CN111024108A - 智能路线规划展示装置 - Google Patents
智能路线规划展示装置 Download PDFInfo
- Publication number
- CN111024108A CN111024108A CN201911335142.2A CN201911335142A CN111024108A CN 111024108 A CN111024108 A CN 111024108A CN 201911335142 A CN201911335142 A CN 201911335142A CN 111024108 A CN111024108 A CN 111024108A
- Authority
- CN
- China
- Prior art keywords
- input
- user
- destination
- input field
- 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
Images
Classifications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
-
- 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
Abstract
本公开提供一种智能路线规划展示装置,包括深度学习处理器,该装置包括:第一展示模块,用于在软件界面展示至少一个输入域,其中,所述至少一个输入域包括:一个起始位置输入域和多个目的位置输入域;接收模块,用于接收用户针对各所述输入域的输入操作;第二展示模块,用于响应所述对输入域的输入操作,接收深度学习处理器对所述输入域输入数据的处理结果,在所述软件界面展示目标行进路线,所述目标行进路线的终点为所述目的位置之一。通过本公开的装置,能够基于属于的多个目的位置,展现出优化的目标行进路线。
Description
技术领域
本公开涉及人工智能技术领域,具体的,涉及一种智能路线规划展示装置。
背景技术
随着人们生活水平提高,随着地图应用需求更个性化、专业化,依据地图的路线规划亟需进一步提高功能,如随着景区规模的增大,景区的出入口也随之增多,而对于不熟悉该景区布局的用户来说,都是通过网上查询景区的布局信息,当用户想前往该景区中的多个位置或者想避开拥挤时,只能根据该用户自主设定的起始位置进行导航,而用户选择起始位置一般都是主观凭感觉选择,所以,用户很有可能在多个路径上折返,并不能为用户规划出最优路径,也不符合用户的实际需求,进而降低用户体验。用户很多从网上获取攻略,并不清楚图片位置具体指哪个景点,因此提供用户图像匹配获得目的景点的方式。
发明内容
(一)要解决的技术问题
有鉴于此,本公开提供一种智能路线规划展示装置以至少部分解决上述的技术问题。
(二)技术方案
根据本公开的技术方案,提供一种智能路线规划展示装置,包括深度学习处理器,该装置包括:第一展示模块,用于在软件界面展示至少一个输入域,其中,所述至少一个输入域包括:一个起始位置输入域和多个目的位置输入域;接收模块,用于接收用户针对各所述输入域的输入操作;第二展示模块,用于响应所述对输入域的输入操作,接收深度学习处理器对所述输入域输入数据的处理结果,在所述软件界面展示目标行进路线,所述目标行进路线的终点为所述目的位置之一。
在进一步的实施方案中,多个目的位置的至少一个为目的位置关联图像输入域,所述关联图像输入域通过用户输入与目的位置关联的图像作为输入数据。
在进一步的实施方案中,起始位置输入域包含起点备选项,所述起点备选项包括当前所处位置或者景区的入口位置;所述目的位置输入域包含目的位置备选项,所述目的位置备选项包括景区内的至少一个景点。
在进一步的实施方案中,目标行进路线的终点为与所述起始位置距离最短的目的位置;或者所述目标行进路线的终点与起点重合。
在进一步的实施方案中,所述第一展示模块还用于在软件界面展示至少一个用户偏好选项,所述用户偏好选项包括:多走路、避开人群、多看风景或者沿途有游览车;所述接收模块,还用于接收用户对所述用户偏好选项的触摸操作。
在进一步的实施方案中,该智能路线规划展示装置还包括:第三展示模块,在用户接近关联图像对应的目的位置条件下,展示所述关联图像。
智能路线规划展示装置第二展示模块展示的目标行进路线包括多个备选路径,所述多个备选路径包括:多走路路径、避开人群路径、多看风景路径或沿途有游览车路径。
智能路线规划展示装置,多个目的位置的至少一个为目的语音输入域。
在进一步的实施方案中,所述深度学习处理器包括:运算部分,用于完成运算,包含多个运算单元组,多个所述运算单元组呈X行Y列的阵列式分布,运算单元组间以S形方向和/或逆S形方向传递数据,其中X和 Y分别为正整数。
(三)有益效果
通过本公开的装置,能够基于属于的多个目的位置,展现出优化的目标行进路线。
附图说明
图1是本公开实施例的智能路线规划设备方框图。
图2是本公开一实施例的智能路线规划方法流程图。
图3A为一种深度学习处理器方框图。
图3B是图3A中计算部分的具体方框图。
图4为本公开实施例提供的另一种智能路线规划方法的流程示意图。
图5为本公开实施例提供的另一种智能路线规划方法的流程示意图。
图6为本公开实施例提供的一种电子设备的结构示意图。
图7示出了另一种智能路线规划设备的功能单元组成框图。
图8A为一种智能路线规划展示装置的第一界面;
图8B为一种智能路线规划展示装置的第二界面;
图9A为一种智能路线规划展示装置的第三界面;
图9B为一种智能路线规划展示装置的第四界面。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
根据本公开的基本构思,提供一种智能路线规划展示装置,包括:第一展示模块,用于在软件界面展示至少一个输入域,其中,所述至少一个输入域包括:一个起始位置输入域和多个目的位置输入域;接收模块,用于接收用户针对各所述输入域的输入操作;第二展示模块,用于响应所述对输入域的输入操作,接收深度学习处理器对所述输入域输入数据的处理结果,在所述软件界面展示目标行进路线,所述目标行进路线的终点为所述目的位置之一。通过本公开的装置,能够基于属于的多个目的位置,展现出优化的目标行进路线。实现该展示装置的具体方法和具体设置可以参照如下的路线规划方法和智能路线规划设备。
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
根据本公开实施例的基本构思,提供一种路线规划方法包括:获取起始位置和多个目的位置;将所述起始位置、所述多个目的位置输入到路线规划神经网络模型,通过深度学习处理器处理后确定目标行进路线,所述目标行进路线的终点为所述多个目的位置之一。通过该路线规划方法,能够实现多个目的位置的统一协调,减少用户不必要的路程耽搁,或者为用户提供其它便利。
根据本公开实施例的另一构思,如图1所示,提供一种智能路线规划设备100,应用于智能路线规划设备中,所述智能路线规划设备包括位置获取装置、智能处理装置和路线显示装置,包括:获取装置101,用于获取起始位置和多个目的位置,其中,所述多个目的位置为所述用户前往景区内的各景点位置;智能处理装置102,用于将所述起始位置和所述多个目的位置输入到路线规划神经网路模型,得到目标行进路线,所述目标行进路线的终点为所述多个目的位置之一。可选的,该智能路线规划设备还包括路线显示装置,用于显示相应的目标行进路线。相应的,该设备可以实施上述的路线规划方法,也即为上述路线规划方法提供硬件解决方案。
参阅图1,图2为本公开实施例提供的一种智能路线规划方法的流程示意图,该方法应用于如图1的智能路线规划设备,该方法包括但不限于以下操作:
201:获取起始位置和多个目的位置。
其中,所述起始位置可以为用户进入景区的位置,所述多个目的位置为所述用户前往景区的位置。
可选的,智能路线规划设备的触控显示屏显示有起始位置输入域,用户可在起始位置输入域输入起始位置,在多个目的位置输入域分别输入多个目的位置。
202:将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,通过深度学习处理器处理后确定目标行进路线,所述目标行进路线的终点为所述多个目的位置之一。
可以看出,在本公开实施例中,通过路线规划神经网络模型为用户规划出最优的行进路线,从而使用户在景区行进时按照最符合自己偏好的路线行进,进而提高用户在景区中的体验。这里的确定目标行进路线包括两种方式,一种是直接通过深度学习处理器对输入路线规划神经网络模型的数据进行处理,直接输出目标行进路线结果;或者由路线规划神经网络模型输出的为中间结果(比如某条待选行进路线的优选度),但该结果直接与目标行进路线相关,再进行简单运算即可确定最终的目标行进路线。
该操作202中,可以根据一景区的电子地图,以及该起始位置和多个目的位置,得到输入数据,将该输入数据输入到路线规划神经网络模型,与该路线规划神经网络模型的权值进行相应运算,得到运算结果,根据该运算结果,得到目标行进路线。
在一些可能的实施方式中,将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,通过深度学习处理器处理后确定目标行进路线,具体的实现过程可以为:将所述起始位置和所述多个目的位置导入所述景区的电子地图,得到多个地图节点;以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,得到多个有向有权图;基于所述电子地图,获取所述多个有向有权图中每个有向有权图任意两个相邻地图节点之间的地图数据;将每个有向有权图任意两个相邻地图节点之间的地图数据组成输入数据,将所述输入数据输入到所述路线规划神经网络模型进行运算,得到每个有向有权图的行进代价,将行进代价最小的有向有权图作为所述用户的目标行进路线或者用户的目标行进路线直接参考数据。
其中,该地图数据包括两个相邻地图节点之间的距离、两个相邻地图节点之间拥有景点的数量、两个相邻地图节点之间的人流量、两个相邻地图节点之间的互通的道路数量。
进一步地,在得到任意两个相邻地图节点之间的地图数据后,将该地图数据组成n维向量,并将所有的两个相邻地图节点对应的n维向量进行拼接,得到该输入数据矩阵。
上述地图数据仅为举例说明,在实际应用中还可包括其他的地图数据。
其中,该行进代价用于表征用户行进的体验度,行进代价越大,体验度越低,行进代价越小,体验度越高。
举例来说,获取每个位置(起始位置和目的位置)在该电子地图对应的地图节点,并将每个地图节点标注在电子地图中,如图8B所示,节点 A为起始位置对应的地图节点,节点B、C、D、E为四个目的位置对应的地图节点,然后,从节点A作为起始节点开始构造有向有权图,图8B仅示出构造出的一种有向有权图,然后,基于该电子地图从地图数据库中获取节点A和节点B之间的地图数据,……,节点C和节点B之间的地图数据,然后,将任意两个相邻地图节点的地图数据组成n维行向量(n为地图数据的数量),将图8B中所示的4个两两相邻地图节点的地图数据进行行拼接,得到4*n的输入数据矩阵,将4*n的输入数据输入到路线规划神经网络模型与该路线规划神经网络模型的权值矩阵进行卷积运算,得到该有向有权图的行进代价。
在一些可能的实施方式中,以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图的实现过程可以为:
获取所述用户的当前位置,如果用户当前在景区内,则以该用户当前位置作为起始点;否则可以以离用户最近或者交通最方便的景区出入口作为起始点。然后获取每个目的位置与所述起始点之间的距离,将距离最近的目的位置作为终点位置;以所述多个地图节点中所述起始位置所述起始位置对应的地图节点作为起始节点以及所述终点位置对应的地图节点作为终止节点构建有向有权图。其中,每条边的权重由两点之间的距离决定。
在一些可能的实施方式中,在将所述输入数据输入到所述路线规划神经网络模型进行运算之前,所述方法还包括:
接收所述用户输入的用户偏好选项;根据所述用户偏好选项调整目标行进路线。
其中,该用户偏好选项包括:多走路、多看风景、避开人群中的一种或多种。也可以包括有游览车。当然,上述用户偏好选项仅为举例说明,并不做唯一限定。
进一步地,在调整权值后,将所述输入数据输入所述路线规划神经网络模型进行运算,路线规划神经网络模型可以通过深度学习算法进行调整,也可以采用机器学习算法进行调整和训练,例如包括卷积神经网络、强化学习算法或者A*算法等。
在一些可能的实施方式中,获取起始位置和多个目的位置的实现过程可以为:
接收所述用户在第一输入域中输入的第一图像,使用图像识别神经网络模型对所述第一图像进行识别,得到所述第一图像对应的起始位置;
接收所述用户在第二输入域中输入的多个第二图像,根据所述图像识别神经网络模型对每个第二图像进行识别,得到所述多个第二图像对应的多个目的位置。
具体来讲,对于一些用户来说,并不能准确的知道景区的某些位置,例如,在朋友圈看到好友分享的照片,所以,可创建图像输入模式,如图 8A所示,在每个位置信息输入域旁设置图像输入域,在对应的图像输入域中输入相应的图像,通过预先训练好的图像识别神经网络模型,对每个图像进行识别,从而确定出每个图像对应的位置。
在本实施例中,通过图像识别,直接得到各个位置,从而增加位置输入的方式,解决了用户在不知道具体位置时,也可进行行进路线的规划,进而提高用户体验。
图3A提供了一种深度学习处理器,该深度学习处理器结构可以用于实施路线规划神经网络模型的运算,确定用户目的路径的需求,或者是对于起始位置和多个目的位置相关的图像进行识别。该深度学习处理器可以是智能处理装置的一种具体实施方式。
一种可能的深度学习处理器可以如图3A所示,其主要分为运算部分、存储部分。运算部分用于完成神经网络运算,包含多个运算单元组,每个运算单元组中包含多个运算单元和2个或以上算术逻辑单元(ALU)。存储部分用于保存数据,包括外部存储部分和内部存储部分,外部存储部分在运算单元外部,可以分为多个区域,分别用于保存输入数据、输出数据、临时缓存;内部存储部分位于运算部分内部,用于保存待运算数据。优选的情况还包括控制部分,用于对该装置的各个部分的控制,使其能够相互协作,完成所需功能。
如图3B所示,运算部分包含X*Y个运算单元组,包括X*Y(X、Y 均为任意正整数)个运算单元组,呈X行Y列的二维阵列形式排布,运算单元组间以S形方向或逆S形方向传递数据。每个运算单元组可以传递数据给存储部分中的缓存部分,在控制部分的控制下,选择不同的输出通路,从而运算单元组可以串行工作或并行工作。即,每个运算单元组可以串行工作,即接收来自左/右侧运算单元组传递而来的数据,运算完毕后,将输出数据向右/左侧的运算单元组传递。最后一个运算单元组将最终结果经过缓存后,传入存储模块中进行保存。运算单元组之间也可以并行工作,即初始数据通过原s形路径传递至各运算单元组中,运算单元组共享运算数据,并进行运算。每个运算单元组将自己的运算结果直接传送到缓存中缓存并整理,待运算完毕后,缓存中的数据输出至存储模块中进行保存。
对于用该深度学习处理器实现路线规划神经网络模型的计算处理,上文已经介绍(如通过形成特定矩阵,训练路线规划神经网络模型等),该深度学习处理器还可以实现图像匹配,例如对图像识别神经网络模型进行计算和处理,即将已知景点图像与上文所述的待确认对应景点的第一图像或第二图像匹配。由于图像识别神经网络模型实现的是图像相似度的计算,构建的图像识别神经网络模型的输入即为两幅图像(如已知景点图像和第一图像),输出为相似度值,或者直接二值化(匹配为1,不匹配为0)。例如,可以通过已知的Siamese网络或者2-channel网络进行图像匹配。
具体来说,用户上传希望去的景点图像,将图像的像素点作为图像识别神经网络模型的输入数据。基于已经训练好的图像识别神经网络模型,对该景点图像利用上述的深度学习处理器进行图像特征匹配和分类。
可选的,上述智能路线规划方法还可以包括展示操作,如操作203:向所述用户展示所述目标行进路线,提示所述用户根据所述行进路线行进。
参阅图4,图4为本公开实施例提供的另一种智能路线规划方法的流程示意图,该方法应用于如图1所示的智能路线规划设备,该方法包括但不限于以下操作:
301:获取起始位置和多个目的位置,其中,所述起始位置为用户进入景区的位置,所述多个目的位置为所述用户前往景区的位置。
302:将所述起始位置和所述多个目的位置导入所述景区的电子地图,得到多个地图节点。
303:以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,得到多个有向有权图。
304:基于所述电子地图,获取所述多个有向有权图中每个有向有权图任意两个相邻地图节点之间的地图数据。
305:将每个有向有权图任意两个相邻地图节点之间的地图数据组成输入数据,将所述输入数据输入到所述路线规划神经网络模型进行运算,得到每个有向有权图的行进代价,将行进代价最小的有向有权图作为所述用户的目标行进路线。
306:向所述用户展示所述目标行进路线,提示所述用户根据所述行进路线行进。
可以看出,在本实施方案中,通过路线规划神经网络模型为用户规划出最优的行进路线,从而使用户在景区行进时按照最符合自己的路线行进,进而提高用户在景区中的体验。
需要说明的是,图4所示的方法的各个步骤的具体实现过程可参见上述图2所述方法的具体实现过程,在此不再叙述。
参阅图5,图5为本公开实施例提供的另一种智能路线规划方法的流程示意图,该方法应用于如图1所示智能路线规划设备,该方法包括但不限于以下步骤:
401:获取起始位置和多个目的位置,其中,所述起始位置为用户进入景区的位置,所述多个目的位置为所述用户前往景区的位置。
402:将所述起始位置和所述多个目的位置导入所述景区的电子地图,得到多个地图节点。
403:以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,得到多个有向有权图。
404:基于所述电子地图,获取所述多个有向有权图中每个有向有权图任意两个相邻地图节点之间的地图数据。
405:接收所述用户输入的用户偏好选项。
406:将地图数据作为输入数据,输入到调整后的所述路线规划神经网络模型进行运算,结合用户偏好选项,得到每个有向有权图的行进代价,将行进代价最小的有向有权图作为所述用户的目标行进路线。
407:向所述用户展示所述目标行进路线,提示所述用户根据所述行进路线行进。
可以看出,在本实施方案中,通过路线规划神经网络模型为用户规划出最优的行进路线,从而使用户在景区行进时按照最符合自己的路线行进,进而提高用户在景区中的体验;而且,根据用户的用户偏好选项动态调整和选择目标行进路线,从而使得到的目标行进路线更加符合用户的实际需求,进一步提高用户体验。
需要说明的是,图5所示的方法的各个步骤的具体实现过程可参见上述图2所述方法的具体实现过程,在此不再叙述。
与上述图2、图4、图5所示的实施例一致的,请参阅图6,图6为本公开实施例提供的一种电子设备600的结构示意图,如图6所示,电子设备600包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序不同于上述一个或多个应用程序,且上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
获取起始位置和多个目的位置,其中,所述起始位置为用户进入景区的位置,所述多个目的位置为所述用户前往景区的位置;
将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,得到与所述用户对应的目标行进路线。
可选的上述程序还包括执行如下指令:向所述用户展示所述目标行进路线,提示所述用户根据所述行进路线行进。
在一些可能的实施方式中,在将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,得到与所述用户对应的目标行进路线方面,上述程序具体用于执行以下步骤的指令:
将所述起始位置和所述多个目的位置导入所述景区的电子地图,得到多个地图节点;
以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,得到多个有向有权图;
基于所述电子地图,获取所述多个有向有权图中每个有向有权图任意两个相邻地图节点之间的地图数据;
将每个有向有权图任意两个相邻地图节点之间的地图数据作为输入数据输入到所述路线规划神经网络模型进行运算,得到每个有向有权图的行进代价,将行进代价最小的有向有权图作为所述用户的目标行进路线。
在一些可能的实施方式中,在以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,上述程序具体用于执行以下步骤的指令:
在当前时刻位于预设时间范围时,获取所述用户的当前位置;
获取每个目的位置与所述当前位置之间的距离,将距离最近的目的位置作为终点位置;
以所述多个地图节点中所述起始位置所述起始位置对应的地图节点作为起始节点以及所述终点位置对应的地图节点作为终止节点构建有向有权图。
在一些可能的实施方式中,在将所述输入数据输入到所述路线规划神经网络模型进行运算之前,上述程序还用于执行以下步骤的指令:
接收所述用户输入的用户偏好选项;
根据用户偏好选项调整目标行进路线;
在上述可能的实施方式中,在将所述输入数据输入到所述路线规划神经网络模型进行运算方面,上述程序具体用于执行以下步骤的指令:将所述输入数据输入调整后的所述路线规划神经网络模型进行运算。
在一些可能的实施方式中,在获取起始位置和多个目的位置方面,上述程序具体用于执行以下步骤的指令:
接收所述用户在第一输入域中输入的第一图像,使用图像识别神经网络模型对所述第一图像进行识别,得到所述第一图像对应的起始位置;
接收所述用户在第二输入域中输入的多个第二图像,根据所述图像识别神经网络模型对每个第二图像进行识别,得到所述多个第二图像对应的多个目的位置。
参阅图7,图7示出了上述实施例中所涉及的智能路线规划设备700 的一种可能的功能单元组成框图,智能路线规划设备700包括:获取单元 710、确定单元720和提示单元730,其中:
获取单元710,获取起始位置和多个目的位置,其中,所述起始位置为用户进入景区的位置,所述多个目的位置为所述用户前往景区的位置;
确定单元720,将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,得到与所述用户对应的目标行进路线;
提示单元730,向所述用户展示所述目标行进路线,提示所述用户根据所述行进路线行进。
在一些可能的实施方式中,在将所述起始位置和所述多个目的位置输入到路线规划神经网络模型,得到与所述用户对应的目标行进路线方面,确定单元720,具体用于:
将所述起始位置和所述多个目的位置导入所述景区的电子地图,得到多个地图节点;
以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,得到多个有向有权图;
基于所述电子地图,获取所述多个有向有权图中每个有向有权图任意两个相邻地图节点之间的地图数据;
将每个有向有权图任意两个相邻地图节点之间的地图数据作为输入数据输入到所述路线规划神经网络模型进行运算,得到每个有向有权图的行进代价,将行进代价最小的有向有权图作为所述用户的目标行进路线。
在一些可能的实施方式中,在以所述多个地图节点中所述起始位置对应的地图节点为起始节点,构建有向有权图,确定单元720,具体用于:
在当前时刻位于预设时间范围时,获取所述用户的当前位置;
获取每个目的位置与所述当前位置之间的距离,将距离最近的目的位置作为终点位置;
以所述多个地图节点中所述起始位置所述起始位置对应的地图节点作为起始节点以及所述终点位置对应的地图节点作为终止节点构建有向有权图。
在一些可能的实施方式中,智能路线规划设备700还包括:调整单元 740,在将所述输入数据输入到所述路线规划神经网络模型进行运算之前,调整单元740,用于执行:
接收所述用户输入的用户偏好选项;根据所述用户偏好选项调整目标行进路线;
在上述可能的实施方式中,在将所述输入数据输入到所述路线规划神经网络模型进行运算方面,确定单元720,具体用于:将所述输入数据输入调整后的所述路线规划神经网络模型进行运算。
在一些可能的实施方式中,在获取起始位置和多个目的位置方面,获取单元710,具体用于:
接收所述用户在第一输入域中输入的第一图像,使用图像识别神经网络模型对所述第一图像进行识别,得到所述第一图像对应的起始位置;
接收所述用户在第二输入域中输入的多个第二图像,根据所述图像识别神经网络模型对每个第二图像进行识别,得到所述多个第二图像对应的多个目的位置。
参阅图8A所示,本公开还提供与上述方法和设备配套的智能路线规划展示装置(用于提供一种用户界面与用户进行交互)。该用户界面可以位于各种含电子显示屏幕的终端,包括但不限于平板电脑、手机或景点触摸查询机器。如图8A所示,一种可实施的智能路线规划展示装置包括第一展示模块,用于在软件界面展示至少一个输入域,其中,所述至少一个输入域包括:一个起始位置输入域和多个目的位置输入域,其中还包括接收模块,用于接收用户针对各所述输入域的输入操作(当然,在输入域中也可以由缺省操作,例如起始位置等),如图8B所示,还包括第二展示模块,用于响应所述对输入域的输入操作,在所述软件界面展示目标行进路线,所述目标行进路线的终点为所述目的位置之一。
一些可选实施例中,如图8A所示,所述多个目的位置的至少一个为目的位置关联图像输入域,所述关联图像输入域通过用户输入与目的位置关联的图像作为输入数据。
一些可选实施中,如图9A所示,起始位置输入域包含起点备选项,所述起点备选项包括当前所处位置或者景区的入口位置;所述目的位置输入域包含目的位置备选项,所述目的位置备选项包括景区内的至少一个景点。
可选的,所述目标行进路线的终点为与所述起始位置距离最短的目的位置;或者所述目标行进路线的终点与起点重合。选择最短目的位置作为终点在于用户偏好整体规划路线最短时,能够尽可能的减少用户不必要的绕路或路线重复经过。
图8A所示,所述第一展示模块还用于在软件界面展示至少一个用户偏好选项,所述用户偏好选项包括:多走路、避开人群、多看风景或者沿途有游览车,本公开实施例并不仅限于此;相应的,接收模块还用于接收用户对所述用户偏好选项的触摸操作。
一些可选的实施例中,如图9B所示,还包括第三展示模块,在用户接近关联图像对应的目的位置条件下,展示所述关联图像。
一些可选的实施例中,所述展示模块展示的目标行进路线包括多个备选路线,所述多个备选路线包括:多走路路线、避开人群路线、多看风景路线或沿途有游览车路线。
还可选的,所述多个目的位置的至少一个为目的语音输入域,用户可以通过语音输入的方式输入相应的目的位置或者出发位置。
本公开实施例还提供一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种路线规划方法的部分或全部步骤。
本公开实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种路线规划方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中,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。
在本公开所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,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,仅仅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、模块或组件可以结合或者可以集成到另一个系统,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,装置或单元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网络单元上。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,在本公开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,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。基于这样的理解,本公开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器中,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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储器包括: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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文: Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本公开实施例进行了详细介绍,本文中应用了具体个例对本公开的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本公开的方法及其核心思想;同时,对于本领域的一般技术人员,依据本公开的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本公开的限制.
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种智能路线规划展示装置,包括深度学习处理器,其特征在于该装置包括:
第一展示模块,用于在软件界面展示至少一个输入域,其中,所述至少一个输入域包括:一个起始位置输入域和多个目的位置输入域;
接收模块,用于接收用户针对各所述输入域的输入操作;
第二展示模块,用于响应所述对输入域的输入操作,接收深度学习处理器对所述输入域输入数据的处理结果,在所述软件界面展示目标行进路线,所述目标行进路线的终点为所述目的位置之一。
2.根据权利要求1所述的智能路线规划展示装置,其中,所述多个目的位置的至少一个为目的位置关联图像输入域,所述关联图像输入域通过用户输入与目的位置关联的图像作为输入数据。
3.根据权利要求1所述的智能路线规划展示装置,其中,所述起始位置输入域包含起点备选项,所述起点备选项包括当前所处位置或者景区的入口位置;所述目的位置输入域包含目的位置备选项,所述目的位置备选项包括景区内的至少一个景点。
4.根据权利要求1所述的智能路线规划展示装置,其中,所述目标行进路线的终点为与所述起始位置距离最短的目的位置;或者所述目标行进路线的终点与起点重合。
5.根据权利要求1-4任一所述的智能路线规划展示装置,其中,
所述第一展示模块还用于在软件界面展示至少一个用户偏好选项,所述用户偏好选项包括:多走路、避开人群、多看风景或者沿途有游览车;
所述接收模块,还用于接收用户对所述用户偏好选项的触摸操作。
6.根据权利要求1-4任一所述的智能路线规划展示装置,其中,还包括:
第三展示模块,在用户接近关联图像对应的目的位置条件下,展示所述关联图像。
7.根据权利要求1-4任一所述的智能路线规划展示装置,其中,所述第二展示模块展示的目标行进路线包括多个备选路径,所述多个备选路径包括:多走路路径、避开人群路径、多看风景路径或沿途有游览车路径。
8.根据权利要求1-4任一所述的智能路线规划展示装置,其中,所述多个目的位置的至少一个为目的语音输入域。
9.根据权利要求1-4任一所述的智能路线规划展示装置,其中,所述深度学习处理器包括:
运算部分,用于完成运算,包含多个运算单元组,多个所述运算单元组呈X行Y列的阵列式分布,运算单元组间以S形方向和/或逆S形方向传递数据,其中X和Y分别为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335142.2A CN111024108A (zh) | 2019-12-20 | 2019-12-20 | 智能路线规划展示装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335142.2A CN111024108A (zh) | 2019-12-20 | 2019-12-20 | 智能路线规划展示装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111024108A true CN111024108A (zh) | 2020-04-17 |
Family
ID=70212558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335142.2A Pending CN111024108A (zh) | 2019-12-20 | 2019-12-20 | 智能路线规划展示装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024108A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798681A (zh) * | 2020-07-15 | 2020-10-20 | 上海图丽信息技术有限公司 | 一种车路协同交通信号辅助系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075720A (zh) * | 2013-03-26 | 2014-10-01 | 日电(中国)有限公司 | 基于多代价的路线规划设备和方法 |
CN106197444A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种路线规划方法、系统 |
CN107633317A (zh) * | 2017-06-15 | 2018-01-26 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
CN108170640A (zh) * | 2017-10-17 | 2018-06-15 | 中国科学院计算技术研究所 | 神经网络运算装置及应用其进行运算的方法 |
CN108444491A (zh) * | 2018-03-21 | 2018-08-24 | 陈清洁 | 一种旅游出行路线的优化规划方法 |
CN109556621A (zh) * | 2017-09-27 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 一种路线规划的方法及相关设备 |
WO2019130204A1 (en) * | 2017-12-31 | 2019-07-04 | Uber Technologies, Inc. | Automatic selection of map detail levels |
-
2019
- 2019-12-20 CN CN201911335142.2A patent/CN111024108A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075720A (zh) * | 2013-03-26 | 2014-10-01 | 日电(中国)有限公司 | 基于多代价的路线规划设备和方法 |
CN106197444A (zh) * | 2016-06-29 | 2016-12-07 | 厦门趣处网络科技有限公司 | 一种路线规划方法、系统 |
CN107633317A (zh) * | 2017-06-15 | 2018-01-26 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
CN109556621A (zh) * | 2017-09-27 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 一种路线规划的方法及相关设备 |
CN108170640A (zh) * | 2017-10-17 | 2018-06-15 | 中国科学院计算技术研究所 | 神经网络运算装置及应用其进行运算的方法 |
WO2019130204A1 (en) * | 2017-12-31 | 2019-07-04 | Uber Technologies, Inc. | Automatic selection of map detail levels |
CN108444491A (zh) * | 2018-03-21 | 2018-08-24 | 陈清洁 | 一种旅游出行路线的优化规划方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798681A (zh) * | 2020-07-15 | 2020-10-20 | 上海图丽信息技术有限公司 | 一种车路协同交通信号辅助系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102635987B1 (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
CN108537326A (zh) | 用于自动驾驶车辆的方法、介质和系统 | |
CN108780519A (zh) | 卷积神经网络中的结构学习 | |
CN107315988A (zh) | 用于在无人驾驶车辆中呈现媒体内容的系统和方法 | |
CN110598957B (zh) | 路径规划方法、装置、计算机设备及存储介质 | |
CN112766607A (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
CN108280132A (zh) | 建立语义图像分割的个性化知识库的方法及系统 | |
US11448516B2 (en) | Scenic route-based navigation directions | |
CN113792871A (zh) | 神经网络训练方法、目标识别方法、装置和电子设备 | |
CN111860484B (zh) | 一种区域标注方法、装置、设备及存储介质 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN111006653B (zh) | 智能路线规划方法及设备 | |
KR102401233B1 (ko) | 시각 장애인용 스마트 안경을 이용한 오프라인 쇼핑 안내 시스템 | |
CN111024108A (zh) | 智能路线规划展示装置 | |
CN113822128A (zh) | 交通要素识别方法、装置、设备及计算机可读存储介质 | |
Zhou et al. | An approach for computing routes without complicated decision points in landmark-based pedestrian navigation | |
CN114283899A (zh) | 一种训练分子结合模型的方法、分子筛选方法及装置 | |
KR101877767B1 (ko) | 미션 수행을 위한 경로정보 제공 방법, 이를 수행하기 위한 기록매체 | |
CN112785083B (zh) | 到达时间的预估方法、装置、电子设备以及存储介质 | |
CN112667925B (zh) | 一种路线推荐方法、装置、计算机设备以及存储介质 | |
CN115496911A (zh) | 一种目标点检测方法、装置、设备及存储介质 | |
CN115402318A (zh) | 一种车辆变道控制方法、装置、设备及存储介质 | |
KR102228398B1 (ko) | 이미지 분석 기반 맞춤형 정보 제공 방법 및 시스템 | |
CN113819913A (zh) | 一种路径规划方法及装置、计算机设备和存储介质 | |
CN113175940B (zh) | 数据处理方法、装置、设备和存储介质 |
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 |
Application publication date: 20200417 |
|
RJ01 | Rejection of invention patent application after publication |