[发明专利]用于提供面向目标的导航方向的方法和设备

说明书

一种能够细化全球定位系统(“GPS”)信息的方法或系统，该细化信息用于利用由的良性循环管理的GPS细化(“GR”)模型通过提取的元数据来引导交通工具，该良性循环包括传感器、机器学习中心(“MLC”)和基于云的网络(“CBN”)。该GR系统包括一组面向外的摄像头、安装在交通工具上的计算机(“VOC”)、以及GR模型。安装在交通工具上的面向外的摄像头能够收集表示交通工具运行的周围环境的外部图像。VOC被配置为根据所述外部图像和从CBN获得的历史存储数据生成相对于周围环境的交通工具位置地点。该GR模型被配置为基于所述交通工具位置地点与GPS数据之间的组合信息生成驾驶指导。

优先权

本申请基于美国临时专利申请而要求优先权权益，该临时专利申请于2016年8月10日提交，申请序列号为62/372,999，并且标题为“使用收集和存储的元数据提供信息的方法和系统”，其在此通过参引全部并入。

技术领域

本发明的示例性实施例涉及通信网络领域。更具体地，本发明的示例性实施例涉及使用云、机器学习和容器化传感器(Containerized Sensors)之间的良性循环来操作智能机器。

背景技术

随着自动化和智能电子设备(如计算机化的机器、物联网(IoT)、智能交通工具、智能手机、无人机、移动设备、飞机、人工智能(“AI”))的日益普及，智能机器的需求和更快的实时响应正在增加。为了正确地提供机器学习，需要改进大量的，例如数据管理、模型培训和数据收集方面的技术。

传统类型的机器学习本身是一个探索过程，其可能涉及尝试不同类型的模型，例如卷积、RNN(循环神经网络)等。机器学习或训练通常涉及多种超参数，所述超参数会改变模型形状和训练特征。模型训练通常需要密集计算。因此，通过机器学习模型进行实时响应可能具有挑战性。

与传统导航系统相关的一个缺点是它提供逐向导航和特定车道指令而没有足够高的分辨率来确定汽车当前所处的车道。典型的全球定位系统(GPS)导航系统的另一个缺点是，原始的GPS通常具有很大的差异和误差，特别是在城市地区。当前的导航系统的另一个问题是它们的目标是给驾驶员提供到指定地址的指引，而没有关于交通工具停放地点的任何信息。例如，通常的情况是，驾驶员的目标不是让汽车到达确切的地址，因为更实际的目标是将汽车停在尽可能靠近地址的地点，然后让驾驶员可以走到指定的地址。

发明内容

本发明的一个实施例公开了一种能够细化全球定位系统(“GPS”)信息的方法或系统，该细化信息用于使用由包含传感器、机器学习中心(“MLC”)和基于云的网络(“CBN”)的良性循环管理的GPS细化(“GR”)模型经由提取的元数据来引导交通工具。

GR系统包括一组面向外的摄像头、安装在交通工具上的计算机(“VOC”)和GR模型。安装在交通工具上的面向外的摄像头能够收集表示交通工具运行的周围环境的外部图像。例如，所述外部图像包括地标、道路状况、车道数量以及周围环境内的附近建筑物。

VOC被配置为根据所捕获的外部图像和从CBN获得的历史存储数据生成相对于周围环境的交通工具位置地点。在一个示例中，基于来自CBN的与周围环境相关的历史数据和GPS读数来计算交通工具位置地点。还可以基于勘测的道路标志的数据库和导航读数来计算交通工具位置地点。另外，交通工具位置地点的计算响应于来自两个不同的面向外的摄像头捕获的两个外部图像的两个光线的计算。此外，通过空间点与当前道路的已知勘测地点之间的三角测量过程来计算交通工具位置地点。

在一个实施例中，GR模型被配置为基于交通工具位置地点和GPS数据之间的组合信息来生成驾驶指导。GR模型可以是至少部分地驻留在VOC中的硬件、软件、或者硬件和软件的组合。应当注意，驾驶指导能够指示交通工具当前在哪个车道上。GR系统还包括能够捕获与驾驶员、乘客和交通工具的内部相关的内部图像的面向内的摄像头。