CN114424203A - 用于确定锁型的方法和装置 - Google Patents

Abstract

一种用于确定锁具的锁型的方法。在该方法中，分别从一组传感器(210，212)收集一组锁具(120，122)的一组原始数据(220，222)。该组锁具(120，122)分别在一组位置处安装到对象(110)，并且该组锁具(120，122)属于多个锁型中的至少一个锁型。基于该组原始数据(220，222)获取一组概率分布(230，232)。该组概率分布(230，232)中的概率分布与该组锁具(120，122)中的锁具以及锁具所属的锁型的概率相关联。基于该组概率分布(230，232)确定锁具的锁型(240)。使用这种方法，可以大大提高锁型确定的性能和准确性。

Description

用于确定锁型的方法和装置

技术领域

本公开的示例实施例总体上涉及类型确定，并且更具体地涉及用于确定用于固定集装箱对象的锁具的锁型的方法、装置、计算机系统、计算机可读介质和系统。

背景技术

如今，航运服务在人们的日常生活中扮演着重要的角色。每天都有无数的集装箱装上船，运往世界各地。为了保证集装箱在运输过程中能够保持相对静止，使用锁具(诸如扭锁)将多个集装箱固定在一起。由于锁具通常为船公司所有，当集装箱到达目的地时，需要从船上卸载集装箱，并且从集装箱移除所有锁具。

已经提出了几种用于通过机器人系统移除锁具的解决方案。但是，不同类型的锁具移除方式不同，因此在移除之前需要先确定锁具的锁型。目前，雇佣人类工人来确定锁型，因此在时间和人力上的成本很高。此外，即使是有经验的工人也会由于锁具的变形和腐蚀而犯错误。因此，希望能够以更有效且更方便的方式确定锁具的锁型。

发明内容

本公开的示例实施例提供了用于确定锁具的锁型的解决方案。

在第一方面，本公开的示例实施例提供了一种用于确定锁具的锁型的方法。该方法包括：分别从一组传感器收集一组锁具的一组原始数据，该组锁具分别在一组位置处安装到对象，该组锁具属于多个锁型中的至少一个锁型；基于该组原始数据获取一组概率分布，该组概率分布中的概率分布与该组锁具中的锁具和锁具所属的锁型的概率相关联；以及基于该组概率分布确定锁具的锁型。通过这些实施例，可以基于从一组传感器收集的原始数据以自动方式确定锁具的锁型，而无需人工干预，因此与人工操作相比，性能和准确性可以大大提高。另外，由于集装箱对象通常使用相同类型的锁具进行固定，因此基于一组锁具的一组原始数据来确定锁型可以消除由锁具变形和侵蚀引起的潜在错误。

在本公开的一些实施例中，锁具包括扭锁并且对象包括集装箱。此外，可以基于锁型指示机器人系统从对象移除锁具。通常，大型船舶一次承载数千个集装箱，因此需要无数扭锁将这些集装箱固定在一起。通过这些实施例，可以自动标识锁型，然后可以在卸载过程中由机器人系统移除锁具，而无需任何人工干预。此外，可以显著减少人工的数目并且可以大大提高卸载过程的效率。

在本公开的一些实施例中，该组传感器中的传感器包括图像测量相机，并且原始数据包括锁具的图像数据。在这些实施例中，诸如2D相机等传感器可以适于收集锁具的图像数据。另外，所收集的图像数据可以用于进一步处理以确定锁具所属的锁型。如今，2D相机价格便宜并且广泛用于监测卸载过程，因此这些实施例为重复使用传感器提供了有效并且高效的解决方案。

在本公开的一些实施例中，该组传感器中的传感器包括尺寸测量相机，并且原始数据包括锁具的尺寸数据。通过这些实施例，诸如3D相机等传感器可以适于收集锁具的尺寸。具体地，3D相机中的激光装置可以测量激光装置与锁具表面上几乎每个点之间的距离。因此，可以收集锁具的点云数据以确定锁具的尺寸和形状。接下来，尺寸和形状可以单独使用或与图像数据一起使用，以确定概率分布。尽管3D相机与2D相机相比更昂贵，但3D相机可以提供关于锁具的更多信息，从而在确定锁型时提供更高的准确性。

