基于数据驱动的巡逻车融合定位方法、装置及其相关介质

技术领域

本发明涉及计算智能设备定位技术领域，特别涉及基于数据驱动的巡逻车融合定位方法、装置及其相关介质。

背景技术

目前智能巡逻车已成为城市物业数字化管理的新装备，大幅提高了城市数字化管理水平。但由于智能巡逻车的车载GPS模组没有直接开放接口，且从云端平台调用GPS数据无法满足定位实时性要求；因此，智能巡逻车目前定位接收由安装在智能巡逻车上的智能推理盒子中的GPS模组实现。

而智能推理盒子中的GPS模组在城市街道行驶时信号易受到树阴、桥洞、隧道、高楼等遮挡，可能会导致GPS定位精度大幅度降低甚至出现无法使用的情况。除此之外，定位接收器在启动时存在几十秒甚至更长时间的热启动和冷启动时间，导致智能巡逻车在启动后的一段时间内定位数据缺失；定位数据缺失将导致智能巡逻车的巡查线路瘫痪或者其他更加严重故障。

发明内容

本发明实施例提供了基于数据驱动的巡逻车融合定位方法、装置及其相关介质，旨在解决现有技术中的智能巡逻车由于受物体遮挡以及启动时间过长出现的定位数据缺失的问题。

第一方面，本发明实施例提供了一种基于数据驱动的巡逻车融合定位方法，包括：

分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；

将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；

判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；

将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。

第二方面，本发明实施例提供了一种基于数据驱动的巡逻车融合定位装置，包括：

数据处理单元，用于分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；

模型训练单元，用于将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；

数据判断单元，用于判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；

数据输出单元，用于将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。

第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述第一方面的基于数据驱动的巡逻车融合定位方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质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所述第一方面的基于数据驱动的巡逻车融合定位方法。

本发明实施例提供一种基于数据驱动的巡逻车融合定位方法，包括：分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；判断所述巡逻车上的定位单元的定位信号是否异常并根据判断结果利用所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。本发明利用所述训练后的空洞卷积神经网络模型在所述巡逻车的定位信号出现异常时进行定位数据预测，如此，大大提高了所述巡逻车的定位精度和鲁棒性。

本发明实施例还提供一种基于数据驱动的巡逻车融合定位装置、计算机设备和存储介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种基于数据驱动的巡逻车融合定位方法的流程示意图；

图2为本发明实施例提供的一种基于数据驱动的巡逻车融合定位方法的另一流程示意图；

图3为本发明实施例提供的定位系统框架图；

图4为本发明实施例提供的空洞卷积神经网络模型流程图；

图5为本发明实施例提供的一种基于数据驱动的巡逻车融合定位装置的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面请参见图1，图1为本发明实施例提供的一种基于数据驱动的巡逻车融合定位方法的流程示意图，具体包括：步骤S101～S104。

S101、分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；

S102、将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；

S103、判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；

S104、将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。

在步骤S101中，所述巡逻车上的定位单元的定位信号正常时，由所述定位单元(GPS，下同)获取所述第一定位数据，由所述惯性测量单元(IMU，下同)获取所述第一位姿数据；所述第一定位数据和所述第一位姿数据均需要先经过数据预处理后，才能用于所述空洞卷积神经网络模型训练；最终，所述第一定位数据和所述第一位姿数据经过数据预处理后，得到所述第二定位数据和所述第二位姿数据。需要注意的是，所述第一定位数据和所述第一位姿数据为所述巡逻车的历史数据。

结合图2和图3所示，在一实施例中，所述步骤S101，包括：

利用Neville插值法对所述第一定位数据进行增强处理，得到所述第二定位数据；利用滑动加权法对所述第一位姿数据进行滤波处理，得到所述第二位姿数据。

进一步的，选取内存空间为N的寄存器；当检测到有新的第一位姿数据输入时，将新的第一位姿数据放入所述寄存器的最后一位，并将所述寄存器中的其余数据依次向前移动一位；按如下公式将所述寄存器中的所有数据λ

按如下公式计算得到滤波后的输出，并作为第二位姿数据

在本实施例中，由于GPS相较于IMU接收数据的频率较低，导致GPS的定位精度较低；因此，需要通过数据增强处理提高GPS的定位精度，这里采用Neville插值法对所述第一定位数据进行插值补充。首先在GPS采集的相邻数据点之间按如下公式确定插入数据点的个数n：

其中，(x

利用Neville插值法可以求得(x

最后按如下公式迭代得到n个插值点(即所述第二定位数据)：

进一步的，在所述巡逻车运行过程中，采用滑动加权方法对所述第一位姿数据进行滤波处理。首先，选取一个内存空间为N的寄存器，当有新的第一位姿数据输入时，将新的第一位姿数据放入所述寄存器的最后一位，所述寄存器中的其余数据则依次向前移动一位，然后将寄存器中所有数据λ

具体的，当有新的第一位姿数据输入时，所述寄存器数据依次向前滑动一位，新的第一位姿数据进入所述寄存器的最后一位。在所述巡逻车行驶过程中，早期采样数据的可信度较低，故采用滑动加权滤波对IMU的位姿信号进行处理；输入的数字序列信号按照时间排序，每输入一个新的第一位姿数据，就将最早的第一位姿数据丢弃，其余数据按顺序赋值给前一个数据，靠前的数据权值较小，新数据权值较大；最后求取缓存区中的N个新数据的加权平均值作为节点的数据输出。

在步骤S102中，在获取到所述目标向量以及所述输入向量之后，即可对所述空洞卷积神经网络模型进行训练，从而得到所述训练后的空洞卷积神经网络模型；当所述巡逻车定位信号异常时，可以利用所述训练后的空洞卷积神经网络模型进行定位预测。

在一实施例中，所述步骤S102，包括：

将所述输入向量输入所述空洞卷积神经网络模型，得到输出值；根据所述输出值与所述目标向量代入损失函数，计算得到误差项；判断所述误差项是否在允许范围内，若否，则更新权值矩阵，并重复上述步骤，直至所述误差项达到允许范围内；若是，则输出训练后的空洞卷积神经网络模型。

在本实施例中，所述输入向量为x和y方向上的所述第二位姿数据，目标向量为所述第二定位数据相邻两个点位在x、y轴上的相对位移。训练过程中，将所述输入向量输入所述空洞卷积神经网络模型，获取所述输出值；再将所述输出值与所述目标向量代入损失函数，求得所述输出值与所述目标向量的误差项；若误差项不在允许范围内，则更新权值矩阵；最后，重复上述步骤，直至误差项达到允许范围，才输出训练后的空洞卷积神经网络模型。需要注意的是，当所述巡逻车定位信号正常时，训练数据(即所述第二位姿数据和所述第二定位数据)是在线更新的，随着所述巡逻车行驶过程中数据的更新，所述空洞卷积神经网络模型的训练数据也在实时更新。

结合图4所示，在一实施例中，所述空洞卷积神经网络模型的卷积层前插入有批标准化层，所述批标准化层的表达式如下：

其中，y

在本实施例中，空洞卷积的提出最初是为了解决图像分割领域存在的问题，空洞卷积在传统卷积神经网络的卷积层中注入了空洞，可在保持卷积层参数不变的前提下提高感受野，减少运算量；空洞卷积率不同，卷积运算的感受野也就不同，为消除奇异样本的误差累积，本发明在所述空洞卷积神经网络模型的卷积层前插入了所述批标准化层，有效提高了训练速度和预测准确性。

在一实施例中，所述空洞卷积神经网络模型的卷积层后插入有高斯误差线性单元激活函数，所述高斯误差线性单元激活函数的表达式如下：

GELU(x

其中，Pr[X≤x

在本实施例中，在所述空洞卷积神经网络模型的卷积层后插入所述高斯误差线性单元激活函数，所述高斯误差线性单元激活函数的非线性变化是一种符合预期的随机正则变换方式，是一种高性能的神经网络激活函数，能够有效提升模型学习能力。

进一步的，本发明中的所述空洞卷积神经网络模型的所述高斯误差线性单元激活函数模块之后还串联五个卷积块，每一卷积层的空洞卷积率计算公式如下：

其中，j表示卷积层的层数；d

需要注意的是，卷积块可以增加或减少数量，这里不做限定；卷积块之后还可以连接flatten层，以及线性层，最后进行所述空洞卷积神经网络模型输出。

在步骤S103中，判断所述巡逻车上的定位单元的定位信号是否异常，当所述巡逻车定位信号正常时，利用GPS的定位数据和IMU的位姿数据训练所述空洞卷积神经网络模型；当所述巡逻车定位信号异常时，通过训练好的空洞卷积神经网络模型及所述目标位姿数据对所述巡逻车的定位进行预测。

在步骤S104中，将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果，并将所述定位预测结果上传至云端平台。

在一实施例中，所述步骤S104，用于：

按如下公式计算得到所述定位预测结果：

x＝GPS

y＝GPS

其中，x、y分别表示所述定位预测结果的横坐标和纵坐标；GPS

在本实施例中，基于训练好的空洞卷积神经网络模型，对x轴和y轴方向上的相对位移x

综上所述，本发明使用所述空洞卷积神经网络模型融合了所述定位单元和所述惯性测量单元两种定位方式，当所述巡逻车定位信号正常时，利用所述第二位置数据和所述第二位姿数据训练所述空洞卷积神经网络模型；当所述巡逻车定位信号异常时，通过训练好的空洞卷积神经网络模型及所述第二位姿数据对所述巡逻车的数据进行预测。

结合图5所示，图5为本发明实施例提供的基于数据驱动的巡逻车融合定位装置的示意性框图，基于数据驱动的巡逻车融合定位装置500包括：

数据处理单元501，用于分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；

模型训练单元502，用于将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；

数据判断单元503，用于判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；

数据输出单元504，用于将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。

在本实施例中，首先，数据处理单元501分别对第一定位数据和第一位姿数据进行数据预处理，得到用于训练的第二定位数据和第二位姿数据；其中，所述第一定位数据和第一位姿数据为巡逻车上的定位单元的定位信号正常时分别通过所述定位单元和所述巡逻车上的惯性测量单元获取；其次，模型训练单元502将所述第二定位数据作为目标向量，以及将所述第二位姿数据作为输入向量，并对空洞卷积神经网络模型进行训练，得到训练后的空洞卷积神经网络模型；然后，数据判断单元503判断所述巡逻车上的定位单元的定位信号是否异常，若否，则继续保持对所述空洞卷积神经网络模型的训练；若是，则通过所述惯性测量单元获取定位信号异常时的位姿数据，并进行数据预处理得到用于预测的目标位姿数据；最后，数据输出单元504将所述目标位姿数据输入至所述训练后的空洞卷积神经网络模型进行定位预测，得到定位预测结果。

在一实施例中，所述数据处理单元，包括：

增强单元，用于利用Neville插值法对所述第一定位数据进行增强处理，得到所述第二定位数据；

滤波单元，用于利用滑动加权法对所述第一位姿数据进行滤波处理，得到所述第二位姿数据。

在一实施例中，所述滤波单元，包括：

选取单元，用于选取内存空间为N的寄存器；

位移单元，用于当检测到有新的第一位姿数据输入时，将新的第一位姿数据放入所述寄存器的最后一位，并将所述寄存器中的其余数据依次向前移动一位；

相乘单元，用于按如下公式将所述寄存器中的所有数据λ

位姿单元，用于按如下公式计算得到滤波后的输出，并作为第二位姿数据

在一实施例中，所述空洞卷积神经网络模型的卷积层前插入有批标准化层，所述批标准化层的表达式如下：

其中，y

在一实施例中，所述空洞卷积神经网络模型的卷积层后插入有高斯误差线性单元激活函数，所述高斯误差线性单元激活函数的表达式如下：

GELU(x

其中，Pr[X≤x

在一实施例中，所述模型训练单元，包括：

输出单元，用于将所述输入向量输入所述空洞卷积神经网络模型，得到输出值；

计算单元，用于根据所述输出值与所述目标向量代入损失函数，计算得到误差项；

判断单元，用于判断所述误差项是否在允许范围内，若否，则更新权值矩阵，并重复上述步骤，直至所述误差项达到允许范围内；若是，则输出训练后的空洞卷积神经网络模型。

在一实施例中，所述数据输出单元，用于：

按如下公式计算得到所述定位预测结果：

x＝GPS

y＝GPS

其中，x、y分别表示所述定位预测结果的横坐标和纵坐标；GPS

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。