BR112021014734A2 - Identificação de riscos em ambiente 3d utilizando aprendizagem por reforço - Google Patents
Identificação de riscos em ambiente 3d utilizando aprendizagem por reforço Download PDFInfo
- Publication number
- BR112021014734A2 BR112021014734A2 BR112021014734-9A BR112021014734A BR112021014734A2 BR 112021014734 A2 BR112021014734 A2 BR 112021014734A2 BR 112021014734 A BR112021014734 A BR 112021014734A BR 112021014734 A2 BR112021014734 A2 BR 112021014734A2
- Authority
- BR
- Brazil
- Prior art keywords
- agent
- environment
- fact
- dimensional environment
- dimensional
- Prior art date
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000009471 action Effects 0.000 claims abstract description 32
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 18
- 230000006378 damage Effects 0.000 claims abstract description 18
- 208000014674 injury Diseases 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000012502 risk assessment Methods 0.000 claims abstract description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000383 hazardous chemical Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- OKUGPJPKMAEJOE-UHFFFAOYSA-N S-propyl dipropylcarbamothioate Chemical compound CCCSC(=O)N(CCC)CCC OKUGPJPKMAEJOE-UHFFFAOYSA-N 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000001584 occupational therapy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/383—Indoor data
Abstract
identificação de riscos em ambiente 3d utilizando aprendizagem por reforço. trata-se de métodos exemplificadores para proporcionar avaliação de um risco de lesão, incluindo implantar um agente em um ambiente, detectar um primeiro objeto em um primeiro estado pelo agente, tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço pelo agente, sendo a ação tomada a fim de maximizar uma recompensa, mapear o primeiro objeto a um ambiente tridimensional, e identificar riscos potenciais dentro do ambiente tridimensional. trata-se, também, de sistemas exemplificadores para proporcionar avaliação de um risco de lesão, incluindo um agente comunicativamente acoplado a um dispositivo de captação, uma rede de comunicações comunicativamente acoplada ao agente, um módulo de avaliação de riscos em modelo tridimensional comunicativamente acoplado à rede de comunicações, um dispositivo de usuário comunicativamente acoplado ao módulo de avaliação de riscos em modelo tridimensional, e um sistema para identificar riscos ambientes comunicativamente acoplados à rede de comunicações.
Description
“IDENTIFICAÇÃO DE RISCOS EM AMBIENTE 3D UTILIZANDO APRENDIZAGEM POR REFORÇO”
[001] O presente pedido reivindica o benefício de prioridade do Pedido de Patente Provisório com Número de Série U.S. 62/801.525 depositado em 5 de fevereiro de 2019, intitulado “3D Environment Risks Identification Utilizing Reinforced Learning,” que se encontra incorporado ao presente documento em sua totalidade a título de referência.
[002] A presente matéria refere-se à identificação de riscos ambientais. Em particular, mas sem limitação, a presente matéria proporciona sistemas e métodos para identificar riscos ambientes em um ambiente simulado usando aprendizagem de máquina tal como aprendizagem por reforço e aprendizagem profunda.
[003] Proporcionam-se métodos exemplificadores para fornecer avaliação de um risco de lesão, que inclui implantar um agente em um ambiente, detectar um primeiro objeto em um primeiro estado pelo agente, tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço pelo agente, a ação tomada a fim de maximizar uma recompensa, mapear o primeiro objeto a um ambiente tridimensional e identificar riscos potenciais dentro do ambiente tridimensional.
[004] Métodos adicionais incluem o agente continuando a tomar outra ação no ambiente para interagir com um segundo objeto usando aprendizagem por reforço pelo agente, a ação tomada a fim de maximizar uma recompensa cumulativa, o agente mapeando o segundo objeto ao ambiente tridimensional e continuando a identificar riscos potenciais dentro do ambiente tridimensional. O agente também pode mapear os locais relativos do primeiro e segundo objetos no ambiente tridimensional e mapear uma trajetória para evitar contato com o primeiro e segundo objetos no ambiente tridimensional.
[005] Métodos exemplificadores podem incluir simular um usuário no ambiente tridimensional e o agente usando aprendizagem por reforço em um processo de construção de simulação pelo movimento e interação através do ambiente para aperfeiçoar o ambiente tridimensional. Um novo ambiente tridimensional pode ser gerado com cada sequência e/ou interação de movimento pelo agente. Ademais, o mapa pode identificar riscos potenciais no ambiente e categorizar os riscos potenciais como risco baixo a ausente ou risco médio a alto.
[006] No presente documento, proporcionam-se, também, sistemas exemplificadores para proporcionar uma avaliação de um risco de lesão, incluindo um agente comunicativamente acoplado a um dispositivo de captação, uma rede de comunicações comunicativamente acoplada ao agente, um módulo de avaliação de riscos em modelo tridimensional comunicativamente acoplado à rede de comunicações, um dispositivo de usuário comunicativamente acoplado ao módulo de avaliação de riscos em modelo tridimensional, e um sistema para identificar riscos ambientais comunicativamente acoplado à rede de comunicações. Sistemas exemplificadores também podem incluir um banco de dados opcional. O agente pode ser configurado para implantar em um ambiente e detectar um primeiro objeto em um primeiro estado e configurado para tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço. O agente também pode ser configurado para mapear o primeiro objeto a um ambiente tridimensional e configurado para identificar riscos potenciais dentro do ambiente tridimensional.
[007] Os desenhos anexos, onde referências numéricas similares se referem a elementos idênticos ou funcionalmente similares nas vistas separadas, junto à descrição detalhada abaixo, são incorporados e formam parte do relatório descritivo, e servem para ilustrar adicionalmente as modalidades de conceitos que incluem a revelação reivindicada, e explicam vários princípios e vantagens dessas modalidades.
[008] Os métodos e sistemas revelados no presente documento foram representados, onde apropriado nos desenhos, por símbolos convencionais, mostrando apenas os detalhes específicos que sejam pertinentes para s compreensão das modalidades da presente revelação, com o intuito de não ocultar a revelação com detalhes que serão prontamente aparentes aos técnicos no assunto, tendo o benefício da descrição do presente documento.
[009] A Figura 1 ilustra um diagrama de um sistema exemplificador configurado para proporcionar uma avaliação compreensiva de riscos de lesões em um ambiente 3D, de acordo com várias modalidades exemplificadoras.
[0010] A Figura 2 é uma vista esquemática do processo de simulação implementado para construir o ambiente 3D por um agente que usa Aprendizagem por Reforço (RL).
[0011] A Figura 3 ilustra um método exemplificador para proporcionar uma avaliação compreensiva de riscos de lesões em um ambiente 3D, de acordo com várias modalidades exemplificadoras.
[0012] A Figura 4 ilustra um agente que usa RL no processo de construção de simulação movendo-se através um ambiente.
[0013] A Figura 5 tem os resultados de riscos associados representados no ambiente para riscos baixos a ausentes por sinais de visto (✓) e para riscos médios a altos por sinais de cruz (✗).
[0014] A Figura 6 ilustra uma representação diagramática de uma máquina exemplificadora sob a forma de um sistema computacional no qual um conjunto de instruções para induzir a máquina a realizar qualquer uma ou mais das metodologias discutidas no presente documento é executado.
[0015] A descrição detalhada a seguir inclui referências aos desenhos anexos, que formam uma parte da descrição detalhada. Os desenhos mostram ilustrações de acordo com modalidades exemplificadoras. Essas modalidades exemplificadoras, que também são referidas no presente documento como “exemplos,” são descritas em detalhes suficientes para permitir que os técnicos no assunto pratiquem a presente matéria. As modalidades podem ser combinadas, outras modalidades podem ser utilizadas, ou estruturas, lógicas e alterações podem ser feitas sem divergir do escopo do que se reivindica. Portanto, a descrição detalhada a seguir não deve ser tomada em um sentido limitante, e o escopo é definido pelas reivindicações anexas e seus equivalentes.
[0016] As técnicas das modalidades reveladas no presente documento podem ser implementadas usando uma variedade de tecnologias. Por exemplo, os métodos descritos no presente documento podem ser implementados em software executando em um sistema computacional ou em hardware utilizando uma combinação de microprocessadores ou outros circuitos integrados para aplicação específica especialmente projetados, dispositivos lógicos programáveis, ou várias combinações dos mesmos. Em particular, os métodos descritos no presente documento podem ser implementados por uma série de instruções executáveis por computador que residem em uma mídia de armazenamento, tal como uma unidade de disco ou mídia legível por computador. Deve-se notar que os métodos revelados no presente documento podem ser implementados por um computador (por exemplo, um computador desktop, um computador tablet, um computador laptop, e assim por diante), um console de jogos, um dispositivo de jogos de mão, um telefone celular, um smartphone, um sistema de televisão inteligente, e assim por diante. Diferentes arquiteturas de implantação incluem servidores em nuvem, internos ou híbridos.
