CN112288897B - 基于深度学习的车载单元定位方法以及路侧单元 - Google Patents
基于深度学习的车载单元定位方法以及路侧单元 Download PDFInfo
- Publication number
- CN112288897B CN112288897B CN202011065251.XA CN202011065251A CN112288897B CN 112288897 B CN112288897 B CN 112288897B CN 202011065251 A CN202011065251 A CN 202011065251A CN 112288897 B CN112288897 B CN 112288897B
- Authority
- CN
- China
- Prior art keywords
- azimuth
- vehicle
- positioning
- azimuth angle
- digital signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
- G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习的车载单元定位方法,该方法应用于路侧单元,该方法包括:接收车辆上的车载单元发送的微波信号,并基于微波信号得到数字信号数据;将数字信号数据输入预先训练完成的定位神经网络模型,获得车载单元的方位角;根据方位角,确定车载单元的定位信息。实施本发明实施例,路侧单元基于神经网络对车载单元进行定位,不易受信号噪声干扰,其定位稳定性和精度更高,有效避免了跟车干扰和邻道干扰的问题。
Description
技术领域
本发明涉及智能交通(Intelligent Transportation System,ITS)领域,尤其涉及一种基于深度学习的车载单元定位方法以及路侧单元。
背景技术
随着居民生活水平的提高和出行需求的增加,我国的汽车保有量不断攀升,截至2019年6月,全国汽车保有量超过2.5亿辆。交通拥挤已成为城市管理中急需解决的难题。
ETC电子不停车收费除了应用在传统的高速公路场景,基于ETC的支付逐渐在停车场和加油站等新兴场景也逐渐推广应用。但由于目前ETC路侧单元的定位容易受噪声干扰,且定位精度不够高,在车辆比较密集的场景,如停车场、加油站、高速路多车道收费站等,可能会存在着旁道干扰和跟车干扰问题,直接影响用户体验和通行效率。
发明内容
本发明提供一种基于深度学习的车载单元定位方法以及路侧单元,路侧单元可以基于神经网络对车载单元进行定位,该定位方式不易受信号噪声干扰,稳定性和精度更高,能够有效避免了跟车干扰和邻道干扰的问题。
第一方面,提供一种基于深度学习的车载单元定位方法,应用于路侧单元,包括:
接收车辆上的车载单元发送的微波信号,并基于所述微波信号得到数字信号数据;
将所述数字信号数据输入预先训练完成的定位神经网络模型,获得所述车载单元的方位角;
根据所述方位角,确定所述车载单元的定位信息。
可选的实施例中,所述方位角包括第一方位角和第二方位角;
相应的,根据所述方位角,确定所述车载单元的定位信息,包括:根据所述第一方位角和所述第二方位角,确定所述车载单元的横向坐标和纵向坐标。
可选的实施例中,所述路侧单元的通讯范围预先划分为M个预设区域,所述方法用于对N个车辆上的车载单元进行定位;所述N个车载单元分别位于所述M个预设区域中的N个预设区域;
相应的,接收车载单元发送的微波信号,并基于所述微波信号得到数字信号数据;将所述数字信号数据输入预先训练完成的定位神经网络模型,获得所述车载单元的方位角,包括:接收所述N个车载单元分别发送的N个微波信号,并基于所述N个微波信号分别得到N个数字信号数据;将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型,分别获得对应所述N个车载单元的N组方位角。
可选的实施例中,所述定位神经网络模型包括与所述M个预设区域一一对应的M个区域子网络;
相应的,将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型,分别获得对应所述N个车载单元的N组方位角,包括:对于所述N个数字信号数据中的每一数字信号数据:分别输入到所述M个区域子网络中,获得{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)},其中所述P1、P2、…PM表示方位角为正确的概率;将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角。
可选的实施例中,所述M个区域子网络中的每一区域子网络包括第一定位子网络和第二定位子网络;
相应的,分别输入到所述M个区域子网络中,获得{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)},其中所述P1、P2、…PM表示方位角为正确的概率;将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角,包括:
分别输入到所述M个第一定位子网络中,获得{(第一方位角1,P’1),(第一方位角2,P’2),…,(第一方位角M,P’M)},其中所述P’1、P’2、…P’M表示第一方位角为正确的概率;将其中所述概率最大的第一方位角作为该数字信号数据对应车载单元的第一方位角;
分别输入到所述M个第二定位子网络中,获得{(第二方位角1,P”1),(第二方位角2,P”2),…,(第二方位角M,P”M)},其中所述P”1、P”2、…P”M表示第二方位角为正确的概率;将其中所述概率最大的第二方位角作为该数字信号数据对应车载单元的第二方位角。
可选的实施例中,在将所述数字信号数据输入预先训练完成的定位神经网络模型之前,所述方法还包括:根据U-net神经网络对所述数字信号数据进行过滤降噪处理。
可选的实施例中,将所述数字信号数据输入预先训练完成的定位神经网络模型,获得所述车载单元的方位角,包括:对所述预先训练完成的定位神经网络模型设定角度分辨率;将所述数字信号数据输入预先训练完成的定位神经网络模型,所述定位神经网络模型根据所述角度分辨率输出所述车载单元的方位角。
可选的实施例中,所述定位神经网络模型根据以下步骤训练得到:获取数字信号数据以及对应方向角;将所述数字信号数据以及对应方向角输入到神经网络进行训练拟合,直到所述神经网络的训练次数超过预设阈值,或者符合预设规则收敛;获得所述定位神经网络模型。
可选的实施例中,根据所述第一方位角和所述第二方位角,确定所述车载单元的横向坐标和纵向坐标,包括:根据以下公式计算获得所述车载单元的横向坐标x和纵向坐标y,
第二方面,提供一种路侧单元,所述路侧单元包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器在执行所述存储器中存储的计算机程序时实现第一方面任一实施例所述的基于深度学习的车载单元定位方法的步骤。
本发明实施例中,路侧单元接收车辆上的车载单元发送的微波信号,并基于微波信号得到数字信号数据;然后将数字信号数据输入预先训练完成的定位神经网络模型,获得车载单元的方位角;接着根据方位角,确定车载单元的定位信息。实施本发明实施例,路侧单元基于神经网络可以对车载单元进行定位,这种定位方式不易受信号噪声干扰,稳定性和精度更高,能够有效避免了跟车干扰和邻道干扰的问题。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1是本发明实施例提供的一种基于深度学习的车载单元定位方法流程示意图;
图2是本发明实施例提供的根据方位角计算车载单元位置的原理示意图;
图3是本发明实施例提供的对多个车载单元同时定位的场景示意图;
图4是本发明实施例提供的定位神经网络模型示意图;
图5是本发明实施例提供的路侧单元硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于目前ETC路侧单元,例如ETC相控阵天线的定位容易受噪声干扰,且定位精度不够高,在车辆比较密集的场景,如停车场、加油站、高速路多车道收费站等,可能会存在着旁道干扰和跟车干扰问题。本发明针对ETC相控阵天线对ETC车载单元定位精度不够高且不够稳定的问题,提出一种基于深度学习的车载单元定位方法。现有的ETC相控阵天线对ETC车载单元的定位方法有基于参数的最大似然估计算法的,也有基于子空间的MUSIC算法的。但这些算法的缺点在于基于严格的数学模型,容易受到干扰信号的影响,在实际应用中稳定性和定位精度都不够高。本发明提出的基于深度学习的车载单元定位方法,可以不易受信号噪声干扰,稳定性和精度更高,能够有效避免了跟车干扰和邻道干扰的问题。
下面对本发明实施例提供的一种基于深度学习的车载单元定位方法的具体流程进行描述,该方法应用于路侧单元,参见图1,该方法包括:
S101、接收车辆上的车载单元发送的微波信号,并基于微波信号得到数字信号数据。
首先需要说明的,现有的用于车载单元定位的路侧单元通常为相控阵天线,其天线阵列通常为矩阵分布,或者呈直角的“L”型,本发明实施例描述的路侧单元可以为融入定位神经网络的阵列天线,其天线阵列不限于呈直角的“L”型,还可以为四边形、三角形、圆形、交叉型等,本发明对天线阵列的具体形状不作具体限定。
在一些实施例中,所述路侧单元为ETC路侧单元,相应的所述车载单元为ETC车载单元。
上述数字信号数据包括信号的频率/周期、振幅、相位等。
在一些实施例中,在获得数字信号数据之后,路侧单元还对得到的数字信号数据进行过滤降噪处理,以剔除干扰信号。具体的,路侧单元可以基于U-net神经网络对数字信号数据进行过滤降噪等预处理,当然也可以基于其他类型的神经网络,本发明对此不作具体限定。
S102、将数字信号数据输入预先训练完成的定位神经网络模型,获得车载单元的方位角。
