CN111123340B - 物流配送导航方法及系统、近场定位导航装置、存储介质 - Google Patents
物流配送导航方法及系统、近场定位导航装置、存储介质 Download PDFInfo
- Publication number
- CN111123340B CN111123340B CN202010084550.1A CN202010084550A CN111123340B CN 111123340 B CN111123340 B CN 111123340B CN 202010084550 A CN202010084550 A CN 202010084550A CN 111123340 B CN111123340 B CN 111123340B
- Authority
- CN
- China
- Prior art keywords
- signal
- navigation
- sensor signal
- unmanned
- unmanned vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000010801 machine learning Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 91
- 230000008569 process Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 230000002596 correlated effect Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 10
- 230000004807 localization Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- 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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0257—Hybrid positioning
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提出了一种物流配送导航方法、物流配送导航系统、近场定位导航装置及存储介质。该物流配送导航方法包括:获取无人运输工具处采集的第一传感器信号;对第一传感器信号进行预处理以得到与无人运输工具相关联的传感信号;将传感信号输入机器学习模型,以得到无人运输工具的实时位置;将经过机器学习模型处理得到的无人运输工具的实时位置传送至无人运输工具;基于无人运输工具的实时位置和物流接收设备的目标位置来导航无人运输工具。
Description
技术领域
本发明涉及定位导航技术领域,并且特别涉及一种物流配送导航方法和系统、近场定位导航装置、以及存储介质。
背景技术
在诸如物流配送之类的应用场景下,常常使用全球定位系统(GlobalPositioning System,GPS)进行定位和导航。GPS是一种以空中卫星为基础的高精度无线电导航的定位系统。在较为空旷的室外空间中,一般可以基于GPS提供比较精准的定位。然而,在室内空间或建筑物密集的室外空间中,GPS信号可能被屏蔽而变得不可用,从而无法基于其提供准确定位。这对于无人物流配送应用场景而言尤其不利。
发明内容
有鉴于此,有必要提供一种可以缓解、减轻或甚至消除上述问题的物流配送导航方法、物流配送导航系统、近场定位导航装置及存储介质。
根据本发明的一方面,提供了一种物流配送导航方法。所述方法包括:获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;将所述传感信号输入机器学习模型,以得到所述无人运输工具的实时位置,其中,所述机器学习模型被配置为将所述传感信号进行编码处理,得到对应的信号特征张量,并且基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具;基于所述无人运输工具的实时位置和物流接收设备的目标位置来导航所述无人运输工具。
在一些实施例中,所述物流配送导航方法还包括:响应于第一切换条件被满足,切换至末段定位导航阶段,所述末段定位导航阶段包括:获取在所述无人运输工具处采集的第二传感器信号,其中,所述第二传感器信号包括所述无人运输工具周围的图像信号和射频标签信号中的至少一个;基于所述第二传感器信号来确定所述无人运输工具相对于所述物流接收设备的相对位置;基于所述相对位置将所述无人运输工具导航至所述物流接收设备。
在一些实施例中,所述第一切换条件包括以下各项中的至少一个:在所述无人运输工具处检测到第二传感器信号、所述无人运输工具的实时位置与所述物流接收设备的目标位置之间的距离小于第一阈值。
在一些实施例中,在所述获取无人运输工具处采集的第一传感器信号的步骤之前,所述物流配送导航方法还包括:响应于第二切换条件被满足而从远程定位导航阶段切换至所述获取无人运输工具处采集的第一传感器信号的步骤。所述远程定位导航阶段包括:获取在主运输工具处采集的第三传感器信号,所述第三传感器信号包括户外导航信号;基于所述第三传感器信号来定位所述主运输工具的实时位置;基于所述主运输工具的实时位置和所述物流接收设备的目标位置来导航所述主运输工具。
在一些实施例中,所述第二切换条件包括以下各项中至少一个:所述主运输工具处的第三传感器信号的强度小于阈值强度、所述主运输工具的实时位置与所述物流接收设备的目标位置之间的距离小于第二阈值。
在一些实施例中,所述机器学习模型被训练以使得损失函数在训练过程中被最小化。对于每个训练样本点,所述损失函数与该训练样本点的预测位置距该训练样本点的实际位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第一邻居训练样本点的预测位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第二邻居训练样本点的预测位置的距离负相关。该训练样本点的实际位置距所述第一邻居训练样本点的实际位置的距离小于该训练样本点的实际位置距所述第二邻居训练样本点的实际位置的距离。
在一些实施例中,所述损失函数为:L=lamda1*TripleLoss+lamda2*MSE,其中lamda1和lamda2为预定参数,TripleLoss=max(0,m+dis(Aq,Ar)-dis(Aq,Aw)),MSE=dis(Aq,q)。m为裕度,dis(Aq,q)为该训练样本点的预测位置距该训练样本点的实际位置的距离,dis(Aq,Ar)为该训练样本点的预测位置距该训练样本点的第一邻居训练样本点的预测位置的距离,dis(Aq,Aw)为该训练样本点的预测位置距该训练样本点的第二邻居训练样本点的预测位置的距离。
在一些实施例中,所述无线电信号包括Wi-Fi信号,该Wi-Fi信号包括Wi-Fi名称、接入点网卡地址和Wi-Fi信号强度。
在一些实施例中,所述预处理包括:对所述第一传感器信号进行降噪和数值统计。
在一些实施例中,在所述第一传感器信号包括地磁信号和无线电信号的情况下,所述预处理还包括:对所述无线电信号与所述地磁信号进行数值归一化。
根据本发明的另一方面,提供了一种物流配送导航系统,包括:近场定位导航装置;和无人运输工具。所述近场定位导航装置包括:第一获取模块,被配置为获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;信号预处理模块,被配置为对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;机器学习模型,包括:特征编码器模型,被配置为将所述传感信号进行编码处理,得到对应的信号特征张量;近场定位模型,被配置为基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;传送模块,被配置为将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具,使得所述无人运输工具基于所述无人运输工具的实时位置和所述物流接收设备的目标位置进行导航。
在一些实施例中,所述无人运输工具包括:第二获取模块,被配置为获取在所述无人运输工具处采集的第二传感器信号,所述第二传感器信号包括所述无人运输工具周围的图像信号和射频标签信号中的至少一个;末段定位模块,被配置为基于所述第二传感器信号来确定所述无人运输工具相对于所述物流接收设备的相对位置,使得所述无人运输工具基于所述相对位置被导航至所述物流接收设备。
在一些实施例中,所述物流配送导航系统还包括主运输工具,所述主运输工具包括:第三获取模块,被配置为获取在主运输工具处采集的第三传感器信号,所述第三传感器信号包括户外导航信号;远程定位模块,被配置为基于所述第三传感器信号来定位所述主运输工具的实时位置,使得所述主运输工具基于所述主运输工具的实时位置和所述物流接收设备的目标位置进行导航。
根据本发明的另一方面,提供了一种近场定位导航装置,包括:至少一个处理器;存储器,其上存储有指令,所述指令响应于被所述至少一个处理器执行,促使所述至少一个处理器实施以下步骤:获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;将所述传感信号输入机器学习模型,以得到所述无人运输工具的实时位置,其中,所述机器学习模型被配置为将所述传感信号进行编码处理,得到对应的信号特征张量,并且基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具,使得所述无人运输工具基于所述无人运输工具的实时位置和所述物流接收设备的目标位置进行导航。