[0017] Ambientes, como a casa de uma pessoa, podem ter o potencial para riscos de lesões dependendo do posicionamento das mobílias, tais como mesas, cadeiras, luminárias, ou quaisquer itens adicionais fora ou dentro da linha de visão de um indivíduo. Por exemplo, pessoas de todas as idades, incluindo idosos a crianças pequenas, indivíduos com transtornos, condições crônicas e deficiências funcionais podem potencialmente se lesionar por mobílias mal posicionadas ou outros itens que não estejam prontamente visíveis.
[0018] Uma avaliação de riscos de lesões se tornou uma parte integral da provisão de assistência médica à população idosa que tem grande desejo de manter independência. Tradicionalmente, a identificação de objetos dentro de uma casa que possuem risco de causar lesões é realizada por uma pessoa ou terapeuta ocupacional por inspeção visual à medida em que a pessoa anda por um espaço durante uma visita à casa. Durante uma inspeção visual, o terapeuta ocupacional examina áreas usadas e suas limitações com base em uma combinação de fatores, como as qualidades de uma pessoa e o ambiente, e pode, ou não, usar analítica de dados para modelar estratificação de riscos. No entanto, exigir que uma pessoa inspecione manualmente um espaço para determinação de riscos de lesões coloca essa pessoa em risco de lesões durante a inspeção, é demorado, trabalhoso para escalonar problemas de identificar riscos ambientes predominantemente devido a sistemas de informações de saúde insuficientes e analítica de dados, pode ser limitado a um local fixo, pode não ser acessível para pacientes, por exemplo, em terapia ocupacional, e pode apenas ocorrer após uma lesão já ter ocorrido.
[0019] Várias modalidades exemplificadoras descritas e ilustradas no presente documento se referem a sistemas e métodos para proporcionar um ambiente 3D de um espaço e um método para avaliação compreensiva de riscos de lesões dentro do espaço utilizando aprendizagem de máquina tal como aprendizagem por reforço e aprendizagem profunda. De acordo com as modalidades exemplificadoras, os sistemas e métodos mapeiam ambientes 3D de uma casa ou espaço de convivência e coloca os modelos 3D em um ambiente de simulação. Então, usando uma versão simulada do usuário, trajetórias podem ser seguidas através da casa virtual usando aprendizagem por reforço para encontrar as trajetórias mais seguras para evitar e estar ciente de riscos. Essa solução fornece o serviço de avaliação de riscos a usuários para permitir que eles vivam de modo independente de modo que não fiquem limitados a um local fixo como uma casa de repouso, a casa de um membro da família, ou uma instalação ou casa que possa buscar por riscos e consertá-los. Para algumas pessoas, os custos de assistência domiciliar agendada os induzem a terem que recorrer a serem colocados em uma casa. Automatizando-se a identificação de riscos de lesão e prevenção de acidentes, todos os riscos possíveis podem ser detectados sem expor qualquer pessoa aos riscos, e a população idosa será capaz de viver de modo independente por um período de tempo maior.
[0020] A Figura 1 ilustra um ambiente 100 no qual sistemas e métodos para identificar riscos ambientais em um ambiente simulado usando aprendizagem de máquina tal como aprendizagem por reforço e aprendizagem profunda podem ser implementados, de acordo com algumas modalidades. O ambiente 100 pode incluir um agente 110, uma rede de comunicações 130 (por exemplo, a Internet ou uma nuvem computacional), um sistema para identificar riscos ambientais 140 (também referido no presente documento como sistema 140), usuário(s) 170, dispositivo(s) de usuário 180, e, opcionalmente, um banco de dados 150. O agente 110, o sistema 140, dispositivo(s) de usuário 180 e o banco de dados 150 podem ser conectados através da rede de comunicações
130.
[0021] O agente 110 pode incluir, ou ser acoplado a uma ou mais câmaras 120, um ou mais sensores de profundidade integrados, rodas, um ou mais motores elétricos, fonte de alimentação, dispositivos integrados adicionais, e conexão sem fio (isto é, Bluetooth, Wi-Fi, etc.). Em algumas modalidades, o agente 110 pode ser implantado no assoalho de um espaço, e o agente 110 se desloca no espaço coletando dados sobre itens posicionados no espaço de modo que o sistema 140 crie um mapa 3D do espaço. Em outra modalidade, o agente 110 pode ser manualmente controlado pelo dispositivo de usuário 180 operado pelo usuário 170 para coletar dados sobre objetos posicionados no espaço. O dispositivo de usuário 180 pode incluir um telefone móvel, um computador pessoal (PC), um laptop, um smartphone, um PC tablet, e assim por diante. Em algumas modalidades, o agente 110 pode ser substituído por, ou assumir a forma de, qualquer dispositivo computacional, tais como aqueles descritos em relação à Figura 6.
[0022] O sistema 140 pode ser baseado em nuvem, ou compreender um ou mais servidores remotos. Através de uma avaliação usando o sistema 140, uma avaliação de risco em modelo 3D 160 é proporcionada ao usuário 170 através do dispositivo de usuário 180 que pode incluir um mapa 3D que descreve áreas de riscos de lesões conforme descrito na modalidade exemplificadora da Figura 5.
[0023] A rede de comunicações 130 pode incluir uma rede com ou sem fio, ou uma combinação das mesmas. Por exemplo, a rede pode incluir um ou mais dos seguintes: a Internet, uma intranet local, PAN (Rede de Área Pessoal), LAN (Rede de Área Local), WAN (Rede de Área Ampliada), MAN (Rede de Área Metropolitana), rede privada virtual (VPN), rede de área de armazenamento (SAN), conexão de retransmissão de quadros, conexão de Rede Inteligente Avançada (AIN), conexão de rede óptica síncrona (SONET), linha T1, T3, E1 ou E3 digital, conexão de Serviço de Dados Digitais (DDS), conexão DSL (Linha Assinante Digital), conexão Ethernet, linha ISDN (Rede Digital de Serviços Integrados), porta de discagem como conexão por modem analógico V.90, V.34 ou V.34bis, modem a cabo, conexão ATM (Modo de Transferência Assíncrona), ou uma FDDI (Interface de Dados Distribuídos por Fibra) ou conexão CDDI (Interface de Dados Distribuídos por Cobre). Adicionalmente, as comunicações também podem incluir enlaces a qualquer dentre uma variedade de redes sem fio incluindo, WAP (Protocolo de Aplicação Sem Fio), GPRS (Serviços Gerais de Pacotes por Rádio), GSM (Sistema Global para Comunicações Móveis), CDMA (Acesso Múltiplo por Divisão de Código) ou TDMA (Acesso Múltiplo por Divisão de Tempo), redes de telefone celular, GPS, CDPD (dados de pacote digital celular), rede de paginação por duplexação RIM (Pesquisa em Movimento, Limitada), rádio Bluetooth, ou uma rede de radiofrequência baseada em IEEE 802.11. A rede pode incluir, ainda, ou fazer interface com qualquer um ou mais dos seguintes: conexão serial RS-232, conexão IEEE-1394 (Firewire), conexão de Canal de Fibra, porta IrDA (infravermelha), conexão SCSI (Interface de Sistemas Computacionais Pequenos), conexão USB (Barramento Serial Universal), ou outra interface ou conexão digital ou analógica com ou sem fio, malha ou rede Digi®.
[0024] Um banco de dados opcional 150 pode armazenar os dados coletados pelo agente 110 a fim de gerar uma avaliação de risco em modelo 3D 160 e informações adicionais sobre o usuário 170.
[0025] A Figura 2 é uma vista esquemática do processo de simulação implementado para construir o ambiente 3D por um agente usando Aprendizagem por Reforço (RL). Começa com o agente tomando o estado ambiente como informações de entrada a partir da medição de um objeto no ambiente. Com base no que o agente detecta, o mesmo toma uma ação usando RL‡ para continuar a detecção do objeto. Na Figura 2, a RL que é implementada durante o processo de simulação é representada em vista esquemática por caixas fora da caixa de “processo de simulação”. As linhas tracejadas representam entrada e as linhas contínuas representam saída. À medida que o agente se move no ambiente detectando objetos, conforme mostrado na Figura 4, o mesmo constrói o mapa 3D e estabelece o risco potencial para acidentes mapeando-se objetos na casa, conforme mostrado nas trajetórias da Figura 5, seus locais relativos, e simula o usuário nesse ambiente, respectivamente.
