CN113115254A - 无人机定位方法及服务器 - Google Patents

Abstract

本申请提供一种无人机定位方法及服务器，涉及无人机技术领域，能够在无需GPS信号的前提下，实现无人机的精准定位。该方法包括：接收第一无人机发送的第一测量报告；根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据；将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

Description

无人机定位方法及服务器

技术领域

本申请涉及无人机技术领域，尤其涉及一种无人机定位方法及服务器。

背景技术

随着无人机行业的不断发展，无人机定位问题日益成为行业关注的焦点。传统无人机定位使用全球定位系统(global positioning system，GPS)，但由于卫星的信号功率低，无法穿透建筑物等固体障碍，由于一些遮蔽物的存在，类似于GPS、北斗的卫星导航技术在室内场景下就无法应用了。

为了弥补GPS系统在室内定位中的缺陷，辅助全球卫星定位系统(assisted GPS，AGPS)在GPS定位的基础上，利用基地台代送辅助卫星信息，以缩减GPS芯片获取卫星信号的延迟时间，受遮盖的室内环境也能借基地台讯号弥补。并且，为了提高GPS定位精度，通常采用差分GPS技术,所述差分GPS技术包括实时伪距差分和实时相位差分定位技术。

然而，AGPS的定位实现必须通过多次网络传输(最多可达六次单向传输)，占用的空间资源较多，成本也较高。而利用GPS的实时伪距差分和实时相位差分定位技术成本很高，且体积较大无法搭载在微型无人机上。因此，如何在摆脱GPS技术在无人机定位中的缺陷，在无需接收GPS信号的情况下，获取无人机的精确定位，成为一个亟待解决的问题。

发明内容

本申请提供一种无人机定位方法及服务器，能够在无需GPS信号的前提下，实现无人机的精准定位。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种无人机定位方法，该方法可以包括：接收第一无人机发送的第一测量报告；根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据；将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

第二方面，本申请提供一种无人机定位服务器，该无人机定位服务器包括：接收模块和处理模块。其中，接收模块，用于接收第一无人机发送的第一测量报告；处理模块，用于根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据；所述处理模块，还用于将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

第三方面，本申请提供一种无人机定位服务器，该无人机定位服务器包括：处理器、通信接口和存储器。其中，存储器用于存储一个或多个程序。该一个或多个程序包括计算机执行指令，当该无人机定位服务器运行时，处理器执行该存储器存储的该计算机执行指令，以使该无人机定位服务器执行第一方面及其各种可选的实现方式中任意之一所述的无人机定位方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，该计算机执行上述第一方面及其各种可选的实现方式中任意之一所述的无人机定位方法。

第五方面，本申请提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述第一方面及其各种可选的实现方式中任意之一所述的无人机定位方法。

本申请提供的无人机定位方法及服务器，在接收到无人机发送的测量报告后，结合无人机所在的服务小区的工参数据，作为服务小区的位置预测模型的输入，获取无人机的位置数据。其中，位置预测模型为利用具有定位功能的无人机发送的测量报告，结合服务小区工参数据进行机器学习训练得到。相对于现有技术中，无人机依赖GPS定位信号实现无人机的精准定位。本申请提供的无人机定位方法，利用机器学习训练得到的小区位置预测模型，基于小区工参和无人机发送的测量报告就能得到无人机的位置信息，不需要GPS信息，从而避免了GPS定位的计算复杂度高、成本高、体积大、室内定位难的缺点，实现无需GPS信号的无人机精准定位。

附图说明

图1为本申请实施例提供的无人机定位方法及服务器应用的移动通信系统结构示意图；

图2为本申请实施例提供的无人机定位方法示意图；

图3为本申请实施例提供的获取位置预测模型的方法示意图；

图4为本申请实施例提供的无人机定位服务器的结构示意图一；

图5为本申请实施例提供的无人机定位服务器的结构示意图二。

具体实施方式

下面结合附图对本申请实施例提供的无人机定位方法及服务器进行详细地描述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

本申请实施例提供的无人机定位方法应用于移动通信系统中，如图1所示，该系统包括：无人机101(包括无人机1011和无人机1012)、GPS卫星102、移动通信网络103、A-GPS服务器104和定位服务器105。

其中，无人机101搭载有用户身份识别模块(subscriber identity module,SIM)卡，具有无线通信能力，能够通过移动通信网络103中的接入设备(如基站1031)接入数据网络。

GPS卫星102用于发送GPS信号以帮助终端进行GPS定位。

A-GPS服务器104用于生成辅助定位信息。

定位服务器105为移动通信网络中的服务器，与接入设备通信连接，用于获取无人机上传的测量报告和测量报告对应服务小区的工参数据，以进行无人机位置预测。

按照是否具备A-GPS功能，无人机101可以分为不具有A-GPS功能的第一无人机1011，和具有A-GPS功能的第二无人机1012，换句话说，与第一无人机1011相比，第二无人机1012搭载有GPS芯片。

A-GPS的基本思想是：通过在卫星信号接收效果较好的位置上设置若干参考GPS接收机，并利用A-GPS服务器通过与终端的交互获得终端的粗位置，然后A-GPS服务器通过移动通信网络将该终端需要的星历和时钟等辅助数据发送给终端，终端根据辅助数据进行GPS定位测量。

如图1所示，A-GPS技术的基本工作原理为：第二无人机1012首先从基站1031获取到当前所在的小区位置，通过移动通信网络103将其小区位置发送至A-GPS服务器104，A-GPS服务器104根据GPS接收机1032接收的GPS信号，将与该小区位置相关的GPS辅助信息(包含GPS的星历和方位俯仰角等)通过移动通信网络103发送给第二无人机1012，第二无人机1012根据GPS辅助信息接收GPS信号，完成后续定位过程。

上述移动通信网络103可以为各种通信网络架构，第4代(4th generation，4G)移动通信网络，如长期演进(long term evolution，LTE)网络，第五代(5th generation，5G)移动通信网络，如新空口(new radio，NR)网络，以及未来的通信网络，如第六代(6thgeneration，6G)移动通信网络等，本申请不予限制。需要说明的是，图1仅为示例性架构图，除图1中所示功能单元之外，该系统架构还可以包括其他功能单元，本申请实施例对此不进行限定。

与传统GPS技术相比，A-GPS技术利用移动通信网络传输GPS卫星的信息，提高了搜星速度，达到提高定位精度的目的，缓解弱GPS信号情况下无法定位或精度降低的问题。但与GPS技术一样，A-GPS仍无法完美解决室内(室内GPS信号较弱)定位的问题。

本申请实施例提供的无人机定位方法，应用于图1所示的移动通信系统中。利用机器学习数据挖掘得到的小区位置预测模型，基于无人机发送的测量报告就能得到无人机的位置信息，而不需要GPS信息，从而避免了GPS定位的计算复杂度高、成本高、体积大、室内定位难的缺点，实现无需GPS信号的无人机精准定位。

本申请实施例提供一种无人机定位方法，应用于移动通信网络中的无人机定位服务器，该无人机定位服务器可以是图1所示移动通信网络中的定位服务器。如图2所示，该方法可以包括S201-S203：

S201、接收第一无人机发送的第一测量报告。

示例性的，本步骤所述第一无人机可以是图1中的第一无人机，没有搭载GPS芯片，也可以是图1中的第二无人机，但其处于无法使用GPS功能的场景，例如室内环境，或关闭了GPS模块，从而无法接收GPS信号进行精准定位。第一无人机搭载有SIM卡，接收对空覆盖地面移动通信基站发射的无线信号，并在与基站通信过程中不断生成小区下行信号的测量报告(measure report，MR)，通过通信链路将这些MR数据发送给定位服务器。

示例性的，第一测量报告包括测量的基本信息和测量数据，基本信息包括：移动管理节点(Mobility Management Entity,MME)组标识(MmeGroupId)、MME编号(MmeCode)、用户标识(MmeUeS1apId)、服务小区标识(ID)、时间戳(TimeStamp)等，测量数据包括测量的指标名称和对应的指标值，具体包括：服务小区电平(MR.LteScRSRP)、邻区电平(MR.LteNcRSRP)、服务小区质量(MR.LteScRSRQ)、邻区质量(MR.LteNcRSRQ)、服务小区TA(MR.LteScTadv)、服务小区上行信干比(MR.LteScSinrUL)、服务小区频点(MR.LteScEarfcn)、服务小区扰码(MR.LteScPci)、邻区频点(MR.LteNcEarfcn)、邻区扰码(MR.LteNcPci)等。但由于第一无人机无法接收GPS信号，第一测量报告里不包括第一无人机的位置信息。

可选的，所述第一测量报告不包括位置信息。

S202、根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据。

具体的，根据第一测量报告中包括的服务小区标识确定第一无人机当前所在的服务小区，获取该服务小区的工程参数数据(简称工参数据)。

示例性的，服务小区的工参数据包括：小区标识、方位角、覆盖类型、站点高度、天线上倾角、服务小区经纬度、邻区经纬度和下行带宽。小区的工参数据用于说明小区的属性，标识每个小区的特征。

S203、将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置。

其中，所述服务小区的位置预测模型为利用第二无人机在服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

示例性的，本步骤所指的第二无人机可以是图1中的第二无人机，第二无人机开启GPS后，其在服务小区进行A-GPS MR测量，其上报的MR数据中可包括经纬度信息，使得发送的第二测量报告中包括第二无人机的位置信息。因此，基于该第二测量报告和服务小区的工参数据训练得到的位置预测模型能够反映无人机测量报告的测量数据结合服务小区工参数据，与无人机位置信息之间的对应关系。当定位服务器接收第一无人机发送的不包括位置信息的第一测量报告时，将第一测量报告中的测量数据和上述工参数据作为位置预测模型的输入，经过位置预测模型处理后，输出即可得到第一无人机发送第一测量报告时的位置信息。

本申请提供的无人机定位方法，在接收到无人机发送的测量报告后，结合服务小区的工参数据，作为位置预测模型的输入，获取无人机的位置数据，其中，位置预测模型为利用具有定位功能的无人机发送的测量报告，结合服务小区工参数据进行机器学习训练得到。相对于现有技术中，无人机依赖GPS定位信号实现无人机的精准定位，本申请提供的无人机定位方法，利用机器学习数据挖掘得到的小区位置预测模型，基于小区工参和无人机发送的测量报告就能得到无人机的位置信息，不需要GPS信息，从而避免了GPS定位的计算复杂度高、成本高、体积大、室内定位难的缺点，实现无需GPS信号的无人机精准定位。

为了获取上述第一无人机所在服务小区的位置预测模型，本申请实施例提供一种得到服务小区的位置预测模型的方法，如图3所示，该方法可以包括S301-S304：

S301：接收至少一个第二无人机发送的多个第二测量报告。

其中，所述第二测量报告包括测量的基本信息和测量数据；其中，所述测量数据包括测量的指标名称和对应的指标值，所述基本信息包括所述服务小区的标识；并且所述测量数据包括所述第二无人机的位置信息。

示例性的，本步骤所述第二无人机可以是图1中的第二无人机，其进行包括AGPS的MR测量，使得发送的第二测量报告中包括第二无人机的位置信息。

示例性的，第二无人机在飞行过程中，通过移动通信网络与A-GPS服务器进行交互，获取辅助定位信息，并根据辅助定位信息接收GPS信号，完成定位运算，获取第二无人机的位置坐标。第二无人机在与基站通信过程中不断生成小区下行信号的第二测量报告，并通过通信链路将这些第二测量报告发送给定位服务器。第二测量报告的内容与上述步骤S201所述第一测量报告相似，包括测量的基本信息和测量数据，但由于第二无人机开启了GPS模块，所以第二测量报告的测量数据还包括经度(MR.Logitude)和纬度(MR.Latitude)。

可选的，第二测量报告可以由多个第二无人机在多个小区上报，本申请并不限定第二无人机的数量。

可选的，定位服务器在接收到第二测量报告后，将第二测量报告以预设格式存储。

示例性的，预设格式为可扩展标记语言(extensible markup language，xml)文件格式，xml文件由xml元素组成，每个xml元素包括一个开始标记(<title>)，一个结束标记(</title>)以及两个标记之间的内容。示例性的，用object标记对标记MR测量的基本信息，用smr标记对标记MR测量的指标名称，用v标记对标记MR测量的指标值，并且，v标记对中的指标值与smr标记对中的指标名称一一对应。将第二测量报告以XML文件格式存储，便于在任何应用程序中读/写数据，使定位服务器易于对第二测量报告进行解析。

进一步示例性的，测量报告存储后的XML文件中，MR数据部分可如下：

S302：根据第二测量报告确定服务小区，获取服务小区的工参数据。

其中，所述服务小区包括第一无人机所在的服务小区。

可选的，第二测量报告的基本信息中包括MR的服务小区标识，根据服务小区标识确定各个第二测量报告的服务小区，并从相应基站获取各服务小区的工参数据。

示例性的，定位服务器解析第二测量报告的XML文件，从object标记对中的服务小区标识(ID)字段，获取第二测量报告的服务小区标识，并根据服务小区标识从对应基站获取各服务小区的工参数据。可选的，工参数据包括：小区标识、方位角、覆盖类型、站点高度、天线上倾角、服务小区经纬度、邻区经纬度和下行带宽。

S303：将第二测量报告的测量数据与服务小区的工参数据结合，生成服务小区的训练样本集。

其中，所述第二测量报告中的位置信息作为所述训练样本集的样本标签，所述第二测量报告中的其它测量数据和所述工参数据作为所述训练样本集的样本特征。

示例性的，定位服务器根据第二测量报告中的服务小区标识，对第二测量报告按照服务小区进行分组，并与对应服务小区的工参数据进行关联，生成每个服务小区的训练样本集。在训练样本集中，位置信息作为样本标签，第二测量报告中的其他测量数据和服务小区工参数据结合，作为样本特征。

进一步示例性的，定位服务器解析第二测量报告的XML文件，将服务小区标识相同的第二测量报告划分为一组，并将各组第二测量报告中smr标记对中的经度(MR.Logitude)和纬度(MR.Latitude)字段结合v标记对中的对应指标值作为样本标签，将smr标记对中的其它字段结合v标记对中的对应指标值、加上服务小区的工参数据，作为样本特征，生成每个服务小区的训练样本集。可选的，定位服务器为每个服务小区的训练样本集添加服务小区标识作为标签。

训练样本集的结构如下表1所示。

表1

S304：使用各服务小区的训练样本集，对预设机器学习模型进行训练，得到服务小区的位置预测模型。

示例性的，预设机器学习模型包括：K-最近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine，SVM)、随机森林(random forest)、梯度提升决策树(gradient boosting decision tree，GBDT)或深度学习(deep learning)模型。

可选的，定位服务器通过以下步骤采用各服务小区的训练样本集，对目标机器学习模型进行训练，得到各服务小区的位置预测模型：

步骤一：根据训练样本集的数据量，为各服务小区选择合适的机器学习模型。

从训练样本集的组成来看，机器学习训练的目的在于挖掘无人机在服务小区内发送的MR数据与其位置坐标之间的对应关系，本质为非线性、多分类问题，可选的机器学习模型很多，上述预设机器学习模型为其中使用较多、经验证性能较好的机器学习模型。

示例性的，定位服务器根据服务小区的训练样本集的特征数和训练样本数，从预设机器学习模型中选择各服务小区的目标机器学习模型。KNN算法的时间复杂度和存储空间会随着训练集规模和特征维数的增大而快速增加，因此KNN算法模型更适合特征数和训练样本数都不太大的训练样本集；带核函数的支持向量机(非线性)在处理大量数据的时候会非常慢，并不适合，因此SVM算法模型如果特征数较小，而且训练样本数大小中等的训练样本集；如果数据维度较高时会加大GBDT算法的计算复杂度，因此GBDT算法模型适合特征数较小的训练样本集；随机森林是基于决策树的集成学习策略，鲜有短板；深度学习模型需要大量数据进行训练，因此适合训练样本数较大的训练样本集。

步骤二：对每个服务小区，使用其训练样本集对其目标机器学习模型进行训练，训练完毕得到每个小区的无人机位置预测模型。

可以理解的是，经过步骤S301至步骤S304可以得到多个服务小区的位置预测模型，这其中包括步骤S201至步骤S203所述的第一无人机所在服务小区的位置预测模型。换句话说，若想获得第一无人机所在服务小区的位置预测模型，则需要执行以下步骤即可：

步骤A：接收至少一个所述第二无人机在所述服务小区发送的多个所述第二测量报告。

步骤B：获取所述服务小区的工参数据。

步骤C：将所述第二测量报告中的测量数据与所述服务小区的所述工参数据结合，生成所述服务小区的训练样本集。

其中，所述第二测量报告中的位置信息作为所述训练样本集的样本标签，所述第二测量报告中的其它测量数据和所述工参数据作为所述训练样本集的样本特征。

步骤D：使用所述服务小区的所述训练样本集对预设机器学习模型进行训练，得到所述服务小区的位置预测模型。

其中，上述步骤A、B、C、D所述的服务小区为步骤S201至步骤S203所述的第一无人机所在服务小区。步骤A、B、C、D的具体实现过程可分别参考步骤S301至S304的具体实现过程，此处不再赘述。

本申请提供的无人机定位方法，利用包括经纬度的无人机测量报告，结合服务小区工参数据进行机器学习训练，得到能够反映服务小区内测量报告结合小区工参与位置信息的对应关系的位置预测模型，使用位置预测模型，即可实现仅需测量报告和服务小区的工参数据的无人机精准定位。相对于现有技术中，无人机依赖GPS定位信号实现无人机的精准定位。本申请提供的无人机定位方法，利用机器学习数据挖掘得到的小区位置预测模型，基于小区工参和无人机发送的测量报告就能得到无人机的位置信息，不需要GPS信息，从而避免了GPS定位的计算复杂度高、成本高、体积大、室内定位难的缺点，实现无需GPS信号的无人机精准定位。

本申请实施例可以根据上述方法示例对无人机定位服务器进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

图4示出了上述实施例中所涉及的无人机定位服务器的一种可能的结构示意图。该基站包括接收模块401、处理模块402。

其中，所述接收模块401，用于接收第一无人机发送的第一测量报告。

所述处理模块402，用于根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据。

所述处理模块402，还用于将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

可选的，所述接收模块401，还用于接收至少一个所述第二无人机在所述服务小区发送的多个所述第二测量报告。

可选的，所述处理模块402，还用于获取所述服务小区的工参数据。

可选的，所述处理模块402，还用于将所述第二测量报告中的测量数据与所述服务小区的所述工参数据结合，生成所述服务小区的训练样本集；其中，所述第二测量报告中的位置信息作为所述训练样本集的样本标签，所述第二测量报告中的其它测量数据和所述工参数据作为所述训练样本集的样本特征。

可选的，所述处理模块402，还用于使用所述服务小区的所述训练样本集对预设机器学习模型进行训练，得到所述服务小区的位置预测模型。

可选的，所述预设机器学习模型包括：K-最近邻、支持向量机、随机森林、梯度提升决策树或深度学习模型；所述处理模块402，具体用于：根据所述训练样本集的数据量，确定与所述服务小区对应的目标机器学习模型；使用所述服务小区的所述训练样本集对所述目标机器学习模型进行训练，得到所述服务小区的位置预测模型。

可选的，所述工参数据包括：小区标识、方位角、覆盖类型、站点高度、天线上倾角、服务小区经纬度、邻区经纬度和下行带宽。

本申请实施例提供的无人机定位服务器，在接收到无人机发送的测量报告后，结合无人机所在的服务小区的工参数据，作为服务小区的位置预测模型的输入，获取无人机的位置数据。其中，位置预测模型为利用具有定位功能的无人机发送的测量报告，结合服务小区工参数据进行机器学习训练得到。相对于现有技术中，无人机依赖GPS定位信号实现无人机的精准定位。本申请提供的无人机定位方法，利用机器学习训练得到的小区位置预测模型，基于小区工参和无人机发送的测量报告就能得到无人机的位置信息，不需要GPS信息，从而避免了GPS定位的计算复杂度高、成本高、体积大、室内定位难的缺点，实现无需GPS信号的无人机精准定位。

图5示出了上述实施例中所涉及的无人机定位服务器的又一种可能的结构示意图。该无人机定位服务器包括：处理器501和通信接口503。处理器501用于对无人机定位服务器的动作进行控制管理，例如，执行上述处理模块402执行的步骤，和/或用于执行本文所描述的技术的其它过程。通信接口503用于支持无人机定位服务器与其他网络实体的通信，例如，执行上述接收模块401执行的步骤。无人机定位服务器还可以包括存储器502和总线504，存储器502用于存储无人机定位服务器的程序代码和数据。

其中，处理器501可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

上述存储器502可以是无人机定位服务器中的存储器等，该存储器可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。

总线504可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线504可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本申请实施例提供一种移动通信系统，该通信系统可以包括无人机、GPS卫星、移动通信网络、A-GPS服务器和定位服务器，该定位服务器用于接收无人机通过移动通信网络发送的测量报告，以执行本申请实施例提供的无人机定位方法。对于无人机、GPS卫星、移动通信网络、A-GPS服务器和定位服务器的描述具体可以参见上述方法实施例和装置实施例中的相关描述，此处不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述方法实施例所述的无人机定位方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当网络设备执行该指令时，该网络设备执行上述方法实施例所示的方法流程中网络设备执行的各个步骤。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种无人机定位方法，其特征在于，所述方法包括：

接收第一无人机发送的第一测量报告；

根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据；

将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收至少一个所述第二无人机在所述服务小区发送的多个所述第二测量报告；

获取所述服务小区的工参数据；

将所述第二测量报告中的测量数据与所述服务小区的所述工参数据结合，生成所述服务小区的训练样本集；其中，所述第二测量报告中的位置信息作为所述训练样本集的样本标签，所述第二测量报告中的其它测量数据和所述工参数据作为所述训练样本集的样本特征；

使用所述服务小区的所述训练样本集对预设机器学习模型进行训练，得到所述服务小区的位置预测模型。

3.根据权利要求2所述的方法，其特征在于，所述预设机器学习模型包括：K-最近邻、支持向量机、随机森林、梯度提升决策树或深度学习模型；所述使用所述服务小区的所述训练样本集对预设机器学习模型进行训练，得到所述服务小区的位置预测模型包括：

根据所述训练样本集的数据量，确定与所述服务小区对应的目标机器学习模型；

使用所述服务小区的所述训练样本集对所述目标机器学习模型进行训练，得到所述服务小区的位置预测模型。

4.根据权利要求1所述的方法，其特征在于，所述工参数据包括：小区标识、方位角、覆盖类型、站点高度、天线上倾角、服务小区经纬度、邻区经纬度和下行带宽。

5.一种无人机定位服务器，其特征在于，包括：

接收模块，用于接收第一无人机发送的第一测量报告；

处理模块，用于根据所述第一测量报告确定所述第一无人机所在的服务小区，获取所述服务小区的工参数据；

所述处理模块，还用于将所述第一测量报告中的测量数据和所述服务小区的工参数据输入所述服务小区的位置预测模型，经过所述服务小区的位置预测模型处理后，输出得到所述第一无人机的位置；其中，所述服务小区的位置预测模型为利用第二无人机在所述服务小区发送的第二测量报告和所述服务小区的工参数据进行机器学习训练得到；所述第二测量报告包括所述第二无人机的位置信息。

6.根据权利要求5所述的服务器，其特征在于，

所述接收模块，还用于接收至少一个所述第二无人机在所述服务小区发送的多个所述第二测量报告；

所述处理模块，还用于获取所述服务小区的工参数据；

所述处理模块，还用于将所述第二测量报告中的测量数据与所述服务小区的所述工参数据结合，生成所述服务小区的训练样本集；其中，所述第二测量报告中的位置信息作为所述训练样本集的样本标签，所述第二测量报告中的其它测量数据和所述工参数据作为所述训练样本集的样本特征；

所述处理模块，还用于使用所述服务小区的所述训练样本集对预设机器学习模型进行训练，得到所述服务小区的位置预测模型。

7.根据权利要求6所述的服务器，其特征在于，所述预设机器学习模型包括：K-最近邻、支持向量机、随机森林、梯度提升决策树或深度学习模型；所述处理模块，具体用于：

根据所述训练样本集的数据量，确定与所述服务小区对应的目标机器学习模型；

使用所述服务小区的所述训练样本集对所述目标机器学习模型进行训练，得到所述服务小区的位置预测模型。

8.根据权利要求5所述的服务器，其特征在于，所述工参数据包括：小区标识、方位角、覆盖类型、站点高度、天线上倾角、服务小区经纬度、邻区经纬度和下行带宽。

9.一种无人机定位服务器，其特征在于，所述无人机定位服务器包括：处理器、通信接口和存储器；其中，存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该无人机定位服务器运行时，处理器执行该存储器存储的该计算机执行指令，以使该无人机定位服务器执行权利要求1至4中任一项所述的无人机定位方法。

10.一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，该计算机执行上述权利要求1至4中任一项所述的无人机定位方法。

Images