具体实施方式

从根据本发明的示例性实施方式的以下详细描述中，本公开内容的以上和其他元件、特征、步骤和概念将更加明显，将参照附图说明示例性实施方式。

本公开内容的一些示例通常提供用于多个电路、数据存储装置、连接或电气装置诸如例如处理器。对这些实体或其他电气装置或由每一个提供的功能的所有引用都不旨在限于仅涵盖本文示出和描述的内容。虽然可以将特定的标签分配给所公开的各种电路或其他电气装置，但是这样的标签并不旨在限制电路和其他电气装置的操作范围。可以基于所期望的特定类型的电气实现，以任何方式使这样的电路和其他电气装置彼此组合和/或分离。认识到，本文所公开的任何电路或其他电气装置可以包括任何数目的微控制器、图形处理器单元(GPU)、集成电路、存储器装置(例如，闪存、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或它们的其他合适的变型)以及彼此协作以执行本文所公开的操作的软件。另外，电气装置中的任何一个或更多个可以被配置成执行以非暂态计算机可读介质体现的程序代码，该程序代码被编程以执行所公开的任何数目的功能。

将理解的是，实施方式的以下描述不被认为限制意义。本发明的范围不旨在受下文描述的实施方式或由附图限制，附图被认为仅是说明性的。

附图应被视为是示意性表示，并且附图中示出的元件不必按比例示出。相反，各种元件被表示成使得对于本领域技术人员来说它们的功能和一般用途是明显的。也可以通过间接连接或耦合来实现图中示出的或本文描述的功能块、装置、部件或其他物理单元或功能单元之间的任何连接或通信或耦合。也可以通过无线连接建立装置之间的通信。功能块可以以硬件、固件、软件或它们的组合来实现。

在下文中，描述了可以在供应链物流领域中促进货件的监控和定位(特别地在建筑物内部)的技术。

图1示意性地示出了在维修件/备件物流中备件的典型运输路线。

参照图1，描绘了将替换CT管运输至医院。将理解的是，可以将类似的原理和问题应用于例如任何物料流，例如将部件运输至工业生产线或在工业生产线中运输部件。

在步骤L1中，医院中的CT管产生缺陷。在步骤L2中，在供应商处打包备用的、即替换的CT管，以运输至医院。在步骤L3中，将备用CT管运输至机场。在步骤L4中，备用CT管通过飞机进行运输。在步骤L5中，将备用CT管交付给分发员，分发员将把备用CT管交付并移交给医院。在步骤L6中，在医院处通过CT管供应商的技术人员替换缺陷的CT管来安装替换的CT管。在步骤L7中，缺陷的CT管可以沿物流路径的相反方向被退回给供应商。

如由图1中的虚线框所示，在供应商处打包替换CT管并且将其交给第一运输服务提供商之后，并且直至由在医院中在现场的供应商的技术人员接收备用管，不知道确切的信息，备用CT管位于何处，以及备用CT管处于哪种环境情况下。在这方面，步骤L2与L6之间的物流路径可以被视为黑匣子，其中，通过运输服务提供商仅可以获得较少的信息。

若干问题可以与以上描述的供应链物流相关联。关于维修件/备件物流的运输路线的透明度可能不可靠或完全缺失。例如，可能无法看到货件位于何处，也无法看到货件内的货物的状况。因此，包裹的状态可能是未知的，其中，可能不知道备件的状况例如损坏，也不知道货件的确切位置。

此外，很难在建筑物内部找到货件。依赖并等待货件的技术人员可能不知道在现场何时可获得装置以进行安装，或者可能不知道货件在医院的哪个确切的房间乃至建筑物中已被接收并存储。因此，技术人员可能需要很多时间来确定包裹在建筑物内部的确切位置，例如房间，对于医院来说，这增加了维修成本。

这样的典型供应链可以包括多个，在一些示例中多达二十六个不同的物流服务提供商，其中，特别地，在医院处进行移交并在医院中进行存储可能经常没有清楚地限定。因此，必要的备件可能位于建筑物内部的未知位置。

此外，在从供应商至医院的运送期间可能发生货件的丢失和损坏。例如，缺陷的备件可能到达医院(即，最终客户)，其中，在到达医院的途中已经发生了丢失或损坏。

这可能需要后续澄清，例如，可能必须确定责任方的担保，即责任。此外，只有在知道包裹已经有缺陷地到达其目的地之后而不是在发生损坏/丢失的尽可能早的时间处，进行替选的运送。因此，可能发生延长的停机时间，从而降低客户的满意度。例如，医院或医师可能由于医疗装置的停机时间而增加机器成本以及增加技术人员工作时间。

迄今为止，通过使供应商和服务提供商提供关于货件的位置和交付的信息(例如，经由EDI提供运送数据)已经解决了一些问题。在过去，遗憾的是，这些说明被证明是不可靠且不透明的。

市场上用于跟踪包裹和货件的现有解决方案使用各种各样的传感器。使用GPS，可以跟踪室外货件并且获得大概的到达时间。各种运输服务提供商在其主页上或经由应用提供运送跟踪。然而，无法提供这种用于建筑物内部的解决方案，例如内部跟踪。

图2示意性地示出了根据本发明的实施方式的用于使用经训练的函数来确定装置1的位置的跟踪系统100。

如图2所描绘的，跟踪系统包括现场装置1，现场装置1可以被称为跟踪系统的前端并且位于要确定的位置3处。在位置3处，现场装置1被暴露于各种无线电信号，在该示例中，所述无线电信号包括来自一个或更多个蜂窝网络基站的一个或更多个GSM信号2或者通常用于手机网络中的移动通信的无线电信号、一个或更多个蓝牙信号2以及来自一个或更多个Wi-Fi基站的一个或更多个Wi-Fi信号。装置1与计算装置200通信，该计算装置200还可以被称为跟踪系统100的后端。

参照图2，将更详细地说明根据本发明的机器学习功能。通过组合不同的无线电信号2(例如，Wi-Fi、蓝牙和GPS/GSM)，可以使用跟踪装置1来提供基于房间的货件的定位。在本公开内容的上下文中，跟踪器可以同样被称为跟踪装置、现场装置或装置。其中，跟踪器可以例如附接至或包括在货件例如备件或包裹中。

特定位置3处的无线电信号可以包括以下信息：例如Wi-Fi信号的信号强度和基站ID，其被装置1接收并且进一步从装置1发送至提供AI引擎的计算装置200，作为位置3处的无线电信号2的指纹4。由计算装置200在后端处提供的AI引擎使用针对指纹4的机器学习实现分析功能(即，将经训练的函数应用于指纹4)，并且能够使用具有相关联的已知位置的训练指纹来训练函数。通过将经训练的函数应用于指纹4，确定了现场装置1的位置3。

发送至AI引擎的指纹4包括找到的无线电信号2的列表、每个信号对应的信号强度以及可选的在当前位置3处的装置的GPS坐标。

使用GPS坐标，跟踪装置1可以预先选择包裹在建筑物内部的可能位置。可以由位置名称5，例如由地址和/或建筑物内部的房间号或名称，来表示已知或确定的位置。将所确定的位置名称5发送至现场装置1。

在用于对函数进行训练的训练过程中，必须预先对场所进行扫描，并且因此针对已知位置必须设置训练指纹。例如，可以由技术人员使用移动应用来扫描和存储这些指纹，并且然后可以与位置的名称一起提供给后端，以便提供用于对函数进行训练以提供装置位置的训练数据集。

以这种方式，使用随后可以提供关于包裹的位置的精确信息的AI引擎创建虚拟基础设施。其中，AI引擎使用无线电信号2的包括信号强度和基站ID的指纹4，并且将经训练的函数应用于指纹4，以便生成至少一个位置。然后，AI引擎提供最近的指纹的概率(即，与已知指纹相关联的位置)，并且以这种方式公开包裹的位置。

利用GPS坐标可以进行预先选择，这有助于确保我们的解决方案的可扩展性。例如，当识别出包裹被运输至德国的城市时，使用利用GPS的室外跟踪，AI引擎将仅使用位于德国相应城市的相关指纹子集。AI引擎使用如本领域中已知的至少一个机器学习函数或分类器，诸如例如，SVM和/或神经网络。在各种示例中，在分层网络架构中，AI引擎使用多种机器学习函数，例如，七种或更多种机器学习函数。

在下文中，将进一步详细描述机器学习功能。

技术人员位于建筑物内部的兴趣点(POI)处，并且使用他的应用中的被称为“添加POI(Add POI)”的按钮。在按下之后，对当前位置中的无线电信号进行扫描并且将其发送至后端结构，该后端结构可以包括AI引擎。此外，技术人员输入与当前位置相关联的合适且详细的房间名称。POI以此名称命名，以随后实现确切位置。换句话说，生成训练指纹，训练指纹包括位置名称和位置处的无线电信号的指纹。将训练指纹连同多个其他训练指纹一起存储在后端，所述多个其他训练指纹与不同的POI相关联，并且可以发起AI的学习过程，即可以使用训练指纹来生成或训练机器学习模型。

使用利用已知位置的指纹进行训练的经训练的函数，然后可以定位包裹。其中，跟踪器如下文所述那样工作。跟踪器对其环境的无线电信号进行扫描，由AI引擎的后端查询数据以找出位置，并且然后在应用中将位置显示给技术人员。

为了减少要比较的数据量，可以将指纹分组成族。可以基于族的GPS坐标来分组和/或选择这些族。

图3示意性地示出了根据本发明的实施方式的具有健康跟踪的组合的室外和室内跟踪系统100。

货件包括带有跟踪装置1的包裹，该包裹被运输并交付至医院。跟踪装置1包括多个环境传感器7，环境传感器7包括温度传感器7、湿度传感器7、加速度传感器7和气压传感器7。跟踪装置1还包括用于接收无线电信号2的至少一个接收器。

跟踪装置可以与运送或交付一起使用，以便在运输期间跟踪维修件或备件。

可以经由GPS提供室外跟踪，其中经由GSS进行传输。在室外运输期间，跟踪装置1根据在位置处接收到的无线电信号生成指纹。此外，跟踪装置1收集环境传感器7的测量数据。

可以经由Wi-Fi基于端对端训练的机器学习函数通过使用所谓的Wi-Fi指纹处理来设置兴趣点(POI)而提供室内跟踪。当货件已经被交付至医院并且运输并存储在医院建筑物内部时，跟踪装置收集包括Wi-Fi信号2的无线电信号的指纹。以这种方式，使用人工智能在建筑物内部创建虚拟基础设施。

使用环境传感器7，检测到冲击和振动(即加速度传感器极限违反、温度极限违反、气压违反等)，并且将其发送至应用，应用进一步可以将数据发送至后端。

跟踪装置1以时间间隔将指纹和所收集的环境传感器数据发送至数据库或云数据存储装置8。计算装置200使用存储在云存储装置8中的数据，以针对每个指纹确定跟踪装置1的位置。此外，基于环境传感器7数据来确定包裹的健康状况。

如图3所描绘的，将进一步详细描述，根据本公开内容的技术利用各种传感器和机器学习不仅提供用于室外使用的位置数据，而且还提供用于室内使用的准确的位置数据。

使用例如作为位置的时间线向技术人员9显示的跟踪装置1的所确定的位置，技术人员可以能够容易地找到在医院建筑物内部的货件。其中，应用可以向用户例如技术人员9可视化定位和位置，该应用可以是移动电气装置的应用。此外，应用可以为用户提供各种类型的配置选项。

通过将货运路线上发生的事件存储在例如跟踪器的存储卡上，可以明确地解决责任问题。这确保了可追溯性和文档记录；使用可以为室外或室内的位置实现可追溯性。两种测量系统(即GPS和Wi-Fi指纹识别)的组合可以用于数据获取。

在运输期间已经损坏的缺陷的备件到达其目的地之前，可以基于针对货件的损坏事件的通知，发起新备件的替换运送。这可以使直至起作用的备件到达的等待时间最小化。

根据本公开内容的技术可以具有以下优点。无需建立基础设施系统，建立基础设施系统将涉及巨大的成本和高支出，特别是对于建筑物所有者。

由于与利用常规方法(例如，GPS)可以指定货件的位置和状况相比可以更精确地指定货件的位置和状况，因此该技术可以提供更高的位置准确度。在此，根据本公开内容的使用机器学习的Wi-Fi指纹识别技术的人工智能为室内定位提供了显著的改进。

可以使用处理并过滤所获得的数据的AI引擎利用无线电信号2的模拟信息和数字信息来执行精确的室内定位。可以使用建筑物的现有的房间号和名称来指定所确定的位置。此外，使用环境传感器7的数据可以更快速和精确地识别对于货件的损坏。

在各种示例中，指纹识别可以指生成来自Wi-Fi、蓝牙和GSM接收器的无线电信号和/或环境传感器信号的指纹。

可以通过云存储装置的通信结构来发送指纹，该云存储装置的通信结构可以独立于运输服务提供商进行选择，这导致了供应商和/或最终客户的全部数据权。

根据本公开内容的技术可以应用于服务物流之外的其他区域，并且可以使用另外的接口来解决与例如仓储物流，或更一般的最终客户(例如，医院或其他机构)处的物料流相关联的广泛的问题。

不仅可以检测交付延迟，而且指纹的存储和人工智能特别地机器学习的使用可以在将来提供优化的交付路线，并且在部件的使用期内提前预测可能的问题。在运输路线优化的帮助下，由于完善的时间管理因此可以节省成本。另外，考虑到例如医院中的技术人员的情况，这可以引起效率提高，因为来自精确的位置跟踪的知识可以用于改进资源规划。另外，所列出的所有优点实现最终客户的高满意度，这可能有利于与合同合作伙伴的关系。

例如，可以部署神经网络和支持向量机来处理指纹。例如，可以部署诸如LSTM的序列限定算法用于传感器数据的分析。

根据本公开内容的跟踪系统100可以包括前端，该前端具有将指纹4传输至后端的一个或更多个跟踪装置1，后端包括至少一个计算装置200以执行机器学习函数。此外，可以提供网络应用和/或桌面应用，以向技术人员显示和提供信息和功能，即应用视图。

在下文中，将进一步详细说明根据本发明的应用视图。

用于室外/室内定位的前端部分可以显示管理员视图。将数据与数据库一起通过跟踪器发送至AI引擎，并且从AI引擎接收位置数据，并且该位置数据被表示用于室外定位。

可以显示总览(overview)地图，该总览地图具有指示器，并且通过位置周围的圆形指示物来指示跟踪器的当前位置和当前位置的准确度。每当跟踪器发送关于其位置的更新信息时，就会进行更新。

可以显示位置历史地图，该位置历史地图包含跟踪器已经所处并且发送数据的所有位置，其可以呈现为利用指示从点至另一点的移动的线连接的周围具有精度圈(accuracy circle)的指示器。鼠标悬停时，显示坐标和各种传感器信息如温度、湿度等。

在室内定位视图中，可以显示多列，包括POI(兴趣点，其可以包括任何设施内部的位置的名称)、(跟踪器处于该确切位置的)概率百分比和时间戳。

用于室外/室内定位的前端部分可以显示技术人员视图，在下文中将对此进行描述。

跟踪器将数据与数据库一起发送至AI引擎，并且从AI引擎接收位置数据，并且该位置数据被表示用于室外定位。

可以显示总览地图，该总览地图具有指示跟踪器的当前位置的指示器和周围的精度圈。每当跟踪器发送关于其位置的更新信息时，就会显示更新。

在室内定位视图中，可以显示多个列，包括POI(兴趣点，其将是任何设施内部的位置的名称)、(跟踪器处于该确切位置的)概率百分比和时间戳。

仅在移动应用中可以呈现“添加POI(Add POI)”功能。技术人员写入室内位置的名称，并且应用开始针对无线电信号扫描室内位置，创建该位置的指纹。随后，如果跟踪器将处于该位置内，则将在室内定位视图中示出处于该POI内的概率。

返回参照图3，提供了室外/室内跟踪系统与Wi-Fi指纹识别技术的组合作为用于室内跟踪的具体方法。其中，可以利用由GPS确定的并且经由GSM发送的精确定位提供室外跟踪或室外定位，其中，可以单独地设置数据发送。此外，提供了室内定位，其中，在无需建立昂贵且复杂的基础设施的情况下，使用Wi-Fi指纹识别来找到建筑物中的第二位置。通过机器学习系统实现经由Wi-Fi指纹识别的室内跟踪。

此外，可以提供健康或状况跟踪，其中，可以使用多个环境传感器来执行事件的实时跟踪。可以使用AI系统对环境传感器的测量数据进行分析和进一步处理。测量数据可以包括在用于机器学习函数的训练指纹和指纹中。特别地，可以通过机器学习函数来训练某些事件，即故障或损坏事件，并且可以通过经训练的机器学习函数来预测所述某些事件。例如，可以使用经训练的机器学习函数来提供备件的使用期的预断。因此，可以提供可能损坏的早期检测。可以获得可以用于机器学习系统的数据(例如，关于产品、运输、物流网络/供应链和/或包装的信息)的完全的所有权，其中，这样的数据可以用于训练针对以上预测和预断的机器学习函数。以这种方式，根据本发明的技术可以对室外、室内和健康/状况跟踪三个部分进行组合。

图4示出了根据本发明的实施方式的用于使用经训练的函数来确定装置1的位置的方法的流程图。

用于确定装置的位置的计算机实现方法在步骤S10中开始。在步骤S20中，获得由在待确定的位置处的装置接收到的无线电信号的指纹。在步骤S30中，通过将经训练的函数应用于指纹来确定装置的位置，其利用在多个已知位置处接收到的无线电信号的训练指纹来训练。在步骤S40中，提供所确定的位置。该方法在步骤S50中结束。

图5示出了根据本发明的实施方式的用于提供经训练的函数以确定装置1的位置3的方法的流程图。

用于提供经训练的函数以确定装置的位置的计算机实现方法在步骤T10中开始。在步骤T20中，接收训练指纹，其中，每个训练指纹是在已知位置处接收到的无线电信号的指纹。可以与已知位置(例如，位置名称)一起或者与已知位置相关联获得训练指纹。在步骤T30中，将函数应用于训练指纹，所述函数可以是端对端可训练的函数，其中，针对每个训练指纹，生成并输出对应的位置。在步骤T40中，确定所生成的位置与已知位置之间的差异。生成差异可以包括：基于指纹的所生成的位置与对应的已知位置之间的距离所生成的差异。在步骤T50中，基于所确定的差异来训练函数。在步骤T60中，提供用于确定装置的位置的经训练的函数。该方法在步骤T70中结束。

步骤T30、T40和T50涉及学习阶段，或者换句话说经训练的函数的训练阶段，经训练的函数可以被迭代以便训练函数，或者当新的训练数据集可获得时。在应用阶段中，将在学习阶段中训练的经训练的函数应用于要确定的未知位置的指纹。

图6示出了根据本发明的实施方式的用于提供经训练的函数以确定部件的健康状况的方法的流程图。

用于提供经训练的函数以确定部件的健康状况的方法在步骤U10中开始。在步骤U20中，接收环境传感器训练数据。环境传感器训练数据包括多个装置中的每一个的与利用装置跟踪的部件的已知健康状况相关联的环境传感器数据。每个装置可以包括至少一个环境传感器。在步骤U30中，将可训练的函数应用于环境传感器训练数据，其中，针对每个装置，生成健康状况。在步骤U40中，确定部件的所生成的健康状况与已知健康状况之间的差异。可以确定该差异，其中，对于每个装置，将所生成的健康状况与相应部件的已知的健康状况进行比较。在步骤U50中，基于所确定的差异来训练可训练的函数。在步骤U60中，提供用于确定部件的健康状况的经训练的函数。该方法在步骤U70中结束。

图7示出了根据本发明的实施方式的用于使用经训练的函数来确定现场装置1的位置的计算装置200的示意图。

装置或计算装置200被配置成用于现场装置的定位和/或用于提供经训练的函数以定位现场装置，其中，计算装置200包括存储器230、接口220和至少一个处理单元210。其中，存储器230包含可由所述至少一个处理单元210执行的指令，其中，指令的执行使计算装置200执行根据针对图4和图5描述的方法的步骤。

根据以上所述，可以得出一些一般性结论：

根据本发明的技术可以提供货件的组合的室内和室外跟踪。可以通过先进的Wi-Fi指纹识别或嗅探(sniff)技术使用机器学习来提供室内跟踪，其具有提高的准确度并且与常规的室内跟踪系统相比能够在多个位置之间进行更精确地区分。

例如，可以利用包括至少一个或所有的环境传感器数据和无线电信号的指纹的数据集来应用和训练用于确定装置的位置的经训练的函数。例如，可以利用包括在运输期间由装置生成的无线电信号指纹的数据集来应用和训练用于提供部件的健康状况的经训练的函数。例如，指纹可以是由装置接收到的无线电信号和装置的至少一个环境传感器信号的指纹。

用于机器学习模型的数据集中的附加信息还可以提高机器学习模型的输出的准确度。

返回参考定位技术，将经训练的函数应用于指纹可以包括将至少一种分类算法应用于指纹，其可以是机器学习分类器。可以使用神经网络来执行经训练的函数的应用。例如，经训练的函数可以是应用于神经网络中的多层中的数据集的机器学习分类器。

在各种示例中，无线电信号可以包括多种不同的Wi-Fi信号，即各种Wi-Fi基站的信号，其中，指纹包括Wi-Fi基站中的每一个的信号强度和/或基站ID。

无线电信号可以包括至少两种不同类型的无线电信号，其中，无线电信号的类型可以指根据例如IEEE 802.11x行业标准的Wi-Fi类型无线电信号、或蓝牙类型无线电信号或全球移动通信系统(GSM)类型无线电信号或全球定位系统(GPS)类型信号。

用于确定装置的位置的方法还可以包括：从装置获得GPS信号，以及基于GPS信号预先选择可以由经训练的函数确定的位置。当基于GPS信号可以确定装置位于某个国家或城市或建筑物中的目的地附近时，基于GPS信号，可以将用于确定位置的机器学习算法配置成仅输出与基于GPS信号确定的位置相匹配或距基于GPS信号确定的位置一定范围的位置。例如，可以仅预先选择特定建筑物中的位置或房间以用于输出。

在运输期间可以针对装置多次执行用于确定装置的位置的方法。对于每个确定，可以将装置的所确定的位置与对应的时间戳相关联地存储在数据库中。使用装置经过的位置的时间线，即使可能没有可靠地确定装置的最后位置，装置也可以被人找到，例如通过从最后确定的位置开始搜索。

具体地，训练数据集中的位置和已知位置可以是室内位置，例如在建筑物内部，所述室内位置各自与唯一的位置名称相关联。根据本发明的方法可以有利地提供建筑物内部的室内跟踪，其中，与常规的Wi-Fi指纹识别技术相比，位置的精确度增加。

换句话说，经训练的函数可以利用建筑物中的多个兴趣点或重要位置来训练。当在经训练的函数的应用阶段中无法以高的可能性确定装置的位置时，针对装置，可以存储较早位置的时间线，并且技术人员可以使用该时间线来跟踪货件穿过建筑物的路径并且找到该货件。例如，经训练的函数可能会确定多个可能的位置，并且然后在位置之间进行插值以便确定装置的单个位置。

使用所公开的机器学习技术，现场装置本身可以确定其位置。

例如，无线电信号可以是包括诸如发送方ID的数字信息的强信号，或者无线电信号可以是不包括数字信息并且传统上不能用于定位的任何其他信号，例如干扰信号、弱信号或单信号、间断信号、脉冲状信号或中断信号、蓝牙信号，并且甚至环境传感器信号可以包括在指纹和训练指纹中，这提高了通过机器学习技术定位的精确度。

指纹可以对应于特定位置，这是因为无线电信号和/或环境传感器信号在特定位置处被接收和/或测量。例如，可能的是，至少一个非无线电信号例如环境传感器的传感器信号可以包括在指纹中，并且由经训练的函数使用以改进定位。

可移动装置(换言之，现场装置或跟踪装置)可以被称为跟踪系统的前端或前端部分。计算装置和/或数据库可以被称为跟踪系统的后端或后端部分，该计算装置和/或数据库远离跟踪装置并且从跟踪装置无线地接收输入指纹并且确定和/或存储包括跟踪装置的货件的位置和/或健康状况。

可以由在待确定的位置处的装置接收指纹中的无线电信号。换句话说，装置处于其中位置是未知的位置，并且要确定装置位于哪个位置。

经训练的函数可以利用来自已知位置的多个训练指纹来训练，其中，每个训练指纹可以包括在多个已知位置中的单个位置处测量或接收的数据，并且可以因此与已知位置相关联。因此，如本领域中已知的，经训练的函数可以是端对端训练的函数。其中，指纹可以被称为输入数据集，并且位置可以被称为经训练的函数或机器学习模型的输出数据集。

确定装置的位置可以包括确定装置的多个可能的位置以及针对每个位置确定装置处于该位置的概率，使得每个位置与装置将处于相应的位置的概率相关联。该方法还可以包括向用户显示可能的位置和相应概率的列表。

指纹或指纹可以包括可从无线电信号以模拟方式和数字方式获得的信息的子集，例如干扰信号的存在和信号强度、每个信号的频率或延迟或信道。

室内位置名称可以是例如建筑物的房间名称或房间号。

总而言之，提供了用于确定跟踪装置的位置的计算机实现方法，其中，机器学习功能可以用于更精确地预测跟踪装置在建筑物内部的位置。例如，室内跟踪方法和系统可以快速地将技术人员引导至建筑物内部的已交付货件。此外，机器学习功能可以有利地用于向技术人员警告质量风险并且预测运输备件的使用期。

从而，根据本公开内容的技术可以实现将通过Wi-Fi指纹识别编译的室外和室内位置数据以及使用智能跟踪装置提取的AI传感器数据的使用进行组合。

尽管已经关于某些优选实施方式示出并描述了本发明，但是本领域的其他技术人员在阅读和理解本说明书之后将会做出等同变型和修改。本发明包括所有这样的等同变型和修改，并且仅由所附权利要求书的范围限制。