根据本发明的另一方面,提供了一个或多个计算机可读存储介质,其上存储有指令,所述指令当在一个或多个处理器上执行时促使所述一个或多个处理器实施上文所述的物流配送导航方法。
本发明实施例提供的导航方法可以利用无人运输工具所在位置处的地磁信号和/或无线电信号来确定无人运输工具的实时位置。由于在建筑物密集的空间中,往往也分布有众多无线电接入点,因此,该导航方法可被应用于在室内或建筑物密集的室外空间中,从而在一定程度上弥补基于卫星导航信号进行定位和导航的不足,即难以在室内或建筑物密集的室外空间中提供准确定位。在一些实施例中,通过在不同定位导航阶段之间进行切换,可以覆盖空旷室外、建筑物密集的室外和室内空间的应用场景,从而可以在物流配送过程中提供连续的定位及导航服务。另外,在一些实施例中,机器学习模型通过大量训练样本和精心设计的损失函数而被训练得到,能够进一步提高近场定位精度。
根据在下文中所描述的实施例,本发明的这些和其它方面将是清楚明白的,并且将参考在下文中所描述的实施例而被阐明。
附图说明
在下面结合附图对于示例性实施例的描述中,本发明技术方案的更多细节、特征和优点将被公开,在附图中:
图1示意性示出了其中可以应用本发明实施例物流配送导航方法的物流配送系统的场景架构示意图;
图2示出了本发明实施例的物流配送系统的全流程物流配送导航方法的示意流程图;
图3示出了图2所示的物流配送导航方法中的近场定位导航阶段的示意性流程图;
图4示出了图1所示的机器学习模型的训练方法流程示意图;
图4a示出了图4所示机器学习模型的训练方法的另一流程示意图;
图5示出了图2所示的物流配送导航方法中的末段定位导航阶段的示意性流程图;
图6示出了图2所示的物流配送导航方法中的远程定位导航阶段的示意性流程图;
图7示出了图1所示的物流配送导航方法的具体示例的整体流程图;
图8示出了本发明实施例的物流配送导航系统的示意框图;并且
图9示出了本发明实施例的近场定位导航装置的示意框图。
具体实施方式
在详细介绍本发明的实施例之前,首先对一些相关的概念进行解释:
1、无线接入点:指无线网络的接入点,可以包括Wi-Fi、ZigBee、Bluetooth等任何适当的接入点。
2、特征编码器模型:对输入进行特征提取并编码成张量的神经网络,在本文中用于将通过各种途径获取的信号(诸如Wi-Fi、地磁、ZigBee、Bluetooth等信号)编码成张量。
3、位置:本文所述及某个对象的“位置”(诸如“实时位置”、“目标位置”等)是由一组数字表征的用以描述该对象的定位的量,其可以是以二维坐标(诸如经纬度)、三维坐标(诸如经纬度和海拔高度或楼层)等表达的位置坐标,或者是与这类位置坐标相关联的其他位置表达形式,例如从机器学习模型的除输出层之外的中间层抽取的矢量。在下文中,将结合不同语境说明“位置”的具体含义,未明确说明的地方应理解为与上下文最相符的含义。
4、距离:在本文中可以指以任何适当形式表达的距离,诸如余弦距离、欧氏距离、范数距离等。
请参阅图1,其示意性示出了可以应用本发明实施例的物流配送导航方法的物流配送系统100的场景架构示意图。
在该示例性物流配送系统100的应用场景中,示意性地示出了用于运载待配送物件的运输工具110、位于物流配送目的地的物流接收设备120、户外定位导航装置130、近场定位导航装置150以及提供该运输工具110、物流接收设备120、户外定位导航装置130、近场定位导航装置150相互之间通信连接的网络140。其中,该运输工具110所运载的待配送物件包括但不限于各种商品、植物、动物、人员等。运输工具110可以是有人/无人交通工具(诸如车辆、船舶、飞行器等)、机器人、持有移动设备(诸如智能电话、平板电脑、可穿戴设备等)的人等。物流接收设备120典型地为例如快递箱或者可供飞行器降落的平台。在一些示例中,物流接收设备120可被设置有永久或临时显示的各种标识,例如供飞行器识别降落点的标识或者用于识别物流接收方身份的标识等。
进一步地,如图1中110a所指示的,当运输工具110与物流接收设备120距离较远时,其可以接收来自户外定位导航装置130(例如导航卫星)的户外导航信号(例如,卫星导航信号),并基于此确定自己的位置以及进行导航。示例性地,在110a所指示的情况下,运输工具110可以包括主运输工具111,主运输工具111上承载有一个或多个无人运输工具112。主运输工具111可以接收来自户外定位导航装置130的户外导航信号,并基于此确定自己的位置以及进行导航。户外导航信号可以由诸如全球定位系统(GPS)、北斗卫星导航系统、伽利略(Galileo)卫星导航系统和格洛纳斯(GLONASS)卫星导航系统之类的卫星定位系统提供。
如图1中110b所指示的,当运输工具110与物流接收设备120距离较近时(诸如相距20米或更短的距离)和/或当运输工具110接收到的来自户外定位导航装置130的导航信号强度较弱时,其可以获取当前位置处的诸如Wi-Fi、ZigBee、Bluetooth等的无线电信号(以及可选地,地磁信号)中的一种或多种,并经由网络140传送给近场定位导航装置150,基于该近场定位导航装置150反馈或提供的近场定位导航服务来确定自己的位置以及进行导航。示例性地,承载有一个或多个无人运输工具112的主运输工具111可以释放无人运输工具112。在110b所指示的情况下,无人运输工具112可以获取当前位置处的无线电信号(以及可选地,地磁信号),并经由网络140传送给近场定位导航装置150,基于该近场定位导航装置150反馈或提供的近场定位导航服务来确定自己的位置以及进行导航。
如图1中110c所指示的,当运输工具110处于物流接收设备120附近(诸如处于其周围5米或更短的距离范围内)和/或获取到与物流接收设备120相关联的诸如图像、射频标签(RFID)等信号时,其可以基于与物流接收设备120相关联的诸如图像、射频标签(RFID)等信号确定自己的位置。示例性地,在110c所指示的情况下,无人运输工具112可以获取其周围的诸如图像信号、射频标签(RFID)信号,并基于与物流接收设备120相关联的上述信号确定自己的位置以及进行导航。
当运输工具110处于如110b所指示的情况中时,运输工具110(在此为无人运输工具112)可以获取或使用相应传感器采集当前位置处的无线电信号(以及可选地,地磁信号),并将所获取或采集的信号经由网络140发送至近场定位导航装置150。在接收到这些信号之后,近场定位导航装置150会对其进行预处理,并将经预处理的信号输入至经训练的机器学习模型151进行处理。机器学习模型151被配置为将输入的信号编码为信号特征张量,并且基于信号特征张量预测运输工具110的位置。在实施例中,机器学习模型151包括特征编码器模型1511和近场定位模型1512。特征编码器模型1511可以将所输入的经过预处理后的信号编码为信号特征张量,并且近场定位模型1512可以基于该信号特征张量预测运输工具110的位置。然后,近场定位导航装置150可以经由网络140将所确定的位置发送至运输工具110。
近场定位导航装置150可以是单个服务器、服务器集群或其他可呈现形式。近场定位导航装置150可以是如图1所示的与运输工具110通过网络140进行通信的远程服务器,或者可以是运输工具110的本地服务器,或者甚至可以是运输工具110自身处理系统的一部分。例如,在物流配送场景中,运输工具110可以是专门服务于某个区域的无人配送设备,其本地服务器或自身处理系统中可以部署有专门用于该区域内的定位服务的机器学习模型。
在近场定位导航装置150上部署的机器学习模型151可以是基于多个样本点预先训练的或能够基于预设训练算法进行机器学习训练处理的模型。在一些实施例中,可以包括多个物流接收设备120,这些物流接收设备120可以包括用于感测地磁信号和/或无线电信号的传感器,并且可以包括将所感测的信号发送至训练设备(未示出)的通信接口。该多个物流接收设备120可以采集各自位置处的地磁信号和/或无线电信号作为样本信号,并将所采集的样本信号发送至用于训练机器学习模型151的训练设备。该训练设备可以是近场定位导航装置150,或者也可以是其他具有计算能力的设备。在另一些实施例中,可以使用移动设备预先采集多个样本点处的地磁信号和/或无线电信号,并发送或输入至训练设备。机器学习模型151的示例训练过程将在下文中进一步详细描述。
网络140可以是局域网(LAN)、广域网(WAN)、个域网(PAN)和/或诸如因特网之类的通信网络中的一个或多个的组合。运输工具110、近场定位导航装置150中的每一个可以包括能够通过网络140进行通信的至少一个通信接口(未示出)。这样的通信接口可以是以下项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE812.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口的另外的示例在本文其他地方描述。
图2示出了本发明实施例的物流配送系统100的全流程物流配送导航方法200的示意流程图。在一些实施例中,运输工具(例如,运输工具110,即主运输工具111或无人运输工具112)可以具备充分的计算资源,以使得该方法200可以在运输工具处执行。在其他实施例中,该方法200也可以由服务器和运输工具相组合地执行。
如图2所示,本发明实施例的物流配送系统100的全流程物流配送导航方法200包括远程定位导航阶段210、近场定位导航阶段230以及末段定位导航阶段250,用以对物流配送实现全流程的定位导航管理。
在步骤210,执行远程定位导航阶段。远程定位导航阶段210主要用于实现户外远距离的物流配送定位导航,在该阶段可利用现行通用的户外定位导航装置130的户外导航信号,并基于此确定运输工具的位置以及进行导航。具体地,该户外导航信号可以由诸如全球定位系统(GPS)、北斗卫星导航系统、伽利略(Galileo)卫星导航系统和格洛纳斯(GLONASS)卫星导航系统等之类的卫星定位系统提供。
在步骤220,判断第二切换条件是否被满足。若满足,则从远程定位导航阶段210切换至近场定位导航阶段230;若不满足,则重复远程定位导航阶段210。示例性地,第二切换条件可以包括以下各项中的至少一个:主运输工具111处的第三传感器信号的强度小于阈值强度、主运输工具111的实时位置与目标位置之间的距离小于第二阈值。
在一些实施例中,主运输工具111通过接收器接收来自户外定位导航装置130的户外导航信号(诸如卫星信号),当该信号较弱并且不足以用于确定主运输工具111的位置(诸如小于预先设定的强度阈值)时,切换至近场定位导航阶段230;反之,继续通过远程定位导航阶段210进行定位导航。
在一些实施例中,当主运输工具111到达物流接收设备120所在的建筑物附近时,诸如所确定的主运输工具111的实时位置与物流接收设备120目标位置之间的距离小于预先设置的阈值(例如20米或其他值)时,切换至近场定位导航阶段230;反之,继续通过远程定位导航阶段210进行定位导航。示例性地,当第二切换条件被满足并且将要切换至近场定位导航阶段230时,主运输工具111可以释放其承载的无人运输工具112,然后无人运输工具112可以执行近场定位导航阶段230以及末段定位导航阶段250,以最终到达物流接收设备250并完成配送任务。
在步骤230,执行近场定位导航阶段。近场定位导航阶段230在完成前述远程定位导航阶段210后或在满足第一切换条件(例如:到达配送目的地建筑物附近、当前导航信号较弱等)的情况下被启动,用于实现在近场部分的定位导航。
在步骤240,判断第一切换条件是否被满足。若满足,则从近场定位导航阶段230切换至末段定位导航阶段250;若不满足,则重复近场定位导航阶段230。示例性地,第一切换条件可以包括以下各项中的至少一个:在无人运输工具112处检测到第二传感器信号、无人运输工具112的实时位置与目标位置之间的距离小于第一阈值。
在一些实施例中,通过近场定位导航阶段230确定无人运输工具112的实时位置,并计算该实时位置与物流接收设备120所在的目标位置之间的距离。将该距离与预先设置的第一阈值进行比较,若该距离大于第一阈值,则继续通过近场定位导航阶段230进行定位导航;反之,则切换至末段定位导航阶段250。该阈值可以根据经验预先设置,例如5米(在通过近场定位导航阶段230确定的实时位置是坐标形式时)或其他值。在一些实施例中,无人运输工具112可以持续地使用传感器采集其附近的图像信号或者RFID信号等(诸如用于避障等除本文所述的定位导航之外的功能)。当无人运输工具112获取到与物流接收设备120相关联的图像信号或RFID信号时,切换至末段定位导航阶段250;反之,继续通过近场定位导航阶段230进行定位导航。
在步骤250,执行末段定位导航阶段。末段定位导航阶段250在完成前述近场定位导航阶段230后或在满足第二切换条件(例如:到达配送目的地建筑物、距离物流接收设备120某一预设距离时等)的情况下被启动,用以确定运输工具110的位置,实现最后一段的精确定位导航部分。
图3示出了图2所示的全流程物流配送导航方法200中的近场定位导航阶段230的示意流程图。如前所述,该近场定位导航阶段230在前述远程定位导航阶段210满足第一切换条件(例如:到达配送目的地建筑物附近、当前导航信号较弱等)的情况下被启动或触发。该近场定位导航阶段230包括以下步骤:
步骤231:获取无人运输工具112处采集的第一传感器信号,其中,该第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号。
无人运输工具112可以包括各种传感器。例如,无人机或无人车可以包括诸如Wi-Fi收发器、地磁传感器等的传感器。无人运输工具112可以通过传感器采集当前位置处的第一传感器信号,例如检测所在位置处的Wi-Fi信号,包括各个Wi-Fi的名称、接入点网卡地址和Wi-Fi信号强度,以及例如采集所在位置处的地磁信号,包括一个或多个方向上的地磁场强度。
在使用地磁信号进行导航的情况下,由于不同的空间位置理论上对应不同的地磁信号,因此通常利用一个地磁信号即可完成定位。在使用无线接入点的无线电信号进行导航的情况下,一般需要至少两个无线接入点的无线电信号(例如,Wi-Fi信号)才能完成定位。例如,当无人运输工具112仅获取到一个Wi-Fi信号时,由于在以该Wi-Fi信号源为圆心的圆周上,各点的信号强度理论上是相等的,因此无法准确判断无人运输工具112所处的位置。当无人运输工具112获取到两个Wi-Fi信号时,分别以该两个Wi-Fi信号源为圆心的两个圆周理论上存在两个交点,因此将存在“伪影点”,但是在某些情况下这两个圆周也可以仅存在一个交点(例如,当这两个圆周相切时),此时利用这两个Wi-Fi信号也可以完成定位。在较佳实施例中,可以使用三个或三个以上无线接入点的无线电信号来完成定位。在进一步较佳的实施例中,可以结合无人运输工具112处的地磁信号和至少两个无线接入点的无线电信号来定位无人运输工具112的位置。将地磁信号和至少两个无线接入点的无线电信号相结合,可以进一步提高定位精度。
在一些实施例中,近场定位导航装置150可以向无人运输工具112发起采集指令,指示无人运输工具112采集无线电信号,进而接收由该无人运输工具112上传或发送的无线电信号。当然,无人运输工具112也可以自行采集无线电信号进行上传或发送。
应注意,本文所使用的术语“发起”意为发出执行某个动作的指令,具体动作可以由专用设备完成。此外,“发起”动作的主体可以是近场定位导航装置150、无人运输工具112、主运输工具111中的任一个。例如,在步骤231中,可以由近场定位导航装置150发出指令,指示无人运输工具112执行采集第一传感器信号的操作,或者也可以由无人运输工具112自身发出指令,指示相应传感器采集第一传感器信号。
步骤232:对第一传感器信号进行预处理以得到与无人运输工具112相关联的传感信号。
在一些实施例中,对第一传感器信号进行预处理包括对第一传感器信号进行降噪和数值统计处理。第一传感器信号可能会受到周围物体的移动等的影响而发生上下波动,也即存在噪声,因此需要对其进行降噪处理。以Wi-Fi信号为例,无人运输工具112所采集的多个原始Wi-Fi信号通常为随时间变化的连续信号,诸如存在±5dB的波动。对多个原始Wi-Fi信号中的一个进行降噪可以包括:读取该Wi-Fi信号在一段时间内的多个离散时间点处的强度,选择这些强度中的众数或中位数等作为该Wi-Fi信号的强度。随后,需要对经降噪的第一传感器信号进行数值统计,这一过程可以基于预先创建的数据库进行。具体地,在一些实施例中,可以预先创建可供查找的包括比较稳定地存在的无线接入点的数据库,并且可以定期更新该数据库。例如,该数据库可以包括稳定存在的Wi-Fi接入点的Wi-Fi名称、接入点网卡地址等,并为这些接入点编号。当获取到某位置处的Wi-Fi信号时,可以通过查阅该数据库来确定其中每个Wi-Fi信号是否来自稳定存在的接入点。若否,则可以移除相应的Wi-Fi信号,以免干扰后续的定位结果;若是,则可以查找与相应Wi-Fi信号对应的接入点的编号,并提取其信号强度,编写为诸如“编号:信号强度”的对。可以将多个这样的对组合在一起,以形成前文所述的传感信号。应注意,除了Wi-Fi信号之外,无线电信号还可以包括ZigBee、Bluetooth等中的一个或多个。相应地,上述数据库中可以包括关于稳定存在的ZigBee、Bluetooth等的基站或接入点的信息,并为其编号。
在一较佳的实施例中,第一传感器信号包括无线电信号和地磁信号,相应的信号预处理可以包括:对该无线电信号和地磁信号进行降噪和数值统计处理,并且对经过降噪和数值统计处理的无线电信号和地磁信号进行数值归一化处理,以消除无线电信号和地磁信号的单位及取值范围存在的差异。
在一些实施例中,无人运输工具112可以检测所在位置处的地磁信号,例如包括x、y、z三个方向上的地磁强度。类似地,在一些实施例中,上述字典还可以为地磁信号的不同方向编号。当获取到某位置处的地磁信号时,可以提取地磁信号在不同方向上的信号强度,类似地编写为诸如“编号:信号强度”的对。可以将这些对与上述关于Wi-Fi信号的对组合在一起,以形成前文所述的传感信号。但应注意,当组合使用超过一种信号时,例如在将地磁信号的对与Wi-Fi信号的对进行组合时,由于不同种类的信号的单位及取值范围存在差异,因此需要对这些信号的信号强度进行归一化处理,即基于相应信号的取值范围与实际取值将该实际取值成比例地变换至[-1,1]的取值范围中。或者,等效地,也可以将不同种类的信号变换至其他取值范围中。
步骤233:将传感信号输入机器学习模型151,以得到无人运输工具112的实时位置。
具体地,在该步骤233中,机器学习模型151被配置为在步骤2331中将传感信号进行编码处理,得到对应的信号特征张量,并且在步骤2332中基于该信号特征张量对无人运输工具112进行位置预测处理,并将得到的预测位置作为无人运输工具112的实时位置。
应理解,“实时位置”可以是二维、三维等位置坐标,也可以是与位置坐标相关联的其他位置表达形式,例如从机器学习模型151的除输出层之外的中间层抽取的矢量。
如前所述,在一些实施例中,机器学习模型151可以包括特征编码器模型1511和近场定位模型1512,其中特征编码器模型1511被配置为将传感信号进行编码处理以得到对应的信号特征张量,近场定位模型1512被配置为基于信号特征张量对无人运输工具112进行位置预测处理,并将得到的预测位置作为无人运输工具112的实时位置。示例性地,特征编码器模型1511可以是三元组编码器,或者也可以是诸如变分自编码器等的其他编码器。近场定位模型1512可以是LSTM(长短期记忆网络),或者也可以是诸如RNN(循环神经网络)等的其他网络模型。
