CN113252060B - 基于神经网络模型的车辆轨迹推算方法及装置 - Google Patents

基于神经网络模型的车辆轨迹推算方法及装置 Download PDF

Info

Publication number
CN113252060B
CN113252060B CN202110597498.4A CN202110597498A CN113252060B CN 113252060 B CN113252060 B CN 113252060B CN 202110597498 A CN202110597498 A CN 202110597498A CN 113252060 B CN113252060 B CN 113252060B
Authority
CN
China
Prior art keywords
data sequence
layer
vehicle
neurons
sequence
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.)
Active
Application number
CN202110597498.4A
Other languages
English (en)
Other versions
CN113252060A (zh
Inventor
费再慧
贾双成
朱磊
李成军
李倩
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202110597498.4A priority Critical patent/CN113252060B/zh
Publication of CN113252060A publication Critical patent/CN113252060A/zh
Application granted granted Critical
Publication of CN113252060B publication Critical patent/CN113252060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • 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

Landscapes

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

Abstract

本发明是关于一种基于神经网络模型的车辆轨迹推算方法及装置。该方法包括：将待训练的神经网络模型的神经元按设定规则分成多层神经元；使待训练的神经网络模型依序逐层利用多层神经元依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据车辆的轨迹点推算位置数据序列、定位模块的位置数据序列，依序逐层获得多层神经元的参数完成神经网络模型的训练；依据完成训练的神经网络模型输出的IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。本发明提供的方案，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差。

