CN115615428B - 终端的惯性测量单元的定位方法、装置、设备和可读介质 - Google Patents

Abstract

本公开提供一种终端的惯性测量单元的定位方法、装置、设备和可读介质，其中，终端的惯性测量单元的定位方法包括：采集惯性测量单元的速度变化信息和空间变化信息；根据速度变化信息构建多个推断空间变化信息的任务；基于指定损失函数对多个任务的结果和空间变化信息进行训练，以确定最优位置变化模型的权重；将指定的速度变化信息确定为最优位置变化模型的输入，将指定空间变化信息为最优位置变化模型的输出，对最优位置变化模型进行训练。通过本公开实施例，训练后的最优位置变化模型提高了惯性测量单元的终端的惯性测量单元的定位精度。

Description

终端的惯性测量单元的定位方法、装置、设备和可读介质

技术领域

本公开涉及定位技术领域，具体而言，涉及一种终端的惯性测量单元的定位方法、装置、设备和可读介质。

背景技术

目前，近年来，随着互联网技术的不断发展，众多新型移动设备如智能手机、可穿戴设备、无人机、移动机器人等产业也相应的收到了广泛追捧，基于位置的服务(LBS，Location Based Service)由于其潜在的社会价值和商业价值，受到了广泛的关注。

在相关技术中，终端的惯性导航是一种不借助外部信号的自主性导航。行人航位推算算法能在无信标条件下，通过加速度三轴加速度值和方向角感知终端在行进过程中的加速度和方向角，并利用这些数据对行走路线进行相对终端的惯性测量单元的定位，从而达到对终端进行终端的惯性测量单元的定位跟踪的目的。

但是，传统的终端航迹推算算法基于加速度阈值识别步数、通过参数调整步长，惯导累积误差大，终端的惯性测量单元的定位准确率不高。另外，基于步长步态标签训练后的AI惯导模型难以采集标签数据，不仅数据清洗难度大，而且终端的惯性测量单元的定位精度不理想。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种终端的惯性测量单元的定位方法、装置、设备和可读介质，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的终端的惯性测量单元的定位可靠性差的问题。

根据本公开实施例的第一方面，提供一种终端的惯性测量单元的定位方法，包括：采集所述惯性测量单元的速度变化信息和空间变化信息；根据所述速度变化信息构建多个推断所述空间变化信息的任务；基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重；将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，所述速度变化信息包括加速度和角速度，所述空间变化信息包括位置变化和姿态变化，根据所述速度变化信息构建多个推断空间变化信息的任务包括：为所述位置变化和所述姿态变化设置对应的标签；根据所述加速度和所述位置变化的标签构建第一任务；根据所述角速度和所述姿态变化的标签构建第二任务。

在本公开的一种示例性实施例中，采用指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重包括：对所述加速度进行重力换算后进行卷积计算；对所述角速度进行卷积计算；将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练；基于所述双向LSTM的训练结果确定所述定最优位置变化模型的权重。

在本公开的一种示例性实施例中，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：确定数组长度为采样频率的加速度和数组长度为所述采样频率的角速度为所述指定速度变化信息；根据所述指定速度变化信息和所述指定空间变化信息对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：将指定的速度变化信息确定为所述最优位置变化模型的输入；确定指定采样频率对应的位置为所述指终端的惯性测量单元的定位置；将所述指终端的惯性测量单元的定位置和所述姿态变化确定为所述指定空间变化信息；将所述指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，对所述加速度进行重力换算后进行卷积计算的表达式包括：Ax’＝Ax-G(i)，G(i)＝a×G(i-1)+(1-a)×Ax；Ay’＝Ay-G(i)，G(i)＝a×G(i-1)+(1-a)×Ay；Az’＝Az-G(i)，G(i)＝a×G(i-1)+(1-a)×Az，所述a为预设系数，所述Ax为重力换算前的x轴加速度，所述Ay为重力换算前的y轴加速度，所述Az为重力换算前的z轴加速度，所述Ax’为重力换算后的x轴加速度，所述Ay’为重力换算后的y轴加速度，所述Az’为重力换算后的z轴加速度，所述G(i)为重力换算后的序列值，所述i为大于或等于1的正整数。

在本公开的一种示例性实施例中，所述指定损失函数的表达式包括：exp(-log_vars(t1))×mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))×(1-abs(batch_dot(y_true(t2)，y_pred(t2))))，其中，所述t1表征所述第一任务，所述t2表征第二任务，所述log_vars表征对数方差运算，所述mae表征绝对值均差运算，所述Batch_dot表征点积运算，所述abs表针绝对值运算，所述true(t1)表征所述t1的真值，所述y_true(t2)表征所述t2的真值，所述y_pred(t2)表征所述t2的预测值。

根据本公开实施例的第二方面，提供一种终端的惯性测量单元的定位装置，包括：采集模块，设置为采集所述惯性测量单元的速度变化信息和空间变化信息；构建模块，设置为根据所述速度变化信息构建多个推断所述空间变化信息的任务；训练模块，设置为基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重；所述训练模块，设置为将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

根据本公开的第三方面，提供一种电子设备，包括：存储器；以及耦合到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中的指令，执行如上述任意一项所述的方法。

根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的终端的惯性测量单元的定位方法。

本公开实施例，通过采集所述惯性测量单元的速度变化信息和空间变化信息，根据所述速度变化信息构建多个推断所述空间变化信息的任务，基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练，训练后的最优位置变化模型提高了惯性测量单元的终端的惯性测量单元的定位精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。

图1示出了可以应用本发明实施例的终端的惯性测量单元的定位方案的示例性系统架构的示意图；

图2是本公开示例性实施例中一种终端的惯性测量单元的定位方法的流程图；

图3是本公开示例性实施例中另一种终端的惯性测量单元的定位方法的流程图；

图4是本公开示例性实施例中另一种终端的惯性测量单元的定位方法的流程图；

图5是本公开示例性实施例中另一种终端的惯性测量单元的定位方法的流程图；

图6是本公开示例性实施例中另一种终端的惯性测量单元的定位方法的流程图；

图7是本公开示例性实施例中另一种终端的惯性测量单元的定位方案中确定最优权重的流程图；

图8是本公开示例性实施例中另一种终端的惯性测量单元的定位方法中的LSTM训练的流程图；

图9是本公开示例性实施例中一种终端的惯性测量单元的定位装置的方框图；

图10是本公开示例性实施例中一种电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本发明实施例的终端的惯性测量单元的定位方案的示例性系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。

在一些实施例中，本发明实施例所提供的终端的惯性测量单元的定位方法一般由终端105执行，相应地，终端的惯性测量单元的定位装置一般设置于终端设备103(也可以是终端设备101或102)中。在另一些实施例中，某些服务器可以具有与终端设备相似的功能从而执行本方法。因此，本发明实施例所提供的终端的惯性测量单元的定位方法不限定在终端设备执行。

下面结合附图对本公开示例实施方式进行详细说明。

图2是本公开示例性实施例中终端的惯性测量单元的定位方法的流程图。

参考图2，终端的惯性测量单元的定位方法可以包括：

步骤S202，采集所述惯性测量单元的速度变化信息和空间变化信息。

步骤S204，根据所述速度变化信息构建多个推断所述空间变化信息的任务。

步骤S206，基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重。

步骤S208，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

本公开实施例，通过采集所述惯性测量单元的速度变化信息和空间变化信息，根据所述速度变化信息构建多个推断所述空间变化信息的任务，基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练，训练后的最优位置变化模型提高了惯性测量单元的终端的惯性测量单元的定位精度。

其中，采集速度变化信息的具体实施例包括通过加速度计获取角速度，通过陀螺仪获取角速度等，但不限于此。空间变化信息包括位置变化和姿态变化，但不限于此。

下面，对终端的惯性测量单元的定位方法的各步骤进行详细说明。

在本公开的一种示例性实施例中，如图3所示，所述速度变化信息包括加速度和角速度，所述空间变化信息包括位置变化和姿态变化，根据所述速度变化信息构建多个推断空间变化信息的任务包括：

步骤S302，为所述位置变化和所述姿态变化设置对应的标签。

步骤S304，根据所述加速度和所述位置变化的标签构建第一任务。

步骤S306，根据所述角速度和所述姿态变化的标签构建第二任务。

在上述实施例中，第一任务以加速度为输入变量，以位置变化的标签为输出变量，第二任务以角速度为输入变量，以姿态变化的标签为输出变量，第一任务和第二任务的构建是独立，加速度和角速度存在关联性，姿态变化和位置变化也存在关联性，构建后的第一任务和第二任务也是关联的。

在本公开的一种示例性实施例中，如图4所示，采用指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重包括：

步骤S402，对所述加速度进行重力换算后进行卷积计算。

步骤S404，对所述角速度进行卷积计算。

步骤S406，将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练。

步骤S408，基于所述双向LSTM的训练结果确定所述定最优位置变化模型的权重。

在上述实施例中，在完成第一任务和第二任务构建后，对所述加速度进行重力换算后进行卷积计算，以及对所述角速度进行卷积计算，将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练，基于所述双向LSTM的训练结果确定所述定最优位置变化模型的权重，基于此来提高对终端空间终端的惯性测量单元的定位的可靠性和准确性。

其中，LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

在本公开的一种示例性实施例中，如图5所示，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：

步骤S502，确定数组长度为采样频率的加速度和数组长度为所述采样频率的角速度为所述指定速度变化信息。

步骤S504，根据所述指定速度变化信息和所述指定空间变化信息对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，如图6所示，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：

步骤S602，将指定的速度变化信息确定为所述最优位置变化模型的输入。

步骤S604，确定指定采样频率对应的位置为所述指终端的惯性测量单元的定位置。

步骤S606，将所述指终端的惯性测量单元的定位置和所述姿态变化确定为所述指定空间变化信息。

步骤S608，将所述指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，对所述加速度进行重力换算后进行卷积计算的表达式包括：Ax’＝Ax-G(i)，G(i)＝a×G(i-1)+(1-a)×Ax；Ay’＝Ay-G(i)，G(i)＝a×G(i-1)+(1-a)×Ay；Az’＝Az-G(i)，G(i)＝a×G(i-1)+(1-a)×Az，所述a为预设系数，所述Ax为重力换算前的x轴加速度，所述Ay为重力换算前的y轴加速度，所述Az为重力换算前的z轴加速度，所述Ax’为重力换算后的x轴加速度，所述Ay’为重力换算后的y轴加速度，所述Az’为重力换算后的z轴加速度，所述G(i)为重力换算后的序列值，所述i为大于或等于1的正整数。

在上述实施例中，G(i)为重力转换后的值，计算方式为：

G(1)＝a*G(0)+(1-a)*Ax，G(2)＝a*G(1)+(1-a)*Ax，……，G(k+1)＝a*(k)+(1-a)*Ax。

其中，a为固定系数，一般是0.8，G(0)初始值为0。

在本公开的一种示例性实施例中，所述指定损失函数的表达式包括：exp(-log_vars(t1))×mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))×(1-abs(batch_dot(y_true(t2)，y_pred(t2))))，

其中，所述t1表征所述第一任务，所述t2表征第二任务，所述log_vars表征对数方差运算，所述mae表征绝对值均差运算，所述Batch_dot表征点积运算，所述abs表针绝对值运算，所述true(t1)表征所述t1的真值，所述y_true(t2)表征所述t2的真值，所述y_pred(t2)表征所述t2的预测值。

下面结合图7和图8对本公开的模型训练过程进行具体说明。

图7是本公开示例性实施例中另一种终端的惯性测量单元的定位方案中确定最优权重的流程图。

如图7所示，终端的惯性测量单元的定位方案中确定最优权重架构700包括任务1(加速度推断位置)和任务2(角速度推断姿态)的训练过程，每个任务包括模型参数和Log方差，将两个任务通过自定义多任务损失函数找到最优权重，进一步地确定最优权重下的位置变化推断。

图8是本公开示例性实施例中另一种终端的惯性测量单元的定位方法中的LSTM训练的流程图。

如图8所示，本公开示例性实施例中另一种终端的惯性测量单元的定位方法中的LSTM训练过程800包括：

1、同时采集终端的IMU(惯性测量单元)的加速度、角速度、位置变化和姿态变化，通过移动终端采集预处理后获得IMU的加速度Ax、Ay、Az，角速度Gx、Gy、Gz，位置DeltaX、DeltaY、DeltaZ，姿态DeltaQx、DeltaQy、DeltaQz、DeltaQw，位置信息记作Delta_xyz，姿态信息记作Delta_xyzw。

2、通过预处理将位置变化量以及姿态变化量作为标签，将加速度推断位置变化作为任务1，角速度推断姿态变化作为任务2，将Ax、Ay、Az进行重力转换，转换公式为：

Ax＝Ax-G(i)，G(i)＝a×G(i-1)+(1-a)×Ax，a＝0.8，Ay，Az采样相同转换。

3、定义网络结构(以keras机器学习框架为例)：

A＝Input((frequence，3))；

G＝Input((frequence，3))；

CA1＝Conv1D(neurons，15)(A)；

CA2＝Conv1D(neurons，15)(CA1)；

CA3＝Conv1D(neurons，15)(CA2)；

poolA＝MaxPooling1D(3)(CA3)；

CG1＝Conv1D(neurons，15)(G)；

CG2＝Conv1D(neurons，15)(CG1)；

CG3＝Conv1D(neurons，15)(CG2)；

poolG＝MaxPooling1D(3)(CG3)；

AG＝concatenate([poolA，poolG])；

LSTM＝Bidirectional(CuDNNLSTM(neurons))(AG)；

drop＝Dropout(0.25)(LSTM)；

p＝Dense(3)(drop)；

q＝Dense(4)(drop)。

其中，neurons＝frequence×1.6，frequence为采样频率，定义损失函数为：

exp(-log_vars(t1))×mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))×(1-abs(batch_dot(y_true(t2)，y_pred(t2))))。

4、对加速度进行重力换算后卷积，对角速度进行卷积，将两个任务的卷积结果串联后作为双向LSTM的输入，采用自定义的多任务损失函数训练，找到最优位置变化模型权重，将数组长度为采样频率的AxAyAz和数组长度为采样频率的GxGyGz作为网络模型模型输入，以采样频率/2的位置和姿态变化作为标签，训练网络模型，获得模型model。

5、惯性导航终端的惯性测量单元的定位：持续采集IMU的加速度A和角速度G作为模型model的输入，模型输出位置变化序列，即可获得惯性导航终端的惯性测量单元的定位。

对应于上述方法实施例，本公开还提供一种终端的惯性测量单元的定位装置，可以用于执行上述方法实施例。

图9是本公开示例性实施例中一种终端的惯性测量单元的定位装置的方框图。

参考图9，终端的惯性测量单元的定位装置900可以包括：

采集模块902，设置为采集所述惯性测量单元的速度变化信息和空间变化信息。

构建模块904，设置为根据所述速度变化信息构建多个推断所述空间变化信息的任务。

训练模块906，设置为基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重。

所述训练模块906，设置为将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，构建模块904还设置为：为所述位置变化和所述姿态变化设置对应的标签；根据所述加速度和所述位置变化的标签构建第一任务；根据所述角速度和所述姿态变化的标签构建第二任务。

在本公开的一种示例性实施例中，训练模块906还设置为：对所述加速度进行重力换算后进行卷积计算；对所述角速度进行卷积计算；将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练；基于所述双向LSTM的训练结果确定所述定最优位置变化模型的权重。

在本公开的一种示例性实施例中，训练模块906还设置为：确定数组长度为采样频率的加速度和数组长度为所述采样频率的角速度为所述指定速度变化信息；根据所述指定速度变化信息和所述指定空间变化信息对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，训练模块906还设置为：将指定的速度变化信息确定为所述最优位置变化模型的输入；确定指定采样频率对应的位置为所述指终端的惯性测量单元的定位置；将所述指终端的惯性测量单元的定位置和所述姿态变化确定为所述指定空间变化信息；将所述指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

在本公开的一种示例性实施例中，对所述加速度进行重力换算后进行卷积计算的表达式包括：Ax’＝Ax-G(i)，G(i)＝a×G(i-1)+(1-a)×Ax；Ay’＝Ay-G(i)，G(i)＝a×G(i-1)+(1-a)×Ay；Az’＝Az-G(i)，G(i)＝a×G(i-1)+(1-a)×Az，所述a为预设系数，所述Ax为重力换算前的x轴加速度，所述Ay为重力换算前的y轴加速度，所述Az为重力换算前的z轴加速度，所述Ax’为重力换算后的x轴加速度，所述Ay’为重力换算后的y轴加速度，所述Az’为重力换算后的z轴加速度，所述G(i)为重力换算后的序列值，所述i为大于或等于1的正整数。

在本公开的一种示例性实施例中，所述指定损失函数的表达式包括：exp(-log_vars(t1))×mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))×(1-abs(batch_dot(y_true(t2)，y_pred(t2)))))，其中，所述t1表征所述第一任务，所述t2表征第二任务，所述log_vars表征对数方差运算，所述mae表征绝对值均差运算，所述Batch_dot表征点积运算，所述abs表针绝对值运算，所述true(t1)表征所述t1的真值，所述y_true(t2)表征所述t2的真值，所述y_pred(t2)表征所述t2的预测值。

由于终端的惯性测量单元的定位装置900的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如本公开实施例所示的方法。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。

存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1040(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。

Claims (8)

1.一种终端的惯性测量单元的定位方法，其特征在于，包括：

采集所述惯性测量单元的速度变化信息和空间变化信息；

根据所述速度变化信息构建多个推断所述空间变化信息的任务，包括：

所述速度变化信息包括加速度和角速度，所述空间变化信息包括位置变化和姿态变化，为所述位置变化和所述姿态变化设置对应的标签；

根据所述加速度和所述位置变化的标签构建第一任务；

根据所述角速度和所述姿态变化的标签构建第二任务；

基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重，包括：

对所述加速度进行重力换算后进行卷积计算；

对所述角速度进行卷积计算；

将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练；

基于所述双向LSTM的训练结果确定所述最优位置变化模型的权重；

将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息确定为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

2.如权利要求1所述的终端的惯性测量单元的定位方法，其特征在于，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息确定为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：

确定数组长度为采样频率的加速度和数组长度为所述采样频率的角速度为所述指定速度变化信息；

根据所述指定速度变化信息和所述指定空间变化信息对所述最优位置变化模型进行训练。

3.如权利要求2所述的终端的惯性测量单元的定位方法，其特征在于，将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息确定为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练包括：

将指定的速度变化信息确定为所述最优位置变化模型的输入；

确定指定采样频率对应的位置为所述终端的惯性测量单元的指定位置；

将所述终端的惯性测量单元的指定位置和所述姿态变化确定为所述指定空间变化信息；

将所述指定空间变化信息为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

4.如权利要求3所述的终端的惯性测量单元的定位方法，其特征在于，对所述加速度进行重力换算后进行卷积计算的表达式包括：

Ax’=Ax-G(i)，G(i)=a×G(i-1)+(1-a)×Ax；

Ay’=Ay-G(i)，G(i)=a×G(i-1)+(1-a)×Ay；

Az’=Az-G(i)，G(i)=a×G(i-1)+(1-a)×Az，所述a为预设系数，所述Ax为重力换算前的x轴加速度，所述Ay为重力换算前的y轴加速度，所述Az为重力换算前的z轴加速度，所述Ax’为重力换算后的x轴加速度，所述Ay’为重力换算后的y轴加速度，所述Az’为重力换算后的z轴加速度，所述G(i)为重力换算后的序列值，所述i为大于或等于1的正整数。

5.如权利要求2或3所述的终端的惯性测量单元的定位方法，其特征在于，所述指定损失函数的表达式包括：

exp(-log_vars(t1))×mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))×(1-abs(batch_dot(y_true(t2)，y_pred(t2)))))，

其中，所述t1表征所述第一任务，所述t2表征第二任务，所述log_vars表征对数方差运算，所述mae表征绝对值均差运算，所述batch_dot表征点积运算，所述abs表征绝对值运算，所述true(t1)表征所述t1的真值，所述y_true(t2)表征所述t2的真值，所述y_pred(t2)表征所述t2的预测值。

6.一种终端的惯性测量单元的定位装置，其特征在于，包括：

采集模块，设置为采集所述惯性测量单元的速度变化信息和空间变化信息；

构建模块，设置为根据所述速度变化信息构建多个推断所述空间变化信息的任务，包括：

所述速度变化信息包括加速度和角速度，所述空间变化信息包括位置变化和姿态变化，为所述位置变化和所述姿态变化设置对应的标签；

根据所述加速度和所述位置变化的标签构建第一任务；

根据所述角速度和所述姿态变化的标签构建第二任务；

训练模块，设置为基于指定损失函数对多个所述任务的结果和所述空间变化信息进行训练，以确定最优位置变化模型的权重，包括：

对所述加速度进行重力换算后进行卷积计算；

对所述角速度进行卷积计算；

将两个卷积计算的结果进行串联并输入至双向LSTM，以所述空间变化信息作为所述双向LSTM的输出，对所述双向LSTM进行训练；

基于所述双向LSTM的训练结果确定所述定最优位置变化模型的权重；

所述训练模块，设置为将指定的速度变化信息确定为所述最优位置变化模型的输入，将指定空间变化信息确定为所述最优位置变化模型的输出，对所述最优位置变化模型进行训练。

7.一种电子设备，其特征在于，包括：

存储器；以及

耦合到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中的指令，执行如权利要求1-5中任一项所述的终端的惯性测量单元的定位方法。

8.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如权利要求1-5中任一项所述的终端的惯性测量单元的定位方法。