在一些实施例中,机器学习模型151被训练以使得损失函数在训练过程中被最小化。对于每个训练样本点,损失函数与该训练样本点的预测位置距该训练样本点的实际位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第一邻居训练样本点的预测位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第二邻居训练样本点的预测位置的距离负相关。该训练样本点的实际位置距第一邻居训练样本点的实际位置的距离小于该训练样本点的实际位置距第二邻居训练样本点的实际位置的距离。示例损失函数及示例训练过程将在下文关于图4详细描述。
步骤234:将经过机器学习模型处理得到的无人运输工具的实时位置传送至无人运输工具112。
在一些实施例中,可以经由网络140向无人运输工具112主动传送实时位置或响应于无人运输工具112的请求来向其传送实时位置。
步骤235:基于无人运输工具112的实时位置和物流接收设备120的目标位置来导航无人运输工具112。
在一些实施例中,当实时位置和目标位置是以位置坐标形式表达的位置时,可以确定从实时位置到目标位置的导航矢量,并基于导航矢量导航无人运输工具。当无人运输工具112正在去往某物流接收设备120时,该物流接收设备120的位置(即目标位置)可以是已知的。在确定无人运输工具112的实时位置之后,可以将其与目标位置进行运算,得到从实时位置到目标位置的导航矢量。
在一些实施例中,当实时位置和目标位置是与位置坐标相关联的其他位置表达形式时,可以通过诸如试错法(trial and error)、启发式搜索算法等方式来导航无人运输工具112。例如,可以令无人运输工具112尝试向不同方向移动单位距离,来选择使实时位置与目标位置之间的距离减小最多的方向,并沿着所选择的方向移动。或者,该过程可以随着无人运输工具112的移动而重复多次(诸如在沿着道路行进的无人车的情况下,可能不存在到达目标位置的直线路径),例如,每当实时位置与目标位置之间的距离不再随着移动而减小时,就重新选择移动方向。
图4示出了根据本发明实施例的机器学习模型的训练方法400的示意流程图,而图4a相应地示出了训练方法400的示意性表示400a。在实施例中,图1的机器学习模型151可以根据方法400来进行训练。下面将结合图4及图4a描述本发明实施例提供的机器学习模型的训练方法。
步骤401:获取在多个样本点处采集的相应第一传感器样本信号和多个样本点各自的实际位置。
在一些实施例中,每个第一传感器样本信号可以包括至少两个无线接入点的无线电信号,例如Wi-Fi信号,如图4a中411所指示的。
在一些实施例中,可以采集多个样本点处的样本Wi-Fi信号并记录每个样本点的实际位置,每个样本Wi-Fi信号可以包括多个Wi-Fi接入点的Wi-Fi名称、接入点网卡地址和Wi-Fi信号强度。此外,还可以采集该多个样本点处的样本地磁信号,每个样本地磁信号可以包括一个或多个方向上的地磁强度。另外,还可以采集诸如ZigBee、Bluetooth等的各种其他信号。但应理解,在机器学习模型的训练过程中,所使用的样本信号与使用该模型进行预测时使用的信号应当是相同种类的信号。
在一些实施例中,该多个样本点可以是多个物流接收设备120所在的位置。该多个物流接收设备120可以通过传感器采集各自所在位置处的第一传感器信号(诸如Wi-Fi、地磁信号等中的一个或多个),并且可以通过接收GPS等卫星信号来确定各自所在的实际位置。这些信息可以通过网络传送至用于训练机器学习模型150的设备。
或者,在一些实施例中,可以由用户在物流接收设备120处使用移动设备采集其所在位置处的第一传感器信号(诸如Wi-Fi、地磁信号等中的一个或多个),以及通过接收GPS等卫星信号来确定其所在的实际位置。这些信息可以通过网络传送至用于训练机器学习模型150的设备。
步骤402:对所获取的各第一传感器样本信号进行预处理,以得到与多个样本点相关联的相应传感样本信号。
在一些实施例中,对所采集的样本Wi-Fi信号进行预处理,以得到与上述多个样本点相关联的相应传感样本信号。可以通过上文所述的去噪、数值统计等预处理(如图4a中的412所指示的)得到与多个样本点相关联的传感样本信号。已经关于图2所示的定位方法详细描述了预处理过程,在此不再重复。但应理解,在训练过程中的使用预处理操作与使用该模型进行预测时的预处理操作应当相同。例如,经预处理后,与样本点q相关联的传感样本信号为[1:-78;4:-40;93:-56;…;109:-80]。在该示例中,以分号隔开的每两个数字表示一个“编号:信号强度”的对。例如在第一个对“1:-78”中,“1”表示信号源(诸如Wi-Fi接入点的名称或网卡地址、地磁的x轴、y轴或z轴等)在预先构建的字典中对应的编号,“-78”表示相应信号源的信号强度。
步骤403:构建多个样本点各自的输入向量,每个样本点的输入向量包括:与该样本点相关联的传感样本信号、该样本点的实际位置、与距该样本点第一距离的第一邻居样本点相关联的传感样本信号、与距该样本点第二距离的第二邻居样本点相关联的传感样本信号,其中第二距离大于第一距离。
在一些实施例中,针对样本点q,可以选择与其相邻的点r作为第一邻居样本点(近邻样本点),以及与其距离较远的点w作为第二邻居样本点(远邻样本点),如图4a中的413所指示的。例如,与点r相关联的传感样本信号为[1:-60;3:-40;4:-60;…;120:-60],与点w相关联的传感样本信号为[2:-40;6:-70;14:-60;…;70:-80]。从而,样本点q的输入向量可以被构建为包括:与样本点q相关联的传感样本信号、样本点q的实际位置、与样本点r相关联的传感样本信号、与样本点w相关联的传感样本信号。
步骤404:使用多个样本点各自的输入向量训练机器学习模型151,以确定特征编码器1511和定位模型1512的参数。该参数使得:每个样本点的预测位置与该样本点的第一邻居样本点的预测位置之间的距离在训练过程中被最小化,每个样本点的预测位置与该样本点的第二邻居样本点的预测位置之间的距离在训练过程中被最大化,并且每个样本点的预测位置与该样本点的实际位置之间的距离在训练过程中被最小化。如图4a中的414所指示的,在此,机器学习模型可以是三元组编码器和LSTM模型的组合,当然,也可以是其他编码器和神经网络模型的组合,这在上文中已通过举例的方式描述。
在一些实施例中,在用所构建的输入向量训练机器学习模型151时,其训练目标可以为确定特征编码器模型1511和近场定位模型1512的一组参数,该组参数使得以下损失函数(如图4a中的415所指示的)最小化:
L=lamda1*TripleLoss+lamda2*MSE
其中,lamda1和lamda2为超参数,取值范围为(0,1),TripleLoss定义为:
TripleLoss=max(0,m+dis(Aq,Aw)-dis(Aq,Ar))
MSE定义为:
MSE=dis(Aq,q(lat,lng,floor))
其中,Aq、Aw、Ar分别为将与样本点q、w、r相关联的传感样本信号输入至机器学习模型后得到的预测结果,即样本点q、w、r的预测位置,q(lat,lng,floor)表示样本点q的实际位置,诸如由纬度、经度、楼层数构成的三维位置坐标(可选地,也可以是以其他形式表达的位置坐标),m表示裕度,可以通过调整m的取值来调整所训练的模型的精度。dis(x,y)表示点x、y之间的距离。
应理解,在机器学习模型151的训练方法400中,为了量化地衡量所训练模型的输出的精确性,在训练过程中,机器学习模型151输出的预测位置是以与预先获取的样本点的实际地理位置相同的形式表达的位置,例如上文所述的由纬度、经度、高度(或楼层数)构成的三维位置坐标或以其他形式表达的位置坐标。但是,在一些实施例中,也可以使用所训练的机器学习模型的最终输出层之前的中间层的输出矢量(即前文所述的与位置坐标相关联的其他位置表达形式),并基于该矢量导航无人运输工具。在示例中,该矢量是与所训练的机器学习模型的最终输出相关联的诸如更高维数的矢量。
图5示出了图2所示的全流程物流配送导航方法200中的末段定位导航阶段250的示意流程图。如前所述,该末段定位导航阶段250在完成前述近场定位导航阶段230后或在满足第二切换条件(例如:到达配送目的地建筑物、距离物流接收设备120某一预设距离时等)的情况下被启动,用以确定运输工具110的位置,实现最后一段的精确定位导航。该末段定位导航阶段250包括以下步骤:
步骤251:获取在无人运输工具112处采集的第二传感器信号,第二传感器信号包括无人运输工具112周围的图像信号和射频标签信号中的至少一个。
在一些实施例中,无人运输工具112可以通过诸如相机等的图像传感器获取其周围的图像信号。或者,在另一些实施例中,无人运输工具112可以通过RFID阅读器获取其周围的RFID信号。例如,在物流配送场景中,无人运输工具112的目的地可以是某个物流接收设备120。物流接收设备120可以包括特定图像或图形码(诸如供无人机识别的降落点的标识或者用于识别物流接收设备二维码等),或者物流接收设备本身可以具有特定形状等等。如此,当无人运输工具112到达物流接收设备120附近时,其可以获取到上述图像信号,来实现精确的配送投放。或者,物流接收设备120可以包括主动或被动式RFID信标(或者可选地蓝牙信标),其可以主动广播无线电信号以供RFID阅读器读取,或者可以被动接受RFID阅读器发射的无线电信号并向阅读器反馈无线电信号。
步骤252:基于第二传感器信号来确定无人运输工具112相对于物流接收设备120的相对位置。
在一些实施例中,无人运输工具112获取到周围的图像信号后,可以通过图像识别算法识别所获取的图像中的与目标位置处的物流接收设备120相关联的图像信号,例如包含物流接收设备120的整体或局部(诸如供飞行器识别降落点的标识)的图像。然后通过图像分析可以获得无人运输工具112相对于物流接收设备120的相对位置,例如方位和距离。在一些实施例中,无人运输工具112获取到来自目标位置处的物流接收设备120的RFID信号后,可以使用基于RFID信号训练的RFID定位模型确定无人运输工具112的位置。在这样的实施例中,该RFID定位模型及其训练过程可以类似于近场定位导航阶段中的机器学习模型及其训练过程(只不过在近场定位导航阶段中,第一传感器信号包括地磁信号和/或无线电信号,而在末段定位导航阶段中,第二传感器信号包括射频标签信号),在此不再赘述。
步骤253:基于所确定的相对位置将无人运输工具112导航至物流接收设备120。
在一些实施例中,可以基于通过图像分析获得的无人运输工具112相对于物流接收设备120的方位和距离生成导航矢量,并使用该导航矢量来导航无人运输工具。或者,在一些实施例中,可以基于使用RFID定位模型确定的无人运输工具112的实时位置和物流接收设备120的目标位置来导航无人运输工具112,该导航过程类似于近场定位导航中的步骤235,在此不再重复描述。
图6示出了图2所示的全流程物流配送导航方法200中的远程定位导航阶段210的示意流程图。如前所述,该远程定位导航阶段210在物流配送导航中被首先启动,用以确定主运输工具111的位置。该远程定位导航阶段210包括以下步骤:
步骤211:获取在主运输工具111处采集的第三传感器信号,第三传感器信号包括户外导航信号。在一些实施例中,主运输工具111可以通过户外导航信号接收器接收户外导航信号。示例性地,户外导航信号可以是来自全球定位系统(GPS)、伽利略系统、格洛纳斯系统或北斗导航卫星系统等的卫星导航信号。
步骤212:基于第三传感器信号来定位主运输工具111的实时位置,例如二维或三维位置坐标。在一些实施例中,主运输工具111可以基于户外导航信号使用相应定位算法确定运输工具的实时位置。
步骤213:基于主运输工具111的实时位置和物流接收设备120的目标位置来导航主运输工具111。在一些实施例中,可以计算从主运输工具111的实时位置坐标到目标位置坐标的导航矢量,并使用该导航矢量来导航主运输工具111。
图7示出了本发明实施例的物流配送导航方法的全流程具体示例700的示意图。
如图7所示,该示例地流程图被虚线分为两个过程。虚线左侧的过程Ⅰ示出了使用本发明实施例提供的导航方法前的数据准备过程,虚线右侧的过程Ⅱ示出了使用本发明实施例提供的导航方法进行导航并实现配送的过程。
在步骤701中,用户可以通过手机客户端进行注册,填写诸如用户名、联系方式、住址等用户相关信息,这些信息可以存储在用户信息数据库704中。
在步骤702中,用户可以选择已有的物流接收设备或者自行设置物流接收设备作为自己的物流接收设备。该物流接收设备可以通过传感器采集其所在位置的GPS信号并基于GPS信号确定该物流接收设备的位置坐标,该物流接收设备的位置坐标可以存储在用户信息数据库704中。该物流接收设备还可以通过传感器采集其所在位置的Wi-Fi信号和地磁信号。Wi-Fi信号和地磁信号在步骤703中被预处理,并输入至经训练的机器学习模型来得到一个与该物流接收设备的实际位置坐标相对应的预测位置。该预测位置也可以存储在用户信息数据库704中。
在步骤705中,即在开始配送前,可以从用户信息数据库704获取与用户的物流接收设备相关联的目标位置(包括基于GPS信号确定的位置坐标和基于Wi-Fi信号和/或地磁信号确定的预测位置)和基于用户相关信息中的部分或全部生成的用户验证信息二维码。示例性地,主运输工具可以获取与用户的物流接收设备相关联的基于GPS信号确定的位置坐标(下文称之为目标位置坐标),而无人运输工具可以获取与用户的物流接收设备相关联的基于Wi-Fi信号和地磁信号确定的预测位置(下文称之为目标位置)。
接下来,开始配送。在步骤706至步骤709中,根据参照图6描述的远程定位导航阶段210来对主运输工具进行导航并执行第二切换条件的判断。
在步骤706中,主运输工具获取其所在位置处的第三传感器信号。例如,主运输工具可以利用车载或手持GPS接收机接收GPS信号。主运输工具进一步基于所获取的第三传感器信号来确定自身的实时位置。例如,主运输工具基于车载或手持GPS接收机接收的GPS信号确定自身的实时位置坐标。
这样,主运输工具可以基于自身的实时位置和物流接收设备的目标位置来进行导航。
在步骤707中,基于所确定的实时位置坐标,主运输工具计算其实时位置坐标与目标位置坐标的距离。例如,主运输工具可以从车载或手持的GPS接收机读取实时位置坐标,并计算该实时位置坐标与目标位置坐标的距离。
在步骤708中,执行第二切换条件的判断。例如,主运输工具可以判断所计算的主运输工具的实时位置坐标与目标位置坐标的距离是否小于阈值m(例如20米)。若主运输工具的实时位置坐标与目标位置坐标的距离小于阈值m,则无人运输工具被启动,并且主运输工具释放其承载的无人运输工具,然后执行步骤710;若主运输工具的实时位置坐标与目标位置坐标的距离不小于阈值m,则执行步骤709。在步骤709中,可以计算从主运输工具的位置坐标到目标位置坐标的导航矢量,并基于该导航矢量导航主运输工具。在该示例中,主运输工具可以根据车载或手持GPS接收机的指示,向目标位置坐标移动。
在步骤710至713中,根据参照图3描述的近场定位导航阶段230来对无人运输工具进行导航并执行第一切换条件的判断。
在步骤710中,获取无人运输工具处采集的第一传感器信号。例如,无人运输工具通过Wi-Fi收发器和地磁传感器采集其所在位置的Wi-Fi信号和地磁信号,并将这些信号传送至近场定位导航装置。
在步骤711中,近场定位导航装置对接收的Wi-Fi信号和地磁信号进行预处理,将预处理后的信号输入机器学习模型,预测得到无人运输工具的实时位置,并且无人运输工具可以从近场定位导航装置接收其实时位置。示例性地,近场定位导航装置对Wi-Fi信号和地磁信号分别进行去噪和数值统计,并对经去噪和数值统计的Wi-Fi信号和地磁信号进行归一化处理,由此得到预处理后的信号。然后,近场定位导航装置将预处理后的信号输入机器学习模型来得到无人运输工具的实时位置。之后,近场定位导航装置可以将该实时位置传送至无人运输工具。最后,无人运输工具可以计算其实时位置与目标位置之间的距离。
在步骤712中,执行第一切换条件的判断。例如,无人运输工具可以判断实时位置与目标位置之间的距离是否小于阈值n。示例性地,若目标位置与实时位置都是以位置坐标形式表达的时,该阈值n可以为诸如5米。若目标位置与实时位置不是以位置坐标形式表达的时,该阈值n可以相应地为其他值。若判断结果为小于阈值n,则执行步骤714;反之,则执行步骤713。
在步骤713中,基于实时位置和目标位置导航无人运输工具。导航的方法已经在上文关于图3的步骤253进行详细描述,在此不再重复。
在步骤714至717中,根据参照图5描述的末段定位导航阶段250来对无人运输工具进行导航。
在步骤714中,无人运输工具获取其所在位置的第二传感器信号。如前所述,第二传感器信号可以包括无人运输工具周围的图像信号或RFID信号。在图7的示例中,无人运输工具采集其所在位置的RFID信号。
在步骤715中,基于第二传感器信号确定无人运输工具相对于物流接收设备的相对位置。在该示例中,可以使用如前所述的RFID定位模型来确定无人运输工具的位置,并且步骤715、717与步骤711、713类似,此处不再重复描述。
在步骤716中,判断无人运输工具是否到达目标位置。该判断可以基于无人运输工具的实时位置与目标位置之间的距离进行。例如,若该距离为零(或小于某个预设的接近零的阈值),则认为无人运输工具到达目标位置,否则未到达。若判断结果为到达,则执行步骤718,反之,则执行步骤717。
在无人运输工具到达物流接收设备的目标位置后,就可以进行待配送物件的交接和释放。
在步骤718中,无人运输工具可以扫描其被导航至的目标位置处的物流接收设备上显示的图像,诸如二维码。例如,物流接收设备可以包括显示屏,其上可以显示基于该物流接收设备所属用户的相关信息而生成的二维码。无人运输工具可以利用诸如摄像头等图像拾取设备来扫描该物流接收设备的显示屏上显示的二维码,从而读取用户的身份信息。
在步骤719中,无人运输工具可以比对在步骤705中获取的验证信息二维码和从该物流接收设备扫描的二维码是否匹配。若匹配,则执行步骤720;若不匹配,则表明待配送物件未被配送至正确的物流接收设备。在该示例中,流程可以返回步骤710,继续对无人运输工具进行导航。
在步骤720中,无人运输工具可以将待配送物件释放到物流接收设备并完成配送。示例性地,当无人运输工具为无人机时,物流接收设备可以是接收平台,无人机可以在平台表面释放对象;当无人运输工具为无人车时,物流接收设备可以是组合柜式接收设备,无人车可以将待配送物件对接(例如通过磁力吸附固定)至接收设备。
图8示出了本发明实施例的物流配送导航系统800的示意框图。物流配送导航系统800包括近场定位导航装置810、无人运输工具820和主运输工具830。应当理解,图8所示的近场定位导航装置810、无人运输工具820和主运输工具830可以分别代表上文描述的近场定位导航装置150、无人运输工具112和主运输工具111。
如图8所示,近场定位导航装置810包括第一获取模块811、信号预处理模块812、包括特征编码器模型8131和近场定位模型8132的机器学习模型813、以及传送模块814。可选地,在一些实施例中,近场定位导航装置810可以包括模型训练模块815。
第一获取模块811被配置为获取无人运输工具820处采集的第一传感器信号。第一传感器信号可以包括地磁信号和/或至少两个无线接入点的无线电信号。第一获取模块811的功能在上文关于图3的步骤231进行了详细描述,为简洁起见此处不再重复。
信号预处理模块812被配置为对第一传感器信号进行预处理以得到与无人运输工具820相关联的传感信号。信号预处理模块812的功能在上文关于图3的步骤232进行了详细描述,为简洁起见此处不再重复。
机器学习模型813包括特征编码器模型8131和近场定位模型8132。特征编码器模型8131被配置为将传感信号进行编码处理,得到对应的信号特征张量。例如,特征编码器模型8131将经过预处理的第一传感器信号进行数据转化处理,得到可供机器学习模型训练学习的向量表达形式。近场定位模型8132被配置为基于信号特征张量对无人运输工具进行位置预测处理,进而得到无人运输工具的实时位置。应当理解,图8所示的特征编码器模型8131和近场定位模型8132可以分别代表上文描述的特征编码器模型1511和近场定位模型1512。机器学习模型813的功能在上文关于图3的步骤233进行了详细描述,为简洁起见此处不再重复。
传送模块814被配置为将经过机器学习模型813处理得到的无人运输工具820的实时位置传送至无人运输工具820,使得无人运输工具820基于无人运输工具的实时位置和物流接收设备的目标位置进行导航。传送模块814的功能在上文关于图3的步骤234进行了详细描述,为简洁起见此处不再重复。
模型训练模块815被配置为在模型训练阶段,对特征编码器模型8131生成的特征向量进行分类或回归学习,以训练得到对应的近场定位模型8132。具体的训练过程在上文关于图4和图4a进行了详细描述,为简洁起见此处不再重复。
如图8所示,无人运输工具820包括第二获取模块821、末段定位模块822和通信模块823。
第二获取模块821被配置为获取在无人运输工具处采集的第二传感器信号,第二传感器信号包括无人运输工具周围的图像信号和射频标签信号中的至少一个。如前所述,无人运输工具820可以包括地磁传感器、Wi-Fi收发器、摄像头、RFID读取器之类的传感器(未示出),以用于采集所需的传感器信号在近场定位导航阶段中,所采集的地磁信号和Wi-Fi信号可以通过通信模块823(例如,无线收发器)传送至近场定位导航装置810。在末段定位导航阶段中,第二获取模块821可以获取所采集的图像信号或射频标签信号。第二获取模块821的功能在上文关于图5的步骤251进行了详细描述,为简洁起见此处不再重复。
末段定位模块822被配置为基于第二传感器信号来确定无人运输工具820相对于物流接收设备的相对位置,使得无人运输工具820基于相对位置被导航至物流接收设备。例如,末段定位模块822可以根据无人运输工具820相对于物流接收设备的相对位置,引导及修正无人运输工具820的运动轨迹和姿态。末段定位模块822的功能在上文关于图5的步骤252和253进行了详细描述,为简洁起见此处不再重复。
如图8所示,主运输工具830包括第三获取模块831和远程定位模块832。
第三获取模块831被配置为获取在主运输工具处830采集的第三传感器信号,第三传感器信号包括户外导航信号。第三获取模块831的功能在上文关于图6的步骤211进行了详细描述,为简洁起见此处不再重复。
远程定位模块832被配置为基于第三传感器信号来定位主运输工具830的实时位置,使得主运输工具830基于主运输工具830的实时位置和物流接收设备的目标位置进行导航。远程定位模块832的功能在上文关于图6的步骤212和213进行了详细描述,为简洁起见此处不再重复。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。另外,本文讨论的特定模块执行动作包括该特定模块本身执行动作,或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
更一般地,本文可以在软件、硬件元件或程序模块的一般上下文中描述各种技术。上面关于图8描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路,例如SoC。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。本文描述的技术的特征是与平台无关的,意味着这些技术可以在具有各种处理器的各种计算平台上实现。
图9示出了计算设备900的示意框图。该计算设备900可以代表图1的近场定位导航装置150。还将理解的是,图1的主运输工具111和无人运输工具112中的计算处理部件也可以采用计算设备900的形式。
计算设备900可以是各种不同类型的设备,例如服务器计算机、客户端设备、片上系统和/或任何其它合适的计算设备或计算系统。
计算设备900可以包括能够诸如通过系统总线914或其他适当的方式连接彼此通信的至少一个处理器902、存储器904、(多个)通信接口906、显示设备908、其他输入/输出(I/O)设备910以及一个或多个大容量存储装置912。
处理器902可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器902可以被实施成一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器902可以被配置成获取并且执行存储在存储器904、大容量存储装置912或者其他计算机可读介质中的计算机可读指令,诸如操作系统916的程序代码、应用程序918的程序代码、其他程序920的程序代码等,以实现本发明实施例提供的定位方法或导航方法。
存储器904和大容量存储设备912是用于存储指令的计算机存储介质的示例,所述指令由处理器902执行来实施前面所描述的各种功能。举例来说,存储器904一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备912一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器904和大容量存储设备912在本文中都可以被统称为存储器或计算机存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非瞬时性介质,所述计算机程序代码可以由处理器902作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备912上。这些程序包括操作系统916、一个或多个应用程序918、其他程序920和程序数据922,并且它们可以被加载到存储器904以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现本文所提供的定位算法或导航算法的计算机程序逻辑(例如,计算机程序代码或指令):第一获取模块811、信号预处理模块812、机器学习模型813(包括特征编码器模型8131和近场定位模型8132)、传送模块814以及模型训练模块815。而且,这些程序模块可以分布在不同的物理位置,以实现相应的功能。例如,被描述为由图1中的近场定位导航装置150执行的方法可以分布在多个服务器上来完成。又例如,参照图2、3、5、6描述的导航方法可以分布在近场定位导航装置150和无人运输工具112上完成。
虽然在图9中被图示成存储在计算设备900的存储器904中,但是模块916、918、920和922或者其部分可以使用可由计算设备900访问的任何形式的计算机可读介质来实施。如本文所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
与此相对,通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算设备900还可以包括一个或更多通信接口906,以用于诸如通过网络、直接连接等等与其他设备交换数据。通信接口906可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口906还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如显示器之类的显示设备908,以用于显示信息和图像。其他I/O设备910可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
通过研究附图、公开内容和所附的权利要求书,本领域技术人员在实践所要求保护的主题时,能够理解和实现对于所公开的实施例的变型。在权利要求书中,词语“包括”不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获利。
Claims (13)
1.一种物流配送导航方法,其特征在于,所述方法包括:
获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;
对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;
将所述传感信号输入机器学习模型,以得到所述无人运输工具的实时位置,其中,所述机器学习模型被配置为将所述传感信号进行编码处理,得到对应的信号特征张量,并且基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;
将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具;
基于所述无人运输工具的实时位置和物流接收设备的目标位置来导航所述无人运输工具;
响应于第一切换条件被满足,切换至末段定位导航阶段,所述末段定位导航阶段包括:
获取在所述无人运输工具处采集的第二传感器信号,其中,所述第二传感器信号包括所述无人运输工具周围的图像信号和射频标签信号中的至少一个;
基于所述第二传感器信号来确定所述无人运输工具相对于所述物流接收设备的相对位置;
基于所述相对位置将所述无人运输工具导航至所述物流接收设备。
2.根据权利要求1所述的物流配送导航方法,其特征在于,所述第一切换条件包括以下各项中的至少一个:在所述无人运输工具处检测到第二传感器信号、所述无人运输工具的实时位置与所述物流接收设备的目标位置之间的距离小于第一阈值。
