CN117405127A - 一种基于车载5g天线的导航方法、系统、设备及介质 - Google Patents
一种基于车载5g天线的导航方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117405127A CN117405127A CN202311453413.0A CN202311453413A CN117405127A CN 117405127 A CN117405127 A CN 117405127A CN 202311453413 A CN202311453413 A CN 202311453413A CN 117405127 A CN117405127 A CN 117405127A
- Authority
- CN
- China
- Prior art keywords
- grid
- vehicle
- target
- map
- navigation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000013439 planning Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
Abstract
本发明涉及车辆导航技术领域，揭露了一种基于车载5G天线的导航方法、系统、设备及介质，所述方法包括：利用多个5G基站天线的接收信号强度集及到达时间集对预构建的多层卷积神经网络进行训练，得到定位模型；获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据特征数据集生成目标特征图，利用定位模型计算所述目标特征图对应的车辆位置；根据导航目的地及车辆位置构建路网栅格地图，对路网栅格地图进行区域筛选，得到目标栅格地图；根据目标栅格地图计算导航目的地的最优路径，根据最优路径对目标车辆进行导航。本发明可以提高基于车载5G天线的导航精确度。
Description
技术领域
本发明涉及车辆导航技术领域，尤其涉及一种基于车载5G天线的导航方法、系统、设备及介质。
背景技术
在现阶段的日常出行中，使用车辆作为出行工具成为越来越多人的选择。车载导航系统作为代替传统的地图以及依靠大脑记忆等导航方式的最佳选择，为人们出行提供了极大的便捷。全球导航卫星系统(Global Navigation Satellite System,GNSS)在室外具有高精度，全覆盖等优点，大多数车辆安装(Global Positioning System,GPS)芯片，但是获取GPS定位结果需要用户许可，具有一定的被动性，在遮挡严重的城市区域，GNSS卫星信号衰落，几乎不能正常工作。为了弥补GNSS的不足并且无需额外铺设大量专用定位硬件，可以利用现有的蜂窝网络进行定位服务。
从第一代(First Generation,1G)到第五代(Fifth Generation,5G)移动通信系统都有定位相关的研究，随着第五代移动通信系统的普及，“5G+工业互联网”体系正稳步推进，无线定位系统通过将信号特征映射到空间位置来估计移动终端的位置，常用的定位方法有基于测距，角度，邻近性以及指纹的定位。但受限于5G信道状态信息(Channel StateInformation,CSI)提取的难度与准确性，定位系统难以获得精确的时间和角度测量，进而导致导航的精确度较差。
发明内容
本发明提供一种基于车载5G天线的导航方法、系统、设备及介质，其主要目的在于解决基于车载5G天线的导航时准确度较低的问题。
为实现上述目的，本发明提供的一种基于车载5G天线的导航方法，包括：
采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
可选地，所述将所述到达时间集转换为信号相位数据集，包括：
获取所述到达时间集中每个到达时间对应的5G信号频率；
根据所述5G信号频率计算每个所述到达时间的信号相位数据，得到信号相位数据集；
利用如下公式计算信号相位数据：
其中，表示信号相位数据，f表示所述5G信号频率，t表示所述到达时间，/>表示所述5G信号频率预设的初始相位。
可选地，所述根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点，包括：
分别对所述信号相位数据集及所述接收信号强度集进行数据归一化，得到归一化相位数据及归一化强度数据；
将所述归一化相位数据及所述归一化强度数据映射到预设的色彩空间范围，得到像素点色彩值；
根据所述像素点色彩值构建每个所述5G基站天线的特征像素点。
可选地，所述利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型，包括：
利用所述多层卷积神经网络对所述特征图集进行预测，得到所述特征图集中每个特征图的预测位置；
获取每个所述特征图的采集位置，根据所述预测位置及所述采集位置计算所述特征图集的预测准确度；
根据所述预测准确度对所述多层卷积神经网络中的网络参数进行调整，直至所述预测准确度大于预设阈值，得到定位模型。
可选地，所述根据所述导航目的地及所述车辆位置构建路网栅格地图，包括：
根据所述导航目的地及所述车辆位置采集目标地图，对所述目标地图进行栅格划分，得到栅格地图；
识别所述目标地图中的不可通行区域，根据所述不可通行区域对所述栅格地图进行标记，得到路网栅格地图。
可选地，所述根据所述目标栅格地图计算所述导航目的地的最优路径，包括：
确定目标栅格地图中的起始栅格以及目标栅格，将所述起始栅格作为当前栅格；
计算所述目标栅格地图中每个栅格相对于所述目标栅格的方向权重矩阵，在所述目标栅格地图中选取所述当前栅格的相邻可用栅格集合；
计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，选取所述选择概率最大的相邻可用栅格更新当前栅格，直至更新的当前栅格为目标栅格，根据选取的当前栅格确定规划路径；
计算所述规划路径的路径长度，根据所述路径长度对所述方向权重矩阵进行更新，并在所述相邻可用栅格集合中选取可用栅格作为当前栅格进行规划路径迭代，直至所述规划路径的数量达到阈值，得到规划路径集；
从所述规划路径集中选取路径长度最短的路径作为所述导航目的地的最优路径。
可选地，所述计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，包括：
根据每个所述相邻可用栅格的可行方向确定可行相关性；
计算每个所述相邻可用栅格对应的方向权重矩阵的方向向量；
根据所述可行相关性及所述方向向量计算每个所述相邻可用栅格的选择概率；
利用如下公式计算每个所述相邻可用栅格的选择概率：
其中，Ps表示相邻可用栅格s的选择概率，P(s)、W(s)分别表示第s个相邻可用栅格可行相关性及方向向量，P(z)、W(z)分别表示第z个相邻可用栅格可行相关性及方向向量，V表示相邻可用栅格集合。
为了解决上述问题，本发明还提供一种基于车载5G天线的导航系统，所述系统包括：
特征像素点构建模块，用于采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
定位模型训练模块，用于根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
车辆位置计算模块，用于获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
目标栅格地图生成模块，用于根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
车辆导航模块，用于根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于车载5G天线的导航方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于车载5G天线的导航方法。
本发明实施例通过信号相位数据集及接收信号强度集训练定位模型能够得到不同的特征数据构成的特征像素点，使得定位不限制于5G信道状态信息，进而能够提高后续定位的定位准确度；利用定位模型对目标车辆进行进行更精确的定位，以提高后续路径规划的准确度；根据目标车辆的导航目的地及车辆位置构建路网栅格地图，并进行区域筛选，得到目标栅格地图，能够去除路网栅格地图中的无用的多余栅格，避免无用栅格对路径规划的干扰，提高路径规划的效率以及准确度；计算目标栅格地图的最优路径对目标车辆进行导航，能够在定位精确的基础上提高车辆导航的精确度，实现目标车辆的精确导航。因此本发明提出的基于车载5G天线的导航方法、系统、设备及介质，可以解决基于车载5G天线的导航时准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于车载5G天线的导航方法的流程示意图；
图2为本发明一实施例提供的计算多源数据集中每个数据的数据密度及距离变化率的流程示意图；
图3为本发明一实施例提供的构建特征像素点的流程示意图；
图4为本发明一实施例提供的基于车载5G天线的导航系统的功能模块图；
图5为本发明一实施例提供的实现所述基于车载5G天线的导航方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于车载5G天线的导航方法。所述基于车载5G天线的导航方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于车载5G天线的导航方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于车载5G天线的导航方法的流程示意图。在本实施例中，所述基于车载5G天线的导航方法包括：
S1、采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点。
本发明实施例中，5G基站天线的位置是固定的，但是在不同的定位位置利用5G设备天线向5G基站发送信号后所采集的特征数据不同，例如，接收信号强度集是不同位置在不同时刻向多个5G基站发送信号所采集的接收信号强度(Received Signal StrengthIndicator，RSSI)数据；到达时间集是不同位置在不同时刻向多个5G基站天线发送信号所采集到的到达时间数据(Time of Arrival，TOA)，例如，在位置1上采集多个不同时刻5G基站所返回的每个5G基站天线的接受信号强度以及到达时间。
本发明实施例中，信号相位数据是对于每个5G天线的信号波在特定的时刻在信号波循环中的位置，相位描述5G信号波形变化的度量，通常以度(角度)作为单位。本发明实施例可以利用每个5G天线的频率以及到达时间计算得到。
本发明实施例中，所述将所述到达时间集转换为信号相位数据集，包括：
获取所述到达时间集中每个到达时间对应的5G信号频率；
根据所述5G信号频率计算每个所述到达时间的信号相位数据，得到信号相位数据集。
本发明实施例中，所述根据所述5G信号频率计算每个所述到达时间的信号相位数据，包括：
利用如下公式计算信号相位数据：
其中，表示信号相位数据，f表示所述5G信号频率，t表示所述到达时间，/>表示所述5G信号频率预设的初始相位。
本发明实施例中，所述特征像素点是根据信号相位数据以及接收信号强度作为像素点的在RGB空间中的R值和G值，B值可以用预设的固定值，进而可以构建根据相位数据以及接收信号强度构建特征像素点。
本发明实施例中，参阅图2所示，所述根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点，包括：
S21、分别对所述信号相位数据集及所述接收信号强度集进行数据归一化，得到归一化相位数据及归一化强度数据；
S22、将所述归一化相位数据及所述归一化强度数据映射到预设的色彩空间范围，得到像素点色彩值；
S23、根据所述像素点色彩值构建每个所述5G基站天线的特征像素点。
本发明实施例中，将信号相位数据集及接收信号强度集中的每个数据进行数据归一化后，可将每个归一化数据与255相乘，从而预设的色彩空间范围，得到在RGB空间中的R值和G值，B值用预设的固定值，以构建每个5G基站天线在不同时刻由不同的接收信号以及信号相位数据构建的特征像素点。
本发明实施例中，通过特征像素点能够将每个定位位置在5G基站天线采集的数据组合起来，以综合地对信号相位数据以及接收信号强度进行计算，提高后续计算的精确度。
本发明实施例中，通过信号相位数据集及接收信号强度集构建特征像素点能够得到不同的特征数据构成的特征像素点，同时不限制于5G信道状态信息，进而能够提高后续定位的定位准确度。
S2、根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型。
本发明实施例中，特征图是将每个定位位置在同一时刻的特征像素点作为特征图中的像素点，进而得到5G基站天线的特征图集，例如，定位位置1在t时刻时采集的每个5G基站天线对应的特征像素点，进而将多个5G基站天线在t时刻的特征像素点根据特征像素点的数据大小进行排列组合，得到特征图，汇集每个定位位置在多个时刻的特征图，得到特征图集。
本发明实施例中，通过构建不同位置的特征图，使得不同定位位置的特征图在RGB效果上具有直观的差异，从而使得定位时具有明显的辨识度，能够有效提高定位位置的辨识度以提高定位的准确度。
本发明实施例中，预构建的多层卷积神经网络是多个依次连接的卷积核、平均池化层、批标准化层以及Relu函数激活层组成的卷积层，每个卷积层具有不同卷积大小的卷积层，卷积层后接依次连接的全连接层、Dropout层和批标准化层，最后利用Softmax层对每个特征图进行分类，得到定位的结果，从而利用多层卷积神经网络能够对特征图集进行训练，得到具有定位能力的定位模型。
本发明实施例中，所述利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型，包括：
利用所述多层卷积神经网络对所述特征图集进行预测，得到所述特征图集中每个特征图的预测位置；
获取每个所述特征图的采集位置，根据所述预测位置及所述采集位置计算所述特征图集的预测准确度；
根据所述预测准确度对所述多层卷积神经网络中的网络参数进行调整，直至所述预测准确度大于预设阈值，得到定位模型。
本发明实施例中，采集位置是特征图对应的定位位置，例如，特征图1是在定位位置1、t时刻时采集的每个5G基站天线的数据对应的特征像素点，则对应的采集位置为位置1，预测位置是多层卷积神经网络预测的特征图的定位位置，进而通过预测区域及目标区域计算特征图集的预测准确度。
本发明实施例中，在预测准确度不大于预设阈值时，表示多层卷积神经网络的定位准确度较差，不能直接用于车载5G天线的定位，因此，需要对网络参数进行调整，利用权重矩阵、偏置矩阵等参数进行调整，直至预测准确度大于预设阈值，具体地，可以根据梯度下降法调整网络参数。
本发明实施例中，通过定位模型能够通过车载5G天线采集的特征数据对车载5G天线所在的位置进行位置预测，得到目标车辆所在的车辆位置。
本发明实施例中，通过对多层卷积神经网络进行训练，得到定位模型，能够得到定位更精确的定位模型，以提高导航的导航精确度。
S3、获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置。
本发明实施例中，车载5G天线所采集的特征数据集是车载5G天线所在的位置向多个5G基站发送信号所采集的信号强度集以及到达时间集，进而通过特征数据集能够生成目标车辆的目标特征图，与上述构建5G基站天线的特征图的步骤一致，在此不再赘述，从而能对目标车辆所在的区域进行定位，得到车辆位置。
本发明实施例中，利用定位模型中的多个卷积层对目标特征图进行卷积，再利用全连接层进行全连接以及Dropout层和批标准化层，最后利用Softmax层对目标特征图进行分类，得到目标特征图对应的分类区域，即目标车辆的车辆位置。
本发明实施例中，通过特征数据集能够通过多样性的特征数据对目标车辆进行更精确的定位，以提高后续路径规划的准确度。
本发明实施例中，导航目的地是用户设定的目标地，需要将目标车辆从车辆位置导航至导航目的地，实现目标车辆的导航。
S4、根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图。
本发明实施例中，所述根据所述导航目的地及所述车辆位置构建路网栅格地图，包括：
根据所述导航目的地及所述车辆位置采集目标地图，对所述目标地图进行栅格划分，得到栅格地图；
识别所述目标地图中的不可通行区域，根据所述不可通行区域对所述栅格地图进行标记，得到路网栅格地图。
本发明实施例中，目标地图是采集导航目的地及车辆位置所在区域内的地图，并利用相同大小的矩形栅格对目标地图进行划分，得到栅格地图。不可通行区域是栅格地图中栅格的每个方向都不可通行，则将对应的栅格标记为黑色栅格，其余的标记为白色栅格，得到路网栅格地图。
本发明实施例中，路网栅格地图是按照实际的地图生成的，具有方向信息，但是由于栅格的面积大小是一定的，会产生很多多余的无用栅格，路径规划时会进行无用栅格的搜索，因此，可以对路网栅格地图中的多余栅格进行剔除，得到目标栅格地图。
本发明实施例中，所述对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图，包括：
确定所述路网栅格地图中的起始栅格以及目的地栅格，根据所述起始栅格以及所述目的地栅格确定路径规划方向；
根据所述路径规划方向识别所述路网栅格地图中的多余栅格以及可用栅格；
在所述路网栅格地图中剔除所述多余栅格，得到目标栅格地图。
本发明实施例中，起始栅格是车辆位置所在的栅格，目的地栅格是导航目的地所在的栅格，通过起始栅格以及目的地栅格确定路径规划的初始方向，例如，若起始栅格在目的地栅格的左上方，则从起始栅格的下方开始路径规划，若从起始栅格到目的地栅格所途经的任一栅格中除了后退方向只有一个可行可走，则对应的栅格为多余栅格，在路网栅格地图中栅格，并可使用一条连接线代替，代表多余栅格单一可行的方向。
本发明实施例中，通过对路网栅格地图进行区域筛选，能够去除路网栅格地图中的无用的多余栅格，同时避免无用栅格对路径规划的干扰，提高路径规划的效率以及准确度。
S5、根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
本发明实施例中，导航目的地的最优路径是从车辆位置到导航目的地的最短路径，通过最优路径对目标车辆进行导航，能够减小目标车辆行驶的时间，更精确地对目标车辆进行导航。
本发明实施例中，参阅图3所示，所述根据所述目标栅格地图计算所述导航目的地的最优路径，包括：
S31、确定目标栅格地图中的起始栅格以及目标栅格，将所述起始栅格作为当前栅格；
S32、计算所述目标栅格地图中每个栅格相对于所述目标栅格的方向权重矩阵，在所述目标栅格地图中选取所述当前栅格的相邻可用栅格集合；
S33、计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，选取所述选择概率最大的相邻可用栅格更新当前栅格，直至更新的当前栅格为目标栅格，根据选取的当前栅格确定规划路径；
S34、计算所述规划路径的路径长度，根据所述路径长度对所述方向权重矩阵进行更新，并在所述相邻可用栅格集合中选取可用栅格作为当前栅格进行规划路径迭代，直至所述规划路径的数量达到阈值，得到规划路径集；
S35、从所述规划路径集中选取路径长度最短的路径作为所述导航目的地的最优路径。
本发明实施例中，起始栅格是车辆位置所在的栅格，目标栅格是导航目的地所在的栅格；方向权重矩阵是每个栅格的左上，左，左下，下，右下，右，右上，上8个方向相对于目标栅格的方向权重，例如，若目标栅格在栅格的右侧，则方向权重为[0.25，0，0.25，0.5，0.75，1，0.75，0.5]，即若某一方向的权重值为1，则表示目标栅格在这个方向上，若某一方向的权重值为0，则目标栅格在反方向，进而得到每个栅格相对于目标栅格的方向权重矩阵。
本发明实施例中，相邻可用栅格集合是与当前栅格相邻的栅格中可用于路径规划的栅格，通过计算选择概率在相邻可用栅格集合中选取更新当前栅格进行下一步的路径规划。
本发明实施例中，所述计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，包括：
根据每个所述相邻可用栅格的可行方向确定可行相关性；
计算每个所述相邻可用栅格对应的方向权重矩阵的方向向量；
根据所述可行相关性及所述方向向量计算每个所述相邻可用栅格的选择概率。
本发明实施例中，可行相关性是每个相邻可用栅格的8个方向中没有障碍物可以通行的概率，全部可通行的可行相关性为1，只有一个方向可通行则为1.25，将可行方形与1.25相乘，即可得到可行相关性。
本发明实施例中，所述单位向量表示相邻可用栅格相对于目标栅格的位置方向，同时赋予每个栅格权重，在每次路径规划时，能计算出不同的选择概率，以对当前栅格进行更新，直至当前栅格为目标栅格，完成一次路径规划，得到规划路径。
本发明实施例中，所述根据所述可行相关性及所述方向向量计算每个所述相邻可用栅格的选择概率，包括：
利用如下公式计算每个所述相邻可用栅格的选择概率：
其中，Ps表示相邻可用栅格s的选择概率，P(s)、W(s)分别表示第s个相邻可用栅格可行相关性及方向向量，P(z)、W(z)分别表示第z个相邻可用栅格可行相关性及方向向量，V表示相邻可用栅格集合。
本发明实施例中，根据选择概率更新当前栅格，直至更新的当前栅格为目标栅格，完成一次路径规划，并保存，得到规划路径。在起始栅格的相邻可用栅格集合再次选取当前栅格并重复迭代路径规划的步骤，得到多个规划路径，基于每个规划路径相对于上一次规划路径的长度对方向权重矩阵进行更新，本发明实施例可以采用预设的奖励系数和惩罚系数对方向权重矩阵进行更新，例如，若第n条规划路径优于前一条规划路径，则会在对应的栅格上方向权值矩阵加上奖励系数×n，使得再次进行路径规划时选择概率提高，反之，会减去惩罚系数×n，使得再次进行路径规划时选择概率降低，从而实时不同栅格的规路径划，从而在规划完成的规划路径中选取路径长度最短的路径作为最优路径。
本发明实施例中，通过计算最优路径对目标车辆进行导航，向目标车辆提供车辆行驶路径建议，能够在定位精确的基础上提高车辆导航的精确度，从而有效地提高车辆导航的精确度。
本发明实施例通过信号相位数据集及接收信号强度集训练定位模型能够得到不同的特征数据构成的特征像素点，使得定位不限制于5G信道状态信息，进而能够提高后续定位的定位准确度；利用定位模型对目标车辆进行进行更精确的定位，以提高后续路径规划的准确度；根据目标车辆的导航目的地及车辆位置构建路网栅格地图，并进行区域筛选，得到目标栅格地图，能够去除路网栅格地图中的无用的多余栅格，避免无用栅格对路径规划的干扰，提高路径规划的效率以及准确度；计算目标栅格地图的最优路径对目标车辆进行导航，能够在定位精确的基础上提高车辆导航的精确度，实现目标车辆的精确导航。因此本发明提出的基于车载5G天线的导航方法，可以解决基于车载5G天线的导航时准确度较低的问题。
如图4所示，是本发明一实施例提供的基于车载5G天线的导航系统的功能模块图。
本发明所述基于车载5G天线的导航系统400可以安装于电子设备中。根据实现的功能，所述基于车载5G天线的导航系统400可以包括特征像素点构建模块401、定位模型训练模块402、车辆位置计算模块403、目标栅格地图生成模块404及车辆导航模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征像素点构建模块401，用于采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
所述定位模型训练模块402，用于根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
所述车辆位置计算模块403，用于获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
所述目标栅格地图生成模块404，用于根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
所述车辆导航模块405，用于根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
详细地，本发明实施例中所述基于车载5G天线的导航系统400中所述的各模块在使用时采用与上述图1至图3中所述的基于车载5G天线的导航方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于车载5G天线的导航方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如基于车载5G天线的导航方法程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块(例如执行基于车载5G天线的导航方法程序等)，以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于车载5G天线的导航方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器501逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于车载5G天线的导航方法程序是多个指令的组合，在所述处理器501中运行时，可以实现：
采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于车载5G天线的导航方法，其特征在于，所述方法包括：
采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
2.如权利要求1所述的基于车载5G天线的导航方法，其特征在于，所述将所述到达时间集转换为信号相位数据集，包括：
获取所述到达时间集中每个到达时间对应的5G信号频率；
根据所述5G信号频率计算每个所述到达时间的信号相位数据，得到信号相位数据集；
利用如下公式计算信号相位数据：
其中，表示信号相位数据，f表示所述5G信号频率，t表示所述到达时间，/>表示所述5G信号频率预设的初始相位。
3.如权利要求1所述的基于车载5G天线的导航方法，其特征在于，所述根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点，包括：
分别对所述信号相位数据集及所述接收信号强度集进行数据归一化，得到归一化相位数据及归一化强度数据；
将所述归一化相位数据及所述归一化强度数据映射到预设的色彩空间范围，得到像素点色彩值；
根据所述像素点色彩值构建每个所述5G基站天线的特征像素点。
4.如权利要求1所述的基于车载5G天线的导航方法，其特征在于，所述利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型，包括：
利用所述多层卷积神经网络对所述特征图集进行预测，得到所述特征图集中每个特征图的预测位置；
获取每个所述特征图的采集位置，根据所述预测位置及所述采集位置计算所述特征图集的预测准确度；
根据所述预测准确度对所述多层卷积神经网络中的网络参数进行调整，直至所述预测准确度大于预设阈值，得到定位模型。
5.如权利要求1所述的基于车载5G天线的导航方法，其特征在于，所述根据所述导航目的地及所述车辆位置构建路网栅格地图，包括：
根据所述导航目的地及所述车辆位置采集目标地图，对所述目标地图进行栅格划分，得到栅格地图；
识别所述目标地图中的不可通行区域，根据所述不可通行区域对所述栅格地图进行标记，得到路网栅格地图。
6.如权利要求1所述的基于车载5G天线的导航方法，其特征在于，所述根据所述目标栅格地图计算所述导航目的地的最优路径，包括：
确定目标栅格地图中的起始栅格以及目标栅格，将所述起始栅格作为当前栅格；
计算所述目标栅格地图中每个栅格相对于所述目标栅格的方向权重矩阵，在所述目标栅格地图中选取所述当前栅格的相邻可用栅格集合；
计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，选取所述选择概率最大的相邻可用栅格更新当前栅格，直至更新的当前栅格为目标栅格，根据选取的当前栅格确定规划路径；
计算所述规划路径的路径长度，根据所述路径长度对所述方向权重矩阵进行更新，并在所述相邻可用栅格集合中选取可用栅格作为当前栅格进行规划路径迭代，直至所述规划路径的数量达到阈值，得到规划路径集；
从所述规划路径集中选取路径长度最短的路径作为所述导航目的地的最优路径。
7.如权利要求6所述的基于车载5G天线的导航方法，其特征在于，所述计算所述相邻可用栅格集合中每个相邻可用栅格的选择概率，包括：
根据每个所述相邻可用栅格的可行方向确定可行相关性；
计算每个所述相邻可用栅格对应的方向权重矩阵的方向向量；
根据所述可行相关性及所述方向向量计算每个所述相邻可用栅格的选择概率；
利用如下公式计算每个所述相邻可用栅格的选择概率：
其中，Ps表示相邻可用栅格s的选择概率，P(s)、W(s)分别表示第s个相邻可用栅格可行相关性及方向向量，P(z)、W(z)分别表示第z个相邻可用栅格可行相关性及方向向量，V表示相邻可用栅格集合。
8.一种基于车载5G天线的导航系统，其特征在于，所述系统包括：
特征像素点构建模块，用于采集多个5G基站天线的接收信号强度集及到达时间集，将所述到达时间集转换为信号相位数据集，根据所述信号相位数据集及所述接收信号强度集构建每个所述5G基站天线的特征像素点；
定位模型训练模块，用于根据所述特征像素点构建所述5G基站天线的特征图集，利用所述特征图集对预构建的多层卷积神经网络进行训练，得到定位模型；
车辆位置计算模块，用于获取目标车辆的车载5G天线所采集的特征数据集及导航目的地，根据所述特征数据集生成目标特征图，利用所述定位模型计算所述目标特征图对应的车辆位置；
目标栅格地图生成模块，用于根据所述导航目的地及所述车辆位置构建路网栅格地图，对所述路网栅格地图进行区域筛选，得到所述路网栅格地图的目标栅格地图；
车辆导航模块，用于根据所述目标栅格地图计算所述导航目的地的最优路径，根据所述最优路径对所述目标车辆进行导航。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于车载5G天线的导航方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的基于车载5G天线的导航方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453413.0A CN117405127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453413.0A CN117405127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117405127A true CN117405127A (zh) | 2024-01-16 |
| CN117405127B CN117405127B (zh) | 2024-06-11 |
Family
ID=89495937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453413.0A Active CN117405127B (zh) | 2023-11-02 | 2023-11-02 | 一种基于车载5g天线的导航方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117405127B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109387214A (zh) * | 2018-09-05 | 2019-02-26 | 南京理工大学 | 一种基于虚拟墙的机器人路径规划算法 |
| US10395117B1 (en) * | 2016-08-29 | 2019-08-27 | Trifo, Inc. | Visual-inertial positional awareness for autonomous and non-autonomous tracking |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| CN112149804A (zh) * | 2020-09-22 | 2020-12-29 | 太原福莱瑞达物流设备科技有限公司 | 一种新型卷积神经网络模型及应用 |
| WO2021103027A1 (en) * | 2019-11-30 | 2021-06-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Base station positioning based on convolutional neural networks |
| CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
| CN114189809A (zh) * | 2021-11-15 | 2022-03-15 | 华东师范大学 | 基于卷积神经网络与高维5g观测特征的室内定位方法 |
| WO2022194461A1 (en) * | 2021-03-15 | 2022-09-22 | Sony Group Corporation | Method for adaptive location information obtainment in a wireless network |
| CN115752470A (zh) * | 2022-11-15 | 2023-03-07 | 中山大学 | 一种面向语义完整度的主动探索和实时建图方法 |
| CN116866828A (zh) * | 2023-07-28 | 2023-10-10 | 中国联合网络通信集团有限公司 | 一种位置信息确定方法、装置、服务器及存储介质 |
| CN116887396A (zh) * | 2023-07-07 | 2023-10-13 | 中国电信股份有限公司技术创新中心 | 位置预测模型的训练方法、终端定位方法及装置 |
| US20230353763A1 (en) * | 2020-08-24 | 2023-11-02 | Bareways GmbH | Method and system for encoding image data representing a geographical line |
-
2023
- 2023-11-02 CN CN202311453413.0A patent/CN117405127B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10395117B1 (en) * | 2016-08-29 | 2019-08-27 | Trifo, Inc. | Visual-inertial positional awareness for autonomous and non-autonomous tracking |
| CN109387214A (zh) * | 2018-09-05 | 2019-02-26 | 南京理工大学 | 一种基于虚拟墙的机器人路径规划算法 |
| CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
| WO2021103027A1 (en) * | 2019-11-30 | 2021-06-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Base station positioning based on convolutional neural networks |
| US20230353763A1 (en) * | 2020-08-24 | 2023-11-02 | Bareways GmbH | Method and system for encoding image data representing a geographical line |
| CN112149804A (zh) * | 2020-09-22 | 2020-12-29 | 太原福莱瑞达物流设备科技有限公司 | 一种新型卷积神经网络模型及应用 |
| WO2022194461A1 (en) * | 2021-03-15 | 2022-09-22 | Sony Group Corporation | Method for adaptive location information obtainment in a wireless network |
| CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
| CN114189809A (zh) * | 2021-11-15 | 2022-03-15 | 华东师范大学 | 基于卷积神经网络与高维5g观测特征的室内定位方法 |
| CN115752470A (zh) * | 2022-11-15 | 2023-03-07 | 中山大学 | 一种面向语义完整度的主动探索和实时建图方法 |
| CN116887396A (zh) * | 2023-07-07 | 2023-10-13 | 中国电信股份有限公司技术创新中心 | 位置预测模型的训练方法、终端定位方法及装置 |
| CN116866828A (zh) * | 2023-07-28 | 2023-10-10 | 中国联合网络通信集团有限公司 | 一种位置信息确定方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| LEE, JW等: "3D Visible Light Indoor Positioning by Bokeh Based Optical Intensity Measurement in Smartphone Camera", 《IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC》, 13 August 2019 (2019-08-13) * |
| 孙秉义;文珊珊;吴昊;蔡鸿明;: "基于深度学习的高分辨率遥感图像车辆检测", 东华大学学报(自然科学版), no. 04, 25 August 2018 (2018-08-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117405127B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7186607B2 (ja) | 電子地図を更新する方法、装置、およびコンピュータ読み取り可能な記憶媒体 | |
| US9222786B2 (en) | Methods and systems for creating digital transportation networks | |
| CN108021625B (zh) | 车辆异常聚集地监控方法及系统、计算机可读存储介质 | |
| US20150262481A1 (en) | System and method to determine occurrence of platoon | |
| CN103369466B (zh) | 一种地图匹配辅助室内定位方法 | |
| CN110135376A (zh) | 确定图像传感器的坐标系转换参数的方法、设备和介质 | |
| CN102155950A (zh) | 一种基于gis的道路匹配方法 | |
| US20170039450A1 (en) | Identifying Entities to be Investigated Using Storefront Recognition | |
| CN111125283B (zh) | 电子地图构建方法、装置、计算机设备和存储介质 | |
| CN113743163A (zh) | 交通目标识别模型训练方法、交通目标定位方法、装置 | |
| CN117405127B (zh) | 一种基于车载5g天线的导航方法、系统、设备及介质 | |
| CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| CN110057377A (zh) | 路径导航方法及相关产品 | |
| CN115345944A (zh) | 外参标定参数确定方法、装置、计算机设备和存储介质 | |
| CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
| CN113971348A (zh) | 一种基于综合能源系统的源端功率短期预测方法 | |
| CN114283397A (zh) | 全局重定位方法、装置、设备及存储介质 | |
| CN112508938A (zh) | 一种光学卫星影像几何质量评价方法、装置、设备和存储介质 | |
| CN117458450B (zh) | 电力数据能耗预测分析方法及系统 | |
| US20230354258A1 (en) | Data processing method and apparatus | |
| CN116050681B (zh) | 一种电动汽车充电站布局方法、系统、存储介质及设备 | |
| KR102464358B1 (ko) | 머신러닝에 기반하여 이미지에 대응되는 공간 정보를 추정하기 위한 방법 및 이를 이용한 공간 추정 장치 | |
| CN112415471B (zh) | 一种单站移动测向定位方法 | |
| CN115657726B (zh) | 一种多无人机的控制切换方法 | |
| CN117928575B (zh) | 车道信息提取方法、系统、电子设备以及存储介质 |
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 |