在本公开的一些实施例中，基于该组原始数据获取该组概率分布包括：关于该组锁具中的给定锁具，基于该组原始数据中的与给定锁具相关联的给定原始数据，确定给定锁具所属的锁型的概率；以及基于所确定的概率，获取该组概率分布中的概率分布。这里，每个锁具可以具有对应概率分布，该概率分布表示锁具可以属于的锁型的概率。例如，如果有m个锁型，则锁具j可以属于锁具类型1、类型2、……、和类型m中的任何一个。此时，锁具j的概率分布可以表示为矢量(p_j，1，p_j，2，...，p_j，m)。通过这些实施例，由于基于所有锁具的该组原始数据确定该组概率分布，所以该组概率分布可以表示用于确定锁具所属的锁型的可靠依据。

在本公开的一些实施例中，其中确定锁型的概率包括：关于锁型中的给定锁型，通过基于给定原始数据的图像识别过程确定给定锁型的概率。在本公开的一些实施例中，通过基于给定原始数据的机器学习过程确定给定锁型的概率。如今，图像识别和诸如机器学习等其他技术的发展为类型判断提供了有效的解决方案，同时提供了确定是否可信的概率。概率越高，识别的确定就越准确。通过这些实施例，可以基于用于图像识别和/或机器学习的坚实基础来提供锁型的概率，因此可以以准确的方式确定锁型。

在本公开的一些实施例中，该方法还包括基于安装到对象的多个锁具与对象之间的相对位置从多个锁具中选择该组锁具。通常，用于将单个集装箱对象固定在相似位置的锁具具有相同锁型。通过这些实施例，可以将安装在集装箱的相似位置的锁具选择到同一组中，使得所选择的组中的锁具可以提供关于锁型的更多信息。

在本公开的一些实施例中，相对位置包括拐角位置和中间位置中的至少一种。集装箱可以用不同类型的锁具固定。对于长尺寸集装箱，四个拐角位置处的锁具具有相同类型。对于短尺寸集装箱，两个短尺寸集装箱的总长度等于长尺寸集装箱的长度，因此两个短尺寸集装箱可以在它们的长度方向上通过不同锁具连接在一起以组合成长尺寸集装箱。因此，安装在组合集装箱的中间位置处的锁具的锁型可以是不同类型。通过这些实施例，通过基于拐角位置和中间位置将锁具划分为不同组，单个组中的锁具可以具有相同锁型，从而提高了锁型确定的准确性。

在本公开的一些实施例中，确定锁具的锁型包括：基于该组概率分布中的与目标锁型相关联的值与该组概率分布中的与多个锁型相关联的值之间的比较生成概率列表；以及基于所生成的概率列表确定锁具的锁型。通过这些实施例，在生成概率列表时可以考虑来自同一组中的所有锁具的原始数据，因此概率列表可以反映锁具可能属于的所有锁型的概率。

在本公开的一些实施例中，基于所生成的概率列表确定锁具的锁型包括：响应于概率列表中的最高概率高于预定义阈值，将锁具的锁型标识为与最高概率相对应的锁型。通过这些实施例，可以预先确定阈值以表示可靠的标准。如果最高概率高于阈值，则表明与最高概率相对应的锁型是可靠且可接受的；否则可以丢弃与最高概率相对应的锁型。在这些实施例中，可以仅输出可靠锁型以进一步控制机器人系统移除锁具。

在本公开的一些实施例中，该方法还包括：响应于概率列表中的最大概率低于预定义阈值，提供用于指示潜在错误的警报。通过这些实施例，可以防止输出不可靠锁型。在这种情况下，可以重新开始上述方法以进行另一轮锁型确定，直到确定可靠锁型。

在第二方面，本公开的示例实施例提供了一种用于确定锁具的锁型的装置。该装置包括：收集单元，被配置为分别从一组传感器收集一组锁具的一组原始数据，该组锁具分别在一组位置处安装到对象，该组锁具属于多个锁型中的至少一个锁型；获取单元，被配置为基于该组原始数据获取一组概率分布，该组概率分布中的概率分布与该组锁具中的锁具和锁具所属的锁型的概率相关联；以及确定单元，被配置为基于该组概率分布确定锁具的锁型。

在本公开的一些实施例中，获取单元还被配置为：关于该组锁具中的给定锁具，基于该组原始数据中的与给定锁具相关联的给定原始数据，确定给定锁具所属的锁型的概率；以及基于所确定的概率，获取该组概率分布中的概率分布。

在本公开的一些实施例中，获取单元还被配置为：关于锁型中的给定锁型，基于以下任一项确定给定锁型的概率：基于给定原始数据的图像识别过程；以及基于给定原始数据的机器学习过程。

在本公开的一些实施例中，确定单元还被配置为：基于该组概率分布中的与目标锁型相关联的值与该组概率分布中的与多个锁型相关联的值之间的比较生成概率列表；以及基于所生成的概率列表确定锁具的锁型。