[0026] O agente determina uma ação baseada em seu estado atual empregando-se uma política, π, que depende de uma observação, feita pelo agente, do estado. É uma distribuição por ações para cada estado, π(a|s) = P [Ai = a , Si = s]. Por exemplo, na Figura 2, a sequência inicial, i = 0, começa com Si +1= 1 (estado ambiental captado por agente). Nesse caso para i = 0, a política pode depender do estado s estando em observação de mais partes de mobílias, por exemplo, π(s) = se não puder determinar se a entrada é um ou múltiplos objetos, a = então o agente se aproxima e obtém uma tomada melhor.
[0027] O agente agora tem entrada desse primeiro estado, S1, e devido à sua política, toma a ação, a, chega em i = 1 e obtém retroinformações da função de recompensa, R (s, a). É uma função de pares de ação de estado; a Rs = E ([Ri +1│Si =s, Ai = a]; onde s, a ∊ ℝ & E é a expectativa. Então, a função de probabilidade de transição é uma distribuição de probabilidade pelo próximo estado possível dado o estado atual, que produz um próximo estado provável, si+1., é Pss’ a = P[ Si+1 = s’ | Si = s, Ai = a]; onde Si = estado particular, s = estado atual, e Si+1 = s’ está ajustando o próximo estado sequencial para s’, que é o próximo estado previsto. O agente aprende um valor Q com base na ação tomada a partir de outra política, que é atualizada calculando-a de acordo com uma função de valor de Q nova (isto é, atualizar a função de política de acordo com a função de valor Q). O agente agora tem uma compreensão refinada de S1 e entrada para S2. Em outras palavras:
[0028] S1 = entrada de estado, então, política e ação, π (s) = a implementado e realizado. Função de recompensa recebida, R (s, a), probabilidade de transição pelo próximo estado possível, P(s, a), e função de valor Q refina o conceito de um estado prévio enquanto atualiza a política, Qπ(s).
[0029] Em i = 1, S2, a função de valor Q atualizada atualizou o valor de estado prévio a partir da nova entrada que recebeu a partir de i = 1 (onde i = 1, no estado S2, e por causa disso atualiza valores de i = 0, para estado S1 e funções correspondentes que reagiram a isso). Por exemplo, em geral, a função de valor Q, Q (si, ai) + α [ri+1 + γ maxa Q (Si+1, a) - Q(si, ai)] → Q (si, ai) para, até aqui, na sequência seria: Q (s1, a1) + α [r1 + γ maxa Q (s1, a) - Q(s0, a0)] → Q (s0, a0), e combina isso com a avaliação comparada ao estado atual e emite um estado novo (isto é, uma nova compreensão do estado atual), que é, então, a nova entrada a começar o mesmo processo como antes. Aqui γ é o fator de desconto, ou fator de descontinuidade de recompensa, que diz ao agente quanta recompensa esperar se tomar uma ação particular em um estado particular. Da mesma forma, no presente documento é α, a taxa de aprendizagem. Tem estado e política atualizada (entrada), agora em i =1 por exemplo;
[0030] π(x) = se tiver determinado uma razão de aspecto prévia correta,
[0031] a = usar isso para novos objetos que fazem parte da entrada para i = 1 etapa em sequência a avançar e interagir com novos objetos detectados. Agora na seta sólida levando de volta ao “processo de simulação,” com processo similar como antes, chegando i = 2, S3, com uma compreensão melhor de objetos e seus locais uns em relação aos outros, isto é, uma trajetória. Na Figura 2 isso é mostrado pela segunda caixa de equações, onde as equações mudaram de Rsa, Pss’a, Q(s0,a0) àquelas atualizadas (Rsπ, Pss’π, Q(s’,a)), que é explicado a seguir.
[0032] Novamente, a função de recompensa é imposta, e a distribuição de probabilidade pelo próximo estado possível dado o estado atual com P(s,a), e a função de valor Q é calculada de acordo com a atualização de política, mas agora com π a
[0033] Rs = ∑ [a∈A] π (a│s) R s : πθ(s, a) = P[a | (s, θ)] , onde θ são parâmetros ajustáveis, ou pesos, leva a uma distribuição de π probabilidade de transição atualizada, Pss’ = ∑ [a∈A] π (a│s) Pss’ a , e a função de valor Q se torna: Qπ(s) = (1 – α) ⦁ Q (s, a) + α [r + γ maxa’ Q (s’, a’)] → Q (s’, a) ; onde s’ e a’ são estado e ação futuros (usar par atualizar funções). Ação seguinte de advertência a’ é ajustada para maximizar a próxima função de valor Q, é assim que se mantém a função de valor Q atualizada com uma política atualizada (isto é, ao invés de usar uma política atual).
[0034] A Figura 3 ilustra um método exemplificador (e sumário) para proporcionar uma avaliação de riscos de lesão em um ambiente 3D, de acordo com várias modalidades exemplificadoras.
[0035] O método 300 inclui:
[0036] Na etapa 301, implantar um agente em um ambiente. Por exemplo, vide a Figura 2.
[0037] Na etapa 302, detectar um primeiro objeto em um primeiro estado pelo agente. Por exemplo, vide a Figura 2.
[0038] Na etapa 303, tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço pelo agente, a ação tomada a fim de maximizar uma recompensa. Por exemplo, vide a Figura 2.
[0039] Na etapa 304, mapear o primeiro objeto a um ambiente tridimensional. Por exemplo, vide a Figura 4.
[0040] Na etapa 305, identificar riscos potenciais dentro do ambiente tridimensional. Por exemplo, vide a Figura 5.
[0041] A Figura 4 ilustra o agente usando RL no processo de construção de simulação movendo-se pelo ambiente. Nessa imagem, o agente começa na esquerda pela porta da frente [Figura 4a], vai em direção ao sofá [Figura 4b], então, entre as mesas [Figura 4c], e adiante pela casa.
[0042] Referindo-se à Figura 5a para a trajetória completa, após estar entre as mesas (descrito pela Figura 4c), o agente atravessa o corredor para o quarto, então, ao redor do quarto, e volta pelo corredor para a cozinha, e termina onde começou pela porta da frente.
[0043] À medida que se move e interage, aperfeiçoa o modelo 3D com cada sequências. As linhas contínuas (pontilhadas) representam um modelo acabado (não acabado) de um objeto. Nessa figura, o agente reconhece cadeiras (linhas brancas) e mesas (linhas pretas) como objetos por propósitos ilustrativos – não é limitado a cadeiras e mesas.
[0044] Considera-se o ponto inicial com linhas brancas pontilhadas à cadeira e sofá como a sequência inicial (i=0). Esses objetos são entradas do estado Si+1 = S0+1 = S1 com R1 e A1, recompensa e ação, para iniciar o processo de simulação. No próximo ponto sequencial (i=1) o agente interagiu com esses objetos, os detectou para serem incluídos no próximo estado ambiente S2, os mapeou adequadamente no ambiente (reapresentado pelas linhas brancas sólidas), e identificou um risco potencial (Figura 5). Nota-se que as linhas pontilhadas também se apresentam nessa sequência (i=1) e como elas se solidificam pela próxima sequência (i=2) similarmente.
[0045] A Figura 5 tem as saídas de risco associadas representadas para risco baixo a ausente por sinais de visto (✓) e para riscos médios a altos por sinais de cruz (✗). Na Figura 5b fica evidente que à medida que cada sequência progride, o mapa 3D e riscos de acidente no mesmo se tornam mais bem definidos, otimizando as capacidades do método no presente documento para a simulação de modelo 3D. Na Figura 5b, a casa se desvanece para descrever como a certeza do mapa 3D e simulação, com riscos correspondentes, são aperfeiçoados com funções atualizadas com cada sequência. Portanto, na Figura 5c, a casa inteira é sólida porque o agente finalizou e terminou pela porta da frente.
[0046] A Figura 6 ilustra um sistema computacional exemplificador 600 que pode ser usado para implementar as modalidades descritas no presente documento. O sistema computacional 600 da Figura 6 pode incluir um ou mais processadores 610 e memória 620. A memória 620 armazena, em parte, instruções e dados para execução por um ou mais processadores 610. A memória 620 pode armazenar o código executável quando o sistema computacional 600 estiver em operação. O sistema computacional 600 da Figura 6 pode incluir, ainda, um armazenamento em massa 630, um armazenamento portátil 640, um ou mais dispositivos de saída 650, um ou mais dispositivos de entrada 660, uma interface de rede 670, e um ou mais dispositivos periféricos
680.
[0047] Os componentes mostrados na Figura 6 são descritos como estando conectados através de um único barramento 690. Os componentes podem ser conectados através de um ou mais meios de transporte de dados. Um ou mais processadores 610 e memória 620 podem ser conectados através de um barramento de microprocessador local, e o armazenamento em massa 630, um ou mais dispositivos periféricos 680, armazenamento portátil 640, e interface de rede 670 podem ser conectados através de um ou mais barramentos de entrada/saída (I/O).
[0048] O armazenamento em massa 630, que pode ser implementado com uma unidade de disco magnético ou uma unidade de disco óptico, é um dispositivo de armazenamento não volátil para armazenar dados e instruções para uso por um disco magnético ou uma unidade de disco óptico, que, sucessivamente, pode ser usado por um ou mais processadores 610. O armazenamento em massa 630 pode armazenar o software de sistema para implementar as modalidades descritas no presente documento para propósitos de carregar esse software na memória 620.
[0049] O armazenamento portátil 340 opera em conjunto com uma mídia de armazenamento não volátil portátil, tal como um disco compacto (CD) ou disco de vídeo digital (DVD), para dados de entrada e saída e código a partir do sistema computacional 600 da Figura 6. O software de sistema para implementar as modalidades descritas no presente documento pode ser armazenado nessa mídia portátil e inserido ao sistema computacional 600 através do armazenamento portátil 640.
[0050] Um ou mais dispositivos de entrada 660 proporcionam uma porção de uma interface de usuário. Um ou mais dispositivos de entrada 660 podem incluir um teclado alfanumérico, tal como um teclado, para inserir informações alfanuméricas e outras informações, ou um dispositivo de apontamento, tal como um mouse, um trackball, uma caneta stylus, ou teclas de direção de cursor. Adicionalmente, o sistema computacional 600 conforme mostrado na Figura 6 inclui um ou mais dispositivos de saída 650. Um ou mais dispositivos de saída 650 adequados incluem alto-falantes, impressoras, interfaces de rede e monitores.
[0051] A interface de rede 670 pode ser utilizada para se comunicar com dispositivos externos, dispositivos computacionais externos, servidores e sistemas em rede através de uma ou mais redes de comunicações como uma ou mais redes com fio, sem fio ou ópticas que incluem, por exemplo, a Internet, uma intranet, LAN, WAN, redes de telefonia celular (por exemplo, Sistema Global para Rede de Comunicações Móveis, rede de comunicações por comutação de pacotes, rede de comunicações por comutação de circuitos), rádio Bluetooth, e uma rede de radiofrequência baseada em IEEE 802.11, dentre outras. As interface de rede 670 podem ser um cartão de interface de rede, tal como um cartão Ethernet, transceptor ótico, transceptor de radiofrequência, ou qualquer outro tipo de dispositivo que possa enviar e receber informações. Outros exemplos dessas interfaces de rede podem incluir Bluetooth®, 3G, 4G, e rádios WiFi® em dispositivos computacionais móveis bem como um USB.
[0052] Um ou mais dispositivos periféricos 680 podem incluir qualquer tipo de dispositivo de suporte computacional para agregar uma funcionalidade adicional ao sistema computacional 600. Um ou mais dispositivos periféricos 680 podem incluir um modem ou um roteador.
[0053] Os componentes contidos no sistema computacional 600 da Figura 6 são aqueles tipicamente encontrados em sistemas computacionais que podem ser adequados para uso com as modalidades descritas no presente documento e são destinados a representar uma categoria ampla desses componentes computacionais que são bem conhecidos na técnica. Logo, o sistema computacional 600 da Figura 6 pode ser um PC, um dispositivo computacional de mão, um telefone, um dispositivo computacional móvel, uma estação de trabalho, um servidor, um minicomputador, um computador mainframe, ou qualquer outro dispositivo computacional. O computador também pode incluir diferentes configurações de barramento, plataformas em rede, plataformas de multiprocessador, e assim por diante. Vários sistemas operacionais (OS) podem ser usados incluindo UNIX, Linux, Windows, Macintosh OS, Palm OS, e outros sistemas operacionais adequados.
[0054] Algumas das funções descritas anteriormente podem ser compostas por instruções que são armazenadas em mídias de armazenamento (por exemplo, mídia legível por computador). As instruções podem ser recuperadas e executadas pelo processador. Alguns exemplos de mídias de armazenamento são dispositivos de memória, fitas, discos, e similares. As instruções são operacionais quando executadas pelo processador para direcionar o processador a operar de acordo com as modalidades exemplificadoras. Os indivíduos versados na técnica estão familiarizados com instruções, processador(es) e mídias de armazenamento.
[0055] Convém destacar que qualquer plataforma de hardware adequada para realizar o processamento descrito no presente documento é adequada para uso com as modalidades exemplificadoras. Os termos “mídia de armazenamento legível por computador” e “mídias de armazenamento legíveis por computador” conforme o uso em questão se referem a qualquer mídia ou mídias que participem em fornecer instruções a uma unidade de processamento central (CPU) para execução. Essas mídias podem assumir muitas formas, incluindo, sem limitação, mídias não voláteis, mídias voláteis e mídias de transmissão. Mídias não voláteis incluem, por exemplo, discos ópticos ou magnéticos, tal como um disco fixo. Mídias voláteis incluem memória dinâmica, como Memória de Acesso Aleatório (RAM). Mídias de transmissão incluem cabos coaxiais, fios de cobre e fibras ópticas, dentre outras, incluindo os fios que incluem uma modalidade de um barramento. As mídias de transmissão também podem assumir a forma de ondas acústicas ou leves, tais como aquelas geradas durante comunicações de dados por radiofrequência e infravermelha. Formas comuns de mídias legíveis por computador incluem, por exemplo, um disquete, um disco flexível, um disco rígido, uma fita magnética, qualquer mídia magnética, um disco CD de memória somente para leitura (ROM), DVD, qualquer outra mídia óptica, qualquer outra mídia física com padrões de marcas ou furos, uma RAM, uma PROM, uma EPROM, uma EEPROM, uma FLASHEPROM, qualquer outro chip ou cartucho de memória, uma onda portadora, ou qualquer outra mídia a partir da qual um computador pode ler.
[0056] Várias formas de mídias legíveis por computador podem ser envolvidas em transportar uma ou mais sequências de uma ou mais instruções a uma CPU para execução. Um barramento transporta os dados a RAM do sistema, a partir do qual uma CPU recupera e executa as instruções. As instruções recebidas pela RAM do sistema podem ser opcionalmente armazenadas em um disco fixo seja antes ou após a execução por uma CPU.
[0057] Em algumas modalidades, o sistema computacional 600 pode ser implementado como um ambiente computacional baseado em nuvem, tal como uma máquina virtual que opera em uma nuvem computacional. Em outras modalidades, o sistema computacional 600 pode, ele mesmo, incluir um ambiente computacional baseado em nuvem, onde as funcionalidades do sistema computacional 600 são executadas em uma maneira distribuída. Logo, o sistema computacional 600, quando configurado como uma nuvem computacional, pode incluir pluralidades de dispositivos computacionais em várias formas, conforme será descrito em maiores detalhes abaixo.
[0058] Em geral, um ambiente computacional baseado em nuvem é um recurso que combina tipicamente a potência computacional de um agrupamento grande de processadores (como em servidores da web) e/ou que combina a capacidade de armazenamento de um agrupamento grande de memórias computacionais ou dispositivos de armazenamento. Sistemas que proporcionam recursos baseados em nuvem podem ser utilizados exclusivamente por seus próprios proprietários ou esses sistemas podem ser acessíveis a usuários externos que instalam aplicativos na infraestrutura computacional para obter o benefício de grandes recursos computacionais ou de armazenamento.
[0059] A nuvem pode ser formada, por exemplo, por uma rede de servidores da web que compreendem uma pluralidade de dispositivos computacionais, tal como o sistema computacional 600, com cada servidor (ou pelo menos uma pluralidade dos mesmos) proporcionando recursos de processador e/ou armazenamento. Esses servidores gerenciam cargas úteis proporcionadas por múltiplos usuários (por exemplo, consumidores de recursos de nuvem ou outros usuários). Tipicamente, cada usuário solicita demandas de carga útil pela nuvem que varia em tempo real, algumas vezes dramaticamente. A natureza e extensão dessas variações tipicamente dependem do tipo de negócio associado ao usuário.
[0060] As estruturas, materiais, ações e equivalentes correspondentes de todos os elementos de função means-or-step-plus nas reivindicações abaixo são destinados a incluir qualquer estrutura, material ou ação para realizar a função em combinação com outros elementos reivindicados conforme especificamente reivindicado. A descrição da presente tecnologia foi apresentada por propósitos de ilustração e descrição, mas não é destinada a ser exaustiva nem limitada à invenção na forma revelada. Muitas modificações e variações se tornarão aparentes aos técnicos no assunto sem divergir do escopo e âmbito da invenção. Modalidades exemplificadoras foram escolhidas e descritas a fim de explicar melhor os princípios da presente tecnologia e sua aplicação prática, e permitir que outros técnicos no assunto compreendam a invenção para várias modalidades com várias modificações conforme são adequadas ao uso particular contemplado.