Description

基于神经网络模型的车辆轨迹推算方法及装置
技术领域
本申请涉及导航技术领域，尤其涉及一种基于神经网络模型的车辆轨迹推算方法及装置。
背景技术
相关技术的车辆导航多依赖于卫星定位模块例如GPS（Global PositioningSystem，全球定位***）卫星定位模块。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等GPS信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供定位结果。而包含惯性测量单元（Inertial Measurement Unit，简称IMU）的惯性导航***，可以利用惯性测量单元的测量数据，能够推算出车辆准确的速度、姿态和位置信息。
惯性导航***利用惯性测量单元的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和位置信息。然而，惯性导航***纯利用惯性测量单元进行车辆轨迹推算时，只在初始时刻附近有较好的精度，随着时间的增加，受累积误差的影响，导致利用惯性测量单元的测量数据进行车辆轨迹推算的精度降低。因此，如何降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，是一个亟待解决的问题。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种基于神经网络模型的车辆轨迹推算方法及装置，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。
本申请第一方面提供一种基于神经网络模型的车辆轨迹推算方法，所述方法包括：
向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；
将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元；
使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练；
向完成训练的神经网络模型输入所述惯性测量单元的测量数据序列；
使所述完成训练的神经网络模型依据所述测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得所述车辆的轨迹点推算位置序列，由此获得所述车辆的运动轨迹。
优选的，所述将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，包括：
将所述待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
优选的，所述将所述待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n，包括:
在所述待训练的神经网络模型设置加速度数据模型、角速度数据模型；
将所述加速度数据模型的全连接层的神经元依序分成n层神经元，将所述角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
优选的，所述使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练，包括：
使所述加速度数据模型依序利用全连接层的第i层神经元依据所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i组误差；
通过使所述第i组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i层神经元的参数；
使所述角速度数据模型依序利用全连接层的第i层神经元依据所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i组误差；
通过使所述第i组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i层神经元的参数。
优选的，所述方法还包括：
将所述加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
使所述加速度数据模型利用全连接层的第i+1层神经元依据所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i+1组误差；
通过使所述第i+1组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i+1层神经元的参数；
将所述角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
使所述角速度数据模型利用全连接层的第i+1层神经元依据所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i+1组误差；
通过使所述第i+1组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i+1层神经元的参数。
本申请第二方面提供一种基于神经网络模型的车辆轨迹推算装置，所述装置包括：
6．一种基于神经网络模型的车辆轨迹推算装置，其特征在于，包括：
第一输入模块，用于向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；
分层模块，用于将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元；
训练模块，用于使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述第一输入模块输入的所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述第一输入模块输入的所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练；
第二输入模块，用于向完成训练的神经网络模型输入所述惯性测量单元的测量数据序列；
轨迹推算模块，用于使所述完成训练的神经网络模型依据所述第二输入模块输入的所述测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得所述车辆的轨迹点推算位置序列，由此获得所述车辆的运动轨迹。
优选的，所述装置还包括：
模型设置模块，用于在所述待训练的神经网络模型设置加速度数据模型、角速度数据模型；
所述分层模块具体用于将所述加速度数据模型的全连接层的神经元依序分成n层神经元，将所述角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
优选的，所述训练模块包括：
第一轨迹子模块，用于使所述加速度数据模型依序利用全连接层的第i层神经元依据所述第一输入模块输入的所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
第一误差计算子模块，用于计算获得所述第一轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i组误差；
第一参数获取子模块，用于通过使所述第一误差计算子模块计算获得的所述第i组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i层神经元的参数；
第二轨迹子模块，用于使所述角速度数据模型依序利用全连接层的第i层神经元依据所述第一输入模块输入的所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
第二误差计算子模块，用于计算获得所述第二轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i组误差；
第二参数获取子模块，用于通过使所述第二误差计算子模块计算获得的所述第i组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i层神经元的参数。
优选的，所述训练模块还包括：
第一参数设置子模块，用于将所述第一参数获取子模块获得的所述加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
所述第一轨迹子模块，还用于使所述加速度数据模型利用全连接层的第i+1层神经元依据所述第一输入模块输入的所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第一误差计算子模块，还用于计算获得所述第一轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i+1组误差；
所述第一参数获取子模块，还用于通过使所述第一误差计算子模块计算获得的所述第i+1组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i+1层神经元的参数；
第二参数设置子模块，用于将所述第二参数获取子模块获得的所述角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
所述第二轨迹子模块，还用于使所述角速度数据模型利用全连接层的第i+1层神经元依据所述第一输入模块输入的所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第二误差计算子模块，还用于计算获得所述第二轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i+1组误差；
所述第二参数获取子模块，还用于通过使所述第二误差计算子模块计算获得的所述第i+1组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i+1层神经元的参数。
本申请第三方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型多层神经元中每一层神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据序列推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据序列进行车辆轨迹推算的精度。
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，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图；
图2是本申请另一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图；
图3是本申请另一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图；
图4是本申请一实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图；
图5是本申请一实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图；
图6是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请实施例提供一种基于神经网络模型的车辆轨迹推算方法，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。
以下结合附图详细描述本申请实施例的技术方案。
实施例一：
图1是本申请一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图。
参见图1，一种基于神经网络模型的车辆轨迹推算方法，包括：
在步骤101中，向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列。
在一种具体实施方式中，车辆上设有惯性测量单元、定位模块和装载有神经网络模型的车载智能设备。惯性测量单元包括加速度计和陀螺仪，惯性测量单元的测量数据序列包括惯性测量单元的加速度计的加速度数据序列、陀螺仪的角速度数据序列。可以通过惯性测量单元的加速度计获得的车辆的加速度数据序列、惯性测量单元的陀螺仪获得的车辆的角速度数据序列。定位模块可以包括但不限于GPS模块、北斗卫星定位模块、RTK（RealTime Kinematic，实时动态）定位模块等卫星定位模块中的至少一种。利用定位模块可以获得车辆的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经纬度坐标信息，姿态信息包括但不限于描述航向的航向角信息。可以依据定位模块的定位信息获得车辆的位置数据序列。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，获得车辆一个时间段的位置数据序列。在通过RTK定位模块获取车辆一个时间段的位置数据序列时，通过惯性测量单元获取同个一时间段的车辆的测量数据序列。可以理解的是，RTK定位模块获取的位置数据序列与惯性测量单元获取的测量数据序列两者在时间上是对齐的，以避免因两者参考时间不同而使结果不准确。
在一种具体实施方式中，向待训练的神经网络模型输入同一时间段的车辆的位置数据序列和测量数据序列。待训练的神经网络模型以同一时间段的车辆的位置数据序列和测量数据序列为样本，完成待训练的神经网络模型的训练。
在步骤102中，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元。
在一种具体实施方式中，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，每层包括设定个数的神经元。
在步骤103中，使待训练的神经网络模型依序逐层利用多层神经元依据测量数据序列输出IMU估计数据序列，依据IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据车辆的轨迹点推算位置数据序列、定位模块的位置数据序列，依序逐层获得多层神经元的参数，从而完成待训练的神经网络模型的训练。
在一种具体实施方式中，使待训练的神经网络模型依序利用全连接层的多层神经元的每一层神经元，依据惯性测量单元的测量数据序列输出IMU估计数据序列；并使神经网络模型依据IMU估计数据序列，推算获得车辆的轨迹点推算位置数据序列；依据车辆的轨迹点推算位置数据序列和定位模块的位置数据序列，计算车辆的轨迹点推算位置数据序列和定位模块的位置数据序列的误差；通过使误差收敛小于预设阈值，依序逐层获得神经网络模型全连接层的多层神经元中每一层神经元的参数，从而完成待训练的神经网络模型的训练。
在一种具体实施方式中，依据待训练的神经网络模型输出的IMU估计数据序列，推算车辆的轨迹点推算位置数据序列；计算车辆的轨迹点推算位置数据序列和定位模块的位置数据序列的误差；如果误差收敛小于预设阈值，则表明待训练的神经网络模型能够输出降低累积误差的IMU估计数据序列，完成了待训练的神经网络模型的训练。
在步骤104中，向完成训练的神经网络模型输入惯性测量单元的测量数据序列。
在一种具体实施方式中，在车辆RTK定位模块信号不可用的情况下，向完成训练的神经网络模型输入惯性测量单元的测量数据序列，测量数据序列包括每个时刻的测量数据。
在步骤105中，使完成训练的神经网络模型依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
在一种实施方式中，使完成训练的神经网络模型依据输入的每个时刻的测量数据输出每个时刻的IMU估计数据；依据定位模块信号不可用之前的定位信息，获得车辆的初始位姿，车辆的初始位姿初始时刻车辆的位置信息、航向角信息、速度信息；使完成训练的神经网络模型依据车辆的初始位姿、每个时刻的IMU估计数据，推算得到车辆每个时刻的轨迹点推算位置，获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型多层神经元中每一层神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据序列推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据序列进行车辆轨迹推算的精度。
实施例二：
图2是本申请另一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图。
参见图2，一种基于神经网络模型的车辆轨迹推算方法，包括：
在步骤201中，向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列。
该步骤可以参见步骤101的描述，此处不再赘述。
在步骤202中，将待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
在一种具体实施方式中，将待训练的神经网络模型的全连接层的神经元依序分成n层神经元，每层神经元的个数为2的i次方，其中，n为正整数，i=1，2，…，n，后一层神经元包括前一层神经元。例如，待训练的神经网络模型的全连接层有100个神经元，将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
在另一种实施方式中，可以将待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数可以为3的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
在步骤203中，使待训练的神经网络模型依序利用全连接层的第i层神经元依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以下以待训练的神经网络模型的第一层神经元和第二层神经元为例，先对待训练的神经网络模型的第一层神经元进行训练，获得第一层神经元的参数。可以使待训练的神经网络模型利用全连接层的第一层神经元依据一个时间段的惯性测量单元的测量数据序列预测输出IMU估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使待训练的神经网络模型利用全连接层的第一层神经元依据车辆的初始位姿、IMU估计数据序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤204中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，依据神经网络模型利用全连接层的第一层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
在步骤205中，通过使第i组误差收敛小于预设阈值，获得待训练的神经网络模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，可以通过调整待训练的神经网络模型全连接层的第一层神经元的参数，不断优化待训练的神经网络模型全连接层的第一层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到待训练的神经网络模型的第一层神经元的参数。
在步骤206中，将待训练的神经网络模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，可以将待训练的神经网络模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
在步骤207中，使待训练的神经网络模型利用全连接层的第i+1层神经元依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，可以使待训练的神经网络模型利用全连接层的第二层神经元依据一个时间段的惯性测量单元的测量数据序列预测输出IMU估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使待训练的神经网络模型利用全连接层的第二层神经元依据车辆的初始位姿、IMU估计数据序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤208中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，依据待训练的神经网络模型利用全连接层的第二层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
在步骤209中，通过使第i+1组误差收敛小于预设阈值，获得待训练的神经网络模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，可以通过调整待训练的神经网络模型全连接层的第二层神经元的参数，不断优化待训练的神经网络模型全连接层的第二层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到待训练的神经网络模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行步骤206、207、208、209，依序逐层获得待训练的神经网络模型的全连接层的n层神经元每一层神经元的参数，从而完成待训练的神经网络模型的训练。
需要说明的是，在步骤205中和在步骤209中的预设阈值可以是相同的，也可以是不相同的。
在步骤210中，向完成训练的神经网络模型输入惯性测量单元的测量数据序列。
该步骤可以参见步骤104的描述，此处不再赘述。
在步骤211中，使完成训练的神经网络模型依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
该步骤可以参见步骤105的描述，此处不再赘述。
本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型多层神经元中每一层神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。
进一步的，本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，将待训练的神经网络模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数，能够降低神经网络模型训练的难度，减少神经网络模型训练的样本，能够快速地获得待训练的神经网络模型全连接层神经元的参数，进一步加快神经网络模型的训练。
实施例三：
图3是本申请另一实施例示出的基于神经网络模型的车辆轨迹推算方法的流程示意图。
参见图3，一种基于神经网络模型的车辆轨迹推算方法，包括：
在步骤301中，向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列。
该步骤可以参见步骤101的描述，此处不再赘述。
在步骤302中，在待训练的神经网络模型设置加速度数据模型、角速度数据模型。
在一种具体实施方式中，基于惯性测量单元的加速度计和陀螺仪两者不同的特性，在待训练的神经网络模型设置加速度数据模型、角速度数据模型。通过分别对加速度数据模型、角速度数据模型进行训练，能够降低神经网络模型训练的复杂度，更快、更准确地完成对待训练的神经网络模型的训练。
在步骤303中，将加速度数据模型的全连接层的神经元依序分成n层神经元，将角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
在一种具体实施方式中，将加速度数据模型的全连接层的神经元依序分成n层神经元，每层神经元的个数为2的i次方，其中，n为正整数，i=1，2，…，n，后一层神经元包括前一层神经元。例如，加速度数据模型的全连接层有100个神经元，将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
在一种具体实施方式中，将角速度数据模型的全连接层的神经元依序分成n层神经元，每层神经元的个数为2的i次方，其中，n为正整数，i=1，2，…，n，后一层神经元包括前一层神经元。例如，角速度数据模型的全连接层有100个神经元，将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
在步骤304中，使加速度数据模型依序利用全连接层的第i层神经元依据测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和测量数据序列的角速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以下以加速度数据模型的第一层神经元和第二层神经元为例，先对加速度数据模型的的第一层神经元进行训练，获得第一层神经元的参数。可以使加速度数据模型利用全连接层的第一层神经元依据一个时间段的惯性测量单元的测量数据序列的加速度序列预测输出加速度估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使加速度数据模型利用全连接层的第一层神经元依据车辆的初始位姿、加速度估计数据序列和测量数据序列的角速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤305中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，依据加速度数据模型利用全连接层的第一层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
在步骤306中，通过使第i组误差收敛小于预设阈值，获得加速度数据模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，可以通过调整加速度数据模型全连接层的第一层神经元的参数，不断优化加速度数据模型全连接层的第一层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到加速度数据模型的第一层神经元的参数。
在步骤307中，将加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，可以将加速度数据模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
在步骤308中，使加速度数据模型利用全连接层的第i+1层神经元依据测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和测量数据序列的角速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，可以使加速度数据模型利用全连接层的第二层神经元依据一个时间段的惯性测量单元的测量数据序列的加速度序列预测输出加速度估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使加速度数据模型利用全连接层的第二层神经元依据车辆的初始位姿、加速度估计数据序列和测量数据序列的角速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤309中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，依据加速度数据模型利用全连接层的第二层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
在步骤310中，通过使第i+1组误差收敛小于预设阈值，获得加速度数据模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，可以通过调整加速度数据模型全连接层的第二层神经元的参数，不断优化加速度数据模型全连接层的第二层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到加速度数据模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行步骤307、308、309、310，依序逐层获得加速度数据模型的全连接层的n层神经元每一层神经元的参数，从而完成加速度数据模型的训练。
需要说明的是，在步骤306中和在步骤310中的预设阈值可以是相同的，也可以是不相同的。
在步骤311中，使角速度数据模型依序利用全连接层的第i层神经元依据测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和测量数据序列的加速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以角速度数据模型的第一层神经元和第二层神经元为例，先对角速度数据模型的的第一层神经元进行训练，获得第一层神经元的参数。可以使角速度数据模型利用全连接层的第一层神经元依据一个时间段的惯性测量单元的测量数据序列的角速度序列预测输出角速度估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使角速度数据模型利用全连接层的第一层神经元依据车辆的初始位姿、角速度估计数据序列和测量数据序列的加速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤312中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，依据角速度数据模型利用全连接层的第一层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
在步骤313中，通过使第i组误差收敛小于预设阈值，获得角速度数据模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，可以通过调整角速度数据模型全连接层的第一层神经元的参数，不断优化角速度数据模型全连接层的第一层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到角速度数据模型的第一层神经元的参数。
在步骤314中，将角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，可以将角速度数据模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
在步骤315中，使角速度数据模型利用全连接层的第i+1层神经元依据测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和测量数据序列的加速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，可以使角速度数据模型利用全连接层的第二层神经元依据一个时间段的惯性测量单元的测量数据序列的角速度序列预测输出角速度估计数据序列；依据同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使角速度数据模型利用全连接层的第二层神经元依据车辆的初始位姿、角速度估计数据序列和测量数据序列的加速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在步骤316中，计算获得车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，依据角速度数据模型利用全连接层的第二层神经元获得的车辆的轨迹点推算位置数据序列，计算车辆的轨迹点推算位置数据序列与定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
在步骤317中，通过使第i+1组误差收敛小于预设阈值，获得角速度数据模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，可以通过调整角速度数据模型全连接层的第二层神经元的参数，不断优化角速度数据模型全连接层的第二层神经元的参数，使得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差尽可能最小，收敛小于预设阈值，即通过使同一时间段的车辆的轨迹点推算位置数据序列向定位模块的位置数据序列收敛，从而得到角速度数据模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行步骤314、315、316、317，依序逐层获得角速度数据模型的全连接层的n层神经元每一层神经元的参数，从而完成角速度数据模型的训练。
需要说明的是，在步骤313中和在步骤317中的预设阈值可以是相同的，也可以是不相同的。
在步骤318中，向完成训练的包括加速度数据模型和角速度数据模型的神经网络模型输入惯性测量单元的测量数据序列。
该步骤可以参见步骤104的描述，此处不再赘述。
在步骤319中，使完成训练的神经网络模型依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
在一种具体实施方式中，使完成训练的加速度数据模型依据输入的车辆加速度计每个时刻的加速度输出每个时刻的加速度估计数据，获得加速度估计数据序列；使完成训练的角速度数据模型依据输入的车辆陀螺仪每个时刻的角速度输出每个时刻的角速度估计数据，获得角速度估计数据序列；依据定位模块信号不可用之前的定位信息，获得车辆的初始位姿，车辆的初始位姿包括初始时刻车辆的位置信息、航向角信息、速度信息；使完成训练的神经网络模型依据车辆的初始位姿、加速度估计数据序列和角速度估计数据序列，推算得到车辆每个时刻的轨迹点推算位置，获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型多层神经元中每一层神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据序列推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。
进一步的，本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，在待训练的神经网络模型设置加速度数据模型、角速度数据模型；将加速度数据模型的全连接层的神经元依序分成n层神经元，将角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。通过分别对加速度数据模型、角速度数据模型进行训练，能够降低神经网络模型训练的复杂度，更快、更准确地完成对待训练的神经网络模型的训练。
进一步的，本申请的实施例提供的基于神经网络模型的车辆轨迹推算方法，将全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数，能够降低加速度数据模型和角速度数据模型训练的难度，减少加速度数据模型和角速度数据模型训练的样本，能够快速地获得加速度数据模型和角速度数据模型全连接层神经元的参数，进一步加快神经网络模型的训练。
实施例四：
与前述应用功能实现方法实施例相对应，本申请还提供了一种基于神经网络模型的车辆轨迹推算装置、电子设备及相应的实施例。
图4是本申请一实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图。
参见图4，一种基于神经网络模型的车辆轨迹推算装置，包括第一输入模块401、分层模块402、训练模块403、第二输入模块404、轨迹推算模块405。
第一输入模块401，用于向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列。
在一种具体实施方式中，车辆上设有惯性测量单元、定位模块和装载有神经网络模型的车载智能设备。惯性测量单元包括加速度计和陀螺仪，惯性测量单元的测量数据序列包括惯性测量单元的加速度计的加速度数据序列、陀螺仪的角速度数据序列。第一输入模块401可以通过惯性测量单元的加速度计获得的车辆的加速度数据序列、惯性测量单元的陀螺仪获得的车辆的角速度数据序列。定位模块可以包括但不限于GPS模块、北斗卫星定位模块、RTK定位模块等卫星定位模块中的至少一种。利用定位模块可以获得车辆的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经纬度坐标信息，姿态信息包括但不限于描述航向的航向角信息。第一输入模块401可以依据定位模块的定位信息获得车辆的位置数据序列。
在一种具体实施方式中，在车辆RTK定位模块信号可用的情况下，第一输入模块401获得车辆一个时间段的位置数据序列。在通过RTK定位模块获取车辆一个时间段的位置数据序列时，第一输入模块401通过惯性测量单元获取同个一时间段的车辆的测量数据序列。可以理解的是，第一输入模块401获得的RTK定位模块获取的位置数据序列与惯性测量单元获取的测量数据序列两者在时间上是对齐的，以避免因两者参考时间不同而使结果不准确。
在一种具体实施方式中，第一输入模块401向待训练的神经网络模型输入同一时间段的车辆的位置数据序列和测量数据序列。待训练的神经网络模型以同一时间段的车辆的位置数据序列和测量数据序列为样本，完成待训练的神经网络模型的训练。
分层模块402，用于将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元。
在一种具体实施方式中，分层模块402将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，每层包括设定个数的神经元。分层模块402可以将待训练的神经网络模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。例如，待训练的神经网络模型的全连接层有100个神经元，分层模块402将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
训练模块403，用于使待训练的神经网络模型依序逐层利用多层神经元依据第一输入模块401输入的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据车辆的轨迹点推算位置数据序列、第一输入模块401输入的定位模块的位置数据序列，依序逐层获得多层神经元的参数，从而完成待训练的神经网络模型的训练。
在一种实施方式中，训练模块403使待训练的神经网络模型依序利用全连接层的多层神经元的每一层神经元，依据第一输入模块401输入的惯性测量单元的测量数据序列输出IMU估计数据序列；依据IMU估计数据序列，推算获得车辆的轨迹点推算位置数据序列；依据车辆的轨迹点推算位置数据序列和第一输入模块401输入的定位模块的位置数据序列，计算车辆的轨迹点推算位置数据序列和定位模块的位置数据序列的误差；通过使误差收敛小于预设阈值，依序逐层获得神经网络模型全连接层的多层神经元的每一层神经元的参数，从而完成待训练的神经网络模型的训练。
在一种实施方式中，训练模块403包括轨迹子模块413、误差计算子模块423、参数获取子模块433、参数设置子模块443。
轨迹子模块413，使待训练的神经网络模型依序利用全连接层的第i层神经元依据第一输入模块401输入的测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以第一层神经元和第二层神经元为例，先对神经网络模型的第一层神经元进行训练，获得第一层神经元的参数。轨迹子模块413可以使待训练的神经网络模型利用全连接层的第一层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列预测输出IMU估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使待训练的神经网络模型利用全连接层的第一层神经元依据车辆的初始位姿、IMU估计数据序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
误差计算子模块423，用于计算获得轨迹子模块413获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，误差计算子模块423计算轨迹子模块413获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
参数获取子模块433，用于通过使误差计算子模块423计算获得的第i组误差收敛小于预设阈值，获得待训练的神经网络模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，参数获取子模块433可以通过调整待训练的神经网络模型全连接层的第一层神经元的参数，不断优化待训练的神经网络模型全连接层的第一层神经元的参数，使得误差计算子模块423计算获得的第一组误差尽可能最小，收敛小于预设阈值，即通过使轨迹子模块413获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到待训练的神经网络模型的第一层神经元的参数。
参数设置子模块443，用于将参数获取子模块433获得的待训练的神经网络模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，参数设置子模块443可以将参数获取子模块433获得的待训练的神经网络模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
轨迹子模块413，还用于使待训练的神经网络模型利用全连接层的第i+1层神经元依据第一输入模块401输入的测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，轨迹子模块413可以使待训练的神经网络模型利用全连接层的第二层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列预测输出IMU估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使待训练的神经网络模型利用全连接层的第二层神经元依据车辆的初始位姿、IMU估计数据序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
误差计算子模块423，还用于计算获得轨迹子模块413获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，误差计算子模块423计算轨迹子模块413获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
参数获取子模块433，还用于通过使误差计算子模块423计算获得的第i+1组误差收敛小于预设阈值，获得待训练的神经网络模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，参数获取子模块433可以通过调整待训练的神经网络模型全连接层的第二层神经元的参数，不断优化待训练的神经网络模型全连接层的第二层神经元的参数，使得误差计算子模块423计算获得的第二组误差尽可能最小，收敛小于预设阈值，即通过使轨迹子模块413获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到待训练的神经网络模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行训练模块403的轨迹子模块413、误差计算子模块423、参数获取子模块433、参数设置子模块443，依序逐层获得待训练的神经网络模型的全连接层的n层神经元每一层神经元的参数，从而完成待训练的神经网络模型的训练。
第二输入模块404，用于向完成训练的神经网络模型输入惯性测量单元的测量数据序列。
在一种具体实施方式中，在车辆RTK定位模块信号不可用的情况下，第二输入模块404向完成训练的神经网络模型输入惯性测量单元的测量数据序列。
轨迹推算模块405，用于使完成训练的神经网络模型依据第二输入模块404输入的测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
在一种实施方式中，轨迹推算模块405使完成训练的神经网络模型依据第二输入模块404输入的每个时刻的测量数据输出每个时刻的IMU估计数据；依据定位模块信号不可用之前的定位信息，获得车辆的初始位姿，车辆的初始位姿初始时刻车辆的位置信息、航向角信息、速度信息；使完成训练的神经网络模型依据车辆的初始位姿、每个时刻的IMU估计数据，推算得到车辆每个时刻的轨迹点推算位置，获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
本申请的实施例提供的技术方案，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据序列推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据序列进行车辆轨迹推算的精度。
进一步的，本申请的实施例提供的技术方案，将待训练的神经网络模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数，能够降低神经网络模型训练的难度，减少神经网络模型训练的样本，能够快速地获得待训练的神经网络模型全连接层神经元的参数，进一步加快神经网络模型的训练。
实施例五：
图5是本申请另一实施例示出的基于神经网络模型的车辆轨迹推算装置的结构示意图。
参见图5，一种基于神经网络模型的车辆轨迹推算装置，包括第一输入模块401、分层模块402、训练模块403、第二输入模块404、轨迹推算模块405、模型设置模块501。
第一输入模块401、第二输入模块404的功能可以参见图4所示。
模型设置模块501，用于在待训练的神经网络模型设置加速度数据模型、角速度数据模型。
在一种具体实施方式中，模型设置模块501基于惯性测量单元的加速度计和陀螺仪两者不同的特性，在待训练的神经网络模型设置加速度数据模型、角速度数据模型。训练模块403分别对加速度数据模型、角速度数据模型进行训练，能够降低神经网络模型训练的复杂度，更快、更准确地完成对待训练的神经网络模型的训练。
分层模块402，具体用于将加速度数据模型的全连接层的神经元依序分成n层神经元，将角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n。
在一种具体实施方式中，分层模块402将加速度数据模型的全连接层的神经元依序分成n层神经元，每层神经元的个数为2的i次方，其中，n为正整数，i=1，2，…，n，后一层神经元包括前一层神经元。例如，加速度数据模型的全连接层有100个神经元，分层模块402将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
在一种具体实施方式中，分层模块402将角速度数据模型的全连接层的神经元依序分成n层神经元，每层神经元的个数为2的i次方，其中，n为正整数，i=1，2，…，n，后一层神经元包括前一层神经元。例如，角速度数据模型的全连接层有100个神经元，分层模块402将100个神经元依序分成多层神经元，第一层神经元包括第1个至第2个共2（2的1次方）个神经元，第二层神经元包括第1个至第4个共4（2的2次方）个神经元，第三层神经元包括第1个至第8个共8（2的3次方）个神经元，第四层神经元包括第1个至第16个共16（2的4次方）个神经元，第五层神经元包括第1个至第32个共32（2的5次方）个神经元，第六层神经元包括第1个至第64个共64（2的6次方）个神经元，第七层神经元包括第1个至第100个共100（2的7次方=128>100）个神经元。
在一种实施方式中，训练模块403包括轨迹子模块413、误差计算子模块423、参数获取子模块433、参数设置子模块443。轨迹子模块413包括第一轨迹子模块4131、第二轨迹子模块4132；误差计算子模块423包括第一误差计算子模块4231、第二误差计算子模块4232；参数获取子模块433包括第一参数获取子模块4331、第二参数获取子模块4332；参数设置子模块443包括第一参数设置子模块4431、第二参数设置子模块4432。
第一轨迹子模块4131，用于使加速度数据模型依序利用全连接层的第i层神经元依据第一输入模块401输入的测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和测量数据序列的角速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以加速度数据模型的第一层神经元和第二层神经元为例，先对加速度数据模型的的第一层神经元进行训练，获得第一层神经元的参数。第一轨迹子模块4131可以使加速度数据模型利用全连接层的第一层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列的加速度序列预测输出加速度估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使加速度数据模型利用全连接层的第一层神经元依据车辆的初始位姿、加速度估计数据序列和测量数据序列的角速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
第一误差计算子模块4231，用于计算获得第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，第一误差计算子模块4231计算第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
第一参数获取子模块4331，用于通过使第一误差计算子模块4231计算获得的第i组误差收敛小于预设阈值，获得加速度数据模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，第一参数获取子模块4331可以通过调整加速度数据模型全连接层的第一层神经元的参数，不断优化加速度数据模型全连接层的第一层神经元的参数，使得第一误差计算子模块4231计算获得的第一组误差尽可能最小，收敛小于预设阈值，即通过使第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到加速度数据模型的第一层神经元的参数。
第一参数设置子模块4431，用于将第一参数获取子模块4331获得的加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，第一参数设置子模块4431可以将加速度数据模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
第一轨迹子模块4131，还用于使加速度数据模型利用全连接层的第i+1层神经元依据第一输入模块401输入的测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和测量数据序列的角速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，第一轨迹子模块4131可以使加速度数据模型利用全连接层的第二层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列的加速度序列预测输出加速度估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使加速度数据模型利用全连接层的第二层神经元依据车辆的初始位姿、加速度估计数据序列和测量数据序列的角速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
第一误差计算子模块4231，还用于计算获得第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，第一误差计算子模块4231计算第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
第一参数获取子模块4331，还用于通过使第一误差计算子模块4231计算获得的第i+1组误差收敛小于预设阈值，获得加速度数据模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，第一参数获取子模块4331可以通过调整加速度数据模型全连接层的第二层神经元的参数，不断优化加速度数据模型全连接层的第二层神经元的参数，使得第一误差计算子模块4231计算获得的第二组误差尽可能最小，收敛小于预设阈值，即通过使第一轨迹子模块4131获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到加速度数据模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行第一参数设置子模块4431、第一轨迹子模块4131、第一误差计算子模块4231、第一参数获取子模块4331，依序逐层获得加速度数据模型的全连接层的n层神经元每一层神经元的参数，从而完成加速度数据模型的训练。
第二轨迹子模块4132，用于使角速度数据模型依序利用全连接层的第i层神经元依据第一输入模块401输入的测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和测量数据序列的加速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，以角速度数据模型的第一层神经元和第二层神经元为例，先对角速度数据模型的的第一层神经元进行训练，获得第一层神经元的参数。第二轨迹子模块4132可以使角速度数据模型利用全连接层的第一层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列的角速度序列预测输出角速度估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使角速度数据模型利用全连接层的第一层神经元依据车辆的初始位姿、角速度估计数据序列和测量数据序列的加速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
第二误差计算子模块4232，用于计算获得第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i组误差。
在一种具体实施方式中，第二误差计算子模块4232计算第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第一组误差。
第二参数获取子模块4332，用于通过使第二误差计算子模块4232计算获得的第i组误差收敛小于预设阈值，获得角速度数据模型的全连接层的第i层神经元的参数。
在一种具体实施方式中，第二参数获取子模块4332可以通过调整角速度数据模型全连接层的第一层神经元的参数，不断优化角速度数据模型全连接层的第一层神经元的参数，使得第二误差计算子模块4232计算获得的第一组误差尽可能最小，收敛小于预设阈值，即通过使第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到角速度数据模型的第一层神经元的参数。
第二参数设置子模块4432，用于将第二参数获取子模块4332获得的角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数。
在一种具体实施方式中，第二参数设置子模块4432可以将角速度数据模型全连接层的第一层神经元的参数设置为第二层神经元的初始参数。
第二轨迹子模块4132，还用于使角速度数据模型利用全连接层的第i+1层神经元依据第一输入模块401输入的测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和测量数据序列的加速度序列推算获得同一时间段的每个时刻的车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
在一种具体实施方式中，第二轨迹子模块4132可以使角速度数据模型利用全连接层的第二层神经元依据第一输入模块401输入的一个时间段的惯性测量单元的测量数据序列的角速度序列预测输出角速度估计数据序列；依据第一输入模块401输入的同一个时间段的RTK定位模块的位置数据序列获得车辆的初始位姿；并可以使角速度数据模型利用全连接层的第二层神经元依据车辆的初始位姿、角速度估计数据序列和测量数据序列的加速度序列，推算得到一个时间段的每个时刻车辆的轨迹点推算位置，由此获得车辆的轨迹点推算位置数据序列。
第二误差计算子模块4232，还用于计算获得第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列的第i+1组误差。
在一种具体实施方式中，第二误差计算子模块4232计算第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列与第一输入模块401输入的定位模块的位置数据序列在同一时间段的每个相同时刻的车辆的轨迹点推算位置数据和定位模块的位置数据的差值，从而计算获得同一时间段的车辆的轨迹点推算位置数据序列与定位模块的位置数据序列的第二组误差。
第二参数获取子模块4332，还用于通过使第二误差计算子模块4232计算获得的第i+1组误差收敛小于预设阈值，获得角速度数据模型的全连接层的第i+1层神经元的参数。
在一种具体实施方式中，第二参数获取子模块4332可以通过调整角速度数据模型全连接层的第二层神经元的参数，不断优化角速度数据模型全连接层的第二层神经元的参数，使得第二误差计算子模块4232计算获得的第二组误差尽可能最小，收敛小于预设阈值，即通过使第二轨迹子模块4132获得的车辆的轨迹点推算位置数据序列向第一输入模块401输入的定位模块的位置数据序列收敛，从而得到角速度数据模型的第二层神经元的参数。
在一种具体实施方式中，依此类推，循环执行第二参数设置子模块4432、第二轨迹子模块4132、第二误差计算子模块4232、第二参数获取子模块4332，依序逐层获得角速度数据模型的全连接层的n层神经元每一层神经元的参数，从而完成角速度数据模型的训练。
轨迹推算模块405，用于使完成训练的神经网络模型依据测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
在一种具体实施方式中，轨迹推算模块405使完成训练的加速度数据模型依据第二输入模块404输入的车辆加速度计每个时刻的加速度输出每个时刻的加速度估计数据，获得加速度估计数据序列；使完成训练的角速度数据模型依据第二输入模块404输入的车辆陀螺仪每个时刻的角速度输出每个时刻的角速度估计数据，获得角速度估计数据序列；依据定位模块信号不可用之前的定位信息，获得车辆的初始位姿，车辆的初始位姿初始时刻车辆的位置信息、航向角信息、速度信息；并使完成训练的神经网络模型依据车辆的初始位姿、加速度估计数据序列和角速度估计数据序列，推算得到车辆的轨迹点推算位置，获得车辆的轨迹点推算位置序列，由此获得车辆的运动轨迹。
本申请的实施例提供的技术方案，将待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，以惯性测量单元的测量数据序列和定位模块的位置数据序列为样本，依序逐层获得待训练的神经网络模型全连接层的多层神经元的参数，分层分次依序完成待训练的神经网络模型神经元的训练，降低了神经网络模型的训练难度，能够快速地获得待训练的神经网络模型全连接层神经元的参数，提高神经网络模型的训练效率；同时，利用完成训练的神经网络模型依据惯性测量单元的测量数据序列输出IMU估计数据序列，依据IMU估计数据序列获得车辆的运动轨迹，能够利用神经网络模型降低利用惯性测量单元的测量数据序列推算车辆轨迹时的累积误差，提高利用惯性测量单元的测量数据进行车辆轨迹推算的精度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图6是本申请实施例示出的电子设备的结构示意图。
参见图6，电子设备60包括存储器601和处理器602。
处理器602可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器601可以包括各种类型的存储单元，例如***内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器602或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器601可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器601可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器601上存储有可执行代码，当可执行代码被处理器602处理时，可以使处理器602执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (3)

1.一种基于神经网络模型的车辆轨迹推算方法，其特征在于，包括：
向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；
将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，包括：在所述待训练的神经网络模型设置加速度数据模型、角速度数据模型，将所述加速度数据模型的全连接层的神经元依序分成n层神经元，将所述角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n；
使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练，包括：使所述加速度数据模型依序利用全连接层的第i层神经元依据所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列，计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i组误差，通过使所述第i组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i层神经元的参数，使所述角速度数据模型依序利用全连接层的第i层神经元依据所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列，计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i组误差，通过使所述第i组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i层神经元的参数，将所述加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数，使所述加速度数据模型利用全连接层的第i+1层神经元依据所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列，计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i+1组误差，通过使所述第i+1组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i+1层神经元的参数，将所述角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数，使所述角速度数据模型利用全连接层的第i+1层神经元依据所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列，计算获得所述车辆的轨迹点推算位置数据序列与所述定位模块的位置数据序列的第i+1组误差，通过使所述第i+1组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i+1层神经元的参数；
向完成训练的神经网络模型输入所述惯性测量单元的测量数据序列；
使所述完成训练的神经网络模型依据所述测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得所述车辆的轨迹点推算位置序列，由此获得所述车辆的运动轨迹。
2.一种基于神经网络模型的车辆轨迹推算装置，其特征在于，包括：
第一输入模块，用于向待训练的神经网络模型输入同一时间段的惯性测量单元的测量数据序列、定位模块的位置数据序列；
模型设置模块，用于在所述待训练的神经网络模型设置加速度数据模型、角速度数据模型；
分层模块，用于将所述待训练的神经网络模型的全连接层的神经元按设定规则分成多层神经元，包括：将所述模型设置模块设置的加速度数据模型的全连接层的神经元依序分成n层神经元，将所述模型设置模块设置的角速度数据模型的全连接层的神经元依序分成n层神经元，第i层神经元的个数为2的i次方，第i+1层神经元包括第i层神经元，其中，n为正整数，i=1,2,3，…，n；
训练模块，用于使所述待训练的神经网络模型依序逐层利用所述多层神经元依据所述第一输入模块输入的所述测量数据序列输出IMU估计数据序列，依据所述IMU估计数据序列推算获得车辆的轨迹点推算位置数据序列，依据所述车辆的轨迹点推算位置数据序列、所述第一输入模块输入的所述定位模块的位置数据序列，依序逐层获得所述多层神经元的参数，从而完成所述待训练的神经网络模型的训练，包括第一轨迹子模块、第一误差计算子模块、第一参数获取子模块、第二轨迹子模块、第二误差计算子模块、第二参数获取子模块、第一参数设置子模块、第二参数设置子模块，其中，
所述第一轨迹子模块，用于使所述加速度数据模型依序利用全连接层的第i层神经元依据所述第一输入模块输入的所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第一误差计算子模块，用于计算获得所述第一轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i组误差；
所述第一参数获取子模块，用于通过使所述第一误差计算子模块计算获得的所述第i组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i层神经元的参数；
所述第二轨迹子模块，用于使所述角速度数据模型依序利用全连接层的第i层神经元依据所述第一输入模块输入的所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第二误差计算子模块，用于计算获得所述第二轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i组误差；
所述第二参数获取子模块，用于通过使所述第二误差计算子模块计算获得的所述第i组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i层神经元的参数；
所述第一参数设置子模块，用于将所述第一参数获取子模块获得的所述加速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
所述第一轨迹子模块，还用于使所述加速度数据模型利用全连接层的第i+1层神经元依据所述第一输入模块输入的所述测量数据序列的加速度序列输出加速度估计数据序列，并依据加速度估计数据序列和所述测量数据序列的角速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第一误差计算子模块，还用于计算获得所述第一轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i+1组误差；
所述第一参数获取子模块，还用于通过使所述第一误差计算子模块计算获得的所述第i+1组误差收敛小于预设阈值，获得所述加速度数据模型的全连接层的第i+1层神经元的参数；
所述第二参数设置子模块，用于将所述第二参数获取子模块获得的所述角速度数据模型的全连接层的第i层神经元的参数设置为第i+1层神经元的初始参数；
所述第二轨迹子模块，还用于使所述角速度数据模型利用全连接层的第i+1层神经元依据所述第一输入模块输入的所述测量数据序列的角速度序列输出角速度估计数据序列，并依据角速度估计数据序列和所述测量数据序列的加速度序列推算获得所述同一时间段的每个时刻的所述车辆的轨迹点推算位置，由此获得所述车辆的轨迹点推算位置数据序列；
所述第二误差计算子模块，还用于计算获得所述第二轨迹子模块获得的所述车辆的轨迹点推算位置数据序列与所述第一输入模块输入的所述定位模块的位置数据序列的第i+1组误差；
所述第二参数获取子模块，还用于通过使所述第二误差计算子模块计算获得的所述第i+1组误差收敛小于预设阈值，获得所述角速度数据模型的全连接层的第i+1层神经元的参数；
第二输入模块，用于向完成训练的神经网络模型输入所述惯性测量单元的测量数据序列；
轨迹推算模块，用于使所述完成训练的神经网络模型依据所述第二输入模块输入的所述测量数据序列输出IMU估计数据序列，并依据IMU估计数据序列推算获得所述车辆的轨迹点推算位置序列，由此获得所述车辆的运动轨迹。
3.一种非暂时性机器可读存储介质，其特征在于，非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1所述的方法。
CN202110597498.4A 2021-05-31 2021-05-31 基于神经网络模型的车辆轨迹推算方法及装置 Active CN113252060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597498.4A CN113252060B (zh) 2021-05-31 2021-05-31 基于神经网络模型的车辆轨迹推算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597498.4A CN113252060B (zh) 2021-05-31 2021-05-31 基于神经网络模型的车辆轨迹推算方法及装置

Publications (2)

Publication Number Publication Date
CN113252060A CN113252060A (zh) 2021-08-13
CN113252060B true CN113252060B (zh) 2021-09-21

Family

ID=77185348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597498.4A Active CN113252060B (zh) 2021-05-31 2021-05-31 基于神经网络模型的车辆轨迹推算方法及装置

Country Status (1)

Country Link
CN (1) CN113252060B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114593735B (zh) * 2022-01-26 2024-05-31 奥比中光科技集团股份有限公司 一种位姿预测方法及装置
CN116663438B (zh) * 2023-08-02 2023-10-27 中科星图测控技术股份有限公司 一种基于神经网络反向获取临近空间目标轨迹外推的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9346167B2 (en) * 2014-04-29 2016-05-24 Brain Corporation Trainable convolutional network apparatus and methods for operating a robotic vehicle
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务***辆视觉检测***及方法
US10737717B2 (en) * 2018-02-14 2020-08-11 GM Global Technology Operations LLC Trajectory tracking for vehicle lateral control using neural network
US11308397B2 (en) * 2018-02-16 2022-04-19 Ilya Sorokin System and method of training a neural network
CN108550279B (zh) * 2018-04-03 2019-10-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN110736460B (zh) * 2018-07-19 2023-08-04 博泰车联网科技(上海)股份有限公司 基于神经网络的位置融合方法及***、车载终端
US11126185B2 (en) * 2018-09-15 2021-09-21 Toyota Research Institute, Inc. Systems and methods for predicting vehicle trajectory
CN110728357B (zh) * 2019-09-19 2022-11-18 东南大学 一种基于循环神经网络的imu数据去噪方法
CN112762933B (zh) * 2021-04-07 2021-07-09 智道网联科技(北京)有限公司 基于神经网络模型的车辆定位方法及装置

Also Published As

Publication number Publication date
CN113252060A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN112985462B (zh) 基于卷积神经网络模型的惯性测量数据校正方法及装置
CN112762933B (zh) 基于神经网络模型的车辆定位方法及装置
CN113252060B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN111928869B (zh) 车辆运动轨迹估计方法、装置及电子设备
CN112197772B (zh) 一种确定车辆移动轨迹的方法及相关装置
CN111982158B (zh) 一种惯性测量单元标定方法及装置
CN112146683B (zh) 惯性测量单元标定参数调整方法、装置及电子设备
CN112461269B (zh) 惯性测量单元标定方法、设备及服务器
CN112130188B (zh) 车辆定位方法、设备及云服务器
CN112118537B (zh) 一种利用图片实现移动轨迹估算的方法及相关装置
CN113375669B (zh) 基于神经网络模型的姿态更新方法及装置
CN109492835B (zh) 车辆控制信息的确定方法、模型训练方法和相关装置
CN113175936B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN112985463B (zh) 基于卷积神经网络模型的惯性测量单元标定方法及装置
US11480648B2 (en) Device and method for determining at least one position of a mobile terminal
CN113917512B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
CN112762932B (zh) 基于神经网络模型的轨迹推算方法及装置
CN113280813B (zh) 基于神经网络模型的惯性测量数据补偿方法及装置
JP6980497B2 (ja) 情報処理方法及び情報処理装置
CN114543800A (zh) 一种用于车辆移动轨迹估计的处理方法及相关装置
CN113124884B (zh) 基于lstm神经网络模型的车辆定位方法及装置
CN111928865B (zh) 轨迹计算方法、装置、电子设备及存储介质
CN116793343A (zh) 车辆姿态初始化方法、装置、自动驾驶车辆及存储介质
CN114067458A (zh) Gps信息优化方法、装置、行车记录仪以及存储介质
CN117178164A (zh) 用于辅助车辆导航的方法

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
GR01 Patent grant
GR01 Patent grant