CN116989790A - 定位方法、装置、计算机设备和存储介质 - Google Patents

定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116989790A
CN116989790A CN202310821999.5A CN202310821999A CN116989790A CN 116989790 A CN116989790 A CN 116989790A CN 202310821999 A CN202310821999 A CN 202310821999A CN 116989790 A CN116989790 A CN 116989790A
Authority
CN
China
Prior art keywords
user
acceleration
information
acquiring
value
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.)
Pending
Application number
CN202310821999.5A
Other languages
English (en)
Inventor
朱先飞
庞涛
曹鹏
牛思杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Original Assignee
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Technology Innovation Center, China Telecom Corp Ltd filed Critical China Telecom Technology Innovation Center
Priority to CN202310821999.5A priority Critical patent/CN116989790A/zh
Publication of CN116989790A publication Critical patent/CN116989790A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种定位方法、装置、计算机设备和存储介质。通过惯导模型基于用户在信号遮挡区域内移动时的加速度和角速度，输出用户的移动轨迹信息，并基于用户在信号遮挡区域的初始位置以及用户对应的初始方向角，调整移动轨迹，基于调整后的移动轨迹信息确定用户在信号遮挡区域的位置。相较于传统的通过多个积分进行用户的定位，本方案通过惯导模型，结合用户的加速度、角速度和初始方向角等参数，确定移动轨迹信息并对移动轨迹信息进行调整，提高了在信号遮挡区域内为用户进行定位的精确度。

Description

定位方法、装置、计算机设备和存储介质
技术领域
本申请涉及导航技术领域，特别是涉及一种定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网技术的不断发展，众多新型移动设备受到广大人们的追捧，用户在使用移动设备时对位置的需求也越来越高，尤其是在室内导航时，需要更精确的用户定位。目前对于终端在室内进行定位的方式通常是通过多个方向积分累积进行确定，然而，通过多个方向积分进行定位，累积错误较大，进而导致定位精确度降低。
因此，目前的定位方法存在定位精确度低的缺陷。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高定位精确度的定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种定位方法，所述方法包括：
检测到待定位用户进入信号遮挡区域时，获取所述待定位用户在所述信号遮挡区域的初始位置，并获取所述待定位用户对应的初始方向角；所述初始方向角基于所述待定位用户在所述初始位置时的设备方向与预设地理方位确定；
检测到所述待定位用户在所述信号遮挡区域内的移动信息时，获取所述待定位用户对应的加速度和角速度；
将所述加速度和角速度输入经训练的惯导模型，获取所述惯导模型基于所述加速度和角速度输出的移动轨迹信息；
将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息；
根据调整后的移动轨迹信息，确定所述待定位用户在所述信号遮挡区域的位置。
在其中一个实施例中，所述将所述加速度和角速度输入经训练的惯导模型，包括：
将所述加速度和角速度输入经训练的惯导模型，由所述惯导模型获取所述加速度在各坐标轴方向上的加速度分量，并基于各坐标轴方向的加速度分量确定位置变化信息，以及基于所述角速度确定姿态变化信息；
根据所述位置变化信息和所述姿态变化信息，输出移动轨迹信息。
在其中一个实施例中，所述加速度包括多个时刻的加速度；
所述获取所述加速度在各坐标轴方向上的加速度分量，包括：
获取上一时刻的重力转换值与预设系数的第一乘积，以及获取一与所述预设系数的差值；
获取上一时刻的加速度在各坐标轴方向上的原始加速度分量，并获取上一时刻的各原始加速度分量与所述差值的第二乘积；
根据所述第一乘积与所述第二乘积的和，确定当前时刻的重力转换值；
根据当前时刻的重力转换值与当前时刻的各原始加速度分量的差值，得到所述加速度在各坐标轴方向上的加速度分量。
在其中一个实施例中，所述方法还包括：
获取加速度样本、角速度样本，以及对应的位置变化标签信息和姿态变化标签信息；
将所述加速度样本和角速度样本输入待训练的惯导模型，由所述待训练的惯导模型基于所述加速度样本确定位置变化预测信息，基于所述角速度样本确定姿态变化预测信息，并根据所述位置变化预测信息和姿态变化预测信息输出移动轨迹预测信息；
将所述移动轨迹预测信息、所述位置变化标签信息和姿态变化标签信息输入预设损失函数，根据所述预设损失函数的输出值，调整所述待训练的惯导模型的模型参数，并返回将所述加速度样本和角速度样本输入待训练的惯导模型的步骤，直至满足预设训练结束条件时，得到经训练的惯导模型。
在其中一个实施例中，所述将所述移动轨迹预测信息、所述位置变化标签信息和姿态变化标签信息输入预设损失函数，包括：
将所述位置变化预测信息和所述姿态变化预测信息输入所述预设损失函数；
获取所述位置变化预测信息的对数方差的第一指数，获取所述位置变化预测信息与所述位置变化标签信息的差值对应的绝对值均差，以及获取所述位置变化预测信息的对数方差；
获取所述第一指数与所述绝对值均差的第三乘积；
获取所述姿态变化预测信息的对数方差的第二指数，获取一减所述姿态变化标签信息的第四差值，并获取所述第四差值与所述姿态变化预测信息的点积的绝对值；
获取所述第二指数和所述绝对值的第五乘积，根据所述第三乘积、所述对数方差以及所述第五乘积的和，得到所述预设损失函数的输出值。
在其中一个实施例中，所述将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息，包括：
获取所述初始位置对应的初始坐标点，根据所述初始坐标点，确定所述移动轨迹信息中各坐标点的坐标值；
针对所述移动轨迹信息中的每个坐标点，根据该坐标点的横坐标值与所述初始方向角的余弦值的乘积，以及该坐标点的纵坐标值与所述初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标横坐标值；
根据该坐标点的纵坐标值与所述初始方向角的余弦值的乘积，以及该坐标点的横坐标值与所述初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标纵坐标值；
根据所述目标横坐标值和所述目标纵坐标值，确定该坐标点对应的调整后的目标坐标点；
根据多个目标坐标点，得到调整后的移动轨迹信息。
在其中一个实施例中，所述获取所述待定位用户在所述信号遮挡区域的初始位置，包括：
获取所述待定位用户进入所述信号遮挡区域前的最后可视距位置，作为所述初始位置；所述最后可视距位置基于超宽带定位和/或移动通信定位得到。
在其中一个实施例中，所述获取所述待定位用户对应的初始方向角，包括：
获取所述待定位用户在所述初始位置的设备正前方，作为设备方向；
将正北方向作为所述预设地理方位，根据所述设备正前方与所述正北方向的夹角，确定所述待定位用户的初始方向角。
第二方面，本申请提供了一种定位装置，所述装置包括：
第一检测模块，用于检测到待定位用户进入信号遮挡区域时，获取所述待定位用户在所述信号遮挡区域的初始位置，并获取所述待定位用户对应的初始方向角；所述初始方向角基于所述待定位用户在所述初始位置时的设备方向与预设地理方位确定；
第二检测模块，用于检测到所述待定位用户在所述信号遮挡区域内的移动信息时，获取所述待定位用户对应的加速度和角速度；
输入模块，用于将所述加速度和角速度输入经训练的惯导模型，获取所述惯导模型基于所述加速度和角速度输出的移动轨迹信息；
调整模块，用于将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息；
确定模块，用于根据调整后的移动轨迹信息，确定所述待定位用户在所述信号遮挡区域的位置。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述定位方法、装置、计算机设备、存储介质和计算机程序产品，通过惯导模型基于用户在信号遮挡区域内移动时的加速度和角速度，输出用户的移动轨迹信息，并基于用户在信号遮挡区域的初始位置以及用户对应的初始方向角，调整移动轨迹，基于调整后的移动轨迹信息确定用户在信号遮挡区域的位置。相较于传统的通过多个积分进行用户的定位，本方案通过惯导模型，结合用户的加速度、角速度和初始方向角等参数，确定移动轨迹信息并对移动轨迹信息进行调整，提高了在信号遮挡区域内为用户进行定位的精确度。
附图说明
图1为一个实施例中定位方法的流程示意图；
图2为一个实施例中惯导模型的结构示意图；
图3为一个实施例中轨迹调整步骤的示意图；
图4为另一个实施例中定位方法的流程示意图；
图5为一个实施例中定位装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种定位方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，包括以下步骤：
步骤S202，检测到待定位用户进入信号遮挡区域时，获取待定位用户在信号遮挡区域的初始位置，并获取待定位用户对应的初始方向角；初始方向角基于待定位用户在初始位置时的设备方向与预设地理方位确定。
其中，待定位用户可以是需要为其进行定位的用户，例如正在使用导航的用户，用户可以手持上述终端进行导航，从而终端可以为用户进行定位。信号遮挡区域可以是处于非可视距内的区域，非可视距通信表示有障碍物的情况下，无线信号只能通过反射，散射和衍射方式到达接收端的通信。终端可以检测上述待定位用户是否进入信号遮挡区域，例如通过通信信号是否可视进行判断，终端检测到用户进入信号遮挡区域时，可以获取待定位用户在信号遮挡区域的初始位置。
其中，上述初始位置可以基于用户在可视距范围的最后位置进行确定。可视距表示无线信号无遮挡地在发信端与接收端之间传播。例如，在一个实施例中，终端可以获取待定位用户进入信号遮挡区域前的最后可视距位置，作为初始位置。其中，用户在可视距范围时，终端可以通过UWB(Ultra Wide Band，超宽带)为待定位用户提供定位信息，还可以通过5G定位为用户提供定位信息。超宽带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定位能精确到厘米，适合作为起始位置或位置修正用；5G定位适合作为起始位置或位置修正用。则上述最后可视距位置可以基于超宽带定位得到，也可以通过移动通信定位得到。
用户在使用终端进行定位时，会手持终端朝向其前进方向，此时终端的设备方向即可以是用户的前进方向。即终端还可以基于待定位用户在初始位置时终端的设备方向与预设地理方位，确定上述待定位用户对应的初始方向角。其中，预设地理方位可以是正南、正北、正西、正东等地理方位。例如，上述初始方向角可以基于待定位用户手持终端时的设备方向与正北方向的夹角得到。
步骤S204，检测到待定位用户在信号遮挡区域内的移动信息时，获取待定位用户对应的加速度和角速度。
其中，待定位用户可以在信号遮挡区域内进行移动，例如用户进入室内进行移动，此时终端可以检测待定位用户的移动信息，例如通过检测加速度来确定用户是否移动。若终端检测到待定位用户在信号遮挡区域内的移动信息，则终端可以获取待定位用户对应的加速度和角速度。其中，待定位用户的加速度和角速度可以通过终端中的IMU(InertialMeasurement Unit，惯性测量单元)进行检测。IMU可以设置在终端中，并且可以持续检测用户使用终端进行导航时，终端因用户动作产生的加速度和角速度。
步骤S206，将加速度和角速度输入经训练的惯导模型，获取惯导模型基于加速度和角速度输出的移动轨迹信息。
其中，经训练的惯导模型可以是一种AI惯导模型。终端可以将上述加速度和角速度输入经训练的惯导模型，从而惯导模型可以基于加速度和角速度识别待定位用户的用户轨迹后，输出对应的移动轨迹信息。其中，上述惯导模型可以基于角速度样本、加速度样本、位置变化标签信息和姿态变化标签信息进行训练。例如，终端利用待训练惯导模型，基于角速度样本和加速度样本识别位置变化预测信息和姿态变化预测信息，并通过预设损失函数，以及上述位置变化预测信息、位置变化标签信息、姿态变化预测信息和姿态变化标签信息，对待训练惯导模型进行训练。其中，惯导模型可以基于角速度识别用户的位置变化，基于加速度识别用户的姿态变化，进而惯导模型可以结合用户的位置变化和姿态变化，输出用户的移动轨迹信息。
步骤S208，将初始位置作为移动轨迹信息的起点，根据初始方向角调整移动轨迹信息。
其中，上述惯导模型输出的是待定位用户的移动轨迹信息，而确定用户的位置需要先确定用户的起点，则用户进入信号遮挡区域的初始位置可以作为移动轨迹信息的起点，需要说明的是，在一些实施例中，终端也可以将用户在可视距内的位置作为用户的起点，例如用户在可视距内触发导航请求时的位置，终端可以将其作为起点。
终端确定待定位用户的起点后，可以根据上述初始方向角调整移动轨迹信息。例如，惯导模型输出的移动轨迹信息可以是预设地理方位的信息，例如正南方向的移动轨迹信息，终端可以将待定位用户的起点确定为移动轨迹的起点，以该起点为圆心，基于上述初始方向角旋转移动轨迹信息，从而终端可以得到符合用户真实行进方向的移动轨迹信息。
步骤S210，根据调整后的移动轨迹信息，确定待定位用户在信号遮挡区域的位置。
其中，终端将上述惯导模型输出的移动轨迹信息进行基于初始方向角的调整后，可以得到待定位用户在上述信号遮挡区域内的行进轨迹。从而终端可以根据调整后的移动轨迹信息，确定待定位用户在信号遮挡区域内的位置。例如，在终端确定待定位用户的起点后，可以从起点出发，按照调整后的移动轨迹导到轨迹的终点，从而终端可以将该终点作为待定位用户在上述信号遮挡区域的位置。具体地，待定位用户的位置可以是以坐标形式呈现。终端可以在确定待定位用户的坐标后，显示待定位用户所在的位置。在一些实施例中，终端可以在用户停止移动达到预设时长后，进行上述移动轨迹信息和用户位置的确定，也可以在用户移动过程中实时更新用户的移动轨迹信息和用户的位置。
上述定位方法中，通过惯导模型基于用户在信号遮挡区域内移动时的加速度和角速度，输出用户的移动轨迹信息，并基于用户在信号遮挡区域的初始位置以及用户对应的初始方向角，调整移动轨迹，基于调整后的移动轨迹信息确定用户在信号遮挡区域的位置。相较于传统的通过多个积分进行用户的定位，本方案通过惯导模型，结合用户的加速度、角速度和初始方向角等参数，确定移动轨迹信息并对移动轨迹信息进行调整，提高了在信号遮挡区域内为用户进行定位的精确度。
在一个实施例中，将加速度和角速度输入经训练的惯导模型，包括：将加速度和角速度输入经训练的惯导模型，由惯导模型获取加速度在各坐标轴方向上的加速度分量，并基于各坐标轴方向的加速度分量确定位置变化信息，以及基于角速度确定姿态变化信息；根据位置变化信息和姿态变化信息，输出移动轨迹信息。
本实施例中，终端采集的用户的加速度包括多个方向的加速度，由于地球重力的原因，重力加速度也会被终端采集到，因此终端可以通过上述惯导模型，对加速度进行重力转换，从而消除重力因素对加速度的影响。其中，上述加速度可以被分为多个坐标轴的加速度分量。终端可以将上述加速度和角速度输入经训练的惯导模型，由惯导模型获取加速度在各坐标轴方向上的加速度分量，从而惯导模型可以基于各坐标轴方向的加速度分量，确定位置变化信息，以及基于上述角速度，确定姿态变化信息。
其中，终端可以通过惯导模型，基于预设的函数对上述加速度进行重力转换。例如，在一个实施例中，上述加速度包括多个时刻的加速度，例如用户在移动过程中，终端可以按照预设周期采集得到多个时刻的加速度，从而各个加速度对应的重力转换值可以有多个，其中，重力转换值表示因地球重力产生的加速度。终端可以获取上一时刻的重力转换值与预设系数的第一乘积，其中，若此时的加速度为第一次采集的加速度，则该乘积可以为零。终端还可以获取一与上述预设系数的差值。其中，该预设系数可以根据实际情况进行设定。
上述各个时刻的加速度在各坐标轴上具有相应的加速度分量。例如坐标轴可以包括横坐标轴x轴，纵坐标轴y轴和竖轴z轴等。终端可以获取上一时刻的加速度在各坐标轴方向上的原始加速度分量，并获取上一时刻的各原始加速度分量与上述差值的第二乘积。其中，若此时的加速度为第一次采集的加速度，则该乘积可以为零。终端可以获取上述第一乘积与第二乘积的和，进而根据该和确定当前时刻的重力转换值。终端可以根据当前时刻的重力转换值与当前时刻的各原始加速度分量的差值，得到上述当前时刻的加速度在各坐标轴方向上的加速度分量。
具体地，上述x，y，z坐标轴方向的加速度可以分别表示为Ax，Ay，Az；上述x，y，z坐标轴方向的角速度可以分别表示为Gx，Gy，Gz。x，y，z坐标轴位置变化信息可以分别表示为DeltaX，DeltaY，DeltaZ；各坐标轴方向的姿态变化信息可以分别表示为DeltaQx，DeltaQy，DeltaQz，DeltaQw。终端可以将Ax，Ay，Az进行重力转换。转换函数可以如下所示：Ax＝Ax-G(i)，G(i)＝a*G(i-1)+(1-a)*Ax，a＝0.8。其中，终端可以对Ay，Az采用相同函数进行转换。上述G(i)表示第i时刻的重力转换后的值，即上述重力转换值，其获取函数可以如下所示：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，即上述预设系数，其数值可以根据实际情况进行设定，例如可以为0.8。上述G(0)的值可以为0。从而终端可以通过惯导模型，结合上述函数，得到x轴的加速度分量Ax＝Ax(k)-G(k)。即第k时刻的原始加速度分量减去第k时刻的重力转换值。对于y轴和z轴的加速度分量，终端可以采用与x轴相同的函数进行获取。
终端得到上述各个坐标轴方向的加速度分量和各坐标轴方向的角速度分量后，可以由惯导模型基于上述各加速度分量和各角速度分量，分别识别位置变化信息和姿态变化信息，从而惯导模型可以根据位置变化信息和姿态变化信息，输出移动轨迹信息。其中，上述惯导模型可以是一种卷积神经网络模型，终端可以由惯导模型对上述加速度分量和角速度分量的识别信息进行卷积，并将卷积结果串联作为双向LSTM(Long Short-Term Memory，长短期记忆网络)输入，从而通过LSTM识别并输出位置变化信息和姿态变化信息。从而终端可以通过惯导模型，基于上述位置变化信息和姿态变化信息，输出待定位用户的移动轨迹信息。
通过上述实施例，终端可以基于惯导模型对多个坐标轴方向的加速度分量和角速度，分别确定用户的位置变化信息和姿态变化信息，从而可以基于位置变化信息和姿态变化信息确定待定位用户的移动轨迹信息，提高了在信号遮挡区域内对待定位用户进行定位的准确度。
在一个实施例中，还包括：获取加速度样本、角速度样本，以及对应的位置变化标签信息和姿态变化标签信息；将加速度样本和角速度样本输入待训练的惯导模型，由待训练的惯导模型基于加速度样本确定位置变化预测信息，基于角速度样本确定姿态变化预测信息，并根据位置变化预测信息和姿态变化预测信息输出移动轨迹预测信息；将移动轨迹预测信息、位置变化标签信息和姿态变化标签信息输入预设损失函数，根据预设损失函数的输出值，调整待训练的惯导模型的模型参数，并返回将加速度样本和角速度样本输入待训练的惯导模型的步骤，直至满足预设训练结束条件时，得到经训练的惯导模型。
本实施例中，终端可以预先对待训练的惯导模型进行训练，得到经训练的惯导模型。训练时，终端可以获取加速度样本、角速度样本，以及加速度样本对应的位置变化标签信息和角速度样本对应的姿态变化标签信息。终端可以将加速度样本和角速度样本输入待训练的惯导模型，由待训练的惯导模型基于加速度样本确定位置变化预测信息，以及基于角速度样本确定姿态变化预测信息。从而待训练的惯导模型基于位置变化预测信息和姿态变化信息，输出移动轨迹预测信息。
具体地，终端可以通过预处理，将移动轨迹标签信息对应的位置变化量和姿态变化量作为标签。上述惯导模型中可以包括LSTM，由待训练的惯导模型基于加速度样本确定位置变化，基于角速度样本确定姿态变化，从而将基于加速度样本的识别和基于角速度样本的识别进行卷积，将卷积结果串联后，作为LSTM的输入。其中，终端可以预先设置预设大小的采样频率，从而终端可以将数组长度为上述采样频率的加速度样本，以及数组长度为上述采样频率的角速度样本输入待训练的惯导模型，并获取数组长度为采样频率的一半的位置变化标签信息以及数组长度为采样频率的姿态变化标签信息，并利用这些数据训练上述待训练的惯导模型。
终端得到上述待训练的惯导模型输出的移动轨迹预测信息后，移动轨迹预测信息包含位置变化预测信息和姿态变化预测信息，终端可以将移动轨迹预测信息、位置变化标签信息和姿态变化标签信息输入预设损失函数，并根据预设损失函数的输出值，调整待训练的惯导模型的模型参数，并返回将加速度样本和角速度样本输入待训练的惯导模型的步骤，进行下一次的训练，直至满足预设训练结束条件时，得到经训练的惯导模型。其中，终端可以对待训练的惯导模型进行多次训练，预设训练结束条件可以是在预设训练次数内，上述预设损失函数的函数值小于预设函数阈值，或上述待训练的惯导模型的训练次数达到上述预设训练次数。
其中，上述预设损失函数可以包含位置变化预测信息、姿态变化预测信息，以及位置变化标签信息和姿态变化标签信息等参数。例如，在一个实施例中，终端将上述信息输入预设损失函数时，可以将移动轨迹预测信息对应的位置变化预测信息和姿态变化预测信息，输入预设损失函数。在预设损失函数中，终端可以获取位置变化预测信息的对数方差的第一指数，获取位置变化预测信息与位置变化标签信息的差值对应的绝对值均差，以及获取位置变化预测信息的对数方差；终端还可以获取第一指数与绝对值均差的第三乘积；获取姿态变化预测信息的对数方差的第二指数，获取一减姿态变化标签信息的第四差值，并获取第四差值与姿态变化预测信息的点积的绝对值；获取第二指数和绝对值的第五乘积，从而终端可以根据第三乘积、对数方差以及第五乘积的和，得到预设损失函数的输出值。
具体地，如图2所示，图2为一个实施例中惯导模型的结构示意图。上述惯导模型的网络结构可以是keras机器学习框架。终端可以定义采样频率为frequence，惯导模型中包括多个卷积层Conv1D，对于上述加速度样本A和角速度样本G，终端可以将上述加速度样本和角速度样本输入惯导模型，模型结构可以如下所示：
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表示卷积神经网络中的神经元，pool表示池化层，drop表示全连接层，neurons＝frequence*1.6，frequence为采样频率，p为位置变化，q表示姿态变化。
终端可以通过自定义的多任务预设损失函数判断输出结果的效果，并通过多次调整确定出使位置变化信息和姿态变化信息最优的模型权重。其中，预设损失函数具体可以如下所示：
exp(-log_vars(t1))*mae(pred(t1)-true(t1)+log_vars(t1)+exp(-log_vars(t2))*(1-ab s(batch_dot(y_true(t2),y_pred(t2))))；其中，t1表示位置变化信息，t2表示姿态变化信息，true()表示标签信息，pred()表示预测信息；上述预设损失函数中的exp、mae、abs、batch_dot均为keras框架的标准函数。具体地，Exp表示指数计算；Mae表示绝对值均差；abs表示绝对值函数；Batch_dot表示点积。即预设损失函数的运算过程为：t1的对数方差的指数，乘以t1的预测信息减去t1的标签后的绝对值均差再加上t1的对数方差，加上t1的对数方差的指数乘以1减t2的标签信息和t2预测信息的点积后的绝对值。终端可以基于上述损失函数对待训练的惯导模型进行模型参数的调整，从而得到使位置变化信息和姿态变化信息最优的模型权重参数，得到经训练的惯导模型。
通过上述实施例，终端可以通过多个预测信息和标签信息，以及预设损失函数，对待训练的惯导模型进行训练，从而终端可以基于经训练的惯导模型进行位置识别，提高了在信号遮挡区域内进行用户定位的准确度。
在一个实施例中，将初始位置作为移动轨迹信息的起点，根据初始方向角调整移动轨迹信息，包括：获取初始位置对应的初始坐标点，根据初始坐标点，确定移动轨迹信息中各坐标点的坐标值；针对移动轨迹信息中的每个坐标点，根据该坐标点的横坐标值与初始方向角的余弦值的乘积，以及该坐标点的纵坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标横坐标值；根据该坐标点的纵坐标值与初始方向角的余弦值的乘积，以及该坐标点的横坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标纵坐标值；根据目标横坐标值和目标纵坐标值，确定该坐标点对应的调整后的目标坐标点；根据多个目标坐标点，得到调整后的移动轨迹信息。
本实施例中，终端通过上述惯导模型的输出，可以得到终端的位置变化，即上述移动轨迹信息，终端可以对移动轨迹信息进行调整，使其符合用户的移动方向。例如，终端可以基于上述移动轨迹信息创建坐标系，终端可以获取上述待定位用户的初始位置，获取初始位置对应的初始坐标点，由于初始位置即为移动轨迹信息的起点，因此终端可以基于初始坐标点，确定移动轨迹信息中各坐标点的坐标值。终端可以获取上述初始方向角的余弦值，对于移动轨迹信息中的每个坐标点，终端可以根据该坐标点的横坐标值和初始方向角的余弦值的乘积，以及该坐标点的纵坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标横坐标值。对于纵坐标值，终端可以根据该坐标点的纵坐标值与初始方向角的余弦值的乘积，以及该坐标点的横坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标纵坐标值。
从而终端可以根据上述目标横坐标值和目标纵坐标值，确定该坐标点对应的调整后的坐标点。终端可以对上述移动轨迹信息中的每个坐标点均进行上述调整，从而终端可以根据多个目标坐标点，得到调整后的移动轨迹信息。
具体地，如图3所示，图3为一个实施例中轨迹调整步骤的示意图。其中轨迹300为惯导模型输出的移动轨迹信息，轨迹302为调整后的移动轨迹信息，304表示用户在初始位置时，设备正前方与正北方向的初始方向角。上述轨迹调整，具体可以是一种旋转调整。终端通过上述惯导模型，基于加速度信息和角速度信息确定终端的xy坐标偏移量，并输出正南方向的移动轨迹信息，从而终端可以根据上述初始位置，以及终端在初始位置的正前方与正北方向形成初始的初始方向角，作为惯导模型的初始值，终端可以基于上述初始方向角对移动轨迹信息进行旋转，得到调整后的真实移动轨迹信息。终端根据初始方向角对移动轨迹信息进行旋转的函数可以如下所示：x`＝xcosθ+ysinθ；
y`＝ycosθ–xsinθ。其中，θ为初始方向角；x、y为惯导模型输出的移动轨迹信息中各点的坐标，x`、y`为旋转后坐标。
通过本实施例，终端可以基于待定位用户实时的初始方向角对移动轨迹信息进行旋转，从而得到待定位用户的真实移动轨迹信息，进而提高在信号遮挡区域内为用户提供定位的准确度。
在一个实施例中，获取待定位用户对应的初始方向角，包括：获取待定位用户的设备正前方，作为设备方向；将正北方向作为预设地理方位，根据设备正前方与正北方向的夹角，确定待定位用户的初始方向角。
本实施例中，终端可以实时获取待定位用户在移动时，到达各个位置时的坐标点。对于移动轨迹上的每个坐标点，终端可以获取待定位用户在初始位置时，终端的设备正前方，将设备正前方作为设备方向；终端还可以将正北方向作为预设地理方位，从而终端可以根据上述设备正前方与正北方向的夹角，确定待定位用户的初始方向角。终端可以在待定位用户移动到任意位置时，均基于初始方向角对惯导模型输出的移动轨迹信息进行旋转，得到真实的移动轨迹信息。
通过本实施例，终端可以基于设备正前方和正北方向确定待定位用户的初始方向角，从而终端可以基于初始方向角得到用户的真实移动轨迹信息，提高了在信号遮挡区域内为用户提供定位的准确度。
在一个实施例中，如图4所示，图4为另一个实施例中定位方法的流程示意图。本实施例中，终端可以在可视距下获得5G或UWB定位位置，作为AI惯性导航的起始位置，即上述初始位置。终端还可以基于待定位用户在初始位置的设备正前方与正北方向的夹角，确定初始方向角。
用户移动过程中，终端可以通过IMU采集传感器数据、视觉数据等，得到终端的加速度、角速度。上述惯导模型也可以被称为AI惯导模型，终端基于加速度样本、角速度样本、位置变化标签信息和姿态变化标签信息训练得到AI惯导模型。例如基于预设损失函数进行训练，确定模型的最优权重参数，得到经训练的AI惯导模型。
终端可以将上述采集到的加速度和角速度输入经训练的AI惯导模型。AI惯导模型可以基于加速度识别和角速度识别进行卷积，卷积结果叠加后输入双向LSTM，并输出正南方向的移动轨迹信息，也可以被称为AI惯导轨迹。由于待定位用户在信号遮挡区域，例如室内。则终端可以将惯导轨迹基于初始方向角进行旋转调整，得到调整后的移动轨迹信息，从而终端可以基于调整后的移动轨迹信息为待定位用户提供其位置信息。
通过上述实施例，终端惯导模型，结合用户的加速度、角速度和初始方向角等参数，确定移动轨迹信息并对移动轨迹信息进行调整，提高了在信号遮挡区域内为用户进行定位的精确度。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的定位方法的定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个定位装置实施例中的具体限定可以参见上文中对于定位方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种定位装置，包括：第一检测模块500、第二检测模块502、输入模块504、调整模块506和确定模块508，其中：
第一检测模块500，用于检测到待定位用户进入信号遮挡区域时，获取待定位用户在信号遮挡区域的初始位置，并获取待定位用户对应的初始方向角；初始方向角基于待定位用户在初始位置时的设备方向与预设地理方位确定。
第二检测模块502，用于检测到待定位用户在信号遮挡区域内的移动信息时，获取待定位用户对应的加速度和角速度。
输入模块504，用于将加速度和角速度输入经训练的惯导模型，获取惯导模型基于加速度和角速度输出的移动轨迹信息。
调整模块506，用于将初始位置作为移动轨迹信息的起点，根据初始方向角调整移动轨迹信息。
确定模块508，用于根据调整后的移动轨迹信息，确定待定位用户在信号遮挡区域的位置。
在一个实施例中，上述输入模块504，用于将加速度和角速度输入经训练的惯导模型，由惯导模型获取加速度在各坐标轴方向上的加速度分量，并基于各坐标轴方向的加速度分量确定位置变化信息，以及基于角速度确定姿态变化信息；根据位置变化信息和姿态变化信息，输出移动轨迹信息。
在一个实施例中，上述输入模块504，用于获取上一时刻的重力转换值与预设系数的第一乘积，以及获取一与预设系数的差值；获取上一时刻的加速度在各坐标轴方向上的原始加速度分量，并获取上一时刻的各原始加速度分量与差值的第二乘积；根据第一乘积与第二乘积的和，确定当前时刻的重力转换值；根据当前时刻的重力转换值与当前时刻的各原始加速度分量的差值，得到加速度在各坐标轴方向上的加速度分量。
在一个实施例中，上述装置还包括：训练模块，用于获取加速度样本、角速度样本，以及对应的位置变化标签信息和姿态变化标签信息；将加速度样本和角速度样本输入待训练的惯导模型，由待训练的惯导模型基于加速度样本确定位置变化预测信息，基于角速度样本确定姿态变化预测信息，并根据位置变化预测信息和姿态变化预测信息输出移动轨迹预测信息；将移动轨迹预测信息、位置变化标签信息和姿态变化标签信息输入预设损失函数，根据预设损失函数的输出值，调整待训练的惯导模型的模型参数，并返回将加速度样本和角速度样本输入待训练的惯导模型的步骤，直至满足预设训练结束条件时，得到经训练的惯导模型。
在一个实施例中，上述训练模块，用于将位置变化预测信息和姿态变化预测信息输入预设损失函数；获取位置变化预测信息的对数方差的第一指数，获取位置变化预测信息与位置变化标签信息的差值对应的绝对值均差，以及获取位置变化预测信息的对数方差；获取第一指数与绝对值均差的第三乘积；获取姿态变化预测信息的对数方差的第二指数，获取一减姿态变化标签信息的第四差值，并获取第四差值与姿态变化预测信息的点积的绝对值；获取第二指数和绝对值的第五乘积，根据第三乘积、对数方差以及第五乘积的和，得到预设损失函数的输出值。
在一个实施例中，上述调整模块506，用于获取初始位置对应的初始坐标点，根据初始坐标点，确定移动轨迹信息中各坐标点的坐标值；针对移动轨迹信息中的每个坐标点，根据该坐标点的横坐标值与初始方向角的余弦值的乘积，以及该坐标点的纵坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标横坐标值；根据该坐标点的纵坐标值与初始方向角的余弦值的乘积，以及该坐标点的横坐标值与初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标纵坐标值；根据目标横坐标值和目标纵坐标值，确定该坐标点对应的调整后的目标坐标点；根据多个目标坐标点，得到调整后的移动轨迹信息。
在一个实施例中，上述第一检测模块500，用于获取待定位用户进入信号遮挡区域前的最后可视距位置，作为初始位置；最后可视距位置基于超宽带定位和/或移动通信定位得到。
在一个实施例中，上述第一检测模块500，用于获取待定位用户在初始位置的设备正前方，作为设备方向；将正北方向作为预设地理方位，根据设备正前方与正北方向的夹角，确定待定位用户的初始方向角。
上述定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种定位方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的定位方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的定位方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的定位方法。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种定位方法，其特征在于，所述方法包括：
检测到待定位用户进入信号遮挡区域时，获取所述待定位用户在所述信号遮挡区域的初始位置，并获取所述待定位用户对应的初始方向角；所述初始方向角基于所述待定位用户在所述初始位置时的设备方向与预设地理方位确定；
检测到所述待定位用户在所述信号遮挡区域内的移动信息时，获取所述待定位用户对应的加速度和角速度；
将所述加速度和角速度输入经训练的惯导模型，获取所述惯导模型基于所述加速度和角速度输出的移动轨迹信息；
将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息；
根据调整后的移动轨迹信息，确定所述待定位用户在所述信号遮挡区域的位置。
2.根据权利要求1所述的方法，其特征在于，所述将所述加速度和角速度输入经训练的惯导模型，包括：
将所述加速度和角速度输入经训练的惯导模型，由所述惯导模型获取所述加速度在各坐标轴方向上的加速度分量，并基于各坐标轴方向的加速度分量确定位置变化信息，以及基于所述角速度确定姿态变化信息；
根据所述位置变化信息和所述姿态变化信息，输出移动轨迹信息。
3.根据权利要求2所述的方法，其特征在于，所述加速度包括多个时刻的加速度；
所述获取所述加速度在各坐标轴方向上的加速度分量，包括：
获取上一时刻的重力转换值与预设系数的第一乘积，以及获取一与所述预设系数的差值；
获取上一时刻的加速度在各坐标轴方向上的原始加速度分量，并获取上一时刻的各原始加速度分量与所述差值的第二乘积；
根据所述第一乘积与所述第二乘积的和，确定当前时刻的重力转换值；
根据当前时刻的重力转换值与当前时刻的各原始加速度分量的差值，得到所述加速度在各坐标轴方向上的加速度分量。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取加速度样本、角速度样本，以及对应的位置变化标签信息和姿态变化标签信息；
将所述加速度样本和角速度样本输入待训练的惯导模型，由所述待训练的惯导模型基于所述加速度样本确定位置变化预测信息，基于所述角速度样本确定姿态变化预测信息，并根据所述位置变化预测信息和姿态变化预测信息输出移动轨迹预测信息；
将所述移动轨迹预测信息、所述位置变化标签信息和姿态变化标签信息输入预设损失函数，根据所述预设损失函数的输出值，调整所述待训练的惯导模型的模型参数，并返回将所述加速度样本和角速度样本输入待训练的惯导模型的步骤，直至满足预设训练结束条件时，得到经训练的惯导模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述移动轨迹预测信息、所述位置变化标签信息和姿态变化标签信息输入预设损失函数，包括：
将所述位置变化预测信息和所述姿态变化预测信息输入所述预设损失函数；
获取所述位置变化预测信息的对数方差的第一指数，获取所述位置变化预测信息与所述位置变化标签信息的差值对应的绝对值均差，以及获取所述位置变化预测信息的对数方差；
获取所述第一指数与所述绝对值均差的第三乘积；
获取所述姿态变化预测信息的对数方差的第二指数，获取一减所述姿态变化标签信息的第四差值，并获取所述第四差值与所述姿态变化预测信息的点积的绝对值；
获取所述第二指数和所述绝对值的第五乘积，根据所述第三乘积、所述对数方差以及所述第五乘积的和，得到所述预设损失函数的输出值。
6.根据权利要求1所述的方法，其特征在于，所述将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息，包括：
获取所述初始位置对应的初始坐标点，根据所述初始坐标点，确定所述移动轨迹信息中各坐标点的坐标值；
针对所述移动轨迹信息中的每个坐标点，根据该坐标点的横坐标值与所述初始方向角的余弦值的乘积，以及该坐标点的纵坐标值与所述初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标横坐标值；
根据该坐标点的纵坐标值与所述初始方向角的余弦值的乘积，以及该坐标点的横坐标值与所述初始方向角的正弦值的乘积，确定该坐标点对应的调整后的目标纵坐标值；
根据所述目标横坐标值和所述目标纵坐标值，确定该坐标点对应的调整后的目标坐标点；
根据多个目标坐标点，得到调整后的移动轨迹信息。
7.根据权利要求1所述的方法，其特征在于，所述获取所述待定位用户在所述信号遮挡区域的初始位置，包括：
获取所述待定位用户进入所述信号遮挡区域前的最后可视距位置，作为所述初始位置；所述最后可视距位置基于超宽带定位和/或移动通信定位得到。
8.根据权利要求1所述的方法，其特征在于，所述获取所述待定位用户对应的初始方向角，包括：
获取所述待定位用户在所述初始位置的设备正前方，作为设备方向；
将正北方向作为所述预设地理方位，根据所述设备正前方与所述正北方向的夹角，确定所述待定位用户的初始方向角。
9.一种定位装置，其特征在于，所述装置包括：
第一检测模块，用于检测到待定位用户进入信号遮挡区域时，获取所述待定位用户在所述信号遮挡区域的初始位置，并获取所述待定位用户对应的初始方向角；所述初始方向角基于所述待定位用户在所述初始位置时的设备方向与预设地理方位确定；
第二检测模块，用于检测到所述待定位用户在所述信号遮挡区域内的移动信息时，获取所述待定位用户对应的加速度和角速度；
输入模块，用于将所述加速度和角速度输入经训练的惯导模型，获取所述惯导模型基于所述加速度和角速度输出的移动轨迹信息；
调整模块，用于将所述初始位置作为所述移动轨迹信息的起点，根据所述初始方向角调整所述移动轨迹信息；
确定模块，用于根据调整后的移动轨迹信息，确定所述待定位用户在所述信号遮挡区域的位置。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310821999.5A 2023-07-05 2023-07-05 定位方法、装置、计算机设备和存储介质 Pending CN116989790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310821999.5A CN116989790A (zh) 2023-07-05 2023-07-05 定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310821999.5A CN116989790A (zh) 2023-07-05 2023-07-05 定位方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116989790A true CN116989790A (zh) 2023-11-03

Family

ID=88525718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310821999.5A Pending CN116989790A (zh) 2023-07-05 2023-07-05 定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116989790A (zh)

Similar Documents

Publication Publication Date Title
CN112567201B (zh) 距离测量方法以及设备
EP3361278B1 (en) Autonomous vehicle localization based on walsh kernel projection technique
US11365972B2 (en) Performing navigation tasks using grid codes
CN103063143B (zh) 基于图像识别的测量方法及其系统
CN110163889A (zh) 目标跟踪方法、目标跟踪装置、目标跟踪设备
CN109084732A (zh) 定位与导航方法、装置及处理设备
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
CN108318043A (zh) 用于更新电子地图的方法、装置和计算机可读存储介质
CN112304330B (zh) 展示车辆的行驶状态的方法以及电子设备
CN106814753B (zh) 一种目标位置矫正方法、装置及系统
CN111959495B (zh) 车辆的控制方法、装置及车辆
CN103310188A (zh) 用于姿态识别的方法和设备
CN112085789A (zh) 位姿估计方法、装置、设备及介质
CN114323033A (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
CN114859938A (zh) 机器人、动态障碍物状态估计方法、装置和计算机设备
CN110515110A (zh) 数据评估的方法、装置、设备和计算机可读存储介质
CN111693051B (zh) 一种基于光电传感器的多目标数据关联方法
CN116989790A (zh) 定位方法、装置、计算机设备和存储介质
CN115540854A (zh) 一种基于uwb辅助的主动定位方法、设备和介质
CN107632966A (zh) 运动轨迹确定方法及电子设备
CN113449265A (zh) 一种基于堆叠lstm的腰载式航向角计算方法
CN113566828A (zh) 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统
CN116558513B (zh) 室内终端定位方法、装置、设备及介质
CN116045971A (zh) 姿态估计方法、装置和系统
CN117015719A (zh) 用于确定刚体的运动状态的方法

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