[0061] Os aspectos da presente tecnologia são descritos acima com referência às ilustrações de fluxograma e/ou diagramas de bloco de métodos, aparelho (sistemas) e produtos de programa de computador de acordo com as modalidades da invenção. Compreende-se que cada bloco das ilustrações de fluxograma e/ou diagramas de bloco, e combinações de blocos nas ilustrações de fluxograma e/ou diagramas de bloco, pode ser implementado por instruções de programa de computador. Essas instruções de programa de computador podem ser proporcionadas a um processador de um computador para propósitos gerais, computador para propósitos especiais, ou outro aparelho de processamento de dados programáveis para produzir uma máquina, de modo que as instruções, que executam através do processador do computador ou outro aparelho de processamento de dados programáveis, criam meios para implementar as funções/ações especificadas no bloco ou blocos de fluxograma e/ou diagrama de blocos.
[0062] Essas instruções de programa de computador também podem ser armazenadas em uma mídia legível por computador que pode direcionar um computador, outro aparelho de processamento de dados programáveis, ou outros dispositivos para funcionar em uma maneira particular,
de modo que as instruções armazenadas na mídia legível por computador produzam um artigo de manufatura incluindo instruções que implementam a função/ação especificada no bloco ou blocos de fluxograma e/ou diagrama de blocos.
[0063] As instruções de programa de computador também podem ser carregadas em um computador, outro aparelho de processamento de dados programáveis, ou outros dispositivos para induzir que uma série de etapas operacionais seja realizada no computador, outro aparelho programável ou outros dispositivos para produzir um processo implementado por computador de modo que as instruções que executam no computador ou outro aparelho programável proporcionem processos para implementar as funções/ações especificadas no bloco ou blocos de fluxograma e/ou diagrama de blocos.
[0064] O fluxograma e diagramas de blocos ilustram a arquitetura, funcionalidade e operação de implementações possíveis de sistemas, métodos e produtos de programa de computador de acordo com várias modalidades da presente tecnologia. Nesse sentido, cada bloco no fluxograma ou diagramas de blocos pode representar um módulo, segmento ou porção de código, que compreende uma ou mais instruções executáveis para implementar as funções lógicas especificadas. Deve-se notar que, em algumas implementações alternativas, as funções notadas no bloco podem ocorrer fora da ordem notada nas figuras. Por exemplo, dois blocos mostrados em sucessão podem, de fato, ser executados de modo substancialmente concorrente, ou os blocos podem, algumas vezes, ser executados em ordem reversa, dependendo da funcionalidade envolvida. Deve-se notar, também, que cada bloco da ilustração de diagramas de blocos e/ou fluxogramas, e combinações de blocos na ilustração de diagramas de blocos e/ou fluxogramas, pode ser implementado por sistemas baseados em hardware para propósitos especiais que realizam as funções ou ações especificadas, ou combinações de instruções de hardware para propósitos especiais e computacionais.
[0065] Logo, descreveram-se sistemas e métodos para identificar riscos ambientes em um ambiente simulado usando aprendizagem de máquina como aprendizagem por reforço e aprendizagem profunda. Embora as modalidades tenham sido descritas com referência a modalidades exemplificadoras específicas, ficará evidente que várias modificações e alterações podem ser feitas a essas modalidades exemplificadoras sem divergir do âmbito e escopo mais abrangente do presente pedido.
De modo correspondente, o relatório descritivo e os desenhos devem ser considerados em um sentido ilustrativo ao invés de restritivo.
Existem muitas formas alternativas de implementar a presente tecnologia.
Os exemplos revelados são ilustrativos e não restritivos.
Claims (17)
1. Método para proporcionar avaliação de um risco de lesão, o método sendo CARACTERIZADO pelo fato de compreender: implantar um agente em um ambiente; detectar um primeiro objeto em um primeiro estado pelo agente; tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço pelo agente, a ação tomada a fim de maximizar uma recompensa; mapear o primeiro objeto a um ambiente tridimensional; e identificar riscos potenciais dentro do ambiente tridimensional.
2. Método, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de compreender, ainda, o agente continuando a tomar outra ação no ambiente para interagir com um segundo objeto usando aprendizagem por reforço pelo agente, a ação tomada a fim de maximizar uma recompensa cumulativa.
3. Método, de acordo com a reivindicação 2, CARACTERIZADO pelo fato de compreender, ainda, o agente mapeando o segundo objeto ao ambiente tridimensional e continuando a identificar riscos potenciais dentro do ambiente tridimensional.
4. Método, de acordo com a reivindicação 3, CARACTERIZADO pelo fato de compreender, ainda, o agente mapeando os locais relativos do primeiro e segundo objetos no ambiente tridimensional.
5. Método, de acordo com a reivindicação 4, CARACTERIZADO pelo fato de compreender, ainda, o agente mapeando uma trajetória para evitar o contato com o primeiro e segundo objetos no ambiente tridimensional.
6. Método, de acordo com a reivindicação 5, CARACTERIZADO pelo fato de compreender, ainda, simular um usuário no ambiente tridimensional.
7. Método, de acordo com a reivindicação 6, CARACTERIZADO pelo fato de compreender, ainda, o agente usando aprendizagem por reforço em um processo de construção de simulação movendo-se e interagindo através do ambiente para aperfeiçoar o ambiente tridimensional.
8. Método, de acordo com a reivindicação 7, CARACTERIZADO pelo fato de compreender, ainda, gerar um novo ambiente tridimensional com cada sequência de movimento pelo agente.
9. Método, de acordo com a reivindicação 8, CARACTERIZADO pelo fato de compreender, ainda, gerar um novo ambiente tridimensional com cada interação pelo agente.
10. Método, de acordo com a reivindicação 9, CARACTERIZADO pelo fato de compreender, ainda, gerar um mapa de simulação tridimensional identificando riscos potenciais no ambiente.
11. Método, de acordo com a reivindicação 10, CARACTERIZADO pelo fato de compreender, ainda, categorizar os riscos potenciais seja como risco baixo a ausente ou risco médio a alto.
12. Sistema para proporcionar avaliação de risco de lesão, o sistema sendo CARACTERIZADO pelo fato de compreender: um agente comunicativamente acoplado a um dispositivo de captação; uma rede de comunicações comunicativamente acoplada ao agente; um módulo de avaliação de riscos em modelo tridimensional comunicativamente acoplado à rede de comunicações; um dispositivo de usuário comunicativamente acoplado ao módulo de avaliação de riscos em modelo tridimensional; e um sistema para identificar riscos ambientes comunicativamente acoplado à rede de comunicações.
13. Sistema, de acordo com a reivindicação 12, CARACTERIZADO pelo fato de compreender, ainda, um banco de dados.
14. Sistema, de acordo com a reivindicação 12, CARACTERIZADO pelo fato de compreender, ainda, o agente configurado para implantar um ambiente e detectar um primeiro objeto em um primeiro estado.
15. Sistema, de acordo com a reivindicação 14, CARACTERIZADO pelo fato de compreender, ainda, o agente configurado para tomar uma ação para interagir com o primeiro objeto usando aprendizagem por reforço.
16. Sistema, de acordo com a reivindicação 15, CARACTERIZADO pelo fato de compreender, ainda, o agente configurado para mapear o primeiro objeto a um ambiente tridimensional.
17. Sistema, de acordo com a reivindicação 16, CARACTERIZADO pelo fato de compreender, ainda, o agente configurado para identificar riscos potenciais dentro do ambiente tridimensional.
Petição 870210068149, de 27/07/2021, pág. 105/111 180 100
AVALIAÇÃO DE
RISCO DE MODELO 3D 160 1/6
REDE DE SISTEMA PARA
AGENTE IDENTIFICAR RISCOS
CÂMERA COMUNICAÇÕES 110 AMBIENTES 140 120 130
BANCO DE
DADOS 150
Sequência inicial (i = 0): S1 (s) = a R (s, a) = Rsa = E ([Ri +1 i = s, Ai = a] P(s, a) = P ss’ a = P[ Si+1 = s’ | Si = s, Ai = a] Q (s0, a 0) Leva à sequência i = 1, atualizar funções acima.
Processo de simulação S1 Detecção de RL Detecção de objeto objeto i + 1 e trajetória Com compreensão aperfeiçoada de estado prévio, Si-1,variáveis
RL RL RL atualizadas aperfeiçoaram a previsão para o próximo Si+1 Mapa 3D, Trajetórias wrt usuário em de objeto i + 1 Risco simulação RL e objetos (s, a) = P[a | (s Rs [a A] ) R sa P ss’ = [a A] ) P ss’ a Mapa 3D aperfeiçoando Q(s, a, R, P) com Q (s Q (s’, a) cada etapa sequencial através do loop
300 INÍCIO
IMPLANTAR UM AGENTE EM UM AMBIENTE 301
DETECTAR UM PRIMEIRO OBJETO PELO AGENTE EM UM 302
PRIMEIRO ESTADO
TOMAR UMA AÇÃO PARA INTERAGIR COM O
PRIMEIRO OBJETO USANDO APRENDIZAGEM POR REFORÇO PELO AGENTE, SENDO A AÇÃO 303
TOMADA A FIM DE MAXIMIZAR UMA
RECOMPENSA
MAPEAR O PRIMEIRO OBJETO A UM AMBIENTE TRIDIMENSIONAL 304
IDENTIFICAR RISCOS POTENCIAIS DENTRO DO AMBIENTE TRIDIMENSIONAL 305
TÉRMINO i = 0, S1 i = 1, S 2 i = 2, S3
Trajetória completa do agente i =0 i =1 i =2
Atualizar a saída com nova entrada i =0 i =1 i =2
Estado final i = n
UM OU MAIS 650
UM OU MAIS DISPOSITIVOS DE 610 PROCESSADORES SAÍDA UM OU MAIS 660
DISPOSITIVOS
MEMÓRIA DE ENTRADA 620 INTERFACE 670
ARMAZENAMENTO DE REDE 630 EM MASSA UM OU MAIS 680
ARMAZENAMENTO DISPOSITIVOS 640 PORTÁTIL PERIFÉRICOS 690
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962801525P | 2019-02-05 | 2019-02-05 | |
US62/801,525 | 2019-02-05 | ||
PCT/US2020/016248 WO2020163180A1 (en) | 2019-02-05 | 2020-01-31 | 3d environment risks identification utilizing reinforced learning |
Publications (1)
Publication Number | Publication Date |
---|---|
BR112021014734A2 true BR112021014734A2 (pt) | 2021-09-28 |
Family
ID=71836668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112021014734-9A BR112021014734A2 (pt) | 2019-02-05 | 2020-01-31 | Identificação de riscos em ambiente 3d utilizando aprendizagem por reforço |
Country Status (9)
Country | Link |
---|---|
US (1) | US11791050B2 (pt) |
EP (1) | EP3920797A4 (pt) |
JP (1) | JP2022519283A (pt) |
KR (1) | KR20210133228A (pt) |
AU (1) | AU2020218172B2 (pt) |
BR (1) | BR112021014734A2 (pt) |
CA (1) | CA3126844A1 (pt) |
SG (1) | SG11202107882TA (pt) |
WO (1) | WO2020163180A1 (pt) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10813572B2 (en) | 2015-12-11 | 2020-10-27 | Electronic Caregiver, Inc. | Intelligent system for multi-function electronic caregiving to facilitate advanced health diagnosis, health monitoring, fall and injury prediction, health maintenance and support, and emergency response |
US11213224B2 (en) | 2018-03-19 | 2022-01-04 | Electronic Caregiver, Inc. | Consumer application for mobile assessment of functional capacity and falls risk |
US11923058B2 (en) | 2018-04-10 | 2024-03-05 | Electronic Caregiver, Inc. | Mobile system for the assessment of consumer medication compliance and provision of mobile caregiving |
US11488724B2 (en) | 2018-06-18 | 2022-11-01 | Electronic Caregiver, Inc. | Systems and methods for a virtual, intelligent and customizable personal medical assistant |
EP3920797A4 (en) | 2019-02-05 | 2022-11-02 | Electronic Caregiver, Inc. | IDENTIFYING THE RISKS OF A 3D ENVIRONMENT USING REINFORCED LEARNING |
US11955209B2 (en) * | 2019-04-29 | 2024-04-09 | International Business Machines Corporation | Cohort selection for agile processes |
US11113943B2 (en) | 2019-05-07 | 2021-09-07 | Electronic Caregiver, Inc. | Systems and methods for predictive environmental fall risk identification |
Family Cites Families (122)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5211642A (en) | 1991-10-28 | 1993-05-18 | Clendenning Beverly F | Chambers drainage system |
US5475953A (en) | 1994-09-29 | 1995-12-19 | Powerflor, Inc. | 2-shaped edge molding strip |
US6665647B1 (en) | 1997-11-24 | 2003-12-16 | Chris A. Haudenschild | Enterprise healthcare management system and method of using same |
AU5770599A (en) | 1998-07-21 | 2000-02-14 | Originet | Method and system for providing an avatar interactive computer guide system |
US20020062342A1 (en) | 2000-11-22 | 2002-05-23 | Sidles Charles S. | Method and system for completing forms on wide area networks such as the internet |
DK1360567T3 (da) | 2001-02-16 | 2005-10-10 | United Parcel Service Inc | System og fremgangsmåde til selektiv aktivering og deaktivering af adgang til softwareapplikationer over et netværk |
JP4744715B2 (ja) | 2001-04-06 | 2011-08-10 | 株式会社ブロードリーフ | 情報開示方法 |
US7242306B2 (en) | 2001-05-08 | 2007-07-10 | Hill-Rom Services, Inc. | Article locating and tracking apparatus and method |
US8108488B2 (en) | 2002-11-18 | 2012-01-31 | Jackbe Corporation | System and method for reducing bandwidth requirements for remote applications by utilizing client processing power |
JP2004264060A (ja) | 2003-02-14 | 2004-09-24 | Akebono Brake Ind Co Ltd | 姿勢の検出装置における誤差補正方法及びそれを利用した動作計測装置 |
US20050055942A1 (en) | 2003-08-26 | 2005-03-17 | M & M Flooring | Method for manufacturing and installing a prefabricated hardwood floor |
JP2005228305A (ja) | 2004-01-15 | 2005-08-25 | Tokyoto Koreisha Kenkyu Fukushi Shinko Zaidan | 老年症候群の危険性の判定方法 |
US20110145018A1 (en) | 2005-03-21 | 2011-06-16 | Fotsch Edward J | Drug and medical device safety and support information reporting system, processing device and method |
US8919066B2 (en) | 2006-02-09 | 2014-12-30 | University Of Notre Dame Du Lac | Flooring apparatus for reducing impact energy during a fall |
US20070238936A1 (en) | 2006-04-10 | 2007-10-11 | Shirley Ann Becker | Portable Electronic Medical Assistant |
US7558622B2 (en) | 2006-05-24 | 2009-07-07 | Bao Tran | Mesh network stroke monitoring appliance |
US20080010293A1 (en) | 2006-07-10 | 2008-01-10 | Christopher Zpevak | Service level agreement tracking system |
US7971141B1 (en) | 2006-10-31 | 2011-06-28 | Intuit Inc. | Method and system for populating a form based on an existing format |
US7445086B1 (en) | 2007-01-16 | 2008-11-04 | Daniel Sizemore | Ladder lock |
US7612681B2 (en) | 2007-02-06 | 2009-11-03 | General Electric Company | System and method for predicting fall risk for a resident |
US20090094285A1 (en) | 2007-10-03 | 2009-04-09 | Mackle Edward G | Recommendation apparatus |
US8206325B1 (en) | 2007-10-12 | 2012-06-26 | Biosensics, L.L.C. | Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection |
US10438496B2 (en) | 2008-11-18 | 2019-10-08 | Victoria Panzer | Method and system for fall prevention in older adults |
US20150019250A1 (en) | 2009-05-22 | 2015-01-15 | A-Vu Media Corp. | Manager-controllable integrated user content and services system |
US20110126197A1 (en) | 2009-11-25 | 2011-05-26 | Novell, Inc. | System and method for controlling cloud and virtualized data centers in an intelligent workload management system |
US20130204545A1 (en) | 2009-12-17 | 2013-08-08 | James C. Solinsky | Systems and methods for sensing balanced-action for improving mammal work-track efficiency |
US20110232708A1 (en) | 2010-03-24 | 2011-09-29 | James Martin Kemp | Walker and wheel assembly |
US8427324B2 (en) | 2010-07-30 | 2013-04-23 | General Electric Company | Method and system for detecting a fallen person using a range imaging device |
DE102010033232A1 (de) | 2010-08-03 | 2012-02-09 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Bereitstellen eines Einmalpasswortes |
AU2011291640B2 (en) | 2010-08-18 | 2015-11-12 | Security First Corp. | Systems and methods for securing virtual machine computing environments |
US9785744B2 (en) | 2010-09-14 | 2017-10-10 | General Electric Company | System and method for protocol adherence |
US9934427B2 (en) | 2010-09-23 | 2018-04-03 | Stryker Corporation | Video monitoring system |
EP2619724A2 (en) | 2010-09-23 | 2013-07-31 | Stryker Corporation | Video monitoring system |