在本公开的一些实施例中，确定单元还被配置为：响应于概率列表中的最高概率高于预定义阈值，将锁具的锁型标识为与最高概率相对应的锁型；以及响应于概率列表中的最高概率低于预定义阈值，提供用于指示潜在错误的警报。

在本公开的一些实施例中，该装置还包括：选择单元，被配置为基于安装到对象的多个锁具与对象之间的相对位置从多个锁具中选择该组锁具。

在本公开的一些实施例中，相对位置包括拐角位置和中间位置中的至少一种。

在本公开的一些实施例中，锁具包括扭锁并且对象包括集装箱，并且该装置还包括：指示单元，被配置为基于锁具的类型指示机器人系统从对象移除锁具。

在本公开的一些实施例中，该组传感器中的传感器包括尺寸测量相机，并且原始数据包括锁具的尺寸数据。

在本公开的一些实施例中，该组传感器中的传感器包括图像测量相机，并且原始数据包括锁具的图像数据。

在第三方面，本公开的示例实施例提供了一种用于确定锁具的锁型的计算机系统。该计算机系统包括：耦合到计算机可读存储器单元的计算机处理器，该存储器单元包括指令，该指令在由计算机处理器执行时实现根据本公开的第一方面的用于确定锁具的锁型的方法。

在第四方面，本公开的示例实施例提供了一种其上存储有指令的计算机可读介质，该指令当在至少一个处理器上执行时引起至少一个处理器执行根据本公开的第一方面的用于确定锁具的锁型的方法。

在第五方面，本公开的示例实施例提供了一种用于确定锁具的锁型的系统。该系统包括：用于收集一组锁具的一组原始数据的一组传感器；以及根据本公开的第三方面的计算机系统。

附图说明

图1示出了可以在其中实现本公开的实施例的工作环境的示意图；

图2示出了根据本公开的实施例的用于确定锁型的示意图；

图3示出了根据本公开的实施例的用于确定锁型的方法的流程图；

图4示出了根据本公开的实施例的用于获取锁具的尺寸的示意图；

图5示出了根据本公开的实施例的用于将多个锁具划分成组的示意图；

图6示出了根据本公开的实施例的概率分布的数据结构的示意图；

图7示出了根据本公开的实施例的用于生成概率列表的示意图；

图8示出了根据本公开的实施例的用于确定锁型的装置的示意图；

图9示出了根据本公开的实施例的用于确定锁型的计算机系统的示意图；以及

图10示出了根据本公开的实施例的用于确定锁型的系统的示意图。

在整个附图中，相同或相似的附图标记用于指示相同或相似的元素。

具体实施方式

现在将参考附图中所示的若干示例实施例来描述本公开的原理。虽然在附图中示出了本公开的示例实施例，但是应当理解，这些实施例的描述仅仅是为了便于本领域技术人员更好地理解并且从而实现本公开，而不是以任何方式限制本公开的范围。

为了描述起见，将参考图1以提供实施例的环境的一般描述。图1示出了可以在其中实现本公开的实施例的工作环境100的示意图。在本公开的上下文中，将以集装箱作为其上安装有多个锁具的对象为例来描述实施例。具体地，在图1中，对象110(例如，集装箱)从船上被卸载，并且锁具120和122仍然安装到集装箱。首先，可以确定锁具120和122的锁型，然后可以由机器人系统130基于所确定的锁型来移除锁具120和122。

目前，人类工人对锁具进行一一检查并且确定锁型。一方面，雇佣人力成本很高；另一方面，即使是经验丰富的工人，也会因锁具在长期使用过程中的变形和腐蚀而出现失误。因此，希望以更有效且方便的方式确定锁具的锁型。

将参考图2以了解关于如何确定锁具的锁型的更多细节。图2示出了根据本公开的实施例的用于确定锁型的示意图200。在图2中，一组传感器210和212可以被配备分别用于收集锁具120和122的原始数据。例如，传感器210可以收集原始数据220，并且传感器212可以收集原始数据222。这里的原始数据可以是各种格式，诸如图像数据、点云数据或其组合。锁具120和122可以分别在一组位置处安装到对象110。这里，该组锁具可以属于多个锁型中的至少一个锁型。

此外，可以基于该组原始数据获取一组概率分布。在图2中，分别从原始数据220获取概率分布230，并且从原始数据222获取概率分布232。这里，概率分布230与锁具120和锁具120所属的锁型的概率相关联。概率分布232与锁具122和锁具122所属的锁型的概率相关联。接下来，可以基于概率分布230和232来确定锁具的锁型240。通过这些实施例，可以基于原始数据220和222以自动方式确定锁具的锁型240，而无需人工干预，因此与人工操作相比，性能和准确性可以大大提高。尽管图2中仅示出了两个锁具，但是在另一示例中，该组可以包括更多锁具。

