一种自适应融合定位方法及系统技术方案

本发明专利技术公开了一种自适应融合定位方法及系统，包括通过定位标签，采集Lora数据；通过移动终端，采集GNSS、INS和WiFi数据；基于LSTM网络将Lora数据、GNSS、INS和WiFi数据融合，获得当前位置；LSTM网络为两层级联的LSTM，上层LSTM网络为不同源信号融合后的特征抽取网络，下层LSTM网络为INS数据的特征抽取网络；本发明专利技术通过两层级联的LSTM，一方面该LSTM能够有效自我学习到不同数据源之间的依赖关系和数据相关特性，估计出不同源数据的可信度，从而利用数据质量(可信度)实现弹性融合，并避免依赖噪声先验信息；另一方面在不同尺度下对数据源建立相关的时序模型，挖掘不同尺度下的时序关系，提升其定位精度。提升其定位精度。提升其定位精度。

【技术实现步骤摘要】
一种自适应融合定位方法及系统


[0001]本专利技术涉及定位
，尤其涉及一种自适应融合定位方法及系统。

技术介绍

[0002]现有的采用单源信号来确定位置精度不够准确，故现在对精准有要求的都采用多源异构数据融合定位。传统的多源融合方案，例如卡尔曼滤波、扩展卡尔曼滤波等，需要噪声的先验信息，而实际场景中很难获取精准的噪声模型，故通过该方案其定位精度也无法保证。

技术实现思路

[0003]针对上述问题中存在的不足之处，本专利技术提供一种自适应融合定位方法及系统。
[0004]为实现上述目的，本专利技术提供一种自适应融合定位方法，包括：
[0005]通过定位标签，采集Lora数据；
[0006]通过移动终端，采集GNSS、INS和WiFi数据；
[0007]基于LSTM网络将所述Lora数据、所述GNSS、INS和WiFi数据融合，获得当前位置；
[0008]其中，所述LSTM网络为两层级联的LSTM，上层LSTM网络为不同源信号融合后的特征抽取网络，下层LSTM网络为所述INS数据的特征抽取网络；
[0009]支持向量机处理所述INS数据，获得运动模式信息，所述运动模式信息包括车载模式和手持模式；
[0010]将所述INS数据的特征输入所述下层LSTM网络，获得相对位置的时序特征；
[0011]将所述Lora数据、所述GNSS和WiFi数据的特征归一化，得到特征集合；
[0012]将所述相对位置的时序特征、所述运动模式以及所述特征集合输入所述上层LSTM网络，获得融合后的时序特征；
[0013]所述时序特征经过两层感知机MLP得到最后的位置信息。
[0014]优选的是，所述支持向量机处理所述INS数据的公式为：
[0015][0016]其中，w和b分别为所述支持向量机的法向量和偏置；φ为所述支持向量机所使用的核函数；p为两种运动模式的概率，若p>0为手持模式否则表示为车载模式。
[0017]优选的是，将所述INS数据的特征输入所述下层LSTM网络，获得相对位置的时序特征包括：
[0018]i
t
＝σ(W
xi
x
t
+W
si
s
t
‑1+W
ci
c
t
‑1+b
i
)
[0019]f
t
＝σ(W
xf
x
t
+W
sf
s
t
‑1+W
cf
c
t
‑1+b
f
)
[0020]g
t
＝tanh(W
xc
x
t
+W
sc
s
t
‑1+b
c
)
[0021]c
t
＝f
t
c
t
‑1+i
t
g
t
[0022]o
t
＝σ(W
xo
x
t
+W
so
s
t
‑1+W
co
c
t
+b
o
)
[0023]s
t
＝o
t
tanh(c
t
)
[0024]其中，σ为非线性函数；f
t
、i
t
和o
t
是具有相同尺寸的向量，分别为LSTM网络中忘记门、选择门和记忆门的输出；W
xi
,W
si
,W
ci
,W
xf
,W
sf
,W
cf
,W
xc
,W
sc
,W
xo
,W
so
和W
co
是对应的网络权重参数矩阵,而b
i
,b
f
,b
c
,b
o
表示相应的偏置矩阵；x
t
表示输入到LSTM网络的传感器数据；c
t
和c
t
‑1分别表示上一时刻和当前时刻的细胞状态，其用于保持序列信息在不同LSTM神经元之间传递，s
t
‑1和s
t
为上一时刻和当前时刻LSTM输出的数据的时序表征，用于位置预测；g
t
主要用于中间的计算。
[0025]优选的是，所述时序特征经过两层感知机MLP得到最后的位置信息的损失函数包括：
[0026][0027]其中，[x
t
,y
t
,z
t
]表示真实三维位置信息，表示网络估计获得的三维位置信息，m表示用于训练的样本数据数目，即最小化位置误差。
[0028]本专利技术还提供一种自适应融合定位系统，包括：
[0029]第一采集模块，用于通过定位标签，采集Lora数据；
[0030]第二采集模块，用于通过移动终端，采集GNSS、INS和WiFi数据；
[0031]LSTM网络模块，用于基于LSTM网络将所述Lora数据、所述GNSS、INS和WiFi数据融合，获得当前位置；
[0032]其中，所述LSTM网络为两层级联的LSTM，上层LSTM网络为不同源信号融合后的特征抽取网络，下层LSTM网络为所述INS数据的特征抽取网络；
[0033]支持向量机处理所述INS数据，获得运动模式信息，所述运动模式信息包括车载模式和手持模式；
[0034]将所述INS数据的特征输入所述下层LSTM网络，获得相对位置的时序特征；
[0035]将所述Lora数据、所述GNSS和WiFi数据的特征归一化，得到特征集合；
[0036]将所述相对位置的时序特征、所述运动模式以及所述特征集合输入所述上层LSTM网络，获得融合后的时序特征；
[0037]所述时序特征经过两层感知机MLP得到最后的位置信息。
[0038]与现有技术相比，本专利技术的有益效果为：
[0039]本专利技术通过两层级联的LSTM，一方面该LSTM能够有效自我学习到不同数据源之间的依赖关系和数据相关特性，估计出不同源数据的可信度，从而利用数据质量(可信度)实现弹性融合，并避免依赖噪声先验信息；另一方面在不同尺度下对数据源建立相关的时序模型，挖掘不同尺度下的时序关系，提升其定位精度。
附图说明
[0040]图1是本专利技术自适应融合定位方法流程图；
[0041]图2是本专利技术自适应融合定位方法中LSTM网络处理流程。
具体实施方式
[0042]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应融合定位方法，其特征在于，包括：通过定位标签，采集Lora数据；通过移动终端，采集GNSS、INS和WiFi数据；基于LSTM网络将所述Lora数据、所述GNSS、INS和WiFi数据融合，获得当前位置；其中，所述LSTM网络为两层级联的LSTM，上层LSTM网络为不同源信号融合后的特征抽取网络，下层LSTM网络为所述INS数据的特征抽取网络；支持向量机处理所述INS数据，获得运动模式信息，所述运动模式信息包括车载模式和手持模式；将所述INS数据的特征输入所述下层LSTM网络，获得相对位置的时序特征；将所述Lora数据、所述GNSS和WiFi数据的特征归一化，得到特征集合；将所述相对位置的时序特征、所述运动模式以及所述特征集合输入所述上层LSTM网络，获得融合后的时序特征；所述时序特征经过两层感知机MLP得到最后的位置信息。2.根据权利要求1所述的自适应融合定位方法，其特征在于，所述支持向量机处理所述INS数据的公式为：其中，w和b分别为所述支持向量机的法向量和偏置；φ为所述支持向量机所使用的核函数；p为两种运动模式的概率，若p>0为手持模式否则表示为车载模式。3.根据权利要求2所述的自适应融合定位方法，其特征在于，将所述INS数据的特征输入所述下层LSTM网络，获得相对位置的时序特征包括：其中，σ为非线性函数；f
t
、i
t
和o
t
是具有相同尺寸的向量，分别为LSTM网络中忘记门、选择门和记忆门的输出；W
xi
,W
si
,W
ci
,W
xf
,W
sf
,W
cf
,W
xc
,W
sc
,W
xo
,W
so
和W
co
是对应的网络权重参...

【专利技术属性】
技术研发人员：张焱，
申请(专利权)人：句芒网络科技浙江绍兴有限公司，
类型：发明
国别省市：