DE202022106987U1

DE202022106987U1 - A multi-assistance system for automatic decision-making

Info

Publication number: DE202022106987U1
Application number: DE202022106987.5U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-12-14
Filing date: 2022-12-14
Publication date: 2023-01-25
Anticipated expiration: 2032-12-15

Abstract

Ein Multi-Assistenzsystem für die automatische Entscheidungsfindung, das System umfasst:
eine terrestrische Synchronisations- und Xerograph-Verarbeitungseinheit für ein Offline-zu-Online-Synchronisationsprotokoll, das eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer Pfropfumgebung ermöglicht;
eine Zerographenverarbeitungseinheit umfasst einen Zustandsgraphenbaum zum Speichern, Verifizieren und Erstellen von Einfüge- und Synchronisationsnachweisen über die Wurzeln des Baums und zum Synchronisieren über ein drahtloses Kommunikationsnetz;
eine Steuereinheit für:
Identifizierung von Menschen und Objekten durch dezentrale Identitäten und Nullwissen Verifizierung von Identitäten, Sensorinformationen und Aktuatoraktionen durch selektive Offenlegung mittels einer Technik der künstlichen Intelligenz;
Förderung intelligenter Kontakte über das Internet der Dinge (IoT) und der Offenlegung von Nullwissen für eine echte Single Window Disclosure; und
eine Vorhersageeinheit für die gemeinsame Entscheidungsfindung in großem Maßstab unter Verwendung von homomorphen Schlüsseln und Techniken zur Wahrung der Privatsphäre ohne Wissen.

A multi-assistance system for automatic decision-making, the system includes:
a terrestrial synchronization and xerograph processing unit for an offline-to-online synchronization protocol that enables fast state, data and time synchronization in a plug environment;
a zerograph processing unit comprising a state graph tree for storing, verifying and generating insertion and synchronization proofs about the roots of the tree and for synchronizing over a wireless communication network;
a control unit for:
Identification of people and objects through decentralized identities and zero knowledge Verification of identities, sensor information and actuator actions through selective disclosure using an artificial intelligence technique;
Promoting intelligent contacts via the Internet of Things (IoT) and zero-knowledge disclosure for a true Single Window Disclosure; and
a predictor for large-scale shared decision-making using homomorphic keys and zero-knowledge privacy techniques.

Description

BEREICH DER ERFINDUNGFIELD OF THE INVENTION

Die vorliegende Offenlegung bezieht sich auf ein Multi-Assistenzsystem für die automatische Entscheidungsfindung unter Verwendung künstlicher Intelligenz.The present disclosure relates to a multi-assistance system for automatic decision-making using artificial intelligence.

HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION

Elektronische Geräte von heute können auf eine große, wachsende und vielfältige Palette von Funktionen, Diensten und Daten zugreifen, sowohl online als auch über andere Quellen. Da immer mehr Geräte der Unterhaltungselektronik, darunter Smartphones, Tablet-Computer und ähnliche Geräte, in der Lage sind, Softwareprogramme auszuführen, um verschiedene Aufgaben zu erledigen und verschiedene Formen von Informationen zu liefern, erweitert sich der Funktionsumfang solcher Geräte rasch. Jedes Programm, jeder Dienst, jede Website und jede Funktion hat häufig eine eigene Benutzeroberfläche und ein eigenes Bedienparadigma, von denen viele für die Benutzer schwer zu verstehen oder überwältigend sein können. Darüber hinaus haben viele Nutzer Schwierigkeiten, überhaupt zu verstehen, welche Funktionen und/oder Informationen auf ihren elektronischen Geräten oder auf verschiedenen Websites verfügbar sind; infolgedessen fühlen sich diese Nutzer möglicherweise frustriert oder überfordert oder haben einfach Schwierigkeiten, die ihnen zur Verfügung stehenden Ressourcen effektiv zu nutzen.Today's electronic devices can access a large, growing, and diverse range of functions, services, and data, both online and through other sources. As more consumer electronic devices, including smartphones, tablet computers, and similar devices, are capable of running software programs to perform various tasks and deliver various forms of information, the functionality of such devices is rapidly expanding. Each program, service, website, and feature often has its own unique user interface and operating paradigm, many of which can be difficult or overwhelming for users to understand. Additionally, many users struggle to even understand what features and/or information are available on their electronic devices or across different websites; as a result, these users may feel frustrated or overwhelmed, or simply struggle to use the resources available to them effectively.

Vor allem unerfahrene Nutzer, Behinderte oder Krüppel, ältere Menschen, Beschäftigte oder Autofahrer haben möglicherweise Schwierigkeiten, effizient mit ihren elektronischen Geräten zu interagieren und Internetdienste zu nutzen. Diese Nutzer werden eher Schwierigkeiten haben, wenn sie versuchen, die zahlreichen, uneinheitlichen und unterschiedlichen Funktionen, Programme und Websites zu nutzen, die ihnen zur Verfügung gestellt werden könnten.Especially inexperienced users, disabled or crippled, elderly, employed or drivers may have difficulty interacting efficiently with their electronic devices and using internet services. These users are more likely to encounter difficulties when attempting to use the numerous, inconsistent, and varied features, programs, and websites that might be made available to them.

Infolgedessen bieten die derzeitigen Systeme den Nutzern häufig verwirrende und inkonsistente Benutzeroberflächen, die die Nutzer häufig daran hindern, das volle Potenzial der Technologie zu nutzen. In Anbetracht der vorangegangenen Diskussion wird deutlich, dass ein Bedarf an einem Multi-Assistenzsystem für die automatische Entscheidungsfindung besteht.As a result, current systems often provide users with confusing and inconsistent user interfaces that often prevent users from realizing the full potential of the technology. In view of the previous discussion, it becomes clear that there is a need for a multi-assistance system for automatic decision making.

ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Die vorliegende Offenlegung zielt darauf ab, ein Multi-Assistenzsystem bereitzustellen, um Entscheidungen zu treffen, notwendige Aktuator-Aktionen in Echtzeit durchzuführen und Informationen zwischen Maschinen unter Verwendung von Wahrnehmungs-, Sensor-, Aktuator- und Umgebungsinformationen zu synchronisieren, um eine bessere Entscheidungsfindung, genaue Aktuator-Aktionen und eine schnellere Reaktionszeit in unsicheren Umgebungen mit mehreren Geräten zu unterstützen und ein höheres Maß an Sicherheit, Datenschutz und Datenintegrität zu ermöglichen, ohne die Skalierbarkeit in unsicheren, unbekannten Umgebungen zu beeinträchtigen.The present disclosure aims to provide a multi-assistance system to make decisions, perform necessary actuator actions in real-time, and synchronize information between machines using perceptual, sensor, actuator, and environmental information for better decision-making, to support accurate actuator actions and faster response time in insecure, multi-device environments, and to enable higher levels of security, privacy, and data integrity without compromising scalability in insecure, unknown environments.

In einer Ausführungsform wird ein Multi-Assistenzsystem für die automatische Entscheidungsfindung offengelegt. Das System umfasst eine terrestrische Synchronisations- und Xerograph-Verarbeitungseinheit für ein Offline-zu-Online-Synchronisationsprotokoll, das eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer Pfropfumgebung ermöglicht.In one embodiment, a multi-assistance system for automated decision making is disclosed. The system includes a terrestrial synchronization and xerograph processing unit for an offline-to-online synchronization protocol that enables fast state, data and time synchronization in a plug environment.

Das System umfasst ferner eine Zerographen-Verarbeitungseinheit, die einen Zustandsgraphenbaum zum Speichern, Überprüfen und Erstellen von Einfüge- und Synchronisationsnachweisen über die Wurzeln des Baums umfasst und über ein drahtloses Kommunikationsnetz synchronisiert.The system further includes a zeroograph processing unit comprising a state graph tree for storing, examining and creating insertion and synchronization proofs about the roots of the tree and synchronized over a wireless communication network.

Das System umfasst außerdem eine Steuereinheit für: die Identifizierung von Menschen und Objekten durch dezentrale Identitäten und die Null-Wissen-Überprüfung von Identifizierungen, Sensorinformationen und Aktuatoraktionen durch selektive Offenlegung unter Verwendung einer Technik der künstlichen Intelligenz; und die Förderung intelligenter Kontakte über das IoT und die Null-Wissen-Offenlegung für echte Single-Window-Offenlegung.The system also includes a controller for: identifying people and objects through distributed identities and zero-knowledge verification of identifiers, sensor information and actuator actions through selective disclosure using an artificial intelligence technique; and promoting intelligent contacts over the IoT and zero-knowledge disclosure for true single-window disclosure.

Das System umfasst außerdem eine Vorhersageeinheit für die gemeinsame Entscheidungsfindung im großen Maßstab unter Verwendung homomorpher Schlüssel und Techniken zur Wahrung der Privatsphäre ohne Wissen.The system also includes a predictor for large-scale collaborative decision-making using homomorphic keys and zero-knowledge privacy techniques.

In einer anderen Ausführungsform sendet ein Computerimplementierungsverfahren den öffentlichen Schlüssel, der mit einem bestimmten Knoten in einer zyklisch geordneten Menge von Knoten, die an einem Blockchain-Netzwerk teilnehmen, verbunden ist, durch den bestimmten Knoten an den Startknoten, und zwar zyklisch.In another embodiment, a computer-implemented method sends the public key associated with a particular node in a cyclically ordered set of nodes participating in a blockchain network through the particular node to the seed node, cyclically.

In einer anderen Ausführungsform mit dem Schritt des Empfangens eines ersten Wertes auf der Grundlage des öffentlichen Schlüssels, der mit jedem Knoten von dem bestimmten Knoten bis zum Startknoten verbunden ist, von dem Knoten, der dem bestimmten Knoten in der geordneten Menge unmittelbar vorausgeht, wobei mit dem Schritt des Bestimmens des Wertes von und des Sperrwertes auf der Grundlage des öffentlichen Schlüssels, der mit dem bestimmten Knoten verbunden ist, der Sperrwert verwendet wird, um die Ressource von der mit dem bestimmten Knoten verbundenen Quelladresse zu steuern.In another embodiment comprising the step of receiving, from the node immediately preceding the particular node in the ordered set, a first value based on the public key associated with each node from the particular node to the start node, wherein with the step of determining the value of and the lock value on the Based on the public key associated with the particular node, the lock value is used to control the resource from the source address associated with the particular node.

In einer anderen Ausführungsform umfasst das Computerimplementierungsverfahren Schritte zur Vorbereitung einer Transaktion, die so konfiguriert ist, dass sie an die Empfangsadresse des Knotens unmittelbar nach dem Knoten gesendet wird, wobei die Steuerung der Ressource entsprechend der Erfüllung der Ausführungsbedingungen, einschließlich der Lieferung des Entsperrwertes, der dem Sperrwert entspricht, übertragen wird.In another embodiment, the computer implementation method comprises steps for preparing a transaction configured to be sent to the receiving address of the node immediately following the node, controlling the resource according to the fulfillment of the execution conditions, including the delivery of the unlock value, the corresponds to the blocking value is transmitted.

In einer anderen Ausführungsform wird die Technik der künstlichen Intelligenz durch ein Trainingsmodell trainiert, wobei das Trainingsmodell umfasst: eine Eingabeeinheit zum Erfassen einer Vielzahl von Prototypbildern für das Modelltraining und einer Videobibliothek, wobei die Vielzahl von Prototypbildern die Zielszene umfasst und die Videobibliothek Identifikationsinformationen aufweist, die mit der Zielszene assoziiert sind, wobei die Vielzahl von eine ganze Zahl größer als 1 ist; eine Vorverarbeitungseinheit zum Erhalten einer Videobildbibliothek basierend auf der Videobibliothek, wobei die Videobildbibliothek eine Vielzahl von Videobildern umfasst eine Auswahlverarbeitungseinheit zum Auswählen eines Trainingsprobensatzes für ein Zielszenenerkennungsmodell aus der Vielzahl von Videobildern auf der Grundlage der Vielzahl von Prototypbildern und Verteilungsmerkmalen der Vielzahl von Videobildern, wobei der Trainingsprobensatz einen positiven Probensatz, der eine Zielszene enthält, und einen negativen Probensatz, der keine Zielszene enthält, umfasst; und eine Trainingseinheit zum Trainieren des Zielszenenerkennungsmodells unter Verwendung des Trainingsprobensatzes.In another embodiment, the artificial intelligence technique is trained by a training model, the training model comprising: an input unit for acquiring a plurality of prototype images for model training and a video library, the plurality of prototype images comprising the target scene and the video library having identification information that are associated with the target scene, the plurality of being an integer greater than 1; a pre-processing unit for obtaining a video image library based on the video library, the video image library comprising a plurality of video images, a selection processing unit for selecting a training sample set for a target scene recognition model from the plurality of video images based on the plurality of prototype images and distribution features of the plurality of video images, the training sample set a positive sample set containing a target scene and a negative sample set containing no target scene; and a training unit for training the target scene recognition model using the training sample set.

In einer anderen Ausführungsform ermöglicht ein verteiltes Netzwerkprotokoll Maschinen eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer sicheren und unsicheren Umgebung durch den Einsatz modernster kryptographischer Primitive, Mustererkennung und Umgebungswahrnehmung.In another embodiment, a distributed network protocol enables machines to rapidly synchronize state, data, and time in a secure and insecure environment through the use of advanced cryptographic primitives, pattern recognition, and environment awareness.

In einer anderen Ausführungsform wird eine gemeinsame Entscheidung unter Verwendung eines Abstimmungsmechanismus zwischen allen am Ökosystem beteiligten Agenten getroffen, indem mindestens N Agenten für die Abstimmung eingesetzt werden, wobei eine Aktion einer einzelnen Entität ohne Konsens der anderen Agenten im Netzwerk nicht zulässig ist, um zu verhindern, dass eine Aktion von dem Agenten missbraucht wird, wobei jeder Agent/Maschine eine Vielzahl von Attributen umfasst, die in dem Baum gespeichert sind, wobei die Vielzahl von Attributen Zeitstempel, StateRoot, StoreRoot, ActionRoot, Signatur, Netzwerkkennung und Agentenidentifikator umfasst.In another embodiment, a joint decision is made using a voting mechanism between all agents involved in the ecosystem, employing at least N agents to vote, disallowing any action by a single entity without consensus from the other agents in the network to prevent that an action is abused by the agent, each agent/machine including a plurality of attributes stored in the tree, the plurality of attributes including timestamp, state root, store root, action root, signature, network identifier, and agent identifier.

In einer anderen Ausführungsform ermöglicht eine zustandssynchronisierte Datenstruktur den Maschinen und den Hardwareschnittstellen, über kurze und lange Entfernungen unter Verwendung des Sub-1Ghz-Netzes über 5G und LoraWAN zu kommunizieren und synchron zu bleiben.In another embodiment, a state-synchronized data structure enables the machines and the hardware interfaces to communicate and stay in sync over short and long distances using the sub-1Ghz network over 5G and LoraWAN.

In einer anderen Ausführungsform umfasst das System eine volladditive kryptografische Recheneinheit für den Geofence von Anomalien, die auf einer Haversine-Funktion und einer BLS-Kurve basiert.In another embodiment, the system comprises a fully additive cryptographic computational unit for the geofence of anomalies based on a haversine function and a BLS curve.

In einer anderen Ausführungsform ist die Steuereinheit so konfiguriert, dass sie Objekte erkennt, die mit dem NATS-Nachrichtensystem betrieben werden, und robust gegenüber unausgewogenen Daten ist und Personen in Echtzeit neu identifiziert, was einer auf Gesichtserkennung basierenden Kodierung folgt, wobei die Vorhersageeinheit so konfiguriert ist, dass sie Entscheidungen trifft, notwendige Aktuator-Aktionen in Echtzeit durchführt und Informationen zwischen Maschinen unter Verwendung von Wahrnehmung, Sensoren, Aktuatoren und Umgebungsinformationen synchronisiert.In another embodiment, the control unit is configured to recognize objects operating with the NATS messaging system and is robust to imbalanced data and re-identifies individuals in real-time following face recognition-based coding, with the prediction unit configured to do so is that it makes decisions, performs necessary actuator actions in real time, and synchronizes information between machines using perception, sensors, actuators, and environmental information.

Ein Ziel der vorliegenden Offenlegung ist es, einen Vertrag mit einem einzigen Fenster und einem einzigen Dokument über die gesamte Lieferkette hinweg zu ermöglichen.A goal of the present disclosure is to enable a single window, single document contract throughout the supply chain.

Ein weiteres Ziel der vorliegenden Offenbarung ist die Bereitstellung eines wissensbasierten Mehrmieter- und Mehrbenutzersystems und die Integration mit dezentralen Maschinen und Geräten.Another objective of the present disclosure is to provide a knowledge-based multi-tenant and multi-user system and integration with distributed machines and devices.

Ein weiteres Ziel der vorliegenden Offenlegung ist es, eine automatische Überprüfung der Konformität durch auf dem Gerät verfügbare Metadaten zu ermöglichen und integrierte KI und Analytik bereitzustellen.Another goal of the present disclosure is to enable automatic compliance verification through metadata available on the device and to provide integrated AI and analytics.

Ein weiteres Ziel der vorliegenden Offenbarung ist die Offline-Erfassung von Geräte- und Flottendaten und die Integration von elektronischen Überwachungsdaten in den Vertrag zur Produkt- und Prozessü berprüfu ng.Another objective of the present disclosure is the off-line collection of equipment and fleet data and the integration of electronic monitoring data into the contract for product and process verification.

Ein weiteres Ziel der vorliegenden Offenbarung ist es, Entscheidungen zu treffen und die notwendigen Aktionen in Echtzeit durchzuführen sowie Informationen zwischen Maschinen zu synchronisieren.Another goal of the present disclosure is to make decisions and perform the necessary actions in real time and to synchronize information between machines.

Ein weiteres Ziel der vorliegenden Erfindung ist es, ein schnelles und kosteneffizientes System bereitzustellen, das eine bessere Entscheidungsfindung, genaue Aktuator-Aktionen und eine schnellere Reaktionszeit in nicht sicheren Umgebungen mit mehreren Geräten ermöglicht und ein höheres Maß an Sicherheit, Datenschutz und Datenintegrität bietet, ohne die Skalierbarkeit in nicht sicheren, unbekannten Umgebungen zu beeinträchtigen.Another object of the present invention is to provide a fast and cost-effective system that enables better decision-making, accurate actuator actions, and faster response time in non-secure multi-device environments, and provides higher levels of security, privacy, and data integrity without Compromise scalability in non-secure, unknown environments.

Zur weiteren Verdeutlichung der Vorteile und Merkmale der vorliegenden Offenbarung wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen gegeben, die in den beigefügten Figuren dargestellt sind. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.In order to further clarify the advantages and features of the present disclosure, a more detailed description of the invention is provided by reference to specific embodiments that are illustrated in the accompanying figures. It is understood that these figures represent only typical embodiments of the invention and therefore should not be considered as limiting the scope of the invention. The invention will be described and illustrated with additional specificity and detail with the accompanying figures.

Figurenlistecharacter list

Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung mit Bezug auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines Multi-Assistenzsystems für die automatische Entscheidungsfindung in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung zeigt;
2 die Architektur des Trainingsmodells gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt; und
3 zeigt Maschinen, die über ein dezentrales Netz gemäß einer Ausführungsform der vorliegenden Offenbarung verbunden sind.

These and other features, aspects, and advantages of the present disclosure will be better understood when the following detailed description is read with reference to the accompanying figures, in which like characters represent like parts throughout the figures, wherein:

1 Figure 12 shows a block diagram of a multi-assistance system for automated decision making in accordance with an embodiment of the present disclosure;
2 Figure 12 shows the architecture of the training model according to an embodiment of the present disclosure; and
3 10 shows machines connected via a distributed network in accordance with an embodiment of the present disclosure.

Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.Those skilled in the art will understand that the elements in the figures are presented for simplicity and are not necessarily drawn to scale. For example, the flow charts illustrate the method of key steps to enhance understanding of aspects of the present disclosure. In addition, one or more components of the device may be represented in the figures by conventional symbols, and the figures only show the specific details relevant to understanding the embodiments of the present disclosure, not to encircle the figures with details to overload, which are easily recognizable to those skilled in the art familiar with the present description.

AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION

Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.For the purposes of promoting an understanding of the invention, reference will now be made to the embodiment illustrated in the figures and specific language will be used to describe the same. It should be understood, however, that no limitation on the scope of the invention is intended, and such alterations and further modifications to the illustrated system and such further applications of the principles of the invention set forth therein are contemplated as would occur to those skilled in the art invention would normally come to mind.

Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.It will be understood by those skilled in the art that the foregoing general description and the following detailed description are exemplary and explanatory of the invention and are not intended to be limiting.

Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.When this specification refers to "an aspect," "another aspect," or the like, it means that a particular feature, structure, or characteristic described in connection with the embodiment is present in at least one embodiment included in the present disclosure. Therefore, the phrases "in one embodiment," "in another embodiment," and similar phrases throughout this specification may or may not all refer to the same embodiment.

Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.The terms "comprises," "including," or other variations thereof are intended to cover non-exclusive inclusion, such that a method or method that includes a list of steps includes not only those steps, but may also include other steps that are not expressly stated or pertaining to any such process or method. Likewise, any device or subsystem or element or structure or component preceded by "comprises...a" does not, without further limitation, exclude the existence of other devices or other subsystem or other element or other structure or other component or additional device or additional subsystems or additional elements or additional structures or additional components.

Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.Unless otherwise defined, all technical and scientific terms used herein have the same meaning as commonly understood by one skilled in the art to which this invention pertains. The system, methods and examples given here are for illustrative purposes only and are not intended to be limiting.

Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.Embodiments of the present disclosure are described in detail below with reference to the attached figures.

In 1 ist ein Blockdiagramm eines Multi-Assistenzsystems zur automatischen Entscheidungsfindung gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt. Das System 100 umfasst eine terrestrische Synchronisations- und Xerograph-Verarbeitungseinheit 102 für ein Offline-zu-Online-Synchronisationsprotokoll, das eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer Pfropfumgebung ermöglicht.In 1 1 is a block diagram of a multi-assistance automated decision making system according to an embodiment of the present disclosure. The system 100 includes a terrestrial synchronization and xerograph processing unit 102 for an offline-to-online synchronization protocol that enables fast state, data and time synchronization in a plugging environment.