将参考图3提供本公开的细节，图3示出了根据本公开的实施例的用于确定锁具的锁型的方法300的流程图。在步骤310，分别从一组传感器获取一组锁具的一组原始数据。例如，每个传感器可以收集一个锁具的原始数据。对于另一示例，传感器可以移动到另一位置以收集另一锁具的原始数据。该组锁具可以分别在一组位置处安装到对象110。再次参考图1，锁具120安装到对象110的左角，而锁具122安装到对象110的右角。

在本公开的一些实施例中，锁具120和122可以包括扭锁，并且对象110可以包括集装箱。这里，锁具120和122可以用于在运输过程中连接集装箱和其他集装箱。在这些集装箱从船上卸载之后，应当从集装箱移除锁具120和122。利用这些实施例，可以自动确定锁型，并且可以进一步指示机器人系统130基于锁具的类型从对象110移除锁具120和122。

应当理解，本公开的实施例可能非常高效，尤其是在用于从船上卸载集装箱的港口中。通常，大型船舶运载数千个集装箱，因此需要无数扭锁将这些集装箱固定在一起。通过这些实施例，可以自动标识锁型，然后可以在没有任何人工干预的情况下移除锁具。此外，可以显著减少人类工人的数目并且可以提高卸载过程的效率。

通常，可以使用各种类型的锁具来连接集装箱。这里，该组锁具可以属于多个锁型中的至少一个锁型，并且锁型的数目可以预先确定。在一个示例中，锁型的数目可以用整数m来表示，因此锁型可以用类型1、类型2、……、和类型m来表示。此外，组中的锁具的数目可以用整数n来表示，因此锁具可以用锁1、锁2、……、锁n来表示。

由于从所有传感器收集原始数据的过程相同，以下段落将以传感器210为例提供详细的过程。在本公开的一些实施例中，传感器210可以包括图像测量相机，诸如2D图像相机，并且原始数据220可以包括锁具120的图像数据。参考图2，传感器210可以是2D图像相机。通过这些实施例，所收集的图像数据可以用于进一步处理以确定锁具120所属的锁型。如今，2D相机价格便宜并且广泛用于监测卸载过程，因此这些实施例为重复使用传感器提供了有效且高效的解决方案。

除了2D相机，也可以采用3D相机装置来收集原始数据。在本公开的一些实施例中，传感器210可以包括尺寸测量相机，诸如3D图像相机，并且原始数据220可以包括锁具120的尺寸数据。通过这些实施例，传感器210(诸如3D相机)可以适于收集锁具120的尺寸。具体地，3D相机中的激光装置可以测量激光装置与锁具120表面上几乎每个点之间的距离。具体参考图4，图4示出了根据本公开的实施例的用于获取锁具的尺寸的示意图400。

在图4中，传感器210可以配备有用于测量锁具120的尺寸的激光装置410。在传感器210的操作期间，激光装置410可以向锁具120传输信号420(诸如激光束)。信号420可以到达锁具120的表面上的一点，然后信号430可以被锁具120反射。传感器210可以接收反射信号430，并且基于用于传输信号420的时间点与用于接收信号430的时间点之间的持续时间来确定激光装置410与表面上的该点之间的距离。

通过上述过程，可以收集锁具120的点云数据以确定锁具120的尺寸和形状。尺寸和形状数据可以单独使用或与图像数据一起使用以确定概率分布230。虽然3D相机与2D相机相比更昂贵，但是3D相机可以提供关于锁具120的更多信息，这进而可以在确定锁型240时提供更高的准确性。

在本公开的一些实施例中，该组锁具120和122可以基于多个锁具与对象110之间的相对位置从安装到对象110的多个锁具中选择。通常，用于将单个集装箱固定在相似位置的锁具属于同一锁型。再次参考图1，对象110是长尺寸集装箱，并且使用四个锁具用于固定目的。虽然图1仅示出了在集装箱的一侧的两个锁具120和122，但是另外两个锁具在集装箱的隐藏侧安装到集装箱。此时，可以选择安装在集装箱的四个拐角处的四个锁具。通过这些实施例，安装在集装箱的相似位置处的锁具可以被选择到同一组中，使得所选择的组中的锁具可以提供关于锁型的更多信息。

