Artículo SEO

Toda la actualidad sobre SEO y Marketing Digital

Características semánticas localmente destacadas

Compartir es cuidar

Determinación de rasgos semánticos localmente prominentes utilizando un ordenador

Esta patente se refiere a la determinación de rasgos semánticos localmente prominentes utilizando un ordenador.

Las operaciones asociadas con el estado de un área geográfica pueden ser implementadas en una variedad de ordenadores. Éstas incluyen el procesamiento de datos asociados con el área geográfica para su posterior acceso y uso por parte de un usuario u ordenador. Además, pueden incluir el intercambio de datos con ordenadores remotos.

Pero la forma en que se realizan las operaciones puede variar con el tiempo. También puede hacerlo el hardware subyacente que implementa las operaciones. Existen diferentes formas de aprovechar los recursos informáticos asociados al estado de un área geográfica.

Las ventajas de la patente se esbozan en la siguiente descripción o se pueden aprender de la descripción o se aprenden a través de las realizaciones.

Proporcionar instrucciones de navegación que hagan referencia a puntos de referencia

Un aspecto de ejemplo de la patente se dirige a un método implementado por ordenador para proporcionar instrucciones de navegación que hacen referencia a puntos de referencia localmente prominentes. El método implementado por ordenador puede incluir el acceso a muchas etiquetas semánticas asociadas con varias imágenes por un ordenador, incluyendo procesadores. Cada uno de los números de etiquetas semánticas puede asociarse con características representadas por una de la pluralidad de imágenes.

Además, cada una de las características puede asociarse con una ubicación geográfica. La computación puede incluir la identificación, por parte del ordenador, basada al menos en parte en la pluralidad de etiquetas semánticas, de puntos de referencia localmente prominentes que incluyen las características que cumplen con los criterios entrópicos que miden una prominencia localizada de cada una de las características.

Asociar características localmente prominentes con el contenido

El método implementado por ordenador también puede incluir la selección, por parte del ordenador, basada al menos en parte en los datos de contexto asociados con características localmente prominentes en un camino, incluyendo una pluralidad de ubicaciones, de al menos un punto de referencia para su uso en la navegación en la ubicación.

Además, el método computarizado puede generar al menos una instrucción de navegación que hace referencia a un punto de referencia por el ordenador.

Datos de navegación asociados a esta patente de características semánticas localmente destacadas

Otro aspecto de ejemplo de la patente se dirige a medios tangibles no transitorios legibles por ordenador que almacenan instrucciones legibles por ordenador que, cuando son ejecutadas por procesadores, hacen que los procesadores realicen operaciones. Las operaciones pueden incluir el acceso a datos de imagen, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas.

Cada una de las etiquetas semánticas puede asociarse con características de la pluralidad de imágenes.

Además, cada una de las características puede asociarse con una ubicación geográfica.

Las operaciones también pueden incluir la determinación de puntos de referencia localmente prominentes, incluyendo las características que cumplen los criterios entrópicos asociados con una prominencia localizada de cada una de las características.

Las operaciones pueden incluir la determinación, basada al menos en parte en los datos de contexto asociados con la ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista.

Además, las operaciones pueden incluir la generación de datos de navegación, incluyendo indicaciones asociadas con los puntos de referencia.

Etiquetas semánticas asociadas a las imágenes y a las localizaciones

Otro ejemplo de la divulgación se dirige a un ordenador, que incluye procesadores y medios legibles por ordenador no transitorios que almacenan instrucciones que hacen que los procesadores realicen operaciones cuando se ejecutan.

Las operaciones pueden incluir el acceso a datos de imagen, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas:

  1. Cada una de las etiquetas semánticas puede asociarse con características de la pluralidad de imágenes
  2. Además, cada una de las características puede asociarse con una ubicación geográfica
  3. Las operaciones pueden incluir la determinación de puntos de referencia localmente prominentes, incluyendo las características que cumplen los criterios entrópicos asociados con una prominencia localizada de cada una de las características
  4. Las operaciones también pueden incluir la determinación, basada al menos en parte en los datos de contexto asociados con la ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista
  5. Además, las operaciones pueden incluir la generación de datos de navegación, incluyendo indicaciones asociadas a los puntos de referencia

Otros aspectos de la patente se dirigen a diversos sistemas, aparatos, medios no transitorios legibles por ordenador, interfaces de usuario y dispositivos electrónicos. Estas y otras características, aspectos y ventajas de varias realizaciones de la patente se entienden mejor en relación con la siguiente descripción y las reivindicaciones anexas.

Esta patente de Finding Locally Prominent Semantic Features se encuentra en:

Encontrar características semánticas localmente prominentes para la navegación y la geocodificación
Inventores Yan Mayster, Brian Brewington y Matthew Strosnick
Número de patente US20210240762
Fecha de presentación 22 de octubre de 2018
Número de publicación 20210240762
Fecha de publicación 5 de agosto de 2021
Solicitantes Google LLC

Resumen

Se proporcionan métodos, sistemas, dispositivos, aparatos y medios tangibles no transitorios legibles por ordenador para la navegación y la geocodificación.

La tecnología divulgada puede realizar operaciones, incluyendo el acceso a etiquetas semánticas asociadas a imágenes. Cada una de las etiquetas semánticas puede asociarse con características representadas por una de las imágenes.

Además, cada una de las características puede asociarse con una ubicación geográfica.

Sobre la base de las etiquetas semánticas, se pueden identificar los puntos de referencia localmente prominentes que incluyen las características que cumplen con los criterios entrópicos.

Los criterios entrópicos pueden medir la prominencia localizada de cada una de las características.

Un punto de referencia de navegación puede ser seleccionado en base a los datos de contexto asociados con una ubicación en un camino que incluye una pluralidad de ubicaciones.

Además, se puede generar al menos una instrucción de navegación que haga referencia al hito.

Determinación de puntos de referencia localmente prominentes para la navegación y la geocodificación

La presente divulgación se dirige a la determinación de puntos de referencia localmente prominentes para la navegación y la geocodificación. La divulgación describe instrucciones de navegación basadas en los puntos de referencia. La tecnología puede incluir un ordenador que recibe datos, incluyendo etiquetas semánticas asociadas a características de imágenes. Las imágenes de ejemplo podrían incluir fotografías de un área capturadas desde varios puntos de vista.

Estas etiquetas semánticas pueden basarse en imágenes procesadas por un modelo aprendido por máquina u otro sistema de análisis de contenido de imágenes que haya detectado e identificado las características de las imágenes.

Asociar las características de una imagen con una ubicación geográfica

Este proceso de búsqueda de características semánticas localmente destacadas es interesante. Las características de las imágenes pueden asociarse con:

  • Ubicación geográfica (como altitud, latitud y longitud)
  • Otra información (como la hora en que se capturó cada imagen)

El ordenador puede determinar puntos de referencia en las imágenes que incluyan rasgos que cumplan los criterios entrópicos asociados a la prominencia localizada de los rasgos (estos pueden incluir la visibilidad, la rareza o la familiaridad del rasgo dentro del área).

El ordenador también puede determinar, basándose en los datos de contexto asociados a un punto de vista. Esto sería una ubicación actual del ordenador o de un usuario del ordenador. Los puntos de referencia se asociarían con el punto de vista. Esto significa que los puntos de referencia son visibles desde el punto de vista.

Nos dicen que:

El ordenador puede generar indicaciones (por ejemplo, instrucciones de navegación que hacen referencia al punto o puntos de referencia) que pueden llegar a utilizarse para facilitar la navegación. La tecnología descrita puede determinar más eficazmente los puntos de referencia en un entorno y seleccionar una parte que facilite una navegación más eficaz basada en un contexto y un punto de vista determinados. La tecnología descrita en este documento puede permitir a los usuarios navegar de manera más eficaz y eficiente a una ubicación específica.

Los puntos de referencia pueden ser referenciados por una serie de instrucciones de navegación giro a giro

Los puntos de referencia determinados pueden ser referenciados en una serie de instrucciones de navegación giro a giro proporcionadas al conductor de un vehículo. La tecnología descrita puede así asistir al conductor en la realización de la tarea técnica de conducir el vehículo a una localización especificada empleando un proceso de interacción hombre-vehículo continuado y guiado.

Acceso a datos cartográficos asociados a un área geográfica

A modo de ejemplo adicional, un ordenador (por ejemplo, un ordenador en un vehículo) puede acceder a datos cartográficos (por ejemplo, datos cartográficos almacenados localmente o accesibles de forma remota) asociados a un área geográfica. Los datos cartográficos pueden incluir imágenes y etiquetas semánticas que indican características de las imágenes que han sido previamente identificadas utilizando el reconocimiento de imágenes (por ejemplo, un modelo aprendido por máquina entrenado para detectar características de las imágenes).

Determinación de un conjunto de puntos de referencia localmente prominentes en un área geográfica

El ordenador puede entonces determinar un conjunto de puntos de referencia en el área que incluya características que cumplan los criterios entrópicos asociados con la prominencia localizada de los puntos de referencia. Por ejemplo, un obelisco de granito rojo de treinta metros de altura puede cumplir los criterios entrópicos (por ejemplo, gran tamaño, forma inusual y color inusual) que un parquímetro (por ejemplo, tamaño relativamente pequeño y muy común) o un arbusto no cumplirían.

Además, el ordenador puede determinar un contexto que incluya la hora del día, la ubicación y la dirección de desplazamiento (por ejemplo, la dirección de desplazamiento del vehículo) para seleccionar el punto de referencia más eficaz para el punto de vista y las condiciones de la zona. El ordenador puede entonces utilizar los puntos de referencia localmente prominentes dentro del área para proporcionar un conjunto de instrucciones (por ejemplo, instrucciones audibles generadas a través de un altavoz del vehículo e instrucciones textuales o gráficas proporcionadas en la pantalla) a un usuario para ayudarle en la navegación. De este modo, la tecnología divulgada proporciona mejoras en la navegación y la geocodificación.

La tecnología divulgada puede incluir un ordenador (por ejemplo, un ordenador de navegación) que puede incluir ordenadores (por ejemplo, dispositivos con procesadores informáticos y una memoria que puede almacenar instrucciones) que pueden enviar, recibir, procesar, generar y cambiar datos (por ejemplo, datos que incluyen etiquetas semánticas asociadas a imágenes) incluyendo patrones o estructuras de información que pueden almacenarse en dispositivos de memoria (por ejemplo, dispositivos de memoria de acceso aleatorio) y dispositivos de almacenamiento (por ejemplo, unidades de disco duro y unidades de memoria de estado sólido); y señales (por ejemplo, señales electrónicas).

Envío de etiquetas semánticas asociadas a las imágenes

Los datos y las señales pueden ser intercambiados por el ordenador con otros sistemas y dispositivos, incluyendo una pluralidad de sistemas de servicio (por ejemplo, ordenadores remotos y aplicaciones de software que operan en ordenadores) que pueden enviar y recibir datos, incluyendo etiquetas semánticas asociadas a las imágenes (por ejemplo, imágenes digitales asociadas a datos que incluyen la localización geográfica, la hora de captura de la imagen y descripciones de otras características de las imágenes).

El ordenador (por ejemplo, el ordenador de navegación) puede incluir características del dispositivo y del ordenador que se ha representado. Además, el ordenador de la red puede asociarse con modelos aprendidos por la máquina que incluyen características de los modelos aprendidos por la máquina.

Además, el ordenador puede incluir hardware especializado (por ejemplo, un circuito integrado específico de la aplicación) y software que permite al ordenador realizar operaciones específicas de la tecnología divulgada, incluyendo el acceso a las etiquetas semánticas (por ejemplo, el acceso a las etiquetas semánticas almacenadas localmente o el acceso a las etiquetas semánticas mediante la recepción de las etiquetas semánticas desde un ordenador remoto) asociadas con una pluralidad de imágenes, la determinación de puntos de referencia que incluyen características que satisfacen los criterios entrópicos, el uso de los datos de contexto para determinar los puntos de referencia localmente prominentes asociados con un punto de vista, y la generación de datos de navegación.

Cada característica de las características semánticas puede asociarse con una ubicación geográfica.

Más particularmente, un ordenador de navegación puede recibir una pluralidad de etiquetas semánticas asociadas con una pluralidad de imágenes.

Cada etiqueta semántica de la pluralidad de etiquetas semánticas puede asociarse con características representadas por una de las imágenes. Por ejemplo, cada etiqueta semántica puede proporcionar una descripción semántica de un objeto incluido en una escena representada por una de la pluralidad de imágenes. Además, cada rasgo de las características puede asociarse con una ubicación geográfica. La pluralidad de imágenes puede incluir imágenes digitales (por ejemplo, una imagen bidimensional) de una parte de un entorno (por ejemplo, una imagen de una ubicación en un entorno).

La pluralidad de imágenes puede codificarse en cualquier tipo de formato de imagen, incluyendo una combinación de imágenes rasterizadas (por ejemplo, mapas de bits que comprenden una cuadrícula de píxeles) e imágenes vectoriales (por ejemplo, representaciones poligonales de imágenes basadas en posiciones de coordenadas que incluyen los ejes x e y de un plano bidimensional).

Imágenes asociadas a rasgos semánticos localmente prominentes

Las imágenes pueden incluir imágenes fijas, fotogramas de una película y otros tipos de imágenes, incluyendo imágenes LIDAR, imágenes RADAR y otros tipos de imágenes.

Algunos ejemplos de formatos de imágenes digitales utilizados por la pluralidad de imágenes pueden ser JPEG (Joint Photographic Experts Group), BMP (Bitmap), TIFF (Tagged Image File Format), PNG (Portable Network Graphics) y GIF (Graphics Interchange Format).

Las imágenes pueden obtenerse de diversas fuentes, como imágenes enviadas por los usuarios, imágenes de dominio público (por ejemplo, obtenidas mediante rastreo en la web y debidamente agregadas y anonimizadas), imágenes panorámicas a nivel de calle y otras fuentes de imágenes.

Imágenes asociadas a las dimensiones físicas

La pluralidad de etiquetas semánticas asociadas a las imágenes puede asociarse con características que incluyen las dimensiones físicas (por ejemplo, las dimensiones físicas de los objetos en una imagen); y las identidades de los objetos (por ejemplo, la identidad de los objetos representados en las imágenes). Se puede asociar más información con las imágenes y las etiquetas semánticas, como una ubicación (por ejemplo, una dirección y una altitud, latitud y longitud asociadas a una imagen); una hora del día (por ejemplo, la hora del día en que se capturó una imagen); una fecha (por ejemplo, la fecha en que se capturó una imagen);

A modo de ejemplo, el ordenador de navegación puede recibir datos que incluyan información asociada a la pluralidad de etiquetas semánticas y a la pluralidad de imágenes a través de una red de comunicación (por ejemplo, una red inalámbrica y por cable que incluya una LAN, una WAN o Internet) a través de la cual se pueden enviar y recibir señales (por ejemplo, señales electrónicas) y datos.

El ordenador de navegación identifica puntos de referencia localmente prominentes utilizando etiquetas semánticas

El ordenador de navegación puede identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, los puntos de referencia que incluyen las características que cumplen los criterios entrópicos que miden una prominencia localizada de cada una de las características. Por ejemplo, el ordenador de navegación puede acceder a los datos asociados con la pluralidad de etiquetas semánticas que indican los puntos de referencia de un área: los puntos de referencia pueden asociarse con características (por ejemplo, dimensiones físicas o forma) que pueden comparar los criterios entrópicos que pueden utilizarse para identificar los puntos de referencia localmente prominentes.

Los criterios entrópicos pueden asociarse a la frecuencia con la que cada uno de los rasgos se da en la zona o al carácter distintivo de cada rasgo respecto a otros rasgos comunes en la zona.

Cómo un histograma y un clustering pueden encontrar geolocalizaciones basadas en etiquetas semánticas

La satisfacción de los criterios entrópicos puede basarse, por ejemplo, en que un rasgo sea infrecuente (por ejemplo, el único árbol de una zona o el único edificio alto de una zona).

Así, en un ejemplo, la agrupación u otras técnicas algorítmicas pueden utilizarse para determinar una rareza o frecuencia asociada a cada característica, que puede entonces guiar la selección de características para su uso como puntos de referencia localmente prominentes.

Como ejemplo, un área alrededor de la ubicación puede identificar qué características asociadas con la ubicación son más raras para cada ubicación. Por ejemplo, un histograma de etiquetas semánticas en un área alrededor de un lugar podría revelar que un obelisco sólo aparece una vez. En cambio, un buzón aparece sesenta veces, lo que indica que el obelisco funcionaría mejor como punto de referencia.

A modo de ejemplo adicional, la satisfacción de los criterios entrópicos puede incluir el carácter distintivo de varias características de un rasgo sobre otros rasgos similares en la zona. Por ejemplo, aunque todos sean «edificios», una pequeña casa en una esquina de una intersección de cuatro lados contrastará con los edificios altos de las otras tres esquinas.

Así, los puntos de referencia pueden determinarse a partir de las estadísticas de etiquetas semánticas agregadas geográficamente y a lo largo del tiempo para cada lugar, centrándose en las «etiquetas» de alta entropía. Se trata de etiquetas que parecen persistir en el tiempo y muestran una prominencia muy localizada.

Esto significa que el sistema puede identificar etiquetas de alta confianza comparativamente inusuales o raras en el área circundante.

Puntos de referencia nocturnos altamente visibles y puntos de referencia audibles

Otro enfoque para encontrar rasgos semánticos localmente prominentes consiste en utilizar los sentidos para ayudar a destacar los puntos de referencia localmente prominentes.

El ordenador de navegación puede seleccionar, basándose al menos en parte en los datos de contexto asociados con una ubicación en un camino, incluyendo una pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación. Por ejemplo, el ordenador de navegación puede determinar un contexto, incluyendo la hora del día, la estación del año, y la cantidad de tráfico próximo a un punto de vista. Basándose, por ejemplo, en el contexto que indica que ha caído la noche, el ordenador de navegación puede seleccionar un punto de referencia que se ilumina y no se oculta en la oscuridad.

El ordenador de navegación puede generar al menos una instrucción de navegación que haga referencia a al menos un punto de referencia. Al menos una instrucción de navegación puede incluir instrucciones visuales. Éstas pueden mostrarse como texto en un dispositivo de visualización. También se pueden escuchar instrucciones audibles. Por ejemplo, instrucciones emitidas por un dispositivo de salida de audio. Por ejemplo, el ordenador de navegación puede generar instrucciones audibles que describan la apariencia de un punto de referencia (por ejemplo, «una estatua de un caballo con un jinete») y la ubicación del punto de referencia (por ejemplo, «a su derecha en la siguiente intersección»).

Determinación de la frecuencia con la que se produce cada una de las características

La determinación, basada al menos en parte en la pluralidad de etiquetas semánticas, de una tasa en la que cada una de las características ocurre dentro de un área predeterminada puede ser usada para identificar, basada al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia que incluyen las características que cumplen con los criterios entrópicos que miden una prominencia localizada de cada una de las características. Por ejemplo, el ordenador de navegación puede determinar el ritmo al que se produce cada característica (por ejemplo, la altura de los edificios altos) dentro de un área de doscientos metros cuadrados.

La determinación de que los puntos de referencia incluyen las características que ocurren con menos frecuencia o que ocurren a una tasa por debajo de una tasa de umbral puede utilizarse para identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia localmente prominentes que incluyen las características que cumplen los criterios entrópicos que miden una prominencia localizada de cada una de las características.

Por ejemplo, en la determinación de un edificio a utilizar como punto de referencia entre un grupo de edificios, el ordenador de navegación puede determinar que el edificio con una altura que ocurre con menos frecuencia que una tasa media de alturas (por ejemplo, un edificio de gran altura con una altura que está en un rango de altura que ocurre una vez en cada mil edificios de gran altura).

Determinación de una puntuación de confianza para cada una de las características semánticas

La determinación de una puntuación de confianza para cada una de las características basada, al menos en parte, en el número de veces que cada característica respectiva de las características se ha asociado con una etiqueta semántica de la pluralidad de etiquetas semánticas, puede utilizarse para identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, los puntos de referencia localmente prominentes que incluyen las características que cumplen los criterios entrópicos que miden una prominencia localizada de cada una de las características. Por ejemplo, el ordenador de navegación puede acceder a datos asociados con el número de veces que cada característica es etiquetada con la misma etiqueta. Una característica que es etiquetada con la misma característica un mayor número de veces puede asociarse con una mayor puntuación de confianza.

Identificando como un punto de referencia, las características con una puntuación de confianza que cumplen con los criterios de puntuación de confianza pueden ser usadas para identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia que incluyen las características que cumplen con los criterios entrópicos que miden una prominencia localizada de cada una de las características. Por ejemplo, el ordenador de navegación puede identificar como un punto de referencia las características con una puntuación de confianza que excede una puntuación de confianza umbral.

En qué se basa la puntuación de confianza

La puntuación de confianza puede basarse, al menos en parte, en las diferentes perspectivas desde las que se ha visto cada uno de los rasgos asociados a una etiqueta semántica (por ejemplo, etiquetas semánticas asociadas a imágenes del mismo objeto vistas desde diferentes ángulos), y en la frecuencia con la que los rasgos se han asociado a una etiqueta semántica.

La determinación de grupos de características que cumplen los criterios entrópicos puede utilizarse para identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia que incluyen las características que cumplen los criterios entrópicos que miden una prominencia localizada de cada una de las características. Además, cada uno de los grupos puede incluir características que tienen un tipo semántico común. Por ejemplo, el ordenador de navegación puede determinar grupos de árboles que pueden cumplir con criterios entrópicos asociados con una densidad de árboles para el grupo de árboles (por ejemplo, el número de árboles dentro de un área predeterminada).

Determinación de la visibilidad de cada uno de los puntos de referencia desde el punto de observación

La determinación de la visibilidad de cada uno de los puntos de referencia desde el punto de vista asociado con la ubicación puede utilizarse para seleccionar, por el ordenador, basándose al menos en parte en los datos de contexto asociados con una ubicación en un camino que incluye una pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación.

Además, los datos de contexto pueden incluir un punto de vista (por ejemplo, un punto dentro de la ubicación donde se pueden ver partes del entorno circundante). Por ejemplo, el ordenador de navegación puede determinar la tabla de puntos de referencia desde el punto de vista basado en parte en la distancia del punto de referencia y si el punto de referencia es obstruido por otros objetos.

La visibilidad puede basarse, al menos en parte, en una distancia desde la que cada uno de los hitos es visible desde el punto de observación, una cantidad de luz que se proyecta sobre cada uno de los hitos, cualquier obstrucción entre el punto de observación y los hitos, y las dimensiones físicas de cada uno de los hitos.

La determinación de una dirección de viaje a lo largo del camino en el punto de vista puede determinar la visibilidad de cada uno de los puntos de referencia localmente prominentes desde el punto de vista asociado con la ubicación. Por ejemplo, la visibilidad de cada uno de los puntos de referencia puede asociarse con un campo de visión desde el punto de vista que se asocia con la dirección del viaje. Por ejemplo, un campo de visión igual a un ángulo predeterminado en relación con una línea correspondiente a la dirección del viaje.

Determinación de los puntos de referencia que se enfrentan a la dirección del viaje

La determinación de los puntos de referencia que se enfrentan a la dirección del viaje puede determinar cada uno desde el punto de vista asociado con la ubicación. Por ejemplo, el ordenador de navegación puede determinar que los puntos de referencia localmente prominentes que se enfrentan a la dirección del viaje (por ejemplo, los puntos de referencia que están por delante del punto de vista) son más visibles que los puntos de referencia que no se enfrentan a la dirección del viaje (por ejemplo, los puntos de referencia que están detrás del punto de vista).

La determinación de la visibilidad basada, al menos en parte, en un modo de transporte asociado con el punto de vista puede determinar la visibilidad de cada uno de los puntos de referencia desde el punto de vista asociado con la ubicación. Por ejemplo, el ordenador de navegación puede determinar que bajo ciertas circunstancias (por ejemplo, en una calle con mucho tráfico), la visibilidad desde un automóvil es menor que la visibilidad desde una bicicleta y determinar la visibilidad en consecuencia.

Determinación de un tiempo de reacción basado, al menos en parte, en una velocidad en la ubicación y una distancia al punto de referencia más cercano de los puntos de referencia

La determinación de un tiempo de reacción basado al menos en parte en una velocidad en la ubicación y una distancia al punto de referencia más cercano de los puntos de referencia localmente prominentes puede utilizarse para seleccionar, basándose al menos en parte en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación. Por ejemplo, el ordenador de navegación puede determinar el tiempo de reacción basado en la velocidad en la ubicación (por ejemplo, una velocidad en metros por segundo) y la distancia al punto de referencia más cercano (por ejemplo, una distancia en metros).

La determinación de los puntos de referencia que cumplen con los criterios de tiempo de reacción asociados con el menor tiempo de reacción puede utilizarse para seleccionar, basándose al menos en parte en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación. Por ejemplo, el ordenador de navegación puede determinar que el tiempo de reacción más corto es de dos segundos. Los puntos de referencia se seleccionaron entre los puntos de referencia que serán visibles después de dos segundos.

Más sobre el tiempo de reacción

El tiempo de reacción puede basarse en un modo de transporte asociado al punto de vista. Además, el modo de transporte puede incluir un vehículo de motor, una bicicleta y el desplazamiento a pie. Por ejemplo, el tiempo de reacción para un modo de transporte más lento (por ejemplo, el viaje a pie) puede llegar a ser una duración más corta que el tiempo de reacción para un modo de transporte más rápido (por ejemplo, un vehículo de motor).

La selección de un punto de referencia basado, al menos en parte, en un nivel de familiaridad con los puntos de referencia puede ser utilizado en la selección, basada, al menos en parte, en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación. Además, el nivel de familiaridad puede asociarse con el número de veces y la frecuencia con que un usuario (por ejemplo, un usuario asociado con el ordenador de navegación) ha estado previamente en la ubicación (por ejemplo, dentro de una distancia umbral de la ubicación).

Por ejemplo, los datos de contexto pueden incluir el registro de la frecuencia con la que un usuario viaja para alcanzar puntos de referencia. El ordenador de navegación puede determinar cuando la frecuencia de un usuario que viaja para llegar a un hito satisface los criterios de familiaridad (por ejemplo, un umbral de frecuencia más pequeño) y seleccionar un hito que satisfaga los criterios de familiaridad. A modo de ejemplo adicional, el nivel de familiaridad puede asociarse con una parte de las características (por ejemplo, muchas características visuales). Cada uno de los puntos de referencia localmente destacados tiene en común con otro punto de referencia que el usuario ha visto previamente.

El ajuste de al menos una instrucción de navegación basada, al menos en parte, en el nivel de familiaridad puede utilizarse para generar al menos una instrucción de navegación que haga referencia a al menos un punto de referencia. Por ejemplo, el ordenador de navegación puede acceder a la información asociada con al menos un punto de referencia (por ejemplo, el nombre de un punto de referencia utilizado por los residentes de la zona) y utilizar la información para cambiar la instrucción de navegación que se utiliza. A modo de ejemplo adicional, el ordenador de navegación puede determinar que cuando el nivel de familiaridad supera un nivel de familiaridad umbral, la instrucción de navegación se seleccionará a partir de los datos, incluyendo los términos utilizados localmente para un hito.

Los datos de contexto pueden incluir información asociada a una hora del día, una estación del año, un idioma (por ejemplo, francés, ruso y chino), las características visibles desde la ubicación y un modo de transporte (por ejemplo, automóvil personal, autobús, bicicleta, viaje a pie).

El ordenador de navegación puede recibir datos de imagen

El ordenador de navegación puede recibir datos de imagen, incluyendo una pluralidad de imágenes asociadas a etiquetas semánticas. Cada una de las etiquetas semánticas se asocia con características de la pluralidad de imágenes. Además, cada una de las características puede asociarse con una localización geográfica. Por ejemplo, el ordenador de navegación puede recibir datos de imagen (por ejemplo, fotografías digitales etiquetadas), incluyendo información asociada con la pluralidad de etiquetas semánticas y la pluralidad de imágenes a través de una red de comunicación a través de la cual se pueden enviar y recibir señales (por ejemplo, señales electrónicas) y datos.

El ordenador de navegación puede determinar los puntos de referencia, incluyendo las características que cumplen los criterios entrópicos asociados con una prominencia localizada de cada característica. Por ejemplo, el ordenador de navegación puede acceder a la pluralidad de etiquetas semánticas para determinar los puntos de referencia en un área que incluyen las características (por ejemplo, tamaño, distancia desde un punto de vista) que cumplen con los criterios entrópicos (por ejemplo, tamaño mayor que un tamaño umbral o distancia dentro de una distancia umbral).

El ordenador de navegación puede determinar, al menos en parte, los datos de contexto asociados con una ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista. Por ejemplo, el ordenador de navegación puede acceder a los datos de contexto, incluyendo la hora del día, la estación del año, y la ubicación de los objetos entre el punto de vista y los puntos de referencia. Basándose en el contexto, el ordenador de navegación puede determinar los puntos de referencia visibles (basándose en la hora del día y la estación del año) que no están obstruidos por otros objetos entre el punto de observación y cada uno de los puntos de referencia.

El ordenador de navegación puede ayudar a encontrar características semánticas localmente destacadas para generar datos de navegación

El ordenador de navegación puede generar datos de navegación, incluyendo indicaciones asociadas a los puntos de referencia localmente prominentes. Por ejemplo, el ordenador de navegación puede generar instrucciones visuales en un dispositivo de visualización, incluyendo una descripción del aspecto de un hito (por ejemplo, «un rascacielos de cristal alto») y la ubicación del hito (por ejemplo, «cien metros más adelante y a la izquierda»).