JP2012101729A (ja) | 2010-11-12 | 2012-05-31 | Suminoe Textile Co Ltd | 防滑性に優れた自動車用マット。 |
US8730297B2 (en) | 2010-11-15 | 2014-05-20 | Cisco Technology, Inc. | System and method for providing camera functions in a video environment |
WO2012075268A2 (en) | 2010-12-01 | 2012-06-07 | University Of Utah Research Foundation | Faint and fall assessment |
US20120165618A1 (en) | 2010-12-22 | 2012-06-28 | Richard Algoo | Method and apparatus for health avatar |
US8827930B2 (en) | 2011-01-10 | 2014-09-09 | Bioguidance Llc | System and method for patient monitoring |
CA2770933C (en) | 2011-03-11 | 2021-05-25 | Intellacare Inc. | A method and system for monitoring the activity of a subject within spatial temporal and/or behavioral parameters |
US20120253233A1 (en) | 2011-03-31 | 2012-10-04 | Greene Barry | Algorithm for quantitative standing balance assessment |
US20130127620A1 (en) | 2011-06-20 | 2013-05-23 | Cerner Innovation, Inc. | Management of patient fall risk |
US9355393B2 (en) | 2011-08-18 | 2016-05-31 | Visa International Service Association | Multi-directional wallet connector apparatuses, methods and systems |
CA2839141C (en) | 2011-07-08 | 2018-11-20 | Global Nutrition & Health Inc. | Personalized nutritional and wellness assistant |
US8771206B2 (en) | 2011-08-19 | 2014-07-08 | Accenture Global Services Limited | Interactive virtual care |
WO2013058985A1 (en) | 2011-10-17 | 2013-04-25 | Kimmel Zebadiah M | Method and apparatus for detecting deterioration of health status |
WO2013071285A1 (en) | 2011-11-11 | 2013-05-16 | Rutgers, The State University Of New Jersey | Methods for the diagnosis and treatment of neurological disorders |
US20130303860A1 (en) | 2011-11-21 | 2013-11-14 | Robert Bender | Systems and methods for use in fall risk assessment |
EP2610724B1 (en) | 2011-12-27 | 2022-01-05 | Tata Consultancy Services Limited | A system and method for online user assistance |
US20130212501A1 (en) | 2012-02-10 | 2013-08-15 | Glen J. Anderson | Perceptual computing with conversational agent |
GB2500058B (en) | 2012-03-09 | 2014-04-02 | Kari Hjelt | A dynamically configurable balancing board |
US9372252B2 (en) | 2012-03-21 | 2016-06-21 | Secure Care Products, Llc | Outdoor object location system and method thereof |
US9408561B2 (en) | 2012-04-27 | 2016-08-09 | The Curators Of The University Of Missouri | Activity analysis, fall detection and risk assessment systems and methods |
US9597016B2 (en) | 2012-04-27 | 2017-03-21 | The Curators Of The University Of Missouri | Activity analysis, fall detection and risk assessment systems and methods |
US10265028B2 (en) | 2012-08-16 | 2019-04-23 | Ginger.io, Inc. | Method and system for modeling behavior and heart disease state |
US9536049B2 (en) | 2012-09-07 | 2017-01-03 | Next It Corporation | Conversational virtual healthcare assistant |
WO2014043757A1 (en) | 2012-09-20 | 2014-03-27 | National Ict Australia Limited | Stride detection |
US9208676B2 (en) | 2013-03-14 | 2015-12-08 | Google Inc. | Devices, methods, and associated information processing for security in a smart-sensored home |
US9338622B2 (en) | 2012-10-04 | 2016-05-10 | Bernt Erik Bjontegard | Contextually intelligent communication systems and processes |
US20140171834A1 (en) | 2012-10-20 | 2014-06-19 | Elizabethtown College | Electronic-Movement Analysis Tool for Motor Control Rehabilitation and Method of Using the Same |
CA2834877A1 (en) | 2012-11-28 | 2014-05-28 | Henry Leung | System and method for event monitoring and detection |
US9706949B2 (en) | 2013-02-27 | 2017-07-18 | The Board Of Trustees Of The University Of Alabama, For And On Behalf Of The University Of Alabama In Huntsville | Systems and methods for automatically quantifying mobility |
US20140257851A1 (en) | 2013-03-05 | 2014-09-11 | Clinton Colin Graham Walker | Automated interactive health care application for patient care |
US9258522B2 (en) | 2013-03-15 | 2016-02-09 | Stryker Corporation | Privacy setting for medical communications systems |
US10726461B2 (en) | 2013-03-15 | 2020-07-28 | Ncr Corporation | System and method of completing an activity via an agent |
US9317916B1 (en) | 2013-04-12 | 2016-04-19 | Aic Innovations Group, Inc. | Apparatus and method for recognition of medication administration indicator |
CA2947936C (en) | 2013-05-04 | 2023-02-21 | Christopher Decharms | Mobile security technology |
US20140358828A1 (en) | 2013-05-29 | 2014-12-04 | Purepredictive, Inc. | Machine learning generated action plan |
CN105263411B (zh) | 2013-06-06 | 2019-11-01 | 皇家飞利浦有限公司 | 跌倒检测系统及方法 |
US9591996B2 (en) | 2013-06-07 | 2017-03-14 | Lumo BodyTech, Inc | System and method for detecting transitions between sitting and standing states |
DE102013017264A1 (de) | 2013-10-17 | 2015-04-23 | Dräger Medical GmbH | Verfahren für die Überwachung eines Patienten innerhalb eines medizinischen Überwachungsbereichs |
US10733866B2 (en) | 2013-10-29 | 2020-08-04 | The Sheba Fund For Health Services And Research | Walker-assist device |
US10475141B2 (en) | 2014-02-06 | 2019-11-12 | Empoweryu, Inc. | System and method for adaptive indirect monitoring of subject for well-being in unattended setting |
KR101700217B1 (ko) | 2014-10-02 | 2017-01-26 | (주)직토 | 웨어러블 디바이스와 휴대용 전자기기를 사용한 생체인증 방법 |
US10360349B2 (en) | 2014-10-27 | 2019-07-23 | MolecularMatch, Inc. | Personalized medicine service |
CN104361321B (zh) | 2014-11-13 | 2018-02-09 | 侯振杰 | 一种判断老年人摔倒行为及身体平衡能力的方法 |
US10289868B2 (en) | 2014-11-27 | 2019-05-14 | Siemens Aktiengesellschaft | Transmitting medical datasets |
US10019553B2 (en) | 2015-01-27 | 2018-07-10 | Catholic Health Initiatives | Systems and methods for virtually integrated care delivery |
US10896756B2 (en) | 2015-04-21 | 2021-01-19 | Washington State University | Environmental sensor-based cognitive assessment |
US10307084B2 (en) | 2015-06-30 | 2019-06-04 | Zibrio Inc. | Identifying fall risk using machine learning algorithms |
US20180182472A1 (en) | 2015-06-30 | 2018-06-28 | Kenzie L. Preston | Method and system for a mobile health platform |
CA2936876A1 (en) | 2015-07-22 | 2017-01-22 | Radicalogic Technologies, Inc. Dba Rl Solutions | Systems and methods for near-real or real-time contact tracing |
US10206630B2 (en) | 2015-08-28 | 2019-02-19 | Foresite Healthcare, Llc | Systems for automatic assessment of fall risk |
US11170626B2 (en) | 2015-09-17 | 2021-11-09 | Luvozo Pbc | Automated environment hazard detection |
US10387963B1 (en) | 2015-09-24 | 2019-08-20 | State Farm Mutual Automobile Insurance Company | Method and system of generating a call agent avatar using artificial intelligence |
US10768772B2 (en) | 2015-11-19 | 2020-09-08 | Microsoft Technology Licensing, Llc | Context-aware recommendations of relevant presentation content displayed in mixed environments |
US20190220727A1 (en) | 2018-01-17 | 2019-07-18 | SameDay Security, Inc. | Computing Devices with Improved Interactive Animated Conversational Interface Systems |
US10813572B2 (en) | 2015-12-11 | 2020-10-27 | Electronic Caregiver, Inc. | Intelligent system for multi-function electronic caregiving to facilitate advanced health diagnosis, health monitoring, fall and injury prediction, health maintenance and support, and emergency response |
US20170193163A1 (en) | 2015-12-30 | 2017-07-06 | Accenture Global Solutions Limited | User device platform for interacting with cloud-based platform |
US10460024B2 (en) | 2016-01-05 | 2019-10-29 | Adobe Inc. | Interactive electronic form workflow assistant that guides interactions with electronic forms in a conversational manner |
US10376739B2 (en) | 2016-01-08 | 2019-08-13 | Balance4Good, Ltd. | Balance testing and training system and method |