在本公开的一些实施例中，相对位置包括拐角位置和中间位置中的至少一种。通常，集装箱可以用不同类型的锁具固定。对于长尺寸集装箱，四个拐角位置处的锁具具有相同类型。关于短尺寸集装箱将参考图5，图5示出了根据本公开的实施例的用于将多个锁具划分成组的示意图500。如图5所示，两个短尺寸集装箱510和512的总长度等于长尺寸集装箱的长度。此时，两个短尺寸集装箱510和512可以在它们的长度方向上通过另一种类型的锁具被连接以组合成长尺寸集装箱。

在图5中，安装在组合集装箱的拐角位置处的锁具120和122的锁型可以是一种类型，而安装在组合集装箱的中间位置处的锁具520和522的锁型可以是另一类型。通过这些实施例，通过基于拐角位置和中间位置将锁具分成两组，单个组中的锁具可以具有相同锁型，从而提高了锁型确定的准确性。

返回图3中的块320，可以基于该组原始数据确定一组概率分布。这里，该组概率分布中的概率分布可以与该组锁具中的锁具和该锁具所属的锁型的概率相关联。例如，可以基于原始数据220来确定概率分布230，并且可以基于原始数据222来确定概率分布232。具体而言，概率分布230可以与锁具120和锁具120所属的锁型的概率相关联。在下文中，将呈现关于概率分布的更多细节。

在本公开的一些实施例中，关于该组锁具中的给定锁具，可以基于该组原始数据中的与该组中的给定锁具相关联的给定原始数据，确定给定锁具所属的锁型的概率。然后，可以基于所确定的概率，获取该组概率分布中的概率分布。这里，每个锁具可以具有对应概率分布，该概率分布表示该锁具可能属于的锁型的概率。

图6示出了根据本公开的实施例的概率分布230的数据结构的示意图600。如前面段落中提到的，锁具120可以属于多个锁型中的任何一种：类型1、类型2、……、和类型m(由附图标记610、612、……、和614表示)。概率分布230表示为矢量(p_1，1，p_1，2，...，p_1，m)，其中矢量中的每个值可以指示与一个锁型相关联的概率。例如，第一值p_1，1可以表示锁具120属于类型1的概率。

通常，锁具j的概率分布可以用更常见的方式表示为(p_j，1，p_j，2，...，p_j，m)，其中值p_j，1可以表示锁具j属于类型1的概率，值p_j，2可以表示锁具j属于类型2的概率，......，值p_j，m可以表示锁具j属于类型m的概率。通过这些实施例，该组概率分布可以为确定锁具所属的锁型提供可靠依据。

在本公开的一些实施例中，关于锁型中的给定锁型，可以基于基于给定原始数据的图像识别过程来确定给定锁型的概率。例如，可以分析锁具120的图像数据以识别图像的内容。图像识别过程可以通过0到1之间的概率指示锁具是否属于给定锁型。例如，如果输入锁具120的原始数据220，则图像识别过程可以输出类型1、类型2、......、和类型m的概率作为：(p_1，1，p_1，2，...，p_1，m)。因此，概率分布230可以表示为(p_1，1，p_1，2，...，p_1，m)。

一般来说，如果输入锁具j的原始数据，则图像识别过程可以输出概率分布(p_j，1，p_j，2，...，p_j，m)。继续在组中包括四个锁具的上述示例，图像识别过程可以提供一组概率分布(p_j，1，p_j，2，...，p_j，m)，其中j＝1到4。已经开发了用于图像识别的各种技术，下文中将省略细节。

在本公开的一些实施例中，可以基于使用给定原始数据的机器学习过程来确定给定锁型的概率。如今，机器学习技术在图像处理中发挥着重要作用，因此锁型的概率可以从训练有素的机器学习模型中输出。已经开发了各种技术来训练机器学习模型，下文中将省略细节。

再次参考图7，在块330，基于该组概率分布确定该组锁具中的锁具的锁型。通过这些实施例，可以基于从一组传感器收集的原始数据以自动方式确定锁具的锁型，而无需人工干预，因此与人类操作相比，性能和准确性可以大大提高。另外，由于集装箱对象通常使用相同类型的锁具锁定，因此基于一组锁具的一组原始数据来确定锁型可以消除由锁具的变形和侵蚀引起的潜在错误。

在本公开的一些实施例中，为了确定锁具的锁型，可以基于该组概率分布中的与目标锁型相关联的值与该组概率分布中的与多个锁型相关联的值之间的比较生成概率列表。关于生成概率列表将参考图7。

图7示出了根据本公开的实施例的用于生成概率列表730的示意图700。在图7中，可以根据框320中描述的步骤来确定一组概率分布230、710、......、和712。此外，这些概率分布230、710、......、和712可以用于确定概率列表730中的成员720、722、......、和724。在一个示例中，可以将该组概率分布中的与目标锁型相关联的值与该组概率分布中的与多个锁型相关联的值进行比较。这里，目标锁型可以是任何锁型，并且可以利用诸如贝叶斯定理等解决方案进行比较。

在一个示例中，为了确定与锁型i相关联的成员，可以使用以下公式1：

在公式1中，P_i表示该组锁具属于类型i的概率，m表示锁型的数目，n表示该组中的锁具的数目，p_j，i表示锁j属于类型i的概率。上述公式中的分子与该组概率分布中的与目标锁型i相关联的值有关，分母与该组概率分布中的与多个锁型(类型1、类型2、......、和类型m)相关联的值有关。应当理解，上述公式1只是用于确定概率列表中的概率的示例公式。在本公开的其他实施例中，可以采用其他公式，只要这些公式可以反映该组锁具的候选类型。例如，运算符Π可以替换为运算符∑。

此外，可以基于所生成的概率列表730来确定锁具的锁型。具体地，可以选择最高概率来确定该组锁具的锁型。在本公开的一些实施例中，如果概率列表730中的最高概率高于预定义阈值，则可以将锁具的锁型确定为与最高概率相对应的锁型。例如，概率列表730可以表示为(P₁，P₂，...，P_m)。如果第一成员P₁是大于阈值的最大值，则锁型可以确定为类型1。又例如，如果第i成员P_i是最大值，则锁型可以确定为类型i。这里，可以预先确定阈值以表示可靠标准。如果最高概率高于阈值，则表明与最高概率相对应的锁型可靠且可接受，否则可以丢弃与最高概率相对应的锁型。在这些实施例中，可以仅输出可靠锁型以进一步控制机器人系统移除锁具。

在本公开的一些实施例中，如果概率列表730中的最大概率低于预定义阈值，则可以提供用于指示潜在错误的警报。通过这些实施例，可以防止输出不可靠锁型。接下来，可以重新开始上述方法以进行另一轮锁型确定，直到确定可靠锁型。

在本公开的一些实施例中，提供了一种用于确定锁具的锁型的装置800。图8示出了根据本公开的实施例的用于确定锁型的装置800的示意图。如图8所示，装置800可以包括：收集单元810，被配置为分别从一组传感器收集一组锁具的一组原始数据，该组锁具分别在一组位置处安装到对象，该组锁具属于多个锁型中的至少一个锁型；获取单元820，被配置为基于该组原始数据获取一组概率分布，该组概率分布中的概率分布与该组锁具中的锁具和锁具所属的锁型的概率相关联；以及确定单元830，被配置为基于该组概率分布确定锁具的锁型。

在本公开的一些实施例中，获取单元820还被配置为：关于该组锁具中的给定锁具，基于该组原始数据中的与给定锁具相关联的给定原始数据，确定给定锁具所属的锁型的概率；并且基于所确定的概率，获取该组概率分布中的概率分布。

在本公开的一些实施例中，获取单元820还被配置为：关于锁型中的给定锁型，基于以下任一项确定给定锁型的概率：基于给定原始数据的图像识别过程；以及基于给定原始数据的机器学习过程。

在本公开的一些实施例中，确定单元830还被配置为：基于该组概率分布中的与目标锁型相关联的值与该组概率分布中的与多个锁型相关联的值之间的比较生成概率列表；并且基于所生成的概率列表确定锁具的锁型。

在本公开的一些实施例中，确定单元830还被配置为：响应于概率列表中的最高概率高于预定义阈值，将锁具的锁型标识为与最高概率相对应的锁型；并且响应于概率列表中的最高概率低于预定义阈值，提供用于指示潜在错误的警报。

在本公开的一些实施例中，装置800还包括：被配置为基于安装到对象的多个锁具与对象之间的相对位置从多个锁具中选择该组锁具的选择单元。

在本公开的一些实施例中，相对位置包括拐角位置和中间位置中的至少一种。

在本公开的一些实施例中，锁具包括扭锁并且对象包括集装箱，并且装置830还包括：被配置为基于锁具的类型指示机器人系统从对象移除锁具的指示单元。

在本公开的一些实施例中，该组传感器中的传感器包括尺寸测量相机，并且原始数据包括锁具的尺寸数据。

在本公开的一些实施例中，该组传感器中的传感器包括图像测量相机，并且原始数据包括锁具的图像数据。

在本公开的一些实施例中，提供了一种用于确定锁型的系统900。图9示出了根据本公开的实施例的用于确定锁型的计算机系统900的示意图。如图9所示，系统900可以包括耦合到计算机可读存储器单元920的计算机处理器910，并且存储器单元920包括指令922。当由计算机处理器910执行时，指令922可以实现前述段落中描述的用于确定锁型的方法，下文不再赘述。

