近期,低空经济备受关注。那么,人工智能(AI)如何助力低空经济发展,也应该受到关注。实际上,人工智能(AI)通过提高效率、安全性和操作便利性等,在低空经济的发展中可以发挥多重作用,助力低空经济的快速发展。
通常,低空经济被认为是一种新兴的经济形态,主要依托于低空空域资源,开展有人驾驶和无人驾驶航空器等飞行活动。这些活动不仅包括载人、载货等传统航空服务,而且涵盖了更多场景如城市巡检、紧急救援、物流配送等多种应用。
低空经济的核心在于利用低空空域这一未被充分开发的资源,通过技术创新和市场化运作,推动相关产业链的发展,包括但不限于低空基础设施建设、低空飞行器的生产制造以及低空运营服务等领域。
从产业层面,低空经济的辐射带动作用,可以促进一二三产业的融合发展,对经济增长、社会保障、国防事业等方面产生积极影响。
一、空域管理与监控
随着无人机等低空飞行器的广泛应用,空域管理变得越来越复杂。AI技术尤其是基于深度学习的方法,为优化空域运行和提升空域分层治理能力提供了新的解决方案。
1.提升空域分层治理能力
随着航空向平台无人化、用户多元化、服务个性化转变,空域运行呈现出分层治理的发展趋势。AI技术特别是数据驱动的人工智能方法,能够为层次化的空域系统赋能,通过预实践决策提升飞行审批效率、自主式决策实时监控飞行状态、数据驱动式决策精准处置违规行为等,从而提高空域分层治理能力。在提高空域运行效率和安全性的同时,减轻空域管制员的工作负荷。
在具体应用方面,人工智能已经被广泛应用于空中交通管理(ATM),包括智能化流量管理、飞行冲突的判断与解除等方面。此外,基于人工智能的决策支持系统,如IFAS,可以增强飞行员的情况感知能力,减少其工作负荷,从而提高航空安全。这展示了人工智能在提升空域分层治理能力方面具有巨大潜力。
然而,要实现这些潜力,还需要解决一系列挑战。例如,如何确保人工智能系统的可靠性和韧性,以及如何处理由AI引起的新兴操作概念、商业模式和需求状况的变化。
为了克服这些挑战,首先要加强对人工智能技术的研究,特别是在提高系统可靠性和韧性方面的研究。其次是开发适合ATM领域的可解释人工智能(XAI)方法,以提高系统的透明度和用户的接受度。最后是加强国际合作,共同制定人工智能在航空领域应用的标准和规范,以促进技术的健康发展和广泛应用。
2.低空目标检测与跟踪
基于深度学习的低空目标检测系统,如SSDMobileNetV2,通过引入特征金字塔结构和Focal Loss改进,可以有效提升对小尺度目标特征信息的表达能力和检测精度。此外,MS-Center Net和G-Siam CPP网络在无人机检测和跟踪方面表现出较高的精度和速度,这对于提升低空空域的安全监管具有重要意义。
特征金字塔网络(Feature Pyramid Networks)通过构建多尺度的特征表示,有效提升了对不同尺寸目标的检测精度。这一点在SSDMobileNetV2中得到了应用,通过引入特征金字塔结构,增强了对小尺度目标特征信息的表达能力。此外,Focal Loss作为一种改进的损失函数,通过调整训练过程中的类别平衡,进一步提高了密集目标检测的准确性。
MS-Center Net和G-Siam CPP网络则在无人机检测和跟踪方面表现出较高的精度和速度。MS-Center Net通过改进CenterNet结构,结合自适应特征激活和全局上下文注意力模块,有效提升了小目标检测的精度和定位质量。而G-Siam CPP网络则利用深度可分离卷积和Mish激活,构建高质量解码块,在不增加模型复杂度的情况下提升了解码精度,从而提高了检测速度和准确性。
3.无人机飞控系统的智能诊断
基于深度学习的无人机飞控系统运行状态监测与智能诊断技术,能够从数据中自主学习到不同故障的相关特征信息,实现对无人机的实时监测与故障诊断。这种技术的应用,有助于保证无人机在执行复杂任务时的安全性和可靠性。
基于深度学习的无人机飞控系统运行状态监测与智能诊断技术,通过自主学习数据中的特征信息,能够实现对无人机的实时监测和故障诊断。这种技术的应用显著提高了无人机在执行复杂任务时的安全性和可靠性。
深度学习技术能够处理和分析大量的传感器数据,这对于无人机飞控系统来说是至关重要的,因为这些系统需要实时处理来自各种传感器的数据,以确保无人机的稳定飞行和任务执行。例如,无人机的IMU(惯性测量单元)可以提供关于飞行状态的关键数据,而深度学习模型可以从这些数据中学习并识别出潜在的故障模式。
通过对无人机图像或视频进行分析,深度学习模型可以快速准确地识别出目标或障碍物,从而指导无人机进行有效的路径规划和避障操作。
在故障诊断方面,深度学习模型可以通过分析历史数据来预测未来可能发生的故障,从而提前采取预防措施,减少因故障导致的任务中断和损失。例如,通过分析无人机的飞行记录和传感器数据,模型可以识别出可能导致故障的模式,并提出相应的解决策略。
4.多传感器协同监视跟踪算法
利用雷达和可见光传感器协同工作的方式,对低空空域中的多个单目标实现精确跟踪和识别,可以提高整个系统的跟踪精度。这种多传感器协同监视跟踪算法的研究,为低空空域安全性监管和算法的实际应用创造了条件。
雷达传感器在低空空域中具有广泛的覆盖能力,但其盲区较大,容易受到杂波干扰。而可见光传感器则能提供更为清晰的图像信息,有助于提高目标识别的准确性。在实际应用中,这两种传感器可以互补各自的不足,通过数据融合技术实现更为精确的目标跟踪和识别。
多传感器数据融合技术包括集中式融合、分布式融合和混合式融合等方法。这些方法能够有效地整合来自不同传感器的信息,提高目标检测和跟踪的性能。此外,深度学习技术的应用也极大地推动了多传感器融合技术的发展,通过强大的特征提取和学习能力,能够从复杂的传感器数据中提取有用的信息,从而实现高精度的目标跟踪。
在低空空域安全监管方面,多传感器协同监视跟踪算法不仅可以提高监控效率,还可以增强对潜在威胁的响应速度和处理能力。
5.无人机空地对话指令理解技术
基于深度学习的无人机空地对话指令理解技术,主要通过深度学习模型来解析和理解空管员或用户发出的语音指令,从而实现对无人机的直接控制。这种技术能够有效解决传统无人机控制方式中存在的问题,如指令传递延迟、错误率高等。
这种技术利用了双向长短期记忆网络(BiLSTM)和条件随机场等深度学习模型来处理和理解复杂的语音指令。这些模型能够捕捉到语音信号中的时间依赖性和上下文信息,从而更准确地识别出指令的意图和内容。此外,这种技术还可以通过槽填充方法来进一步提高指令理解的准确性和鲁棒性。
实验结果表明,这种基于深度学习的无人机空地对话指令理解技术能在一定程度上解决传统交互模式的问题,实现空管员直接通过语音操控无人机的目的,减少因指令传递不清晰或延迟导致的潜在风险。
二、无人机操作与控制
AI技术可以赋予无人机更高级的自主性和智能化水平,使其不仅仅作为飞行器存在,而是能够执行更加复杂的任务,如自动避障、精准定位和目标识别等。这不仅提高了无人机的作业效率,也降低了操作风险。
AI技术的融合显著提升了无人机的自主性和智能化水平,使其能够执行更复杂的任务。首先,AI技术通过神经网络和机器学习算法,增强了无人机的环境感知能力,如目标检测与避障。
AI还改善了无人机的导航和定位能力。例如,基于SLAM(Simultaneous Localization and Mapping)的导航避障算法,使无人机能够在没有GNSS信号的情况下进行精确定位和导航。此外,AI的应用还包括优化无人机的航迹规划,使其能够根据实时数据调整飞行路径,以适应复杂的飞行环境。
在执行具体任务时,AI技术使无人机能够进行精准的目标识别和跟踪。这是通过深度学习模型,如YOLO系列实现的,这些模型能够处理图像数据,快速准确地识别出目标。
最新的进展主要集中在以下几个方面:
1.多池双延迟确定性策略梯度算法(MPTD3)
多池双延迟确定性策略梯度算法(MPTD3)是一种针对深度强化学习中的无人机自主避障和目标跟踪任务设计的新型算法。这种算法是对传统深度强化学习算法的改进,旨在解决无人机自主避障和目标跟踪任务中的收敛速度慢和成功率低的问题,解决了传统深度强化学习算法在这些任务中存在的收敛速度慢和成功率低的问题。
MPTD3算法首先将无人机的状态空间和动作空间建立为连续模型,这与离散模型相比,更接近工程实践。此外,该算法采用了多个经验池机制和梯度截断技术,以提高算法的收敛速度。
从技术角度来看,MPTD3是在现有的深度确定性策略梯度(DDPG)算法基础上进行改进的。DDPG算法本身就是一种优化版本,它在网络结构上增加了Critic网络,并且有两个Critic网络和一个Actor网络。MPTD3在此基础上进一步增强了这些特性,以适应更复杂的任务需求,如无人机在动态环境中的快速反应和精确控制。
MPTD3算法首先将状态空间和动作空间建立为连续模型,这与传统的离散模型相比,更接近实际工程需求。这种连续模型的建立有助于更好地捕捉复杂环境中的动态变化,从而提高算法的适应性和鲁棒性。
MPTD3采用了双延迟方法来处理函数逼近引入的偏差和方差问题。在TD3算法中,通过截断式双Q学习(clipped Double Q-Learning)应用于AC框架,有效解决了过高估计问题。并通过限制Q函数的增长范围,减少了因方差过大而导致的性能下降。
此外,MPTD3采用了基于多步优先和重抽样优选机制的双经验回放池,这种设计可以进一步提高网络探索性能和收敛速度。通过优先选择最近的经验进行更新,并定期重抽样旧数据,可以保持网络的活跃度,同时避免过早收敛到局部最优解。
2.端到端深度确定性策略梯度(DDPG)
端到端深度确定性策略梯度(DDPG)是一种基于深度强化学习的算法,专门用于处理连续动作空间的问题,如无人机的避障决策。DDPG结合了确定性策略梯度和深度Q网络的优点,使其能够在连续动作空间中有效地学习和执行策略。
这种方法允许无人机进行连续型动作输出的端到端避障决策,不需要构建离线三维地图,也不受速度控制的限制。
DDPG算法不需要构建离线三维地图,这是传统无人机避障算法的一个重要限制。传统方法通常需要预先映射环境并进行详细的地形分析,而DDPG通过直接从原始感知数据(如摄像头捕获的图像)学习,能够实时调整飞行路径以避开障碍物。
此外,DDPG支持无人机进行连续型动作输出,这意味着它可以生成平滑且连续的飞行轨迹,而不是仅仅依赖于离散的速度控制或方向改变。这种能力使得无人机能够更自然地适应复杂的飞行环境,提高了其灵活性和安全性。
尽管DDPG在处理高维连续动作空间时表现出色,但它也存在一些局限性,如对超参数和环境噪声的敏感性。这些问题可以通过引入噪声调整机制等技术来缓解。
端到端深度确定性策略梯度(DDPG)在无人机避障中的应用案例有哪些?
端到端深度确定性策略梯度(DDPG)在无人机避障中有如下具体应用。
单目无人机避障算法的改进: 通过对DDPG中的Actor网络进行改进,使用多模态网络代替原有的策略网络,可以有效抑制无人机飞行时的震动,并提高其避障能力。实验结果表明,这种改进后的算法在Airsim仿真环境中进行测试,能够使无人机成功躲避障碍物并到达指定目标点,与原有算法相比,避障轨迹得到了明显改善。
多UAV集结航路规划: 在多无人机系统中,DDPG算法被用于指导UAV对不确定环境内的障碍进行避碰,有效提高了目标actor网络的收敛速度和学习效率。此外,通过设计一种基于综合代价的奖励函数,将多UAV航路规划中的多目标优化问题转化为DDPG算法的奖励函数设计问题,这种设计有效解决了传统DDPG算法易产生局部最优解的问题。
时间序列优化中的应用: 在无人机通信领域,提出了基于量子计算的深度确定性策略梯度(Q-DDPG)和基于量子计算的递归DDPG(Q-RDDPG)方案,用于时间序列优化。这些方案利用Q-DDPG基于actor-critic强化学习来优化大状态空间和连续动作空间中的动作选择。
智能规避决策: 在无人机空战博弈仿真平台中,使用强化学习方法生成机动策略,其中包括深度确定性策略梯度(DDPG)。这种方法可以帮助无人机在复杂环境中做出更智能的规避决策。
3.Multi-Branch网络结构
为了解决DRL中收敛慢的问题,这种网络结构能够在早期就获得良好的避障效果,适用于基于有限传感器的复杂多变环境。
Multi-Branch网络结构在解决DRL(深度强化学习)中的收敛慢问题方面具有显著优势。它通过多个分支并行处理信息,能够在早期阶段就获得较好的避障效果。
首先,单一传感器的使用在实际应用中往往效果不理想,需要结合多种传感器来补偿,以实现对周围环境的最佳探测效果。这表明在复杂环境中,单一传感器难以提供足够的信息来做出准确的决策。而Multi-Branch网络结构通过整合来自不同传感器的信息,可以更全面地理解环境,从而提高避障的效率和准确性。
其次,DRL算法的训练过程通常较为缓慢,学习率的调整需要谨慎,以避免过快收敛导致的稳定性问题。Multi-Branch网络结构则可以通过并行处理不同类型的数据流,加速信息的处理速度,从而可能缩短训练时间并提高算法的收敛速度。
此外,向量场直方图(VFH)方法虽然在移动机器人的运动避障问题中被广泛应用,但其对传感器误差的敏感性和对不同任务环境适应性的不足限制了其应用范围。相比之下,Multi-Branch网络结构能够更灵活地适应不同的环境变化,因为它可以根据不同的传感器输入动态调整其行为模式。
在深度强化学习中,Multi-Branch网络结构的具体实现方式涉及多种不同的设计和策略,以适应不同的应用场景和需求。
多分支可扩展神经网络(MBSNN): 这种网络具有多个子网,每个子网使用不同的资源并具有不同的准确性。通过逐步增量训练技术和学习率双重衰减策略来训练这种多子网结构的新型MBSNN,这有助于提高收敛速度和准确性。
动态匹配的多分支网络(MNDM): 在人脸重识别问题中,MNDM算法提出了一种由三个分支组成的多分支深度网络架构,其中一个分支用于学习全局特征,另外两个用于学习局部特征。
Fast-SCNN: 这是一种语义分割网络,它采用多分支结构共享低级特征,适用于自动驾驶汽车等场景。
ResNeXt中的多分支卷积网络: Inception是典型的多分支结构,每个分支可以自定义设计,而ResNeXt则统一规范每个分支,只改变分支的数目。ResNet可以被视为一个两分支结构,其中一个分支是身份映射。
多分支注意力学习(MA-CNN): 这种方法通过全卷积网络实现了传统的滑动窗口方法,使得位置信息和特征学习可以相互强化。
少样本学习中的多分支网络(MBN): MBN提出了一种新的基于度量的少样本学习方法,通过网络中的多个分支生成不同类型的噪声污染数据,以模拟现实世界场景中的噪声。
Multi-Branch-CNN: 这是一种具有多个输入分支的CNN方法,用于从特征内和特征间类型中识别不同类型的离子通道肽结合剂。
MBUTransNet: 这种网络融合了多分支U形网络,其中一个分支设计了坐标注意力变换器来提取长期依赖信息,另一个分支使用小型U网块和多尺度特征融合块来替换每层的卷积块,并分别融合来自不同层的特征图。
多分支人脸重识别网络: 结合OSNet和多分支结构,可以在Market-1501数据集上达到90.5%的平均精确度和96%的第一名准确率,在CHUK03-L数据集上分别达到85.5%的mAP和87.7%的第一名准确率。
结合多分支ConvNet的进化神经架构搜索: 多分支块丰富了特征空间,并通过结合不同复杂性的路径增强了网络的表示能力。
4.两流Actor-Critic网络结构
这种结构用于改进TD3算法,可以从观察数据和环境变化中提取特征,以提高无人机在复杂多障碍环境中的自主路径规划能力。
两流Actor-Critic网络结构通过结合TD3算法的改进特性,能够有效提升无人机在复杂多障碍环境中的自主路径规划能力。TD3算法本身是对DDPG算法的一种优化,它主要包括裁剪的Double-Q Learning、目标策略平滑和延后的策略更新等关键技术。
在无人机自主路径规划中,TD3算法可以通过其高效的策略学习机制来适应不断变化的环境条件。这种算法不仅提高了路径规划的速度和准确性,还能更好地处理动态环境中的不确定性和复杂性。
此外,两流Actor-Critic网络结构利用了Actor-Critic框架,其中一个网络(Actor)负责生成行动策略,而另一个网络(Critic)则评估这些行动的价值。这种结构使得网络能够同时从观察数据和环境变化中学习,从而更有效地进行决策和路径规划。
在实际应用中,这种结构已经被证明可以显著提高无人机在复杂环境下的性能,如自动驾驶车道保持和机械臂轨迹规划。这表明,通过整合TD3算法的优势和Actor-Critic网络的灵活性,可以构建出一种强大的工具,用于增强无人机在各种挑战性的环境中的自主性和效率。
因此,两流Actor-Critic网络结构是一种有效的方法,用于改进TD3算法,以提高无人机在复杂多障碍环境中的自主路径规划能力。
5.Transformer模型
随着AI技术的发展,Transformer模型被应用于无人机的自主避障和目标跟踪任务中,展示了其在处理大规模数据和复杂任务中的潜力。
Transformer模型作为一种先进的深度学习架构,已经在多个领域显示出其强大的能力和潜力。特别是在无人机的自主避障和目标跟踪任务中,Transformer模型展现了其处理大规模数据和复杂任务的优势。
Transformer模型的核心优势在于其高效的并行处理能力,这使得它能够快速处理大量数据集,同时保持高效性。这一点对于无人机等需要实时处理大量传感器数据的应用尤为重要。在自主避障任务中,无人机需要实时识别周围环境中的障碍物,并做出快速决策以避开这些障碍物。
Transformer模型通过其并行处理能力,可以有效地处理这种实时性要求。
此外,Transformer模型在目标跟踪任务中的应用也显示了其优越性。例如,轻量化Transformer目标跟踪数据标注算法利用Transformer模型处理时序的目标外观和运动信息,有效提高了跟踪精度和效率。这表明Transformer模型不仅能处理静态图像,还能有效处理动态序列数据,如视频或连续图像序列,这对于无人机在复杂环境下的目标跟踪至关重要。
随着计算技术的进步,如P100 GPU的使用,Transformer模型的训练和部署变得更加可行。
6.实时动态路径规划
结合自主避障框架,提供了优秀的避障特性,使无人机能够在未结构化和动态环境中自主跟随移动地面车辆。
实时动态路径规划结合自主避障框架,确实为无人机在未结构化和动态环境中的应用提供了显著的优势。首先,动态路径规划算法能够根据环境的实时变化调整路径,这对于无人机在复杂多变的环境中保持有效的导航至关重要。例如,D算法和改进的A算法都能在动态环境中进行有效的路径规划,通过实时更新环境信息来优化路径选择。
此外,自主避障技术是无人机成功执行任务的关键因素之一。多旋翼无人机的研究表明,通过使用开源飞控系统如Pixhawk,可以开发出高效的避障系统,使得无人机能够在低空低速的环境中安全飞行。同时,深度学习和强化学习技术的融合也极大地提升了无人机的智能避障能力,使其能够像人类一样识别并避开障碍物。
在具体的应用场景中,如无人车与无人机的协同作战系统,无人机不仅需要进行自主避障,还需与地面车辆进行有效的协同操作。这要求无人机具备高度的自主性和灵活性,以适应快速变化的地面情况和任务需求。
三、物流配送
AI技术在物流配送领域的应用正在改变传统的配送模式。例如,在深圳星河WORLD产业园,无人机被用于高效安全地将食物直接送达消费者手中,这种应用展示了AI在提高物流配送效率和减少人力成本方面的潜力。
AI技术还被用于优化配送路线和调度,通过智能路线优化和交通预测,选择最佳的运输路径和时间,从而减少货物的运输成本和时间成本。这种智能化的管理方式不仅提高了物流效率,也有助于实现更环保的物流解决方案。
此外,AI技术在物流配送中的应用还包括自动分类和分拣,以及智能仓库管理等,这些都进一步提高了物流配送的效率和准确性。例如,通过视觉识别和机器学习技术,AI可以对不同的货物进行自动分类和分拣,大幅度提高了分拣效率和准确性。
AI技术在物流配送领域的应用正引领一场变革。
1.路径优化
AI在路径优化方面的应用主要体现在通过分析大量的地理和交通数据来规划最优的配送路径,从而减少配送时间和距离。这种技术可以应用于不同的场景,包括外卖配送、无人机和车辆的物流配送等。
AI能够通过分析历史数据、实时交通信息以及配送人员的位置来计算最优路线。这不仅可以提高配送效率,还可以根据实际情况动态调整路线,避免因交通拥堵或其他突发事件导致的配送延误。
智能路径规划算法可以帮助选择最优路线进行配送,这有助于降低运输成本并减少物流公司的人工管理负担。例如,基于蚁群算法的物流配送路径优化研究表明,通过充分考虑车辆路径的约束条件,可以构建多目标优化模型,以成本最小化和最大限度减少碳排放量为目标。
2. 实时调度
AI系统能够实时监控配送过程中的各种变量,如交通状况、天气变化等,并动态调整配送计划。
美团外卖的智能配送调度系统每天匹配大量外卖小哥,基于海量数据和人工智能算法,确保平均配送时长不超过28分钟,这表明其系统具备实时处理和调整配送计划的能力。此外,美团即时配送系统在三年内经历了5代版本更迭,每小时执行约29亿次算法,显示出其强大的数据处理和实时决策能力。
AI技术与AIGC的联合应用可以进一步提升物流配送的整体效率和质量,实现更加智能、高效的物流配送系统。这说明AI技术不仅能监控当前状态,还能预测并应对未来可能出现的问题,如天气变化或交通拥堵。
AI技术还被用于优化路线规划,自动调配资源,降低人为错误,提高整体物流效率。这种动态路线规划系统能够实时处理海量的地理信息、客户偏好、配送时间等数据,从而优化配送路径。
此外,AI技术在交通管理领域也显示出其实时监控和调整能力。例如,通过与海量的前端业务数据对接,掌握气候变化、交通流量等情况,感知交通实时态势。
3.自动化配送
AI技术通过多种方式使无人机和AGV实现自动化配送,从而减少人力需求并提高配送速度。
AI技术可以优化运输路径,确保无人机和AGV在最短时间内到达指定地点。这种路径优化不仅提高了效率,还能减少能源消耗和降低运营成本。
AI技术支持智能调度系统使得无人机和AGV能够根据实时数据调整其作业计划,以应对突发情况或变化的订单需求。这种灵活性显著提高了配送的响应速度和准确性。
此外,AI技术还能够实现高精度的定位和导航,使得无人机和AGV能够在复杂环境中精确地完成任务。例如,AGV系统可以通过条码自动识别系统进行精确定位,而无人机则可以利用嵌入式AI主板方案进行高精度飞行控制。
AI技术还能够帮助减少人为错误,通过自动化的操作减少了因人为疏忽导致的损失。
随着技术的进步,未来无人机和AGV的自动化配送系统将更加成熟,能够提供更广泛的应用场景,如城市末端配送、医疗药品配送等。这些系统将进一步减少对人力的依赖,同时提高配送速度和服务质量。
4.预测性维护
通过分析配送设备的运行数据,AI可以预测设备可能出现的故障,从而在问题发生前进行维护。
数据收集与预处理: 首先,需要从配送设备中收集各种运行数据,如温度、压力、振动等传感器数据。这些数据需要经过清洗和预处理,以去除噪声和不相关信息,为后续的分析做准备。
特征工程: 在数据预处理之后,接下来是特征工程阶段。这一步骤涉及选择最有代表性的特征来构建模型,这些特征能够有效反映设备的健康状态和潜在故障。
模型训练: 使用机器学习或深度学习算法对选定的特征进行学习,建立一个能够预测设备故障的模型。常用的算法包括XGBoost、随机森林、支持向量机(SVM)等。
实时监控与预测: 将训练好的模型部署到生产环境中,实时监控设备的运行状态,并利用模型对设备的未来状态进行预测。当模型检测到异常或潜在故障时,可以及时发出警报,提醒维护人员进行检查和维修。
决策支持系统: 结合AI技术,可以开发出一个综合的决策支持系统,该系统不仅能提供故障预测,还能根据设备的实际情况提供维护建议和优化方案,从而提高设备的可靠性和降低维护成本。
持续优化与更新: AI模型需要定期更新和优化,以适应设备性能的变化和新的运行条件。这通常涉及重新训练模型或引入新的数据集来调整模型参数。
通过上述步骤,AI技术能够有效地帮助企业实现对配送设备的预测性维护,减少意外停机时间,提高生产效率和经济效益。
5. 智能分拣
在仓库中,AI可以指导机器人进行智能分拣,提高分拣效率和准确性。
集成计算机视觉和深度学习技术: 通过机器视觉系统对包裹或商品的图像进行识别和处理,结合深度学习算法来提高识别的准确性。这种技术可以帮助机器人自动识别不同类型的包裹,如信封、纸箱和软包等,并将它们正确地分拣到相应的目的地。
优化路径规划: 使用AI算法来优化机器人的移动路径,使其能够高效地在仓库内移动,同时减少重复行走和碰撞的可能性。这不仅提高了分拣效率,还有助于保护仓库设施。
动态任务调度: AI系统可以实时监控仓库的运营状态,根据订单需求和库存情况动态调整任务分配,确保每个机器人都能高效地工作。这种动态调度可以显著提高整体的操作效率。
自动化存储和检索: 利用AI技术实现智能存储推荐和自动化检索系统,这样机器人可以快速找到需要分拣的包裹,从而加快整个分拣过程。
预测性维护和库存管理: AI可以帮助预测设备故障和维护需求,及时进行维护以避免生产中断。此外,AI还可以帮助优化库存水平,减少过剩或缺货的风险。
增强现实(AR)和虚拟现实(VR)技术的应用: 通过AR和VR技术模拟仓库环境,训练机器人在不同的场景下如何操作,这可以提高机器人的适应性和灵活性。
持续学习和自我优化: AI系统应该具备持续学习的能力,通过不断收集数据和反馈,不断优化其算法和决策过程,以适应不断变化的市场需求和技术进步。
6.需求预测
AI可以分析消费者行为和市场趋势,预测未来的配送需求,帮助物流公司更好地规划资源。
消费者行为分析: AI技术能够通过机器学习算法分析大量的消费者数据,识别消费者的购买模式和偏好。例如,Predict AI平台就能提供基于消费者行为的实时洞察,帮助企业及时调整策略和活动。
市场趋势分析: AI不仅能分析历史销售数据,还能结合时间序列分析等手段,对市场趋势进行精准建模,从而实现对市场需求的准确预测。这种预测能力对于减少库存积压与缺货风险至关重要。
例如,生成式AI可以通过处理大量的物流数据,学习到货物运输和配送的规律,然后给出最优的物流路径规划和调度建议。
实际案例应用: 亚马逊利用AI技术从购买前的需求预测到路线规划和优化,以及预测道路意外状况,每一个环节都嵌入了AI技术,以提高效率和降低成本。
AI技术在需求预测方面的应用是多方面的,不仅能够帮助企业深入了解消费者需求,还能优化供应链管理,提高整体业务绩效。这些都是AI技术在现代物流和供应链管理中不可或缺的作用。
安全监控: AI技术可以监控配送过程中的安全状况,如无人机的飞行状态,及时发现并处理异常情况。
AI技术在配送过程中监控无人机的飞行状态并及时发现异常情况主要通过以下几个方面实现:
实时数据监控与分析: 通过安装在无人机上的传感器和摄像头,AI系统可以实时获取无人机的飞行数据、视频图像等信息。这些数据被发送到地面站或中央控制系统进行处理和分析。
异常检测算法: 利用深度学习和其他机器学习技术,AI系统能够识别出正常与异常的飞行模式。例如,UAV-AdNet使用深度神经网络进行空中监视的无监督异常检测,这种方法可以有效地识别出异常行为,如偏离预定航线或不寻常的飞行速度。
智能调度与优化: AI算法可以根据实时数据动态调整无人机的飞行路径,以应对突发情况或提高效率。这不仅可以减少因环境变化导致的延误,还可以在发现潜在风险时迅速做出反应。
远程控制与响应: 一旦AI系统检测到异常情况,它可以自动通知操作员,并提供必要的信息以便采取相应措施。此外,操作员也可以通过远程控制系统直接干预无人机的飞行状态,以确保任务的顺利完成。
多场景应用: AI技术不仅限于特定的应用场景,它可以广泛应用于电力、交通、城市管理等多个领域,通过智能化的巡检和监控,显著提升各行业的工作效率和安全性。
7.客户服务
AI可以通过聊天机器人或智能客服系统提供个性化的客户服务,提升客户满意度。
个性化服务和推荐: AI聊天机器人可以通过分析客户的历史行为、购买记录和偏好来提供定制化的服务和产品推荐。这种个性化的服务不仅能提高客户的满意度,还能增加客户的忠诚度。
24/7全天候支持: 智能客服系统能够实现全天候的客户支持,无论是白天还是夜晚,客户都可以随时获得帮助,这大大提高了服务的可达性和便利性。
快速响应和问题解决: AI技术能够快速理解客户需求并提供解决方案,实时响应客户的问题,从而提升客户体验和满意度。
多渠道服务支持: 智能客服系统支持多种服务渠道,如文字、语音、邮件和社交媒体等,使客户可以根据自己的喜好选择最适合的服务方式。
自动化和效率提升: AI技术可以自动化处理常见问题,减少人工干预,提高处理速度和效率,同时降低运营成本。
情感分析和语音识别: 通过情感分析和语音识别技术,AI可以更准确地理解客户的情绪和需求,从而提供更加贴心和专业的服务。
持续学习和优化: AI系统可以通过不断学习新的数据来优化其算法和服务策略,以适应市场变化和客户需求的演进。
8.环境适应性
AI可以帮助配送无人机适应不同的环境条件,如在恶劣天气下安全飞行。
首先,通过集成传感器和智能算法,无人机能够实现更精确的飞行姿态控制、位置定位和目标识别。例如,美团发布的第四代无人机技术,能够在极端温度条件(零下20度至50度)以及中雨、中雪和6级大风等恶劣天气条件下稳定运行。
此外,AI技术还能优化无人机的飞行路径和避障能力。在恶劣天气条件下,如大风或大雨,无人机需要能够快速识别周围环境并做出相应的调整,以避免碰撞或其他风险。例如,苏黎世大学研发的AI神经网络算法可以模拟飞行实现类似杂技动作的飞行表演,这种技术可以应用于自动控制系统,使无人机能够在复杂环境中执行精细的飞行操作而不会造成物理损害。
同时,AI还可以通过预实践决策提升飞行审批效率,这意味着在实际飞行前,可以通过模拟和预测来评估不同天气条件下的飞行安全性,从而提前做好准备和调整。这种方法不仅提高了飞行的安全性,也增强了无人机在各种环境下的适应能力和响应速度。
9.合规性检查
AI系统可以确保配送无人机或车辆的运行符合当地法规和安全标准。
遵守国家和地方的法律法规: 首先,需要确保所有操作都严格遵守《中华人民共和国安全生产法》《中华人民共和国道路交通安全法》等相关法律法规。
建立健全的安全管理体系: 根据《自动驾驶汽车运输安全服务指南(试行)》,运输经营者应建立健全的运输安全保障制度,包括制定自动驾驶汽车运输安全保障方案,明确设计运行条件、运营安全风险清单、分级管控措施及突发事件应急处置程序。
实施实时监控和应急响应: 承运人应在无人机运输过程中对无人机的飞行状态、能源状态、货物状态、航线天气等情况进行实时监控,并在发生紧急情况时,按照应急处置程序执行。
加强信息交互和通信保障: 无人机配送企业应建立有效的信息交互和通信系统,确保在整个配送过程中信息的准确传递和及时处理。这包括与地面控制中心的通信、与其他空中交通的协调以及与接收方的信息交换。
定期培训和评估: 对操作人员进行定期的培训,确保他们了解并能够正确使用AI系统,同时也要定期对AI系统本身进行性能评估和安全检查,以确保其持续符合安全标准。
公开透明的数据记录和报告: 保持数据的透明性,对外公开关键性能指标(KPIs)和安全事件的统计数据,这有助于增强公众信任并接受监督。
10.成本控制
人工智能(AI)在物流配送领域的应用主要通过优化配送路线和提高自动化水平来降低人力和运营成本。
优化配送路线: AI可以通过分析历史数据、实时交通信息以及外卖骑手的位置,计算出最优的配送路线,从而减少配送时间和成本。
利用机器学习和大数据技术,AI能够预测交通流量和可能的拥堵情况,进一步优化路线选择。
在跨境物流中,AI还能考虑天气条件、货物特点等因素,选择最佳的运输路径和方式。
提高自动化水平: AI在智能仓储环节的应用,如视觉识别和机器学习,可以自动分类和分拣不同的货物,提高分拣效率和准确性。
在最后一公里配送中,AI可以通过预测数据和分布式供应链策略,将交付中心靠近消费者,降低运输成本和交付时间。
经济效益: 通过上述措施,AI不仅提高了物流配送的效率,还显著降低了人力成本和运营成本。例如,亚马逊利用AI技术优化了从需求预测到路线规划的每一个环节,有效提升了物流效率并降低了成本。
AI的大模型技术,如生成式AI,不仅优化了供应链各个环节,还提升了从业人员和用户的体验,进一步推动了物流行业的数字化转型。
11.数据分析
人工智能(AI)在物流行业中的应用主要通过分析和处理大量数据来提供业务洞察,并帮助物流公司做出明智的决策。
成本控制和运营效率优化: AI可以通过数据分析和模拟,帮助物流公司识别成本效益的改进点,从而优化运营效率。这包括从运输路线的选择到仓库布局的优化,再到配送车辆的调度。
自动化和减少错误: AI技术可以自动化配送和分拣过程,减少人工干预,从而降低错误率并提高配送效率。
客户体验优化: 除了提高效率外,AI还能通过多种方式提升客户的配送体验,如确保准确投递和优化配送路线。
库存管理和需求预测: AI能够利用历史数据和机器学习算法来预测产品需求量,从而精细调整库存,减少库存滞留和缺货风险。
供应链优化: AI技术可以对供应链中的数据进行有针对性的处理、协调、分析和使用,从而更有效地设计流程并为业务接轨创造优化的计划基础。
实时监控和性能优化: AI算法能够实时监控机器人的性能,并通过机器学习不断优化其动作,进一步提高生产效率。
智能设备和算法的应用: AI技术赋能的智能设备,如搬运机器人、无人配送车等,以及通过智能算法提高物流效率的应用,都是AI在物流领域的具体表现形式。
12.增强用户体验
AI技术通过预约配送和实时配送追踪等服务显著增强了用户体验。首先,AI技术在预约配送方面的应用,如京东物流利用人工智能进行大件商品的预约,通过机器人代替人工操作,不仅提高了效率,还通过标准化服务和智能语音交互保障了用户体验。此外,京东云的言犀AI技术也被用于提供更加人性化和智能化的客户服务,包括预约配送。
在实时配送追踪方面,AI技术同样发挥了重要作用。例如,使用GPS和其他跟踪技术实现实时监控和跟踪送货车辆和包裹,这些数据可以被传输到中央系统,使物流团队和客户都能查看,从而提高交付准确性并优化最后一英里的配送。此外,下一代聊天机器人提供的实时订单跟踪功能,进一步提升了用户体验,为用户的整个购物旅程提供了更多便利和功能。
AI技术还通过与RFID(无线射频识别)和GPS(全球定位系统)技术的结合,显著提高了供应链的实时追踪能力,每个RFID标签都包含一个唯一的识别码,可以被读写器读取,从而实现对物品位置和状态的精确追踪。这种技术的应用不仅限于国内市场,跨境电商中自动化仓储、AI智能配送和实时物流追踪等先进技术也逐渐成为行业标配,为物流行业的效率提升和成本降低提供了有力支持。
13.紧急配送
在紧急情况下,如医疗物资配送中,AI可以通过多种方式快速规划并执行配送任务。首先,AI技术可以优化资源分配,通过尖端算法和数据分析有效地管理和分配医疗物资。例如,易普森的智能医疗服务机器人专注于医院智慧化物流运输,可以自动流转药品、无菌包等医疗物资,并通过自主导航技术实现物资的高效配送。
此外,结合5G和区块链技术,AI可以提高医疗物资配送的效率和安全性。河北移动利用“5G-A+区块链+AI”技术,通过通感算控一体化无人机实现了医院与血站间的血液低空配送,这不仅提升了配送效率,还能在恶劣天气条件下保持正常运行。
AI还可以通过智能规划工具来优化任务安排。例如,BeforeSunset AI是一款能够根据用户的日程和工作量自动规划最佳工作安排的工具,这类工具也可以应用于医疗物资配送中的任务规划。同时,AI Agent的规划能力可以帮助将大型任务分解为较小、可管理的子目标,从而更有效地执行配送任务。
四、农业监测与管理
AI技术可以帮助农业从业者通过无人机收集土壤和农作物的实时信息,从而实现精准农业管理。这不仅提高了农业生产的效率,还有助于资源的合理利用和环境保护。
无人机搭载的农业智能传感器能够收集土壤信息,如土壤湿度、养分含量等,这些数据对于农民根据土壤状况采取精准行动至关重要。例如,无人机可以监测土壤水分,帮助农民及时调整灌溉策略,避免水资源的浪费。
无人机还能进行作物生长状况的监测,如通过多光谱传感器获取土壤养分、pH值等信息,为农作物生长提供科学依据。此外,无人机还能进行害虫检测和控制,通过图像分析识别并处理害虫问题,减少化学农药的使用,有助于环境保护。
AI技术还能通过大数据分析和机器学习算法,对农田的土壤和作物生长情况进行深入分析,实现更高级别的精准管理。例如,CROPLER系统就是基于人工智能的先进农业监测系统,旨在解决传统农业监测的局限性。
作物监测: AI算法可以分析无人机或卫星拍摄的高分辨率图像,监测作物的生长状况,识别病虫害和营养缺乏等问题。
土壤分析: 通过分析土壤样本的图像和化学成分数据,AI可以评估土壤的肥力和健康状况,并提供改善建议。
精准施肥: AI可以根据作物的生长情况和土壤条件,指导精准施肥,减少化肥的使用,降低成本并减少环境污染。
灌溉管理: AI系统可以通过分析气象数据和作物需水量,优化灌溉计划,提高水资源的使用效率。
病虫害预测: 利用机器学习模型,AI可以预测病虫害的发生概率和严重程度,帮助农民提前采取防治措施。
作物产量预测: AI可以分析历史产量数据和实时监测数据,预测未来的作物产量,帮助农业企业进行市场规划。
农业机器人: AI技术可以用于控制农业机器人进行自动化的种植、除草、收割等作业,减少人力需求。
适应气候变化: AI可以帮助农业从业者了解气候变化对农业生产的影响,并制定适应策略。
供应链优化: AI可以分析市场需求和供应情况,优化农产品的物流和供应链管理。
农业政策制定: AI技术可以为政府部门提供决策支持,帮助制定科学的农业政策和发展规划。
农业保险: AI可以评估农业风险,为农业保险提供精确的风险评估和定价服务。
农业知识库: AI可以整合和分析大量的农业数据,建立农业知识库,为农民提供种植指导和技术咨询。
智能温室控制: 在智能温室系统中,AI可以根据植物的生长需求自动调节温度、湿度、光照等环境条件。
五、灾害响应与救援
AI控制的无人机在火灾或紧急情况下的快速响应和救援能力表现出色。首先,无人机配备了高级的传感器和AI算法,能够进行高效的火情侦察和数据收集。例如,凉山移动利用5G+AI无人机技术实现了潜在火情的快速掌控,为灾情防控提供决策依据。此外,国民警卫队使用的人工智能增强消防无人机能够以极高的分辨率显示火灾,并生成火灾地图,这对于火灾的早期发现和快速响应至关重要。
在实际救援操作中,无人机不仅能进行空中侦察,还能直接参与救援行动。例如,翼龙无人机和消防救援机器狗被用于确定救援路线,并成功引导救援人员找到并救助被困人员。这种快速的响应能力显著提高了救援效率和成功率。
无人机还具备投掷紧急救援物资的能力,可以在危急条件下向受困人员投放必要的救援物资或工具。此外,无人机的高度灵活性和遥控特性使得它们能够迅速抵达事故地点,快速评估灾难状况并分发救援物品。
AI技术在灾害响应与救援领域的应用,特别是在使用无人机进行现场评估和救援工作方面,具有巨大的潜力。
快速现场评估: AI控制的无人机可以迅速飞往事发地点,利用搭载的摄像头和传感器进行实时视频传输和数据分析,快速评估灾害情况。
火势控制: 无人机可以安装水箱或喷洒设备,对初期火灾进行水或灭火剂喷洒,帮助控制火势蔓延。
救援物资投递: 无人机可以向难以到达的灾区运送紧急救援物资,如食物、水和急救包。
搜索与定位: 利用红外热成像摄像头,AI无人机可以在夜间或能见度低的环境中搜索失踪人员。
通信中继: 在灾害导致通信基础设施损坏的情况下,无人机可以作为临时通信中继站,恢复灾区与外界的联系。
灾害预防: AI可以分析历史数据和实时监测数据,预测灾害发生的可能性和严重程度,提前发出预警。
救援路线规划: AI可以为救援车辆和人员规划最佳救援路线,避开危险区域和拥堵路段。
损害评估: AI可以分析灾害现场的图像数据,评估建筑物和其他基础设施的损害程度。
救援资源调度: AI可以帮助救援指挥中心优化救援资源的分配,确保救援行动的效率。
心理援助: AI聊天机器人可以为灾区的居民提供心理援助,帮助他们缓解灾难带来的心理压力。
灾害模拟: AI可以模拟不同的灾害情景,帮助救援人员进行应急演练和培训。
环境监测: 在灾害发生后,AI无人机可以监测灾区的环境状况,如空气和水体污染,为灾后重建提供数据支持。
救援信息管理: AI系统可以整合和分析各种救援信息,为救援指挥中心提供决策支持。
六、城市交通与管理
AI技术还可以应用于城市交通系统中,通过智能监控和管理系统优化交通流量,减少拥堵,提高城市运行效率。此外,AI还能在城市安全、医疗服务等多个领域发挥作用,提升城市居民的生活质量。
1.交通流量优化
AI技术可以通过实时监测和分析交通流量,预测未来交通状况,从而帮助城市规划者和交通管理部门优化路线和交通信号控制。例如,AI可以基于历史数据和实时信息预测交通流量,帮助调整道路资源和交通管理策略。
实时数据收集与分析: AI技术能够利用各种传感器、摄像头和其他监控设备收集实时交通数据。这些数据包括车辆速度、流量、路况等信息,通过大数据分析和机器学习算法处理,可以实时监测交通状态并预测未来的交通流动情况。
智能信号控制: AI可以根据实时交通流量动态调整交通信号灯的时长,优化交通流向,减少拥堵。这不仅提高了道路通行效率,还能有效应对突发事件导致的交通阻塞。
交通流量预测: 通过历史数据和实时数据的分析,AI模型可以预测特定时间段内的交通流量变化,从而提前做出调整,如增加或减少公共交通服务的频次,或调整路线以避免高峰期的拥堵。
自动驾驶与公共交通系统优化: AI技术还可以用于自动驾驶车辆的路径规划,以及公共交通系统的优化,如调整公交车运行路线和时间表,以更好地适应实际的交通需求。
安全监控与违规行为识别: AI技术还可以通过视频监控和图像识别技术,实时监控交通安全,及时发现并处理交通违法行为,如闯红灯、超速行驶等,从而提高道路使用的安全性。
2.减少拥堵
AI技术能够通过智能交通系统来优化交通流量控制,减少交通拥堵。这包括使用智能信号控制系统提高路口的车流量处理能力,以及通过大数据分析快速定位并追踪路网拥堵的根源。
实时监控与数据处理: AI技术能够实时监控交通状况,通过安装在道路上的传感器和摄像头收集大量数据。这些数据随后被送往数据中心进行处理和分析,以识别交通流的模式和趋势。
智能信号灯控制: 基于数据分析的结果,AI可以自动调整信号灯的配时策略,以适应当前的交通流量。这包括改变红绿灯的切换时间,以及根据实际情况调整车道使用指示,从而优化交通流动性并减少等待时间。
预测模型与规划: 利用机器学习和深度学习算法,AI可以预测未来一段时间内的交通流量变化,并据此调整交通管理策略。这不仅帮助管理者做出更有效的决策,还能提前准备应对可能的交通高峰。
协调控制方案生成: AI技术还可以协助生成综合交通控制方案,这些方案考虑了各种因素,如天气、事件、道路维护等,以确保交通系统的整体效率和响应能力。
自适应交通管理系统(ATMS): 构建一个能够实时响应交通状况变化的自适应交通管理系统,该系统能够根据实时数据自动调整信号灯控制策略,以优化交通流动。
强化学习与动态优化: 通过集成强化学习模块,AI系统可以不断学习最佳的信号灯配时策略,以适应不断变化的交通环境。这种方法可以使系统更加灵活和高效。
公开数据与共享平台: 一些研究机构和企业已经开发了开源的AI模型,如港科大的LightGPT,这些模型可以公开供其他研究者或城市使用,以进一步推广智能交通系统的应用。
3.城市运行效率提升
AI技术的应用不仅限于交通领域,还扩展到城市的其他管理系统,如公共安全、医疗服务等。通过智能化管理,AI技术可以提高城市的整体运营效率,使城市运行更加高效和顺畅。
在医疗服务领域,AI技术的应用主要集中在提高诊断准确性、优化资源配置、提升患者服务质量以及推动医疗信息化。例如,AI可以通过智能化药品管理系统帮助医院降低运营成本并提升服务质量。此外,AI还能通过监控口罩佩戴和人员数量来提高医疗机构的应急响应能力。生成式AI技术的应用,如大型语言模型,也有助于实现按疗效价值付费和居家治疗,从而提升服务效率。
在城市公共安全领域,AI技术的应用包括但不限于监控数据分析、预测性维护以及应急管理。AI技术能够通过视频监控和大数据分析帮助公共安全部门打击犯罪、维持社会稳定。此外,AI还能在智慧城市中发挥重要作用,如通过数字平台全栈赋能应急管理,增强突发公共事件的应急能力。
4.城市安全
在城市安全方面,AI技术可以通过监控和分析大量数据来预测潜在的安全风险,为城市管理者提供及时的预警和决策支持。此外,AI还可以用于环境保护,监测空气质量和水质,以保护市民健康。
预测潜在安全风险: AI技术可以通过分析历史数据和实时数据,预测可能发生的犯罪活动或其他安全威胁。例如,通过视频监控和传感器数据的分析,AI可以识别异常行为模式,从而提前预警潜在的犯罪行为。
空气质量监测: AI结合传感器技术可以实时监测空气中的污染物浓度,如PM2.5、NOx等,并将数据上传到中心平台进行分析,以便及时发现污染问题并采取相应措施。
水质监测: AI技术同样可以应用于水质监测,通过分析水样和监测数据,AI可以帮助识别水源污染,预测水质变化趋势,并提供污染防治策略。
决策支持系统: AI技术可以整合来自不同来源的大量数据,通过算法模型分析这些数据,为城市管理者提供科学的决策支持。这包括交通管理、能源消耗预测、环境影响评估等多个方面。
应急响应与管理: 在面对自然灾害或突发公共事件时,AI技术能够快速分析情况,优化资源分配,提高应急响应效率。例如,在疫情期间,AI可以帮助追踪病毒传播路径,预测疫情发展趋势,从而为政府和卫生部门提供决策支持。
七、医疗服务
AI技术在医疗服务领域的应用包括远程医疗咨询、疾病预测和诊断、以及医疗资源的优化配置等,这些都有助于提高医疗服务的效率和质量。
影像诊断: AI技术在影像诊断中的应用,如腾讯觅影,利用AI医学影像分析辅助医生筛查食管癌、肺癌、糖尿病视网膜病变等多种疾病。这种技术不仅提高了诊断的准确性,还加快了诊断过程,从而缩短了患者的等待时间。
手术机器人: AI技术被用于开发手术机器人,这些机器人能够执行精细的手术操作,减少手术中的误差,提高手术成功率,并且可以减轻医生的工作负担。
药物研发: AI在药物研发领域的应用覆盖了从化合物研究到上市后的全周期,通过数据分析和模式识别,加速新药的发现和开发过程,降低研发成本。
健康管理: AI技术可以通过监测患者及药品的使用情况来优化医疗资源配置,例如通过智能手表实时监控心电图和房颤等健康指标,帮助患者及时调整生活方式或治疗方案。
精准医疗: AI与基因组学技术的结合,可以进行大样本分析,精确寻找疾病原因和治疗靶点,从而实现更为个性化的治疗方案。
医院管理和运营: AI技术可以帮助医院更好地规划床位和医生的安排,提高整体的运转效率。此外,通过自动化和优化流程,AI还可以减少医疗资源的浪费,降低人力成本。
远程医疗服务: AI技术支持远程医疗服务,使得专家可以通过云平台远程会诊,提供专业意见,这不仅提高了医疗服务的可及性,也为偏远地区的患者带来了便利。
总之,AI技术通过提供智能化解决方案,不仅能够提高低空经济活动的效率和安全性,还能推动新业务模式的创新,促进社会经济发展。
来源:工信头条