In einer Ausführungsform umfasst eine Zerographen-Verarbeitungseinheit 104 einen Zustandsgraphenbaum zum Speichern, Überprüfen und Erstellen von Einfüge- und Synchronisationsnachweisen über die Wurzeln des Baums und zum Synchronisieren über ein drahtloses Kommunikationsnetz.In one embodiment, a zeroograph processing unit 104 includes a state graph tree for storing, checking, and creating insertion and synchronization evidence about the roots of the tree and for synchronizing over a wireless communication network.

In einer Ausführungsform wird eine Steuereinheit 106 für die Identifizierung von Menschen und Objekten durch dezentrale Identitäten und Null-Wissen-Überprüfung von Identifizierungen, Sensorinformationen und Aktuator-Aktionen durch selektive Offenlegung unter Verwendung einer Technik der künstlichen Intelligenz und Förderung von intelligentem Kontakt über IoT und Null-Wissen-Offenlegung für echte Single-Window-Offenlegung verwendet.In one embodiment, a controller 106 is used for identifying people and objects through distributed identities and zero-knowledge verification of identifiers, sensor information, and actuator actions through selective disclosure using an artificial intelligence technique and promoting intelligent contact over IoT and zero -Knowledge disclosure used for true single window disclosure.

In einer Ausführungsform ist eine Vorhersageeinheit 108 mit der Steuereinheit 106 verbunden, um eine gemeinsame Entscheidungsfindung im großen Maßstab unter Verwendung von homomorphen Schlüsseln und Techniken zur Wahrung der Privatsphäre ohne Wissen zu ermöglichen.In one embodiment, a prediction unit 108 is coupled to the control unit 106 to enable large-scale collaborative decision making using homomorphic keys and unknowledgeable privacy techniques.

In einer anderen Ausführungsform mit dem Schritt des Empfangens eines ersten Wertes auf der Grundlage des öffentlichen Schlüssels, der mit jedem Knoten von dem bestimmten Knoten bis zum Startknoten verbunden ist, von dem Knoten, der dem bestimmten Knoten in der geordneten Menge unmittelbar vorausgeht, wobei mit dem Schritt des Bestimmens des Wertes von und des Sperrwertes auf der Grundlage des öffentlichen Schlüssels, der mit dem bestimmten Knoten verbunden ist, der Sperrwert verwendet wird, um die Ressource von der mit dem bestimmten Knoten verbundenen Quelladresse zu steuern.In another embodiment comprising the step of receiving, from the node immediately preceding the particular node in the ordered set, a first value based on the public key associated with each node from the particular node to the start node, wherein with the step of determining the value of and the lock value based on the public key associated with the particular node, the lock value being used to control the resource from the source address associated with the particular node.

In einer anderen Ausführungsform wird eine gemeinsame Entscheidung unter Verwendung eines Abstimmungsmechanismus zwischen allen am Ökosystem beteiligten Agenten getroffen, indem mindestens N Agenten für die Abstimmung eingesetzt werden, wobei eine einzelne Entitätsaktion ohne Konsens der anderen Agenten im Netz unzulässig ist, um zu verhindern, dass eine Aktion von dem Agenten missbraucht wird, wobei jeder Agent/Maschine eine Vielzahl von Attributen umfasst, die in dem Baum gespeichert sind, wobei die Vielzahl von Attributen Zeitstempel, StateRoot, StoreRoot, ActionRoot, Signatur, Netzwerkkennung und Agentenidentifikator umfasst.In another embodiment, a joint decision is made using a voting mechanism between all agents involved in the ecosystem, employing at least N agents to vote, disallowing a single entity action without consensus from the other agents in the network to prevent a Action is abused by the agent, each agent/machine including a plurality of attributes stored in the tree, the plurality of attributes including timestamp, state root, store root, action root, signature, network identifier, and agent identifier.

In einer anderen Ausführungsform ist die Steuereinheit 106 so konfiguriert, dass sie Objekte erkennt, die mit dem NATS-Nachrichtensystem laufen, und robust gegenüber unausgewogenen Daten ist und Personen in Echtzeit neu identifiziert, was einer auf Gesichtserkennung basierenden Kodierung folgt, wobei die Vorhersageeinheit 108 so konfiguriert ist, dass sie Entscheidungen trifft, notwendige Aktuator-Aktionen in Echtzeit durchführt und Informationen zwischen Maschinen unter Verwendung von Wahrnehmung, Sensoren, Aktuatoren und Umgebungsinformationen synchronisiert.In another embodiment, the control unit 106 is configured to recognize objects running the NATS messaging system and is robust to imbalanced data and re-identifies people in real-time following face recognition-based coding, with the prediction unit 108 so configured to make decisions, perform necessary actuator actions in real time, and provide information synchronized between machines using perception, sensors, actuators and environmental information.

2 veranschaulicht die Architektur des Trainingsmodells in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung. Die Technik der künstlichen Intelligenz wird durch ein Trainingsmodell trainiert, wobei das Trainingsmodell eine Eingabeeinheit 202 zum Erfassen einer Vielzahl von Prototypbildern für das Modelltraining und eine Videobibliothek umfasst, wobei die Vielzahl von Prototypbildern die Zielszene umfasst und die Videobibliothek Identifikationsinformationen aufweist, die mit der Zielszene verbunden sind, wobei die Vielzahl von eine ganze Zahl größer als 1 ist. 2 1 illustrates the architecture of the training model in accordance with an embodiment of the present disclosure. The artificial intelligence technique is trained by a training model, the training model comprising an input unit 202 for capturing a plurality of prototype images for model training and a video library, the plurality of prototype images comprising the target scene and the video library having identification information associated with the target scene are where the plurality of is an integer greater than 1.

In einer Ausführungsform ist eine Vorverarbeitungseinheit 204 mit der Eingabeeinheit 202 verbunden, um eine Videobildbibliothek basierend auf der Videobibliothek zu erhalten, wobei die Videobildbibliothek eine Vielzahl von Videobildern umfasst.In one embodiment, a pre-processing unit 204 is coupled to the input unit 202 to obtain a video image library based on the video library, the video image library including a plurality of video images.

In einer Ausführungsform ist eine Auswahlverarbeitungseinheit 206 mit der Vorverarbeitungseinheit 204 verbunden, um einen Trainingsmustersatz für ein Zielszenenerkennungsmodell aus der Vielzahl von Videobildern auf der Grundlage der Vielzahl von Prototypbildern und Verteilungsmerkmalen der Vielzahl von Videobildern auszuwählen, wobei der Trainingsmustersatz einen Positivmustersatz mit einer Zielszene und einen Negativmustersatz ohne eine Zielszene umfasst.In one embodiment, a selection processing unit 206 is coupled to the pre-processing unit 204 to select a training pattern set for a target scene recognition model from the plurality of video images based on the plurality of prototype images and distribution characteristics of the plurality of video images, the training pattern set including a positive pattern set having a target scene and a negative pattern set without a target scene.

In einer Ausführungsform ist eine Trainingseinheit 208 mit der Auswahlverarbeitungseinheit 206 verbunden, um das Zielszenenerkennungsmodell unter Verwendung des Trainingsmustersatzes zu trainieren.In one embodiment, a training unit 208 is coupled to the selection processing unit 206 to train the target scene recognition model using the training pattern set.

Das System 100 besteht aus Maschinen, die in Echtzeit Entscheidungen treffen, notwendige Aktuator-Aktionen durchführen und Informationen zwischen den Maschinen mit Hilfe von Wahrnehmung, Sensoren, Aktuatoren und Umgebungsinformationen synchronisieren, um eine bessere Entscheidungsfindung, präzise Aktuator-Aktionen und eine schnellere Reaktionszeit in unsicheren Umgebungen mit mehreren Geräten zu ermöglichen, ohne dass die Skalierbarkeit in unsicheren, unbekannten Umgebungen beeinträchtigt wird.The system 100 consists of machines that make real-time decisions, perform necessary actuator actions, and synchronize information between machines using perception, sensors, actuators, and environmental information for better decision making, precise actuator actions, and faster response time in uncertain situations Enable multi-device environments without compromising scalability in uncertain, unknown environments.

Die Arbeit gliedert sich in die folgenden Abschnitte.

1. Terrestrial Sync(™) & XeroGraphs
a. Ein Offline-zu-Online-Synchronisationsprotokoll, das eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer Transplantationsumgebung durch Zerographs(™) ermöglicht.
2. Zerographs
a. Zustandsgraphenbaum, der eine Version des Sparse-Merkle-Baums ist und zum Speichern, Überprüfen und Erstellen von Einfüge- und Synchronisierungsnachweisen über die Wurzeln des Baums verwendet wird.
b. Synchronisierung über das drahtlose Netzwerk 5G und LoRaWAN.
3. AI
a. Identifizierung von Menschen und Objekten durch dezentrale Identitäten
b. Nullwissen Verifizierung von Identifikationen, Sensorinformationen und Aktuatoraktionen durch selektive Offenlegung.
4. Intelligente IoT-Kontakte und Zero Knowledge Disclosure für echte Single Window Disclosure.
5. Gemeinsame Entscheidungsfindung im großen Maßstab mit homomorphen Schlüsseln und Techniken zur Wahrung der Privatsphäre ohne Wissen. Um die Instanz auf einer Skala zu beweisen, wird eine Plattform in Hardware und Software unterteilt.

The work is divided into the following sections.

1. Terrestrial Sync(™) & XeroGraphs
a. An offline-to-online synchronization protocol that enables rapid state, data, and time synchronization in a transplant environment through Zerographs(™).
2. Zerographs
a. State graph tree, which is a version of the sparse-Merkle tree and is used to store, verify, and create evidence of insertion and synchronization about the roots of the tree.
b. Synchronization over 5G wireless network and LoRaWAN.
3.AI
a. Identification of people and objects through decentralized identities
b. Zero knowledge verification of identifications, sensor information and actuator actions through selective disclosure.
4. Intelligent IoT contacts and Zero Knowledge Disclosure for true Single Window Disclosure.
5. Large-scale shared decision-making using homomorphic keys and zero-knowledge privacy techniques. To prove instance on a scale, a platform is divided into hardware and software.

Im Folgenden werden einige der in den Papieren verwendeten Definitionen und Begriffe genannt:

Whitelist-Mitglied: Jede Organisation oder jeder Benutzer, der als Mensch definiert ist und über eine Berechtigung zum Hinzufügen im System verfügt, wird als „Whitelist Member“ bezeichnet. Jedes Whitelist-Mitglied hat über die mobile Anwendung Zugriff auf die Organisation. Administratoren der obersten Ebene haben Zugriff auf das mobile Dashboard, das Web-Dashboard und das elektronisch gestützte Dashboard.
Mitglied auf der schwarzen Liste: Jeder Mensch, der sich nicht am Standort der Organisation aufhalten darf und der aufgespürt werden muss, wird als Mitglied der schwarzen Liste behandelt. Die Identität des Mitglieds kann bekannt oder unbekannt sein. Im Falle einer unbekannten Identität wird dem Mitglied eine temporäre Kennung zugewiesen, um es verfolgen zu können.
Unbekanntes Mitglied: Ein nicht identifizierter Mensch in den Räumlichkeiten. Der Mensch muss vom System aus der allgemeinen Datenbank identifiziert werden oder wird als „Schwarze Liste“ mit einem zu lösenden Problem in der Liste markiert.
Whitelist-Fahrzeug: Jedes benutzerdefinierte oder markierte Fahrzeug, das im System mit der Berechtigung zum Hinzufügen identifiziert wird, wird als „Whitelist“-Fahrzeug bezeichnet. Jedes Fahrzeug ist Teil des Fuhrparks der Organisation. Jedes Fahrzeug ist mit einem Fahrer verbunden, der auf der Whitelist steht, und mit einem Gerät, das zur Verfolgung des Geräts hinzugefügt wird.
Fahrzeug auf der schwarzen Liste: Jedes Fahrzeug, das aufgespürt, geprüft und verfolgt werden muss oder das nicht auf dem Gelände der Organisation zugelassen werden sollte, wird als Fahrzeug auf der schwarzen Liste gekennzeichnet. Jedes Fahrzeug, das mit einem auf der schwarzen Liste stehenden Mitglied gefahren wird, wird ebenfalls in diesem Bereich gekennzeichnet. Das Fahrzeug wird mit dem zugehörigen Vorfall gekennzeichnet oder es wird ein Vorfall zur Lösung erstellt.
Unbekanntes Fahrzeug: Jedes nicht identifizierte Fahrzeug, das auf das Gelände der Organisation kommt, muss vom System aus der allgemeinen Datenbank identifiziert werden oder wird als „Schwarze Liste“ mit einem zu lösenden Problem in der Liste markiert.
Nachweis der Existenz: Existenz eines bestimmten Menschen an einem bestimmten Ort zu einer bestimmten Zeit, bestätigt mit Biohash auf der Rückseite.
Identität: Die Identität, die mit jedem Mitglied, Gerät und jeder Organisation assoziiert ist und die durch ihre did's eindeutig aufgelöst werden kann.
DID: Dezentrale Identität, die dem Mitglied, dem Gerät oder der Organisation zugewiesene eindeutige Kennung, die einen eindeutigen Fußabdruck und eine eindeutige Signatur im System aufweist.
Akzeptierte Geräte: Liste der akzeptierten Geräte und Protokolle im System.
Einchecken: Als Einchecken wird allgemein bezeichnet, wenn sich ein Mensch zum Zwecke der Überprüfung und Anmeldung am System identifiziert.
Flotte: Eine Flotte ist eine Gruppe von Fahrzeugen, die eine gemeinsame Aufgabe erfüllen, ein bestimmtes Paket transportieren oder sich zwischen bestimmten Orten bewegen.
Datenprüfung: Jede Anfrage wird mit der Signatur des Anrufers protokolliert und die Erstellung der Blockchain wird mit der Signatur aller Beteiligten im System protokolliert. Der Datenzugriff wird protokolliert und zu Prüfzwecken in den Allzweck-Blockchains aufbewahrt.
Datenreplikation: Alle Daten werden auf mindestens 2n+1/2 Knoten repliziert, wobei n die Fehlerakzeptanz mit n>2 ist.
Datenüberprüfung: Alle Daten haben eine zugehörige DID und die Signatur der jeweiligen DID.
DeviceDID: Jedem Gerät im System wird ein eindeutiger dezentraler Identifikator zugewiesen, die Daten werden von dem Gerät bei der Aufnahme signiert und an die P2P-Schicht weitergeleitet
MemberDID: Jedem Mitglied im System wird ein eindeutiger dezentraler Identifikator (DID) zugewiesen, die Mitgliederdaten werden signiert und zur Verarbeitung an das System gesendet.
VehicleDID: Jedem Fahrzeug im System wird ein eindeutiger dezentraler Identifikator zugewiesen, die Fahrzeugdaten werden signiert und an die nächstgelegene Edge-Unit zur Informationsverarbeitung gesendet.
FleetDid: Jeder Flotte im System wird ein eindeutiger dezentraler Identifikator zugewiesen, eine Flotte ist eine Gruppe von Fahrzeugen. Die FleetDid wird verwendet, um Fahrzeuge nach Typen, Standorten und Anweisungen zu gruppieren.
Staaten : Mitglied | Gerät | Fahrzeug: Beschreibt den aktuellen Zustand der Einheit im System.
Konsens: Eine gemeinsame Vereinbarung zwischen einer oder mehreren Einheiten oder Identitäten im System, die einen gemeinsamen Daten- oder Systemzustand vereinbart.

The following are some of the definitions and terms used in the papers:

Whitelist Member: Any organization or user that is defined as a human and has permission to add in the system is referred to as a “Whitelist Member”. Each whitelist member has access to the organization through the mobile application. Top-level administrators have access to the mobile dashboard, the web dashboard, and the electronic dashboard.
Blacklisted Member: Any individual who is not permitted on the organization's premises and who needs to be tracked down will be treated as a blacklisted member. The member's identity may be known or unknown. In the case of an unknown identity, the member will be assigned a temporary identifier in order to be able to track them.
Unidentified Member: An unidentified human on the premises. The human must be identified by the system from the general database or will be marked as "Black List" with a problem to be solved in the list.
Whitelist Vehicle: Any custom or tagged vehicle identified in the system with permission to add is referred to as a "whitelisted" vehicle. Each vehicle is part of the organization's fleet. Each vehicle is connected to a driver who is whitelisted and to a device that is added to track the device.
Blacklisted Vehicle: Any vehicle that requires detection, inspection and tracking, or that should not be allowed on the organization's premises, will be marked as a blacklisted vehicle. Any vehicle driven with a blacklisted member will also be flagged in this area. The vehicle is tagged with the associated incident or an incident is created for resolution.
Unidentified Vehicle: Any unidentified vehicle entering the organization's premises must be identified by the system from the general database or will be marked as "Black List" with a problem to be solved in the list.
Proof of Existence: Existence of a specific human being in a specific place at a specific time, confirmed with biohash on the back.
Identity: The identity associated with each member, device, and organization, which can be uniquely resolved by their did's.
DID: Decentralized Identity, the unique identifier assigned to the member, device, or organization that has a unique footprint and signature in the system.
Accepted Devices: List of accepted devices and protocols in the system.
Check-in: Check-in is commonly referred to when a human identifies themselves for the purposes of verification and logging into the system.
Fleet: A fleet is a group of vehicles performing a common task, transporting a specific package, or moving between specific locations.
Data verification: Each request is logged with the signature of the caller and the creation of the blockchain is logged with the signature of everyone involved in the system. Data access is logged and retained on the general purpose blockchains for auditing purposes.
Data Replication: All data is replicated to at least 2n+1/2 nodes, where n is the error acceptance with n>2.
Data verification: All data has an associated DID and the signature of the respective DID.
DeviceDID: Each device in the system is assigned a unique decentralized identifier, the data is signed by the device upon ingestion and forwarded to the P2P layer
MemberDID: Each member in the system is assigned a unique decentralized identifier (DID), member data is signed and sent to the system for processing.
VehicleDID: Each vehicle in the system is assigned a unique decentralized identifier, the vehicle data is signed and sent to the nearest edge unit for information processing.
FleetDid: Each fleet in the system is assigned a unique decentralized identifier, a fleet is a group of vehicles. The FleetDid is used to group vehicles by types, locations and directions.
States : Member | device | Vehicle: Describes the current state of the unit in the system.
Consensus: A common agreement between one or more entities or identities in the system that agrees on a common data or system state.

Dezentrales ProtokollDecentralized protocol

Ein Computerimplementierungsverfahren sendet den öffentlichen Schlüssel, der mit einem bestimmten Knoten in einer zyklisch geordneten Menge von Knoten, die an einem Blockchain-Netzwerk teilnehmen, verbunden ist, an den Startknoten; durch den bestimmten Knoten, sagte zyklisch. Mit dem Schritt des Empfangens eines ersten Wertes auf der Grundlage des öffentlichen Schlüssels, der jedem Knoten zugeordnet ist, von dem bestimmten Knoten an den Startknoten von dem Knoten, der dem bestimmten Knoten in der geordneten Menge unmittelbar vorausgeht; mit dem Schritt des Bestimmens des Wertes von und des Sperrwertes auf der Grundlage des öffentlichen Schlüssels, der dem bestimmten Knoten zugeordnet ist; Verwenden des Sperrwertes, um die Ressource von der dem bestimmten Knoten zugeordneten Quelladresse zu steuern. Beinhaltet Schritte zur Vorbereitung einer Transaktion, die so konfiguriert ist, dass sie an die Empfangsadresse des dem Knoten unmittelbar folgenden Knotens gesendet wird. Die Steuerung der Ressource wird entsprechend der Erfüllung der Ausführungsbedingungen übertragen, einschließlich der Lieferung des Entsperrwertes, der dem Sperrwert entspricht.A computer implementation method sends the public key associated with a particular node in a cyclically ordered set of nodes participating in a blockchain network to the seed node; through the specific node, said cyclically. The step of receiving a first value based on the public key associated with each node from the particular node at the starting node from the node immediately preceding the particular node in the ordered set; the step of determining the value of and the lock value based on the public key associated with the particular node; Using the lock value to control the resource from the source address associated with the particular node. Includes steps to prepare a transaction that is configured to be sent to the receiving address of the node immediately following the node. Control of the resource is transferred according to the fulfillment of the execution conditions, including the delivery of the unlock value that corresponds to the lock value.

AIAl

Die vorliegende Offenbarung stellt ein Modelltrainingsverfahren, ein Szenenerkennungsverfahren, ein Computergerät und ein Medium zur Verfügung. Das Trainingsverfahren umfasst die folgenden Schritte: Erfassen von N Prototypbildern für das Modelltraining und einer Videobibliothek, wobei die N Prototypbilder die Zielszene umfassen und die Videobibliothek Identifikationsinformationen aufweist, die der Zielszene zugeordnet sind, wobei N eine ganze Zahl größer als 1 ist; Erhalten einer Videobildbibliothek basierend auf der Videobibliothek, wobei die Videobildbibliothek eine Vielzahl von Videobildern umfasst; Auswählen eines Trainingsmustersatzes für ein Zielszenenerkennungsmodell aus der Vielzahl von Videobildern auf der Grundlage der N Prototypbilder und Verteilungsmerkmale der Vielzahl von Videobildern, wobei der Trainingsmustersatz einen Positivmustersatz, der eine Zielszene enthält, und einen Negativmustersatz, der keine Zielszene enthält, umfasst; und Trainieren des Zielszenenerkennungsmodells unter Verwendung des Trainingsmustersatzes.The present disclosure provides a model training method, a scene recognition method, a computing device, and a medium. The training method includes the steps of: acquiring N prototype images for model training and a video library, the N prototype images comprising the target scene and the video library having identification information associated with the target scene, where N is an integer greater than 1; obtaining a video image library based on the video library, the video image library including a plurality of video images; selecting a training pattern set for a target scene recognition model from the plurality of video images based on the N prototype images and distribution characteristics of the plurality of video images, the training pattern set including a positive pattern set containing a target scene and a negative pattern set not containing a target scene; and training the target scene recognition model using the training pattern set.

3 zeigt Maschinen, die über ein dezentrales Netz gemäß einer Ausführungsform der vorliegenden Offenbarung verbunden sind. Ein verteiltes Netzwerkprotokoll, das Maschinen eine schnelle Zustands-, Daten- und Zeitsynchronisation in einer sicheren und unsicheren Umgebung durch die Verwendung von kryptographischen Primitiven nach dem Stand der Technik, Mustererkennung und Umgebungswahrnehmung ermöglicht.

1. Fähigkeit der Maschinen, auf der Grundlage der im System dargestellten Zustände Entscheidungen zu treffen und die erforderlichen Maßnahmen durch Aktoren durchzuführen.
2. Unveränderlicher Datenspeicher mit zeitstempelbasierten Attributen, um Daten- und Aktionsmanipulationen zu verhindern.
3. Maschinen können mit spärlichen Knoten skaliert werden, die nur Teilinformationen der benachbarten Knoten enthalten.
4. Eine gemeinsame Entscheidung wird mittels eines Abstimmungsmechanismus zwischen allen am Ökosystem beteiligten Akteuren getroffen
5. Damit die Abstimmung stattfinden kann, müssen sich mindestens N Bearbeiter im System befinden.
6. In Ermangelung von N Agenten im Netz kann eine einzelne Einheit keine Aktion durchführen, ohne dass die anderen Agenten im Netz zustimmen. Damit soll verhindert werden, dass eine Aktion von einem Agenten missbraucht wird.
7. Jeder Agent/Maschine hat die folgenden Attribute im Baum gespeichert
1. a. Zeitstempel.
2. b. StateRoot
3. c. StoreRoot
4. d. Action Root
5. e. Unterschrift
6. f. Netzwerk-Kennung
7. g. Kennung des Agenten

3 10 shows machines connected via a distributed network in accordance with an embodiment of the present disclosure. A distributed network protocol that allows machines to have rapid state, data, and time synchronization in a secure and insecure environment through the use of state-of-the-art cryptographic primitives, pattern recognition, and environment awareness.

1. Ability of the machines to make decisions based on the states represented in the system and to carry out the necessary actions through actuators.
2. Immutable data store with timestamp based attributes to prevent data and action tampering.
3. Machines can be scaled with sparse nodes containing only partial information of neighboring nodes.
4. A joint decision is made through a voting mechanism between all actors involved in the ecosystem
5. There must be at least N agents in the system for the reconciliation to take place.
6. In the absence of N agents in the network, a single entity cannot take any action without the consent of the other agents in the network. This is to prevent an action from being misused by an agent.
7. Each agent/machine has the following attributes stored in the tree
1. a. Time stamp.
2. b. StateRoot
3. c. StoreRoot
4. i.e. ActionRoot
5. e. Signature
6. f. Network identifier
7. G. Agent identifier

Sync über 5G und LoraWAN ermöglichenEnable sync over 5G and LoraWAN

Eine zustandssynchronisierte Datenstruktur, die es den Maschinen und den Hardwareschnittstellen ermöglicht, über kurze und lange Entfernungen über das Sub-1Ghz-Netz zu kommunizieren und synchron zu bleiben.A state-synchronized data structure that allows the machines and the hardware interfaces to communicate and stay in sync over short and long distances over the sub-1Ghz network.

Zustandsgraphenbaum, der eine Version des Merkle-Baums ist und zum Speichern, Überprüfen und Erstellen von Einfüge- und Synchronisierungsnachweisen über die Wurzeln des Baums verwendet wird.State graph tree, which is a version of the Merkle tree and is used to store, verify, and create proof of insertion and synchronization about the roots of the tree.

Sparse Merkle Tree und Light Weight Nodes, die nur die Wurzelknoten aller Bäume im System enthalten.Sparse Merkle Tree and Light Weight Nodes, which contain only the root nodes of all trees in the system.

Zeuge: Personen oder Rechner, die die Signatur im Netz gesehen haben.Witness: People or computers who have seen the signature on the web.

Einfachster Mechanismus der Synchronabstimmung - N - N>=5.Simplest synchro-tuning mechanism - N - N>=5.

Der Sensor umfasst visuelle Daten, Audiokanäle, Infrarotdaten, IMU-Daten (Inertial Measurement Unit) und GPS-Daten. Es wird ein Mesh-Netzwerk geschaffen, was bedeutet, dass jeder Knoten (Maschine) zum kooperativen Ökosystem des Netzwerks beiträgt.The sensor includes visual data, audio channels, infrared data, IMU (Inertial Measurement Unit) data and GPS data. A mesh network is created, meaning that each node (machine) contributes to the network's cooperative ecosystem.

In einer Ausführungsform umfasst der Datenspeicher einen Offline-Speicher - Festplatte - und einen Online-Speicher - Schlüsselwertspeicher.In one embodiment, the data store comprises offline storage - hard disk - and online storage - key-value store.

In einer anderen Ausführungsform umfassen maschinengestützte Schlussfolgerungen eine Objekterkennung in Echtzeit, die neuartige Funktionen zur Aktivierung künstlicher Neuronen, zum Tracking und zur Identifizierung und Erkennung von Gesichtern nutzt.In another embodiment, machine-aided reasoning includes real-time object detection that leverages novel artificial neuron activation, tracking, and face identification and recognition capabilities.

In einer anderen Ausführungsform wird ein vollständig additives kryptografisches Rechensystem für den Geofence von Anomalien verwendet, das auf der Haversine-Funktion und der BLS-Kurve basiert. Zur Erkennung von Objekten wird ein Computermodul verwendet, das mit dem NATS-Nachrichtensystem läuft und robust gegenüber unausgewogenen Daten ist. Das Computermodul wird zur Re-Identifizierung von Personen in Echtzeit verwendet, die auf der Grundlage der Gesichtserkennung kodiert wird. Das Datenverarbeitungsmodul erkennt benutzerdefinierte Aktivitäten.In another embodiment, a fully additive cryptographic computational system based on the haversine function and the BLS curve is used for the geofence of anomalies. A Com uses a computer module that runs on the NATS messaging system and is robust to unbalanced data. The computer module is used for real-time re-identification of people, which is encoded based on facial recognition. The data processing engine recognizes user-defined activities.

Zunächst wird das Problem der dynamischen Aufteilung von Ressourcen auf eine Reihe von Optionen in einem Worst-Case-Online-Rahmen interpretiert. Das System wird als eine breite, abstrakte Erweiterung des gut untersuchten Online-Vorhersagemodells auf ein allgemeines entscheidungstheoretisches Umfeld interpretiert. Es wird festgestellt, dass die Littlestone-Warmuth-Regel der multiplikativen Gewichtsaktualisierung an dieses Modell angepasst werden kann, was in einigen Fällen zu etwas schwächeren Schranken führt, die jedoch für eine wesentlich allgemeinere Klasse von Lernproblemen gelten. Es wird beobachtet, wie die resultierende Lerntechnik auf eine Vielzahl von Problemen angewendet werden kann, einschließlich Glücksspiel, Vorhersage mehrerer Ergebnisse, wiederholte Spiele und Vorhersage von Punkten in Rn. Zweitens wird eine Technik der multiplikativen Gewichtsaktualisierung angewandt, um ein neues Boosting-Verfahren abzuleiten. Dieses Boosting-Verfahren erfordert keine Vorkenntnisse über die Leistung des schwachen Lernverfahrens. Die Verallgemeinerung der neuen Boosting-Technik wird auf das Problem des Lernens von Funktionen untersucht, deren Bereich nicht binär ist, sondern eine beliebige endliche Menge oder ein begrenztes Segment der reellen Linie.First, the problem of dynamically allocating resources across a range of options is interpreted in a worst-case online framework. The system is interpreted as a broad, abstract extension of the well-studied online prediction model to a general decision-theoretic environment. It is found that the Littlestone-Warmuth rule of multiplicative weight update can be fitted to this model, resulting in somewhat weaker bounds in some cases, but applicable to a much more general class of learning problems. It is observed how the resulting learning technique can be applied to a variety of problems, including gambling, prediction of multiple outcomes, repeated games, and prediction of points in Rn. Second, a multiplicative weight update technique is applied to derive a new boosting procedure. This boosting technique requires no prior knowledge of the performance of the weak learning technique. The generalization of the new boosting technique is studied to the problem of learning functions whose domain is not binary but any finite set or bounded segment of the real line.

Das entwickelte System 100 erleichtert die Objekterkennung auf der Grundlage des tiefen Lernens und hat sehr gute Leistungen erzielt. Allerdings gibt es bei realen Aufnahmen viele Probleme mit Bildern, wie z. B. Rauschen, Unschärfe und Rotationsschwankungen. Diese Probleme haben einen großen Einfluss auf die Objekterkennung. Am Beispiel von Verkehrsschildern werden Bildverschlechterungsmodelle erstellt, die auf dem YOLO-Netzwerk basieren und traditionelle Bildverarbeitungsmethoden kombinieren, um die Probleme zu simulieren, die bei realen Aufnahmen auftreten. Nach der Erstellung der verschiedenen Degradationsmodelle werden die Auswirkungen der verschiedenen Degradationsmodelle auf die Objekterkennung verglichen. Das YOLO-Netzwerk wird verwendet, um ein robustes Modell zu trainieren, das die durchschnittliche Genauigkeit (AP) der Verkehrszeichenerkennung in realen Szenen verbessert.The developed system 100 facilitates object recognition based on deep learning and has achieved very good performances. However, in real shooting, there are many problems with images, such as B. noise, blur and rotational fluctuations. These problems have a major impact on object detection. Using traffic signs as an example, image degradation models are built based on the YOLO network, combining traditional image processing methods to simulate the problems encountered in real images. After the creation of the different degradation models, the effects of the different degradation models on the object detection are compared. The YOLO network is used to train a robust model that improves the average accuracy (AP) of traffic sign recognition in real scenes.

Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.The figures and the preceding description give examples of embodiments. Those skilled in the art will understand that one or more of the elements described may well be combined into a single functional element. Alternatively, certain elements can be broken down into multiple functional elements. Elements from one embodiment may be added to another embodiment. For example, the order of the processes described herein may be changed and is not limited to the manner described herein. Additionally, the actions of a flowchart need not be performed in the order shown; Also, not all actions have to be carried out. Also, the actions that are not dependent on other actions can be performed in parallel with the other actions. The scope of the embodiments is in no way limited by these specific examples. Numerous variations are possible, regardless of whether they are explicitly mentioned in the description or not, e.g. B. Differences in structure, dimensions and use of materials. The scope of the embodiments is at least as broad as indicated in the following claims.

Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.Advantages, other benefits, and solutions to problems have been described above with respect to particular embodiments. However, the benefits, advantages, problem solutions, and components that can cause an advantage, benefit, or solution to occur or become more pronounced are not to be construed as a critical, required, or essential feature or component of any or all claims.

Bezugszeichenlistereference list

100100: Ein Multi-Assistenzsystem für die automatische Entscheidungsfindung.A multi-assistance system for automatic decision-making.
102102: Terrestrische Synchronisation und Xerograph-VerarbeitungseinheitTerrestrial synchronization and xerograph processing unit
104104: Zerograph-VerarbeitungseinheitZerograph processing unit
106106: Kontrolleinheitcontrol unit
108108: Vorhersage-Einheitprediction unit
202202: Eingabeeinheitinput unit
204204: Vorverarbeitungseinheitpreprocessing unit
206206: Auswahlverarbeitungseinheitselection processing unit
208208: Trainingseinheittraining session

Claims

A multi-assistance automatic decision-making system, the system comprises: a terrestrial synchronization and xerograph processing unit for an offline-to-online synchronization protocol enabling rapid state, data and time synchronization in a plugging environment; a zerograph processing unit comprising a state graph tree for storing, verifying and generating insertion and synchronization proofs about the roots of the tree and for synchronizing over a wireless communication network; a control unit for: identification of people and objects through decentralized identities and zero knowledge verification of identities, sensor information and actuator actions through selective disclosure using an artificial intelligence technique; Promoting intelligent contacts via the Internet of Things (IoT) and zero-knowledge disclosure for a true Single Window Disclosure; and a predictor for large-scale collaborative decision-making using homomorphic keys and zero-knowledge privacy techniques.

system after claim 1 wherein a computer-implemented method sends the public key associated with a particular node in a cyclically ordered set of nodes participating in a blockchain network, through the particular node to the seed node, cyclically.

system after claim 2 , wherein the step of receiving a first value based on the public key associated with each node from the given node to the starting node from the node immediately preceding the given node in the ordered set, wherein the step of determining the value of and the lock value based on the public key associated with the particular node, the lock value being used to control the resource from the source address associated with the particular node.

system after claim 2 , wherein the computer implementation method comprises steps for preparing a transaction configured to be sent to the receiving address of the node immediately after the node, controlling the resource according to the fulfillment of the execution conditions, including the delivery of the unlock value corresponding to the lock value corresponds, is transmitted.

system after claim 1 , wherein the artificial intelligence technique is trained by a training model, the training model comprising: an input unit for acquiring a plurality of prototype images for model training; and a video library, the plurality of prototype images comprising the target scene and the video library having identification information associated with the destination scene, wherein the plurality of is an integer greater than 1; a pre-processing unit for obtaining a video image library based on the video library, the video image library including a plurality of video images; a selection processing unit for selecting a training sample set for a target scene recognition model from the plurality of video images based on the plurality of prototype images and distribution features of the plurality of video images, the training sample set including a positive sample set containing a target scene and a negative sample set containing no target scene, includes; and a training unit for training the target scene recognition model using the training pattern set.

system after claim 1 , where a distributed network protocol enables machines that enable fast state, data, and time synchronization in a secure and insecure environment through the use of state-of-the-art cryptographic primitives, pattern recognition, and environment awareness.

system after claim 1 , where a joint decision is made using a voting mechanism between all agents involved in the ecosystem, employing a minimum of N agents for voting to take place, disallowing a single entity action without consensus from other agents in the network to prevent an action is abused by the agent, each agent/machine including a plurality of attributes stored in the tree, the plurality of attributes including timestamp, state root, store root, action root, signature, network identifier, and agent identifier.

system after claim 1 , where a state-synchronized data structure allows the machines and the hardware interfaces to communicate and stay in sync over short and long distances using the sub-1Ghz network over 5G and LoraWAN.

system after claim 1 , where the system comprises a fully additive cryptographic computational unit for anomaly geofences, built on a haversine function and a BLS curve.

system after claim 1 , wherein the control unit is configured to recognize objects running the NATS messaging system and robust to unbalanced ones Data are, and individuals are re-identified in real-time following facial recognition-based coding, with the predictor configured to make decisions, perform necessary actuator actions in real-time, and share information between machines using perception, sensors, actuators, and Environment information synchronized.