基于数据驱动的巡逻车融合定位方法、装置及其相关介质制造方法及图纸

本发明专利技术公开了基于数据驱动的巡逻车融合定位方法、装置及其相关介质，该方法包括：分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；判断所述巡逻车上的定位单元的定位信号是否异常并根据判断结果利用所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。本发明专利技术利用所述训练后的空洞卷积神经网络模型在所述巡逻车的定位信号出现异常时进行定位数据预测，如此，大大提高了所述巡逻车的定位精度和鲁棒性。所述巡逻车的定位精度和鲁棒性。所述巡逻车的定位精度和鲁棒性。

【技术实现步骤摘要】
基于数据驱动的巡逻车融合定位方法、装置及其相关介质


[0001]本专利技术涉及计算智能设备定位
，特别涉及基于数据驱动的巡逻车融合定位方法、装置及其相关介质。

技术介绍

[0002]目前智能巡逻车已成为城市物业数字化管理的新装备，大幅提高了城市数字化管理水平。但由于智能巡逻车的车载GPS模组没有直接开放接口，且从云端平台调用GPS数据无法满足定位实时性要求；因此，智能巡逻车目前定位接收由安装在智能巡逻车上的智能推理盒子中的GPS模组实现。
[0003]而智能推理盒子中的GPS模组在城市街道行驶时信号易受到树阴、桥洞、隧道、高楼等遮挡，可能会导致GPS定位精度大幅度降低甚至出现无法使用的情况。除此之外，定位接收器在启动时存在几十秒甚至更长时间的热启动和冷启动时间，导致智能巡逻车在启动后的一段时间内定位数据缺失；定位数据缺失将导致智能巡逻车的巡查线路瘫痪或者其他更加严重故障。

技术实现思路

[0004]本专利技术实施例提供了基于数据驱动的巡逻车融合定位方法、装置及其相关介质，旨在解决现有技术中的智能巡逻车由于受物体遮挡本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的巡逻车融合定位方法，其特征在于，包括：分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。2.根据权利要求1所述的基于数据驱动的巡逻车融合定位方法，其特征在于，所述分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据，包括：利用Neville插值法对所述第一定位数据进行增强处理，得到所述第二定位数据；利用滑动加权法对所述第一位姿数据进行滤波处理，得到所述第二位姿数据。3.根据权利要求2所述的基于数据驱动的巡逻车融合定位方法，其特征在于，所述利用滑动加权法对所述第一位姿数据进行滤波处理，得到所述第二位姿数据，包括：选取内存空间为N的寄存器；当检测到有新的第一位姿数据输入时，将新的第一位姿数据放入所述寄存器的最后一位，并将所述寄存器中的其余数据依次向前移动一位；按如下公式将所述寄存器中的所有数据λ
i
与其对应的权值ω
i
相乘后，求取加权和：按如下公式计算得到滤波后的输出，并作为第二位姿数据按如下公式计算得到滤波后的输出，并作为第二位姿数据4.根据权利要求1所述的基于数据驱动的巡逻车融合定位方法，其特征在于，所述空洞卷积神经网络模型的卷积层前插入有批标准化层，所述批标准化层的表达式如下：其中，y
i
表示所述批标准化层的第i个输出；x
i
表示第i个输入；μ表示所述批标准化层输入的平均值；o
′
表示方差；γ表示缩放系数；β表示偏移系数。5.根据权利要求1所述的基于数据驱动的巡逻车融合定位方法，其特征在于，所述空洞卷积神经网络模型的卷积层后插入有高斯误差线性单元激活函数，所述高斯误差线性单元激活函数的表达式如下：
GELU(x
i
)＝x
i
Pr[X≤x
i
]＝x
i
Φ(x
i
)其中，pr[X≤x
i
]表示随机变量X小于x
i
的累计概率；Φ(x

【专利技术属性】
技术研发人员：张晓玥，程刚，袁戟，陈嘉维，付森，
申请(专利权)人：深圳市万物云科技有限公司，
类型：发明
国别省市：