CN116698033A - 用户定位方法、装置、计算机设备及存储介质 - Google Patents
用户定位方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116698033A CN116698033A CN202310561596.1A CN202310561596A CN116698033A CN 116698033 A CN116698033 A CN 116698033A CN 202310561596 A CN202310561596 A CN 202310561596A CN 116698033 A CN116698033 A CN 116698033A
- Authority
- CN
- China
- Prior art keywords
- user
- positioning
- users
- sample
- ultra
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010586 diagram Methods 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000000547 structure data Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及坐标定位技术领域,特别是涉及一种用户定位方法、装置、计算机设备及存储介质。所述方法包括:获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号;基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。本申请保证了准确获取待定位用户的定位结果,实现针对多用户的定位操作。
Description
技术领域
本申请涉及坐标定位技术领域,特别是涉及一种用户定位方法、装置、计算机设备及存储介质。
背景技术
随着定位技术的不断发展,定位技术目前被广泛应用于各种智能业务场景,其中,地磁定位技术是在室内场景下,较为常用的定位技术;当通过地磁定位技术进行室内场景的定位操作时,通过检测用户所处位置的地磁指纹,从而根据地磁指纹确定用户的坐标位置。
但是,地磁定位技术的定位精度较低,导致获取的用户坐标位置准确性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确对用户进行定位的用户定位方法、装置、计算机设备及存储介质。
第一方面,本申请提供了一种用户定位方法。该方法包括:
获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号;
基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
在其中一个实施例中,基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果,包括:
根据各地磁指纹和各超宽带信号,确定多用户位置关系图;
将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
在其中一个实施例中,根据各地磁指纹和各超宽带信号,确定多用户位置关系图,包括:
对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标;
根据各超宽带信号,确定各待定位用户之间的相对距离;
基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
在其中一个实施例中,基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图,包括:
以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
在其中一个实施例中,定位模型包括特征提取网络和定位分析网络,将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果,包括:
将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征;
将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
在其中一个实施例中,定位模型的训练方法包括:
基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
在其中一个实施例中,基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型,包括:
根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图;
根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
在其中一个实施例中,定位模型为图注意力网络模型。
第二方面,本申请还提供了一种用户定位装置。该装置包括:
获取模块,用于获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号。
确定模块,用于基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述第一方面任一实施例的用户定位方法。
第四方面,本申请还提供了一种计算机可读存储介质。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如上述第一方面任一实施例的用户定位方法。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述第一方面任一实施例的用户定位方法。