Cada una de las características puede asociarse con una hora del día (por ejemplo, una hora y un minuto del día), una estación (por ejemplo, invierno, verano, primavera u otoño), una constancia visual (por ejemplo, la medida en que las características parecen ser las mismas a lo largo del tiempo) y ubicaciones desde las que cada una de las características es visible (por ejemplo, ubicaciones geográficas que incluyen la latitud, la longitud y la altitud desde las que cada característica es visible).

Los criterios entrópicos pueden incluir una frecuencia de aparición de cada una de las características dentro de un área predeterminada que no supere un umbral de frecuencia predeterminado (por ejemplo, la frecuencia con la que se produce una característica dentro del área predeterminada), una persistencia temporal (por ejemplo, el tiempo que ha estado presente una característica) de cada una de las características en una ubicación que supere un umbral de duración predeterminado, y un tamaño (por ejemplo, dimensiones físicas) de cada una de las características que supere un umbral de tamaño.

El punto de la etiqueta y las indicaciones audibles (por ejemplo, el audio producido por un altavoz) se asocian con la ubicación relativa de los puntos de referencia en el camino sobre el punto de vista.

La determinación de un modo de viaje asociado con el punto de vista puede llegar a ser utilizado en la determinación de los puntos de referencia, incluyendo las características que cumplen los criterios entrópicos asociados con una prominencia localizada de cada una de las características. Por ejemplo, el ordenador de navegación puede acceder a los datos asociados con el punto de vista (por ejemplo, el centro de una carretera, acera o lago) que pueden ser utilizados para determinar un modo de transporte asociado (por ejemplo, un automóvil, un viaje a pie o un barco).

El sistema puede determinar mirando la dirección del viaje y la velocidad a lo largo del camino

El ordenador de navegación puede determinar, basándose al menos en parte en la dirección del viaje y la velocidad a lo largo del camino, los puntos de referencia que serán visibles desde el punto de observación dentro de un tiempo predeterminado asociado con el modo de viaje. Por ejemplo, el ordenador de navegación puede determinar una velocidad asociada al modo de transporte y determinar los puntos de referencia visibles en los próximos diez segundos.

El ordenador de navegación puede generar una consulta de instrucción de navegación asociada con al menos una utilidad de instrucción de navegación. La consulta de instrucciones de navegación puede incluir indicaciones visuales e indicaciones audibles. Por ejemplo, cuando el ordenador de navegación ha determinado que ha transcurrido una cantidad de tiempo predeterminada desde la generación de al menos una instrucción de navegación, el ordenador de navegación puede generar la consulta de instrucción de navegación a través de un dispositivo de salida (por ejemplo, un dispositivo de visualización un dispositivo de salida de audio).

El ordenador de navegación puede recibir respuestas a la consulta de instrucción de navegación.

El ordenador de navegación puede recibir respuestas a la consulta de instrucciones de navegación. Las respuestas a la consulta de instrucciones de navegación pueden incluir señales o datos recibidos de dispositivos de entrada que pueden recibir las respuestas de un usuario del ordenador de navegación (por ejemplo, un teclado, una pantalla táctil y un micrófono).

El ordenador de navegación puede ajustar los criterios entrópicos basándose, al menos en parte, en las respuestas a la consulta de instrucciones de navegación. Cuando las respuestas indican que al menos una instrucción de navegación fue útil, los criterios entrópicos pueden ajustarse modificando los criterios entrópicos. Por ejemplo, cuando los criterios entrópicos incluyen una tasa mínima de ocurrencia de una característica (por ejemplo, un cierto tipo de restaurante ocurre una vez cada dos kilómetros cuadrados y medio), y las respuestas indican que el punto de referencia se confundió con otro punto de referencia con la misma característica, la tasa mínima de ocurrencia de la característica puede disminuir (por ejemplo, el cierto tipo de restaurante ocurre una vez cada tres kilómetros cuadrados).

Mejora de la determinación de puntos de referencia para la navegación y la geocodificación

Los sistemas, métodos, dispositivos, aparatos y medios tangibles no transitorios legibles por ordenador de la tecnología divulgada pueden proporcionar varios efectos y beneficios técnicos, incluyendo una mejora en la determinación de puntos de referencia para la navegación y la geocodificación. En particular, la tecnología divulgada puede ayudar al usuario (por ejemplo, el conductor de un vehículo) a realizar una tarea técnica (por ejemplo, conducir un vehículo a una ubicación especificada) utilizando un proceso de interacción hombre-máquina continuo y guiado. También puede proporcionar beneficios, incluyendo mejoras en el rendimiento de las redes de comunicaciones, una mejor eficiencia en el uso de los recursos y una mayor seguridad.

La tecnología divulgada puede mejorar el rendimiento del funcionamiento de la red de comunicaciones determinando de forma más eficaz un conjunto de puntos de referencia para facilitar la navegación. El conjunto de puntos de referencia puede entonces ser proporcionado para enrutar más eficientemente el tráfico a través de una red de transporte y evitar situaciones en las que el ancho de banda de la red de comunicaciones se desperdicia debido a instrucciones de navegación ineficaces (por ejemplo, el envío de más conjuntos de instrucciones a través de la red cuando el primer conjunto de instrucciones no se sigue correctamente). Una provisión más efectiva de instrucciones de navegación puede reducir el número de instrucciones de navegación enviadas a través de una red de comunicaciones con la correspondiente reducción del uso del ancho de banda.

Además, la tecnología divulgada puede mejorar la eficiencia del consumo de recursos (por ejemplo, combustible y energía eléctrica) al proporcionar instrucciones de navegación más eficaces que aprovechan el uso de puntos de referencia localmente prominentes. Por ejemplo, las instrucciones de navegación que incluyen puntos de referencia pueden dar lugar a que se pierdan menos giros y a que se retroceda, reduciendo así el exceso de uso de combustible o de energía eléctrica resultante.

Además, el uso de puntos de referencia para la navegación puede mejorar la seguridad del conductor cuando viaja en un vehículo. Por ejemplo, las instrucciones de navegación que incluyen puntos de referencia localmente prominentes y fácilmente observables pueden reducir la distracción del conductor resultante de las instrucciones de navegación que no utilizan puntos de referencia prominentes (por ejemplo, los nombres de las calles que pueden estar ubicados en señales de calles mal ubicadas o mal iluminadas).

En consecuencia, la tecnología divulgada puede ayudar al conductor de un vehículo a realizar de manera más eficiente/efectiva la tarea técnica de conducir el vehículo a una ubicación especificada empleando un proceso de interacción hombre-máquina continuado y guiado. Además, la tecnología divulgada puede proporcionar un ordenador que facilite una identificación de puntos de referencia más eficaz para su uso en la navegación y la geocodificación.

La tecnología divulgada proporciona los beneficios específicos de un menor uso del ancho de banda de la red, un uso más eficiente del combustible y la energía, y una mayor seguridad, cualquiera de los cuales puede llegar a utilizarse para mejorar la eficacia de una amplia variedad de servicios, incluidos los servicios de navegación y los servicios de geocodificación.

El sistema de aprendizaje automático que permite encontrar características semánticas localmente destacadas

El sistema incluye un ordenador, un ordenador servidor, un ordenador de entrenamiento y ordenadores remotos que están conectados y acoplados comunicativamente a través de una red.

El ordenador puede incluir cualquier tipo de ordenador, incluyendo, por ejemplo, un ordenador personal (por ejemplo, un ordenador portátil o un ordenador de sobremesa), un ordenador móvil (por ejemplo, un smartphone o una tableta), una consola de juegos, un controlador, un ordenador portátil (por ejemplo, un smartwatch), un ordenador integrado y cualquier otro tipo de ordenador.

El ordenador incluye procesadores y memoria. Los procesadores pueden utilizar cualquier dispositivo de procesamiento adecuado (por ejemplo, un núcleo de procesador, un microprocesador, un ASIC, una FPGA, un controlador, un microcontrolador, etc.). Pueden utilizar un procesador o una pluralidad de procesadores conectados operativamente. La memoria puede incluir medios de almacenamiento no transitorios legibles por ordenador, incluyendo RAM, ROM, EEPROM, EPROM, dispositivos de memoria flash, discos magnéticos, etc., y combinaciones de los mismos. La memoria puede almacenar datos e instrucciones ejecutadas por el procesador para hacer que el ordenador realice operaciones.

El ordenador puede realizar operaciones, incluyendo el acceso a datos de imagen, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas. Cada una de las etiquetas semánticas a las que accede el ordenador puede asociarse con características de la pluralidad de imágenes. Además, cada una de las características puede asociarse con una ubicación geográfica. Las operaciones realizadas por el ordenador pueden incluir la determinación de puntos de referencia, incluyendo las características que cumplen los criterios entrópicos asociados con una prominencia localizada de cada una de las características.

Las operaciones realizadas por el ordenador también pueden incluir la determinación, basada al menos en parte en los datos de contexto asociados con la ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista. Además, las operaciones realizadas por el ordenador pueden incluir la generación de datos de navegación, incluyendo indicaciones asociadas a los puntos de referencia.

El ordenador puede almacenar o incluir modelos aprendidos por máquina. Por ejemplo, los modelos aprendidos por máquina pueden incluir varios modelos aprendidos por máquina, incluyendo redes neuronales (por ejemplo, redes neuronales profundas) u otros modelos aprendidos por máquina, incluyendo modelos no lineales y lineales. Las redes neuronales pueden incluir redes neuronales de avance, redes neuronales recurrentes (por ejemplo, de memoria a corto plazo), redes neuronales convolucionales u otras formas de redes neuronales. Se discuten ejemplos de los modelos aprendidos por máquinas.

Los modelos aprendidos por la máquina pueden ser recibidos desde el ordenador servidor a través de la red, almacenados en la memoria del ordenador, y luego utilizados o implementados de otro modo por los procesadores. En algunas implementaciones, el ordenador puede poner en marcha muchas instancias paralelas de un único modelo de aprendizaje automático de los modelos de aprendizaje automático (por ejemplo, para realizar la determinación de puntos de referencia en paralelo a través de muchas instancias del modelo 120 de aprendizaje automático). Más particularmente, los modelos de aprendizaje automático pueden determinar e identificar los puntos de referencia y los puntos de referencia basados en varias entradas, incluyendo etiquetas semánticas (por ejemplo, etiquetas semánticas asociadas con características de un punto de referencia). Además, los modelos aprendidos por la máquina podrían determinar las instrucciones de navegación a proporcionar en asociación con los puntos de referencia que se identifican.

Los modelos aprendidos por la máquina pueden ser incluidos o almacenados e implementados por el ordenador servidor que se comunica con el ordenador según una relación cliente-servidor. Por ejemplo, el ordenador servidor puede poner en marcha los modelos aprendidos por la máquina como parte de un servicio web (por ejemplo, un servicio de determinación de puntos de referencia). Así, los modelos aprendidos por la máquina se almacenan e implementan en el ordenador, y los modelos aprendidos por la máquina se almacenan e implementan en el ordenador servidor.

El ordenador también puede incluir un componente de entrada del usuario que recibe la entrada del usuario. Por ejemplo, el componente de entrada del usuario puede utilizar un componente sensible al tacto (por ejemplo, una pantalla sensible al tacto o un panel táctil) sensible al objeto de entrada del usuario (por ejemplo, un dedo o un lápiz óptico). El componente sensible al tacto puede servir para colocar un teclado virtual. Otros componentes de entrada del usuario incluyen un micrófono, un teclado tradicional, u otros medios por los que un usuario puede proporcionar la entrada del usuario.

El ordenador servidor puede realizar operaciones, incluyendo el acceso a datos de imágenes, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas.

Cada una de las etiquetas semánticas puede asociarse con características de la pluralidad de imágenes. Además, cada una de las características puede asociarse con una ubicación geográfica.

Las operaciones realizadas por el ordenador servidor pueden incluir la determinación de puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características.

El ordenador servidor puede almacenar o incluir de otro modo modelos aprendidos por máquina. Por ejemplo, los modelos aprendidos por máquina pueden incluir varios modelos aprendidos por máquina. Ejemplos de modelos aprendidos por máquina incluyen redes neuronales u otros modelos no lineales de múltiples capas. Los ejemplos de redes neuronales incluyen redes neuronales de avance, redes neuronales profundas, redes neuronales recurrentes y redes neuronales convolucionales. Se discuten ejemplos de los modelos de aprendizaje automático.

El ordenador y el servidor pueden entrenar los modelos aprendidos por la máquina a través de la interacción con el ordenador de entrenamiento que está conectado y acoplado comunicativamente a través de la red. El ordenador de entrenamiento puede estar separado del ordenador servidor o ser una parte del ordenador servidor.

Más sobre el aprendizaje automático para encontrar características semánticas localmente destacadas

El ordenador de entrenamiento incluye procesadores y memoria. Los procesadores pueden utilizar cualquier dispositivo de procesamiento adecuado (por ejemplo, un núcleo de procesador, un microprocesador, un ASIC, un FPGA, un controlador, un microcontrolador, etc.). Pueden utilizar un procesador o una pluralidad de procesadores conectados operativamente. La memoria puede incluir medios de almacenamiento no transitorios legibles por ordenador, incluyendo RAM, ROM, EEPROM, EPROM, dispositivos de memoria flash, discos magnéticos, etc., y combinaciones de los mismos. La memoria puede almacenar datos e instrucciones ejecutadas por el procesador para hacer que el ordenador de entrenamiento realice operaciones. En algunas implementaciones, el ordenador de entrenamiento incluye o es implementado de alguna manera por ordenadores servidores.

El ordenador de entrenamiento puede incluir un entrenador de modelos que entrena los modelos aprendidos por la máquina, respectivamente, almacenados en el ordenador y en el ordenador servidor utilizando diversas técnicas de entrenamiento o aprendizaje, incluyendo, por ejemplo, la propagación de errores hacia atrás. En algunas implementaciones, la realización de la propagación hacia atrás de los errores puede incluir la realización de la retropropagación truncada a través del tiempo. El entrenador de modelos puede realizar varias técnicas de generalización (por ejemplo, decaimientos de peso, abandonos, etc.) para mejorar la capacidad de generalización de los modelos entrenados.

En particular, el entrenador del modelo puede entrenar los modelos aprendidos por la máquina y los modelos aprendidos por la máquina basados en un conjunto de datos de entrenamiento 162. Los datos de entrenamiento pueden incluir, por ejemplo, datos semánticos (por ejemplo, etiquetas semánticas) que describen la ubicación y las características de los puntos de referencia en un área. Por ejemplo, los datos de entrenamiento pueden incluir dimensiones físicas asociadas con un punto de referencia, la proximidad de un punto de referencia a puntos de referencia (por ejemplo, un punto de vista), la ubicación de un punto de referencia (por ejemplo, latitud, longitud y altitud de un punto de referencia), y varios metadatos asociados con el punto de referencia (por ejemplo, un apodo para un punto de referencia y un nombre anterior de un punto de referencia).

Si el buscador ha dado su consentimiento, los ejemplos de entrenamiento pueden ser proporcionados por el ordenador. Los modelos aprendidos por la máquina proporcionados al ordenador pueden entrenar al ordenador de entrenamiento con los datos específicos del usuario recibidos del ordenador. En algunos casos, este proceso puede denominarse personalización del modelo.

El entrenador del modelo puede incluir la lógica del ordenador utilizada para proporcionar la funcionalidad deseada. El entrenador de modelos puede implementarse en hardware, firmware y software que controla un procesador de propósito general. Por ejemplo, en algunas implementaciones, el entrenador de modelos incluye archivos de programa almacenados en un dispositivo de almacenamiento, cargados en la memoria y ejecutados por procesadores. En otras implementaciones, el entrenador de modelos incluye conjuntos de instrucciones ejecutables por ordenador que se almacenan en un medio de almacenamiento tangible legible por ordenador, incluyendo un disco duro RAM o un medio óptico o magnético.

El ordenador de entrenamiento puede realizar operaciones, incluyendo el acceso a datos de imagen, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas. Cada una de las etiquetas semánticas puede asociarse con características de la pluralidad de imágenes. Además, cada una de las características puede asociarse con una ubicación geográfica. Las operaciones realizadas por el ordenador de entrenamiento pueden incluir la determinación de puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características.

Las operaciones realizadas por el ordenador de entrenamiento también pueden incluir la determinación, basada al menos en parte en los datos de contexto asociados con la ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista. Además, las operaciones realizadas por el ordenador de entrenamiento pueden incluir la generación de datos de navegación, incluyendo indicaciones asociadas con los puntos de referencia.

Un diagrama de un dispositivo de ejemplo según realizaciones de ejemplo

Un ordenador puede incluir características del ordenador, del ordenador servidor y del ordenador de entrenamiento. Además, el ordenador puede realizar acciones y operaciones, incluyendo las acciones y operaciones realizadas por el ordenador, el ordenador servidor y el ordenador de entrenamiento.

El ordenador puede incluir dispositivos de memoria, datos de referencia, interconexiones, procesadores, una interfaz de red, dispositivos de almacenamiento masivo, dispositivos de salida, una matriz de sensores y dispositivos de entrada.

Los dispositivos de memoria pueden almacenar información y datos (por ejemplo, los datos del punto de referencia), incluyendo información asociada con el procesamiento de instrucciones que se utilizan para realizar acciones y operaciones, incluyendo el acceso a las etiquetas semánticas, la identificación de puntos de referencia, la selección de un punto de referencia para su uso en la navegación, y la generación de una instrucción de navegación que hace referencia a un punto de referencia.

Los datos de hitos pueden incluir partes de los datos, los datos y los datos. Además, los datos de puntos de referencia pueden incluir mapas, etiquetas semánticas, salidas de sensores y modelos aprendidos por máquinas.

Las interconexiones pueden incluir interconexiones o buses que pueden llegar a ser utilizados para enviar y recibir señales (por ejemplo, señales electrónicas) y datos (por ejemplo, los datos de hitos) entre los componentes del ordenador, incluyendo los dispositivos de memoria, los procesadores, la interfaz de red, los dispositivos de almacenamiento masivo, los dispositivos de salida, el conjunto de sensores, y los dispositivos de entrada.

Las interconexiones pueden estar dispuestas o configuradas de diferentes maneras, incluyendo conexiones paralelas o en serie. Además, las interconexiones pueden incluir buses internos que conecten los componentes internos del ordenador; y buses externos que conecten los componentes internos del ordenador con dispositivos externos. A modo de ejemplo, las interconexiones pueden incluir diferentes interfaces, entre las que se incluyen la Arquitectura Estándar de la Industria (ISA), la ISA Extendida, la Interconexión de Componentes Periféricos (PCI), la PCI Express, la Conexión Serial AT (SATA), el Hipertransporte (HT), el USB (Bus Serial Universal), el Thunderbolt y la interfaz IEEE 1394 (FireWire).

Los procesadores pueden incluir procesadores informáticos que se configuran para ejecutar las instrucciones almacenadas en los dispositivos de memoria. Por ejemplo, los procesadores pueden incluir unidades de procesamiento central de propósito general (CPU), circuitos integrados de aplicación específica (ASIC) y unidades de procesamiento gráfico (GPU). Además, los procesadores pueden realizar acciones y operaciones, incluyendo acciones y operaciones asociadas con los datos de referencia. Por ejemplo, los procesadores pueden incluir uno o varios dispositivos de núcleo, incluyendo un microprocesador, un microcontrolador, un circuito integrado y un dispositivo lógico.

La interfaz de red puede soportar comunicaciones de red. Por ejemplo, la interfaz de red puede soportar la comunicación a través de una red de área local y una red de área amplia (por ejemplo, Internet). Los dispositivos de almacenamiento masivo (por ejemplo, una unidad de disco duro y una unidad de estado sólido) pueden utilizarse para almacenar datos, incluidos los datos de referencia. Los dispositivos de salida pueden incluir dispositivos de visualización (por ejemplo, pantallas LCD, OLED y CRT), fuentes de luz (por ejemplo, LED), altavoces y dispositivos de salida háptica.

Los dispositivos de entrada pueden incluir teclados, dispositivos sensibles al tacto (por ejemplo, una pantalla táctil), botones (por ejemplo, botones ON/OFF, botones YES/NO), micrófonos y cámaras (por ejemplo, cámaras que pueden ser utilizadas para la detección de gestos y expresiones faciales).

Los dispositivos de memoria y los dispositivos de almacenamiento masivo se ilustran por separado. Pero, los dispositivos de memoria y los dispositivos de almacenamiento masivo pueden utilizar regiones dentro del mismo módulo de memoria. El ordenador puede incluir más procesadores, dispositivos de memoria e interfaces de red, que pueden proporcionarse por separado o en el mismo chip o placa. Los dispositivos de memoria y los dispositivos de almacenamiento masivo pueden incluir medios legibles por ordenador, incluyendo, pero sin limitarse a, medios legibles por ordenador no transitorios, RAM, ROM, discos duros, unidades flash y otros dispositivos de memoria.

Los dispositivos de memoria pueden almacenar instrucciones para aplicaciones, incluyendo un sistema operativo asociado con varias aplicaciones de software o datos. Los dispositivos de memoria pueden ser utilizados para operar varias aplicaciones, incluyendo un sistema operativo móvil desarrollado específicamente para dispositivos móviles. Como tal, los dispositivos de memoria pueden almacenar instrucciones que permiten a las aplicaciones de software acceder a los datos, incluyendo los parámetros de la red inalámbrica (por ejemplo, la identidad de la red inalámbrica, la calidad del servicio), e invocar diversos servicios, incluyendo la telefonía, la determinación de la ubicación (por ejemplo, a través del servicio de posicionamiento global (GPS) o WLAN), y los servicios de originación de llamadas de datos de la red inalámbrica. En otras realizaciones, los dispositivos de memoria pueden llegar a utilizarse para operar o ejecutar un sistema operativo de propósito general que funcione tanto en dispositivos móviles como estacionarios, como smartphones y ordenadores de sobremesa, por ejemplo.

Las aplicaciones de software que el ordenador puede operar o ejecutar pueden incluir aplicaciones asociadas al sistema. Además, las aplicaciones de software que pueden ser operadas o ejecutadas por el ordenador pueden incluir aplicaciones nativas o aplicaciones basadas en la web.

El ordenador puede asociarse o incluir un sistema de posicionamiento (no mostrado). El sistema de posicionamiento puede incluir dispositivos o circuitos para determinar la posición del ordenador. Por ejemplo, el dispositivo de posicionamiento puede determinar la posición real o relativa mediante el uso de un sistema de posicionamiento de navegación por satélite (por ejemplo, un GPS, un sistema de posicionamiento Galileo, el sistema de navegación por satélite GLOBAL (GLONASS), el sistema de navegación y posicionamiento por satélite BeiDou), un sistema de navegación inercial, un sistema de cálculo muerto, basado en la dirección IP, mediante el uso de la triangulación y la proximidad a las torres celulares o puntos de acceso Wi-Fi, balizas, y similares y otras técnicas adecuadas para determinar la posición.

Detección de puntos de referencia según el ejemplo

La salida puede ser generada y determinada por un ordenador o computadora que incluye características del ordenador, el ordenador servidor y el ordenador de entrenamiento. La imagen incluye un objeto poste, un objeto fuente, un objeto parada de autobús, un objeto peatón y un objeto vehículo.

La imagen representa una escena con características asociadas a varios objetos que han sido identificados por un sistema de análisis de contenido (por ejemplo, un sistema de análisis de contenido que incluye modelos aprendidos por máquina entrenados para detectar características de contenido de entrada que pueden incluir o más imágenes). Por ejemplo, el sistema de análisis de contenido puede incluir características del ordenador, del ordenador servidor y del ordenador de entrenamiento.

Además, las características de la imagen, incluyendo el objeto de poste, el objeto de fuente, el objeto de parada de autobús, el objeto de peatón, y el objeto de vehículo, pueden conseguir asociados con varias etiquetas semánticas (por ejemplo, etiquetas semánticas que incluyen características de la pluralidad de etiquetas semánticas que pueden incluir descripciones de varios aspectos de las características. Por ejemplo, las características de la imagen pueden asociarse con una pluralidad de etiquetas semánticas basadas en el análisis del contenido de la imagen realizado por modelos aprendidos por máquina que incluyen características de los modelos aprendidos por máquina.

Una etiqueta semántica asociada con el objeto poste puede utilizarse para indicar que el objeto poste se asocia con un tipo de objeto que ocurre con frecuencia (por ejemplo, hay muchos postes en toda la ciudad en la que se capturó la imagen, incluyendo postes para señales de tráfico, cables telefónicos, cables eléctricos y varios postes de servicios públicos) y que el objeto poste tiene poca distinción (por ejemplo, los diversos postes que se encuentran en toda la ciudad en la que se capturó la imagen pueden tener un tamaño, forma y apariencia similares). Además, en cuanto a la prominencia, el objeto poste tiene un tamaño significativo (por ejemplo, significativo en relación con un umbral de importancia predeterminado que puede asociarse con las dimensiones físicas, incluida la altura de un objeto). Se puede ver desde varios ángulos y distancias.

El objeto polo es visualmente constante, con cambios mínimos en su apariencia a lo largo del tiempo. Los cambios en la apariencia del objeto poste pueden incluir pequeños cambios debidos a las condiciones climáticas (por ejemplo, la capa de nieve) y a las intervenciones humanas (por ejemplo, grafitis y carteles) que no hacen que el objeto poste sea indistinto de forma significativa. El objeto polo queda adherido al suelo. Tiene una ubicación constante a lo largo del tiempo, lo que hace que el objeto poste sea más apto para ser seleccionado como punto de referencia que los objetos que pueden alejarse de un lugar (por ejemplo, un peatón).

Además, sobre el contexto asociado al objeto poste (por ejemplo, el contexto asociado a la información incluida en los datos de contexto. El objeto poste está en primer plano y más cerca del punto de observación desde el que se capturó la imagen, lo que permite una vista sin obstáculos del objeto poste. La imagen del objeto poste se captura cuando la luz del día permite que el objeto poste sea claramente visible sin más luz (por ejemplo, una farola).

El objeto poste también está cerca de una farola (no mostrada) que puede iluminar el objeto poste cuando cae la oscuridad. Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto del poste es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más distintivos, más prominentes y son más visibles desde el punto de vista.

Una etiqueta semántica asociada al objeto fuente puede utilizarse para afirmar que el objeto fuente se asocia a un tipo de objeto que ocurre con poca frecuencia (por ejemplo, hay un pequeño número de fuentes en toda la ciudad en la que se captura la imagen) y que el objeto fuente es altamente distintivo (por ejemplo, el objeto fuente tiene una escultura única que lo distingue de otras fuentes). Además, en cuanto a la prominencia, el objeto fuente es grande, y el agua que salpica el aire del objeto fuente aumenta la distancia desde la que el objeto fuente es visible. El objeto de la fuente también se puede ver desde diferentes ángulos (por ejemplo, el objeto de la fuente se puede ver desde todos los lados, excepto desde debajo del objeto de la fuente) y distancias.

Sin embargo, el objeto de la fuente tiene una menor constancia visual, ya que el aspecto de la fuente cambia sustancialmente dependiendo de la estación del año (por ejemplo, el agua de la fuente se congela o se vacía en las estaciones frías) y de si la fuente está operativa (por ejemplo, el objeto de la fuente tiene un aspecto diferente cuando está chorreando agua que cuando la fuente no está chorreando agua). Además, el objeto de la fuente está firmemente fijado en el suelo. Tiene una ubicación constante a lo largo del tiempo, lo que hace que el objeto fuente sea más apto para ser seleccionado como punto de referencia que los objetos móviles (por ejemplo, un autobús o un tren).

Además, sobre el contexto asociado al objeto fuente (por ejemplo, el contexto asociado a la información que puede incluirse en los datos de contexto. El objeto de la fuente está en el fondo y más lejos del punto de vista desde el que se capturó la imagen, lo que a veces puede obstruir la vista del objeto de la fuente dependiendo del punto de vista desde el que se vio el objeto de la fuente.

La imagen del objeto de la fuente se capturó cuando la luz del día permite que el objeto de la fuente sea claramente visible sin más luz (por ejemplo, una farola). El objeto de la fuente también incluye su propio conjunto de lámparas que pueden iluminar el objeto de la fuente por la noche. Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto de la fuente es más apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con más frecuencia, son menos prominentes y son menos distintivos.

Una etiqueta semántica asociada al objeto parada de autobús puede utilizarse para indicar que el objeto parada de autobús se asocia a un tipo de objeto que aparece con frecuencia (por ejemplo, hay muchas paradas de autobús en toda la ciudad en la que se capturó la imagen) y que el objeto parada de autobús tiene poca distinción (por ejemplo, el objeto parada de autobús carece de características distintivas que lo diferencien de otras paradas de autobús). Además, en cuanto a la prominencia, el objeto de la parada de autobús es significativo y puede verse desde varios ángulos y distancias.

Además, el objeto de la parada de autobús es visualmente constante, con cambios mínimos en su apariencia a lo largo del tiempo. Los cambios en la apariencia del objeto de la parada de autobús pueden incluir cambios menores debidos a las condiciones climáticas (por ejemplo, la capa de nieve) y a las intervenciones humanas (por ejemplo, grafitis y carteles) que no hacen indistinto el objeto de la parada de autobús de forma significativa. Además, el objeto de la parada de autobús es una estructura que se adhiere al suelo y tiene una ubicación constante a lo largo del tiempo, lo que hace que el objeto de la parada de autobús sea más apto para ser seleccionado como punto de referencia.

Además, el contexto asociado al objeto de la parada de autobús (por ejemplo, el contexto asociado a la información que puede incluirse en los datos de contexto descritos en el método. El objeto de la parada de autobús está en el fondo y más lejos del punto de vista desde el que se captura la imagen, lo que obstruye la vista del objeto de la parada de autobús. Por ejemplo, desde varios puntos de vista, el objeto del poste puede obstruir el objeto del autobús. La imagen del objeto de la parada de autobús se captura cuando la luz del día permite que el objeto de la parada de autobús sea claramente visible sin más luz (por ejemplo, una farola). Además, el objeto de la parada de autobús también está situado cerca de una farola (no mostrada) y tiene su propia fuente de luz que se ilumina cuando cae la noche (por ejemplo, una lámpara dentro del objeto de la parada de autobús).

Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto de la parada de autobús es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más distintivos y son más visibles desde el punto de vista.

Una etiqueta semántica asociada al objeto peatón puede utilizarse para indicar que el objeto peatón se asocia a un tipo de objeto que aparece con frecuencia (por ejemplo, hay muchos peatones presentes en varios lugares de la ciudad en la que se ha capturado la imagen) y que el objeto peatón es poco distintivo (por ejemplo, a distancia los peatones tienden a parecerse y cerca de ellos una gran parte de los peatones no tienen un aspecto muy distintivo). Además, en cuanto a la prominencia, el objeto peatonal no es especialmente grande. A menudo se ve obstruido por otros objetos, entre ellos, por ejemplo, el objeto poste y el objeto parada de autobús, dependiendo del punto de vista desde el que se vea el objeto peatonal.

Además, el objeto peatón no es visualmente constante, ya que los cambios en la ropa y otros aspectos de la apariencia física de un peatón son relativamente frecuentes. Por ejemplo, los cambios en la apariencia del objeto peatonal pueden incluir cambios en la ropa, las gafas y los sombreros que lleva el objeto peatonal. Además, el objeto peatonal es móvil y tiene una ubicación que es muy variable en el tiempo. Por ejemplo, el objeto peatón puede pasar de una ubicación de casa al objeto de parada de autobús a un autobús que transporta el objeto peatón fuera de la ubicación en la imagen.

Además, el contexto asociado con el objeto peatonal (por ejemplo, el contexto asociado con la información que puede ser incluida en los datos de contexto, El objeto peatonal está en el fondo y en un rango intermedio desde el punto de vista desde el cual la imagen fue capturada. La imagen del objeto peatonal se captura cuando la luz del día permite que el objeto peatonal sea claramente visible sin más luz (por ejemplo, una farola).

El objeto peatonal también está cerca de una farola (no mostrada) que puede iluminar el objeto peatonal cuando cae la oscuridad. Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto peatonal es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más distintivos, son más prominentes y son más visibles desde el punto de vista. Además, la alta movilidad asociada al objeto peatonal también hace que el objeto peatonal sea menos apto para ser seleccionado como punto de referencia.

Una etiqueta semántica asociada al objeto vehículo puede utilizarse para afirmar que el objeto vehículo se asocia a un tipo de objeto que aparece con frecuencia (por ejemplo, hay muchos vehículos presentes en varios lugares de la ciudad en la que se ha capturado la imagen) y que el objeto vehículo es poco distintivo (por ejemplo, hay muchos vehículos que parecen similares, incluyendo vehículos de la misma marca, modelo y color).

Además, en cuanto a la prominencia, el objeto vehículo es significativo y puede verse desde varios ángulos y distancias. Pero, al ser móvil, otros objetos suelen obstruir el objeto vehículo. Además, el objeto vehículo es visualmente constante, ya que la forma y el color del objeto vehículo permanecen constantes a lo largo del tiempo. Además, el objeto vehículo es muy móvil y tiene una ubicación que puede cambiar rápidamente en un corto período de tiempo. Por ejemplo, excepto cuando está aparcado, el objeto vehículo tiende a cambiar de ubicación con frecuencia, ya que se utiliza para transportar personas y mercancías por toda la ciudad en la que se capturó la imagen.

Además, sobre el contexto asociado al objeto vehículo (por ejemplo, un contexto asociado a la información que puede incluirse en los datos de contexto. El objeto vehículo está lejos en el fondo sobre el punto de vista desde el cual la imagen fue capturada. La imagen del objeto vehículo capturada durante el día permite que el objeto vehículo sea claramente visible sin más luz (por ejemplo, una farola).

El objeto vehicular también tiene su propia fuente de luz (por ejemplo, los faros) que puede iluminar el área alrededor del objeto vehicular, pero que no proporciona una gran cantidad de iluminación del objeto vehicular en sí mismo (por ejemplo, los faros y las luces traseras del objeto vehicular son obvios pero proporcionan una impresión diferente de la apariencia del objeto vehicular cuando ha caído la oscuridad).

Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto del vehículo es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más distintivos, son más prominentes y son más visibles desde el punto de vista. Además, la alta movilidad asociada al objeto del vehículo también hace que éste sea menos apto para ser seleccionado como punto de referencia.

La detección de puntos de referencia muestra una escena con características asociadas a varios objetos

La salida puede ser generada y determinada por un ordenador que incluye características del ordenador, del ordenador servidor y del ordenador de entrenamiento. La imagen incluye un objeto de edificio, un objeto de escultura, un objeto de señalización y un objeto de dirección.

La imagen representa una escena con características asociadas a varios objetos identificados por un sistema de análisis de contenido (por ejemplo, un sistema de análisis de contenido que incluye modelos aprendidos por máquina entrenados para detectar características de contenido de entrada que pueden incluir más imágenes). Por ejemplo, el sistema de análisis de contenido puede incluir características del ordenador, del ordenador servidor y del ordenador de entrenamiento.

Además, las características de la imagen, incluyendo el objeto del edificio, el objeto de la escultura, el objeto de la escultura, el objeto de la señalización, y el objeto de la dirección, pueden llegar a ser asociadas con varias etiquetas semánticas (por ejemplo, etiquetas semánticas que incluyen características de la pluralidad de etiquetas semánticas que pueden incluir descripciones de varios aspectos de las características. Por ejemplo, las características de la imagen pueden asociarse con una pluralidad de etiquetas semánticas basadas en el análisis del contenido de la imagen realizado por modelos aprendidos por la máquina que incluyen características de los modelos aprendidos por la máquina.

Una etiqueta semántica asociada con el objeto de escultura y el objeto de escultura puede ser utilizada para afirmar que el objeto de escultura y el objeto de escultura se asocian con un tipo de objeto que ocurre con poca frecuencia (por ejemplo, hay un pequeño número de pares de esculturas en relieve en los edificios de la ciudad en la que la imagen fue capturada) y que el objeto de escultura y el objeto de escultura son altamente distintivos (por ejemplo, el objeto de escultura y el objeto de escultura tienen características escultóricas únicas que los distinguen de otras esculturas).

Además, en cuanto a la prominencia, el objeto escultórico y el objeto escultórico tienen un tamaño significativo (por ejemplo, significativo en relación con un umbral de importancia predeterminado que puede asociarse a las dimensiones físicas, incluida la altura de un objeto) y sobresalen de la superficie del objeto de construcción, lo que permite que el objeto escultórico y el objeto escultórico se vean desde varios ángulos y distancias.

La ubicación del objeto escultórico junto al objeto escultórico aumenta aún más el carácter distintivo de la pareja, ya que el carácter distintivo de cualquiera de los objetos puede basarse no sólo en el carácter distintivo individual de cada objeto, sino también en el carácter distintivo de ambos objetos como parte de una pareja de objetos. En consecuencia, las combinaciones de características pueden asociarse con una etiqueta semántica (por ejemplo, una etiqueta semántica que describa «un par de esculturas en relieve»).

Además, el objeto de la escultura y el objeto de la escultura son visualmente constantes, ya que la escultura se talló en granito (una piedra resistente) cambiado con el tiempo. Además, el objeto de la escultura y el objeto de la escultura forman parte del objeto del edificio y están firmemente unidos a él y permanecen en la misma ubicación a lo largo del tiempo, lo que hace que el objeto de la escultura y el objeto de la escultura sean más aptos para ser seleccionados como punto de referencia.

Para el contexto asociado al objeto escultórico y al objeto escultórico (por ejemplo, un contexto asociado a la información que puede incluirse en los datos de contexto descritos en el método), el objeto escultórico y el objeto escultórico se sitúan a una altura fácilmente visible desde el nivel del suelo. La imagen del objeto de la escultura y del objeto de la escultura se captura cuando la luz del día permite que el objeto de la escultura y el objeto de la escultura sean claramente visibles sin más luz. Ni la escultura ni el objeto escultórico incluyen una fuente de luz y no se colocan donde una fuente de luz externa pueda iluminar el objeto o el objeto por la noche. Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto de la escultura y el objeto de la escultura son más aptos para ser incluidos que los otros puntos de referencia potenciales en la imagen que ocurren con más frecuencia, son menos prominentes y son menos distintivos.

Una etiqueta semántica asociada al objeto de señalización puede utilizarse para afirmar que el objeto de señalización se asocia a un tipo de objeto que aparece con frecuencia (por ejemplo, hay muchas señales de diversos tamaños y formas en los edificios de la ciudad en la que se ha capturado la imagen) y que el objeto de señalización es poco distintivo (por ejemplo, desde la distancia el objeto de señalización se parece a muchas otras señales diferentes y hay otras señales que parecen iguales al objeto de señalización).

Además, en cuanto a la prominencia, el objeto de señalización no es muy grande, no ocupa una posición prominente y puede resultar difícil de discernir desde una distancia larga o desde un ángulo que no esté cerca de estar directamente frente al objeto de señalización. El objeto de señalización es en sí mismo visualmente constante, con mínimos cambios de apariencia a lo largo del tiempo. Sin embargo, la exposición a los elementos (por ejemplo, la cubierta de nieve) puede alterar significativamente la visibilidad del objeto de señalización. Además, el objeto de señalización se encuentra en un momento de ubicación constante, lo que hace que el objeto sea más apto para ser seleccionado como punto de referencia.

Al contexto asociado al objeto de señalización (por ejemplo, el contexto asociado a la información incluida en los datos de contexto. La imagen del objeto de señalización se capturó cuando la luz del día permite que el objeto de señalización sea claramente visible sin luz adicional (por ejemplo, una farola). El objeto de señalización incluye una fuente de luz que puede iluminar el objeto de señalización cuando cae la oscuridad. Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto de señalización es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más prominentes y son más distintivos.

Una etiqueta semántica asociada al objeto de dirección puede utilizarse para indicar que el objeto de dirección se asocia con un tipo de objeto que aparece con frecuencia (por ejemplo, hay muchas señales de dirección de varios tamaños y formas en edificios, postes y otras estructuras en toda la ciudad en la que se capta la imagen) y que el objeto de dirección tiene poca distinción (por ejemplo, desde la distancia el objeto de dirección se parece a muchas otras señales de dirección y hay otras señales con el número «107» que parecen iguales al objeto de dirección).

Además, en cuanto a la prominencia, el objeto de dirección tiene un tamaño pequeño y puede ser difícil de distinguir desde la distancia. El objeto de la dirección es en sí mismo visualmente constante, con mínimos cambios de apariencia a lo largo del tiempo. Además, un elemento calefactor en el objeto de dirección evita que éste se oscurezca debido a las condiciones ambientales, incluyendo la nieve o la escarcha. Además, el objeto de dirección tiene una ubicación constante a lo largo del tiempo, lo que hace que el objeto de dirección sea más apto para ser seleccionado como punto de referencia.

En cuanto al contexto asociado al objeto de la dirección (por ejemplo, el contexto asociado a la información que puede incluirse en los datos de contexto descritos, la imagen del objeto de la dirección se captura durante un momento en el que la luz del día permite que el objeto de la dirección sea claramente visible sin más luz (por ejemplo, una farola). Sin embargo, el objeto de dirección no incluye su propia fuente de luz, ni es iluminado por una fuente de luz externa (por ejemplo, una farola) durante la noche.

Por lo tanto, cuando se seleccionan los puntos de referencia (por ejemplo, seleccionados por el ordenador) en el punto de vista en el que se capturó la imagen, el objeto de la dirección es menos apto para ser incluido que los otros puntos de referencia potenciales en la imagen que ocurren con menos frecuencia, son más distintivos y son más prominentes. A modo de ejemplo, el ordenador puede seleccionar al menos uno de los objetos como punto de referencia para utilizarlo como instrucción de navegación (por ejemplo, la instrucción de navegación descrita en el método representado en la FIG. 7).

Identificación de puntos de referencia según ejemplos de realizaciones

La imagen es un mapa de un área (París y los alrededores de París), que incluye representaciones de ubicaciones asociadas con etiquetas semánticas (por ejemplo, etiquetas semánticas que incluyen características de la pluralidad de etiquetas semánticas descritas en el método) que denotan puntos de referencia localmente prominentes.

En este ejemplo, los objetos son la ubicación de fuentes (por ejemplo, fuentes con características del objeto fuente) que son localmente prominentes.

La región, que incluye el objeto, incluye menos fuentes que la región, que tiene muchas fuentes, incluyendo el objeto y el objeto. En la determinación de un punto de referencia localmente prominente a seleccionar para su uso en la navegación, la frecuencia con la que se produce un objeto asociado a una etiqueta semántica puede influir en la selección del objeto para su uso como punto de referencia, siendo los objetos que se producen con menos frecuencia más aptos para ser seleccionados como punto de referencia que los objetos que se producen con más frecuencia.

En consecuencia, a igualdad de condiciones, es más probable que el objeto sea seleccionado como punto de referencia en la región que en la región. Por ejemplo, el ordenador puede seleccionar uno de los objetos como punto de referencia para utilizarlo como instrucción de navegación (por ejemplo, la instrucción de navegación descrita en el método).

Identificación de puntos de referencia en un entorno

Las operaciones en el entorno pueden ser realizadas por un ordenador o computadora que incluye características del ordenador, el ordenador servidor y el ordenador de entrenamiento. El entorno incluye un ordenador, una carretera, un umbral de campo de visión, un umbral de campo de visión, un punto de vista, una dirección de desplazamiento, un objeto árbol, un objeto monumento, un objeto farola, una señal de calle y un objeto banco de parque.

El ordenador incluye características del ordenador. Consigue situar dentro del punto de observación, un vehículo que se desplaza por la carretera junto con una trayectoria de viaje correspondiente al sentido de la marcha. El punto de observación incluye sensores, incluyendo cámaras que proporcionan una vista del entorno que captura la porción del entorno delante del umbral del campo de visión y el umbral del campo de visión. Además, el campo de visión delinea un límite que divide el entorno en una primera región que incluye el objeto de la señal de la calle, en la que los objetos pueden ser seleccionados para su uso como un punto de referencia; y una segunda región que incluye el objeto del banco del parque, en la que los objetos no pueden ser seleccionados para su uso como un punto de referencia.

Desde el punto de vista, los objetos asociados con las etiquetas semánticas incluyen el objeto banco del parque, que es un banco del parque que está fuera del campo de visión de los sensores del ordenador y no será seleccionado como un punto de referencia potencial ya que el banco del parque está fuera del campo de visión. El punto de vista se aleja del objeto banco del parque.
Un objeto detrás de un espectador que se aleja del objeto puede ser de menor valor para su uso como instrucción de navegación. Dentro del campo de visión del punto de observación se encuentran el objeto árbol, que es un arce, el objeto monumento, que es un monumento sobre un pedestal alto que incluye una gran estatua de bronce de un jinete vestido con un atuendo de la época napoleónica y montado en un caballo, el objeto poste de luz, que es un pequeño poste de luz, y el objeto señal de tráfico, que es una señal de stop.

En este ejemplo, el objeto monumento se selecciona para su uso como punto de referencia debido a su rareza (por ejemplo, el monumento es único y la presencia de monumentos similares es baja), prominencia (por ejemplo, el monumento es grande y está montado en un pedestal alto), carácter distintivo (por ejemplo, el monumento tiene una apariencia única y distintiva), y su ubicación que está dentro del campo de visión desde el punto de vista.

Acceso a una pluralidad de etiquetas semánticas localmente destacadas asociadas a una pluralidad de imágenes

Partes del método pueden ejecutarse o implementarse en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden ser ejecutadas o implementadas como un algoritmo en los dispositivos de hardware o sistemas divulgados en el presente documento. Representa los pasos realizados en un orden particular para propósitos de ilustración y discusión. A partir de la información que se proporciona en este documento, los expertos en la materia comprenderán que varios pasos de cualquiera de los métodos que se describen en este documento pueden adaptarse, modificarse, reorganizarse, omitirse y ampliarse sin desviarse del alcance de la patente.

El método puede incluir el acceso a una pluralidad de etiquetas semánticas asociadas a una pluralidad de imágenes. Cada etiqueta semántica de la pluralidad de etiquetas semánticas puede asociarse con características representadas por una de la pluralidad de imágenes. Por ejemplo, cada etiqueta semántica puede incluir una descripción semántica de un objeto en una escena representada por una de la pluralidad de imágenes. Además, cada característica de las características puede conseguir asociarse con una ubicación geográfica. La pluralidad de imágenes puede incluir imágenes digitales (por ejemplo, una imagen bidimensional) de una parte de un entorno (por ejemplo, una imagen de un conjunto de objetos en una ubicación particular en un entorno).

La pluralidad de imágenes puede codificarse en cualquier tipo de formato de imagen, incluyendo una combinación de imágenes rasterizadas (por ejemplo, mapas de bits que comprenden una cuadrícula de píxeles) e imágenes vectoriales (por ejemplo, representaciones poligonales de imágenes basadas en posiciones de coordenadas que incluyen los ejes x e y de un plano bidimensional). Las imágenes pueden incluir imágenes fijas, fotogramas de una película y otros tipos de imágenes, incluyendo imágenes LIDAR, imágenes RADAR y otros tipos de imágenes.

Algunos ejemplos de formatos de imagen digital utilizados por la pluralidad de imágenes pueden ser JPEG (Joint Photographic Experts Group), BMP (Bitmap), TIFF (Tagged Image File Format), PNG (Portable Network Graphics) y GIF (Graphics Interchange Format). Las imágenes pueden obtenerse de diversas fuentes, como imágenes enviadas por los usuarios, imágenes de dominio público (por ejemplo, obtenidas mediante rastreo web y debidamente agregadas y anonimizadas), imágenes panorámicas a nivel de calle recogidas de diversas fuentes, incluidos los dispositivos de los usuarios (por ejemplo, teléfonos inteligentes con cámaras), y otras fuentes de imágenes.

La pluralidad de etiquetas semánticas asociadas con las imágenes puede asociarse con características que incluyen dimensiones físicas (por ejemplo, dimensiones físicas de los objetos en una imagen, incluyendo la altura, la longitud y la anchura de un objeto); descripciones (por ejemplo, descripciones que incluyen descripciones creadas manualmente y descripciones generadas por un sistema de análisis de contenido que puede incluir características del ordenador, el ordenador servidor y el ordenador de entrenamiento) e identificadores de objetos (por ejemplo, la identidad de los objetos representados en las imágenes).

Por ejemplo, un identificador para la torre Eiffel en París, Francia, puede incluir un identificador asociado con el nombre de la torre Eiffel en inglés, «Eiffel tower», así como el nombre de la Eiffel en francés «La tour Eiffel» Además, las etiquetas semánticas asociadas a la torre Eiffel pueden incluir información asociada a la torre Eiffel, incluyendo las dimensiones físicas (por ejemplo, la altura de la torre Eiffel), el color (por ejemplo, marrón) y las etiquetas semánticas asociadas al tipo de estructura (por ejemplo, edificio, torre, atracción turística y monumento). Más información asociada con cualquiera de la pluralidad de imágenes y la pluralidad de etiquetas semánticas puede incluir: una ubicación (por ejemplo, una dirección de la calle y una altitud, latitud y longitud asociadas con una imagen); una hora del día (por ejemplo, una hora del día en que se capturó una imagen); una fecha (por ejemplo, una fecha en que se capturó una imagen);

El ordenador puede acceder a datos almacenados localmente (por ejemplo, almacenados en un dispositivo de almacenamiento del ordenador), incluyendo información asociada a la pluralidad de etiquetas semánticas e imágenes. Además, el ordenador puede acceder (por ejemplo, acceder a través de la red) a los datos (por ejemplo, la pluralidad de imágenes y la pluralidad de etiquetas semánticas) almacenados en un dispositivo de almacenamiento remoto (por ejemplo, un dispositivo de almacenamiento del ordenador servidor y del ordenador de entrenamiento).

El ordenador puede recibir datos que incluyan información asociada a la pluralidad de etiquetas semánticas y a la pluralidad de imágenes a través de una red de comunicación (por ejemplo, una red inalámbrica y por cable que incluya una LAN, una WAN o Internet) a través de la cual se pueden enviar y recibir señales (por ejemplo, señales electrónicas) y datos. El ordenador puede, por ejemplo, recibir la pluralidad de imágenes y la pluralidad de etiquetas semánticas desde el ordenador servidor y el ordenador de entrenamiento a través de la red.

Cada una de las características puede asociarse con una hora del día (por ejemplo, una hora, un minuto y un segundo del día), una estación (por ejemplo, invierno, verano, primavera u otoño), una constancia visual (por ejemplo, el grado en que las características aparecen igual a lo largo del tiempo) y ubicaciones desde las que cada una de las características es visible (por ejemplo, ubicaciones geográficas que incluyen la latitud, la longitud y la altitud desde las que cada característica es visible).

Por ejemplo, la constancia visual de un edificio existente puede asociarse con el tamaño del edificio que permanece igual a lo largo del tiempo (por ejemplo, de mes a mes o de año a año). Así, un edificio en construcción con sólo los cimientos al principio, una estructura de acero desnuda al cabo de dos meses y una fachada terminada al cabo de tres meses tendría una constancia visual menor que un edificio totalmente construido con mínimos cambios estructurales a lo largo del tiempo.

El método puede incluir la identificación, basada al menos en parte en la pluralidad de etiquetas semánticas, de puntos de referencia que incluyan las características que cumplen con los criterios entrópicos que miden las características, incluyendo una prominencia localizada de cada una de las características. Por ejemplo, el ordenador puede acceder a los datos asociados con la pluralidad de etiquetas semánticas que indican los puntos de referencia de un área. Además, los puntos de referencia pueden asociarse con características (por ejemplo, dimensiones físicas o forma) en comparación con los criterios entrópicos utilizados para identificar los puntos de referencia.

Los criterios entrópicos pueden asociarse a la frecuencia con la que cada uno de los rasgos se da en la zona (por ejemplo, la tasa de aparición de los rasgos), el carácter distintivo de cada rasgo (por ejemplo, la medida en que cada rasgo es diferente de otros rasgos de la zona), la prominencia de cada rasgo (por ejemplo, el grado de prominencia de un rasgo por sus dimensiones físicas y su visibilidad), la constancia visual de un rasgo (por ejemplo, cuánto cambia visualmente el rasgo con el tiempo) y la persistencia locativa del rasgo (por ejemplo, el grado en que el rasgo permanecerá en la misma ubicación a lo largo del tiempo). La satisfacción de los criterios entrópicos puede basarse, por ejemplo, en que un elemento sea infrecuente (por ejemplo, el único poste de bandera de una zona o uno de los dos edificios altos de una zona).

Por ejemplo, los criterios entrópicos pueden aplicarse a las etiquetas semánticas asociadas a las imágenes. Por ejemplo, los criterios entrópicos pueden aplicarse a las etiquetas semánticas asociadas a la imagen para determinar que el objeto de la fuente satisface los criterios entrópicos basándose en parte en su menor frecuencia, mayor distinción y mayor prominencia que los demás objetos de la imagen.

A modo de ejemplo adicional, los criterios entrópicos pueden ser aplicados a las etiquetas semánticas asociadas con la imagen para determinar que el objeto escultura y el objeto escultura satisfacen los criterios entrópicos basados en parte en su menor frecuencia, mayor distinción y mayor prominencia en comparación con los otros objetos de la imagen.

La agrupación u otras técnicas algorítmicas pueden ser utilizadas para determinar una rareza o infrecuencia asociada con cada característica, que puede entonces guiar la selección de características para su uso como puntos de referencia. Por ejemplo, para cada ubicación, se puede analizar un área alrededor de la misma para identificar qué características asociadas a la ubicación son más raras (por ejemplo, un histograma de etiquetas semánticas en un área alrededor de la ubicación de un mirador podría determinar que un monumento con un jinete montado en un caballo aparece una vez mientras que un conjunto de semáforos aparece veinte veces, indicando así que el monumento tiene un valor de entropía más alto y es una mejor opción para su uso como punto de referencia).

A modo de ejemplo adicional, la satisfacción de los criterios entrópicos puede incluir el carácter distintivo de varias características de un rasgo sobre otros rasgos similares en la zona (por ejemplo, una casa pequeña situada en una esquina de una intersección con cuatro esquinas contrastará con, y será más distintiva que, los edificios de gran altura situados en las otras tres esquinas).

Los puntos de referencia pueden determinarse a partir de las estadísticas de las etiquetas semánticas agregadas geográficamente y a lo largo del tiempo para cada ubicación, centrándose en las «etiquetas» de alta entropía, por ejemplo, aquellas etiquetas asociadas a las características que parecen persistir en el tiempo y pueden mostrar una prominencia altamente localizada. Así, el sistema puede identificar etiquetas de alta confianza pero comparativamente inusuales o raras en el área circundante.

Los criterios entrópicos pueden incluir una frecuencia de ocurrencia de cada una de las características dentro de un área predeterminada que no exceda un umbral de frecuencia predeterminado (por ejemplo, el número de veces que las características ocurren por unidad de área), una persistencia temporal (por ejemplo, el tiempo que una característica ha estado presente en un área particular) de cada una de las características en una ubicación que exceda un umbral de duración predeterminado, y el tamaño (por ejemplo, las dimensiones físicas) de cada una de las características que exceda un umbral de tamaño.

Por ejemplo, un elemento (por ejemplo, una estatua) que se presenta más de una vez en un área de veinte metros por veinte metros cuadrados podría superar una frecuencia umbral predeterminada de una estatua que no se presenta más de una vez en un área de cincuenta por cincuenta metros cuadrados.

El método puede incluir la selección, basada al menos en parte en los datos de contexto asociados con una ubicación en un camino, incluyendo una pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación. Por ejemplo, el ordenador puede determinar un contexto, incluyendo la hora del día, la estación del año, y la cantidad de tráfico próximo a un punto de vista. Basándose, por ejemplo, en el contexto que indica que una fuerte niebla ha envuelto el área alrededor de la ubicación, el ordenador puede seleccionar un punto de referencia que está brillantemente iluminado.

El ordenador puede determinar que los datos del contexto indican que la estación es el invierno y que la zona está cubierta de nieve. Basándose en que una parte de los puntos de referencia se cubren de nieve, el ordenador puede seleccionar al menos un punto de referencia localmente prominente cuando se cubre de nieve o que se sitúa de forma que al menos un punto de referencia no se cubre de nieve. Por ejemplo, un edificio muy alto (el más alto de la zona) puede no quedar cubierto por la nieve y, por tanto, seguir siendo localmente prominente. Por el contrario, un mural distintivo en una pared puede no ser visible debido a la cobertura de nieve.

El ordenador puede determinar la cantidad de tráfico próxima a un punto de observación basándose en los resultados del conjunto de sensores, que pueden incluir cámaras que detectan la cantidad de tráfico (por ejemplo, tráfico peatonal y tráfico de vehículos) y otras actividades (por ejemplo, construcción) próximas al punto de observación. El ordenador puede seleccionar al menos un punto de referencia basado en la cantidad de tráfico detectada por el conjunto de sensores.

El método puede incluir la generación de al menos una instrucción de navegación que haga referencia a al menos un punto de referencia. Al menos una instrucción de navegación puede incluir instrucciones visuales (por ejemplo, instrucciones textuales mostradas en un dispositivo de visualización) e instrucciones audibles (por ejemplo, instrucciones emitidas por un dispositivo de salida de audio).

El ordenador puede generar instrucciones visuales, incluyendo instrucciones textuales mostradas en un dispositivo de visualización (por ejemplo, una pantalla plana). Las instrucciones textuales pueden, por ejemplo, describir la apariencia de un hito (por ejemplo, «un gran edificio blanco con una fila de columnas jónicas») y la ubicación del hito (por ejemplo, «en línea recta»). Las instrucciones visuales pueden incluir imágenes asociadas al hito. Por ejemplo, las instrucciones textuales del «gran edificio blanco con una hilera de columnas jónicas» pueden ir acompañadas de una imagen del edificio.

Además, la imagen del gran edificio blanco con la hilera de columnas jónicas incluida en las instrucciones visuales puede generarse basándose, al menos en parte, en la ubicación del punto de vista del hito. Por ejemplo, cuando un hito es un edificio de cuatro lados, la imagen asociada a las instrucciones visuales puede convertirse en una imagen del lado del edificio que es visible desde el punto de vista.

A modo de ejemplo, el ordenador puede generar instrucciones sonoras que describan la apariencia de un punto de referencia (por ejemplo, «una puerta ornamentada con un león y un dragón») y la ubicación del punto de referencia (por ejemplo, «a su izquierda en la siguiente intersección»). Además, las instrucciones sonoras pueden ser las mismas que las visuales (por ejemplo, cuando las instrucciones visuales indican visualmente «un edificio rojo a la derecha», las instrucciones sonoras pueden indicar «un edificio rojo a la derecha»).

Las instrucciones audibles pueden ser diferentes de las instrucciones visuales (por ejemplo, cuando las instrucciones visuales indican visualmente «un edificio rojo a la derecha», las instrucciones de audio pueden indicar «un gran edificio rojo junto a un pequeño edificio blanco»).

Al menos una instrucción audible puede generarse a un nivel de volumen asociado con la proximidad de al menos un punto de referencia sobre el punto de observación. Por ejemplo, las instrucciones audibles pueden generarse a un volumen inversamente proporcional a la distancia entre el punto de observación y al menos un punto de referencia (por ejemplo, el volumen de las instrucciones audibles aumenta a medida que la distancia a al menos un punto de referencia disminuye).

Determinación de la frecuencia con la que se produce cada característica dentro de un área predeterminada

Partes del método pueden llegar a ejecutarse o implementarse en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden llegar a ser ejecutadas o implementadas como un algoritmo en los dispositivos o sistemas de hardware divulgados en el presente documento. Partes del método pueden ser ejecutadas. Representa pasos realizados en un orden particular para propósitos de ilustración y discusión. Utilizando las divulgaciones proporcionadas en el presente documento, los expertos en la materia comprenderán que varios pasos de cualquiera de los métodos divulgados en el presente documento pueden adaptarse, modificarse, reordenarse, omitirse y ampliarse sin desviarse del alcance de la patente.

El método puede incluir la determinación de la tasa a la que se produce cada característica dentro de un área predeterminada. F basada al menos en parte en la pluralidad de etiquetas semánticas. Además, las características pueden incluir características individuales, incluyendo el tamaño de un objeto o el brillo de los objetos iluminados, y combinaciones de las características, incluyendo combinaciones de colores y formas.

Por ejemplo, el ordenador puede determinar la frecuencia con la que una combinación de características (por ejemplo, una letra estilizada del alfabeto de color amarillo brillante) se produce en un área de un kilómetro cuadrado. Además, las características pueden asociarse con etiquetas semánticas para una letra del alfabeto (por ejemplo, la letra «N»), un color particular (por ejemplo, amarillo brillante) y un establecimiento asociado con las características (por ejemplo, un banco, un restaurante u otro negocio). El ordenador puede determinar que la combinación de características se produce una vez dentro del área de un kilómetro cuadrado.

La determinación, basada al menos en parte en la pluralidad de etiquetas semánticas, de una tasa en la que cada una de las características ocurre dentro de un área predeterminada puede ser utilizada en la identificación, basada al menos en parte en la pluralidad de etiquetas semánticas, de los puntos de referencia que incluyen las características que cumplen con los criterios entrópicos que miden una prominencia localizada de cada una de las características.

El método puede incluir la determinación de que los puntos de referencia incluyen las características menos frecuentes por debajo de una tasa de umbral. Por ejemplo, en la determinación de un restaurante para utilizar como punto de referencia entre un grupo de restaurantes, el ordenador puede determinar que el restaurante que se produce menos entre otros restaurantes en la zona se incluirá en los puntos de referencia. Por ejemplo, al determinar un objeto para usar como punto de referencia, el ordenador puede determinar que una escultura prominente que ocurre por debajo de una tasa de umbral (por ejemplo, una tasa de umbral de una ocurrencia por kilómetro cuadrado) se incluirá en los puntos de referencia.

La determinación de que los puntos de referencia incluyen las características que ocurren menos o que ocurren a una tasa por debajo de una tasa de umbral puede ser utilizada en la identificación, basada al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia localmente prominentes que incluyen las características que satisfacen los criterios entrópicos que miden una prominencia localizada de cada una de las características.

El método puede incluir la determinación de una puntuación de confianza para cada característica basada, al menos en parte, en el número de veces que cada característica de las características se ha asociado con una etiqueta semántica de la pluralidad de etiquetas semánticas. Por ejemplo, el ordenador puede acceder a los datos asociados con el número de veces que cada característica se ha etiquetado con la misma etiqueta o con un conjunto de etiquetas relacionadas (por ejemplo, un conjunto de etiquetas que incluye una etiqueta de ventana también puede incluir una etiqueta de ojo de buey). Una característica etiquetada con la misma característica un mayor número de veces puede asociarse con una mayor puntuación de confianza. Una característica etiquetada con una característica un número menor de veces puede asociarse con una puntuación de confianza más baja.

La determinación de una puntuación de confianza para cada uno de los rasgos basada, al menos en parte, en algunas veces que cada rasgo respectivo de los rasgos se ha asociado con una etiqueta semántica de la pluralidad de etiquetas semánticas puede utilizarse para identificar, basándose, al menos en parte, en la pluralidad de etiquetas semánticas, puntos de referencia que incluyen los rasgos que cumplen los criterios entrópicos que miden una prominencia localizada de cada uno de los rasgos.

El método puede incluir la identificación de las características con una puntuación de confianza que satisface los criterios de puntuación de confianza como un punto de referencia. Por ejemplo, el ordenador puede identificar las características con una puntuación de confianza igual o superior a una puntuación de confianza umbral como un punto de referencia.

La puntuación de confianza puede basarse, al menos en parte, en las diferentes perspectivas desde las que se ha visto cada una de las características asociadas con una etiqueta semántica (por ejemplo, etiquetas semánticas asociadas con imágenes del mismo objeto vistas desde varios ángulos, perspectivas y distancias), y la recencia (por ejemplo, la cantidad de tiempo que ha transcurrido desde que las características se asociaron con la etiqueta semántica) con la que las características se asociaron con una etiqueta semántica.

Identificando como un punto de referencia, las características con una puntuación de confianza que cumplen con los criterios de puntuación de confianza pueden ser utilizadas en la identificación, basada al menos en parte en la pluralidad de etiquetas semánticas, puntos de referencia que incluyen las características que cumplen con los criterios entrópicos que miden una prominencia localizada de cada una de las características.

El método puede incluir la determinación de clusters de las características que cumplen los criterios entrópicos. Además, cada uno de los grupos puede incluir características que tienen un tipo semántico común. Por ejemplo, el ordenador puede determinar grupos de edificios que pueden cumplir los criterios entrópicos asociados con una densidad de edificios para el grupo de edificios (por ejemplo, el número de edificios dentro de un área predeterminada, un radio predeterminado desde el punto de vista, o dentro de un número predeterminado de bloques).

La determinación de los grupos de características que satisfacen los criterios entrópicos puede utilizarse para identificar, basándose al menos en parte en la pluralidad de etiquetas semánticas, los puntos de referencia localmente prominentes que incluyen las características que satisfacen los criterios entrópicos que miden una prominencia localizada de cada una de las características.

Determinación de cada uno de los puntos de referencia desde el punto de vista asociado a la ubicación

Partes del método pueden ejecutarse o implementarse en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden llegar a ser ejecutadas o implementadas como un algoritmo en los dispositivos de hardware o sistemas divulgados en el presente documento. Partes del método pueden llegar a ser ejecutadas.

Esto representa pasos realizados en un orden particular para propósitos de ilustración y discusión. Utilizando las divulgaciones proporcionadas en el presente documento, aquellos con conocimientos ordinarios en la materia comprenderán que varios pasos de cualquiera de los métodos divulgados en el presente documento pueden adaptarse, modificarse, reordenarse, omitirse y ampliarse sin desviarse del alcance de la patente.

El método puede incluir la determinación de cada uno de los puntos de referencia desde el punto de vista asociado a la ubicación. Además, los datos de contexto pueden incluir un punto de vista (por ejemplo, un punto dentro de la ubicación donde se pueden ver partes del entorno circundante). Por ejemplo, el ordenador puede determinar los puntos de referencia que son visibles desde el punto de observación basándose en parte en la distancia a cada uno de los puntos de referencia (por ejemplo, la visibilidad puede disminuir con una mayor distancia a un punto de referencia), si cada uno de los puntos de referencia se ve obstruido por otros objetos (por ejemplo, árboles que obstruyen un punto de referencia), una altura de cada uno de los puntos de referencia (por ejemplo, un edificio muy alto de cuatrocientos metros de altura puede ser más visible que un edificio bajo de veinte metros de altura).

La visibilidad puede basarse, al menos en parte, en una distancia desde la que cada uno de los hitos es visible desde el punto de observación, una cantidad de luz que se proyecta sobre cada uno de los hitos (por ejemplo, una cantidad de luz emitida por las farolas próximas a los hitos, y una cantidad emitida por una fuente de luz incluida en cada uno de los hitos), cualquier obstrucción entre el punto de observación y los hitos, y las dimensiones físicas de cada uno de los hitos (por ejemplo, la altura de un edificio).

La determinación de la visibilidad de cada uno de los puntos de referencia desde el punto de vista asociado con la ubicación puede utilizarse para seleccionar, por el ordenador, basándose al menos en parte en los datos de contexto asociados con una ubicación en una ruta que incluye una pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación como se describe en 706 del método que se representa.

El método puede incluir la determinación de un tiempo de reacción basado, al menos en parte, en una velocidad en la ubicación y una distancia al punto de referencia más cercano de los puntos de referencia. Por ejemplo, el ordenador puede determinar el tiempo de reacción alcanzando un punto de referencia a una velocidad actual. Cuando el punto de vista está estacionario (por ejemplo, de pie en un lugar o sentado en un automóvil estacionario), el tiempo de reacción será mayor que cuando el punto de vista está en un automóvil que viaja a cien kilómetros por hora.

El tiempo de reacción puede basarse, al menos en parte, en un modo de transporte asociado al punto de observación. Además, el modo de transporte puede incluir un vehículo de motor, una bicicleta y el desplazamiento a pie. Por ejemplo, el tiempo de reacción para un modo de transporte más lento (por ejemplo, la bicicleta) puede ser más largo que el tiempo de reacción para un modo de transporte más rápido (por ejemplo, viajar en un autobús).

El tiempo de reacción puede variar en función de si el punto de observación se asocia a un conductor o a un pasajero de un vehículo. Cuando el punto de observación se asocia con el conductor del vehículo, el tiempo de reacción puede ser menor que cuando el punto de observación se asocia con el pasajero de un vehículo.

La determinación de un tiempo de reacción basado, al menos en parte, en una velocidad en la ubicación y una distancia al punto de referencia más cercano de los puntos de referencia puede utilizarse para seleccionar, basándose, al menos en parte, en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación como se describe en 706 del método.

El método puede incluir la determinación de los puntos de referencia localmente prominentes que cumplen con los criterios de tiempo de reacción asociados con un tiempo de reacción más pequeño. Por ejemplo, el ordenador puede determinar que el tiempo de reacción más pequeño es de cinco segundos y que los puntos de referencia se seleccionan entre los puntos de referencia que serán visibles durante más de cinco segundos después del tiempo actual.

La determinación de los puntos de referencia que cumplen con los criterios de tiempo de reacción asociados con un tiempo de reacción más pequeño puede utilizarse para seleccionar, basándose al menos en parte en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación.

Determinación de una dirección de viaje a lo largo del camino en el punto de vista

Partes del método pueden ser ejecutadas o implementadas en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden ser ejecutadas o implementadas como un algoritmo en los dispositivos o sistemas de hardware aquí divulgados. Partes del método pueden ser ejecutadas como parte del método y como parte del método que representa pasos realizados en un orden particular para propósitos de ilustración y discusión. Utilizando la información aquí proporcionada, los expertos en la materia comprenderán que varios pasos de cualquiera de los métodos aquí divulgados pueden ser adaptados, modificados, reorganizados, omitidos y ampliados sin desviarse del alcance de la patente.

El método puede incluir la determinación de una dirección de desplazamiento a lo largo del camino en el punto de observación. Además, la visibilidad de cada uno de los puntos de referencia puede asociarse con un campo de visión (por ejemplo, un campo de visión asociado con el área en la que los puntos de referencia son visibles) desde el punto de observación que se asocia con la dirección del viaje (por ejemplo, un campo de visión igual a un ángulo predeterminado en relación con una línea correspondiente a la dirección del viaje). El umbral de campo de visión y el umbral de campo de visión pueden asociarse con la visibilidad desde el punto de vista cuando se viaja a lo largo de la dirección de viaje 612.

La determinación de una dirección de viaje a lo largo del camino en el punto de vista puede determinar la visibilidad de cada uno de los puntos de referencia desde el punto de vista asociado con la ubicación.

El método puede incluir la determinación de los puntos de referencia que se enfrentan a la dirección del viaje. Por ejemplo, el ordenador puede determinar que los puntos de referencia que están orientados en la dirección del viaje (por ejemplo, los puntos de referencia que son visibles desde delante del punto de observación) son más visibles que los puntos de referencia que no están orientados en la dirección del viaje (por ejemplo, los puntos de referencia que no son visibles desde delante del punto de observación). El objeto árbol es más visible que el objeto banco del parque que no está orientado en el sentido de la marcha del punto de observación.

La determinación de los puntos de referencia localmente prominentes que se enfrentan a la dirección del viaje puede determinar cada uno de ellos desde el punto de vista asociado a la ubicación.

El método puede incluir la determinación de la visibilidad basada, al menos en parte, en un modo de transporte asociado con el punto de vista. Por ejemplo, el ordenador puede determinar que la visibilidad desde un vehículo con techo abierto (por ejemplo, un automóvil descapotable o la parte superior de un autobús turístico al aire libre) es mayor que la del interior de un vehículo cerrado (por ejemplo, un automóvil con techo permanente).

La determinación de la visibilidad basada, al menos en parte, en un modo de transporte asociado al punto de vista puede determinar la visibilidad de cada uno de los puntos de referencia desde el punto de vista asociado a la ubicación.

Selección de un punto de referencia basado en un nivel de familiaridad con el punto de referencia

Partes de este método localmente prominente pueden ser ejecutadas o implementadas en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden ser ejecutadas o implementadas como un algoritmo en los dispositivos o sistemas de hardware. Las partes del método pueden ser ejecutadas. Representa los pasos realizados en un orden particular para propósitos de ilustración y discusión. Utilizando las divulgaciones proporcionadas en el presente documento, los expertos en la materia entienden que varios pasos de cualquiera de los métodos divulgados en el presente documento pueden ser adaptados, modificados, reorganizados, omitidos y/o ampliados sin desviarse del alcance de la patente.

El método puede incluir la selección de al menos un punto de referencia basado en un nivel de familiaridad con los puntos de referencia. Además, el nivel de familiaridad puede basarse, al menos en parte, en la asociación previa del usuario con la ubicación de las características de los puntos de referencia.

Por ejemplo, el nivel de familiaridad puede ser mayor cuando un usuario ha visitado previamente la ubicación (por ejemplo, el usuario ha estado en el mismo barrio en el pasado) y ha visto previamente un punto de referencia diferente (por ejemplo, unos grandes almacenes con un logotipo de color distintivo y un exterior físico) que tiene un conjunto similar de las características de un punto de referencia de los puntos de referencia (por ejemplo, unos grandes almacenes con el mismo logotipo de color distintivo y un exterior físico).

El nivel de familiaridad puede asociarse con la cantidad de veces y la frecuencia con la que un usuario (por ejemplo, un usuario asociado con el ordenador de navegación) ha estado previamente en la ubicación (por ejemplo, dentro de un umbral de distancia de la ubicación). Por ejemplo, los datos de contexto pueden incluir un registro del número de veces que un usuario ha pasado por cada uno de los puntos de referencia. El ordenador puede entonces determinar cuando el número de veces que un usuario ha pasado por un punto de referencia satisface los criterios de familiaridad (por ejemplo, un umbral de número mínimo de veces que ha pasado por el punto de referencia) y seleccionar un punto de referencia que satisfaga los criterios de familiaridad.

El nivel de familiaridad puede asociarse con una parte de las características (por ejemplo, muchas características visuales) que cada uno de los hitos tiene en común con otro hito que el usuario ha visto previamente (por ejemplo, visto en un momento anterior al momento en que los hitos se vieron desde el punto de vista). Además, el nivel de familiaridad del usuario con un punto de referencia que el usuario ha visto desde el punto de observación puede ser mayor cuando el punto de referencia comparte una parte predeterminada (por ejemplo, el noventa por ciento de las características) de las características con un punto de referencia diferente que el usuario ha visto previamente.

El nivel de familiaridad para un punto de referencia que se ha visto actualmente y que es un restaurante asociado a una cadena de restaurantes que comparten características (por ejemplo, características de diseño similares, incluyendo el mismo o similar logotipo, señalización, esquema de color exterior y mampostería exterior) será mayor cuando el usuario haya observado previamente otro punto de referencia (por ejemplo, otro restaurante) que pertenezca a la misma cadena de restaurantes y comparta las mismas características.

Además, la determinación de los hitos que el usuario ha visto previamente puede conseguirse basándose en:

  • Información (por ejemplo, información que el usuario ha aceptado proporcionar y que pasa a ser mantenida de forma segura y con privacidad)
  • Historial de viajes del usuario (por ejemplo, lugares que el usuario ha visitado anteriormente)
  • Información directa del usuario sobre puntos de referencia (por ejemplo, el usuario proporciona información sobre los puntos de referencia con los que está familiarizado)
  • Afiliaciones del usuario basadas, al menos en parte, en las interacciones y asociaciones anteriores del usuario con un punto de referencia (por ejemplo, el usuario ha proporcionado información que indica su pertenencia a una organización asociada al punto de referencia)

Los datos de contexto pueden incluir:

  • Información asociada a una hora del día
  • Una estación del año
  • Un idioma, como el inglés, el español y el japonés
  • Características visibles desde el lugar
  • Un modo de transporte, como el automóvil personal, el autobús, la bicicleta y el viaje a pie

Los datos de contexto pueden incluir información sobre si un ocupante de un vehículo es un conductor o un pasajero. Por ejemplo, cuando los datos de contexto indican que un ocupante de un vehículo es un conductor, los puntos de referencia pueden incluir puntos de referencia más visibles desde el lado del conductor. Por ejemplo, cuando los datos de contexto indican que un ocupante de un vehículo es un pasajero, los puntos de referencia pueden incluir puntos de referencia más visibles desde varias ubicaciones de los asientos de los pasajeros.

La selección de al menos un punto de referencia localmente prominente, basada al menos en parte en un nivel de familiaridad con los puntos de referencia, puede utilizarse para seleccionar, basándose al menos en parte en los datos de contexto asociados con la ubicación en el camino, incluyendo la pluralidad de ubicaciones, al menos un punto de referencia para su uso en la navegación en la ubicación.

El método puede incluir el ajuste de al menos una instrucción de navegación basada, al menos en parte, en el nivel de familiaridad. Por ejemplo, el ordenador puede acceder a la información asociada con al menos un punto de referencia (por ejemplo, un apodo para un punto de referencia o un nombre anterior) y utilizar la información para cambiar la instrucción de navegación.

Por ejemplo, el ordenador puede determinar que cuando el nivel de familiaridad excede un nivel de familiaridad asociado con un usuario que ha pasado por un punto de referencia más de un número de veces, la instrucción de navegación se selecciona a partir de datos (por ejemplo, una etiqueta semántica) que incluye un apodo para un punto de referencia.

El ajuste de al menos una instrucción de navegación basada, al menos en parte, en el nivel de familiaridad puede utilizarse para generar al menos una instrucción de navegación que haga referencia a al menos un punto de referencia.

Determinación de un modo de viaje asociado con el punto de vista

Partes de la patente Finding Locally Prominent Semantic Features pueden ejecutarse o implementarse en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden ejecutarse o implementarse como un algoritmo en los dispositivos o sistemas de hardware aquí divulgados.

Partes del método pueden ser ejecutadas como parte del método. Representa los pasos realizados en un orden particular para propósitos de ilustración y discusión. Utilizando la información que se proporciona en el presente documento, los expertos en la materia comprenderán que varios pasos de cualquiera de los métodos que se describen en el presente documento pueden adaptarse, modificarse, reorganizarse, omitirse y ampliarse sin apartarse del ámbito de la patente.

El método puede incluir la determinación de un modo de desplazamiento asociado con el punto de vista puede ser utilizado en la determinación de puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características.

Por ejemplo, el ordenador puede acceder a los datos asociados con el modo de transporte asociado con el punto de vista (por ejemplo, un automóvil que viaja en una carretera) puede ser utilizado para seleccionar los puntos de referencia que tienen una mayor prominencia localizada de la carretera (por ejemplo, grandes vallas publicitarias y anuncios).

La determinación de un modo de viaje asociado con el punto de vista puede utilizarse para determinar los puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características como se describe en 706 del método.

El método puede incluir la determinación, basada al menos en parte en una dirección de viaje y velocidad a lo largo de la trayectoria, de los puntos de referencia visibles desde el punto de observación dentro de un tiempo predeterminado asociado con el modo de viaje. Por ejemplo, el ordenador puede determinar una velocidad asociada con el modo de transporte (por ejemplo, una velocidad en kilómetros por hora cuando se va en bicicleta) y determinar los puntos de referencia visibles desde el punto de vista del ciclista dentro de los próximos treinta segundos.

La determinación, basada al menos en parte en la dirección del viaje y la velocidad a lo largo del camino, de los puntos de referencia que serán visibles desde el punto de vista dentro de un tiempo predeterminado asociado con el modo de viaje puede ser utilizado en la determinación de los puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características como se describe en 706 del método.

El sistema detrás de la búsqueda de rasgos semánticos localmente prominentes

Partes del método pueden ejecutarse o implementarse en ordenadores o computadores, incluyendo, por ejemplo, el ordenador, el ordenador servidor y el ordenador de entrenamiento. Además, partes del método pueden ejecutarse o implementarse como un algoritmo en los dispositivos o sistemas de hardware aquí divulgados. Partes del método pueden ser ejecutadas como parte del método. Representa los pasos realizados en un orden particular para propósitos de ilustración y discusión.

Utilizando la información que se proporciona en el presente documento, los expertos en la materia comprenderán que varios pasos de cualquiera de los métodos que se describen en el presente documento pueden adaptarse, modificarse, reorganizarse, omitirse y ampliarse sin apartarse del ámbito de la patente.

El método puede incluir el acceso a datos de imagen, incluyendo una pluralidad de imágenes asociadas con etiquetas semánticas localmente prominentes. Cada una de las etiquetas semánticas se asoció con características de la pluralidad de imágenes. Además, cada una de las características puede asociarse con una ubicación geográfica. Por ejemplo, el ordenador puede recibir datos de imágenes (por ejemplo, fotografías etiquetadas de un repositorio de imágenes), incluyendo información asociada con la pluralidad de etiquetas semánticas y la pluralidad de imágenes a través de una red de comunicación (por ejemplo, Internet) a través de la cual se pueden enviar y recibir señales (por ejemplo, señales electrónicas) y datos.

El método puede incluir la determinación de puntos de referencia, incluyendo las características que cumplen con los criterios entrópicos asociados con una prominencia localizada de cada una de las características. Por ejemplo, el ordenador puede acceder a la pluralidad de etiquetas semánticas para determinar los puntos de referencia (por ejemplo, objetos con características que son distintivas, menos comunes y localmente prominentes) en un área que incluye las características (por ejemplo, dimensiones físicas, color, brillo y forma) que cumplen los criterios entrópicos (por ejemplo, dimensiones físicas que exceden un umbral de dimensión física).

El método puede incluir la determinación, basada al menos en parte en los datos de contexto asociados con una ubicación de un punto de vista en un camino, incluyendo una pluralidad de ubicaciones, los puntos de referencia asociados con el punto de vista. Por ejemplo, el ordenador puede acceder a los datos de contexto, incluyendo la hora del día, las condiciones ambientales. Estas condiciones pueden incluir la lluvia, la nieve, la niebla, el granizo y el nivel de insolación, las diferentes estaciones, como el verano, la primavera, el otoño y el invierno.

También se ocupa de la ubicación de los objetos, como la latitud, la longitud y la altitud, entre el punto de observación y los puntos de referencia. A partir de los datos del contexto, el ordenador puede determinar los puntos de referencia visibles. Estos pueden determinarse en función de la hora del día, el nivel de contaminación y la cantidad de precipitaciones) que no están parcial o totalmente obstruidos por otros objetos entre el punto de observación y cada uno de los hitos.

El método puede incluir la generación de datos de navegación, incluyendo indicaciones asociadas a los puntos de referencia. Por ejemplo, el ordenador puede generar instrucciones visuales en un dispositivo de visualización de cabeza en un vehículo, incluyendo una descripción de la apariencia de un hito (por ejemplo, «un restaurante con forma de castillo») y la ubicación del hito (por ejemplo, «cincuenta metros más adelante a la derecha»).

Las indicaciones pueden incluir información asociada a los datos de contexto, incluyendo si un punto de referencia se obstruyó (por ejemplo, «el punto de referencia está detrás del pequeño árbol de la esquina»), si el punto de referencia se iluminó y la posición del punto de referencia con respecto a otros objetos (por ejemplo, «el punto de referencia junto al río»).

Las indicaciones pueden incluir indicaciones visuales (por ejemplo, una fotografía de los puntos de referencia mostrada en un dispositivo de visualización) asociadas con una ubicación relativa de los puntos de referencia en el camino sobre el punto de vista y las indicaciones audibles (por ejemplo, una señal audible de un altavoz basado en las etiquetas semánticas asociadas con los puntos de referencia) asociados con la ubicación relativa de los puntos de referencia en el camino sobre el punto de vista.

Proporcionar instrucciones de navegación para encontrar características semánticas localmente prominentes

El método puede incluir la generación de una consulta de instrucción de navegación asociada con al menos una utilidad de instrucción de navegación. La consulta de instrucciones de navegación puede incluir indicaciones visuales Por ejemplo: indicaciones visuales generadas en un dispositivo de visualización asociado al ordenador. También puede responder a indicaciones audibles, por ejemplo, indicaciones audibles generadas a través de un dispositivo de salida de audio asociado al ordenador).

Por ejemplo, más tarde (por ejemplo, cinco segundos después) para generar al menos una instrucción de navegación. Por ejemplo, «Gire a la derecha en el gran obelisco blanco» El ordenador puede generar la consulta de instrucción de navegación a través de un dispositivo de altavoces asociado al ordenador. La consulta de instrucción de navegación puede decir: «¿Viste el punto de referencia?» o «¿Viste el gran obelisco blanco?»

Además, por ejemplo, la consulta de instrucción de navegación sobre si al menos una instrucción de navegación fue útil en la navegación. Podrían responder «¿Fue útil la instrucción de navegación?»

La consulta sobre las instrucciones de navegación puede generarse basándose, al menos en parte, en la distancia a al menos un punto de referencia localmente destacado al que se hace referencia en al menos una instrucción de navegación. Por ejemplo, el ordenador puede asociarse con sensores que pueden determinar la distancia a al menos un punto de referencia y generar la consulta de instrucciones de navegación cuando el punto de vista está dentro de una distancia predeterminada de al menos un punto de referencia.

A modo de ejemplo adicional, el ordenador puede utilizar la distancia a al menos un punto de referencia y la velocidad actual en el punto de observación para determinar una cantidad de tiempo antes de que el punto de referencia esté dentro de la distancia. El ordenador puede entonces generar la consulta de instrucciones de navegación dentro de un tiempo de alcanzar la ubicación de al menos un hito.

El método puede incluir la recepción de respuestas a la consulta de instrucciones de navegación. Las respuestas a la consulta de instrucciones de navegación pueden incluir señales o datos recibidos de dispositivos, incluyendo un dispositivo de entrada táctil. Estos pueden incluir un teclado, una pantalla táctil, una superficie sensible a la presión y un botón), un micrófono y una cámara.

El ordenador puede utilizar un micrófono que recibe respuestas verbales de un pasajero. Por ejemplo, un pasajero de un automóvil. Este sería alguien a quien se le ha proporcionado la pregunta de instrucción de navegación «¿Has visto el punto de referencia?» La respuesta del pasajero puede incluir, por ejemplo, una respuesta verbal de «Sí» o «No» para indicar si el pasajero vio el hito.

Las respuestas pueden almacenarse de una manera que mejore la privacidad y que se encripte y anonimice. Por ejemplo, la agregación de las respuestas puede mejorar la eficacia de la selección de los puntos de referencia y de las instrucciones de navegación.

Ajustar los criterios entrópicos basándose, al menos en parte, en las respuestas a la consulta de instrucciones de navegación. Por ejemplo, cuando las respuestas no afirman la utilidad de al menos una instrucción de navegación, los criterios entrópicos pueden ajustarse cambiando los criterios entrópicos. Por ejemplo, cuando los criterios entrópicos pueden incluir la altura más pequeña de diez metros. La altura más pequeña puede aumentar a quince metros cuando las respuestas indican que una instrucción de navegación que hace referencia a un hito de once metros de altura no fue útil. Podría considerarse que no es útil si el hito no ayuda al usuario a navegar hasta su destino previsto.

La medida en que las respuestas declaran la eficacia de una instrucción de navegación desde un lugar determinado. Esto se convertiría en la ubicación asociada al punto de vista y se ajustaría sobre los criterios entrópicos para que ciertos criterios entrópicos. Esto se convertiría en la naturaleza localmente prominente del punto de referencia o el brillo de un punto de referencia. Estos se basan en las respuestas de los usuarios. Estos criterios se basan en las respuestas de los usuarios, que indican si hay un aumento de la luminosidad mínima por la noche cuando el punto de referencia no es visto por un usuario que ha recibido una instrucción de navegación que hace referencia al punto de referencia.

La tecnología utilizada para encontrar características semánticas localmente destacadas se refiere a servidores, bases de datos, aplicaciones de software y otros sistemas informáticos, así como a las acciones realizadas y a la información enviada desde y hacia dichos sistemas. La flexibilidad inherente a los sistemas informáticos permite varias configuraciones, combinaciones y divisiones posibles de tareas y funcionalidad entre los componentes.

Por ejemplo, los procesos aquí tratados pueden utilizar un único dispositivo o componente o múltiples dispositivos o componentes trabajando en combinación. Las bases de datos y las aplicaciones pueden implementarse en un único sistema o distribuirse en múltiples sistemas. Los componentes distribuidos pueden funcionar de forma secuencial o en paralelo.

Compartir es cuidar!

Fuente

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *