定位方法、装置、终端和存储介质

技术领域

本申请涉及定位技术领域，特别是涉及一种定位方法、装置、终端和存储介质。

背景技术

随着科技的飞速发展，人们对智能终端的功能需求越来越多，其中利用智能终端进行定位和导航就是需求之一。

传统技术中，通过智能终端中安装的惯性测量单元(Inertial MeasurementUnit，IMU)采集惯性导航数据，根据惯性导航数据确定智能终端的位置信息或运动轨迹。然而，上述定位方法的定位精度难以满足室内定位与导航应用的需求。

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度，满足室内定位与导航应用需求的定位方法、装置、终端和存储介质。

第一方面，本公开实施例提供了一种定位方法，该方法包括：

获取至少一个用户设备采集的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

根据待测终端的速度确定待测终端的定位数据。

在其中一个实施例中，上述获取至少一个用户设备采集的惯性测量数据，包括：

获取至少一个用户设备采集的原始惯性测量数据；

对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

在其中一个实施例中，上述对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据，包括：

将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；

将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，上述将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据，包括：

根据原始惯性测量数据获取用户设备的姿态角；

根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

在其中一个实施例中，上述将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据，包括：

根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；

根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，该方法还包括：

根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度，包括：

将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

在其中一个实施例中，上述根据待测终端的速度确定待测终端的定位数据，包括：

根据待测终端的速度获取待测终端的轨迹信息；

将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在其中一个实施例中，该方法还包括：

根据待测终端的位置信息和预设场景地图，得到并输出服务信息；其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

在其中一个实施例中，上述速度预测网络的训练过程包括：

获取训练样本集；其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度；

基于训练样本集进行神经网络模型的训练，得到初始预测网络；

基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；

在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

在其中一个实施例中，上述获取训练样本集，包括：

分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；

分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；

将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；

根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

在其中一个实施例中，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。

第二方面，本公开实施例提供了一种定位装置，该装置包括：

惯性数据获取模块，用于获取至少一个用户设备采集的惯性测量数据；

速度预测模块，用于将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

定位数据确定模块，用于根据待测终端的速度确定待测终端的定位数据。

在其中一个实施例中，上述惯性数据获取模块，包括：

原始数据获取子模块，用于获取至少一个用户设备采集的原始惯性测量数据；

转换子模块，用于对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于根据原始惯性测量数据获取用户设备的姿态角；根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，该装置还包括：

对准模块，用于根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；

上述速度预测模块，具体用于将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

在其中一个实施例中，上述定位数据确定模块，用于根据待测终端的速度获取待测终端的轨迹信息；将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在其中一个实施例中，该装置还包括：

服务信息输出模块，用于根据待测终端的位置信息和预设场景地图，得到并输出服务信息；其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

在其中一个实施例中，该装置还包括：

样本获取模块，用于获取训练样本集；其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度；

训练模块，用于基于训练样本集进行神经网络模型的训练，得到初始预测网络；

测试模块，用于基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；

网络确定模块，用于在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

在其中一个实施例中，上述样本获取模块，具体用于分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

在其中一个实施例中，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。

第三方面，本公开实施例提供了一种终端，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以下步骤：

获取至少一个用户设备采集的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

根据待测终端的速度确定待测终端的定位数据。

第四方面，本公开实施例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以下步骤：

获取至少一个用户设备采集的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

根据待测终端的速度确定待测终端的定位数据。

上述定位方法、装置、终端和存储介质，获取至少一个用户设备采集的惯性测量数据，将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；根据待测终端的速度确定待测终端的定位数据。通过本公开实施例，在对待测终端进行定位的过程中，并未采取积分方式获得待测终端的速度，而是采用速度预测网络获得待测终端的速度，采用速度预测网络与采用积分相比可以实现降噪，从而提高速度的准确性，这样，根据速度确定的位置信息或轨迹信息就会更加准确，即提高了定位精度，可以满足室内定位与导航应用的需求。

附图说明

图1为一个实施例中定位方法的应用环境图；

图2为一个实施例中定位方法的流程示意图；

图3为一个实施例中获取至少一个用户设备采集的惯性测量数据步骤的流程示意图；

图4为一个实施例中对原始惯性测量数据进行姿态转换和坐标转换步骤的流程示意图；

图5为另一个实施例中定位方法的流程示意图；

图6为一个实施例中根据待测终端的速度确定待测终端的定位数据步骤的流程示意图；

图7为一个实施例中输出服务信息步骤的流程示意图；

图8为一个实施例中速度预测网络的训练步骤的流程示意图；

图9为一个实施例中获取训练样本集步骤的流程示意图；

图10为一个实施例中定位装置的结构框图之一；

图11为一个实施例中定位装置的结构框图之二；

图12为一个实施例中定位装置的结构框图之三；

图13为一个实施例中定位装置的结构框图之四；

图14为一个实施例中终端的内部结构图。

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。

首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下，通过智能终端中安装的惯性测量单元(Inertial Measurement Unit，IMU)采集惯性导航数据，根据惯性导航数据确定智能终端的位置信息或运动轨迹。其中，根据惯性导航数据确定智能终端的位置信息或运动轨迹常采用双积分法，这种方式容易产生轨迹误差，影响定位精度，使得定位精度难以满足室内定位与导航应用的需求。

而本申请所提供的技术方案中，先获取至少一个用户设备采集的惯性测量数据；然后将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；最后根据待测终端的速度确定待测终端的定位数据。通过本申请，不采用双积分法而是采用速度预测网络得到待测终端的速度，进而得到待测终端的定位数据，可以减少轨迹误差、提高定位精度，满足室内定位与导航应用的需求。

本申请提供的定位方法，可以应用于如图1所示的应用环境中。该应用环境包括用户设备102和待测终端104。其中，用户设备102可以通过多种通信方式与待测终端104进行通信。例如，用户设备102通过无线网络，或者蓝牙与待测终端104进行通信。本公开实施例对通信方式不做限定。上述用户设备102可以包括但不限于是各种智能手机、耳机、智能手环、智能手表和智能眼镜；待测终端104可以包括但不限于是各种智能手机、平板电脑和耳机、智能手表、智能眼镜等便携式可穿戴设备。

在一个实施例中，如图2所示，提供了一种定位方法，以该方法应用于图1中的待测终端为例进行说明，包括以下步骤：

步骤201，获取至少一个用户设备采集的惯性测量数据。

其中，用户设备内可以设置IMU，IMU是测量物体角速度和加速度的装置，一个IMU一般包含加速度计和陀螺仪，分别用于测量物体在三维空间中的加速度和角速度，用户设备通过IMU采集惯性测量数据。

待测终端与至少一个用户设备进行通信，从用户设备获取到惯性测量数据。例如，用户同时佩戴待测终端和用户设备，其中，待测终端为智能手机、用户设备为蓝牙无线耳机。蓝牙无线耳机中设置有IMU，由IMU采集惯性测量数据。智能手机与蓝牙无线耳机通过蓝牙协议进行通信，从蓝牙无线耳机获取惯性测量数据。

可选地，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。在实际应用中，还可以通过其他方式获取惯性测量数据，本公开实施例对获取方式不做限定。

步骤202，将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

其中，待测终端中设置有预先训练的速度预测网络，该速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到。

待测终端在获取到惯性测量数据后，将惯性测量数据输入到速度预测网络中，速度预测网络对惯性测量数据进行降噪，并依据降噪后的惯性测量数据进行速度预测，速度预测网络输出待测终端的速度。

在实际应用中，通常会将多个采集时刻的惯性测量数据中的加速度组成加速度序列，然后将加速度序列输入到速度预测网络中，得到待测终端的速度。其中，加速度序列中的加速度数量可以根据数据采集频率确定。例如，在采集频率为200Hz的情况下，加速度序列中的加速度数量可以为200个。本公开实施例对加速度数量不做限定。

需要说明的是，上述速度和加速度均为矢量，包括大小和方向。

步骤203，根据待测终端的速度确定待测终端的定位数据。

其中，定位数据包括位置信息和轨迹信息中的至少一种。

待测终端获取到速度后，可以根据速度和惯性测量数据中的角速度进行积分处理，得到待测终端的定位数据。

上述定位方法中，获取至少一个用户设备采集的惯性测量数据，将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；根据待测终端的速度确定待测终端的定位数据。通过本公开实施例，在对待测终端进行定位的过程中，并未采取积分方式获得待测终端的速度，而是采用速度预测网络获得待测终端的速度，采用速度预测网络与采用积分相比可以实现降噪，从而提高速度的准确性，这样，根据速度确定的位置信息或轨迹信息就会更加准确，即提高了定位精度，可以满足室内定位与导航应用的需求。

在一个实施例中，如图3所示，上述获取至少一个用户设备采集的惯性测量数据的过程，可以包括如下步骤：

步骤301，获取至少一个用户设备采集的原始惯性测量数据。

用户设备采集到的是原始惯性测量数据，待测终端与用户设备进行通信，从用户设备获取原始惯性测量数据。

步骤302，对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

由于用户设备在不同时刻可能处于不同的姿态，比如，蓝牙无线耳机随用户头部的晃动而晃动，智能手环随用户手臂的摆动而摆动；又比如，智能手机处于用户手持状态，或者被用户放置在衣服口袋中。因此，待测终端从用户设备获取到的原始惯性测量数据是用户设备在不同姿态下采集到的，这样的数据不利于速度预测网络进行速度预测。所以，待测终端需要对原始惯性测量数据进行数据预处理，比如对原始惯性测量数据进行姿态转换和坐标转换，得到归一化的惯性测量数据。

上述实施例中，获取至少一个用户设备采集的原始惯性测量数据；对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。通过本公开实施例，对惯性测量数据进行姿态转换和坐标转换，就是将任意时刻、任意设备朝向、任意行动状态下采集的原始惯性测量数据投影至统一的世界坐标系下，以便速度预测网络进行速度预测，从而提高速度预测网络的鲁棒性。

在一个实施例中，如图4所示，上述对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据的过程，可以包括：

步骤3021，将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据。

在实际应用中，用户设备采集原始惯性测量数据的姿态可能与标准姿态不同，因此，先将原始惯性测量数据从数据采集时的姿态转换到标准姿态下，得到第一惯性测量数据。

姿态转换的过程可以包括：根据原始惯性测量数据获取用户设备的姿态角；根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

例如，对原始惯性测量数据中的角速度进行积分得到用户设备的姿态角；然后根据用户设备的姿态角确定映射关系，接着，根据该映射关系将原始惯性测量数据映射到用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

步骤3022，将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

得到用户设备在标准姿态下的第一惯性测量数据后，可以根据用户设备和世界坐标系之间的对应关系，将第一惯性测量数据转换到世界坐标系下，得到速度预测网络进行速度预测所需的惯性测量数据。

在其中一个实施例中，坐标系转换的过程还可以包括：根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

例如，预先将蓝牙无线耳机与智能手机贴靠，使得智能手机可以获取到蓝牙无线耳机的标准姿态，并获取到蓝牙无线耳机在标准姿态下的坐标系与智能手机的坐标系之间的对应关系。接着，用户佩戴蓝牙无线耳机和智能手机并移动，蓝牙无线耳机将采集到的原始惯性测量数据传输到智能手机。智能手机先对原始惯性测量数据进行姿态转换，得到第一惯性测量数据；再根据上述过程中获得的蓝牙无线耳机在标准姿态下的坐标系与智能手机的坐标系之间的对应关系，将第一惯性测量数据转换到智能手机的坐标系下，得到第二惯性测量数据。之后，智能手机再根据智能手机的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换到世界坐标系下，得到速度预测网络进行速度预测所需的惯性测量数据。

上述实施例中，将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。通过本公开实施例，先对原始惯性测量数据进行姿态转换得到第一惯性测量数据，再对第一惯性测量数据进行坐标转换惯性测量数据，由于将惯性测量数据统一到了世界坐标系下，因此可以方便速度预测网络进行速度预测，从而提高速度预测网络的鲁棒性。

在一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，如图5所示，本公开实施例还可以包括：

步骤204，根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据。

在实际应用中，可能采集惯性测量数据的用户设备有多个。例如，蓝牙无线耳机和智能手环同时采集惯性测量数据。因此，在待测终端在获取到多个用户设备采集的惯性测量数据后，根据时间戳对多个用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据。

例如，智能手机根据时间戳将蓝牙无线耳机采集到的惯性测量数据与智能手环采集到的惯性测量数据进行时间对准，得到对准后的惯性测量数据。

可以理解地，多个用户设备同时进行数据采集，可以增加数据数量，进而提高速度预测网络的预测速度和预测效率。

对应地，步骤203可以包括：将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

例如，将蓝牙无线耳机对准后的惯性测量数据和智能手环对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到智能手机的速度。

上述实施例中，在多个用户设备采集的惯性测量数据的情况下，根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；再将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。通过本公开实施例，由多个用户设备进行数据采集可以扩展数据量，从而提高速度预测网络的预测速度和预测效率，而使用多个用户设备采集到的惯性测量数据时，需要进行时间对准处理，以便速度预测网络可以更为准确地进行速度预测。

在一个实施例中，如图6所示，上述根据待测终端的速度确定待测终端的定位数据的过程，可以包括如下步骤：

步骤401，根据待测终端的速度获取待测终端的轨迹信息。

在速度预测网络输出待测终端的速度后，可以根据待测终端的速度和惯性测量数据中的角速度进行积分运算，得到待测终端的轨迹信息。

步骤402，将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在室内定位和导航应用的场景下，待测终端可以获取到预设场景地图，并将轨迹信息与预设场景地图进行匹配，得到待测终端的位置信息。例如，智能手机获取到某博物馆的室内地图，将轨迹信息与该室内地图进行匹配，可以确定智能手机的位置信息，即确定用户在博物馆中的具体位置。

之后，待测终端可以通过多种方式输出待测终端的位置信息。例如，可以通过智能手机、智能眼镜等显示位置信息，也可以通过智能手机、蓝牙无线耳机等播放位置信息，还可以通过智能手环、智能手表振动来提示位置信息。本公开实施例对输出方式不做限定，可以根据实际情况进行设置。

在上述实施例的基础上，如图7所示，本公开实施例还可以包括：

步骤403，根据待测终端的位置信息和预设场景地图，得到并输出服务信息。

其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

待测终端还可以根据位置信息和预设场景地图，得到路径导引信息、物品介绍信息等服务信息，并采用多种方式输出服务信息。

例如，智能手机可以根据位置信息和博物馆的室内地图得到路径引导信息，之后，控制智能手机显示路径导引信息或控制蓝牙无线耳机播放路径导引信息，指引参观者前往下一个参观点。智能手机也可以根据位置信息和博物馆的室内地图得到物品介绍信息，控制蓝牙无线耳机播放物品介绍信息，为参观者介绍当前位置的文物。

在其中一个实施例中，服务信息还可以结合空间音频、语音助手等功能，为盲人提供室内语音导航服务。本公开实施例对服务信息不做限定。

上述实施例中，根据待测终端的速度获取待测终端的轨迹信息，将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息；根据待测终端的位置信息和预设场景地图，得到并输出服务信息。通过本公开实施例，待测终端可以根据预设场景地图和轨迹信息为用户提供室内语音导航、大型建筑物内语音导览等服务，与多种典型的应用场景契合，提升了用户的使用体验。

在一个实施例中，如图8所示，速度预测网络的训练过程可以包括如下步骤：

步骤501，获取训练样本集。

其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度。

采用多个用户设备进行数据采集得到多个样本惯性测量数据和各样本惯性测量数据对应的实际速度，由多个样本惯性测量数据和各样本惯性测量数据对应的实际速度组成训练样本集。

步骤502，基于训练样本集进行神经网络模型的训练，得到初始预测网络。

将训练样本集中的一个样本惯性测量数据输入到神经网络模型中进行训练，得到神经网络模型输出的训练结果；利用预设损失函数计算训练结果与该样本惯性测量数据对应的标注之间的损失值；若该损失值不符合预设收敛条件，则调整神经网络模型中的可调参数，并将另一个样本惯性测量数据输入到参数修改后的神经网络模型中继续进行训练。直到神经网络模型输出的训练结果与对应的标注之间的损失值符合预设收敛条件时，结束训练，并将结束训练时的神经网络模型确定为初始预测网络。

步骤503，基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹。

采用训练样本集中未参与训练的样本惯性测量数据对初始预测网络进行测试。具体地，将多个未参与训练的样本惯性测量数据依次输入到初始预测网络中，得到初始预测网络输出的各样本惯性测量数据对应的预测速度。根据多个预测速度进行积分运算得到多个测试轨迹。

步骤504，在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

计算多个测试轨迹之间的误差，如果多个测试轨迹之间的误差小于预设误差值，表明初始预测网络的预测准确性较高，则将初始预测网络确定为速度预测网络。如果多个测试轨迹之间的误差大于或等于预设误差值，表明初始预测网络的预测准确性不够高，则可以重复步骤502-504，直到多个测试轨迹之间的误差小于预设误差值时结束训练，得到速度预测网络。

例如，预设误差值为行走100m产生的误差在3m以内，如果多个测试轨迹之间的误差小于上述预测误差值，则将初始预测网络确定为速度预测网络。本公开实施例对预测误差值不做限定。

上述实施例中，获取训练样本集；基于训练样本集进行神经网络模型的训练，得到初始预测网络；基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。通过本公开实施例，利用训练样本集进行神经网络模型的训练和初始预测网络的测试，在初始预测网络的预测准确性足够高的情况下结束训练，以保证训练得到的速度预测网络的预测准确性。

在一个实施例中，如图9所示，上述获取训练样本集的过程，可以包括如下步骤：

步骤5011，分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹。

在获取训练样本集的过程中，获取数据采集设备采集的多个原始惯性测量数据，获取标注设备采集实际轨迹。

例如，获取蓝牙无线耳机、智能手环等数据采集设备采集的多个原始惯性测量数据，获取部署有视觉里程计(VIO)算法的智能手机或头戴显示设备(AR眼镜)等标注采集设备采集的实际轨迹。

在数据采集前，可以将数据采集设备与标注采集设备一同放置在校准装置中，利用校准装置对数据采集设备和标注采集设备进行数据采集时间的校准处理，并根据数据采集设备和标注采集设备之间的相对位置，建立两者之间的坐标映射关系。

在数据采集过程中，数据采集设备与标注采集设备需一同佩戴，并且，标注采集设备需与采集者紧贴，从而确保标注采集设备输出的6Dof(6自由度，三个自由度描述位置信息，三个自由度描述姿态信息)运动轨迹与人体完全一致。数据采集可以采用多人、多设备类型、多批次、多场景的采集方式，以保证原始惯性测量数据的随机性、丰富性和数据量。本公开实施例对数据采集设备和标注采集设备不做限定，可以根据实际情况进行设置。

步骤5012，分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据。

在训练前，需要对各原始惯性测量数据进行姿态转换，以将各原始惯性测量数据从数据采集姿态的坐标系转换到标准姿态的坐标系；再对各转换后的惯性测量数据进行坐标转换，以将各转换后的惯性测量数据从标准姿态的坐标系转换到世界坐标系下，得到各原始惯性测量数据对应的样本惯性测量数据。在转换到世界坐标系的过程中，可以根据数据采集前校准过程中建立的坐标映射关系，先将标准姿态下的惯性测量数据转换到标注采集设备的坐标系中，再借助标注采集设备的坐标系转换到世界坐标系中。姿态转换和坐标转换过程可以参考上述实施例，本公开实施例在此不再赘述。

步骤5013，将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度。

由于在校准过程中已经对数据采集设备和标注采集设备进行了时间校准，因此，可以在得到样本惯性测量数据后，根据样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准，这样，就可以得到各样本惯性测量数据对应的实际速度。

步骤5014，根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

得到多个样本惯性测量数据和各样本惯性测量数据对应的实际速度后，由多个样本惯性测量数据和各样本惯性测量数据对应的实际速度组成训练样本集。

上述实施例中，分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。通过本公开实施例，在获取样本前，建立了数据采集设备与标注采集设备之间的坐标映射关系，并对两者进行了时间校准，这样，在数据采集后，可以根据坐标映射关系对惯性测量数据进行归一化，而且还可以得到样本惯性测量数据与实际速度之间的对应关系，从而得到训练样本集，为训练速度预测网络做好了前期准备。

应该理解的是，虽然图2至图9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，图2至图9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。

在一个实施例中，如图10所示，提供了一种定位装置，包括：

惯性数据获取模块601，用于获取至少一个用户设备采集的惯性测量数据；

速度预测模块602，用于将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

定位数据确定模块603，用于根据待测终端的速度确定待测终端的定位数据。

在其中一个实施例中，上述惯性数据获取模块601，包括：

原始数据获取子模块，用于获取至少一个用户设备采集的原始惯性测量数据；

转换子模块，用于对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于根据原始惯性测量数据获取用户设备的姿态角；根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

在其中一个实施例中，上述转换子模块，具体用于根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在其中一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，如图11所示，该装置还包括：

对准模块604，用于根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；

上述速度预测模块603，具体用于将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

在其中一个实施例中，上述定位数据确定模块603，用于根据待测终端的速度获取待测终端的轨迹信息；将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在其中一个实施例中，如图12所示，该装置还包括：

服务信息输出模块605，用于根据待测终端的位置信息和预设场景地图，得到并输出服务信息；其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

在其中一个实施例中，如图13所示，该装置还包括：

样本获取模块606，用于获取训练样本集；其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度；

训练模块607，用于基于训练样本集进行神经网络模型的训练，得到初始预测网络；

测试模块608，用于基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；

网络确定模块609，用于在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

在其中一个实施例中，上述样本获取模块606，具体用于分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

在其中一个实施例中，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。

关于定位装置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。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终端中的处理器中，也可以以软件形式存储于终端中的存储器中，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，提供了一种终端，其内部结构图可以如图14所示。该终端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，该终端的处理器用于提供计算和控制能力。该终端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。该终端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、运营商网络、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。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端的输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、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14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终端的限定，具体的终端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，提供了一种终端，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以下步骤：

获取至少一个用户设备采集的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

根据待测终端的速度确定待测终端的定位数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取至少一个用户设备采集的原始惯性测量数据；

对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；

将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据原始惯性测量数据获取用户设备的姿态角；

根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；

根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，处理器执行计算机程序时还实现以下步骤：

根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度，包括：

将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据待测终端的速度获取待测终端的轨迹信息；

将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据待测终端的位置信息和预设场景地图，得到并输出服务信息；其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取训练样本集；其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度；

基于训练样本集进行神经网络模型的训练，得到初始预测网络；

基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；

在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；

分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；

将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；

根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

在一个实施例中，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。

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以下步骤：

获取至少一个用户设备采集的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度；速度预测网络为采用多个用户设备采集的样本惯性测量数据训练得到；

根据待测终端的速度确定待测终端的定位数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取至少一个用户设备采集的原始惯性测量数据；

对原始惯性测量数据进行姿态转换和坐标转换，得到惯性测量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将原始惯性测量数据转换为用户设备在标准姿态下的第一惯性测量数据；

将第一惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据原始惯性测量数据获取用户设备的姿态角；

根据用户设备的姿态角，将原始惯性测量数据映射至用户设备在标准姿态下的坐标系中，得到第一惯性测量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据用户设备在标准姿态下的坐标系与待测终端的坐标系之间的对应关系，将第一惯性测量数据转换至待测终端的坐标系中，得到第二惯性测量数据；

根据待测终端的坐标系与世界坐标系之间的对应关系，将第二惯性测量数据转换至世界坐标系下，得到惯性测量数据。

在一个实施例中，至少一个用户设备采集的惯性测量数据包括多个用户设备采集的惯性测量数据，计算机程序被处理器执行时还实现以下步骤：

根据各用户设备采集惯性测量数据的时间戳，对各用户设备采集的惯性测量数据进行时间对准，得到对准后的惯性测量数据；

将惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度，包括：

将对准后的惯性测量数据输入到速度预测网络中进行降噪和速度预测，得到待测终端的速度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据待测终端的速度获取待测终端的轨迹信息；

将轨迹信息与预设场景地图进行匹配，得到并输出待测终端的位置信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据待测终端的位置信息和预设场景地图，得到并输出服务信息；其中，服务信息包括路径导引信息和物品介绍信息中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取训练样本集；其中，训练样本集包括多个样本惯性测量数据和各样本惯性测量数据对应的标注，标注为实际速度；

基于训练样本集进行神经网络模型的训练，得到初始预测网络；

基于训练样本集对初始预测网络进行测试，根据测试得到的预测速度确定多个测试轨迹；

在多个测试轨迹之间的误差小于预设误差值的情况下，将初始预测网络确定为速度预测网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

分别获取数据采集设备采集的多个原始惯性测量数据和标注采集设备采集的实际轨迹；

分别对各原始惯性测量数据进行姿态转换和坐标转换，得到各原始惯性测量数据对应的样本惯性测量数据；

将多个样本惯性测量数据的采集时刻与实际轨迹的采集时刻进行时间对准后，确定各样本惯性测量数据对应的实际速度；

根据多个样本惯性测量数据和各样本惯性测量数据对应的实际速度得到训练样本集。

在一个实施例中，至少一个用户设备包括智能手机、耳机、智能手环、智能手表和智能眼镜中的至少一种。

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、存储、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-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。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。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 Random Access Memory，DRAM)等。

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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。