上述用户定位方法、装置、计算机设备及存储介质,通过获取至少两个待定位用户的地磁指纹和超宽带信号,进而,根据地磁指纹和超宽带信号,并基于定位模型,确定各待定位用户的定位结果。由于上述确定各待定位用户的定位结果的过程中,不仅依据了至少两个待定位用户的地磁指纹,还依据了各待定位用户的超宽带信号,因此,在确定待定位用户的定位结果的过程中,实现依据各待定位用户的超宽带信号,对依据地磁指纹的地磁定位技术的定位精度进行提高,保证了准确获取待定位用户的定位结果,实现针对多用户的定位操作。
附图说明
图1为本申请实施例提供的一种用户定位方法的应用环境图;
图2为本申请实施例提供的一种用户定位方法的流程图;
图3为本申请实施例提供的一种确定各待定位用户的定位结果的流程图;
图4为本申请实施例提供的一种确定多用户位置关系图的流程图;
图5为本申请实施例提供的一种多用户位置关系图;
图6为本申请实施例提供的另一种确定各待定位用户的定位结果的流程图;
图7为本申请实施例提供的一种基于定位模型确定定位结果的流程图;
图8为本申请实施例提供的训练定位模型的流程图;
图9为本申请实施例提供的另一种用户定位方法的流程图;
图10为本申请实施例提供的一种用户定位方法的流程框图;
图11为本申请实施例提供的第一种用户定位装置的结构框图;
图12为本申请实施例提供的第二种用户定位装置的结构框图;
图13为本申请实施例提供的第三种用户定位装置的结构框图;
图14为本申请实施例提供的第四种用户定位装置的结构框图;
图15为本申请实施例提供的第五种用户定位装置的结构框图;
图16为本申请实施例提供的第六种用户定位装置的结构框图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
基于上述情况,本申请实施例提供的用户定位方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种终端,该终端可以是服务器,其内部结构图可以如图1所示。该终端包括通过***总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端的数据库用于存储用户定位方法的获取数据。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户定位方法。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在一个实施例中,如图2所示,提供了一种用户定位方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤201,获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号。
其中,地磁指纹指的是各待定位用户所处位置对应的磁场信号;并且,待定位用户所处位置不同,其对应的地磁指纹也不相同。
进一步的,当需要获取各待定位用户的地磁指纹时可基于预先设定于终端内的地磁信号采集装置,采集各待定位用户的地磁指纹;其中,地磁信号采集装置可以为:磁阻传感器与地磁场实验仪等,并且,采集各待定位用户的地磁指纹的方法有很多,在此不对采集各待定位用户地磁指纹的方法进行赘述。
需要说明的是,各待定位用户的超宽带信号指的是每一待定位用户对应终端接收到的其他待定位用户对应终端发送的超宽带信号(UWB信号);其中,执行用户定位方法的终端具有超宽带信号的接收和发送装置。进而实现获取各待定位用户的超宽带信号的操作。
并且,获取各待定位用户的超宽带信号,是为了在对某一待定位用户进行定位操作时,将其他待定位用户作为参考点,并基于超宽带信号获取该待定位用户与其他待定位用户之间的相对距离,以保证后续能够根据该待定位用户与其他待定位用户之间的相对距离,确定待定位用户的定位结果。
进一步的,待定位用户的超宽带信号还可以是待定位用户接收基站发送的超宽带信号,因此,在对待定位用户进行定位操作时,可将基站作为参考点,并基于超宽带信号获取该待定位用户与基站之间的相对距离,以保证后续能够根据该待定位用户与基站之间的相对距离,确定待定位用户的定位结果。
步骤202,基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
需要说明的是,当需要确定各待定位用户的定位结果时,可基于地磁指纹和各超宽带信号,确定多用户位置关系图,进而,将多用户位置关系图输入至定位模型中,得到定位模型输出的各待定位用户的定位结果。
其中,多用户位置关系图是以各待定位用户为用户节点,以各待定位用户之间的相对距离为各用户节点之间的边,构建出的各待定位用户的位置关系图。
进一步说明,定位模型的训练过程包括:预先确定样本用户的定位结果、样本用户的样本地磁指纹和样本用户的样本超带宽信号,进而,根据样本用户的定位结果、样本用户的样本地磁指纹和样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
作为一种实现方式,将多用户位置关系图输入至定位模型后,定位模型先对多用户位置关系图进行特征提取,得到各待定位用户的位置特征;并根据定位模型对各待定位用户的位置特征进行位置估计,得到各待定位用户的定位结果。
在本申请的一种可选的实施例中,当待定位用户的超宽带信号为待定位用户接收到基站发送的超宽带信号时,则不仅可以获取待定位用户的地磁指纹,还可以获取基站的地磁指纹,从而后续能够基于定位模型,根据超宽带信号、待定位用户的地磁指纹和基站的地磁指纹,确定待定位用户的定位结果。
作为另一种实现方式,当需要确定各待定位用户的定位结果时,还可将各待定位用户的地磁指纹和各待定位用户的超宽带信号,直接输入至终端的定位模型中,从而得到定位模型输出的各待定位用户的定位结果。
针对上述实现方式,对该定位模型进行训练时,可将样本用户的定位结果、样本用户的样本地磁指纹和样本用户的样本超带宽信号作为训练样本,并将样本用户的样本地磁指纹和样本用户的样本超带宽信号作为训练样本输入至定位模型,判断该定位模型的输出结果与样本用户的定位结果的差别是否符合预先设定的差别阈值,若符合,则确定定位模型完成训练。
上述用户定位方法,通过获取至少两个待定位用户的地磁指纹和超宽带信号,进而,根据地磁指纹和超宽带信号,并基于定位模型,确定各待定位用户的定位结果。由于上述确定各待定位用户的定位结果的过程中,不仅依据了至少两个待定位用户的地磁指纹,还依据了各待定位用户的超宽带信号,因此,在确定待定位用户的定位结果的过程中,实现依据各待定位用户的超宽带信号,对依据地磁指纹的地磁定位技术的定位精度进行提高,保证了准确获取待定位用户的定位结果,实现针对多用户的定位操作。
随着用户生活与工作中定位需求的不断增加,导致用户对定位精度的要求也越来越高,现有技术中的地磁定位技术已无法满足用户的定位精度要求,因此,为解决地磁定位技术定位精度较低的问题,本实施例的终端可以通过如图3所示的方式,基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果,具体包括如下步骤:
步骤301,根据各地磁指纹和各超宽带信号,确定多用户位置关系图。
在本申请的一种实施例中,多用户定位关系图可体现各待定位用户地磁指纹对应的位置,以及各待定位用户之间的相对距离,因此,当需要确定多用户位置关系图时,可根据各地磁指纹,确定各待定位用户地磁指纹对应的位置;并基于各超宽带信号,确定各待定位用户之间的相对距离;进而,根据各待定位用户地磁指纹对应的位置和各待定位用户之间的相对距离,确定多用户位置关系图。
步骤302,将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
需要说明的是,当多用户位置关系图输入至定位模型后,定位模型可对多用户位置关系图进行特征提取,得到各待定位用户的位置特征;进而,定位模型可根据各待定位用户的位置特征进行位置估计,得到各待定位用户的定位结果。
其中,通过对多用户位置关系图进行特征提取,实现了对于多用户位置关系图各待定位用户相关信息的获取,以保证后续对各待定位用户进行位置估计时能够更加符合待定位用户的实际情况,进一步提高确定各待定位用户定位结果的准确性。
进一步说明,定位模型为图注意力网络模型。
上述用户定位方法,通过确定多用户位置关系图,并将多用户关系图输入至定位模型中,实现根据多用户位置关系图对各待定位用户进行位置估计,得到各待定位用户的定位结果,解决了地磁定位技术定位精度较低的问题,保证了各待定位用户的定位结果的准确性。
在一个实施例中,可通过对地磁指纹进行坐标转换处理,并基于各超宽带信号确定待定位用户之间的相对距离,进而确定多用户位置关系图,此时如图4所示,该方法包括:
步骤401,对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标。
作为一种实现方式,在对各地磁指纹进行坐标转换处理时,可构建平面直角坐标系,并基于各地磁指纹,将各待定位用户映射到平面直角坐标系中,因此,各待定位用户在平面直角坐标系中的坐标,即为各待定位用户的位置坐标。
步骤402,根据各超宽带信号,确定各待定位用户之间的相对距离。
需要说明的是,可获取超宽带信号的发送时间以及超宽带信号的接收时间,进而根据发送时间和接收时间的时间差,确定各待定位用户之间的相对距离。
作为一种实现方式,当需要确定各待定位用户之间的相对距离时,获取超宽带信号的发送时间以及超宽带信号的接收时间,对发送时间和接收时间进行差值运算,所得到的时间差即为超宽带信号的传输时间,进而,将超宽带信号的传输时间与超宽带信号的传输速度进行乘法运算,所得到的结果即为超宽带信号的传输距离,即为各待定位用户之间的相对距离。
步骤403,基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
需要说明的是,在基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图时,是以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
在本申请的一种实施例中,若共包含五个待定位用户,五个待定位用户分别为待定位用户A、待定位用户B、待定位用户C、待定位用户D和待定位用户E,其中,待定位用户A与待定位用户B之间的相对距离为a米,待定位用户A与待定位用户D之间的相对距离为b米,待定位用户B和待定位用户C之间的相对距离为c米,待定位用户C和待定位用户E之间的相对距离为d米,待定位用户E和待定位用户B之间的相对距离为e米,待定位用户E和待定位用户D之间的相对距离为f米,待定位用户B和待定位用户D之间的相对距离为h米,因此,待定位用户A、待定位用户B、待定位用户C、待定位用户D和待定位用户E分别为用户节点,以五个待定位用户之间的相对距离为边构建的多用户位置关系图如图5所示。
上述用户定位方法,通过确定各待定位用户的位置坐标,以及各待定位用户之间的相对距离,实现了对于各待定位用户位置信息的获取,使得多用户位置关系图更加符合各待定位用户的实际位置关系,保证了后续确定定位结果的准确性。
在一个实施例中,定位模型包括特征提取网络和定位分析网络,可根据特征提取网络和定位分析网络得到各待定位用户的定位结果,此时如图6所示,该方法包括:
步骤601,将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征。
需要说明的是,待定位用户的位置特征用于体现多用户位置关系图中各待定位用户的位置坐标以及各待定位用户之间的相对距离。
作为一种实现方式,当需要获取多用户位置关系图中各待定位用户的位置特征时,可对多用户位置关系图进行矢量化处理,从而得到多用户位置关系图对应的特征表示,该多用户位置关系图对应的特征表示即为各述待定位用户的位置特征。
步骤602,将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
具体的,通过将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到定位分析网络输出的至少一个候选定位结果,以及各候选定位结果对应的准确性概率;从各候选定位结果中筛选准确性概率最高的候选定位结果,并将准确性概率最高的候选定位结果作为各待定位用户的定位结果。
举例说明,通过将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到定位分析网络输出的三个候选定位结果,三个候选定位结果分别为候选定位结果A,候选定位结果B和候选定位结果C,三个候选定位结果分别对应的准确性概率为百分之五十、百分之八十和百分之九十,由于百分之九十大于百分之五十和百分之八十,因此,候选定位结果C对应的准确性概率最大,则将候选定位结果C作为各待定位用户的定位结果。
在本申请的一种实施例中,得到各待定位用户的定位结果的过程可如图7所示,具体包括以下内容:通过将各待定位用户的多用户位置关系图输入至特征提取网络,得到各待定位用户的位置特征;将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。其中,各待定位用户的定位结果中包含各待定位用户的预测位置。
上述用户定位方法,通过特征提取网络和定位分析网络,实现根据各待定位用户的位置特征进行位置估计,从而得到各待定位用户的定位结果,保证了各待定位用户的定位结果符合各待定位用户的实际位置关系,提高了各待定位用户的定位结果的准确性。
需要说明的是,当需要训练得到定位模型时,可基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
具体的,可基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,确定训练样本,并基于各样本用户的定位结果对训练样本进行标记;基于标记后的训练样本对初始神经网络模型进行训练,得到定位模型。
在一个实施例中,可构建样本用户位置关系图,根据样本用户位置关系图,训练得到定位模型,此时如图8所示,该方法包括:
步骤801,根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图。
需要说明的是,当需要构建样本用户位置关系图时,可通过对各样本地磁指纹进行坐标转换处理,从而得到各样本用户的位置坐标,并根据各样本超带宽信号,确定各样本用户之间的相对距离;进而,根据各样本用户的位置坐标和各样本用户之间的相对距离,构建样本用户位置关系图。
进一步说明,以各样本用户的位置坐标为用户节点,以各样本用户之间的相对距离为边,构建样本用户位置关系图。
步骤802,根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
需要说明的是,在对初始神经网络模型进行训练时,可对样本用户位置关系图输入至初始神经网络模型,得到初始神经网络模型输出的样本用户的预测定位结果,进而根据样本用户的预测定位结果和样本用户的真实定位结果的差异大于预先设定的差异阈值,对初始神经网络模型进行参数调整,若调整后的初始神经网络模型输出的样本用户的预测定位结果和样本用户的真实定位结果的差异小于差异阈值,则完成对初始神经网络模型的训练,得到定位模型。
其中,差异阈值可根据工作人员的历史经验进行设定,在此不对差异阈值的取值范围进行限定。
进一步说明,可通过损失函数对初始神经网络模型进行损失值计算,若损失值达到预先设定的损失值范围,则完成对初始神经网络模型的训练,得到定位模型,其中,损失函数如下式(1)所示:
其中,ε指的是初始神经网络模型对应的损失值,T指的是样本用户对应的定位结果的种类数量,pi指的是定位模型输出的样本用户的预测定位结果,yi指的是样本用户的真实定位结果,指的是真实定位结果对应的二维位置坐标,l指的是预测定位结果对应的二维位置坐标。
上述用户定位方法,通过构建样本用户位置关系图,并基于样本用户位置关系图训练得到定位模型,实现了通过结合地磁指纹和超宽带信号的方式,通过定位模型,确定各待定位用户的定位结果。
在一个实施例中,当需要确定各待定位用户的定位结果时,此时如图9所示,具体可包括以下内容:
步骤901,获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号。
步骤902,对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标。
步骤903,根据各超宽带信号,确定各待定位用户之间的相对距离。
步骤904,以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
步骤905,将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征。
步骤906,将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
作为一种实现方式,如图10所示,当需要获取各待定位用户的定位结果时,共包括两个阶段,一个阶段为训练阶段,另一个阶段为使用阶段,其中,训练阶段包括以下内容:建立定位指纹库,定位指纹库中包含各样本地磁指纹和各样本超带宽信号;根据定位指纹库,构建图结构数据集,图结构数据集中包括至少两个样本用户位置关系图;根据图结构数据集训练得到定位模型。使用阶段包括获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号,对各地磁指纹进行坐标转换处理,确定用户节点;根据各超宽带信号,确定各待定位用户之间的相对距离,确定各用户节点之间的边,进而构建多用户位置关系图;根据定位模型和多用户位置关系图,进行位置估计,得到各待定位用户的定位结果,并反馈给终端设备。
上述用户定位方法,通过获取至少两个待定位用户的地磁指纹和超宽带信号,进而,根据地磁指纹和超宽带信号,并基于定位模型,确定各待定位用户的定位结果。由于上述确定各待定位用户的定位结果的过程中,不仅依据了至少两个待定位用户的地磁指纹,还依据了各待定位用户的超宽带信号,因此,在确定待定位用户的定位结果的过程中,实现依据各待定位用户的超宽带信号,对依据地磁指纹的地磁定位技术的定位精度进行提高,保证了准确获取待定位用户的定位结果,实现针对多用户的定位操作。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的用户定位方法的用户定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个用户定位装置实施例中的具体限定可以参见上文中对于用户定位方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种用户定位装置,包括:获取模块10和确定模块20,其中:
获取模块10,用于获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号。
确定模块20,用于基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
上述用户定位装置,通过获取至少两个待定位用户的地磁指纹和超宽带信号,进而,根据地磁指纹和超宽带信号,并基于定位模型,确定各待定位用户的定位结果。由于上述确定各待定位用户的定位结果的过程中,不仅依据了至少两个待定位用户的地磁指纹,还依据了各待定位用户的超宽带信号,因此,在确定待定位用户的定位结果的过程中,实现依据各待定位用户的超宽带信号,对依据地磁指纹的地磁定位技术的定位精度进行提高,保证了准确获取待定位用户的定位结果,实现针对多用户的定位操作。
在一个实施例中,如图12所示,提供了一种用户定位装置,该用户定位装置中确定模块20包括:第一确定单元21和第二确定单元22,其中:
第一确定单元21,用于根据各地磁指纹和各超宽带信号,确定多用户位置关系图。
第二确定单元22,用于将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
在一个实施例中,如图13所示,提供了一种用户定位装置,该用户定位装置中第一确定单元21包括:处理子单元211、第一确定子单元212和第二确定子单元213,其中:
处理子单元211,用于对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标。
第一确定子单元212,用于根据各超宽带信号,确定各待定位用户之间的相对距离。
第二确定子单元213,用于基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
其中,第二确定子单元具体应用于:以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
在一个实施例中,如图14所示,提供了一种用户定位装置,该用户定位装置中第二确定单元22包括:提取子单元221和估计子单元222,其中:
提取子单元221,用于将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征。
估计子单元222,用于将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
在一个实施例中,如图15所示,提供了一种用户定位装置,该用户定位装置中还包括:训练模块30,其中:
训练模块30,用于基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
在一个实施例中,如图16所示,提供了一种用户定位装置,该用户定位装置中训练模块30包括:构建子单元31和训练子单元32,其中:
构建子单元31,用于根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图。
训练子单元32,用于根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
上述用户定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图17所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户定位方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号;
基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
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:
根据各地磁指纹和各超宽带信号,确定多用户位置关系图;
将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
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:
对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标;
根据各超宽带信号,确定各待定位用户之间的相对距离;
基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
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:
以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
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:
将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征;
将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
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:
基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
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:
根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图;
根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
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:
定位模型为图注意力网络模型。
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:
获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号;
基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
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:
根据各地磁指纹和各超宽带信号,确定多用户位置关系图;
将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
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:
对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标;
根据各超宽带信号,确定各待定位用户之间的相对距离;
基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
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:
以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
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:
将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征;
将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
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:
基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
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:
根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图;
根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
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:
定位模型为图注意力网络模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取至少两个待定位用户的地磁指纹,以及各待定位用户的超宽带信号;
基于定位模型,根据地磁指纹和超宽带信号,确定各待定位用户的定位结果。
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:
根据各地磁指纹和各超宽带信号,确定多用户位置关系图;
将多用户位置关系图输入至定位模型中,得到各待定位用户的定位结果。
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:
对各地磁指纹进行坐标转换处理,得到各待定位用户的位置坐标;
根据各超宽带信号,确定各待定位用户之间的相对距离;
基于各待定位用户的位置坐标,以及各待定位用户之间的相对距离,确定多用户位置关系图。
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:
以各待定位用户的位置坐标为用户节点,以各待定位用户之间的相对距离为边,构建多用户位置关系图。
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:
将多用户位置关系图输入至特征提取网络进行特征提取,得到各待定位用户的位置特征;
将各待定位用户的位置特征输入至定位分析网络中进行位置估计,得到各待定位用户的定位结果。
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:
基于至少两个样本用户的样本地磁指纹和各样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到定位模型。
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:
根据各样本地磁指纹和各样本超带宽信号,构建样本用户位置关系图;
根据样本用户位置关系图对初始神经网络模型进行训练,得到定位模型。
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:
定位模型为图注意力网络模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种用户定位方法,其特征在于,所述方法包括:
获取至少两个待定位用户的地磁指纹,以及各所述待定位用户的超宽带信号;
基于定位模型,根据所述地磁指纹和所述超宽带信号,确定各所述待定位用户的定位结果。
2.根据权利要求1所述的方法,其特征在于,所述基于定位模型,根据所述地磁指纹和所述超宽带信号,确定各所述待定位用户的定位结果,包括:
根据各所述地磁指纹和各所述超宽带信号,确定多用户位置关系图;
将所述多用户位置关系图输入至所述定位模型中,得到各所述待定位用户的定位结果。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述地磁指纹和各所述超宽带信号,确定多用户位置关系图,包括:
对各所述地磁指纹进行坐标转换处理,得到各所述待定位用户的位置坐标;
根据各所述超宽带信号,确定各所述待定位用户之间的相对距离;
基于各所述待定位用户的位置坐标,以及各所述待定位用户之间的相对距离,确定多用户位置关系图。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述待定位用户的位置坐标,以及各所述待定位用户之间的相对距离,确定多用户位置关系图,包括:
以各所述待定位用户的位置坐标为用户节点,以各所述待定位用户之间的相对距离为边,构建所述多用户位置关系图。
5.根据权利要求2所述的方法,其特征在于,所述定位模型包括特征提取网络和定位分析网络,所述将所述多用户位置关系图输入至所述定位模型中,得到各所述待定位用户的定位结果,包括:
将所述多用户位置关系图输入至所述特征提取网络进行特征提取,得到各所述待定位用户的位置特征;
将各所述待定位用户的位置特征输入至所述定位分析网络中进行位置估计,得到各所述待定位用户的定位结果。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述定位模型的训练方法包括:
基于至少两个样本用户的样本地磁指纹和各所述样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到所述定位模型。
7.根据权利要求6所述的方法,其特征在于,所述基于至少两个样本用户的样本地磁指纹和各所述样本用户的样本超带宽信号,对初始神经网络模型进行训练,得到所述定位模型,包括:
根据各所述样本地磁指纹和各所述样本超带宽信号,构建样本用户位置关系图;
根据所述样本用户位置关系图对所述初始神经网络模型进行训练,得到所述定位模型。
8.根据权利要求6所述的方法,其特征在于,所述定位模型为图注意力网络模型。
9.一种用户定位装置,其特征在于,所述装置包括:
获取模块,用于获取至少两个待定位用户的地磁指纹,以及各所述待定位用户的超宽带信号;
确定模块,用于基于定位模型,根据所述地磁指纹和所述超宽带信号,确定各所述待定位用户的定位结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561596.1A CN116698033A (zh) | 2023-05-17 | 2023-05-17 | 用户定位方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561596.1A CN116698033A (zh) | 2023-05-17 | 2023-05-17 | 用户定位方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116698033A true CN116698033A (zh) | 2023-09-05 |
Family
ID=87836533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310561596.1A Pending CN116698033A (zh) | 2023-05-17 | 2023-05-17 | 用户定位方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698033A (zh) |
-
2023
- 2023-05-17 CN CN202310561596.1A patent/CN116698033A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584276B (zh) | 关键点检测方法、装置、设备及可读介质 | |
CN110096929A (zh) | 基于神经网络的目标检测 | |
CN111027854A (zh) | 一种基于企业大数据的综合画像指数生成方法及相关设备 | |
CN114092963A (zh) | 关键点检测及模型训练方法、装置、设备和存储介质 | |
CN110657760B (zh) | 基于人工智能的测量空间面积的方法、装置及存储介质 | |
WO2021051562A1 (zh) | 人脸特征点定位方法、装置、计算设备和存储介质 | |
CN113191257B (zh) | 笔顺检测方法、装置和电子设备 | |
CN111583264B (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN116698033A (zh) | 用户定位方法、装置、计算机设备及存储介质 | |
CN116229130A (zh) | 模糊图像的类型识别方法、装置、计算机设备和存储介质 | |
CN114549857A (zh) | 图像信息识别方法、装置、计算机设备和存储介质 | |
CN114925153A (zh) | 基于业务的地理信息数据质量检测方法、装置和设备 | |
CN109949076B (zh) | 建立超球面映射模型的方法、信息推荐方法及装置 | |
CN114445778A (zh) | 一种计数方法及装置、电子设备和存储介质 | |
CN111372211A (zh) | 一种基于集成学习的智能手机WiFi室内定位方法 | |
CN111401182A (zh) | 针对饲喂栏的图像检测方法和装置 | |
CN116402842B (zh) | 边缘缺陷检测方法、装置、计算机设备及存储介质 | |
CN110942033A (zh) | 用于推送信息的方法、装置、电子设备和计算机介质 | |
CN117576645B (zh) | 基于bev视角的车位检测方法、装置和计算机设备 | |
CN109711248B (zh) | 一种基于视频的环境识别方法及终端设备 | |
CN116503679B (zh) | 一种基于迁移性图谱的图像分类方法、装置、设备和介质 | |
CN116894802B (zh) | 图像增强方法、装置、计算机设备和存储介质 | |
US20230410384A1 (en) | Augmented reality hierarchical device localization | |
CN115167409A (zh) | 物体信息识别方法、路径规划方法、装置、终端和机器人 |
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 |