过对多个先前指定的下放点的训练,展现对下放点的直觉型确定,其与人类进行决定的过程类似,并且从而可适用于各种运送目的地,包含ANN先前尚未遇到或训练的运送目的地。此外,通过***地考虑人类运送人员可能未考虑的附加数据,ANN可能能够***地(并且或许具有比人类更高成功率)选择物体接收者可能满意的下放点。
在一些实施例中,下放点可以替代地通过使用启发式模型确定。例如,在基于传感器数据确定运送目的地的虚拟模型之后,运送目的地内的物理特征可以被根据多个预定义类别分类。物理特征可以使用例如计算机视觉算法基于大小、形状、颜色等来分类。分类的物理特征可以使用启发式模型组合为更复杂的结构布置。例如,台阶、墙壁和门的组合可以指示房子的入口。
可以为运送目的地内的结构布置中的每一个确定下放点分数。分数可以如上所述由附加数据调节,以反映包裹被运送的境况和包裹接收者的任意偏好。例如,与当期望天气晴朗时相比,当期望天气下雨时提供雨水保护的结构布置可以与更高下放点分数相关联。每个相应的结构布置的下放点分数可以用于选择运送物体的给定境况下的很可能是优选或最优的下放点。
在一些实施例中,机器学习模型用于确定下放点的方面可以与启发式模型的方面组合以形成混合模型。例如,混合模型可以采用机器学习方案来分类运送目的地内的物理特征。可以使用启发式模型确定结构布置。结构布置中的每一个的下放点分数可以由诸如ANN的机器学习模型确定或编码。从而,下放点分数可以在附加训练数据变为可用时通过重新训练ANN而动态地更新或调整。
II.示例性无人运送交通工具***
本文,术语“无人运送交通工具(unmanned delivery vehicle)”和“UDV”是指能够在没有物理上在场的人类飞行员的情况下进行一些功能的任意自主或半自主交通工具。UDV可以用于运送物体(例如,包装的货物)并且从而可以配置为用于拾取、运输和下放物体。然而,UDV还可能能够独立于物体运送进行操作。UDV可以采取各种形式。例如,UDV可以是地面交通工具、空中交通工具、水上交通工具,或多地形混合。
图1是图示了根据示例性实施例的无人运送交通工具100的部件的简化框图。UDV100可以包含各种类型的传感器,并且可以包含计算***,计算***配置为提供本文描述的功能。在图示的实施例中,UDV 100的传感器包含惯性测量单元(IMU)102、(多个)超声传感器104,和GPS 106,以及其它可能的传感器和感测***。
在图示的实施例中,UDV 100还包含一个或多个处理器108。处理器108可以是通用处理器或专用处理器(例如,数字信号处理器。应用专用集成电路等)。一个或多个处理器108可以配置为执行计算机可读程序指令112,其储存在数据储存体110中并且可以执行以提供本文所描述的UDV的功能。
数据储存体110可以包含或采取一个或多个计算机可读储存介质的形式,计算机可读储存介质可以由至少一个处理器108读取或访问。一个或多个计算机可读储存介质可以包含易失性和/或非易失性储存部件,诸如光、磁、有机或其它存储器或盘储存体,其可以集成为一体或与一个或多个处理器108中的至少一者部分集成。在一些实施例中,可以使用单个物理装置(例如,一个光、磁、有机或其它存储器或盘储存体单元)实现数据储存体110,而在其它实施例中,数据储存体110可以使用两个或更多个物理装置实现。
如所指出的,数据储存体110可以包含计算机可读程序指令112和可能的附加数据,诸如UDV 100的诊断数据。由此,数据储存体110可以包含程序指令112以进行或促进本文所描述的一些或全部UDV功能。例如,在图示的实施例中,程序指令112包含导航模块114。
A.传感器
在说明性实施例中,IMU 102可以包含加速度计和陀螺仪两者,其可以一起用于确定UDV 100的取向。特别地,加速度计可以测量交通工具关于地球的取向,而陀螺仪测量绕轴线的旋转速率。IMU 102可以采取小型化微机电***(MEMS)或纳米机电***(NEMS)的形式或包含MEMS或NEMS。也可以采用其它类型的IMU。
除加速度计和陀螺仪之外,IMU 102可以包含其它传感器,其可以帮助更好地确定位置和/或帮助提高UDV 100的自主度。这样的传感器的两个示例是磁力计和压力传感器。在一些实施例中,UDV可以包含低功率数字3轴磁力计,其可以用于实现无关取向的电子罗盘,以用于精确航向(heading)信息。然而,也可以采用其它类型的磁力计。其它示例也是可能的。此外,UDV可以包含一些或全部上述惯性传感器作为与IMU分开的部件。
UDV 100的空中实现方式还可以包含压力传感器或气压计,其可以用于确定UDV100的高度。替代地,诸如声波测高计或雷达测高计的其它传感器可以用于提供高度的指示,可以帮助改善精确度和/或防止IMU的漂移。
在其它方面,UDV 100可以包含一个或多个传感器,其允许UDV感测环境中的物体。例如,在图示的实施例中,UDV 100包含(多个)超声传感器104。(多个)超声传感器104可以通过生成声波并确定发射波与接收来自物体的对应的回声之间的时间间隔而确定距物体的距离。超声传感器对于无人交通工具的典型应用是障碍回避,并且在空中交通工具的情况下,低水平高度控制。超声传感器还可以用于需要悬停在特定高度或需要能够检测障碍的交通工具。其它***可以用于确定物体、感测物体的存在,和/或确定与附近物体的距离,诸如光检测和测距(LIDAR)***、激光检测和测距(LADAR)***,和/或红外或前视红外(FLIR)***,以及其它可能。
在一些实施例中,UDV 100还可以包含一个或多个成像***。例如,UDV 100可以采用一个或多个静态和/或视频相机以从UDV的环境捕捉图像数据。作为特定示例,电荷耦合装置(CCD)相机或互补金属氧化物半导体(CMOS)相机可以与无人交通工具一起使用。这样的(多个)成像传感器具有许多可能的应用,诸如障碍回避、定位技术、用于更精确的导航的地面追踪(例如,通过对图像应用光流技术)、视频反馈,和/或图像识别和处理,以及其它可能。
UDV 100还可以包含GPS接收器106。GPS接收器106可以配置为提供对熟知GPS***的典型的数据,诸如UDV 100的GPS坐标。这样的GPS数据可以被UDV 100用于各种功能。由此,UDV可以使用其GPS接收器106,如所指示的,至少部分地通过与下达包裹订单的用户相关联的移动装置提供的GPS坐标,来帮助导航到订购的包裹的运送目的地。其它示例也是可能的。
B.导航和位置确定
导航模块114可以提供功能,其允许UDV 100绕其环境移动并到达预期的位置(例如,运送目的地)。为此,导航模块114可以控制UDV的机械特征。例如,在空中UDV中,导航模块114可以通过控制UDV的机械特征来控制飞行的高度和/或方向,机械特征影响飞行(例如,其(多个)方向舵(rudder)、(多个)升降舵(elevator)、(多个)副翼(aileron),和/或其(多个)螺旋桨的方向)。在地面UDV中,导航模块可以通过控制驱动轮子的马达或轨道以及控制交通工具转向的致动器来控制交通工具速度和方向。
为了导航UDV 100到预期的位置,导航模块114可以实施各种导航技术,诸如基于地图的导航和基于定位的导航,例如。在基于地图的导航的情况下,UDV 100可以被提供有其环境的地图,然后可以使用地图来导航到地图上的特定位置。在基于定位的导航的情况下,UDV 100可能能够使用定位在未知环境中导航。基于定位的导航可能涉及UDV 100建立其环境的其自身的地图并且计算其在地图内的位置和/或物体在环境中的位置。例如,随着UDV 100在其环境中移动,UDV 100可以持续地使用定位来更新其环境的地图。该连续绘图过程可以称为同时定位和绘图(SLAM)。还可以采用其它导航技术。
在一些实施例中,导航模块114可以使用依赖路标点的技术导航。特别地,路标点是坐标的集合,其识别物理空间中的点。例如,空中导航路标点可以由特定维度、经度和高度定义。相应地,导航模块114可以使UDV 100从路标点移动到路标点,以便最终行驶到最终目的地(例如,路标点序列中的最终路标点)。
在其它方面,导航模块114和/或UDV 100的其它部件和***可以配置为“定位”以更精确地导航到大体目的地中的目标点。更具体地,在某些情况下UDV在大体目的地中的目标点的阈值距离内(例如,运送目的地内的目标下放点)内可能是符合预期的,其中正由UDV运送载荷120。为此,UDV可以使用两层方案,其中其使用更普遍的位置确定技术来导航到与目标点(例如,物体的目标下放点)相关联的大体目的地(例如,运送目的地),并且然后使用更细化的位置确定技术来识别和/或导航到大体目的地内的目标点。
例如,UDV 100可以导航到运送目的地的大体附近,其中正使用路标点和/或基于地图的导航运送载荷120。UDV然后可以切换到一模式,在该模式下其采用定位过程来定位并行驶到运送目的地内的目标点。例如,如果UDV 100要运送载荷到用户的家庭,UDV 100可能需要实质上接近于载荷的目标下放点,以便避免将载荷运送到不合预期的区域(例如,房顶上、水池中、邻居的物业等)。然而,由于GPS***的固有精确度限制,GPS信号可能限制为精确地引导UDV 100到运送目的地的阈值距离内(例如,在用户的家庭的街区内)。然后可以使用更精确的位置确定技术来找到运送目的地的大体附近内的具体目标下放点。
一旦UDV 100已经导航到运送目的地的大体附近,各种类型的位置确定技术可以用于完成目标点的定位。例如,UDV 100可以装备有一个或多个感测***,诸如,例如超声传感器104、红外传感器(未示出),和/或其它传感器,其可以提供输入,导航模块114使用该输入来自主地或半自主地导航到具体目标点。
作为另一示例,一旦UDV 100到达运送目的地的(或移动的主体的,诸如人员或它们的移动装置的)大体附近,UDV 100可以切换到“线控飞行(fly-by-wire)”模式,其中其至少部分地由远程操作者控制,远程操作者可以导航UDV 100到目标运送目的地内的下放点。为此,来自UDV 100的感测数据可以被发送到远程操作者以辅助它们导航UDV 100到目标下放点。
作为又一示例,UDV 100可以包含能够发信号到路过者(passer-by)的模块,以辅助到达具体目标运送位置。例如,UDV 100可以显示视觉消息,视觉消息以图形显示请求这样的辅助,和/或通过扬声器播放音频消息或音调以指示需要这样的辅助,以及其它可能。这样的视觉或音频消息可以指示运送UDV 100到特定人员或特定目的地时需要辅助,并且可以提供信息以辅助路过者运送UDV 100到人员或位置(例如,人员或位置的描述或图片),以及其它可能。这样的特征在UDV无法使用感测功能或另外的位置确定技术来到达运送目的地内的具体目标点的情景下可能是有帮助的。然而,该特征不限于这样的情景。
在一些实施例中,一旦UDV 100到达运送目的地的大体附近,UDV 100可以采用来自用户的远程装置(例如,用户的移动电话)的信标来定位人员。这样的信标可以采取各种形式。作为示例,考虑远程装置(诸如请求UDV运送的人员的移动电话)能够发出方向信号(例如,经由RF信号、光信号和/或音频信号)的情景。在此情景下,UDV 100可以配置为通过“寻源(sourcing)”这样的方向信号导航-换言之,通过确定哪里信号最强并相应地导航。作为另一示例,移动装置可以发射在人类范围内或在人类范围之外的频率,UDV 100可以收听该频率并相应地导航。作为相关示例,如果UDV 100正收听口头命令,则UDV 100可以采用口头声明,诸如“我在这里!”以寻源请求运送载荷的人员的具***置。
在替代性布置中,导航模块可以实施在远程计算装置处,远程计算装置与UDV 100无线通信。远程计算装置具体接收指示UDV 100的操作状态的数据,允许其评估UDV 100正经受的环境条件的来自UDV 100的传感器数据,和/或UDV 100的位置信息。提供有这样的信息,远程计算装置可以确定应由UDV 100进行的高度和/或方向调整,和/或可以确定UDV100应如何调整其机械特征(例如,其(多个)轮子、(多个)轨道(track)、(多个)足(leg)、(多个)方向舵、(多个)升降舵、(多个)副翼,和/或其(多个)螺旋桨的速度),以便实现这样的移动。远程计算***然后可以将这样的调整通信到UDV 100,从而其可以以确定的方式移动。
C.通信***
在其它方面,UDV 100包含一个或多个通信***116。通信***116可以包含一个或多个无线接口和/或一个或多个线缆接口,其允许UDV 100经由一个或多个网络通信。这样的无线接口可以提供一个或多个无线通信协议下的通信,诸如蓝牙、WiFi(例如,IEEE802.11协议)、长期演进(LTE)、WiMAX(例如,IEEE 802.16标准)、射频ID(RFID)协议、近场通信(NFC),和/或其它无线通信协议。这样的线缆接口可以包含以太接口、通用串行总线(USB)接口,或相似接口,以经由线缆、双绞对线缆、同轴电缆、光学链接、光纤链接,或与线缆网络的其它物理连接通信。
在一些实施例中,UDV 100可以包含通信***116,其允许短距通信和长距通信。例如,UDV 100可以配置为使用蓝牙短距通信并在CDMA协议下长距通信。在这样的实施例中,UDV 100可以配置为充当“热点”,或换言之,作为远程支持装置与一个或多个数据网络(诸如蜂窝网络和/或互联网)之间的网关或代理。如此配置,UDV 100可以促进数据通信,否则远程支持装置将无法自己进行数据通信。
例如,UDV 100可以提供对远程装置WiFi连接,并且充当蜂窝服务供应商的数据网络的代理或网关,UDV可以在LTE或3G协议下连接到该数据网络,作为示例。UDV 100也可以充当高空气球网络、卫星网络,或这些网络的组合及其它的代理或网关,其中远程装置可能无法以其它方式访问这些网络。
D.电力***
在其它方面,UDV 100可以包含(多个)电力***118。电力***118可以包含一个或多个电池以向UDV 100提供电力。在一个示例中,一个或多个电池可以是可重新充电的,并且每个电池可以经由电池与电力供给之间的有线连接和/或经由无线充电***(诸如电感充电***,其向内部电池供给外部时变磁场)重新充电。
E.载荷
UDV 100可以采用各种***和配置以便运输载荷120。在一些实现方式中,给定UDV100的载荷120可以包含“包裹”或采取“包裹”的形式,“包裹”设计为将各种货物运输到目标运送位置。例如,UDV 100可以包含隔间(compartment),其中一个或多个物品可以被运输。这样的包裹可以是一个或多个食品物品、购买的货物、医疗物品,或任意其它(多个)物体,其具有适于在两个位置之间由UDV运输的大小和重量。在其它实施例中,载荷120可以简单地是正被运送的一个或多个物品(例如,没有容纳物品的任何包裹)。
在一些实施例中,载荷120可以附接到UDV并且在一些或全部期间实质上位于UDV的外部。例如,包裹可以在飞行到目标位置期间用绳栓或以其它方式可释放地附接在空中UDV下方。在包裹在空中UDV下方携载货物的实施例中,包裹可以包含各种特征,以保护其内容物免受环境影响,降低***上的空气动力阻力,并且防止包裹的内容物在空中UDV飞行期间偏移。