3.根据权利要求1所述的物流配送导航方法,其特征在于,在所述获取无人运输工具处采集的第一传感器信号的步骤之前,所述物流配送导航方法还包括:响应于第二切换条件被满足而从远程定位导航阶段切换至所述获取无人运输工具处采集的第一传感器信号的步骤,所述远程定位导航阶段包括:
获取在主运输工具处采集的第三传感器信号,所述第三传感器信号包括户外导航信号;
基于所述第三传感器信号来定位所述主运输工具的实时位置;
基于所述主运输工具的实时位置和所述物流接收设备的目标位置来导航所述主运输工具。
4.根据权利要求3所述的物流配送导航方法,其特征在于,所述第二切换条件包括以下各项中至少一个:所述主运输工具处的第三传感器信号的强度小于阈值强度、所述主运输工具的实时位置与所述物流接收设备的目标位置之间的距离小于第二阈值。
5.根据权利要求1所述的物流配送导航方法,其特征在于,所述机器学习模型被训练以使得损失函数在训练过程中被最小化,
其中对于每个训练样本点,所述损失函数与该训练样本点的预测位置距该训练样本点的实际位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第一邻居训练样本点的预测位置的距离正相关、与该训练样本点的预测位置距该训练样本点的第二邻居训练样本点的预测位置的距离负相关,
其中该训练样本点的实际位置距所述第一邻居训练样本点的实际位置的距离小于该训练样本点的实际位置距所述第二邻居训练样本点的实际位置的距离。
6.根据权利要求5所述的物流配送导航方法,其特征在于,所述损失函数为:L=lamda1*TripleLoss+lamda2*MSE,其中lamda1和lamda2为预定参数,TripleLoss=max(0,m+dis(Aq,Ar)-dis(Aq,Aw)),MSE=dis(Aq,q),
其中m为裕度,dis(Aq,q)为该训练样本点的预测位置距该训练样本点的实际位置的距离,dis(Aq,Ar)为该训练样本点的预测位置距该训练样本点的第一邻居训练样本点的预测位置的距离,dis(Aq,Aw)为该训练样本点的预测位置距该训练样本点的第二邻居训练样本点的预测位置的距离。
7.根据权利要求1-6中任一项所述的物流配送导航方法,其特征在于,所述无线电信号包括Wi-Fi信号,该Wi-Fi信号包括Wi-Fi名称、接入点网卡地址和Wi-Fi信号强度。
8.根据权利要求1-6中任一项所述的物流配送导航方法,其特征在于,所述预处理包括:对所述第一传感器信号进行降噪和数值统计。
9.根据权利要求8所述的物流配送导航方法,其特征在于,在所述第一传感器信号包括地磁信号和无线电信号的情况下,所述预处理还包括:对所述无线电信号与所述地磁信号进行数值归一化。
10.一种物流配送导航系统,其特征在于,包括:
近场定位导航装置;和
无人运输工具,
其中所述近场定位导航装置包括:
第一获取模块,被配置为获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;
信号预处理模块,被配置为对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;
机器学习模型,包括:特征编码器模型,被配置为将所述传感信号进行编码处理,得到对应的信号特征张量;近场定位模型,被配置为基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;
传送模块,被配置为将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具,使得所述无人运输工具基于所述无人运输工具的实时位置和物流接收设备的目标位置进行导航;
第二获取模块,被配置为获取在所述无人运输工具处采集的第二传感器信号,所述第二传感器信号包括所述无人运输工具周围的图像信号和射频标签信号中的至少一个;
末段定位模块,被配置为响应于第一切换条件被满足,基于所述第二传感器信号来确定所述无人运输工具相对于所述物流接收设备的相对位置,使得所述无人运输工具基于所述相对位置被导航至所述物流接收设备。
11.根据权利要求10所述的物流配送导航系统,其特征在于,所述物流配送导航系统还包括主运输工具,所述主运输工具包括:
第三获取模块,被配置为获取在主运输工具处采集的第三传感器信号,所述第三传感器信号包括户外导航信号;
远程定位模块,被配置为基于所述第三传感器信号来定位所述主运输工具的实时位置,使得所述主运输工具基于所述主运输工具的实时位置和所述物流接收设备的目标位置进行导航。
12.一种近场定位导航装置,其特征在于,包括:
至少一个处理器;
存储器,其上存储有指令,所述指令响应于被所述至少一个处理器执行,促使所述至少一个处理器实施以下步骤:
获取无人运输工具处采集的第一传感器信号,其中,所述第一传感器信号包括地磁信号和/或至少两个无线接入点的无线电信号;
对所述第一传感器信号进行预处理以得到与所述无人运输工具相关联的传感信号;
将所述传感信号输入机器学习模型,以得到所述无人运输工具的实时位置,其中,所述机器学习模型被配置为将所述传感信号进行编码处理,得到对应的信号特征张量,并且基于所述信号特征张量对所述无人运输工具进行位置预测处理进而得到所述无人运输工具的实时位置;
将经过机器学习模型处理得到的所述无人运输工具的实时位置传送至所述无人运输工具,使得所述无人运输工具基于所述无人运输工具的实时位置和物流接收设备的目标位置进行导航;
响应于第一切换条件被满足,切换至末段定位导航阶段,所述末段定位导航阶段包括:
获取在所述无人运输工具处采集的第二传感器信号,其中,所述第二传感器信号包括所述无人运输工具周围的图像信号和射频标签信号中的至少一个;
基于所述第二传感器信号来确定所述无人运输工具相对于所述物流接收设备的相对位置;
基于所述相对位置将所述无人运输工具导航至所述物流接收设备。
13.一个或多个计算机可读存储介质,其特征在于,其上存储有指令,所述指令当在一个或多个处理器上执行时促使所述一个或多个处理器实施权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084550.1A CN111123340B (zh) | 2020-02-10 | 2020-02-10 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084550.1A CN111123340B (zh) | 2020-02-10 | 2020-02-10 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123340A CN111123340A (zh) | 2020-05-08 |
CN111123340B true CN111123340B (zh) | 2024-05-28 |
Family
ID=70492834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010084550.1A Active CN111123340B (zh) | 2020-02-10 | 2020-02-10 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123340B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873423B (zh) * | 2020-06-29 | 2024-01-26 | 中国电信股份有限公司 | 终端定位方法、装置及系统 |
CN112085445A (zh) * | 2020-09-07 | 2020-12-15 | 上海擎朗智能科技有限公司 | 机器人目的地到达确定方法、装置、电子设备和存储介质 |
CN112146660B (zh) * | 2020-09-25 | 2022-05-03 | 电子科技大学 | 一种基于动态词向量的室内地图定位方法 |
CN112648007B (zh) * | 2020-12-28 | 2023-10-10 | 北京宸控科技有限公司 | 一种液压柱搬运方法 |
CN116858232A (zh) * | 2022-03-26 | 2023-10-10 | 华为技术有限公司 | 车辆位置的获取方法及电子设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106228847A (zh) * | 2016-09-28 | 2016-12-14 | 广州凯耀资产管理有限公司 | 一种停车场车辆导航系统及导航方法 |
CN106793066A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于双向信号强度数据的wifi定位方法及服务器 |
CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
CN106879032A (zh) * | 2015-12-11 | 2017-06-20 | 北斗导航位置服务(北京)有限公司 | 一种基于模式分类的室内外无缝切换方法及系统 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN108109423A (zh) * | 2017-12-26 | 2018-06-01 | 武汉创驰蓝天信息科技有限公司 | 基于WiFi室内定位的地下停车场智能导航方法及系统 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN108151732A (zh) * | 2017-12-22 | 2018-06-12 | 浙江西湖高等研究院 | 一种远程的位置和行为估计方法 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
KR101945320B1 (ko) * | 2017-11-23 | 2019-02-08 | 가천대학교 산학협력단 | 기계학습을 이용한 실내 무선 측위 서비스 방법, 장치 및 컴퓨터 판독가능 기록 매체 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
CN110553648A (zh) * | 2018-06-01 | 2019-12-10 | 北京嘀嘀无限科技发展有限公司 | 一种用于室内导航的方法和系统 |
CN110736464A (zh) * | 2019-10-18 | 2020-01-31 | 广州纳斯威尔信息技术有限公司 | 一种基于特征融合的室内定位方法、系统及终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9720069B2 (en) * | 2012-10-10 | 2017-08-01 | Lg Electronics Inc. | Apparatus and method for measuring location of user equipment located indoors in wireless network |
US20150186693A1 (en) * | 2013-12-31 | 2015-07-02 | Lexmark International, Inc. | Systems and Methods for Radio Frequency Identification (RFID) Localization |
US20170308790A1 (en) * | 2016-04-21 | 2017-10-26 | International Business Machines Corporation | Text classification by ranking with convolutional neural networks |
-
2020
- 2020-02-10 CN CN202010084550.1A patent/CN111123340B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106879032A (zh) * | 2015-12-11 | 2017-06-20 | 北斗导航位置服务(北京)有限公司 | 一种基于模式分类的室内外无缝切换方法及系统 |
CN105872981A (zh) * | 2016-03-30 | 2016-08-17 | 河海大学常州校区 | 基于信号合成和人工神经网络的室内定位方法 |
CN106228847A (zh) * | 2016-09-28 | 2016-12-14 | 广州凯耀资产管理有限公司 | 一种停车场车辆导航系统及导航方法 |
CN106793066A (zh) * | 2016-11-22 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于双向信号强度数据的wifi定位方法及服务器 |
CN106792562A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 基于反向传播神经网络模型的室内无线网络定位方法 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
KR101945320B1 (ko) * | 2017-11-23 | 2019-02-08 | 가천대학교 산학협력단 | 기계학습을 이용한 실내 무선 측위 서비스 방법, 장치 및 컴퓨터 판독가능 기록 매체 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN108151732A (zh) * | 2017-12-22 | 2018-06-12 | 浙江西湖高等研究院 | 一种远程的位置和行为估计方法 |
CN108109423A (zh) * | 2017-12-26 | 2018-06-01 | 武汉创驰蓝天信息科技有限公司 | 基于WiFi室内定位的地下停车场智能导航方法及系统 |
CN108282743A (zh) * | 2018-03-05 | 2018-07-13 | 桂林理工大学 | 室内定位方法、装置及系统 |
CN110553648A (zh) * | 2018-06-01 | 2019-12-10 | 北京嘀嘀无限科技发展有限公司 | 一种用于室内导航的方法和系统 |
CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
CN110736464A (zh) * | 2019-10-18 | 2020-01-31 | 广州纳斯威尔信息技术有限公司 | 一种基于特征融合的室内定位方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111123340A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123340B (zh) | 物流配送导航方法及系统、近场定位导航装置、存储介质 | |
JP6279125B2 (ja) | 自律型車輌をモバイル機器の現在の場所へと要請する方法、及び自律型車輌をコンピュータ・デバイスの現在の場所へと要請する製品 | |
EP3497405B1 (en) | System and method for precision localization and mapping | |
Sattarian et al. | Indoor navigation systems based on data mining techniques in internet of things: a survey | |
CN109219733A (zh) | 用以与具体预期对象交互的无人驾驶航空器系统和方法 | |
EP3649528A1 (en) | Establishing a location for unmanned delivery/pickup of a parcel | |
US11941579B2 (en) | Autonomous vehicles performing inventory management | |
KR102526542B1 (ko) | 지오아크를 이용한 2차원 운송수단 국소화 | |
Sarkar et al. | Intelligent drone-based surveillance: application to parking lot monitoring and detection | |
JP2010033447A (ja) | 画像処理装置および画像処理方法 | |
US20210403053A1 (en) | Method for calling a vehicle to user's current location | |
EP3635430B1 (en) | Method and apparatus for determining the location of a static object | |
CN116601667A (zh) | 用单目监视相机进行3d对象检测和跟踪的系统和方法 | |
CN110678771B (zh) | 位置测量用终端装置、存储有计算机程序的记录介质及系统 | |
JP2018072316A (ja) | ジオアーク(geoarc)を使用したビークルの二次元位置の特定 | |
Jiao et al. | Smart fusion of multi-sensor ubiquitous signals of mobile device for localization in GNSS-denied scenarios | |
Ishihara et al. | Deep radio-visual localization | |
CN107036602B (zh) | 基于环境信息码的混合无人机室内自主导航系统与方法 | |
US11377125B2 (en) | Vehicle rideshare localization and passenger identification for autonomous vehicles | |
Wietrzykowski et al. | Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints | |
WO2023122708A1 (en) | Systems and methods of image analysis for automated object location detection and management | |
Baeck et al. | Drone based near real-time human detection with geographic localization | |
US20180356933A1 (en) | Augmented Touch-Sensitive Display System | |
JP2021047737A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN111752293B (zh) | 用于对能够自主移动的机器进行导引的方法和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |