一种基于联邦学习惯性导航融合定位方法技术

一种基于联邦学习惯性导航融合定位方法，使用联邦边缘学习方法预测速度，获取定位信息，然后使用单锚点测距进行分段融合的方法，包括如下步骤：惯导数据输入；坐标映射转换；联邦边缘模型和训练；坐标映射转换；分段融合定位。本发明专利技术创新性的使用了一种联邦学习数据驱动的惯性导航方法，可以解决集中式深度学习方法带来的问题，同时采用边缘端单锚点测距分段融合定位的方法，可以在低成本下极大的提高系统的定位精度。统的定位精度。统的定位精度。

【技术实现步骤摘要】
一种基于联邦学习惯性导航融合定位方法


[0001]本专利技术涉及室内定位


技术介绍

[0002]惯性导航是室内定位的关键部分，但广泛应用的商业级惯性导航器件偏差大，采用传统的航位推迹方法在短时间内会有较大定位误差，无法满足室内定位的要求。有使用深度学习的方法提高惯性导航定位精度，公开号CN107655472B使用深度学习的高精度惯性导航设备误差补偿方法，从误差层面一定程度上提高了导航定位的精度。公开号CN108168548B专利技术了一种通过机器学习算法与模型辅助的行人惯性导航系统，通过对传感器信息进行训练，实现对行人导航系统进行实时故障检测，一定程度上减少故障率的发生。公开号CN112595313A将惯性导航器件获取的位置和速度输入机器学习模型，从而建立辅助导航信息，避免长时间定位误差的发散，提高定位精度。但上述方法会涉及到惯性导航数据的安全隐私问题，且集中收集数据难度大，训练效率低。

技术实现思路

[0003]本专利技术首次提出基于联邦学习的惯性导航定位框架，创新性提出分段融合定位方法，解决单锚点在大场景中无法全面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习惯性导航融合定位方法，其特征在于，使用联邦边缘学习方法预测速度，获取定位信息，然后使用单锚点测距进行分段融合的方法。2.如权利要求1所述的基于联邦学习惯性导航融合定位方法，其特征在于，包括：步骤1、惯导数据输入行人手机获取惯导原始数据，惯导数据包括陀螺仪和加速度计的X、Y、Z三轴数据；步骤2、坐标映射转换将载体坐标系转换到HACF，即航向不可知坐标系，计算方法如下：式中分别表示HACF和载体坐标系下的数据，R
grv
是手机获取的游戏旋转矢量，通过游戏旋转矢量载体坐标系下的数据转换到HACF；步骤3、联邦边缘模型和训练联邦学习模型系统由一个中心服务器和N个客户端组成，其中每个客户端k(k＝1，2，3...N)维护一个本地数据集D
k
，本地数据集的大小为|D
k
|＝n
k
；同时中心服务器端也持有一份测试数据集D
t
，用于测试当前模型训练的结果；在第t个轮次开始时，中心服务器会随机挑选比例为C的客户记为|S|，参与到模型的训练过程中，中心服务器将全局模型权重w
t
下发给选中的客户端，在接收到w
t
之后，选中的每个客户端通过得到更新后的本地模型参数其中f(D
k
,w
t
)是一种损失函数；将本地的深度学习模型更新上传到中心服务器，中心服务器利用来更新全局模型参数；在每次得到新的全局模型后通过在数据集D
t
上进行测试，如果精确度满足需求或者轮数达到预先设置好的阈值则完成训练；步骤4、坐标映射转换将步骤3中航向不可知坐标系HACF下的二维速度矢量需要转换到步骤5中世界坐标系下；步骤5、分段融合定位经过步骤3训练得到的最优联邦边缘模型后，输入经过步骤2转换得到陀螺仪和加速度计三轴数据，最优联邦边缘模型输出得到的是航向不可知坐标系下的二维矢量速度v
x
和v
y
，这个速度矢量再通过坐标转换到世界坐标系下，将速度进行积分其中k代表时间，则获得位置信息，这个位置信息用于步骤5中进行数学建模，同时建模信息还需要边缘端的测距信息即Z(k)＝|P(k)
‑
P
BAS
|。3....

【专利技术属性】
技术研发人员：刘儿兀，王杰，武业博，吴小龙，
申请(专利权)人：同济大学，
类型：发明
国别省市：