US10692011B2 (en) | 2016-01-21 | 2020-06-23 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
ITUB20160119A1 (it) | 2016-02-04 | 2017-08-04 | Teseo Srl | Sistema di monitoraggio ed assistenza private di persone, in particolare di anziani o di persone con problemi speciali o di carattere cognitivo |
JP6687039B2 (ja) * | 2016-02-05 | 2020-04-22 | 株式会社リコー | 物体検出装置、機器制御システム、撮像装置、物体検出方法、及びプログラム |
US20170273601A1 (en) | 2016-03-28 | 2017-09-28 | Lumo BodyTech, Inc | System and method for applying biomechanical characterizations to patient care |
CN106056035A (zh) | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
US10795947B2 (en) | 2016-05-17 | 2020-10-06 | Google Llc | Unified message search |
US11259742B2 (en) | 2016-08-19 | 2022-03-01 | Curiato Inc. | System, method, and computer readable medium for dynamic pressure damage risk assessment and response |
US20180075220A1 (en) | 2016-09-12 | 2018-03-15 | National Health Coalition, Inc. | Methods for Processing Submission and Fulfillment of Pharmaceutical Prescriptions in Real Time |
US9972187B1 (en) | 2016-11-13 | 2018-05-15 | Agility4Life | Biomechanical parameter determination for emergency alerting and health assessment |
JP6812772B2 (ja) * | 2016-12-09 | 2021-01-13 | 富士ゼロックス株式会社 | 監視装置及びプログラム |
US10748061B2 (en) * | 2016-12-19 | 2020-08-18 | Futurewei Technologies, Inc. | Simultaneous localization and mapping with reinforcement learning |
US10628635B1 (en) | 2017-03-29 | 2020-04-21 | Valyant AI, Inc. | Artificially intelligent hologram |
CN107411515A (zh) | 2017-07-27 | 2017-12-01 | 胡彦 | 产妇跌倒保护装置 |
US10561549B2 (en) | 2017-07-28 | 2020-02-18 | Hill-Rom Services, Inc. | Bed-based safety protocol control |
US20190042700A1 (en) | 2017-08-02 | 2019-02-07 | Imam Abdulrahman Bin Faisal University | Apparatus and method for real-time assessment, mapping, and building databases of quality of life indicators |
US11694109B2 (en) | 2017-08-16 | 2023-07-04 | ODH, Inc. | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure |
KR102481883B1 (ko) | 2017-09-27 | 2022-12-27 | 삼성전자주식회사 | 위험 상황을 감지하는 방법 및 장치 |
US11032337B2 (en) | 2017-10-16 | 2021-06-08 | Vincent Paul Spinella-Mamo | Contextual and collaborative media |
US10657259B2 (en) | 2017-11-01 | 2020-05-19 | International Business Machines Corporation | Protecting cognitive systems from gradient based attacks through the use of deceiving gradients |
WO2019108603A1 (en) | 2017-11-28 | 2019-06-06 | Sigma Ratings, Inc. | Machine learning techniques for evaluating entities |
US10650338B2 (en) | 2017-12-27 | 2020-05-12 | Pearson Education, Inc. | Automated registration and greeting process—custom queueing (security) |
US20190259475A1 (en) | 2018-02-20 | 2019-08-22 | SameDay Security, Inc. | Connected Kiosk for the Real-Time Assessment of Falls Risk |
US10922585B2 (en) | 2018-03-13 | 2021-02-16 | Recogni Inc. | Deterministic labeled data generation and artificial intelligence training pipeline |
US11213224B2 (en) | 2018-03-19 | 2022-01-04 | Electronic Caregiver, Inc. | Consumer application for mobile assessment of functional capacity and falls risk |
US11923058B2 (en) | 2018-04-10 | 2024-03-05 | Electronic Caregiver, Inc. | Mobile system for the assessment of consumer medication compliance and provision of mobile caregiving |
US11093747B2 (en) | 2018-04-16 | 2021-08-17 | Peerwell, Inc. | Hazard recognition |
US11488724B2 (en) | 2018-06-18 | 2022-11-01 | Electronic Caregiver, Inc. | Systems and methods for a virtual, intelligent and customizable personal medical assistant |
US11040714B2 (en) | 2018-09-28 | 2021-06-22 | Intel Corporation | Vehicle controller and method for controlling a vehicle |
EP3920797A4 (en) | 2019-02-05 | 2022-11-02 | Electronic Caregiver, Inc. | IDENTIFYING THE RISKS OF A 3D ENVIRONMENT USING REINFORCED LEARNING |
US11113943B2 (en) | 2019-05-07 | 2021-09-07 | Electronic Caregiver, Inc. | Systems and methods for predictive environmental fall risk identification |
US20210273962A1 (en) | 2020-02-28 | 2021-09-02 | Electronic Caregiver, Inc. | Intelligent platform for real-time precision care plan support during remote care management |
US20210358202A1 (en) | 2020-05-13 | 2021-11-18 | Electronic Caregiver, Inc. | Room Labeling Drawing Interface for Activity Tracking and Detection |
-
2020
- 2020-01-31 EP EP20752851.4A patent/EP3920797A4/en not_active Withdrawn
- 2020-01-31 US US16/779,281 patent/US11791050B2/en active Active
- 2020-01-31 JP JP2021545464A patent/JP2022519283A/ja active Pending
- 2020-01-31 WO PCT/US2020/016248 patent/WO2020163180A1/en unknown
- 2020-01-31 CA CA3126844A patent/CA3126844A1/en not_active Abandoned
- 2020-01-31 SG SG11202107882TA patent/SG11202107882TA/en unknown
- 2020-01-31 AU AU2020218172A patent/AU2020218172B2/en active Active
- 2020-01-31 KR KR1020217028322A patent/KR20210133228A/ko not_active Application Discontinuation
- 2020-01-31 BR BR112021014734-9A patent/BR112021014734A2/pt not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
US20200251220A1 (en) | 2020-08-06 |
EP3920797A1 (en) | 2021-12-15 |
AU2020218172B2 (en) | 2023-01-12 |
US11791050B2 (en) | 2023-10-17 |
KR20210133228A (ko) | 2021-11-05 |
CA3126844A1 (en) | 2020-08-13 |
SG11202107882TA (en) | 2021-08-30 |
WO2020163180A1 (en) | 2020-08-13 |
JP2022519283A (ja) | 2022-03-22 |
AU2020218172A1 (en) | 2021-08-12 |
EP3920797A4 (en) | 2022-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BR112021014734A2 (pt) | Identificação de riscos em ambiente 3d utilizando aprendizagem por reforço | |
US11521067B2 (en) | Decentralized distributed deep learning | |
CN110580197A (zh) | 大型模型深度学习的分布式计算架构 | |
CN111260774B (zh) | 生成3d关节点回归模型的方法和装置 | |
US10642875B2 (en) | Accurate relationship extraction with word embeddings using minimal training data | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
CN106132341B (zh) | 形状的预测 | |
JP2020077343A (ja) | ルール生成装置、ルール生成方法及びルール生成プログラム | |
US11854674B2 (en) | Determining rate of recruitment information concerning a clinical trial | |
US10769866B2 (en) | Generating estimates of failure risk for a vehicular component | |
CN105308553A (zh) | 动态提供存储 | |
EP3336796A1 (en) | Simulation program, simulation method, and simulation device | |
BR112019004945B1 (pt) | Conversão de serviço de integração de dados | |
CN113924560A (zh) | 利用半监督深度学习理解对医学人工智能系统的查询意图 | |
EP3336778A1 (en) | Policy introduced effect prediction apparatus, policy introduced effect prediction program, and policy introduced effect prediction method | |
CN110732137A (zh) | 对深度学习网络的注意力的持续控制 | |
Seekhao et al. | In situ visualization for 3D agent-based vocal fold inflammation and repair simulation | |
Rahman et al. | Machine learning and deep learning-based approach in smart healthcare: Recent advances, applications, challenges and opportunities | |
Proficz et al. | Performance and power-aware modeling of MPI applications for cluster computing | |
US11514318B2 (en) | Multi-source transfer learning from pre-trained networks | |
US10839936B2 (en) | Evidence boosting in rational drug design and indication expansion by leveraging disease association | |
CN113034428A (zh) | 用于在头部ct平扫图像中检测急性颅内出血的深度学习系统 | |
US20150142709A1 (en) | Automatic learning of bayesian networks | |
US20170103182A1 (en) | Modelling Disease Progression and Intervention Effects Using Non-Clinical Information Proxies for Clinical Information | |
US20220141196A1 (en) | Patterned and correlated electrical activity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B11A | Dismissal acc. art.33 of ipl - examination not requested within 36 months of filing | ||
B11Y | Definitive dismissal - extension of time limit for request of examination expired [chapter 11.1.1 patent gazette] |