在本公开的一些实施例中，提供了一种用于确定锁具的锁型的计算机可读介质。该计算机可读介质上存储有指令，该指令当在至少一个处理器上执行时可以引起至少一个处理器执行前述段落中描述的用于确定锁具的锁型的方法，下文不再赘述。

在本公开的一些实施例中，提供了一种用于确定锁具的锁型的系统。图10示出了根据本公开的实施例的用于确定锁型的系统1000的示意图。系统1000包括：用于收集一组锁具120、……、122的一组原始数据的一组传感器210、……、212；以及根据本公开的用于确定该组锁具中的锁具的锁型的计算系统1010。

通常，本公开的各种实施例可以用硬件或专用电路、软件、逻辑或其任何组合实现。一些方面可以用硬件实现，而其他方面可以用可以由控制器、微处理器或其他计算设备执行的固件或软件实现。尽管本公开的实施例的各个方面被图示和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的块、装置、系统、技术或方法可以用硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备、或其某种组合实现。

本公开还提供有形地存储在非暂态计算机可读存储介质上的至少一种计算机程序产品。该计算机程序产品包括计算机可执行指令，诸如程序模块中包括的指令，该指令在目标真实或虚拟处理器上的设备中执行，以执行上面参考图3描述的过程或方法。一般来说，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、组件、数据结构等。在各种实施例中，程序模块的功能可以根据需要在程序模块之间组合或拆分。程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质两者中。

用于执行本公开的方法的程序代码可以用一种或多种编程语言的任何组合来编写。这些程序代码可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码在由处理器或控制器执行时引起在流程图和/或框图中指定的功能/操作被实现。程序代码可以完全在机器上、部分在机器上、作为独立软件包、部分在机器上并且部分在远程机器上、或完全在远程机器或服务器上执行。

上述程序代码可以体现在机器可读介质上，该机器可读介质可以是可以包含或存储程序以供指令执行系统、装置或设备使用或与其结合使用的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子、磁性、光学、电磁、红外线或半导体系统、装置或设备、或前述各项的任何合适的组合。机器可读存储介质的更具体示例将包括具有一根或多根电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备、或前述各项的任何合适的组合。

此外，虽然以特定顺序描述操作，但这不应当被理解为要求以所示特定顺序或按顺序执行这样的操作或者执行所有所示操作以获取期望结果。在某些情况下，多任务和并行处理可能是有利的。同样，虽然在上述讨论中包含了若干具体实现细节，但这些不应当被解释为对本公开范围的限制，而是对可能特定于特定实施例的特征的描述。在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。另一方面，在单个实施例的上下文中描述的各种特征也可以在多个实施例中单独或以任何合适的子组合来实现。

尽管已经以特定于结构特征和/或方法动作的语言描述了主题，但是应当理解，在所附权利要求中定义的主题不一定限于上述特定特征或动作。相反，上述具体特征和动作被公开作为实现权利要求的示例形式。

Claims (23)

1.一种用于确定锁具的锁型的方法，所述方法包括：

分别从一组传感器收集一组锁具的一组原始数据，所述一组锁具分别在一组位置处安装到对象，并且所述一组锁具属于多个锁型中的至少一个锁型；

基于所述一组原始数据获取一组概率分布，所述一组概率分布中的概率分布与所述一组锁具中的锁具和所述锁具所属的锁型的概率相关联；以及

基于所述一组概率分布确定所述锁具的锁型。

2.根据权利要求1所述的方法，其中基于所述一组原始数据获取所述一组概率分布包括：关于所述一组锁具中的给定锁具，

基于所述一组原始数据中的与所述给定锁具相关联的给定原始数据，确定所述给定锁具所属的锁型的概率；以及

基于所确定的概率，获取所述一组概率分布中的概率分布。

3.根据权利要求2所述的方法，其中确定所述锁型的概率包括：关于所述锁型中的给定锁型，基于以下任一项确定所述给定锁型的概率：

所述给定原始数据的图像识别过程；以及

所述给定原始数据的机器学习过程。

4.根据权利要求1所述的方法，其中确定所述锁具的所述锁型包括：

基于所述一组概率分布中的与目标锁型相关联的值与所述一组概率分布中的与所述多个锁型相关联的值之间的比较，生成概率列表；以及

基于所生成的概率列表确定所述锁具的所述锁型。

5.根据权利要求1所述的方法，其中基于所生成的概率列表确定所述锁具的所述锁型包括：

响应于所述概率列表中的最高概率高于预定义阈值，将所述锁具的所述锁型标识为与所述最高概率相对应的锁型；以及

所述方法还包括：响应于所述概率列表中的所述最高概率低于预定义阈值，提供用于指示潜在错误的警报。

6.根据权利要求1所述的方法，还包括：

基于安装到所述对象的多个锁具与所述对象之间的相对位置，从所述多个锁具中选择所述一组锁具。

7.根据权利要求6所述的方法，其中所述相对位置包括拐角位置和中间位置中的至少一种。

8.根据权利要求1所述的方法，其中所述锁具包括扭锁并且所述对象包括集装箱，并且所述方法还包括：

基于所述锁具的类型，指示机器人系统从所述对象移除所述锁具。

9.根据权利要求1所述的方法，其中所述一组传感器中的传感器包括尺寸测量相机，并且所述原始数据包括所述锁具的尺寸数据。

10.根据权利要求1所述的方法，其中所述一组传感器中的传感器包括图像测量相机，并且所述原始数据包括所述锁具的图像数据。

11.一种用于确定锁具的锁型的装置，所述装置包括：

收集单元，被配置为分别从一组传感器收集一组锁具的一组原始数据，所述一组锁具分别在一组位置处安装到对象，并且所述一组锁具属于多个锁型中的至少一个锁型；

获取单元，被配置为基于所述一组原始数据获取一组概率分布，所述一组概率分布中的概率分布与所述一组锁具中的锁具和所述锁具所属的锁型的概率相关联；以及

确定单元，被配置为基于所述一组概率分布确定所述锁具的锁型。

12.根据权利要求11所述的装置，其中所述获取单元还被配置为：关于所述一组锁具中的给定锁具，

基于所述一组原始数据中的与所述给定锁具相关联的给定原始数据，确定所述给定锁具所属的锁型的概率；以及

基于所确定的概率，获取所述一组概率分布中的概率分布。

13.根据权利要求12所述的装置，其中所述获取单元还被配置为：关于所述锁型中的给定锁型，基于以下任一项确定所述给定锁型的概率：

所述给定原始数据的图像识别过程；以及

所述给定原始数据的机器学习过程。

14.根据权利要求11所述的装置，其中所述确定单元还被配置为：

基于所述一组概率分布中的与目标锁型相关联的值与所述一组概率分布中的与所述多个锁型相关联的值之间的比较，生成概率列表；以及

基于所生成的概率列表，确定所述锁具的所述锁型。

15.根据权利要求11所述的装置，其中所述确定单元还被配置为：

响应于所述概率列表中的最高概率高于预定义阈值，将所述锁具的所述锁型标识为与所述最高概率相对应的锁型；以及

响应于所述概率列表中的所述最高概率低于预定义阈值，提供用于指示潜在错误的警报。

16.根据权利要求11所述的装置，还包括：

选择单元，被配置为基于安装到所述对象的多个锁具与所述对象之间的相对位置从所述多个锁具中选择所述一组锁具。

17.根据权利要求16所述的装置，其中所述相对位置包括拐角位置和中间位置中的至少一种。

18.根据权利要求11所述的装置，其中所述锁具包括扭锁并且所述对象包括集装箱，并且所述装置还包括：

指示单元，被配置为基于所述锁具的类型指示机器人系统从所述对象移除所述锁具。

19.根据权利要求11所述的装置，其中所述一组传感器中的传感器包括尺寸测量相机，并且所述原始数据包括所述锁具的尺寸数据。

20.根据权利要求11所述的装置，其中所述一组传感器中的传感器包括图像测量相机，并且所述原始数据包括所述锁具的图像数据。

21.一种用于确定锁具的锁型的计算机系统，包括：

计算机处理器，耦合到计算机可读存储器单元，所述存储器单元包括指令，所述指令在由所述计算机处理器执行时实现根据权利要求1至10中任一项所述的方法。

22.一种其上存储有指令的计算机可读介质，所述指令当在至少一个处理器上执行时引起所述至少一个处理器执行根据权利要求1至10中任一项所述的方法。

23.一种用于确定锁具的锁型的系统，包括：

一组传感器，用于收集一组锁具的一组原始数据；以及

根据权利要求21所述的计算机系统，用于确定所述一组锁具中的锁具的锁型。

Images