例如,当载荷120采取用于运输物品的包裹的形式时,包裹可以包含由防水纸板、塑料或任意其它轻重量且防水材料构造的外壳。此外,为了在由空中UDV运输时降低阻力,包裹可以具备具有尖锐正面的光滑表面的特征,其减小正截面积。此外,包裹的侧面可以从宽的底部渐缩至窄的顶部,其允许包裹充当窄吊架,其降低UDV的(多个)翼上的界面效应。在可以将包裹的一些正面面积和体积从UDV的(多个)翼移动,从而防止由包裹导致(多个)翼上的升力下降。进一步地,在一些实施例中,包裹的外壳可以由单片材料构造,以便降低气隙或额外材料,两者都可能增大***上的阻力。附加地或替代地,包裹可以包含稳定器以衰减包裹震颤(flutter)。该震颤上的降低可以允许包裹具有与UDV的刚性较低的连接,并且可以使包裹的内容物在飞行期间较少偏移。
为了运送载荷,空中UDV可以包含可缩回运送***,其在UDV悬停在上方时将载荷降低到地面。例如,UDV可以包含由释放机构耦接到载荷的栓绳。绞盘可以展开和盘绕栓绳以降低和升高释放机构。释放机构可以配置为在被栓绳从UDV降低时固定载荷,并且一经达到地面高度即释放载荷。释放机构然后可以通过使用绞盘卷入栓绳缩回到UDV。
在一些实现方式中,载荷120可以一旦降低到地面即被动地释放。例如,被动释放机构可以包含一个或多个摆动臂,摆动臂适配为缩回到壳体中和从壳体延伸。延伸的摆动臂可以形成钩,载荷120可以附接在钩上。一旦经由栓绳将释放机构和载荷120降低到地面,释放机构上的重力以及向下惯性力可以使载荷120从钩脱离,允许释放机构朝空中UDV上升。释放机构还可以包含弹簧机构,其偏置摆动臂以在摆动臂上不存在其它外力时缩回到壳体中。例如,弹簧可以在摆动臂上施加力,其朝向壳体推或拉摆动臂,使得一旦载荷120的重量布置在迫使摆动臂从壳体延伸,摆动臂缩回到壳体中。缩回摆动臂到壳体中可以降低当一经运送载荷120释放机构朝UDV上升时释放机构绊住(snag)载荷120或其它附近物体的可能性。
主动载荷释放机构也是可能的。例如,诸如基于大气压的测高计和/或加速度计的传感器可以帮助检测释放机构(和载荷)相对于地面的位置。来自传感器的数据可以在无线链接上被通信回到空中UDV和/或控制***,并用于帮助确定释放机构何时已经达到地面水平(例如,通过用加速度计检测表征地面碰撞的测量)。在其它示例中,基于重量传感器检测到栓绳上的阈值低的向下力和/或基于当降低载荷时由绞盘消耗的功率的阈值低的测量,空中UDV可以确定载荷已经达到地面。
附加于或替代于用绳栓的运送***的运送载荷的其它***和技术也是可能的。例如,UDV 100可以包含气囊投放***或降落伞投放***。替代地,携载载荷的UDV 100可以简单地在运送位置处降落在地面上。其它示例也是可能的。
基于地面的UDV可以包含铰接式机器人臂,其可以用于将载荷移动出UDV上的储存隔间之外,并且将物体放置在目标运送目的地内的下放点。
III.示例性UDV部署***
可以实施UDV***以便提供各种UDV相关的服务。特别地,可以在若干不同发射场提供UDV,发射场可以与地区和/或中央控制***通信。这样的分布式UDV***可以允许UDV迅速部署以在大地理区域(例如,远大于任何单个UDV的行驶范围的地理区域)上提供服务。例如,能够携载载荷的UDV可以分布在大地理区域(可能甚至遍布整个国家,或甚至全世界)上的若干发射场,以便提供各种物品到遍布地理区域的位置的按需运输。图2是图示根据示例性实施例的分布式UDV***200的简化框图。
在说明性UDV***200中,访问***202可以允许与UDV 204a-204d(即,UDV 204a、204b、204c、和204d)的网络的交互、对UDV 204a-204d的控制,和/或对UDV 204a-204d的利用。在一些实施例中,访问***202可以是计算***,其允许人类控制的UDV 204a-204d派遣。由此,控制***可以包含或以其它方式提供用户界面,用户可以通过用户界面访问和/或控制UDV 204a-204d。
在一些实施例中,UDV 204a-204d的派遣可以附加地或替代地经由-个或多个自动化过程完成。例如,访问***202可以派遣UDV 204a-204d之一以将载荷运输到目标位置,并且UDV可以通过采用诸如GPS接收器和/或其它各种导航传感器的各种随行(on-board)传感器自主地导航到目标位置。
此外,访问***202可以提供UDV的远程操作。例如,访问***202可以允许操作者经由其用户界面控制UDV的飞行。作为特定示例,操作者可以使用访问***202以派遣UDV204a-204d之一到运送目的地。派遣的UDV可以然后自主地导航到运送目的地的大体附近。此时,操作者可以使用访问***202来控制派遣的UDV并将派遣的UDV导航到运送目的地内的目标点(例如,订购的包裹的用户指定的目标下放点)。UDV的远程操作的其它示例也是可能的。
在说明性实施例中,UDV 204a-204d可以采取各种形式。例如,UDV204a-204d中的每一个可以是UDV,诸如图1中所示的UDV。然而,UDV***200还可以采用其它类型的UDV,而不脱离本发明的范围。在一些实现方式中,全部UDV 204a-204d可以具有相同或相似配置。然而,在其它实现方式中,UDV 204a-204d可以包含若干不同类型的UDV。例如,UDV204a-204d可以包含若干类型的UDV(例如,地面UDV、空中UDV和基于水的UDV),每种类型的UDV配置为用于一种或多种不同类型的载荷运送能力。
UDV***200还可以包含远程装置206,其可以采取各种形式。总体上,远程装置206可以是任意装置,可以通过其进行派遣UDV的直接或间接请求。(注意到,间接请求可能涉及可以被派遣UDV响应的任意通信,诸如请求包裹运送)。在示例性实施例中,远程装置206可以是移动电话、平板计算机、膝上式计算机、个人计算机,或任意网络连接的计算装置。此外,在一些实例中,远程装置206可以不是计算装置。作为示例,其允许经由普通老式电话服务(POTS)通信的标准电话可以充当远程装置206。其它类型的远程装置也是可能的。
此外,远程装置206可以配置为经由一个或多个类型的(多个)通信网络208与访问***202通信。例如,远程装置206可以通过在POTS网络、蜂窝网络和/或诸如互联网的数据网络上通信而与访问***202(或访问***202的人类操作者)通信。还可以采用其它类型的网络。
在一些实施例中,远程装置206可以配置为允许用户请求运送一个或多个物品到预期的位置。例如,用户可以经由他们的移动电话、平板计算机或膝上式计算机请求UDV运送包裹到他们的家庭。作为另一示例,用户可以请求动态运送到运送时他们所在任意位置。为提供这样的动态运送,UDV***200可以从用户的移动电话,或用户人员上的任意其它装置接收位置信息(例如,GPS坐标等),使得UDV可以导航到用户的位置(如由他们的移动电话所指示的)。
在说明性布置中,中央派遣***210可以是服务器或服务器组,其被配置为从访问***202接收派遣消息请求和/或派遣指令。这样的派遣消息可以请求或指令中央派遣***210协调将UDV部署到各目标位置。中央派遣***210还可以配置为将这样的请求或指令路由到一个或多个局域派遣***212a和212b。为提供这样的功能,中央派遣***210可以经由数据网络(诸如互联网或私密网络,其被建立以在访问***与自动化派遣***之间通信)与访问***202通信。
在所示的配置中,中央派遣***210可以配置为协调从若干不同局域派遣***212a和212b派遣UDV 204a-2014d。由此,中央派遣***210可以保持追踪UDV 204a-204d中的哪些位于局域派遣***212a和212b,UDV204a-204d中的哪些当前可用于部署,和/或UDV204a-204d中的每一个配置为用于哪些服务或操作(在UDV编队(fleet)包含配置为用于不同服务和/或操作的多种类型的UDV的情况下)。附加地或替代地,局域派遣***212a和212b中的每一个可以配置为追踪其相关联的UDV 204a-204d中的哪些当前可用于部署和/或当前在物品运输之中。
在一些情况下,当中央派遣***210从访问***202接收对UDV-related服务的请求(例如,物品的运输)时,中央派遣***210可以选择特定UDV204a-204d之一以派遣。中央派遣***210可以相应地指令与所选择的UDV相关联的局域派遣***212a或212b派遣所选择的UDV。局域派遣***然后可以操作其相关联的部署***214a、214b、214c或214d以发射所选择的UDV。在其它情况下,中央派遣***210可以将对UDV相关服务的请求转发到请求支持的附近位置的局域派遣***212a或212b,并且将特定一个UDV 204a-204b的选择留给局域派遣***212a或212b。
在示例性配置中,局域派遣***212a和212b可以实施为计算***,其在与它们控制的相应的部署***214a-214d的相同位置。例如,局域派遣***212a可以由安装在建筑物(诸如仓库)的计算***实施,部署***214a和214b和UDV 204a和204b位于该处。在其它实施例中,局域派遣***212a可以实施在与其相关联的部署***214a和214b以及UDV 204a和204b远程的位置处。
UDV***200的图示配置的许多变化和替代是可能的。例如,在一些实施例中,远程装置206的用户可以直接从中央派遣***210请求运送包裹。为此,可以在远程装置206上实施应用程序,其允许用户提供关于请求的运送的信息,并且生成并发送数据消息以请求UDV***200提供运送。在这样的实施例中,中央派遣***210可以包含自动化功能以处理由这样的应用程序生成的请求,评价这样的请求,并且,如果适当,则与适当局域派遣***212a或212b协调以部署UDV。
此外,本文中归属于中央派遣***210、局域派遣***212a和212b、访问***202和/或部署***214a-214b的功能中的一些或全部可以组合为单个***,实现为更复杂的***,和/或以各种方式重新分布在中央派遣***210、局域派遣***212a和212b、访问***202和/或部署***214a-214d中。
进一步地,尽管局域派遣***212a和212b中的每一个已知为与两个部署***214a-214d相关联,但给定的局域派遣***可以替代地具有更多或更少的相关联的部署***。相似地,尽管中央派遣***210示出为与两个局域派遣***212a和212b通信,但中央派遣***210可以替代地与更多或更少的局域派遣***通信。
在其它方面,部署***214a-214d可以采取各种形式。总体上,部署***214a-214d可以采取用于物理地发射一个或多个UDV 204a-204d的***或包含用于物理地发射一个或多个UDV 204a-204d的***。这样的发射***可以包含提供以用于自动化UDV发射的特征和/或允许人类辅助的UDV发射的特征。此外,部署***214a-214d可以各自配置为发射一个特定UDV,或发射多个UDV。
部署***214a-214d还可以配置为提供附加功能,包含例如诊断相关的功能,诸如验证UDV的***功能,验证容纳在UDV内的装置(例如,载荷运送设备)的功能,和/或维护容纳在UDV中的装置或其它物品(例如,通过监测载荷的状态,诸如其温度、重量等)。
在一些实施例中,部署***214a-214d和它们对应的UDV 204a-204d(和可能的相关联的局域派遣***212a和212b)可以策略性地分布在诸如城市的区域上。例如,部署***214a-214d可以策略性地分布,使得每个部署***靠近于一个或多个载荷拾取位置(例如,靠近餐厅、商店或仓库)。然而,部署***214a-214d(和可能的局域派遣***212a和212b)可以以其它方式分布,取决于特定实现方式。作为附加示例,可以在各位置安装自助服务终端(kiosks),其允许用户经由UDV运输包裹。这样的自助服务终端可以包含UDV发射***,并且可以允许用户提供他们的包裹以装载到UDV上并支付UDV运输服务,以及其它可能。其它示例也是可能的。
除上述各种元素之外,UDV***200可以设置干预者(未示出)(例如,人员、机器人装置),其可以维修或恢复经历故障的运送交通工具。可以为市场生成重置任务,其激励干预者去往需要辅助的位置以重启或恢复经历故障的坠落的运送交通工具。不同任务可以基于干预者资格水平分配给特定干预者。
在一些示例中,UDV***200可以根据混合运送模型操作,混合运送模型可以同时计划以使用人类运送者和运送交通工具完成运送。例如,人类运送者可以扮演以下双重角色:运送包裹和良好定位以辅助交通工具(例如,重启坠落交通工具,取出卡在树中的交通工具)。例如,为了运送到覆盖整个居住区的网格,运送交通工具可以交错以一次仅集中在网格的小区段上。人类运送者可以设置在或靠近一组交通工具的中央,以在需要时提供迅速辅助。运送可以计划为将运送交通工具和人类运送者同时通过网格移动,从而保持人类运送者在或靠近该组的中央。在另一示例中,区域的网格可以为每个运送交通工具分为长条带,而非分开的象限。运送交通工具和人类运送者然后可以全部在相同方向上前进,从而人类运送者或另一干预者可以容易地定位以辅助该组中的任何故障的交通工具。涉及同步以完成运送的运送交通工具和人类的其它示例性配置可能存在。
在其它示例中,部署***214a-214d可以包含部署卡车或厢型车,其配置为运输UDV(即,运送交通工具)204a-204d和由UDV 204a-204d运送的物体。部署卡车可以配置为沿着运送路径或路线行驶,并且沿着运送路线派遣UDV以运送物体到运送目的地。相应地,部署卡车可以包含一个或多个元件(例如,传感器、通信***),其配置为监视对应的UDV。对应的UDV可以由与部署UDV的部署卡车相关联的装置或控制***远程地操作。以此方式,UDV可以包含不需要完整感测和计划***来完成任务(例如,物体拾取或下放)的一些运送交通工具。相反,这样的运送交通工具可以进行根据由位于部署卡车或另一位置处的***或操作者远程地提供的计划的操作,导致更成本有效的***。例如,可以利用UDV 204a-204d与相应的部署卡车214a-214d之间的高带宽通信信道或***,从而仅需要到每个运送交通工具的廉价链接。在一些实例中,部署卡车还可以具有其自身的门架机器人以在交通工具被部署用于运送之前将物体(例如,包裹)装载到运送交通工具。此外,部署卡车可以发射单个运送交通工具、多个运送交通工具,或不同类型的运送交通工具。
在其它示例中,基于运送交通工具运送包裹并返回到部署卡车的期望时长,***200可以计划给定部署卡车的路线并且可以最优化路线。例如,部署卡车可以配置为持续地移动通过区域,随着其行进下放并拾取交通工具。当单独运送交通工具特别慢和/或当某些运送目的地可能难以到达时,这样的***可以尤其有利。控制***可以负责单独运送交通工具204a-204d和相应的部署卡车214a-214d两者的路线计划的动态和同时调整。
在其它方面,UDV***200可以包含用户账户数据库216或具有对用户账户数据库216的访问。用户账户数据库216可以包含若干用户账户的数据,并且其各自与一个或多个人员相关联。对于给定的用户账户,用户账户数据库216可以包含与UDV相关的服务相关或在提供UDV相关的服务中有帮助的数据。典型地,与每个用户账户相关联的用户数据可选地由相关联的用户提供和/或在相关联用户的允许下收集。
此外,在一些实施例中,如果人员希望从UDV***200被UDV 204a-204d提供UDV相关的服务,他们可以被要求用UDV***200注册用户账户。由此,用户账户数据库216可以包含给定用户账户的授权信息(例如,用户名和密码),和/或可以用于授权对用户账户的访问的其它信息。
在一些实施例中,人员可以将他们的装置中的一个或多个与他们的用户账户相关联,使得他们可以访问UDV***200的服务。例如,当人员使用相关联的移动电话来例如向访问***202的操作者拨打呼叫或向派遣***发送请求UDV相关的服务消息时,电话可以经由唯一装置识别号识别,并且呼叫或消息可以然后被归属到相关联的用户账户。其它示例也是可能的。
IV.示例性物体运送操作
图3示出了可以由运送***(例如,UDV***200)内的一个或多个计算装置进行的操作的流程图300,以将物体(例如,包装的货物)运送到运送目的地内的下放点。在一个示例中,流程图300的操作可以由服务器装置进行,服务器装置与运送交通工具和客户端计算装置通信。替代地,运送交通工具的控制***(例如,运送交通工具局域的处理器和存储器)可以配置为进行流程图300的操作。在一些实施例中,流程图300的操作可以分布在以下之间:一个或多个服务器装置、一个或多个运送交通工具,以及与物体的接收者相关联的一个或多个客户端计算装置。操作的方式可以基于与本文所述操作相关联的通信带宽。
在示例中,运送目的地可以是请求运送物体的地理位置。运送目的地可以是例如请求运送物体的用户的住所。在其它示例中,运送目的地可以是用户的工作、术语用户的亲属的住所、用户的当前位置,或用户的未来位置,以及其它可能。运送位置的范围可以由例如界址线(property line)定义,界址线对应于围绕全球定位***坐标的住所或径向范围。
此外,在示例中,下放点可以是运送目的地的区域,运送交通工具一经将物体运送到运送目的地要在该处放置物体。下放点的区域可以是运送目的地的区域的子集。下放点可以由用户指定或可以由运送交通工具的控制***通过本文所述操作自主地选择。在一些示例中,当下放点由用户指定时,其可以称为目标下放点或用户指定下放点。
在框302中,可以由运送交通工具为要运送的物体确定运送目的地。例如,运送***可以选择调度要运送的物体的队列中的下一物体,并且分配运送交通工具以运送物体。***可以通过参考数据库确定运送目的地,数据库储存由物体接收者指示作为物体的运送目的地的位置的指示(例如,地址或GPS坐标)。运送交通工具可以拾起物体,并基于运送目的地的GPS坐标将其导航到运送目的地的阈值距离之内(例如,几米之内)。为了定位运送目的地,并且更具体地定位运送目的地内放置物体的下放点,运送交通工具可以在到来运送目的地的阈值距离之内后依赖于附加的非GPS传感器数据。
相应地,在框304中,可以从连接到运送交通工具的传感器接收表示运送目的地的至少一部分的物理环境的传感器数据。传感器可以包含例如相机、立体相机、深度传感器(例如,结构光三维扫描器)、LIDAR、加速度计、磁力计和陀螺仪,以及其它可能。传感器数据可以用于定位运送目的地,在运送目的地时导航运送交通工具,定位运送目的地内的下放点,并将物体放置在下放点处。
为该目的,在一些实施例中,可以基于传感器数据确定运送目的地的虚拟模型。虚拟模型可以表示运送目的地的物理特征,包含包含在运送目的地中,其附近,或从之可观察到的地貌特征、植被、建筑物和其它物体。虚拟模型可以是三维(3D)模型,诸如点云、线框模型、表面模型,或实心模型。替代地,模型可以是二维的并且可以包含深度信息。此外,在一些实施例中,模型可以是表示运送目的地的多个图像的集合。
在一些实施例中,可以从连接到另一交通工具(即,不同于运送物体的交通工具的交通工具)的传感器接收表示运送目的地的至少一部分的物理环境的传感器数据。例如,可以从早些时候将物体运送到运送目的地的交通工具上的传感器接收传感器数据。替代地或此外,可以从在去往另一运送目的地的路线上扫描了运送目的地的运送交通工具接收传感器数据。此外,可以从部署卡车214上的传感器接收传感器数据,如关于图2所讨论的。总体上,可以从运送***中的或通信地连接到运送***的任意交通工具或计算装置接收传感器数据。传感器数据可以是实况/实时的传感器数据串流,或其可以是早些时间点已经收集的传感器数据。
在框306中,可以通过人工神经网络(ANN)确定物体运送目的地内的下放点。ANN可以被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定下放点。ANN可以包含输入节点,配置为接收传感器数据作为输入;多个隐藏节点,连接到输入节点;以及输出节点,连接到多个隐藏节点中的一个或多个,并配置为提供指示运送目的地内的下放点的位置的数据。
在一些示例性实施例中,传感器数据可以被以虚拟模型的形式提供到ANN。相应地,指示下放点的位置的数据可以包含下放点在虚拟模型内的坐标。替代地,ANN可以配置为接收原始传感器数据作为输入。指示下放点的位置的数据可以包含相对于一个或多个运送目的地内的物理特征的位置。
运送***可以配置为确定当物体的接收者在运送物体之前尚未指定他们希望物体被放置的下放点时放置物体的下放点。替代地,在一些实例中,当在运送物体之前由接收者指定的物体的目标下放点被另一物体(例如,掉到目标下放点上的树枝)阻碍时,可以确定下放点。替代地或附加地,由于运送目的地内的物理特征(例如,基于地面的运送交通工具可能无法行驶过栅栏以到达后院中的目标下放点),运送交通工具可能无法找到去往目标下放点的轨迹。此外,在一些情况下,运送***可以出于其它原因确定将物体放置在与接收者所指定的目标下放点不同的下放点。例如,***可以确定由接收者所指定的目标下放点对于在其中放置物体而言过小或目标下放点不安全(例如,从公共走道容易看到或到达)。
用于确定下放点的ANN可以被训练以基于对应的运送目的地内的先前指定的下放点而确定运送目的地内的下放点。先前指定的下放点可以包含例如:(i)物体接收者为先前运送的物体指定的下放点,(ii)物体接收者先前放置物体以由运送交通工具拾取的拾取点,(iii)由相应的物体的其它接收者指定的下放点,(iv)其它接收者先前放置相应的物体以由运送交通工具拾取的拾取点,(v)由人类飞行员在之前运送物体期间选择的下放点,(vi)由运送***(例如,使用ANN)在之前运送物体期间自主地选择的下放点,以及(vii)由其它用户通过软件应用程序选择的下放点,软件应用程序配置为向用户呈现用户可以在之内指定优选下放点的示例性运送目的地。先前指定的下放点(例如,(i)-(vii))可以与表示用户满意度反馈的数据相关联。用户满意度反馈可以在训练期间使用以确定相应的先前指定的下放点的预期符合度。先前指定的下放点的其它来源可以是可能的。
在一些实施例中,先前指定的下放点可以与附加数据相关联,附加数据指示选择先前指定的下放点中的相应的下放点中的上下文(例如,交通工具能力、物体大小、接收者偏好等)。ANN可以基于该附加数据附加地训练并从而在确定下放点时可以考虑这样的附加数据。
当提供传感器数据作为对输入节点的输入时,数据可以传播通过训练的ANN(即,从输入节点,通过隐藏节点,到输出节点),以确定由传感器数据表示的运送目的地内的下放点。提供作为输入的传感器数据可以根据ANN的节点之间的互连和他们的相应的权重值来变换。从而,ANN的输出节点可以提供指示运送目的地内的下放点的位置的数据。
在框308中,可以提供指令以使运送交通工具移动到下放点,并将物体放置在下放点处。指令可以包含例如马达命令,以使运送交通工具遵循轨迹到下放点。此外,在运送交通工具遵循轨迹到下放点时可以接收附加传感器数据。可以基于来自附加传感器数据的反馈确定或调整马达命令以使运送交通工具保持在去往下放点的轨迹上。指令还可以包含命令,以例如一旦运送交通工具在下放点或附近即从运送交通工具脱离或卸载物体。
V.示例性人工神经网络
图4示出了可以用于确定下放点的ANN 400的示例性结构。ANN 400可以包含输入节点411和412至413,其形成ANN 400的输入层410的一部分并配置为分别接受输入x1和x2至xn。在一些实施例中,输入的数目n可以等于或大于传感器数据的大小/尺寸。例如,传感器数据可以是红、绿、蓝,加上包括M列和N行的像素的深度(RGB-D)图像数据。M x N像素装置的每一个可以与四个不同值相关联:红值、绿值、蓝值,以及深度值。相应地,ANN 400可以配置为取n=M x N x 4或更多的输入来作为输入。在另一示例中,可以向ANN 400以3D虚拟模型的形式提供传感器数据,3D虚拟模型包括高度M、宽度N,和深度K。3D模型的每个元素(例如,像素)可以与三个不同值相关联:红值、绿值,以及蓝值。相应地,ANN 400可以配置为取n=M x N x K x 3或更多的输入来作为输入。在其它示例中,ANN400可以接受以不同方式。在一些实施例中,ANN 400可以附加地考虑作为所讨论的本文的其它输入,并且从而可以接受比传感器数据的大小所指定的输入更多的输入。
ANN 400可以附加地包含多个隐藏节点,多个隐藏节点形成一个或多个隐藏层420和430的一部分。隐藏节点421、422、423和424至425可以形成第一隐藏层420,而隐藏节点431、432、433和434至435可以形成第二隐藏层430。在一些示例中,ANN 400可以包含本文未示出的附加隐藏节点和附加隐藏层。可以在训练ANN 400期间经验性地确定隐藏节点和隐藏层的数目,以实现确定具有令人满意的精确度(即,大于阈值精确度的精确度)的下放点的ANN。
值得注意,术语“隐藏节点”和“隐藏层”在本文中分别用于指定节点和层,位于ANN的输入和输出层之间。这些和相似的术语不认为暗示值、函数或与隐藏节点或层相关联的其它性质必然是未知或隐藏的。
ANN 400还可以包含输出节点441和442至443,其形成ANN 400的输出层440的一部分。输出节点441和442至443可以配置为分别提供输出y1和y2至ym。在一些实施例中,输出的数目m可以等于或大于无疑义地指定确定的下放点所需的坐标的数目。例如,当输入传感器数据为RGB-D图像时,输出的数目m可以等于3。即,y1可以指定下放点在RGB-D图像内的水平位置,y2可以指定下放点在RGB-D图像内的垂直位置,并且y3可以指定下放点在RGB-D图像内的深度。相似地,当输入传感器数据是3D虚拟模型时,y1可以指定下放点在虚拟模型内的x位置,y2可以指定下放点在虚拟模型内的y位置,并且y3可以指定下放点在虚拟模型内的z位置。替代地,在一些实施例中,ANN 400可以将M x N x K 3D坐标映射到从0至M x N x K的标量值测距(或其它值,取决于可能的坐标的数目)。从而,ANN 400的输出可以是单个标量值,但其无疑义地指定确定的运送目的地内的下放点。输出441和442至434还可以提供本文中所讨论的附加输出。
ANN 400的节点可以彼此连接,如图4的箭头所示。例如,输入节点411-413可以连接到第一隐藏层420的隐藏节点421-425(即,输入层410可以连接到隐藏层420),隐藏节点421-425可以连接到第二隐藏层430的隐藏节点431-435(即,隐藏层420可以连接到隐藏层430),并且隐藏节点430-435可以连接到输出节点441-443(即,隐藏层430可以连接到输出层440)。在一些实施例中,层的每个节点可以连接到后续层内的每个节点(例如,节点424可以连接到节点431-435中的每一个)。替代地,层内的一些节点可以不连接到后续层内的一个或多个节点。
在其它实施例中,层内的节点可以连接回到先前层内的或相同层内的节点。例如,层430内的节点435可以通过连接436连接到先前层420内的节点425。在另一示例中,层430内的节点435可以连接到层430内的节点431、432、433或434中的至少一者(未示出)。从而,ANN 400可以包含反馈,反馈创建网络内的内部状态。该类型的ANN可以称为递归人工神经网络(RANN)。值得注意,没有任何反馈路径的ANN可以称为前馈人工神经网络(FF-ANN)。
图5A示出了ANN 400的示例性节点550的结构和连接。特别地,ANN400的节点之间的每个连接可以与相应的权重值相关联。输入a1和a2至ak中的每一个可以分别与对应的权重值w1和w2至wk相关联。节点550可以通过首先取每个输入乘以对应的权重值的相应的乘积的和,如由求和结点(summing junction)552所表示。求和结点552可以计算 然后可以通过激活函数554以产生节点550的输出。示例性激活函数在图5B,5C和5D中图示。图5B示出了线性激活函数,其中节点输出是线性正比于图5C示出了高斯激活函数,其中节点输出根据沿着钟形曲线正态分布。图5D示出了S形(sigmoidal)激活函数,其中映射到节点输出的有界范围。
在一些实施例中,ANN 400可以是或可以在其中包含卷积人工神经网络(CANN)的方面。相应地,激活函数554可以是矫正函数(即,f(x)=max(0,x))。当给定层内的全部节点采用矫正函数时,给定层可以称为包含矫正的线性单元(ReLU)层。此外,池化(pooling)层(即,向下采样层)可以包含在层410、420、430和440之间。此外,当ANN 400是或包含CANN时,隐藏节点中的一个或多个可以表示特征滤波器,特征滤波器配置为对于特定特征(例如,垂直线、水平线、曲线、边缘等)滤波输入传感器数据。滤波器可能变得逾渐复杂,由于CANN的隐藏节点被横跨,对于高阶特征滤波。此外,ANN 400可以附加地包含以下方面:概率性神经网络、时延神经网络、监管反馈神经网络,以及脉冲神经网络,以及本文未讨论的其它类型的神经网络。
可以提供节点550的输出作为对ANN 400内的其它节点的输入。在节点550的输出连接到的每个相应的节点处,节点550的输出可以与对应的权重值相乘并且与对相应的节点的其它输入一起求和。例如,可以向节点435提供节点421的输出。节点421的输出可以与同节点421和435之间的连接相关联的权重值相乘。该乘积然后可以在节点435与以下各项一起求和:节点422的输出与节点422和节点435之间的权重值的乘积,节点423的输出与节点423和节点435之间的权重值的乘积,节点424的输出与节点424和节点435之间的权重值的乘积,以及节点425的输出与节点425和节点435之间的权重值的乘积。可以使该和通过激活函数554以确定节点435的输出。节点435的输出然后可以被提供到节点441和442至443。
可以通过基于多个先前指定的下放点和与之相关联的任意附加数据训练ANN 400确定互连的节点之间的权重值。ANN 400的训练可以通过例如反向传播(例如,经典反向传播、带动量(momentum)的反向传播,高斯-雅克比(Gauss-Jacobi)反向传播、高斯-赛德尔(Gauss-Seidel)反向传播等)进行。
总体上,ANN 400可以配置为接受下放点作为输入和基于用于将之训练的数据的类型而确定下放点。从而,例如,基于多个先前指定的下放点训练的ANN(各自在虚拟模型内指定且与以下相关联:包裹大小、运送时的天气条件,以及进行运送的相应的运送交通工具的交通工具能力)可以接受下放点作为输入和基于以下确定给定运送目的地内的下放点:给定运送目的地的虚拟模型、要运送的包裹的大小、运送目的地处当前天气条件,以及进行运送的运送交通工具的能力。
值得注意,训练的ANN 400可以确定运送目的地内的先前尚未遇到的或训练过的候选下放点。基于训练数据,ANN可以确定与先前指定的下放点的位置相似的下放点的位置。例如,ANN可以确定下放点的位置,下放点满足:不阻碍房子的入口、不阻碍绕房子的走道或车道、与公共空间隔开以防止盗窃,并且足够大以容纳物体,以及其它考虑。
此外,通过对已经由人类用户(例如,先前运送的物体的接收者)先前指定的多个下放点训练,ANN 400可以选择很可能与人类将选择的下放点相似的下放点。从而,运送***可以自主地选择很可能令物体接收者满意的下放点,而不直接涉及接收者或其它人类。
VI.***内的人工神经网络的示例性应用
图6示出了采用ANN的示例性***620,ANN配置为确定物体的下放位置。***620的部件可以实施为软件、硬件,或其组合。例如,***620可以表示UDV***200的控制***内的软件模块。此外,***620的部件可以分布在运送交通工具与通信地连接到运送交通工具的一个或多个计算装置(例如,UDV***200内的一个或多个服务器)之间。在一些实施例中,描述为由***620的特定部件进行的操作可以替代地由***620内的一个或多个其它部件或本文未说明的其它部件进行。
***620可以包含派遣***614,派遣***614配置为调度物体的运送,分配运送交通工具以运送相应的物体,以及为运送交通工具提供它们要运送的物体的相应的运送目的地。***620可以附加地包含轨迹计划器612,轨迹计划器612配置为确定导航运送交通工具到运送目的地的轨迹,而在运送目的地时,确定导航运送交通工具到运送目的地内的下放点的轨迹。可以基于来自交通工具上的传感器的传感器数据600确定轨迹。在一些实施例中,虚拟模型生成器602可以基于传感器数据600生成虚拟模型,并且轨迹计划器612可以在计划轨迹中使用虚拟模型。交通工具控制器616可以接收由轨迹计划器612确定的轨迹作为输入,并且可以控制运送交通工具的部件(例如,马达或致动器)以使运送交通工具遵循特定轨迹。
***620还可以包含人工神经网络610,人工神经网络610配置为确定运送目的地内的下放点。ANN 610可以相似于图4中图示的ANN 400。在一些实施例中,ANN 610可以包含两个或更多个ANN,其串行或并行连接,并且各自配置为进行用于确定下放点的操作的子集。ANN 610可以基于传感器数据600、上下文数据604、接收者特定数据606以及运送交通工具能力608确定下放点。
上下文数据604、接收者特定数据606,以及运送交通工具能力608可以表示储存在数据库中的数据,ANN 610可以通信地连接到数据库并且ANN 610可能已经基于其被训练。在一些实施例中,传感器数据600可以由虚拟模型生成器602处理,并且然后以虚拟模型的形式被提供到ANN 610。此外,在一些实施例中,轨迹计划器612可以向ANN 610提供反馈。例如,轨迹计划器612可以确定下放点何时被占据或不可到达,并且可以响应地提示ANN 610以确定替代性下放点。
在调度物体的运送中,派遣***614可以配置为确定分配给运送物体到相应的运送目的地的时间量。分配的时间量可以基于等待运送的物体的数目,与物体相关联的期望的运送日期,以及物体必须运送的距离,以及其它因素。派遣***614可以向轨迹计划器612提供以下指示:要运送的物体,物体的运送目的地,运送物体分配的时间,以及在一些实施例中,用户选择的运送目的地内的要放置物体的下放点。例如,如图7A所示,通过向轨迹计划器612提供住所702的GPS坐标,派遣***614可以指令运送交通工具180运送物体到住所702。
在一些实施例中,在运送物体之前,目标下放点可以由物体的接收者指定。例如,如图7B所示,接收者可以指定目标下放点714为接收者希望物体在运送时被放置的下放点。可以在运送目的地702的虚拟模型712内指定或借助于运送目的地702的虚拟模型712指定目标下放点714。运送***内的计算装置(例如,服务器装置、接收者的智能电话)可以基于从客户端计算装置上的或连接到客户端计算装置的一个或多个传感器接收的传感器数据生成虚拟模型712。例如,接收者可以使用客户端计算装置上的相机捕捉运送目的地702的多个图像。在一些实施例中,每个图像可以与来自客户端计算装置上的一个或多个附加传感器(诸如,例如,GPS模块、磁力计、陀螺仪和加速度计)的附加传感器数据相关联。客户端计算装置可以将图像和附加传感器数据一起传输到远程服务器,远程服务器可以基于图像和附加传感器数据生成虚拟模型712。替代地,客户端计算装置可以配置为本地生成虚拟模型。
然后可以通过客户端计算装置的用户界面显示虚拟模型712。客户端计算装置可以提示在虚拟模型712内指定下放点。下放点714的用户指定可以通过用户界面接收。用户可以使用手势(例如,触摸、点击、滚动等)来在显示的虚拟模型712内放置虚拟“靶心(bullseye)”标记,以指定目标下放点714。从而,接收者可以选择接收者认为对于包裹运送适当或安全的点。例如,接收者可以指定包裹放在挨着接收者的住所的前门,在包裹将不会阻挡前门的点处。相似地,接收者可以指定使包裹放置在接收者的住所的后院中,在锁住的门后,而不是在用户的住所前面。
轨迹计划器612可以配置为至少部分基于GPS坐标将运送交通工具导航到运送目的地的大体附近702。一旦到达运送目的地702的阈值距离内(例如,阈值由GPS的精确度限制定义),轨迹计划器612可以配置为基于传感器数据600导航运送交通工具。轨迹计划器612可以使运送交通工具180通过在运送目的地702的范围上摇拍(panning)传感器视野706来扫描运送目的地702,如图7A所示。在一些实施例中,虚拟模型生成器602可以配置为基于传感器数据600生成虚拟模型。相应地,轨迹计划器612可以基于确定的虚拟模型导航运送交通工具。替代地,轨迹计划器612可以基于传感器数据600直接导航运送交通工具。
当物体的目标下放点已经由接收者指定时,轨迹计划器612可以确定物体是否可以被运送到并放置在目标下放点。例如,轨迹计划器612可以确定目标下放点714是否足够大以容纳物体。轨迹计划器612还可以确定目标下放点714是空的还是被另一物体占据。例如,轨迹计划器612可以确定树木708已经倒下并正阻挡目标下放点714,如图7C所示。可以通过将基于传感器数据600生成的虚拟模型716与早前基于例如由物体接收者收集的传感器数据生成的虚拟模型712比较或与另一早前捕捉的虚拟模型比较而确定阻碍。特别地,通过在模型716之间712比较下放点714周围的局部区域,轨迹计划器612可以确定模型716中的下放点714中或周围的物理特征相对于模型712中的下放点714中或周围的物理特征改变超出阈值。在另一示例中,与比较两个虚拟模型不同,可以通过确定下放点714周围的局部区域不水平或物体已经放置在该处而识别下放点714的阻碍。
此外,轨迹计划器612可以计划到目标下放点714(即,用户指定的下放点)的路径。在一些实例中,轨迹计划器612可以基于传感器数据600和/或由之生成的虚拟模型来确定到目标下放点的路径被运送目的地702的物理环境内的另一物体阻碍。换言之,给定运送交通工具180的物理能力,从运送交通工具的当前位置到目标下放点714的路径可能是不可用的。
在其它实例中,轨迹计划器612可以确定目标下放点在运送目的地内尚未指定。在其它实例中,轨迹计划器612可以确定目标下放点714未被阻碍并且由运送交通工具可到达,但仍可以确定替代性下放点。替代性下放点可以与目标下放点比较,并且两者中更优的可以被选择为物体的下放点。相应地,当目标下放点被占据、不可到达、次优或因其它原因不可用时,ANN 610可以用于自主地确定运送目的地内的下放点702。
在一些实施例中,ANN 610可以配置为确定多个候选下放点718、720和722,如图7D中所示。此外,可以确定与多个候选下放点718-722中的每一个的置信水平。可以从多个候选下放点718-722选择与最高置信水平相关联的下放点为物体的下放点。
在一些实施例中,可以对于多个候选下放点718-722中的每个相应的候选下放点确定将物体到相应的候选下放点并将物体放置在相应的候选下放点的预测的时间量。预测的时间量可以基于相应的下放点与运送交通工具之间距离,以及相应的下放点中和周围的物理特征。例如,物体放置在候选下放点722可能需要附加的时间以小心地导航绕过树木710。可以基于对于每个相应的候选下放点确定的预测的时间量和由例如派遣***614分配给运送物体的时间量而从多个候选下放点选择物体的下放点。
此外,在一些实施例中,当选择下放点时,除预测时间量和分配给运送物体的时间之外,可以考虑与多个候选下放点718-722中的每个相应的下放点相关联的置信水平。例如,可以选择具有以下的候选下放点作为物体的下放点:(i)阈值置信值以上的置信水平,以及(ii)时间阈值以下的预测的时间量(例如,分配给运送物体的时间量以下)。
ANN 610可以配置为基于传感器数据600确定下放点,如先前关于图3所描述的。特别地,传感器数据可以表示运送目的地的物理特征,包含地貌特征、植被、建筑物,以及包含在运送目的地中、其附近或从之可观察到的其它物体。
在一些实施例中,物理特征可以包含先前运送到运送目的地的另一物体(并且尚未被接收者从运送目的地移除)。可以基于先前运送的物体在运送目的地内的位置确定物体的下放点。例如,ANN 610可以自主地确定物体的下放点。***然后可以将自主地确定下放点的位置与先前运送的物体的位置比较。如果位置匹配或相互在阈值距离内,则***可以确定将物体放置在先前运送的物体处或附近。替代地,如果自主地确定的下放点的位置与先前运送的物体的位置相差大于阈值距离,则***可以基于与自主地确定的下放点相关联的置信水平,确定将物体放置在自主地确定的下放点,在先前运送的物体处或附近,或可以请求人类飞行员/操作者选择下放点。
此外,在一些实施例中,ANN 610还可以被训练以经由附加输入节点接收多个附加数据作为输入,并且在确定下放点中考虑多个附加数据。附加数据可以包含例如上下文数据604、接收者特定数据606,以及运送交通工具能力608。在一些实施例中,ANN610基于其训练的先前指定的下放点中的每一个可以与对应的附加数据相关联。
上下文数据604可以包含例如当前和未来天气条件、运送目的地周围的居住区的犯罪统计,和沿着运送目的地附近走道的步行交通模式,以及其它数据。基于该信息,ANN610可以配置为考虑例如确定的下放点的安全性。例如,当上下文数据604指示即将到来的雨水时,ANN610可以确定虽然阻挡门724,但物体最好放在台阶上的下放点718处,而不是雨水可能成池的较低区域内的下放点720或722,如图7D所示。在另一示例中,当上下文数据604指示运送目的地702位于高犯罪率的居住区或在步行交通高于阈值步行交通值的街道上时,ANN 610可以确定后院中的、栅栏后面的下放点726。在一些实施例中,该确定可以在派遣运送交通工具之前进行,从而可以派遣能够跨过栅栏726的运送交通工具(例如,空中运送交通工具)。
接收者特定数据606可以包含例如,接收者的物业(property)的边界,由接收者先前指定的下放点,接收者先前留下物体以由运送交通工具拾起的拾取点,由已经放置物体的先前自主地选择的下放点的接收者提供的打分,以及大小、重量、内容物、易碎性、价值,或要运送给接收者的物体的另一参数。在一些实例中,要运送给接收者的物体的参数可以形成分开的、物体特定的数据类别。此外,在一些实施例中,接收者特定数据606可以指示运送目的地702内接收者指示不要用作下放点的区域(例如,从不运送到后院)。在一些实施例中,接收者特定数据606在确定下放点时可以被给予更大权重,以更精确地反映个体物体接收者的偏好。
例如,ANN 610可以考虑物体尺寸以确定下放点足够大以容纳物体。此外,ANN 610还可以基于物体尺寸确定在下放位置要被物体占据的面积或体积。从而,除提供指示运送目的地内的下放点的位置的数据之外,ANN 610的输出可以提供指示要被物体占据的面积或体积的数据。例如,指示体积的数据可以包含长度、宽度、高度,和放置物体的取向。相应地,下放点可以在虚拟模型716被可视化为3D轮廓,其指示物体将放置在何处。此外,使运送交通工具移动到并将物体放置在下放点处的指令可以包含在确定的区域内并根据确定的区域取向物体的指令。
运送交通工具能力608可以包含表示基于运送交通工具的物理构造运送交通工具可以进行的操作的数据。数据可以对UDV***200中可用的每种类型的运送交通工具可以用。例如,对于基于地面的运送交通工具,运送交通工具能力数据608可以指示交通工具能够跨过的表面纹理的范围,交通工具的轮子、轨道、或足能够克服的最大高度差,以及运送交通工具可以抬高物体的最大高度。
在确定下放点时,ANN 610可以依赖于对应于选择以运送物体到运送目的地的运送交通工具的类型的数据。从而,通过考虑运送交通工具能力,ANN 610可以确定运送交通工具很可能能够到达的下放点(即,由轨迹计划器612可以计划到该下放点的可行轨迹)。在一些实施例中,轨迹计划器612可以操作以验证由ANN 610确定的下放点是可到达的。当确定的下放点不可到达时,轨迹计划器612可以向ANN 610提供指令以使ANN 610从由ANN 610确定的多个候选下放点确定另一下放点或提供另一下放点的坐标。
一旦令人满意的下放点被确定,物体可以被移动到并放置在所确定的下放点,如图7E所示。空中运送交通工具180可以导航到选择的下放点720上方,带着物体728下降,并且将物体728释放到下放点720上。
VII.示例性用户反馈操作
图8A示出了计算装置的示例性用户界面800,以用于从用户征求关于用户对由***自主地选择的下放点的满意度的反馈。例如,在运送交通工具将物体728放置在下放点之后,运送交通工具可以捕捉示出下放点处的物体728的图像。如图8A所示的图像或模型可以被提供给物体接收者作为物体运送的确认。还可以提示物体接收者以对放置物体728(例如,包裹)的下放点720打分。打分可以通过选择最接近对应于用户的满意度的若干星级提供。替代地,打分可以是选自预定义标度的数字(例如,1至10,其中10指示完全满意)。
此外,在一些实施例中,当用户反馈指示接收者对放置物体728的下放点720不满意时(例如,当打分低于阈值打分值时),用户可以被提示以指示用户将优选放置物体的运送目的地内的替代性下放点。图8B示出了计算装置的示例性用户界面802,以提示用户指定替代性下放点。用户界面802可以显示运送目的地702的虚拟模型716。用户可以能够使用计算装置被配置为识别的各种手势导航通过模型716。例如,用户可以能够通过旋转虚拟模型716观察运送目的地702的后院。
用户可以通过放置“靶心”标记804在优选的位置而指定优选的下放点。标记804的放置可以被限制为运送物体728特定类型的运送交通工具能够到达的运送目的地702且足够大以容纳物体728的大小的部分。当用户视图将标记804放置在对特定类型的运送交通工具不可到达的位置时,可以通知用户运送到所选择的位置要求不同类型的运送交通工具,其可能与附加运送收费相关联。
替代地,用户可以通过从对应于多个预定替代性下放点的多个“靶心”标记选择预期的“靶心”标记指定优选的下放点。多个预定替代性下放点中的每一个可以是对运送物体728的特定类型的运送交通工具可到达的并且可以是足够大的以容纳物体728的大小。从而,可以避免试图将“靶心”标记放置在不合适的点。图8C示出了示例性用户界面806,显示了运送目的地702的虚拟模型716,以提示用户从多个预定替代性下放点804、808、810、812和814选择替代性下放点。用户可以通过例如点击或按住标记804来选择“靶心”标记804。选择可以由高亮或以其它方式改变所选择的标记804的视觉外观来指示,如图8C所示。用户可能能够导航通过模型716以查看位于例如运送目的地702的后院中的附加候选下放点(即,“靶心”标记)。
在一些实施例中,用户界面800、802和806可以用于在物体运送之前征求用户反馈。例如,运送交通工具可以到达运送目的地,并且控制***(例如,轨迹计划器612)可以确定物体的下放点尚未指定或因其它原因不可用或不可到达。然后,控制***可以通过ANN确定候选物体的下放点,并且可以提示用户评价候选下放点。例如,用户界面800可以用于显示确定的候选下放点以及提示接受或拒绝显示的下放点。当用户拒绝时,用户界面802或806可以用于提示替代性下放点的指定。在此情况下,用户可以是物体接收者、运送***内的操作者,或评价下放点的合约第三方。
在一些实施例中,用户界面800、802或806可以用作视频游戏或意图征求在多个运送目的地内指定下放点的其它软件应用程序的一部分。游戏或应用程序可以在例如智能电话或平板上是可执行的。视频游戏或应用程序中指定的下放点可以用于构建用于训练ANN的先前指定的下放点的数据库。数据库可以附加地包含前文和后文所讨论的任意方式选择的或指定的下放点。作为指定下放点的交换,视频游戏或应用程序可以为用户提供奖励。奖励可以包含例如游戏内奖励(例如,附加生命、回合或奖金)、现金奖励(例如,每个指定的下放点$0.01),或由运送***免费物体运送,以及其它可能。
在一个示例中,作为其游戏机制的一部分,视频游戏可以包含对指定下放点的操作。例如,视频游戏可以包含驾驶空中交通工具以运送物体到家庭。视频游戏可以奖励将包裹放置在安全、方便的位置,并且可以惩罚放置在不合预期的位置。视频游戏还可以模拟天气条件、犯罪率、接收者偏好、交通工具能力等,如上所述,以增加或最大化收集的训练数据的量。在另一示例中,下放点指定游戏或应用程序可以与一个或多个第三方游戏或应用程序相关联,并且可以用于赚取第三方游戏或应用程序中的奖励。例如,作为指定一定数目的下放点的交换,可以在第三方视频游戏赚取附加生命,或赚取串流应用程序内的附加观看时间。
由用户提供的反馈可以用于重新训练并更新ANN以在未来更精确地确定下放点。重新训练可以包含调整与ANN的节点中的至少一部分之间的连接相关联的相应的权重值。随着附加训练数据变得可用,ANN可以被持续地重新训练并更新。
VIII.示例性启发式模型
在一些实施例中,可以使用启发式模型确定下放点,启发式模型配置为使用预定义规则确定下放点。图9示出了用于运送物体到下放点的启发式方案的示例性操作的流程图900。非常类似于图3中的流程图300的操作,流程图900的操作可以由运送***内的一个或多个计算装置(包含例如与运送交通工具通信的服务器装置,运送交通工具的控制***,一个或多个客户端计算装置,或其组合)进行。
如先前关于图3描述的,在框902中,可以确定要由运送交通工具运送的物体的运送目的地。相似地,在框904中,可以从连接到运送交通工具的传感器接收表示运送目的地的至少一部分的物理环境的传感器数据。
在框906中,物理环境内的物理特征可以被分类为多个预定义类别。在一些实施例中,可以基于颜色、纹理图案、大小或形状以及其它可能由一个或多个计算机视觉算法进行分类。图10A示出了虚拟模型716内的物理特征的示例性分类。预定义类别可以包含例如诸如“走道”、“人行道”、“台阶”、“窗”、“栅栏”、“门”、“草”、“树木”和“墙壁”的分类,如图例1000所示。通过根据图例1000内指示的对应的阴影图案将分类的物理特征打阴影,将模型716内的物理特征的分类可视化。本文未图示的附加类别可以是可能的。例如,可以诸如“混凝土墙壁”或“砖墙壁”的类别。
在框908中,可以确定由分类的物理特征形成的一个或多个结构布置。结构布置中的每一个可以由分类的物理特征中的两个或更多个形成。一个或多个结构布置可以选自多个预定义结构布置。每个相应的预定义结构布置可以与指示相应的预定义布置接收物体的运送的适宜性的相应的下放点分数相关联。
结构布置可以是形成更复杂的物理特征的低级物理特征的组合。从而,结构布置可以是促进确定下放点的过程的分类的物理特征的组合的抽象化。当例如两个或更多个分类的物理特征彼此具有特定集合关系时,两个或更多个分类的物理特征可以形成结构布置。
图10B示出了由两个或更多个分类的物理特征的组合形成的结构布置的示例。例如,表格1002的行1004示出了栅栏邻近或附近的走道和墙壁可以指示后院入口。行1006示出了台阶与之邻近或附接的墙壁内的门可以指示房子的入口。行1008示出了邻近墙壁和台阶的草可以指示房子前面的草坪。相似地,邻近于台阶的走道可以指示台阶的底部,如行1010中所示,邻近于走道的两面墙壁可以指示角部,如行1012中所示,并且雨蓬附接到的墙壁中的门可以指示遮盖的房子的入口,如行1014所示。
本文中未描述的物理物体的附加分类和附加结构布置可以用于确定下放点。此外,***可以在确定结构布置中考虑分类的特征之间的附加关系(几何或其它)。例如,为了墙壁、门和雨蓬的组合形成遮盖的房子入口,***可以确定雨蓬是否设置在门上方(例如,雨蓬可以连接到墙壁并且设置在窗上方,从而不形成遮盖的门的入口)。在另一示例中,为墙壁、墙壁和走道的组合形成角部,这三个特征可能需要近似正交(例如,在正交的10度以内)。
由分类的物理特征可以形成的可能的结构布置可以被预定义,从而下放分数可以与每个结构布置相关联。在一些实施例中,下放分数可以是指示特定结构布置充当下放点的适宜性的单个值。例如,在从0到10的标度上,房子入口可以与下放分数5相关联,其中0指示不符合预期的点,而10指示优选的点。该分数可以表示一些接收者优选物体放得靠近房子入口,其它接收者优选物体放在它处,使得物体不阻挡房子入口的一般化。在一些实施例中,特定结构布置的下放分数可以受制约于附加数据,诸如关于图6所讨论的上下文数据604和接收者特定数据606。
图10C示出了结构布置的下放分数的示例性集合,其中下放分数受制约于附加数据(即,上下文条件)。例如,与当天气期望为晴朗时相比,当天气期望为下雨时,遮盖的房子入口可以与更高的下放分数相关联(即,9vs5),因为接收者将优选物体被遮蔽免受雨水,即使将物体放置在房子入口前可能阻碍出入。然而,当房子入口未被雨蓬遮盖时,留在房子入口前面的物体可能障碍迅速出入而没有遮蔽免受雨水的优点。从而,与天气期望为晴朗时相比,当天气期望为下雨时,未遮盖的房子入口可以与更低的分数相关联(即,1v s 6)。相应地,总体上,当天气正或预测为下雨时,遮蔽物体免受雨水的结构布置可以分配较高分数。
在另一示例中,特定物体接收者可以指示个人运送偏好的集合。例如,特定接收者可能在下午6左右从共工作或学校到达家庭。特定接收者可以从而指示运送***偏好:如果在下午6之前运送物体,则将物体留在房子入口附近。相应地,一旦到达家庭,特定接收者可以注意到留在房子入口前面的任何物体并将它们拿进去。然而,如果物体在下午6之后运送,则特定接收者可能未注意到物体放在房子入口前面,直到第二天早晨,特定接收者那时候可能在离开房子时绊在物体上。
在又一示例中,与结构布置的分数可以受制约于运送目的地周围的步行交通的水平。当步行交通高时,与靠近公共走道的结构布置相比,更远离公共走道的结构布置可以与更高的分数相关联。从而,当步行交通高时,房子入口可以是比房子前面的草坪更好的下放点。分数还可以受制约于本文中未描述的附加用户偏好和上下文条件。
***可以基于运送时存在的任何用户偏好和上下文条件为所确定结构布置中的每一个确定下放分数。可以通过例如将对应于结构布置中的每一个的每个适用上下文条件的单独的子分数之和求平均,来确定下放分数。在一些实施例中,可以从打分过程省略特定运送交通工具无法到达的结构布置。此外,还可以从打分过程省略对容纳物体的大小而言过小的结构布置。
在框910中,***可以从一个或多个结构布置选择与最高相应的下放分数相关联的结构布置,以充当运送目的地内的物体的下放点。
在框912中,***可以提供指令以使运送交通工具将物体放置在被选择为充当下放点的结构布置处。从而,给定接收者偏好和运送目的地处的任何当前或未来条件,物体可以被运送到最可能令物体接收者满意的下放点。
在一些实施例中,可以基于与相应的附加数据相关联的多个先前指定的下放点确定与每个结构布置相关联的分数和子分数,如先前所讨论的。此外,在一些实施例中,可以基于来自物体接收者的反馈更新分数和子分数,如先前所讨论的。
IX.示例性混合模型
在一些实施例中,机器学习模型和启发式模型的方面可以组合以形成用于确定下放点的混合模型。例如,物理特征的分类可以由机器学习方案进行,诸如ANN或状态矢量机(SVM),其被训练以分类运送目的地内的物理特征。相似地,在一些示例中,可以使用机器学习模型确定结构布置。分数可以使用ANN编码,可以通过重新训练ANN更新。示例性混合模型可以使用第一ANN来分类物理特征,使用启发式规则来将分类的物理特征分组为结构布置,使用第二ANN来确定与每个结构布置相关联的下放点分数。
此外,在一些实施例中,用于确定下放点的ANN模型,用于确定下放点的启发式模型,和/或用于确定下放点的混合模型可以并行使用。例如,每个模型可以用于确定多个候选下放点,其各自与对应的置信水平或下放点分数相关联。由相应的模型提供的置信水平和下放点分数可以被标准化以得到标准化置信度量。标准化置信度量可以用于直接比较模型的结果。从而,一个模型可以用于验证(多个)其它模型的精确度,取决于特定运送目的地的状态,一个模型可以被给定比其它的更多的权重,和/或一个模型可以用于训练(多个)其它模型。
X.结论
本公开不限于本申请中描述的特定实施例,其旨在作为各个方面的说明。如对本领域技术人员显而易见的,可以在不脱离其精神和范围的情况下进行许多修改和变型。除了本文列举的方法和设备之外,根据前述说明,本发明范围内的功能等同的方法和设备对本领域技术人员也将显而易见。这样的修改和变化旨在落入所附权利要求的范围内。
上面的详细描述参照附图描述了所公开的***、装置和方法的各种特征和功能。在附图中,除非上下文另外指出,否则相似的符号通常标识相似的部件。本文和附图中描述的示例实施例并不意味着是限制性的。在不脱离本文提出的主题的精神或范围的情况下,可以利用其它实施例,并且可以进行其它改变。容易理解的是,可以以各种不同的配置来布置、替换、组合、分离和设计如本文所描述的以及在附图中示出的本公开的各方面,所有这些都被本文明确地构想。
代表信息处理的框可以对应于可以被配置为执行本文描述的方法或技术的特定逻辑功能的电路。替代地或附加地,表示信息处理的框可以对应于程序代码(包括相关数据)的模块、段或一部分。该程序代码可以包括一个或多个可由处理器执行的指令,用于实现该方法或技术中特定的逻辑功能或动作。程序代码和/或相关数据可以存储在任何类型的计算机可读介质上,例如包括磁盘或硬盘驱动器的存储装置或其它存储介质。
计算机可读介质还可以包括非易失性计算机可读介质,例如存储短时间数据的计算机可读介质,比如寄存器存储器、处理器缓存和随机存取存储器(RAM)。所述计算机可读介质还可以包括非易失性计算机可读介质,所述非易失性计算机可读介质将程序代码和/或数据存储更长的时间,例如次级或永久长期存储,比如只读存储器(ROM)、光盘或磁盘、紧凑盘只读存储器(CD-ROM),作为示例。计算机可读介质也可以是任何其它易失性或非易失性存储***。例如,计算机可读介质可以被认为是计算机可读存储介质或有形存储装置。
此外,表示一个或多个信息传输的框可以对应于同一物理装置中的软件和/或硬件模块之间的信息传输。然而,其它信息传输可以在不同物理装置中的软件模块和/或硬件模块之间。
附图中所示的特定布置不应视为限制性的。应当理解,其它实施例可以包括比给定图中所示的每个元件更多或更少的元件。此外,一些示出的元件可以被组合或省略。更进一步,示例实施例可以包括在附图中未示出的元件。
尽管本文已经公开了各个方面和实施例,但是其它方面和实施例对于本领域技术人员将是显而易见的。本文所公开的各个方面和实施例是出于说明的目的,而不是旨在进行限制,其真实范围由所附权利要求指示。
Claims (20)
1.一种***,包括:
运送交通工具;
传感器,连接到所述运送交通工具;以及
控制***,配置为:
确定要由所述运送交通工具运送的物体的运送目的地;
从所述传感器接收传感器数据,所述传感器数据表示所述运送目的地的至少一部分的物理环境;
通过人工神经网络(ANN)确定所述运送目的地内的所述物体的下放点,所述人工神经网络被训练以基于多个对应的运送目的地内的多个先前指定的下放点来确定所述下放点,其中所述人工神经网络包括:(i)输入节点,配置为接收所述传感器数据作为输入,(ii)多个隐藏节点,连接到所述输入节点,以及(iii)输出节点,连接到所述多个隐藏节点中的一个或多个且配置为提供指示所述运送目的地内的所述下放点的位置的数据;以及
提供指令以使所述运送交通工具移动到所述下放点并将所述物体放置在所述下放点处。
2.如权利要求1所述的***,其中所述下放点是替代性下放点,并且其中所述控制***还配置为:
接收指示所述运送目的地内的用户选择的下放点的数据;
基于所述传感器数据确定所述物体无法被放置在所述用户选择的下放点;以及
响应于确定所述物体无法被放置在所述用户选择的下放点,通过所述人工神经网络确定所述运送目的地内的替代性下放点。
3.如权利要求2所述的***,其中所述控制***被配置为通过以下确定所述物体无法被放置在所述用户选择的下放点:
基于所述传感器数据确定所述用户选择的下放点被另一物体占据。
4.如权利要求2所述的***,其中所述控制***被配置为通过以下确定所述物体无法被放置在所述用户选择的下放点:
基于所述传感器数据确定去往所述用户选择的下放点的路径被所述物理环境内的另一物体阻碍。
5.如权利要求1所述的***,其中所述控制***还配置为:
确定所述运送交通工具从所述运送交通工具的当前位置移动到所述运送目的地内的所述下放点的位置要遵循的轨迹。
6.如权利要求1所述的***,其中所述控制***被配置为通过以下确定所述物体的下放点:
通过所述人工神经网络确定多个候选下放点;
确定与所述多个候选下放点中的每一个相关联的置信水平;以及
从所述多个候选下放点中选择与最高置信水平相关联的下放点作为所述物体的下放点。
7.如权利要求1所述的***,其中所述控制***还配置为:
确定分配给将所述物体运送到所述运送目的地的时间量;
通过所述人工神经网络确定所述运送目的地内的所述物体的多个候选下放点;
对于所述多个候选下放点中的每个相应的候选下放点,确定将所述物体移动到所述相应的候选下放点并将所述物体放置在所述相应的候选下放点处的预测的时间量;以及
基于(i)分配给运送所述物体的所述时间量和(ii)对于每个相应的候选下放点确定的所述预测的时间量,从所述多个候选下放点选择所述物体的下放点。
8.如权利要求1所述的***,其中所述控制***被配置为通过以下确定所述下放点:
通过所述人工神经网络,将所述物理环境内的物理特征分类为多个预定义类别;
确定由所述分类的物理特征形成的一个或多个结构布置,其中所述结构布置中的每一个由所述分类的物理特征中的两个或更多个形成,其中所述一个或多个结构布置选自多个预定义结构布置,并且其中每个相应的预定义结构布置与相应的下放点分数相关联,所述相应的下放点分数指示所述相应的预定义布置接收所述物体的运送的适宜性;以及
从所述一个或多个结构布置选择与最高相应的下放分数相关联的结构布置以充当所述运送目的地内的所述物体的下放点。
9.如权利要求1所述的***,其中所述控制***还配置为:
确定所述物体的尺寸;以及
通过提供所述物体的尺寸作为对所述人工神经网络的输入,确定所述运送目的地内的所述下放点,其中所述人工神经网络还包括附加输入节点,所述附加输入节点配置为接收所述物体的尺寸作为输入,其中所述人工神经网络被训练以基于与所述多个先前指定的下放点相关联的相应的物体的相应的尺寸来确定所述下放点。
10.如权利要求9所述的***,其中所述控制***还配置为:
通过提供所述物体的尺寸作为对所述人工神经网络的输入,确定所述下放位置处的要被所述物体占据的面积,其中所述人工神经网络被训练以基于与所述多个先前指定的下放点相关联的所述相应的物体占据的相应的面积而确定所述下放位置处要被所述物体占据的面积,其中所述人工神经网络的输出节点还配置为提供指示所述下放位置处要被所述物体占据的面积的数据;以及
提供指令以使所述运送交通工具将所述物体放置在所确定的所述下放位置处的面积内。
11.如权利要求1所述的***,其中所述控制***还配置为:
确定所述运送交通工具的物理能力,其中所述物理能力指示基于所述运送交通工具的物理构造,所述运送交通工具可以进行的操作;以及
通过提供所述运送交通工具的物理能力的指示作为对所述人工神经网络的输入,确定所述运送目的地内的所述下放点,其中所述人工神经网络还包括附加输入节点,所述附加输入节点配置为接收所述运送交通工具的物理能力的指示作为输入,并且其中所述人工神经网络还被训练以基于被委派将物体运送到所述多个先前指定的下放点的相应的运送交通工具的物理能力而确定所述下放点。
12.如权利要求1所述的***,其中所述控制***还配置为:
确定所述运送目的地的由所述传感器数据表示的部分的虚拟模型,其中所述虚拟模型表示所述运送目的地的所述部分的物理特征;以及
通过提供所述虚拟模型作为对所述人工神经网络的输入,确定所述虚拟模型内的所述下放点的坐标,其中所述人工神经网络的输入节点被配置为接收所述虚拟模型作为输入,其中所述人工神经网络被训练以基于对应于所述多个先前指定的下放点的相应的虚拟模型而确定所述下放点的坐标,并且其中所述人工神经网络的输出节点被配置为提供所述虚拟模型内的所述下放点的坐标;以及
提供指令以使所述运送交通工具移动到所述下放点的坐标并将所述物体放置在所述下放点的坐标处。
13.如权利要求1所述的***,其中所述人工神经网络之间的节点之间的连接与相应的权重值相关联,并且其中所述控制***还配置为:
从所述物体的接收者接收用户反馈,所述用户反馈指示所述接收者对所确定的下放点的满意度;以及
基于所接收的用户反馈,通过调整与所述人工神经网络的节点中的至少一部分之间的连接相关联的相应的权重值,训练所述人工神经网络。
14.如权利要求13所述的***,其中在所述物体被放置在所述下放点处之后接收所述用户反馈,并且其中所述控制***还配置为:
当所述用户反馈指示所述接收者对所确定的下放点不满意时,提供指令以提示所述接收者指示所述接收者会优选所述物体被放置的所述运送目的地内的替代性下放点。
15.一种方法,包括:
确定要由运送交通工具运送的物体的运送目的地;
从连接到所述运送交通工具的传感器接收传感器数据,所述传感器数据表示所述运送目的地的至少一部分的物理环境;
通过人工神经网络(ANN)确定所述运送目的地内的所述物体的下放点,所述人工神经网络被训练以基于多个对应的运送目的地内的多个先前指定的下放点而确定所述下放点,其中所述人工神经网络包括(i)输入节点,配置为接收所述传感器数据作为输入,(ii)多个隐藏节点,连接到所述输入节点,以及(iii)输出节点,连接到所述多个隐藏节点中的一个或多个并配置为提供指示所述运送目的地内的所述下放点的位置的数据;以及
提供指令以使所述运送交通工具移动到所述下放点并将所述物体放置在所述下放点处。
16.如权利要求15所述的方法,其中所述下放点是替代性下放点,所述方法还包括:
接收指示所述运送目的地内的用户选择的下放点的数据;
基于所述传感器数据确定所述物体无法被放置在所述用户选择的下放点;以及
响应于确定所述物体无法被放置在所述用户选择的下放点,通过所述人工神经网络确定所述运送目的地内的替代性下放点。
17.如权利要求15所述的方法,还包括:
提供指令以由计算装置的用户界面显示附加运送目的地的虚拟模型,其中所述虚拟模型表示所述附加运送目的地的物理特征;
提供指令以由所述用户界面提示所述附加运送目的地的虚拟模型内的目标下放点的指定,以积累所述多个先前指定的下放点;
从所述计算装置接收所述虚拟模型内的所述下放点的指定;以及
在数据库中储存所述虚拟模型内的所述下放点的指定。
18.如权利要求17所述的方法,还包括:
提供指令以通过所述计算装置的用户界面显示对于提供所述下放点的指定的奖励的指示。
19.如权利要求15所述的方法,还包括:
训练所述人工神经网络以通过基于所述多个先前指定的下放点确定与所述人工神经网络的节点之间的连接相关联的相应的权重值而确定所述下放点。
20.非瞬态计算机可读储存介质,其上具有储存的指令,当由计算装置执行所述指令时,使所述计算装置进行包括以下的操作:
确定要由运送交通工具运送的物体的运送目的地;
从连接到所述运送交通工具的传感器接收传感器数据,所述传感器数据表示所述运送目的地的至少一部分的物理环境;
通过人工神经网络(ANN)确定所述运送目的地内的所述物体的下放点,所述人工神经网络被训练以基于多个对应的运送目的地内的多个先前指定的下放点来确定所述下放点,其中所述人工神经网络包括(i)输入节点,配置为接收所述传感器数据作为输入,(ii)多个隐藏节点,连接到所述输入节点,以及(iii)输出节点,连接到所述多个隐藏节点中的一个或多个并配置为提供指示所述运送目的地内的所述下放点的位置的数据;以及
提供指令以使所述运送交通工具移动到所述下放点并将所述物体放置在所述下放点处。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/667,180 | 2017-08-02 | ||
US15/667,180 US10545500B2 (en) | 2017-08-02 | 2017-08-02 | Model for determining drop-off spot at delivery location |
PCT/US2018/043478 WO2019027735A1 (en) | 2017-08-02 | 2018-07-24 | MODEL FOR DETERMINING A DISCHARGE POINT AT A DELIVERY LOCATION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110998467A true CN110998467A (zh) | 2020-04-10 |
CN110998467B CN110998467B (zh) | 2023-05-02 |
Family
ID=65231021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880050604.3A Active CN110998467B (zh) | 2017-08-02 | 2018-07-24 | 确定运送位置处的下放点的模型 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10545500B2 (zh) |
EP (1) | EP3662335B1 (zh) |
CN (1) | CN110998467B (zh) |
AU (1) | AU2018311702B2 (zh) |
SG (1) | SG11201914015WA (zh) |
WO (1) | WO2019027735A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100440A (zh) * | 2022-08-22 | 2022-09-23 | 深圳市今朝时代股份有限公司 | 基于超级电容储能的电源监管反馈*** |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9536216B1 (en) | 2014-12-18 | 2017-01-03 | Amazon Technologies, Inc. | Delivery of packages by unmanned aerial vehicles |
US10353388B2 (en) * | 2016-10-17 | 2019-07-16 | X Development Llc | Drop-off location planning for delivery vehicle |
US11232391B1 (en) * | 2017-08-31 | 2022-01-25 | Amazon Technologies, Inc. | Customized indoor and outdoor navigation maps and routes for autonomous vehicles |
US10467581B2 (en) * | 2018-01-19 | 2019-11-05 | Udelv Inc. | Delivery management system |
US11401034B2 (en) * | 2018-02-28 | 2022-08-02 | Walmart Apollo, Llc | Drone delivery system having a single use lowering line |
US10672277B2 (en) * | 2018-04-26 | 2020-06-02 | Uatc, Llc | Systems and methods for managing space at a location for receiving assets |
US11543824B2 (en) * | 2018-10-09 | 2023-01-03 | Waymo Llc | Queueing into pickup and drop-off locations |
US11119494B2 (en) * | 2019-01-07 | 2021-09-14 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
US11521160B2 (en) * | 2019-06-13 | 2022-12-06 | International Business Machines Corporation | Intelligent vehicle delivery |
US20210019699A1 (en) * | 2019-07-17 | 2021-01-21 | Landr, Inc. | Unmanned aerial vehicle (uav) delivery with drop beacon |
US11248912B2 (en) | 2019-08-07 | 2022-02-15 | Ford Global Technologies, Llc | System and methods for simulations of vehicle-based item delivery |
US11958183B2 (en) | 2019-09-19 | 2024-04-16 | The Research Foundation For The State University Of New York | Negotiation-based human-robot collaboration via augmented reality |
CN114556254A (zh) * | 2019-10-15 | 2022-05-27 | 索尼集团公司 | 信息处理装置、信息处理***、信息处理方法和程序 |
US11481720B2 (en) | 2019-12-04 | 2022-10-25 | Wing Aviation Llc | UAV balcony deliveries to multi-level buildings |
EP3886016A1 (en) | 2020-03-27 | 2021-09-29 | Sony Group Corporation | Safeguarded delivery of goods by unmanned aerial vehicles |
US11587241B2 (en) * | 2020-05-29 | 2023-02-21 | Wing Aviation Llc | Detection of environmental changes to delivery zone |
US20220027845A1 (en) * | 2020-07-27 | 2022-01-27 | International Business Machines Corporation | Package delivery protection based on preference feedback |
CN111880541B (zh) * | 2020-08-03 | 2022-08-26 | 中车长春轨道客车股份有限公司 | 贵重物品运输车队最优行驶速度控制***及其方法 |
US11954633B2 (en) * | 2020-10-07 | 2024-04-09 | Rakuten Group, Inc. | Information processing device, information processing method, and unmanned vehicle |
KR20220085860A (ko) * | 2020-12-15 | 2022-06-23 | 현대자동차주식회사 | 차량 및 그 제어방법 |
JP6956249B1 (ja) * | 2020-12-28 | 2021-11-02 | Kddi株式会社 | 情報処理装置及び情報処理方法 |
US20220371618A1 (en) * | 2021-05-19 | 2022-11-24 | Waymo Llc | Arranging trips for autonomous vehicles based on weather conditions |
JP2023043693A (ja) * | 2021-09-16 | 2023-03-29 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US20230094255A1 (en) * | 2021-09-27 | 2023-03-30 | 7-Eleven, Inc. | Autonomous delivery mechanism data integration in an application platform |
JP7233515B1 (ja) * | 2021-12-24 | 2023-03-06 | 楽天グループ株式会社 | 情報処理システム、解放場所設定方法、及びプログラム |
CN117320960A (zh) * | 2022-04-25 | 2023-12-29 | 乐天集团股份有限公司 | 无人机及配送*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124266A1 (en) * | 2005-11-30 | 2007-05-31 | The Boeing Company | Integrating multiple information-providing systems |
US20090248288A1 (en) * | 2008-03-31 | 2009-10-01 | David Bell | Systems and methods for generating pattern keys for use in navigation systems to predict user destinations |
CA2928262A1 (en) * | 2010-12-30 | 2012-07-05 | Irobot Corporation | Mobile robot system |
US20130231824A1 (en) * | 2012-03-05 | 2013-09-05 | Florida A&M University | Artificial Intelligence Valet Systems and Methods |
US20140279658A1 (en) * | 2013-03-12 | 2014-09-18 | United Parcel Service Of America, Inc. | Systems and methods of suggesting attended delivery/pickup locations |
US20150370251A1 (en) * | 2014-06-20 | 2015-12-24 | Hti, Ip, L.L.C. | Method and system for drone deliveries to vehicles in route |
US20160033966A1 (en) * | 2014-07-31 | 2016-02-04 | Emmett Farris | System and method for controlling drone delivery or pick up during a delivery or pick up phase of drone operation |
US20170045894A1 (en) * | 2015-08-12 | 2017-02-16 | Qualcomm Incorporated | Autonomous Landing and Control |
US20170090484A1 (en) * | 2015-09-29 | 2017-03-30 | T-Mobile U.S.A., Inc. | Drone-based personal delivery system |
US20170154302A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | System and method for object shipping automation |
US20170154347A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | Method and system for generating delivery estimates |
Family Cites Families (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7979172B2 (en) | 1997-10-22 | 2011-07-12 | Intelligent Technologies International, Inc. | Autonomous vehicle travel control systems and methods |
US8035508B2 (en) | 2002-06-11 | 2011-10-11 | Intelligent Technologies International, Inc. | Monitoring using cellular phones |
US20140254896A1 (en) | 2011-07-18 | 2014-09-11 | Tiger T G Zhou | Unmanned drone, robot system for delivering mail, goods, humanoid security, crisis negotiation, mobile payments, smart humanoid mailbox and wearable personal exoskeleton heavy load flying machine |
JP2006512587A (ja) | 2003-07-17 | 2006-04-13 | ハーマン ベッカー オートモーティブ システムズ ゲーエムベーハー | マーク付き迂回路を使用する交通障害周辺のルート計算法 |
WO2005110011A2 (en) | 2003-10-21 | 2005-11-24 | Tvi Corporation | Marking system |
KR20050081492A (ko) | 2004-02-13 | 2005-08-19 | 디브이에스 코리아 주식회사 | 전방 실제 영상을 사용한 자동차 항법 장치 및 그 제어 방법 |
EP2605196A1 (en) | 2005-06-21 | 2013-06-19 | United Parcel Service Of America, Inc. | Systems and Methods for Providing Personalized Delivery Services |
US8577538B2 (en) * | 2006-07-14 | 2013-11-05 | Irobot Corporation | Method and system for controlling a remote vehicle |
US7953526B2 (en) | 2006-01-18 | 2011-05-31 | I-Guide Robotics, Inc. | Robotic vehicle controller |
US20140330456A1 (en) | 2006-03-17 | 2014-11-06 | Manuel R. Lopez Morales | Landing site designation in an autonomous delivery network |
US9070101B2 (en) | 2007-01-12 | 2015-06-30 | Fatdoor, Inc. | Peer-to-peer neighborhood delivery multi-copter and method |
US9068849B2 (en) | 2009-05-04 | 2015-06-30 | Tomtom North America, Inc. | Method and system for reducing shape points in a geographic data information system |
WO2011106787A2 (en) | 2010-02-26 | 2011-09-01 | Duthie Hill Llc | Systems and methods for arranging delivery of a package |
US9043129B2 (en) | 2010-10-05 | 2015-05-26 | Deere & Company | Method for governing a speed of an autonomous vehicle |
US8743244B2 (en) | 2011-03-21 | 2014-06-03 | HJ Laboratories, LLC | Providing augmented reality based on third party information |
EP2527792B1 (de) | 2011-05-27 | 2014-03-12 | EADS Deutschland GmbH | Verfahren zur Pilotenunterstützung für die Landung eines Luftfahrzeugs unter Sichtbehinderungen |
US10134066B2 (en) * | 2012-03-30 | 2018-11-20 | Ebay Inc. | Personalized delivery time estimate system |
US8600589B2 (en) | 2012-04-24 | 2013-12-03 | Exelis, Inc. | Point cloud visualization of acceptable helicopter landing zones based on 4D LIDAR |
US9384668B2 (en) | 2012-05-09 | 2016-07-05 | Singularity University | Transportation using network of unmanned aerial vehicles |
US8949016B1 (en) | 2012-09-28 | 2015-02-03 | Google Inc. | Systems and methods for determining whether a driving environment has changed |
FR2996670B1 (fr) | 2012-10-05 | 2014-12-26 | Dassault Aviat | Systeme de visualisation pour aeronef, et procede de visualisation associe |
US10387824B2 (en) * | 2012-12-21 | 2019-08-20 | United Parcel Service Of America, Inc. | Systems and methods for delivery of an item |
US9150224B2 (en) | 2013-09-24 | 2015-10-06 | Ford Global Technologies, Llc | Transitioning from autonomous vehicle control to to driver control to responding to driver control |
US9573684B2 (en) | 2013-10-26 | 2017-02-21 | Amazon Technologies, Inc. | Unmanned aerial vehicle delivery system |
US9517771B2 (en) | 2013-11-22 | 2016-12-13 | Ford Global Technologies, Llc | Autonomous vehicle modes |
US11087268B2 (en) | 2013-12-02 | 2021-08-10 | United Parcel Service Of America, Inc. | Systems and methods for delivering an item to a dynamic location |
US20150158599A1 (en) | 2013-12-10 | 2015-06-11 | Michael Sisko | Robotic aerial vehicle delivery system and method |
US9177481B2 (en) | 2013-12-13 | 2015-11-03 | Sikorsky Aircraft Corporation | Semantics based safe landing area detection for an unmanned vehicle |
US10839336B2 (en) * | 2013-12-26 | 2020-11-17 | Flir Detection, Inc. | Unmanned delivery |
US10723442B2 (en) * | 2013-12-26 | 2020-07-28 | Flir Detection, Inc. | Adaptive thrust vector unmanned aerial vehicle |
US9852392B2 (en) * | 2014-02-28 | 2017-12-26 | Nokia Technologies Oy | 3D model and beacon for automatic delivery of goods |
US9989967B2 (en) | 2014-03-04 | 2018-06-05 | Cybernet Systems Corporation | All weather autonomously driven vehicles |
US9336506B2 (en) | 2014-05-02 | 2016-05-10 | Google Inc. | Machine-readable delivery platform for automated package delivery |
WO2015179797A1 (en) | 2014-05-23 | 2015-11-26 | Lily Robotics, Inc. | Unmanned aerial copter for photography and/or videography |
US9359074B2 (en) | 2014-09-08 | 2016-06-07 | Qualcomm Incorporated | Methods, systems and devices for delivery drone security |
US9459620B1 (en) | 2014-09-29 | 2016-10-04 | Amazon Technologies, Inc. | Human interaction with unmanned aerial vehicles |
US9868526B2 (en) | 2014-10-15 | 2018-01-16 | W. Morrison Consulting Group, Inc. | Airborne drone delivery network and method of operating same |
US20180121875A1 (en) * | 2015-01-05 | 2018-05-03 | Amazon Technologies, Inc. | Delivery prediction automation and risk mitigation |
US9915956B2 (en) * | 2015-01-09 | 2018-03-13 | Workhorse Group Inc. | Package delivery by means of an automated multi-copter UAS/UAV dispatched from a conventional delivery vehicle |
CA2977945A1 (en) | 2015-03-03 | 2016-09-09 | Prenav Inc. | Scanning environments and tracking unmanned aerial vehicles |
US9488979B1 (en) | 2015-04-14 | 2016-11-08 | Zipline International Inc. | System and method for human operator intervention in autonomous vehicle operations |
US20160314224A1 (en) * | 2015-04-24 | 2016-10-27 | Northrop Grumman Systems Corporation | Autonomous vehicle simulation system |
US20170046653A1 (en) * | 2015-08-14 | 2017-02-16 | Amazon Technologies, Inc. | Planning of transportation requests |
US9743239B1 (en) * | 2015-09-30 | 2017-08-22 | Amazon Technologies, Inc. | Determining routing points and delivery points |
US9481367B1 (en) * | 2015-10-14 | 2016-11-01 | International Business Machines Corporation | Automated control of interactions between self-driving vehicles and animals |
US10353388B2 (en) * | 2016-10-17 | 2019-07-16 | X Development Llc | Drop-off location planning for delivery vehicle |
US20180130159A1 (en) * | 2016-11-10 | 2018-05-10 | Wal-Mart Stores, Inc. | Systems and methods for delivering products via autonomous ground vehicles to restricted areas designated by customers |
-
2017
- 2017-08-02 US US15/667,180 patent/US10545500B2/en active Active
-
2018
- 2018-07-24 CN CN201880050604.3A patent/CN110998467B/zh active Active
- 2018-07-24 SG SG11201914015WA patent/SG11201914015WA/en unknown
- 2018-07-24 AU AU2018311702A patent/AU2018311702B2/en active Active
- 2018-07-24 EP EP18840420.6A patent/EP3662335B1/en active Active
- 2018-07-24 WO PCT/US2018/043478 patent/WO2019027735A1/en unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124266A1 (en) * | 2005-11-30 | 2007-05-31 | The Boeing Company | Integrating multiple information-providing systems |
US20090248288A1 (en) * | 2008-03-31 | 2009-10-01 | David Bell | Systems and methods for generating pattern keys for use in navigation systems to predict user destinations |
CA2928262A1 (en) * | 2010-12-30 | 2012-07-05 | Irobot Corporation | Mobile robot system |
US20130231824A1 (en) * | 2012-03-05 | 2013-09-05 | Florida A&M University | Artificial Intelligence Valet Systems and Methods |
CN105308637A (zh) * | 2013-03-12 | 2016-02-03 | 统一包裹服多美国有限公司 | 管理照管递送/提取位置的容量的***和方法 |
US20140279658A1 (en) * | 2013-03-12 | 2014-09-18 | United Parcel Service Of America, Inc. | Systems and methods of suggesting attended delivery/pickup locations |
US20170154302A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | System and method for object shipping automation |
US20170154347A1 (en) * | 2013-09-18 | 2017-06-01 | Simpler Postage, Inc. | Method and system for generating delivery estimates |
US20150370251A1 (en) * | 2014-06-20 | 2015-12-24 | Hti, Ip, L.L.C. | Method and system for drone deliveries to vehicles in route |
US20160033966A1 (en) * | 2014-07-31 | 2016-02-04 | Emmett Farris | System and method for controlling drone delivery or pick up during a delivery or pick up phase of drone operation |
CN106663380A (zh) * | 2014-07-31 | 2017-05-10 | 埃米特·法里斯 | 用于控制无人机递送的***及方法 |
US20170045894A1 (en) * | 2015-08-12 | 2017-02-16 | Qualcomm Incorporated | Autonomous Landing and Control |
US20170090484A1 (en) * | 2015-09-29 | 2017-03-30 | T-Mobile U.S.A., Inc. | Drone-based personal delivery system |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100440A (zh) * | 2022-08-22 | 2022-09-23 | 深圳市今朝时代股份有限公司 | 基于超级电容储能的电源监管反馈*** |
CN115100440B (zh) * | 2022-08-22 | 2023-01-10 | 深圳市今朝时代股份有限公司 | 基于超级电容储能的电源监管反馈*** |
Also Published As
Publication number | Publication date |
---|---|
AU2018311702A1 (en) | 2020-01-30 |
SG11201914015WA (en) | 2020-01-30 |
WO2019027735A1 (en) | 2019-02-07 |
EP3662335A4 (en) | 2021-04-28 |
US10545500B2 (en) | 2020-01-28 |
AU2018311702B2 (en) | 2020-10-29 |
CN110998467B (zh) | 2023-05-02 |
US20190041852A1 (en) | 2019-02-07 |
EP3662335B1 (en) | 2024-06-12 |
EP3662335A1 (en) | 2020-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110998467B (zh) | 确定运送位置处的下放点的模型 | |
AU2020289790B2 (en) | Drop-off location planning for delivery vehicle | |
AU2017290061B2 (en) | Interactive transport services provided by unmanned aerial vehicles | |
US9262929B1 (en) | Ground-sensitive trajectory generation for UAVs | |
CN111033415A (zh) | 用于确定无人驾驶运载工具的路径置信度的***和方法 | |
JP6527299B1 (ja) | 物品受け渡し場所の決定方法、着陸場所の決定方法、物品受け渡しシステム、及び情報処理装置 | |
WO2019055690A1 (en) | AERIAL VEHICLE WITHOUT PILOT AND PAYLOAD DELIVERY SYSTEM | |
US11905012B2 (en) | Determining method of arrangement place, transport system, and information processing device | |
US20230122535A1 (en) | Processes for Generating and Updating Flyable Airspace for Unmanned Aerial Vehicles | |
US20190056752A1 (en) | Systems and methods for controlling unmanned transport vehicles via intermediate control vehicles | |
JP7280174B2 (ja) | 制御方法、及び物品受け渡しシステム | |
US12037117B2 (en) | Unmanned aerial vehicle and payload delivery system | |
US20240168493A1 (en) | Automatic Selection of Delivery Zones Using Survey Flight 3D Scene Reconstructions | |
AU2022252792B2 (en) | Unmanned aerial vehicle trajectories for nudging and un-nudging | |
JP6637209B1 (ja) | 制御方法、物品受け渡しシステム、着陸システム、及び情報処理装置 | |
US20230312091A1 (en) | Semantic Adjustment of Unmanned Aerial Vehicle Delivery Points | |
US20230316739A1 (en) | Semantic Abort of Unmanned Aerial Vehicle Deliveries | |
WO2024151347A2 (en) | Automatic selection of delivery zones using survey flight 3d scene reconstructions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |