定位方法和装置制造方法及图纸

本公开涉及一种定位方法和装置，涉及导航与定位技术领域。其中，定位方法包括：根据终端对应的惯性测量单元IMU测量数据，利用神经网络模型，确定所述终端的位置变化量，其中，所述IMU测量数据包括加速度数据；根据所述终端的位置变化量、和所述终端的初始位置，确定终端在指定时刻的第一估计轨迹点；根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的超宽带UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点。通过以上步骤，能够在提高定位的精准度的同时，降低定位成本。降低定位成本。降低定位成本。

【技术实现步骤摘要】
定位方法和装置


[0001]本公开涉及导航与定位
，特别涉及一种定位方法和装置。

技术介绍

[0002]在智能手机、可穿戴设备、无人机、移动机器人等移动设备中，位置感知发挥了越来越重要的作用。基于位置的服务(Location Based Services，简称LBS)由于其潜在的价值，受到了广泛的关注。
[0003]超宽带(Ultra Wide Band，简称UWB)技术是一种无线载波通信技术，具有脉冲间隔短、时间分辨率高的特点。UWB定位精度能达到厘米级别，但支持到达角度测距(Angle
‑
of
‑
Arrival，简称AOA)定位的UWB模块成本高，多边定位需要3个UWB站点才能进行精准定位。
[0004]惯性导航是一种不借助外部信号的自主性导航。行人航位推算(Pedestrian Dead Reckoning，PDR)算法能在无信标环境下，使用惯性测量单元(Inertial Measurement Unit，IMU)感知行人在行进过程中的加速度、角速度等数据，并利用这些数据对行进人员进行步长与方向的推算，从而达到对人员进行定位跟踪的目的，其中主要涉及的过程有步态检测、步长和方向计算。传统的PDR算法基于加速度阈值识别步数、通过参数调整步长，识别步数、步长不准，导致惯导累积误差大，定位准确率不高。

技术实现思路

[0005]本公开提出了一种定位方法和装置，能够在提高定位精度的同时，降低定位成本。
[0006]根据本公开的第一方面，提出了一种定位方法，包括：根据终端对应的惯性测量单元IMU测量数据，利用神经网络模型，确定所述终端的位置变化量，其中，所述IMU测量数据包括加速度数据；根据所述终端的位置变化量、和所述终端的初始位置，确定终端在指定时刻的第一估计轨迹点；根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的超宽带UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点。
[0007]在一些实施例中，所述UWB测量数据包括到终端到单个UWB站点的距离，根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点包括：获取在指定时刻采集的终端到单个UWB站点的第一距离；确定与所述单个UWB站点之间的间距为所述第一距离的所有点的点集；根据所述终端在所述指定时刻的第一估计轨迹点，从所述点集中确定所述终端在所述指定时刻的第二估计轨迹点。
[0008]在一些实施例中，根据所述终端在所述指定时刻的第一估计轨迹点，从所述点集中确定所述终端在所述指定时刻的第二估计轨迹点包括：将所述点集中距离所述第一估计轨迹点最近的点，作为终端在所述指定时刻的第二估计轨迹点。
[0009]在一些实施例中，还包括：通过卡尔曼滤波器，对所述终端在指定时刻的第二估计轨迹点进行修正，以得到修正后的终端的移动轨迹点。
[0010]在一些实施例中，所述IMU测量数据还包括角速度数据，所述神经网络模型的输出还包括所述终端的姿态变化量，所述定位方法还包括：根据所述终端的姿态变化量，和所述终端的初始姿态，确定终端在指定时刻的姿态估计值。
[0011]在一些实施例中，还包括：基于IMU测量样本数据、以及所述IMU测量样本数据对应的位姿变化量标签数据，对所述神经网络模型进行训练，其中，所述IMU测量样本数据包括加速度样本数据和角速度样本数据。
[0012]在一些实施例中，所述基于IMU测量样本数据、以及所述IMU测量样本数据对应的位姿变化量标签数据，对所述神经网络模型进行训练包括：利用所述神经网络模型，对所述IMU测量样本数据进行处理，以得到位姿变化量估计数据；根据所述IMU测量样本数据对应的位姿变化量标签数据，和所述位姿变化量估计数据，计算损失函数值；根据所述损失函数值，对所述神经网络模型进行迭代更新，直至满足训练截止条件。
[0013]在一些实施例中，所述神经网络模型包括第一特征提取模块、第二特征提取模块、以及位姿预测模块，所述利用所述神经网络模型，对所述IMU测量样本数据进行处理，以得到位姿变化量估计数据包括：利用第一特征提取模块对所述加速度样本数据进行特征提取，以得到第一样本特征数据；利用第二特征提取模块对所述角速度样本数据进行特征提取，以得到第二样本特征数据；将所述第一样本特征数据和所述第二样本特征数据进行拼接，以得到拼接后的样本特征数据；利用位姿预测模块对拼接后的样本特征数据进行处理，以得到位姿变化量估计数据。
[0014]在一些实施例中，第一特征提取模块与第二特征提取模块均包括多个卷积层以及至少一个池化层；以及，所述位姿预测模块包括双向LSTM网络模型、以及至少一个全连接层。
[0015]在一些实施例中，根据所述IMU测量样本数据对应的位姿变化量标签数据、和所述位姿变化量估计数据，计算损失函数值包括：根据所述IMU测量样本数据对应的位置变化量标签数据、和位置变化量估计数据，计算第一损失项；根据所述IMU测量样本数据对应的姿态变化量标签数据、和姿态变化量估计数据，计算第二损失项；根据第一损失项和第二损失项，确定损失函数值。
[0016]在一些实施例中，还包括：获取IMU原始测量数据；对所述IMU原始测量数据进行预处理，以得到所述IMU测量样本数据。
[0017]根据本公开的第二方面，提供了一种定位装置，包括：预测模块，被配置为根据终端对应的惯性测量单元IMU测量数据，利用神经网络模型，确定所述终端的位置变化量，其中，所述IMU测量数据包括加速度数据；第一估计模块，被配置为根据所述终端的位置变化量、和所述终端的初始位置，确定终端在指定时刻的第一估计轨迹点；第二估计模块，被配置为根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的超宽带UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点。
[0018]根据本公开的第三方面，提供了一种定位装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如上所述的定位方法。
[0019]根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如上所述的定位方法。
附图说明
[0020]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0021]参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0022]图1是示出根据本公开一些实施例中的定位方法的流程图；
[0023]图2是示出根据本公开一些实施例的确定第二估计轨迹点的流程图；
[0024]图3是示出根据本公开一些实施例的确定第二估计轨迹点的原理示意图；
[0025]图4是示出根据本公开另一些实施例的定位方法的流程图；
[0026]图5是示出根据本公开一些实施例的训练神经网络模型的流程图；
[0027]图6是示出根据本公开一些实施例的神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种定位方法，包括：根据终端对应的惯性测量单元IMU测量数据，利用神经网络模型，确定所述终端的位置变化量，其中，所述IMU测量数据包括加速度数据；根据所述终端的位置变化量、和所述终端的初始位置，确定终端在指定时刻的第一估计轨迹点；根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的超宽带UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点。2.根据权利要求1所述的定位方法，其中，所述UWB测量数据包括到终端到单个UWB站点的距离，根据所述终端在指定时刻的第一估计轨迹点、以及所述终端对应的UWB测量数据，确定终端在所述指定时刻的第二估计轨迹点包括：获取在指定时刻采集的终端到单个UWB站点的第一距离；确定与所述单个UWB站点之间的间距为所述第一距离的所有点的点集；根据所述终端在所述指定时刻的第一估计轨迹点，从所述点集中确定所述终端在所述指定时刻的第二估计轨迹点。3.根据权利要求2所述的定位方法，其中，根据所述终端在所述指定时刻的第一估计轨迹点，从所述点集中确定所述终端在所述指定时刻的第二估计轨迹点包括：将所述点集中距离所述第一估计轨迹点最近的点，作为终端在所述指定时刻的第二估计轨迹点。4.根据权利要求1所述的定位方法，还包括：通过卡尔曼滤波器，对所述终端在指定时刻的第二估计轨迹点进行修正，以得到修正后的终端的移动轨迹点。5.根据权利要求1所述的定位方法，其中，所述IMU测量数据还包括角速度数据，所述神经网络模型的输出还包括所述终端的姿态变化量，所述定位方法还包括：根据所述终端的姿态变化量，和所述终端的初始姿态，确定终端在指定时刻的姿态估计值。6.根据权利要求1所述的定位方法，还包括：基于IMU测量样本数据、以及所述IMU测量样本数据对应的位姿变化量标签数据，对所述神经网络模型进行训练，其中，所述IMU测量样本数据包括加速度样本数据和角速度样本数据。7.根据权利要求6所述的定位方法，其中，所述基于IMU测量样本数据、以及所述IMU测量样本数据对应的位姿变化量标签数据，对所述神经网络模型进行训练包括：利用所述神经网络模型，对所述IMU测量样本数据进行处理，以得到位姿变化量估计数据；根据所述IMU测量样本数据对应的位姿变化量标签数据、和所述位姿变化量估计数据，计算损失函数值；根据所述损失函数值，对所述神经网络模...

【专利技术属性】
技术研发人员：朱先飞，庞涛，梁宇杰，曹鹏，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：