CN113467512A - 一种基于神经网络的无人机飞行方法及装置 - Google Patents
一种基于神经网络的无人机飞行方法及装置 Download PDFInfo
- Publication number
- CN113467512A CN113467512A CN202110810346.8A CN202110810346A CN113467512A CN 113467512 A CN113467512 A CN 113467512A CN 202110810346 A CN202110810346 A CN 202110810346A CN 113467512 A CN113467512 A CN 113467512A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- flight
- real
- optimal route
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 230000004913 activation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于神经网络的无人机飞行方法及装置。其中,该方法包括:获取实时位置数据;根据所述实时位置数据,获取无人机的终点数据;将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;根据所述最优路线进行无人机飞行操作。本发明解决了现有技术中当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率的技术问题。
Description
技术领域
本发明涉及无人机领域,具体而言,涉及一种基于神经网络的无人机飞行方法及装置。
背景技术
随着智能化科技的不断发展,人们的生活、学习和工作中越来越多的应用到了智能化设备和装置,从而改善人们的生活,提高人们工作的效率。目前,无人机的飞行通常通过飞行装置的预设规则进行操作,即当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于神经网络的无人机飞行方法及装置,以至少解决现有技术中当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率的技术问题。
根据本发明实施例的一个方面,提供了一种基于神经网络的无人机飞行方法,包括:获取实时位置数据;根据所述实时位置数据,获取无人机的终点数据;将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;根据所述最优路线进行无人机飞行操作。
可选的,在所述获取实时位置数据之前,所述方法还包括:获取无人机的激活状态。
可选的,在所述将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线之前,所述方法还包括:训练所述飞行模型。
可选的,在所述根据所述最优路线进行无人机飞行操作之后,所述方法还包括:将所述最优路线和预估飞行时间进行展示。
根据本发明实施例的另一方面,还提供了一种基于神经网络的无人机飞行装置,包括:第一获取模块,用于获取实时位置数据;第二获取模块,用于根据所述实时位置数据,获取无人机的终点数据;路线模块,用于将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;飞行模块,用于根据所述最优路线进行无人机飞行操作。
可选的,所述装置还包括:第三获取模块,用于获取无人机的激活状态。
可选的,所述装置还包括:训练模块,用于训练所述飞行模型。
可选的,所述装置还包括:展示模块,用于将所述最优路线和预估飞行时间进行展示。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于神经网络的无人机飞行方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于神经网络的无人机飞行方法。
在本发明实施例中,采用获取实时位置数据;根据所述实时位置数据,获取无人机的终点数据;将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;根据所述最优路线进行无人机飞行操作的方式,解决了现有技术中当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于神经网络的无人机飞行方法的流程图;
图2是根据本发明实施例的一种基于神经网络的无人机飞行方法的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于神经网络的无人机飞行方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于神经网络的无人机飞行方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取实时位置数据。
具体的,本发明实施例为了通过获取无人机需要飞行的终端和起点的位置数据,来计算和分析相对于无人机而言最合理的飞行路径,从而驱动无人机的飞行装置进行飞行,首先,需要根据无人机的定位装置来进行无人机实时位置的定位,并获取相关的坐标位置数据。
可选的,在所述获取实时位置数据之前,所述方法还包括:获取无人机的激活状态。
具体的,为了减少无人机的能源浪费,本发明实施例在无人机通过位置传感器获取无人机实时位置之前,需要先对无人机的运行状态进行判断,即获取无人机的激活状态,其中,上述激活状态可以包括:已激活、未激活。
步骤S104,根据所述实时位置数据,获取无人机的终点数据。
具体的,当无人机获取到了本地实时位置数据之后,需要根据实时位置来获取服务器或用户端设置的终点位置,并将上述终点位置的位置坐标数据进行获取和存储,以便后续进行无人机智能化路径规划之用。
步骤S106,将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线。
可选的,在所述将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线之前,所述方法还包括:训练所述飞行模型。
具体的,当本发明实施例获取到了无人机需要飞行的起点和终点之后,则可以将上述起点位置坐标数据和终点位置坐标数据输入到飞行模型中,进而通过飞行模型的输出来生成最优的路线数据。
需要说明的是,飞行模型是基于DNN的神经网络模型,在使用飞行模型之前需要对飞行模型进行成熟度训练,增加模型的可用性和精确度。神经网络是基于感知机的扩展,而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也基本一样,DNN也叫做多层感知机(MLP)。DNN按不同层的位置划分,神经网络层可以分为三类,输入层,隐藏层和输出层,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。
步骤S108,根据所述最优路线进行无人机飞行操作。
具体的,当最优路线确定好之后,无人机会根据确定好的上述最优路线数据启动飞行装置进行飞行,并在到达终点位置的时候发出提示,以表示无人机已经根据最优路线完成了整个飞行任务。
可选的,在所述根据所述最优路线进行无人机飞行操作之后,所述方法还包括:将所述最优路线和预估飞行时间进行展示。
通过上述实施例,解决了现有技术中当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率的技术问题。
实施例二
图2是根据本发明实施例的一种基于神经网络的无人机飞行方法的结构框图,如图2所示,该装置包括:
第一获取模块20,用于获取实时位置数据。
具体的,本发明实施例为了通过获取无人机需要飞行的终端和起点的位置数据,来计算和分析相对于无人机而言最合理的飞行路径,从而驱动无人机的飞行装置进行飞行,首先,需要根据无人机的定位装置来进行无人机实时位置的定位,并获取相关的坐标位置数据。
可选的,所述装置还包括:第三获取模块,用于获取无人机的激活状态。
具体的,为了减少无人机的能源浪费,本发明实施例在无人机通过位置传感器获取无人机实时位置之前,需要先对无人机的运行状态进行判断,即获取无人机的激活状态,其中,上述激活状态可以包括:已激活、未激活。
第二获取模块22,用于根据所述实时位置数据,获取无人机的终点数据。
具体的,当无人机获取到了本地实时位置数据之后,需要根据实时位置来获取服务器或用户端设置的终点位置,并将上述终点位置的位置坐标数据进行获取和存储,以便后续进行无人机智能化路径规划之用。
路线模块24,用于将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线。
可选的,所述装置还包括:训练模块,用于训练所述飞行模型。
具体的,当本发明实施例获取到了无人机需要飞行的起点和终点之后,则可以将上述起点位置坐标数据和终点位置坐标数据输入到飞行模型中,进而通过飞行模型的输出来生成最优的路线数据。
需要说明的是,飞行模型是基于DNN的神经网络模型,在使用飞行模型之前需要对飞行模型进行成熟度训练,增加模型的可用性和精确度。神经网络是基于感知机的扩展,而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也基本一样,DNN也叫做多层感知机(MLP)。DNN按不同层的位置划分,神经网络层可以分为三类,输入层,隐藏层和输出层,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。
飞行模块26,用于根据所述最优路线进行无人机飞行操作。
具体的,当最优路线确定好之后,无人机会根据确定好的上述最优路线数据启动飞行装置进行飞行,并在到达终点位置的时候发出提示,以表示无人机已经根据最优路线完成了整个飞行任务。
可选的,所述装置还包括:展示模块,用于将所述最优路线和预估飞行时间进行展示。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于神经网络的无人机飞行方法。
具体的,上述方法包括:获取实时位置数据;根据所述实时位置数据,获取无人机的终点数据;将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;根据所述最优路线进行无人机飞行操作。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于神经网络的无人机飞行方法。
具体的,上述方法包括:获取实时位置数据;根据所述实时位置数据,获取无人机的终点数据;将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;根据所述最优路线进行无人机飞行操作。
通过上述实施例,解决了现有技术中当无人机飞行的时候,飞行装置会根据程序设计来进行传感器识别判断,从而进一步决定如何进行飞行,如何规避障碍物的硬性,然而通过上述方法进行的无人机飞行操作往往不具备一定的学习性,即每一次无人机的飞行过程都是全新的,无规则的,无法适应用户在多次使用同一套无人机***时的历史数据,降低了使用的效率的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于神经网络的无人机飞行方法,其特征在于,包括:
获取实时位置数据;
根据所述实时位置数据,获取无人机的终点数据;
将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;
根据所述最优路线进行无人机飞行操作。
2.根据权利要求1所述的方法,其特征在于,在所述获取实时位置数据之前,所述方法还包括:
获取无人机的激活状态。
3.根据权利要求1所述的方法,其特征在于,在所述将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线之前,所述方法还包括:
训练所述飞行模型。
4.根据权利要求1所述的方法,其特征在于,在所述根据所述最优路线进行无人机飞行操作之后,所述方法还包括:
将所述最优路线和预估飞行时间进行展示。
5.一种基于神经网络的无人机飞行装置,其特征在于,包括:
第一获取模块,用于获取实时位置数据;
第二获取模块,用于根据所述实时位置数据,获取无人机的终点数据;
路线模块,用于将所述实时位置数据和所述终点数据输入至飞行模型中,生成最优路线;
飞行模块,用于根据所述最优路线进行无人机飞行操作。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取无人机的激活状态。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
训练模块,用于训练所述飞行模型。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
展示模块,用于将所述最优路线和预估飞行时间进行展示。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810346.8A CN113467512A (zh) | 2021-07-19 | 2021-07-19 | 一种基于神经网络的无人机飞行方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810346.8A CN113467512A (zh) | 2021-07-19 | 2021-07-19 | 一种基于神经网络的无人机飞行方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113467512A true CN113467512A (zh) | 2021-10-01 |
Family
ID=77880996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810346.8A Pending CN113467512A (zh) | 2021-07-19 | 2021-07-19 | 一种基于神经网络的无人机飞行方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519254A (zh) * | 2023-07-04 | 2023-08-01 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种模拟海上上升气流风场的风场***及无人机飞行方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521781A (zh) * | 2018-10-30 | 2019-03-26 | 普宙飞行器科技(深圳)有限公司 | 无人机定位***、无人机以及无人机定位方法 |
CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
CN111830848A (zh) * | 2020-07-31 | 2020-10-27 | 中国人民解放军国防科技大学 | 一种无人机超机动飞行性能仿真训练***及方法 |
CN112034887A (zh) * | 2020-09-10 | 2020-12-04 | 南京大学 | 无人机躲避柱状障碍物到达目标点的最优路径训练方法 |
RU2742394C1 (ru) * | 2020-06-22 | 2021-02-05 | Михаил Андреевич Ищенко | Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах |
-
2021
- 2021-07-19 CN CN202110810346.8A patent/CN113467512A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521781A (zh) * | 2018-10-30 | 2019-03-26 | 普宙飞行器科技(深圳)有限公司 | 无人机定位***、无人机以及无人机定位方法 |
CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
RU2742394C1 (ru) * | 2020-06-22 | 2021-02-05 | Михаил Андреевич Ищенко | Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах |
CN111830848A (zh) * | 2020-07-31 | 2020-10-27 | 中国人民解放军国防科技大学 | 一种无人机超机动飞行性能仿真训练***及方法 |
CN112034887A (zh) * | 2020-09-10 | 2020-12-04 | 南京大学 | 无人机躲避柱状障碍物到达目标点的最优路径训练方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519254A (zh) * | 2023-07-04 | 2023-08-01 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种模拟海上上升气流风场的风场***及无人机飞行方法 |
CN116519254B (zh) * | 2023-07-04 | 2023-10-03 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种无人机飞行方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106471526B (zh) | 用于处理图像的方法和*** | |
CN108122553A (zh) | 一种无人机控制方法、装置、遥控设备和无人机*** | |
CN108108821A (zh) | 模型训练方法及装置 | |
US20180017972A1 (en) | Drone and drone-based system and methods for helping users assemble an object | |
KR20210018532A (ko) | 스택 데이터 구조 백그라운드의 디지털 어시스턴트 프로세싱 | |
US11235464B1 (en) | Robot task optimization based on historical task and location correlated durations | |
WO2002071170A3 (en) | Creation and display of indices within a process plant | |
CN105354214B (zh) | 一种备忘信息的生成方法及装置 | |
CN107745711B (zh) | 一种在自动驾驶模式下确定路线的方法和装置 | |
CN108563663A (zh) | 图片推荐方法、装置、设备及存储介质 | |
US20220019616A1 (en) | Content display device and content display method | |
CN113467512A (zh) | 一种基于神经网络的无人机飞行方法及装置 | |
CN110290169A (zh) | 一种服务订单响应方法及装置 | |
CN110334242A (zh) | 一种语音指令建议信息的生成方法、装置及电子设备 | |
CN109918574A (zh) | 项目推荐方法、装置、设备及存储介质 | |
CN107273992A (zh) | 一种规划出行行程的方法和设备 | |
CN106251122A (zh) | 一种工作流处理方法和装置 | |
CN109978215A (zh) | 巡防管理方法和装置 | |
CN108228950A (zh) | 一种信息处理方法及装置 | |
CN106969769A (zh) | 一种考虑多因素的Dijkstra导航方法 | |
CN110517672B (zh) | 用户意图识别方法、用户指令执行方法、***及设备 | |
CN105610698B (zh) | 事件结果的处理方法和装置 | |
CN107577806A (zh) | 航天器数据自动判读***及判读方法 | |
CN108335008A (zh) | 网络信息处理方法和装置、存储介质及电子装置 | |
CN110471410A (zh) | 基于ros的智能车语音辅助导航及安全提醒***及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |