1、人体姿态估计
简单来说就是用这个技术来识别公司的网约车内有几个人，这个技术可以防止司机不接订单私自载客，在年会上面宣传这个技术的时候，很多出租车公司的老板对该系统非常感兴趣，因为该系统的上线，让出租车公司的老板和我们的合作有安全感，他能够从系统上很清楚的看到什么时候自己的哪一个车上有几个人，什么时候司机接了乘客，这样出租车就希望能够将自己的车接入到公司的平台。
因为避嫌乘客和司机隐私 所以不方便展示具体结果 大家可以到这个链接观看实际效果视频
https://www.bilibili.com/video/av21662972
该算法用openpose实现
2、目标跟踪
该技术主要是和目标检测算法在一起融合实现对视频内的人进行行为识别，判断无人超市中的目标是否正在移动，然后他的移动方向。暂时采用kcf方法和eco方法。
3、深度学习目标检测
采用rssd算法识别图片中的目标用于无人超市的结账，该算法速度较快也有很高的召回率。
4、自动阈值设定的抠图打标记方法
以前的目标检测每一个模型需要大量的人工对图片中的目标进行标注，现采用阈值设定方法从图中检测出物品用于深度学习的特征提取。可以节省人工提高上新品的速度，现在只需要很短的时间即可将新品录入系统，训练模型让系统快速掌握识别该物品的能力。
5、强化学习在智能运营当中的运用
公司所在的出行行业需要提高司机的接单效率，尽量能够在最短的时间完成最优的订单，那么如何知道司机每天的什么时候应该在什么地方等单。
可以用q-learning的方法，假设每个时间的每个地点属于司机当前的一种状态，那么司机选择去什么地方就是一个action 对应的也得到一个价值 就是订单。
我们建立一个模拟整个城市的模拟运营系统，在里面设置多个司机智能体，通过每天的模拟运行，司机就能够学习到一张表：
创建一个表格。通过它，我们可以为每一个状态（state）上进行的每一个动作（action）计算出最大的未来奖励（reward）的期望。
随着系统内司机的增多，每个地区的乘客被陆续接走，也就是某个地区的乘客人数减少，相应的奖励（reward）也将减少，随着系统迭代模拟次数增加，每个司机的路线都逐渐稳定。根据模拟结果可以指定具体精准的运营策略。