这里,定位神经网络模型可以预先通过服务器等计算处理能力较高的训练设备进行训练获得,具体的,训练设备可以通过仿真平台模拟生成大量的训练样本,该训练样本包括上述数字信号数据及其方位角,将大量的训练样本输入到神经网络进行训练拟合,直到神经网络的训练次数超过预设阈值,或者符合预设规则收敛,例如输出结果的正确率超过预设阈值等;当神经网络训练完成时,即可获得所述定位神经网络模型。然后就可以将预先训练完成的定位神经网络模型嵌入到所述路侧单元中。
本发明实施例中,所述方位角包括两个,第一方位角和第二方位角,两个方位角所在空间方向为交叉非平行关系,通过第一方位角和第二方位角以及路侧单元相关安装信息,例如安装角度和安装高度,可以确定车载单元的定位信息,该定位信息可以为二维坐标信息。
在一些实施例中,该定位神经网络模型可包括第一定位神经网络和第二定位神经网络,其中步骤S101的具体实现方式包括:将数字信号数据输入第一定位神经网络,可以获得车载单元的第一方位角;将数字信号数据输入第二定位神经网络,可以获得车载单元的第二方位角。当然在一些实施例中,也可以直接通过一个定位神经网络获得两个方位角。
需要说明的,上述定位神经网络模型的训练过程还具体包括以下过程:分别训练第一定位神经网络和第二定位神经网络,其中第一定位神经网络通过大量的数字信号数据及其对应的第一方位角进行训练,直到神经网络的训练次数超过预设阈值,或者符合预设规则收敛,例如输出结果的正确率超过预设阈值等;第二定位神经网络通过大量的数字信号数据及其对应的第二方位角进行训练,直到神经网络的训练次数超过预设阈值,或者符合预设规则收敛,例如输出结果的正确率超过预设阈值等。
在一些实施例中,在步骤S102中可以包括:预先调整并设定所述定位神经网络模型的角度分辨率;将数字信号数据输入预先训练完成的定位神经网络模型时,定位神经网络模型根据角度分辨率输出车载单元的方位角。该实施例,可以使得定位神经网络模型可以基于不同场景调整角度分辨率,即实现了定位精度可调,例如在相邻车道距离较窄的场景,可将角度分辨率校准为1度,这样获得的方位角的误差在1度以内;而在相邻车道距离较宽的场景,可将角度分辨率校准为3度,这样获得的方位角的误差在3度以内。根据不同场景调整其适合的定位精度,可以减少计算资源,进而减少路侧单元的功耗。
S103、根据方位角,确定车载单元的定位信息。
本发明实施中的方位角数量为两个,第一方位角和第二方位角;
这里步骤S103具体为根据第一方位角和第二方位角,确定车载单元的横向坐标和纵向坐标。
下面介绍根据第一方位角和第二方位角,确定车载单元的横向坐标和纵向坐标的原理。参见图2,该xyz坐标系以OO’AB平面、xOy平面、xOz平面三个平面的交点作为原点建立坐标系,其中OO’AB平面为路侧单元的天线平面,xOy平面可以表示道路平面,yOz平面可以表示垂直于道路平面且与道路延伸方向平行的平面,图中O’表示路侧单元,P点表示车载单元,α和θ分别为上述定位神经网络输出的第一方位角和第二方位角,为路侧单元的安装角度,即路侧单元天线平面与竖直方向的夹角,h为路侧单元的安装高度,即路侧单元在竖直方向的高度。由图中图像可以得到以下计算车载单元P点的横向坐标x和纵向坐标y。
在一些实施例中,采用本发明提供的基于深度学习的定位方法可以实现同时对多个车载单元进行定位。具体的,预先将路侧单元的通讯范围划分为M个预设区域,当N个安装有车载单元的车辆同时或者近似同时进入M个预设区域中的N个预设区域时,路侧单元接收N个车载单元分别发送的N个微波信号,并基于N个微波信号分别得到N个数字信号数据;将N个数字信号数据输入预先训练完成的定位神经网络模型,分别获得对应N个车载单元的N组方位角。
举例来说,参见图3,路侧单元根据车道的分布,预先将其通讯范围划分为3个预设区域,分别为预设区域1、预设区域2、预设区域3,在某一时间,3台安装有车载单元的车辆同时或者近似同时分别进入预设区域1、预设区域2、预设区域3,这时路侧单元接收到预设区域1中的车辆内的车载单元1发送的微波信号1,并基于微波信号1获得数字信号数据1,输入至定位神经网络即可以获得车载单元1的方位角;接收到预设区域2中的车辆内的车载单元2发送的微波信号2,并基于微波信号2获得数字信号数据2,输入至定位神经网络即可以获得车载单元2的方位角;接收到预设区域3中的车辆内的车载单元3发送的微波信号3,并基于微波信号3获得数字信号数据3,输入至定位神经网络即可以获得车载单元3的方位角。
上述实施例中,定位神经网络模型包括与M个预设区域一一对应的M个区域子网络,如图4所示,区域子网络1与图3中预设区域1对应,区域子网络2与图3中预设区域2对应,区域子网络3与图3中预设区域3对应,即M为3,N也为3。
需要说明的,每一区域子网络的训练方式如下:训练设备,如服务器等,通过仿真平台模拟并生成由该预设区域车载单元发送的数字信号数据及其方位角,并将这些训练样本输入到区域子网络进行训练拟合,直到区域子网络的训练次数超过预设阈值,或者符合预设规则收敛,例如输出结果的正确率超过预设阈值等。
对于上述N个数字信号数据中的每一个数字信号数据,都会分别输入到该定位神经网络的M个区域子网络中,M个区域子网络均会输出方位角及其对应的概率,即最终通过M个区域子网络会获得{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)},其中所述P1、P2、…PM表示该方位角为正确的概率;由于每一预设区域对应的区域子网络由该预设区域的训练数据训练拟合而成,因此各个区域子网络对其负责的预设区域的数字信号数据输出的方位角为正确的概率会比其他区域子网络的高。因此,这里将{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)}中概率最大的方位角作为该数字信号数据对应车载单元的方位角。
上述实施例中,每一区域子网络包括第一定位子网络和第二定位子网络,如图4所示,区域子网络1包括第一定位子网络1_1和第二定位子网络1_2;区域子网络2包括第一定位子网络2_1和第二定位子网络2_2;区域子网络2包括第一定位子网络2_1和第二定位子网络2_2。其中第一定位子网络用于计算第一方位角,第二定位子网络用于计算第二方位角。
因此,路侧单元计算每一数字信号数据的方位角具体实现方式为:将该数字信号数据分别输入到M个第一定位子网络中,获得{(第一方位角1,P’1),(第一方位角2,P’2),…,(第一方位角M,P’M)},其中P’1、P’2、…P’M表示第一方位角为正确的概率;将其中概率最大的第一方位角作为该数字信号数据对应车载单元的第一方位角;还将该数字信号数据分别输入到M个第二定位子网络中,获得{(第二方位角1,P”1),(第二方位角2,P”2),…,(第二方位角M,P”M)},其中P”1、P”2、…P”M表示概率;将其中概率最大的第二方位角作为该数字信号数据对应车载单元的第二方位角。
需要说明的,上述第一定位子网络和第二定位子网络均可预先调整并设定角度分辨率;第一定位子网络或第二定位子网络均可以根据角度分辨率输出车载单元的方位角。这样,第一定位子网络或第二定位子网络均可以根据实际应用场景通过改变角度分辨率进行调整定位精度,例如在相邻车道距离较窄的场景,可将角度分辨率校准为1度,这样获得的第一方位角或第二方位角的误差在1度以内;而在相邻车道距离较宽的场景,可将角度分辨率校准为3度,这样获得的第一方位角或第二方位角的误差在3度以内。根据不同场景调整其适合的定位精度,可以减少计算资源,进而减少路侧单元的功耗。当然在一些实施例中,第一定位子网络和第二定位子网络还可以设定相同的角度分辨率,也可以设定不同的角度分辨率。
本发明实施例中,路侧单元接收车辆上的车载单元发送的微波信号,并基于微波信号得到数字信号数据;然后将数字信号数据输入预先训练完成的定位神经网络模型,获得车载单元的方位角;接着根据方位角,确定车载单元的定位信息。实施本发明实施例,路侧单元基于神经网络可以对车载单元进行定位,这种定位方式不易受信号噪声干扰,稳定性和精度更高,能够有效避免了跟车干扰和邻道干扰的问题。
参见图5,图5是本发明实施例提供的路侧单元的硬件结构示意图。该路侧单元包括:处理器401和存储有计算机程序与数据资源的存储器404,所述处理器在执行所述存储器中存储的计算机程序时实现图1实施例的方法和步骤。可能实施例中,所述路侧单元还可以包括:一个或多个输入接口403,一个或多个输出接口402。
上述处理器401、输入接口402、输出接口403和存储器404通过总线405连接。存储器404用于存储指令以及程序执行所需的数据,处理器401用于执行存储器404存储的指令,输入接口402用于接收数据,例如接收车载单元发送的微波信号等,输出接口403用于输出数据,例如定位信息等。
其中,处理器401被配置用于调用所述程序指令执行:图1施例中涉及与路侧单元的处理器相关的方法步骤。
应当理解,在本公开实施例中,所称处理器401可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器404可以包括只读存储器和随机存取存储器以及可读写可编程非易失性存储器,如计算机硬盘(例如固态硬盘或者机械硬盘),U盘等,该存储器404向处理器401提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如,存储器404还可以存储接口类型的信息。
在一些实现方式中,本公开实施例中所描述的路侧单元的上述各部件可用于执行图1方法实施例中的方法步骤,为了简洁,这里不再赘述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何纂改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种基于深度学习的车载单元定位方法,其特征在于,应用于路侧单元,所述路侧单元的通讯范围预先划分为M个预设区域,所述方法用于对N个车辆上的车载单元进行定位;所述N个车载单元分别位于所述M个预设区域中的N个预设区域,包括:
接收所述N个车载单元发送的N个微波信号,并基于所述N个微波信号得到N个数字信号数据;
将所述N个数字信号数据输入预先训练完成的定位神经网络模型,获得所述N个车载单元的N组方位角;
根据所述方位角,确定所述车载单元的定位信息;
其中,所述定位神经网络模型包括与所述M个预设区域一一对应的M个区域子网络;
将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型,分别获得对应所述N个车载单元的N组方位角,包括:
对所述M个区域子网络设定角度分辨率;
对于所述N个数字信号数据中的每一数字信号数据:
分别输入到所述M个区域子网络中,根据所述角度分辨率获得{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)},其中所述P1、P2…PM表示方位角为正确的概率;
将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角。
2.根据权利要求1所述基于深度学习的车载单元定位方法,其特征在于,所述方位角包括第一方位角和第二方位角;
相应的,根据所述方位角,确定所述车载单元的定位信息,包括:
根据所述第一方位角和所述第二方位角,确定所述车载单元的横向坐标和纵向坐标。
3.根据权利要求1所述基于深度学习的车载单元定位方法,其特征在于,所述M个区域子网络中的每一区域子网络包括第一定位子网络和第二定位子网络;
分别输入到所述M个区域子网络中,获得{(方位角1,P1),(方位角2,P2),…,(方位角M,PM)},其中所述P1、P2、…PM表示方位角为正确的概率;将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角,包括:
分别输入到所述M个第一定位子网络中,获得{(第一方位角1,P’1),(第一方位角2,P’2),…,(第一方位角M,P’M)},其中所述P’1、P’2…P’M表示第一方位角为正确的概率;将其中概率最大的第一方位角作为该数字信号数据对应车载单元的第一方位角;
分别输入到所述M个第二定位子网络中,获得{(第二方位角1,P”1),(第二方位角2,P”2),…,(第二方位角M,P”M)},其中所述P”1、P”2…P”M表示第二方位角为正确的概率;将其中概率最大的第二方位角作为该数字信号数据对应车载单元的第二方位角。
4.根据权利要求1-3中任一项所述基于深度学习的车载单元定位方法,其特征在于,在将所述数字信号数据输入预先训练完成的定位神经网络模型之前,所述方法还包括:
根据U-net神经网络对所述数字信号数据进行过滤降噪处理。
5.根据权利要求1-3中任一项所述基于深度学习的车载单元定位方法,其特征在于,所述定位神经网络模型根据以下步骤训练得到:
获取数字信号数据以及对应方向角;
将所述数字信号数据以及对应方向角输入到神经网络进行训练拟合,直到所述神经网络的训练次数超过预设阈值,或者符合预设规则收敛;
获得所述定位神经网络模型。
7.一种路侧单元,所述路侧单元包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器在执行所述存储器中存储的计算机程序时实现权利要求1-6任一项所述的基于深度学习的车载单元定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065251.XA CN112288897B (zh) | 2020-09-30 | 2020-09-30 | 基于深度学习的车载单元定位方法以及路侧单元 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065251.XA CN112288897B (zh) | 2020-09-30 | 2020-09-30 | 基于深度学习的车载单元定位方法以及路侧单元 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288897A CN112288897A (zh) | 2021-01-29 |
CN112288897B true CN112288897B (zh) | 2022-08-30 |
Family
ID=74422780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011065251.XA Active CN112288897B (zh) | 2020-09-30 | 2020-09-30 | 基于深度学习的车载单元定位方法以及路侧单元 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288897B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768477A (en) * | 1996-09-10 | 1998-06-16 | Southwest Research Institute | Radio direction finding system for narrowband multiple signals |
CN104569907B (zh) * | 2014-09-04 | 2017-05-17 | 深圳市金溢科技股份有限公司 | 基于神经网络的无线定位方法、系统及路侧单元 |
CN104574543B (zh) * | 2014-12-31 | 2017-05-24 | 深圳市金溢科技股份有限公司 | 一种与obu交易的方法及rsu |
CN106535326A (zh) * | 2016-11-22 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 一种基于深度神经网络的WiFi定位方法及服务器 |
DE102017207442A1 (de) * | 2017-05-03 | 2018-11-08 | Scania Cv Ab | Verfahren und Vorrichtung zum Klassifizieren von Objekten im Umfeld eines Kraftfahrzeuges |
CN108535753A (zh) * | 2018-03-30 | 2018-09-14 | 北京百度网讯科技有限公司 | 车辆定位方法、装置及设备 |
CN111009011B (zh) * | 2019-11-28 | 2023-09-19 | 深圳市镭神智能系统有限公司 | 车辆方向角的预测方法、装置、系统以及存储介质 |
-
2020
- 2020-09-30 CN CN202011065251.XA patent/CN112288897B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112288897A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402616B (zh) | 智能停车控制方法、系统、存储介质、终端 | |
CN112700479B (zh) | 一种基于cnn点云目标检测的配准方法 | |
CN102102992A (zh) | 基于多级网络划分的匹配道路初筛方法及地图匹配系统 | |
JP2019179217A (ja) | 地図補正方法及び地図補正装置 | |
CN114111775B (zh) | 一种多传感器融合定位方法、装置、存储介质及电子设备 | |
CN109948635A (zh) | 一种基于激光扫描的目标识别方法及装置 | |
CN114051628A (zh) | 一种确定目标对象点云集的方法及装置 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN112912894A (zh) | 道路边界识别方法和装置 | |
CN115346183A (zh) | 一种车道线检测方法、终端及存储介质 | |
CN113050660B (zh) | 误差补偿方法、装置、计算机设备及存储介质 | |
CN110596639A (zh) | 车辆跟踪定位方法、信息标记方法、系统及控制终端 | |
CN112288897B (zh) | 基于深度学习的车载单元定位方法以及路侧单元 | |
US20230358547A1 (en) | Map matching method and apparatus, electronic device and storage medium | |
CN108973995B (zh) | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
CN113281735B (zh) | 一种提升毫米波雷达跟踪目标性能的方法、装置、系统及存储介质 | |
CN115456060A (zh) | 一种预测轨迹的处理方法和装置 | |
CN113239906A (zh) | 车道线检测方法和装置 | |
CN117870651B (zh) | 基于rtk-slam技术的地图高精度采集方法、存储器及存储介质 | |
CN111554111B (zh) | 基于多源数据融合的信号配时优化方法、装置及终端 | |
CN115683143A (zh) | 一种高精度导航方法及装置、电子设备、存储介质 | |
CN103226195B (zh) | 监视覆盖分析方法 | |
WO2022156352A1 (zh) | 地图更新方法、装置和计算机可读存储介质 | |
WO2023281769A1 (ja) | 情報処理装置、情報処理方法、及び、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |