预测存储的能量的潜在危害的解决方案的制作方法

预测存储的能量的潜在危害的解决方案


背景技术：

1.本公开涉及增强现实，并且更具体地涉及使用增强现实模拟由于存储的能量的释放而导致的潜在后果和可能的解决方案。
2.存储的能量是由物体保持或拥有的能量。可以存在不同形式的存储的能量，包括重力势能(例如，由于物体的位置或高度而存储在物体中的能量)、机械能(例如，由于施加力而存储在物体中的能量)、电能(例如，由于电子移动通过或到达物体而存储在物体中的能量)、存储在加压气体和/或液体中的能量等。存储的能量可以存在于任何地方，包括在可能不期望的区域中。例如，存储的能量可以遍及各种工作环境，包括具有处于张力下的电缆或缆绳卷轴的区域、处于扭矩下的钻柱、压缩弹簧、处于压力下的井头/罐/管道、在地面上承载/提升/提升的物体等。


技术实现要素：

3.本公开提供了一种计算机实现的方法、系统和计算机程序产品，以使用增强现实模拟由于存储的能量的释放而导致的潜在后果和可能的解决方案。该方法可包括聚集来自周围区域中的一个或多个设备的iot馈源。该方法还可包括基于iot馈源计算周围区域中存储的能量的量。该方法还可包括预测由于所述周围区域中存储的能量的释放而将导致的一个或多个上下文情景。该方法还可以包括确定对于一个或多个上下文情景中的每一个的一个或多个后果，其中一个或多个后果由一个或多个上下文情景导致。该方法还可包括计算针对一个或多个上下文情景中的每一个的一个或多个后果的严重性程度。该方法还可包括基于严重性程度确定一个或多个提出的解决方案。该方法还可包括传送对来自一个或多个所提出的解决方案的至少一个所提出的解决方案的推荐以供实现。
4.以上概述并不旨在描述本公开的每个所示实施例或每个实现方式。
附图说明
5.本技术包括的附图被结合到说明书中并且形成说明书的一部分。它们示出了本公开的实施方式，并且与描述一起用于解释本公开的原理。附图仅说明某些实施例，而并不限制本公开。
6.图1示出了根据一些实施方式的用于预测由于能量的释放而导致的后果的潜在解决方案的一组操作的流程图。
7.图2描绘了根据一些实施例的示例增强现实环境的示意图。
8.图3描绘了根据一些实施例的第一示例计算机系统的框图。
9.图4描绘了根据一些实施例的第二示例计算机系统的示意图。
10.图5描绘了根据一些实施例的样本计算机系统的框图。
11.虽然本发明可服从不同修改和替代形式，但是其细节已经通过举例在附图中示出并且将被详细描述。然而，应当理解，本发明并不局限于所描述的具体实施例。相反，本发明旨在覆盖落在本发明的范围内的所有修改、等同物以及替换物。
具体实施方式
12.本公开涉及增强现实，并且更具体地涉及使用增强现实模拟由于存储的能量的释放而导致的潜在后果和可能的解决方案。虽然本公开不必限于这样的应用，但是可以通过使用该上下文对不同示例的讨论来理解本公开的各个方面。
13.存储的能量可能被累积，并且随着能量累积，其可能变得越来越可能突然释放，从而潜在地导致严重的危险或后果。例如，随着弹簧变得越来越压缩或拉伸，存储的能量继续积聚和积聚。最终，存储的能量可积聚到弹簧突然膨胀的程度，从而以大的力释放存储的能量。在另一示例中，岩石
‑‑
特别是作为故障表面的一部分的岩石
‑‑
可以随着故障表面继续移位并且导致摩擦阻力而继续累积能量。摩擦可继续导致存储的能量的积聚，直到最终存储的能量突然释放，导致地震。由存储的能量的突然释放而导致的危险可包括对财产的损害以及对人类的损害，诸如严重伤害或者甚至死亡。
14.常规地，诸如物联网(iot)之类的不同技术可用于跟踪和/或计算环境中存储的能量。iot技术可使得信息能够被传送到不同计算设备而无需任何人类交互。因此，iot设备以及潜在地甚至图像扫描技术可用于确定区域中存在多少存储的能量。然而，一旦确定了已经累积了多少存储的能量，人们就可以确定如何解决该问题。如果没有解决这个问题，则所存储的能量的突然释放可能在能量的突然释放的区域中导致事故和/或损害。
15.本公开提供了一种计算机实现的方法、系统和计算机程序产品，以使用增强现实模拟由于存储的能量的释放而导致的潜在后果和可能的解决方案。通过使用增强现实(ar)以及iot和人工智能(ai)，不仅可以确定周围存储的能量的量，而且可以分析存储的能量以便自动地预测由于存储的能量的释放而导致的潜在后果和可能的解决方案以便防止后果的发生(或至少降低后果的严重性)。使用ar、iot和ai的组合可以增加确定和分析周围区域中存储的能量的量的准确度，因为可以实现周围区域的更准确和完整的视觉(从而帮助获得周围区域的更好的数据读数)并且连续的学习和训练可以用于不断改进算法和计算，并且还可以允许自动地准确预测潜在后果和可能的解决方案，而无需人类干扰。
16.如本文中提及的，周围区域可包括不同iot设备和ar设备可从其收集数据的区域或环境。在一些实例中，周围区域是ar设备可见的区域。增强现实(ar)可包含计算机产生的图像在周围区域的视图(例如，真实世界环境)上的复合视图。尽管规范讨论了ar，但是在一些实施例中，还可以使用虚拟现实(vr)技术。
17.在一些实施例中，在此进一步讨论的，ar可以用于(利用ai和iot)通过经由增强现实执行一个或多个上下文解决方案(如测试用例)来导出周围环境中的存储的能量的释放(例如，突然释放)的后果的模拟，该一个或多个上下文解决方案可能由于能量的释放而导致事故或后果。存储的能量可通过聚集来自周围区域中的不同iot传感器的数据馈源来计算。在一些实例中，为了防止在不同上下文解决方案中示出的后果的可能的解决方案可由用户确定并传送。通过(使用上下文解决方案)预测能量的释放的后果并且生成可能的解决方案，存储的能量的释放的后果可以被最小化或者甚至消除，从而潜在地防止周围区域中的许多损害和对个人的潜在伤害。
18.现在参照图1，描述了根据一些实施方式的用于预测由于能量的释放而导致的后果的潜在解决方案的方法100的流程图。在一些实施例中，方法100由服务器(例如，增强现实设备(例如，ar设备230(图2)、ar设备330(图3)或ar设备410(图4))上或连接至增强现实
设备的计算机系统/服务器502(图5))执行。在一些实施方式中，方法100被实现为在计算机系统(例如，系统200(图2)、系统300(图3)和/或计算机系统500(图5))上执行或连接至计算机系统(例如，系统200(图2)、系统300(图3)和/或计算机系统500(图5))的计算机脚本或计算机程序(例如，计算机可执行代码)。在一些实施例中，计算机系统在ar设备上或连接到ar设备(并且可进一步在ai系统和/或iot系统上或连接到ai系统和/或iot系统)。
19.方法100包括用于聚集来自周围区域中的一个或多个设备的iot馈源的操作110。具有iot能力的不同设备(即，iot设备)可位于周围区域和/或附近。在一些实例中，iot设备可包括传感器。例如，仓库可具有放置在各处(例如，在岛(isles)的末端)的传感器，并且这些传感器可以是iot设备和/或可预先链接到iot设备。在另一示例中，不同传感器和/或具有传感器的设备可以被放置在环境中的故障表面附近，以便收集关于故障的不同数据。在又一示例中，传感器可以是增强现实设备(例如，ar眼镜或具有ar能力的任何其他便携式设备)的组件，并且传感器可以使用ar设备的能力(例如，视频能力)来收集数据。在一些实施例中，该一个或多个iot馈源是从增强现实设备接收的。
20.从一个或多个传感器和iot设备收集的数据可被传送或馈送至系统。在一些实施例中，传感器和iot设备是系统的组件。在一些实施例中，传感器和iot设备在增强现实设备上或连接到增强现实设备，并且该增强现实设备将iot馈源传送给系统。一旦该系统从该一个或多个设备接收到一个或多个iot馈源，就可分析该一个或多个iot馈源。在一些实施例中，分析一个或多个iot馈源包括标识从iot设备/传感器收集了哪些数据以及确定来自iot馈源的哪些数据是能量数据。在一些实施例中，可使用视频和图像分析技术来分析iot馈源。
21.能量数据可以是在确定周围区域中存储的能量时所必需或者甚至有用的任何数据。例如，在确定周围区域中存储的能量时，可使用地质数据、环境数据、人口分布数据、基础设施设置数据等。在一些情景下，周围区域中存储的能量可对应于处于运动中的物体(例如，正被压缩的弹簧、正在摆动的摆动、正在移位的故障表面等)。在那些情景下，可使用与物体的速度、物体的高度、物体与周围区域中的其他物体的接近度等相关的数据，以帮助确定存储的能量。
22.在一些实施例中，聚集iot馈源进一步包括从一个或多个iot馈源收集能量数据。在一些实施例中，来自一个iot馈源的能量数据可与来自一个或多个iot馈源中的其他iot馈源的能量数据组合或相关，以便简化聚集。
23.方法100包括用于基于iot馈源计算周围区域中存储的能量的量的操作120。一旦iot馈源被聚集，并且在一些情景下，从iot馈源标识和收集的能量数据，iot馈源数据和/或能量数据可被用来计算周围区域中存储的能量的量。在一些实施例中，计算周围区域中存储的能量的量可以包括识别周围区域中的一个或多个物体并计算每个物体的存储的能量的量。物体可以是可被看到和触摸(或由感官辨别)的任何材料。
24.在一些实施例中，机器学习(例如，监督式学习)可以用于计算存储的能量的量。监督学习(一种机器学习的类型)可以将输入与输出配对，并且使用不同输入-输出对的映射来确定函数或算法。监督学习可以分析输入-输出的训练数据并基于该数据学习/训练算法。使用机器学习技术(诸如受监督学习)，可使用iot馈源数据不同输入-输出对(诸如能量数据(作为输入)和存储的能量的量(作为输出))来开发(即，学习和训练)算法。在一些实施
例中，用作输入的iot馈源数据(例如，能量数据)可专用于周围区域中的某一物体，以便确定或计算与该某一物体有关的存储的能量的量。
25.在一些实施例中，系统包括知识语料库或者被连接到知识语料库，并且从知识语料库收集的数据被用作学习数据以便使用机器学习来训练算法。知识库可以包括与周围区域中的物体有关的历史或过去数据以及与物体相对应的存储的能量的历史量。
26.在一些实施方式中，如图1所示，方法100从操作120进行至操作130，以确定是否存在需要注意的水平的存储的能量。在确定存储的能量的释放的后果之前确定是否存在需要注意的水平的存储的能量可有助于提高或改善预测潜在解决方案(针对由于能量的释放而导致的后果)的效率。在一些情景下，当确定存储的能量的突然释放的后果时，可能不使用周围区域中存储的能量的每个时机。在一些实施例中，如果存储的能量处于较低或较不需要注意的水平，那么可能不需要确定释放的后果(例如，突然释放)，因为它们可能不具有很多(如果有的话)由释放而导致的危险或后果。
27.确定是否存在需要注意的水平的存储的能量的步骤可包括确定周围区域的存储的能量水平的阈值(或在一些情景下，水平)。在一些实施例中，周围区域中的每个物体可具有存储的能量水平的阈值。在一些实施例中，阈值可以通过机器学习(诸如监督学习和/或加强学习)来学习。增强学习(另一种类型的机器学习)可以分析数据以确定可以采取哪些合适的动作以便使奖励/后果最大化。增强学习可以集中于针对特定情景找到最佳路径(例如，在许多
‘
正确’路径中)，而不是基于输入找到一个正确答案。
28.在一些实施例中，使用机器学习可确定存储的能量有多少(例如，存储的能量的水平或量)在被释放时有可能导致损害或伤害。例如，知识语料库可以具有与周围区域中的物体或至少非常类似于那些物体的过去存储的能量的释放有关的数据。例如，可能存在关于断层表面、存储的能量的释放和地震的数据被存储在知识语料库中。该数据可以用于确定可能导致地震的故障表面的存储的能量的阈值量。在另一示例中，周围区域中的物体可以包括仓库中的叉车，并且知识库可以包括关于叉车、叉车高度、从叉车掉落的物体等的历史数据。在这个示例中，可以使用机器学习以便确定可能导致损害(例如，物体从叉车掉落)的存储的能量的阈值量。
29.在一些实施例中，确定是否存在需要注意的的水平的存储的能量可以进一步包括将所计算的存储的能量的一个或多个量与存储的能量的阈值进行比较。在一些情景下，存储的能量和存储的能量的阈值可以对应于物体。
30.例如，从继续以上的叉车示例，叉车可以在其上具有正由叉车提升的箱子。在该示例中，箱子可以是物体。为了确定存储的能量，可计算势能(使用箱的质量、重力加速度和箱子的高度，其可已通过聚集iot馈源来确定)。在此实例中，存储的能量可对应于势能。随着箱子被提升得更高，箱子的存储的能量可能增加。在知识语料库中可以存储有关于正由叉车提升的箱子的势能(或存储的能量)和由存储的能量的释放而导致的损害(例如，箱子折断、箱子掉落和伤害其他个人等)的历史数据。在一些实施例中，历史数据特定于仓库并且甚至可以特定于箱子的大小，这取决于从先前场景收集和存储的数据。此数据可以与机器学习一起被用于确定箱子的如果箱子掉落则不会导致损害的近似势能量()或者甚至箱子的可能不会导致箱子掉落的近似势能量。在此示例中，此近似势能量可为所存储的能量的阈值。箱子的实际储存的或潜在能量可能已经被计算为1000千焦耳(kj)。存储的能量的阈
值可以是10kj。因此，当比较存储的能量与存储的能量的阈值时，可以确定存储的能量大于阈值并且因此存在需要注意的水平的存储的能量。
31.在一些实施例中，确定是否存在需要注意的量的存储的能量可包括确定物体或周围区域中的其他附近物体是否具有帮助限制或防止损害的任何安全措施。如果存在安全措施，则这些安全措施可以被计入存储的能量的阈值的确定中。
32.例如，叉车可以具有适当的安全措施以防止箱子从叉车掉落。具体地，在该示例中，叉车对于放置在叉车上的物体可能具有尺寸限制，并且可能需要抵靠叉车的后部齐平地推动物体。在这个实例中，当考虑安全措施时，可以确定的是，只要箱子满足尺寸要求并且抵靠叉车的后部齐平，则在存在箱子掉落或导致其他损害的担忧之前，箱子可具有大约1500kj的存储的能量量值。在这种情景下，1000kj的实际存储的能量量值小于1500kj的阈值，因此该箱子可以不具有需要注意的水平的存储的能量。
33.如果在操作130中确定不存在周围区域中的需要注意的水平的存储的能量，则方法100可以在操作130之后结束。在一些情景下，如果周围区域中存储的能量的量和/或周围区域中的物体的能量的量不需要注意，则如果存储的能量被释放，可能存在最小甚至没有损害/后果的机会。因此，可能不需要预测由于能量的释放而导致的后果的潜在解决方案，并且方法100可以结束。
34.在一些情景下，方法100可自动从操作120行进至操作140，而不确定存储的能量的水平是需要注意还是高。这样，周围区域中的所有存储的能量(例如，周围区域中每个物体的存储的能量)被分析，并且可针对周围中的所有存储的能量确定由于存储的能量的释放而导致的后果的潜在解决方案，而不管存储的能量的水平如何需要注意。这可增加预测的准确性，因为考虑并使用了每一存储的能量量来确定由于存储的能量的释放而导致的潜在后果。
35.如果在操作130中确定在周围区域中存在需要注意的等级的存储的能量，则方法100前进到操作140，以预测由于存储的能量的释放而将产生的一个或多个上下文情景。上下文情景可专用于周围区域和/或周围区域中的特定物体。在一些实施例中，所预测的上下文情景通过模拟存储的能量的释放的潜在影响来确定。在一些实施例中，上下文情景是测试用例。例如，预测一个或多个上下文情景可以包括运行(例如，经由模拟)正在周围区域中释放的存储的能量的一个或多个测试用例。在一些实施例中，可使用增强现实设备来运行测试用例。在一些实施例中，来自增强现实设备的镜头(例如，经由iot馈源实现)可用于测试用例。在一些实施例中，可以使用机器学习以便确定在测试用例下释放的存储的能量的可能后果。例如，强化学习(一种类型的机器学习)分析数据以及数据的可能的结果。增强学习可利用能量数据(来自iot馈源)和历史数据(例如，来自知识语料库)并且可使用数据确定可能的结果。
36.在一些实施例中，预测一个或多个上下文情景(例如，当使用机器学习时)包括从知识语料库收集关于由类似的存储的能量水平的释放而导致的损害的历史数据。历史数据可以用于学习和训练预测上下文情景的机器学习算法。一旦收集了历史数据，系统然后可以使用历史数据训练机器学习算法，并且可以使用机器学习算法(以及所计算的存储的能量的量(例如，从操作120))来确定由于存储的能量的释放而导致的潜在损害。
37.在一些实施例中，知识库包括历史数据，诸如与周围区域有关的数据。知识库还可
以包括关于周围区域的外部数据，包括地质数据、环境数据和人口统计数据中的至少一个。
38.方法100包括操作150，以确定一个或多个上下文情景中的每一个的一个或多个后果。后果可以包括由存储的能量的释放而导致的任何潜在危害。在一些实施例中，针对上下文情景中的每个上下文，针对周围区域中的每个物体(或者，在一些实例中，具有相关存储的能量水平的每个物体)确定一个或多个后果。在一些实施例中，一个或多个后果可使用机器学习来确定。
39.在一些实施例中，确定一个或多个后果包括执行一个或多个上下文情景中的每一个的模拟。所述模拟可模拟一旦存储的能量的释放便发生的步骤或事件。在一些实施例中，确定对于一个或多个上下文情景中的每一个的一个或多个后果还包括(对于上下文情景中的每一个)计算周围区域中的每个物体的危险等级。危险等级可指示由于存储的能量的释放而对物体的潜在后果的严重性。在一些情景下，系统可针对每个物体确定存储的能量的释放的一个或多个后果，并且危险等级可指示一个或多个后果中的每一个的严重性程度。危险等级可以是数字、百分比、十进制、数字/百分比/小数的范围、类别等。例如，危险等级可以是8(即，最高10)、80％、0.8等。在另一示例中，危险等级可以是70％-75％危险的范围。在又一示例中，危险等级可以是诸如轻微危险、中度危险、高度危险等的类别。在一些实施例中，危险等级越高，后果越严重(并且可能越可能)。
40.在一些实施例中，计算周围区域中的每个物体的危险等级包括确定每个物体的可能释放的能量水平。可能的释放的能量水平可以是针对物体最可能释放的能量水平(或能量水平的范围)。换言之，可能的释放能量水平将对应于在假设地存储的能量针对物体释放的情景下将可能被释放的存储的能量的量。在一些实施例中，释放存储的能量可以释放物体的所有存储的能量。在一些实施例中，针对物体仅释放存储的能量中的一些能量。例如，从货架掉落的箱子将可能从箱子释放所有存储的能量。在一些实施例中，在计算危险等级时也可考虑特定物体附近的物体，因为从一个物体释放的存储的能量可传递到另一物体。例如，弹簧可以收缩(积累存储的能量)并且然后可以膨胀回到其原始形状(存储的能量的释放)。弹簧可连接至或至少非常靠近另一物体，并且当弹簧膨胀时，在膨胀期间释放的存储的能量可传递至另一物体。在一些情景下，能量到第二物体的传递可导致后果和/或损害。
41.计算每个物体的危险等级还可包括估计可能释放的能量水平的影响的持续时间。一旦确定了将有可能释放多少能量，就可以估计由于释放的能量水平而导致的影响可以持续多久。影响的持续时间可以帮助标识影响将对周围区域和/或周围区域中的物体具有多大的效果。例如，在短时间段内施加的高的力(例如，由于碰撞)可具有高的效果，并且在长时间段内施加的高的力可具有甚至更高的效果。然而，即使影响的持续时间可能更长，在较长的时间段内施加的较低力可能对周围区域具有较低的效果。因此，当确定危险等级时，可以结合影响的持续时间来检查可能释放的能量水平。
42.计算每个物体的危险等级还可包括估计由于可能的释放的能量水平而导致的潜在损害。估计潜在损害可包括分析影响的持续时间和可能的释放的能量水平，并使用该分析确定潜在损害。在一些实施例中，可以使用可能的释放的能量水平和影响持续时间来运行测试用例，以便估计潜在损害。
43.在一些实施例中，计算每个物体的危险等级包括估计恢复时间。恢复时间可以是
从潜在损害恢复的时间。在一些情景下，即使由于可能的释放的能量水平而导致的潜在损害可能很高，但由于损害导致的恢复时间可能非常快。例如，由于管道内存储的能量的释放，管可与另一管道分离。即使管道可能已经完全断开，修复管道可能简单地包括重新附接管道，而不需要其他修复/替换。因此，在该实例中，由于存储的能量的释放而导致的恢复时间可能很短。在一些实例中，恢复时间可以通过运行测试用例和利用机器学习来确定。
44.在一些实施例中，通过使不同因素(即，至少可能的释放的能量水平、影响的持续时间、潜在损害和恢复时间)相关(并且可能地对其进行加权)来计算危险水平。
45.在一些实施例中，响应于针对周围区域中的每个物体计算危险等级，确定针对一个或多个上下文情景中的每个上下文情景的一个或多个后果可以包括确定周围区域中的一个或多个物体突破阈值危险等级。确定一个或多个物体突破阈值危险等级可包括确定该物体的危险等级突破阈值危险等级。阈值危险水平可以使用来自知识库的历史数据来确定。在一些实施例中，阈值危险等级指示不会由于存储的能量的释放而发生标称损害的最大或接近最大危险等级。因此，在一些实施例中，在达到和/或突破阈值危险等级之后，由于存储的能量的释放，可能存在标称损害。
46.在一些实施方式中，用户可以确定阈值危险等级。例如，一些用户可能想要没有损害的阈值危险等级，因此损害可能仅在阈值危险等级被突破时发生。在另一实例中，例如，当存储的能量被释放的结果是地震时，用户可能希望阈值危险水平相对较高，使得突破损害的阈值可指示由于地震导致的巨大潜在损害。地震可能具有导致大量损害的潜力，因此如果阈值危险水平低，可能存在突破阈值危险水平的大量潜在后果，并且因此最严重的潜在后果可能在大量其他潜在后果中潜在被淹没(get lost)。
47.在一些实施例中，预测一个或多个上下文情景包括针对一个或多个上下文情景中的每一个，确定已经针对突破阈值危险等级的周围区域中的至少一个或多个物体存储的能量的释放的结果。在一些实例中，该确定可基于周围区域和一个或多个物体。一旦确定危险等级和对应的物体可以突破阈值危险等级，可以确定当存储的能量被释放时突破阈值危险等级的每个物体发生了什么事(即，结果是什么)。例如，返回到叉车实例，正由叉车提升的大箱子可能具有从叉车掉落的可能(例如，当叉车处于高的高度处时)并且可能导致超过阈值危险水平的危险(例如，箱子中的内容可能被突破，箱子可能落在另物体上并且突破另一物体，箱子可能落在人类上并且伤害人类等)。即使箱子可能具有远超过阈值危险水平的后果，与箱子相关的存储的能量的释放可能简单地导致箱子在叉车上移位，这可能导致对箱子或叉车或任何其他附近物体的最小到没有损害。在这个示例中，可以确定针对一个上下文情景被释放的存储的能量的后果是箱子从叉车掉落。在这种情景下，从叉车掉落的箱子可能会突破箱子的阈值危险水平。在其他实例中，当上下文情景可能导致箱子在叉车上简单地移动时，箱子可能不会突破阈值危险水平，并且在一些情景下，当确定每个上下文情景的后果时，可能不会考虑该上下文情景。
48.在一些实施例中，在增强现实设备上执行针对一个或多个上下文情景中的每个确定一个或多个后果。增强现实设备可模拟不同测试用例并可基于测试用例预测后果。在一些实施例中，利用增强现实设备来完成确定一个或多个后果。例如，从ar设备收集的数据和iot馈源可在模拟不同上下文情景和预测后果时使用。在一些实施例中，使用机器学习和人工智能技术来训练模拟算法并连续地改进预测和确定。
49.在一些实施例中，方法100包括确定一个或多个上下文情景中的每一个的发生概率。发生概率可以是特定上下文情景可能发生的概率。在一些实施例中，概率由百分比指示。在一些实施例中，概率由十进制数指示。在一些实施例中，确定一个或多个上下文情景中的每个上下文情景的发生概率可以包括确定一个或多个上下文情景中的每个上下文情景的所有可能结果。然后，在一些实施例中，可以将已经针对周围区域中的突破阈值危险水平(以上所讨论的)的至少一个或多个物体存储的能量的释放的结果与针对一个或多个上下文情景中的每一个上下文情景的可能结果的总量相比较，以便确定发生概率。
50.方法100包括操作160，以为一个或多个上下文情景中的每一个计算后果的严重性程度。可以针对每个单独的上下文情景确定严重性程度(指示可能多么严重或损害后果)。这样，可以识别并突出可能具有更高后果的特定上下文情景。在一些实施例中，计算后果的严重性程度包括确定对于特定上下文情景发生的后果(例如，经由模拟，使用通过机器学习确定/形成的算法)。在一些实例中，计算严重性程度可以包括将每一特定上下文情景的后果与其他上下文情景的后果相比较，使得严重性程度可以指示与其他后果(来自其他上下文情景)相比较的后果的严重性。在一些实施例中，当计算严重性程度时，可以考虑(并且可能加权)多个因素——例如上下文情景的(多个)后果的性质、(多个)后果的程度、(多个)后果的持续时间等。
51.在某些情景下，可以使用每个物体的危险等级来确定严重性程度。在一些实施例中，确定针对上下文情景的后果的严重性程度包括对针对上下文情景中的每个物体的每个危险等级求和。在某些情景下，危险等级的总和可以是严重性程度。在一些实施例中，严重性程度是上下文情景中每个物体的危险等级的平均值。在一些实施例中，严重性程度对应于针对上下文情景的最高危险等级。
52.方法100包括操作170，以确定严重性程度是否指示周围区域中存储的能量的释放的潜在后果是严重的。在一些情景下，可以(例如，通过机器学习、由用户预定等)确定阈值严重性值，并且大于或等于严重性程度的任何严重性程度可以被确定为是严重的。例如，严重性程度可以是1至10之间的数。具体地，在该示例中，严重性程度可以被确定为6。阈值严重性值可以是7，因此当将严重性程度与阈值相比较时，可以确定对于特定严重性程度(和特定上下文情景)的潜在后果可能不是严重的。在一些实施例中，严重性程度可以是类别(例如，轻度、中度、重度、非常重度等)，并且具有重度或非常重度类别的任何严重性程度可以指示潜在后果是严重的。
53.在一些实施例中，针对每个上下文情景及其相应的严重性程度重复操作170。周围区域可具有已存储的能量的多个物体，可存在涉及每一物体且如果释放所存储的能量则可潜在地发生的多种上下文情景。可能需要考虑每个上下文情景的严重性，以便确定哪些上下文情景对于防止是最重要的。在一些实施例中，阈值严重性值对于每个上下文情景是相同的。例如，对于每个上下文情景，阈值严重性值可以是7(或者，例如，严重的类别)。在一些实施例中，阈值严重性值可以对于每个上下文情景是唯一的。在一些实施例中，阈值严重性值对于每个上下文情景可以不是唯一的，但是对于每个物体可以是唯一的。例如，如果箱子从叉车上掉落，则该箱子可以与地板接触。框和地板两者将被认为是物体，但是箱子可以比地板更容易损害，因此箱子可以具有比地板更低的阈值严重性值。
54.如果在操作170中确定上下文情景的严重性程度不是严重的，则方法100可以在操
作175中检查其他上下文情景的严重性程度，然后返回到操作170以确定其他上下文情景的严重性程度是否严重。如以上所讨论的，可以针对每个上下文情景重复操作170。如果上下文情景的严重性程度不是严重的，则可以检查其他上下文情景的严重性程度，以便检查任何其他上下文情景及其相应的严重性程度是否严重。
55.在一些实施例中，如果没有严重性程度被确定为是严重的，则方法100可以在操作170和175(未描绘)之后结束。
56.返回操作170，如果确定针对至少一个上下文情景的严重性程度是严重的，则方法100前进到操作180，以基于严重性程度确定一个或多个提出的解决方案。在一些实施例中，机器学习技术(诸如强化学习)可用于确定或预测一个或多个提出的解决方案。增强学习可以确定在环境中采取的动作，以便最大化奖励(在这种情景下，降低或消除导致更高严重性程度的后果)。强化学习可以是目标聚焦算法，集中于使后果最小化的目标并且学习可能的最佳动作(即，所提出的解决方案)以便实现所述目标。在一些实施例中，确定一个或多个所提出的解决方案还基于发生概率。
57.在一些实施例中，确定一个或多个所提出的解决方案可以包括运行模拟(例如，基于ar的模拟)，并且然后基于该模拟识别存储的能量的释放的安全速率，从而使得可以不发生后果或至少不发生严重的后果。所提出的解决方案可以包括用于如何实现释放存储的能量的安全速率的指引。在一些实施例中，确定一个或多个提出的解决方案可以包括模拟如果应用选择的解决方案作为预防措施的未来效果。未来效果可以是存储的能量水平的新值、能量水平随时间的变化速率等。在一些实施例中，确定一个或多个所提出的解决方案可以包括通过动态用户简档合成来使个性化推荐。在一些实例中，(例如，增强现实设备的用户)可在使用设备之前建立用户简档。用户简档可包含针对严重性程度、危险等的阈值量的用户偏好。另外，用户简档可包括从用户对设备的先前使用收集的过去数据(包括能量数据)。
58.方法100包括操作190，以(从一个或多个所提出的解决方案)传送对至少一个所提出的解决方案的推荐以供实现。在一些实施例中，在操作180中确定的所有所提出的解决方案可以作为推荐被传送。在一些实施例中，仅顶部提出的解决方案(例如，导致最少量的后果的所提出的解决方案)可推荐被传输以用于实现。在一些实施例中，传送(一个或多个)推荐可以包括(在ar设备上)模拟上下文情景以及所所提出的解决方案。在一些实例中，可存在针对每个所传送的推荐的单独模拟。在一些实施例中，传输推荐可包括描绘如果应用至少一个所提出的解决方案则所预测的将来效果。所预测的将来效果可通过增强现实设备来描绘，并且在一些情景下，将来效果可被描绘为模拟。模拟可包括示出如果实现推荐的解决方案的未来效果。
59.参考图2，描绘了根据一些实施例的示例增强现实环境200的示意图。增强现实环境200包括ar设备210。在此实例中，ar装置210为一副ar眼镜，但ar装置210可为具有ar能力的任何装置。在一些实施例中，ar设备210由用户穿戴(未描绘)。
60.在一些实施例中，ar设备210收集关于周围区域的数据并且将该数据传送至计算机系统(例如，系统300(图3)和/或系统400(图4))。数据可作为iot馈源被传送，然后可由计算机系统聚集(例如，在图1的操作110中)。在一些实施例中，计算机系统然后可以至少基于由ar设备210收集的数据来计算(例如，在图1的操作120中)周围区域中存储的能量的量。在
一些实施例中，为了预测一个或多个上下文情景(例如，在图1的操作140中)，计算机系统可以使用ar设备210来模拟上下文情景。
61.如图2所示，如果存储的能量被释放，则ar设备210可以显示潜在后果的ar模拟220。在一些实施例中，ar模拟220是上下文模拟。
62.在周围区域中(如ar模拟220中所描绘的)，两个个人(人224和人226)正在秋千222上摆动。在这个示例的围绕区域中，人226正在使用的秋千可以具有损坏的绳子。使用计算机系统(例如，系统300(图3)和/或系统400(图4))和方法100(图1))，可以确定当绳子变得拉紧时，它存储势能，并且当绳子松开时，存储的势能可以释放。基于该确定，计算机系统可以使用ar设备210以便经由模拟来预测如果存储的能量被释放则可能发生的上下文情景。在特定ar仿真220(即，上下文情景)中，如果存储的能量的释放并且绳子折断/断裂，则人226可以从秋千掉落。从秋千掉落的人226可以是ar模拟220的上下文情景的后果(例如，如在图1的操作150中确定的)。ar模拟220可以通过显示人员226a仍然在秋千上、空中的人员226b从秋千掉落(在绳子松开之后)以及在地面上的人员226c从秋千掉落之后来描绘潜在后果。
63.在一些实施例中，当确定ar模拟220中所描绘的上下文情景的后果时，可以确定人226(周围区域中的物体)的危险等级。可以确定从秋千掉落具有对人226的高伤害潜力，因此人226可以具有高危险水平。另外，在一些实施例中，ar模拟220中示出的上下文情景的总体严重性程度可以由计算机系统确定。严重性程度可以至少使用人226的危险等级、人224的危险等级、以及两个秋千的危险等级来确定，因为它们都是ar模拟220的上下文情景中的物体。在一些实例中，人226可以是具有高危险等级的唯一物体，因此可以确定ar模拟220的上下文情景的严重性程度是严重的。
64.在一些实施例中，可能存在其他上下文情景(未描绘)，如果存储的能量被释放并且秋千的绳子松开，则这些上下文情景可能发生。例如，代替人226落在ar模拟220中所描绘的方向上(从位置226a到226b到226c)，人226可落在人224的方向上。在此上下文情景下，人226和人224两者可能具有高危险等级，因为人226和人224两者可能由于秋千松开而受伤并且人226脱离秋千。例如，人226可以掉落在人224上。因为人226和人224两者可能具有高危险等级，所以针对此上下文情景(未描绘)的总体严重性程度可能非常严重。
65.在一些实施例中，ar设备210可以由用户穿戴，并且ar模拟220可以向用户示出。在一些实施例中，(未描绘)ar模拟220还可显示潜在解决方案(例如，在操作180中确定并在图1的操作190中传送到ar设备210)以防止对于在ar模拟220中示出的上下文情景的模拟后果。例如，可以确定如果秋千由于重力而逐渐下降(与人在荡秋千的同时泵送其腿时由人226施加的能量相反)，则存储的势能可以缓慢地转换成动能，从而防止秋千松开。换言之，使人停止泵送他们的腿并且简单地允许重力确定秋千的动作可以使得秋千缓慢地停止并且防止人226掉落。ar模拟220可以将该推荐显示给ar设备210的用户。
66.参考图3，根据一些实施方式描述了第一示例性计算机系统300的框图。在一些实施方式中，计算机系统300可执行方法100(图1)。计算机系统300包括(一个或多个)传感器310、人工智能(ai)系统320和增强现实(ar)设备330。在一些实施例中，(一个或多个)传感器310包括正在收集关于周围区域的数据的一个或多个iot设备/传感器。(一个或多个)传感器310可向ai系统320传送iot馈源。在一些实施方式中，ai系统320执行方法100(图1)的
操作(即，110-190)。ai系统的部件在本文中进一步讨论并在图4中描绘。ai系统可以是人工智能系统和/或具有人工智能(例如，神经网络和机器学习)能力的系统。在一些实施方式中，ai系统320确定存储的能量的释放的后果，并且使用机器学习预测潜在的解决方案，以消除或至少最小化潜在的后果。后果和/或解决方案可被传送给ar设备330并在ar设备330上被模拟，使得用户能够看到(通过ar设备330)对存储的能量的释放的后果的模拟以及(在一些实例中)潜在解决方案。本文讨论并在图2中描绘了示例模拟。
67.虽然(一个或多个)传感器310、ai系统320和ar设备330在图3中被描绘为系统300的单独组件，但是这些组件在一些情景下可以被组合。例如，ar设备330可以是ai系统320的一部分。
68.参照图4，描绘了根据一些实施方式的第二示例性计算机系统400的示意图。在一些实施方式中，计算机系统400可执行方法100(图1)。计算机系统400包括传感器405、传感器410和传感器415。尽管描绘了三个传感器，计算机系统400可以包括任何数量的传感器。在一些实施方式中，传感器405、410和415对应于(一个或多个)传感器210(图2)。
69.计算机系统400包括ai系统420。在一些实施方式中，ai系统420对应于ai系统320(图3)。如图4所示，ai系统420包括数据融合模块421、机器学习模块423、模拟模块425和知识库模块427。知识库模块427可包括具有关于存储的能量水平、周围区域中的物体、损害等的历史数据的知识库。在一些实施例中，数据融合模块421至少执行操作110(图1)。数据融合模块421可从传感器405、410和415接收iot馈源并且可融合或聚合iot馈源。在一些实施例中，数据融合模块421向知识库传送iot馈源或iot馈源的至少副本。
70.在一些实施例中，机器学习模块423至少执行操作120至175(图1)。在一些实施例中，模拟模块425(具有模拟能力)可以辅助执行至少一些操作。模拟模块423可以从知识库模块427接收历史数据，并且可以使用历史数据来学习和/或训练在机器学习模块423中使用的机器学习算法。例如，当预测由于存储的能量的释放而导致的上下文情景时(例如，操作140(图1))，机器学习模块423可以从知识语料库模块427中的知识语料库收集关于由类似的存储的能量水平的释放而导致的损害和事件的历史数据。然后，机器学习模块423可以使用历史数据训练机器学习算法，并且可以使用机器学习算法(以及所计算的存储的能量的量(例如，从操作120(图1))来确定由于存储的能量的释放而导致的潜在损害。
71.在一些实施例中，知识库模块427包括历史数据，诸如与周围区域有关的数据。知识库模块427还可以包括关于周围区域的外部数据，所述外部数据包括地质数据、环境数据和人口统计数据中的至少一个。历史数据可由机器学习模块423使用。
72.在一些实施例中，机器学习模块423将机器学习的结果传送到模拟模块425。在一些实施方式中，模拟模块425可至少执行操作180和190(图1)。模拟模块425可具有模拟能力并且可模拟不同测试用例和上下文情景。在一些实施例中，机器学习模块423和模拟模块425处于持续的通信中，并且模拟模块425可能频繁地模拟如由机器学习模块423确定的不同潜在后果等。
73.计算机系统400进一步包括ar设备430。在一些实施方式中，如图4所示，ar设备430可以是一副ar眼镜。在一些实施例中，ar设备可以是平板电脑和/或任何其他类型的移动/便携式设备。在一些实施例中，模拟模块425可向ar设备430传输模拟，使得用户能够在增强现实中看到模拟。图2描绘了示例ar模拟。
74.参考图5，计算机系统500是根据一些实施例的以通用计算设备的形式示出的计算机系统/服务器502。在一些实施例中，计算机系统/服务器502位于链接设备上。在一些实施例中，计算机系统502连接至链接设备。计算机系统/服务器502的组件可以包括但不限于一个或多个处理器或处理单元510、系统存储器560、以及将包括系统存储器560的不同系统组件耦合至处理器510的总线515。
75.总线515表示若干类型的总线结构中的任何一种中的一个或多个，包括存储器总线或存储器控制器、外围总线、加速图形端口、以及使用各种总线架构中的任一种的处理器或局部总线。作为示例而非限制，此类体系结构包括工业标准体系结构(isa)总线、微通道体系结构(mca)总线、增强型isa(eisa)总线、视频电子标准协会(vesa)局部总线以及外围组件互连(pci)总线。
76.计算机系统/服务器502通常包括各种计算机系统可读介质。这样的介质可以是可由计算机系统/服务器502访问的任何可用介质，并且其包括易失性和非易失性介质、可移动和不可移动介质。
77.系统存储器560可包括易失性存储器形式的计算机系统可读介质，诸如随机存取存储器(ram)562和/或高速缓存存储器564。计算机系统/服务器502可以进一步包括其他可移动/不可移动、易失性/非易失性计算机系统存储介质。仅通过示例的方式，存储系统565可以被提供用于从不可移除、非易失性磁介质(未示出，并且通常被称为“硬盘驱动器”)进行读取和写入。尽管未示出，可以提供用于从可移动非易失性磁盘(例如，“软盘”)读取或向其写入的磁盘驱动器，以及用于从可移动非易失性光盘(如cd-rom、dvd-rom或其他光学介质)读取或向其写入的光盘驱动器。在这样的情景下，每一个可以通过一个或多个数据介质接口连接到总线515。如下文将进一步描绘和描述的，存储器560可包括具有被配置来执行本公开的实施例的功能的一组(例如，至少一个)程序模块的至少一个程序产品。
78.具有一组(至少一个)程序模块569的程序/实用程序568以及操作系统、一个或多个应用程序、其他程序模块和程序数据可以存储在存储器560中，作为实例而非限制。操作系统、一个或多个应用程序、其他程序模块和程序数据中的每一个或它们的一些组合可以包括网络环境的实现方式。程序模块569通常执行如在此所描述的本发明的实施例的功能和/或方法。
79.计算机系统/服务器502还可与一个或多个外部设备540(诸如键盘、定点设备、显示器530等)通信；使得用户能够与计算机系统/服务器502交互的一个或多个设备；和/或使得计算机系统/服务器502能够与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)。这样的通信可经由输入/输出(i/o)接口520发生。此外，计算机系统/服务器502可以经由网络适配器550与诸如局域网(lan)、通用广域网(wan)和/或公共网络(例如，互联网)之类的一个或多个网络通信。如所描绘的，网络适配器550经由总线515与计算机系统/服务器502的其他组件通信。应当理解，虽然未示出，但是其他硬件和/或软件组件可以与计算机系统/服务器502结合使用。示例包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器和数据归档存储系统等。
80.本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
81.计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项：便携式计算机盘、硬盘、随机存取存储器(ram)、静态随机存取存储器(sram)、便携式紧凑盘只读存储器(cd-rom)、数字通用盘(dvd)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线发射的电子信号。
82.本文中所描述的计算机可读程序指令可以经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备，或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
83.用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码，这些程序设计语言包括面向物体的程序语言(诸如smalltalk、c++等)和过程程序设计语言(诸如“c”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情景下，远程计算机可通过任何类型的网络(包括局域网(lan)或广域网(wan))连接到用户计算机，或者可连接到外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令，以便执行本发明的各方面。
84.下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
85.这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作，从而，其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的处理，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中
的或多个方框中规定的功能/动作。
86.附图中的流程图和框图示出了根据本发明的一些实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此，流程图或框图中的每个框可表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中，框中标注的功能可以不按照图中标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个块实际上可以基本上同时执行，或者这些块有时可以以相反的顺序执行。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
87.已经出于说明的目的呈现了对本披露的不同实施例的描述，但并不旨在是详尽的或限于所披露的实施例。在不脱离所描述的实施例的范围的情景下，许多修改和变化对于本领域普通技术人员来说是显而易见的。这里使用的术语被选择来最好地解释实施例的原理、实际应用或对在市场中找到的技术的技术改进，或者使得本领域普通技术人员能够理解这里公开的实施例。