WO2024139465A1 - 定位信息处理方法、装置、设备和介质 - Google Patents

定位信息处理方法、装置、设备和介质 Download PDF

Info

Publication number
WO2024139465A1
WO2024139465A1 PCT/CN2023/121377 CN2023121377W WO2024139465A1 WO 2024139465 A1 WO2024139465 A1 WO 2024139465A1 CN 2023121377 W CN2023121377 W CN 2023121377W WO 2024139465 A1 WO2024139465 A1 WO 2024139465A1
Authority
WO
WIPO (PCT)
Prior art keywords
satellite
information
positioning
sensor
target
Prior art date
Application number
PCT/CN2023/121377
Other languages
English (en)
French (fr)
Inventor
张鑫
杨占铎
程宇航
李欣
刘畅
Original Assignee
腾讯科技(深圳)有限公司
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 腾讯科技(深圳)有限公司 filed Critical 腾讯科技(深圳)有限公司
Publication of WO2024139465A1 publication Critical patent/WO2024139465A1/zh

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining 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
    • G01S19/42Determining position
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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
    • G01C21/165Navigation; 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations

Definitions

  • the present application relates to the field of satellite positioning technology, more particularly to the field of electronic map technology, the field of artificial intelligence technology, and in particular to a positioning information processing method, device, equipment and medium.
  • the satellite positioning system is a technology that uses satellites to accurately locate the target object. Satellite positioning technology enables multiple satellites to be observed simultaneously at any time and any point on the earth in order to achieve functions such as navigation and positioning. Satellite positioning technology can be widely used in different scenarios with positioning needs. For example, satellite positioning can be used to guide aircraft, ships, vehicles and individuals to safely and accurately follow the selected route and arrive at the destination on time. However, in many cases, satellite positioning may not be able to give accurate positioning. For example, cloudy days, thick clouds and lightning will affect satellite signals, surrounding buildings and mountain forests will affect satellite signals, and basements, tunnels, under overpasses and other scenes will also affect signal reception. In these cases, the positioning information given by the satellite may be inaccurate. Therefore, we need to determine the accuracy of satellite positioning to determine the credibility of satellite positioning.
  • the accuracy information received from the satellite is usually directly determined as the final positioning accuracy of the satellite positioning.
  • the accuracy information directly provided by the satellite usually cannot reflect the actual positioning accuracy of the satellite, resulting in low accuracy of the obtained satellite positioning accuracy.
  • a positioning information processing method, apparatus, device and medium are provided.
  • the present application provides a positioning information processing method, which is executed by a computer device, comprising:
  • FIG4 is a schematic diagram showing the distribution of target satellites in each quadrant of a plane in one embodiment
  • FIG6 is a schematic diagram showing a comparison between the predicted error, the actual error and the error given by the satellite according to an embodiment of the present application;
  • the object is an entity with a mobile function, and the terminal can be deployed on the object.
  • the object can be a vehicle or a person. It can be understood that if the object is a vehicle, the terminal can be deployed on the vehicle. If the object is a person, the terminal can be carried by the person. Satellite information is information provided by a target satellite for positioning the target object.
  • the sensor feature is a feature that characterizes the characteristics of the sensor, and may be a feature obtained by extracting features from sensor information.
  • the present application can obtain more accurate satellite positioning accuracy, so that based on the more accurate satellite positioning accuracy, more accurate fused positioning information of the target object can be obtained, thereby improving the positioning accuracy of the target object.
  • the terminal can determine the initial fusion weights corresponding to the sensor positioning information and the satellite positioning information respectively, and fuse the sensor positioning information and the satellite positioning information in the satellite information based on the initial fusion weights corresponding to the sensor positioning information and the satellite positioning information respectively, to obtain the initial fused positioning information of the target object.
  • the initial fused positioning information and satellite positioning information are compared and analyzed to obtain the positioning difference characteristics, and the positioning accuracy of the target satellite is predicted based on the satellite characteristics, sensor characteristics and positioning difference characteristics.
  • the satellite information includes the satellite positioning precision factor
  • the terminal may directly use the satellite positioning precision factor as the initial fusion weight of the satellite positioning information.
  • the terminal may determine the initial fusion weight of the sensor positioning information based on the initial fusion weight of the satellite positioning information.
  • the terminal may fuse the sensor positioning information with the satellite positioning information in the satellite information based on the initial fusion weights corresponding to the sensor positioning information and the satellite positioning information, respectively, to obtain the initial fused positioning information of the target object.
  • the initial fused positioning information includes initial fused longitude and latitude information;
  • the satellite positioning information includes satellite positioning longitude and latitude information;
  • the positioning difference feature includes longitude and latitude difference feature;
  • the initial fused positioning information and the satellite positioning information are compared and analyzed for differences to obtain the positioning difference feature, including: comparing and analyzing the initial fused longitude and latitude information with the satellite positioning longitude and latitude information for longitude and latitude difference to obtain the longitude and longitude difference feature.
  • the longitude and latitude of the satellite positioning are lat1, lon1, and the longitude and latitude of the initial fusion positioning are lat2, lon2.
  • the longitude and latitude difference between the initial fusion positioning information and the satellite positioning information that is, the distance between the initial fusion longitude and latitude and the satellite positioning longitude and latitude can be calculated by the following formula:
  • haversine() represents the half-haversine function
  • dist_diff represents the distance between the initial fused longitude and latitude and the satellite positioning longitude and latitude.
  • the accuracy of satellite positioning accuracy can be further improved.
  • the satellite information includes satellite azimuth, satellite elevation angle and satellite signal-to-noise ratio; the satellite features include satellite distribution features; the number of target satellites is multiple; as shown in FIG3 , features are extracted from the satellite information to obtain satellite features, including:
  • Step 302 for each target satellite, determine the position information of the target satellite according to the satellite azimuth and satellite elevation angle of the target satellite, and determine the area where the target satellite is located according to the position information.
  • Step 304 for each region, obtain the satellite signal-to-noise ratio and position information corresponding to the target satellites belonging to the same constellation in the region, and determine the satellite distribution sub-feature corresponding to the region according to the obtained satellite signal-to-noise ratio and position information.
  • the satellite distribution sub-feature is the distribution feature corresponding to each area.
  • the satellite distribution feature is the distribution feature corresponding to all areas together.
  • a constellation includes multiple satellites. It can be understood that a constellation is a collection of satellites, which is a satellite network composed of multiple satellites configured in a preset manner.
  • the area where the target satellite is located is a specific area.
  • the target satellite is located in this area, which can be called the target area.
  • the terminal can determine the location information of the target satellite according to the satellite azimuth and satellite pitch angle of the target satellite, and determine the area where the target satellite is located according to the location information.
  • the area may include target satellites from multiple constellations.
  • the terminal can determine the satellite distribution sub-features corresponding to the area and the constellation according to the satellite signal-to-noise ratio and location information corresponding to each target satellite belonging to the constellation in the area.
  • the terminal can determine the satellite distribution features corresponding to the constellation according to the satellite distribution sub-features corresponding to each area under the constellation.
  • the terminal can splice the satellite distribution features corresponding to multiple constellations to obtain the satellite distribution features corresponding to the target object.
  • the satellite distribution sub-features can be in the form of feature vectors, and M satellite distribution sub-features of N dimensions can be spliced to obtain satellite distribution features of M*N dimensions. M and N are both positive integers greater than 1.
  • the satellite information further includes the satellite identifier of the target satellite.
  • the satellite identifier and the constellation have a corresponding relationship. It can be understood that the satellite identifier of the target satellite included in each constellation has a corresponding relationship with the constellation.
  • the corresponding relationship between the satellite identifier and the constellation is as follows:
  • prn represents a satellite identifier
  • GPS, SBAS, GLONASS, QZSS, and BEIDOU represent different constellations.
  • a target satellite with a satellite identifier prn less than or equal to 32 belongs to the GPS constellation
  • a target satellite with a satellite identifier prn greater than 32 and less than or equal to 64 belongs to the SBAS constellation.
  • the accuracy of the obtained satellite distribution features can be improved.
  • the area where the target satellite is located includes the quadrant where the target satellite is located; for each target satellite, the position information of the target satellite is determined according to the satellite azimuth and satellite pitch angle of the target satellite, and the area where the target satellite is located is determined according to the position information, including: for each target satellite, according to the satellite azimuth and satellite pitch angle of the target satellite, the target satellite is projected onto a plane to obtain the position information of the target satellite on the plane; the plane includes multiple quadrants; according to the position information of the target satellite on the plane, the quadrant where the target satellite is located in the plane is determined.
  • the plane is the plane on which the satellite needs to be projected, which can be pre-set and is a specific plane, which can be called a target plane.
  • the area where the target satellite is located is a specific area, which can be called a target area.
  • the quadrant where the target satellite is located is a specific quadrant, which can be called a target quadrant.
  • the terminal can project the target satellite onto a plane based on the satellite azimuth and satellite elevation angle of the target satellite to obtain the position information of the target satellite on the plane.
  • the plane includes multiple quadrants, and the terminal can determine the quadrant in which the target satellite is located based on the position information of the target satellite on the plane.
  • the satellite distribution sub-feature corresponding to the quadrant is determined based on the satellite signal-to-noise ratio and position information corresponding to each target satellite belonging to the same constellation in the quadrant; the satellite distribution feature is determined based on the satellite distribution sub-features corresponding to each quadrant.
  • the position information of the target satellite in the plane may include the coordinates of the target satellite in the plane, that is, (px, py), which can be calculated by the following formula:
  • represents the satellite azimuth, Indicates the satellite elevation angle.
  • the number of quadrants is 8.
  • the satellite distribution sub-feature corresponding to the first quadrant can be calculated by the following formula:
  • sqrt() represents the square root function
  • dist represents the coordinate information calculated based on the coordinates of the target satellite
  • k represents the number of target satellites belonging to the Beidou constellation in the first quadrant
  • SNR i represents the satellite signal-to-noise ratio of the i-th target satellite
  • the terminal can perform feature splicing on the satellite distribution features corresponding to the 8 quadrants of the Beidou constellation to obtain the satellite distribution features corresponding to the Beidou constellation:
  • the position of each target satellite on the plane is obtained by projecting each target satellite onto the plane.
  • the information is obtained, and the quadrant in which each target satellite is located in the plane is determined according to the position information of the target satellite in the plane.
  • the satellite distribution features are determined according to the satellite distribution sub-features corresponding to each quadrant, which can further improve the accuracy of the obtained satellite distribution features.
  • the number of target satellites is multiple; the satellite information includes at least one of the satellite azimuth, the satellite elevation angle or the satellite signal-to-noise ratio; the satellite characteristics include at least one of the satellite azimuth characteristic, the signal-to-noise ratio mean characteristic, the noise ratio median characteristic or the signal-to-noise ratio proportion characteristic; wherein the satellite azimuth characteristic is determined according to the satellite azimuth corresponding to each target satellite; the signal-to-noise ratio mean characteristic is determined according to the mean of the satellite signal-to-noise ratios corresponding to each of the large elevation angle satellites; the large elevation angle satellite is a target satellite whose satellite elevation angle is greater than a preset elevation angle; the noise ratio median characteristic is determined by calculating the median of the satellite signal-to-noise ratio corresponding to each target satellite; the signal-to-noise ratio proportion characteristic is determined according to the ratio of the target number to the total number of satellites, the target number is the number of target satellites whose satellite signal-to-noise ratio
  • the terminal may determine the satellite azimuth characteristics according to the satellite azimuths corresponding to the target satellites. Specifically, the terminal may calculate the standard deviation of the satellite azimuths corresponding to the target satellites to obtain the satellite azimuth characteristics.
  • std() represents the standard deviation function
  • diff_angle represents the difference in satellite azimuth angles
  • diff_azimuth_std represents the satellite azimuth angle characteristics
  • n is a constant.
  • the median signal-to-noise ratio feature can be calculated by the following formula:
  • the satellite positioning information is first predicted for availability based on the satellite characteristics and sensor characteristics to determine whether the satellite positioning information is available, that is, to preliminarily determine the positioning accuracy of the satellite positioning information. Further, when the availability prediction result indicates that the satellite positioning information is available, it indicates that the satellite positioning information is relatively accurate. Further, the positioning accuracy of the target satellite is predicted based on the satellite characteristics and sensor characteristics, which can further improve the prediction accuracy of the positioning accuracy of the target satellite.
  • the availability prediction result is obtained by prediction by an availability determination model, and the availability determination model is obtained by training based on the first training sample;
  • the first training sample includes multiple groups of positive samples and multiple groups of negative samples; wherein each group of positive samples includes positive sample satellite information and corresponding positive sample sensor information; the positive sample satellite positioning information in the positive sample satellite information satisfies a long-distance difference condition with the reference positioning information;
  • the positive sample sensor information is sensor information collected within a first target time period;
  • the first target time period is a time period from a time point when satellite information was collected last to a time point when the positive sample satellite information was collected;
  • each group of negative samples includes negative sample satellite information and corresponding negative sample sensor information;
  • the negative sample satellite positioning information in the negative sample satellite information satisfies a first short-distance difference condition with the reference positioning information;
  • the negative sample sensor information is sensor information collected within a second target time period;
  • the second target time period is a time period from a time point when satellite information was collected
  • the availability determination is trained by first training samples including multiple groups of positive samples and multiple groups of negative samples.
  • the model can improve the accuracy of availability judgment of the availability judgment model.
  • each group of positive samples also includes positive sample fusion positioning information; the positive sample fusion positioning information is obtained by fusing the positive sample sensor positioning information and the positive sample satellite positioning information; the positive sample sensor positioning information is obtained by predicting the positioning of the target object based on the positive sample sensor information; each group of negative samples also includes negative sample fusion positioning information; the negative sample fusion positioning information is obtained by fusing the negative sample sensor positioning information and the negative sample satellite positioning information; the negative sample sensor positioning information is obtained by predicting the positioning of the target object based on the negative sample sensor information.
  • the accuracy estimation model can be modeled by a deep neural network.
  • a deep neural network is as follows: there are four layers in total. The first layer is a fully connected layer with 40 neurons, and the activation function is relu (noise linear rectifier function). The second and third layers are fully connected layers with 10 neurons, and the activation function is relu. The fourth layer is the output layer, which is a fully connected layer with 1 neuron, and the activation function is linear (linear function).
  • the optimizer used is the Adam (adaptive moment estimation) optimizer, and the regression objective function is mean_squared_error (mean square error). difference loss function).
  • each group of target samples also includes sample fusion positioning information; the sample fusion positioning information is obtained by fusing the sample sensor positioning information and the sample satellite positioning information; the sample sensor positioning information is obtained by predicting the positioning of the target object based on the sample sensor information.
  • the target object is an autonomous driving vehicle in an autonomous driving scenario;
  • the sensor is a vehicle sensor provided on the autonomous driving vehicle;
  • the vehicle sensor includes at least one of a vehicle speed sensor, a vehicle vision sensor, or a vehicle inertial sensor.
  • Step 712 collect information about the target object through a sensor disposed on the target object to obtain sensor information specific to the target object.
  • Step 714 extract features from the satellite information to obtain satellite features.
  • the number of target satellites is multiple; the satellite information includes at least one of the satellite azimuth, the satellite elevation angle or the satellite signal-to-noise ratio; the satellite characteristics include at least one of the satellite azimuth characteristic, the signal-to-noise ratio mean characteristic, the noise ratio median characteristic or the signal-to-noise ratio proportion characteristic; wherein the satellite azimuth characteristic is determined according to the satellite azimuth corresponding to each target satellite; the signal-to-noise ratio mean characteristic is determined according to the mean of the satellite signal-to-noise ratios corresponding to each of the large elevation angle satellites; the large elevation angle satellite is a target satellite whose satellite elevation angle is greater than a preset elevation angle; the noise ratio median characteristic is determined by calculating the median of the satellite signal-to-noise ratio corresponding to each target satellite; the signal-to-noise ratio proportion characteristic is determined according to the ratio of the target number to the total number of satellites, the target number is the number of target satellites whose satellite signal-to-noise ratio
  • Step 716 extract features from the sensor information to obtain sensor features.
  • Step 718 Fuse the sensor positioning information with the satellite positioning information in the satellite information to obtain the target object The initial fusion positioning information.
  • Step 722 Use the trained availability determination model to predict the availability of satellite positioning information based on satellite features, sensor features, and positioning difference features.
  • the terminal can use the trained availability determination model to predict the availability of satellite positioning information according to satellite characteristics, sensor characteristics and positioning difference characteristics; when the availability prediction result indicates that the satellite positioning information is available, the terminal can use the trained accuracy estimation model to predict the positioning accuracy of the target satellite according to satellite characteristics, sensor characteristics and positioning difference characteristics.
  • the prediction module 804 is further used to predict the availability of satellite positioning information based on satellite characteristics and sensor characteristics; when the availability prediction result indicates that the satellite positioning information is available, the positioning accuracy of the target satellite is predicted based on the satellite characteristics and sensor characteristics.
  • user information including but not limited to user device information, user personal information, etc.
  • data including but not limited to data used for analysis, stored data, displayed data, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

一种定位信息处理方法,由计算机设备执行,包括:获取目标对象对应的卫星信息,卫星信息是由对目标对象进行定位的目标卫星提供的,目标对象设置有传感器(202);获取传感器采集的针对目标对象的传感器信息(204);对卫星信息提取特征,得到卫星特征(206);对传感器信息提取特征,得到传感器特征(208);及根据卫星特征和传感器特征,预测目标卫星的定位精度(210)。

Description

定位信息处理方法、装置、设备和介质
相关申请
本申请要求2022年12月29日申请的,申请号为2022117015013,名称为“定位信息处理方法、装置、设备和介质”的中国专利申请的优先权,在此将其全文引入作为参考。
技术领域
本申请涉及卫星定位技术领域,更涉及电子地图技术,涉及人工智能技术领域,特别是涉及一种定位信息处理方法、装置、设备和介质。
背景技术
卫星定位***是一种使用卫星对目标对象进行准确定位的技术,卫星定位技术实现了在任意时刻、地球上任意一点都可以同时观测到多颗卫星,以便实现导航和定位等功能。卫星定位技术可以广泛应用于不同的有定位需求的场景,比如,卫星定位可以用来引导飞机、船舶、车辆以及个人,安全、准确地沿着选定的路线,准时到达目的地。然而,在很多情况下,卫星定位也会无法给出精准定位,比如,阴天、云层过厚和闪电等会影响卫星信号,周围建筑物及山脉密林影响卫星信号,以及地下室、隧道、立交桥下等场景下也会影响信号接收,在这些情况下,卫星给出的定位信息可能不准确。因此,我们需要确定卫星定位的精度,以判断卫星定位的可信程度。
传统技术中,通常是将从卫星接收到的精度信息直接确定为卫星定位最终的定位精度,然而,卫星直接提供的精度信息通常无法反映卫星真实的定位精度,导致获取的卫星定位精度准确性较低。
发明内容
根据本申请的各种实施例,提供一种定位信息处理方法、装置、设备和介质。
第一方面,本申请提供了一种定位信息处理方法,由计算机设备执行,包括:
获取目标对象对应的卫星信息,所述卫星信息是由对所述目标对象进行定位的目标卫星提供的,所述目标对象设置有传感器;
获取所述传感器采集的针对所述目标对象的传感器信息;
对所述卫星信息提取特征,得到卫星特征;
对所述传感器信息提取特征,得到传感器特征;及
根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度。
第二方面,本申请提供了一种定位信息处理装置,包括:
获取模块,用于获取目标对象对应的卫星信息,所述卫星信息是由对所述目标对象进行定位的目标卫星提供的,所述目标对象设置有传感器;获取所述传感器采集的针对所述目标对象的传感器信息;
特征提取模块,用于对所述卫星信息提取特征,得到卫星特征;对所述传感器信息提取特征,得到传感器特征;及
预测模块,用于根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度。
传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息传感器定位信息第三方面,本申请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可读指令,该处理器执行计算机可读指令时实现本申请各方法实施例中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,存储有计算机可读指令,该计算机可读指令被处理器执行时实现本申请各方法实施例中的步骤。
第五方面,本申请提供了一种计算机程序产品,包括计算机可读指令,计算机可读指令被处理器执行时实现本申请各方法实施例中的步骤。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和 优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据公开的附图获得其他的附图。
图1为一个实施例中定位信息处理方法的应用环境图;
图2为一个实施例中定位信息处理方法的流程示意图;
图3为一个实施例中卫星分布特征的确定流程示意图;
图4为一个实施例中各目标卫星在平面各象限的分布示意图;
图5为另一个实施例中定位信息处理方法的流程示意图;
图6为一个实施例中本申请预测误差、真实误差以及卫星给出误差之间的比对示意图;
图7为又一个实施例中定位信息处理方法的流程示意图;
图8为一个实施例中定位信息处理装置的结构框图;
图9为另一个实施例中定位信息处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请提供的定位信息处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他服务器上。其中,终端102可以但不限于是各种台式计算机、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。服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、云安全、主机安全等网络安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
终端102可获取目标对象对应的卫星信息,卫星信息是由对目标对象进行定位的目标卫星提供的,目标对象设置有传感器。终端102可获取传感器采集的针对目标对象的传感器信息。终端102可对卫星信息提取特征,得到卫星特征。终端102可对传感器信息提取特征,得到传感器特征。终端102可根据卫星特征和传感器特征,预测目标卫星的定位精度。
可以理解,终端102可以将预测的定位精度作为融合参考参数,以将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的融合定位信息。其中,传感器定位信息是基于传感器信息对目标对象进行定位预测得到。还可以理解,终端102可以将预测的定位精度发送至服务器104,服务器104可将定位精度作为融合参考参数,以将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的融合定位信息,并将融合定位信息发送至终端102。本实施例对此不做限定,可以理解,图1中的应用场景仅为示意说明,并不限定于此。
需要说明的是,本申请一些实施例中的定位信息处理方法使用到了人工智能技术。比如,对卫星定位信息进行可用性预测,则属于使用人工智能技术的方式实现,以及,目标 卫星的定位精度,也属于使用人工智能技术预测得到。
在一个实施例中,如图2所示,提供了一种定位信息处理方法,本实施例以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,获取目标对象对应的卫星信息,卫星信息是由对目标对象进行定位的目标卫星提供的,目标对象设置有传感器。
其中,对象是具备移动功能的实体,终端可以部署在对象上。比如,对象可以是车辆或人等。可以理解,若对象是车辆,则终端可以部署在车辆上。若对象是人,则终端可以由人携带在身上。卫星信息是由对目标对象进行定位的目标卫星提供的信息。
目标对象,是特定的对象,具体是本申请的定位信息处理方法所针对的对象。目标卫星是特定的卫星,具体是对目标对象进行定位的卫星。当终端设置在某个对象上或由某个对象携带,则该对象就是目标对象,对该对象定位的卫星就是目标卫星。
目标对象设置有传感器。比如,当目标对象是车辆,则传感器可设置在车辆上;当目标对象是人,则传感器可由人携带。在一个实施例中,设置在目标对象上的传感器包括速度传感器、视觉传感器或惯性传感器等中的至少一种。
具体地,终端可支持接收的卫星和数量都是固定的,将终端可支持接收的卫星作为目标卫星,进而,终端可获取由对目标对象进行定位的至少一个目标卫星提供的卫星信息。
步骤204,获取传感器采集的针对目标对象的传感器信息。
具体地,目标对象上设置有传感器和终端,终端可通过设置在目标对象上的传感器对目标对象进行信息采集,得到针对目标对象的传感器信息。其中,针对目标对象的传感器信息,是当传感器设置在目标对象上时由传感器采集的信息。通过传感器对目标对象进行信息采集,是指当传感器设置在目标对象上时由传感器进行信息采集,采集到的传感器信息就是针对目标对象的传感器信息。
在一个实施例中,设置在目标对象上的传感器包括速度传感器、视觉传感器或惯性传感器等中的至少一种。可以理解,若传感器包括速度传感器,则传感器信息包括速度传感器采集得到的速度信息。若传感器包括视觉传感器,则传感器信息包括视觉传感器采集得到的图像信息。若传感器包括惯性传感器,则传感器信息包括惯性传感器采集得到的加速度信息和角速度信息。
步骤206,对卫星信息提取特征,得到卫星特征。
其中,卫星特征是表征卫星特性的特征,可以是对卫星信息进行特征提取得到特征。
在一个实施例中,卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比等中的至少一种。终端可对卫星方位角、卫星俯仰角或卫星信噪比等中的至少一种进行特征提取,得到卫星特征。
在一个实施例中,卫星信息中还包括卫星定位信息,卫星定位信息可包括卫星定位经纬度信息、卫星定位速度信息、卫星定位高度信息、卫星定位时间、卫星定位精度因子或卫星定位状态中的中至少一种。终端可将卫星定位信息直接作为卫星特征。
其中,经纬度是指精度和维度,卫星定位经纬度信息包括卫星对目标对象定位得到的以经度和维度表示的位置信息。卫星定位速度信息,是卫星定位到目标对象得到的关于目标对象的速度的信息。卫星定位时间,是卫星进行定位时的时间。卫星定位精度因子表征卫星对目标对象定位时的精度。卫星定位状态可以是卫星对目标对象定位时的状态。
步骤208,对传感器信息提取特征,得到传感器特征。
其中,传感器特征是表征传感器特性的特征,可以是对传感器信息进行特征提取得到的特征。
在一个实施例中,终端可将传感器采集得到的传感器信息直接作为传感器特征。
在一个实施例中,设置在目标对象上的传感器包括速度传感器、视觉传感器或惯性传感器等中的至少一种。可以理解,若传感器包括速度传感器,则传感器信息包括速度传感器采集得到的速度信息。若传感器包括视觉传感器,则传感器信息包括视觉传感器采集得 到的图像信息。若传感器包括惯性传感器,则传感器信息包括惯性传感器采集得到的加速度信息和角速度信息。
在一个实施例中,终端可以获取地图信息,可以理解,地图信息可以包括车道信息、车道线信息或车道线的中心线信息等中的至少一种。若传感器包括视觉传感器,则终端可基于地图信息对视觉传感器采集得到的图像信息进行修正,得到修正后的图像信息,作为传感器信息。
步骤210,根据卫星特征和传感器特征,预测目标卫星的定位精度。
其中,定位精度,用于表征卫星信息中卫星定位信息的精确程度。
具体地,终端可根据卫星特征和传感器特征,预测目标卫星的定位精度。终端可基于传感器信息对目标对象进行定位预测,得到传感器定位信息。进而,终端可将定位精度作为融合参考参数,以将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的融合定位信息。
在一个实施例中,预测得到的定位精度,可用于将传感器定位信息和卫星信息中的卫星定位信息进行融合。其中,传感器定位信息是基于传感器信息对目标对象进行定位预测得到。可以理解,融合后的定位信息即作为目标对象最终的定位结果。这样,基于更准确的卫星定位精度可以获得更为准确的目标对象的融合定位信息,提升针对目标对象的定位准确性。
在一个实施例中,终端可基于定位精度确定卫星定位信息和传感器定位信息各自的融合权重,以将传感器定位信息和卫星信息中的卫星定位信息进行加权融合,得到目标对象的融合定位信息。终端可将定位精度作为卫星定位信息的融合权重,再基于定位精度确定传感器定位信息的融合权重,从而将传感器定位信息和卫星信息中的卫星定位信息进行加权融合,得到目标对象的融合定位信息。其中,基于定位精度确定传感器定位信息的融合权重,可以是用预设值减去定位精度,预设值可以是1。
上述定位信息处理方法中,通过获取目标对象对应的卫星信息;卫星信息是由对目标对象进行定位的目标卫星提供的;通过设置在目标对象上的传感器对目标对象进行信息采集,得到针对目标对象的传感器信息;对卫星信息提取特征,得到卫星特征。对传感器信息提取特征,得到传感器特征。根据卫星特征和传感器特征,预测目标卫星的定位精度。由于卫星定位精度的确定同时考虑了来自目标卫星的卫星信息和来自传感器的传感器信息,因此,相较于传统的将从卫星接收到的精度信息直接确定为卫星定位最终的定位精度的方式,本申请可以获得更准确的卫星定位精度,从而基于更准确的卫星定位精度可以获得更为准确的目标对象的融合定位信息,提升针对目标对象的定位准确性。
在一个实施例中,定位信息处理方法还包括:将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的初始融合定位信息;传感器定位信息是基于传感器信息对目标对象进行定位预测得到;将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征;根据卫星特征和传感器特征,预测目标卫星的定位精度,包括:根据卫星特征、传感器特征和定位差异特征,预测目标卫星的定位精度。
其中,初始融合定位信息,是将传感器定位信息和卫星定位信息进行融合得到的定位信息,可以理解,初始融合定位信息只是对目标对象进行定位过程中的一个中间态定位结果,并不是最终的定位结果。还可以理解,基于初始融合定位信息可以预测出更准确的目标卫星的定位精度,从而基于更准确的定位精度获得更准确的目标对象的融合定位信息,该融合定位信息才是针对目标对象的最终的定位结果。定位差异特征,是将初始融合定位信息和卫星定位信息进行差异比对分析得到的特征,用于表征初始融合定位信息和卫星定位信息之间的差异大小。
具体地,终端可分别确定传感器定位信息和卫星定位信息分别对应的初始融合权重,并基于传感器定位信息和卫星定位信息分别对应的初始融合权重,将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的初始融合定位信息。进而,终端可将 初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征,并根据卫星特征、传感器特征和定位差异特征,预测目标卫星的定位精度。
在一个实施例中,卫星信息中包括卫星定位精度因子,终端可将卫星定位精度因子直接作为卫星定位信息的初始融合权重。终端可基于卫星定位信息的初始融合权重,确定传感器定位信息的初始融合权重。进而,终端可基于传感器定位信息和卫星定位信息分别对应的初始融合权重,将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的初始融合定位信息。
在一个实施例中,初始融合定位信息包括初始融合加速度信息;卫星定位信息包括卫星定位加速度信息;定位差异特征包括加速度差异特征。将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征,包括:将初始融合加速度信息与卫星定位加速度信息进行加速度差异比对分析,得到加速度差异特征。
其中,初始融合加速度信息,是初始融合定位信息中用于表示目标对象加速度的信息,卫星定位加速度信息,是卫星定位信息中用于表示目标对象加速度的信息,加速度差异特征,是定位差异特征中用于表示加速度的差异特征。
在一个实施例中,初始融合定位信息包括初始融合角速度信息;卫星定位信息包括卫星定位角速度信息;定位差异特征包括角速度差异特征。将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征,包括:将初始融合角速度信息与卫星定位角速度信息进行角速度差异比对分析,得到角速度差异特征。
其中,初始融合角速度信息,是初始融合定位信息中用于表示目标对象角速度的信息,卫星定位角速度信息,是卫星定位信息中用于表示目标对象角速度的信息,角速度差异特征,是定位差异特征中用于表示角速度的差异特征。
上述实施例中,通过卫星特征、传感器特征、以及将初始融合定位信息和卫星定位信息进行差异比对分析得到的定位差异特征,共同预测目标卫星的定位精度,可以进一步提升卫星定位精度的准确性。
在一个实施例中,初始融合定位信息包括初始融合经纬度信息;卫星定位信息包括卫星定位经纬度信息;定位差异特征包括经纬度差异特征;将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征,包括:将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。
其中,初始融合经纬度信息,是初始融合定位信息中用于表示目标对象经纬度的信息,卫星定位经纬度信息,是卫星定位信息中用于表示目标对象经纬度的信息,经纬度差异特征,是定位差异特征中用于表示经纬度的差异特征。经纬度,是指经度和纬度。
具体地,终端可将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。可以理解,终端可根据初始融合经纬度信息与卫星定位经纬度信息,确定初始融合经纬度信息对应的位置与卫星定位经纬度信息对应的位置之间的距离,可以理解,该距离即为经纬度差异特征。
在一个实施例中,同一时刻卫星定位经纬度为lat1,lon1,初始融合定位的经纬度为lat2,lon2,则初始融合定位信息和卫星定位信息的经纬度差异,即初始融合经纬度和卫星定位经纬度之间的距离可以通过以下公式计算得到:
dist_diff=haversine(lon1,lat1,lon2,lat2);
其中,haversine()表示半正矢函数,dist_diff表示初始融合经纬度和卫星定位经纬度之间的距离。
上述实施例中,通过将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征,进而通过卫星特征、传感器特征和经纬度差异特征,共同预测目标卫星的定位精度,可以进一步提升卫星定位精度的准确性。
在一个实施例中,初始融合定位信息包括初始融合速度信息;卫星定位信息包括卫星定位速度信息;定位差异特征包括速度差异特征;将初始融合定位信息和卫星定位信息进 行差异比对分析,得到定位差异特征,包括:确定初始融合速度信息与卫星定位速度信息之间的速度差异信息;根据速度差异信息与初始融合速度信息的比值,确定速度差异特征。
其中,初始融合速度信息,是初始融合定位信息中用于表示目标对象速度的信息,卫星定位速度信息,是卫星定位信息中用于表示目标对象速度的信息,速度差异特征,是定位差异特征中用于表示速度的差异特征。
在一个实施例中,终端可将初始融合速度信息与卫星定位速度信息进行速度差异比对,以确定初始融合速度信息与卫星定位速度信息之间的速度差异信息,并根据速度差异信息与初始融合速度信息的比值,确定速度差异特征。
在一个实施例中,卫星定位速度为V1,初始融合速度为V2,则速度差异特征可通过以下公式计算得到:
diff_V=abs(V1-V2)/V2
其中,abs(),表示绝对值函数,(V1-V2)表示初始融合速度信息与卫星定位速度信息之间的速度差异信息,(V1-V2)/V2表示速度差异信息与初始融合速度信息的比值,diff_V表示速度差异特征。
上述实施例中,通过确定初始融合速度信息与卫星定位速度信息之间的速度差异信息,并根据速度差异信息与初始融合速度信息的比值,确定速度差异特征,进而通过卫星特征、传感器特征和速度差异特征,共同预测目标卫星的定位精度,可以进一步提升卫星定位精度的准确性。
在一个实施例中,卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比;卫星特征包括卫星分布特征;目标卫星的数量为多个;如图3所示,对卫星信息提取特征,得到卫星特征,包括:
步骤302,针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,确定目标卫星的位置信息,并根据位置信息确定目标卫星所位于的区域。
步骤304,针对每一个区域,获取区域中属于同一星座的目标卫星分别对应的卫星信噪比和位置信息,根据获取的卫星信噪比和位置信息,确定区域对应的卫星分布子特征。
步骤306,根据各区域分别对应的卫星分布子特征,确定卫星分布特征。
其中,卫星分布子特征是每个区域分别对应的分布特征。卫星分布特征是所有区域一同对应的分布特征。一个星座中包括多颗卫星,可以理解,星座是卫星的集合,是由多颗卫星按预设的方式配置组成的一个卫星网。目标卫星所位于的区域,是特定的区域,有目标卫星位于该区域,可以称之为目标区域。
具体地,针对每一颗目标卫星,终端可根据该目标卫星的卫星方位角和卫星俯仰角,确定该目标卫星的位置信息,并根据位置信息确定该目标卫星所位于的区域。针对每一个区域,该区域中可包括来自多个星座的目标卫星,针对每一个星座,终端可根据该区域中属于该星座的各目标卫星分别对应的卫星信噪比和位置信息,确定区域对应的、且该星座对应的卫星分布子特征,进而,针对每一个星座,终端可根据在该星座下各区域分别对应的卫星分布子特征,确定该星座对应的卫星分布特征。终端可将多个星座分别对应的卫星分布特征进行拼接,得到目标对象对应的卫星分布特征。卫星分布子特征可以是特征向量的形式,可以将M个N维度的卫星分布子特征拼接,得到M*N维度的卫星分布特征。M和N均是大于1的正整数。
举例说明,终端可支持接收的星座包括星座1、星座2和星座3。区域的数量为8个。星座1、星座2和星座3分别对应的卫星分布特征为8维的特征向量,可以理解,每一个区域对应一个维度的特征向量。终端可将星座1、星座2和星座3分别对应的8维的卫星分布特征向量进行拼接,得到24维的目标对象对应的卫星分布特征向量。
在一个实施例中,卫星信息还包括目标卫星的卫星标识,卫星标识和星座具有对应关系,可以理解,每个星座所包括的目标卫星,其卫星标识与该星座具有对应关系。卫星标识和星座之间的对应关系如下:
prn<=32:GPS,
prn>32&prn<=64:SBAS,
prn>64&prn<=96:GLONASS,
prn>=193&prn<=195:QZSS,
prn>=201&prn<=235:BEIDOU,
其中,prn表示卫星标识,GPS、SBAS、GLONASS、QZSS和BEIDOU分别表示不同的星座。举例说明,卫星标识prn小于或等于32的目标卫星属于GPS星座,卫星标识prn大于32且小于或等于64的目标卫星属于SBAS星座。
上述实施例中,通过确定每个目标卫星所位于的区域,并确定每一个区域对应的卫星分布子特征,进而根据各区域分别对应的卫星分布子特征,确定卫星分布特征,可以提升获得的卫星分布特征的准确性。
在一个实施例中,目标卫星所位于的区域包括目标卫星所位于的象限;针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,确定所针对的目标卫星的位置信息,并根据位置信息确定目标卫星所位于的区域,包括:针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,将目标卫星投影至平面上,得到目标卫星在平面上的位置信息;平面包括多个象限;根据目标卫星在平面上的位置信息,确定目标卫星在平面中所位于的象限。该平面是需要将卫星在其上投影的平面,可以是预先设定的,是特定的平面,可以称之为目标平面。目标卫星所位于的区域,是特定的区域,可以称之为目标区域。目标卫星所位于的象限,是特定的象限,可以称之为目标象限。
具体地,针对每一颗目标卫星,终端可根据该目标卫星的卫星方位角和卫星俯仰角,将该目标卫星投影至平面上,得到该目标卫星在平面的位置信息。平面包括多个象限,终端可根据目标卫星在平面的位置信息,确定该目标卫星在平面中所位于的象限。针对每一个象限,根据象限中属于同一星座的各目标卫星分别对应的卫星信噪比和位置信息,确定象限对应的卫星分布子特征;根据各象限分别对应的卫星分布子特征,确定卫星分布特征。
在一个实施例中,如图4所示,平面上包括8个象限,针对每个目标卫星,终端可根据目标卫星的卫星方位角和卫星俯仰角,将目标卫星投影至平面上,得到目标卫星在平面上的位置信息。进而,终端可根据目标卫星在平面上的位置信息,确定目标卫星在平面中所位于的象限。举例说明,有2个目标卫星位于的象限1、象限5和象限8,有3个目标卫星位于象限2、象限3和象限4,有1个目标卫星位于象限6和7。
在一个实施例中,目标卫星在平面的位置信息,可以理解,位置信息可以包括目标卫星在平面的坐标,即(px,py),可以通过以下公式计算得到:
其中,θ表示卫星方位角,表示卫星俯仰角。
在一个实施例中,象限的数量为8个。针对每一个星座,比如北斗星座,且针对每一个象限,比如第一象限,该第一象限对应的卫星分布子特征可以通过以下公式计算得到:
dist=sqrt(px*px+py*py)
其中,sqrt()表示平方根函数,dist表示基于目标卫星的坐标计算得到的坐标信息,k表示第一象限中属于北斗星座的目标卫星的数量,SNRi表示第i颗目标卫星的卫星信噪比,表示北斗星座在第一象限对应的卫星分布子特征。
可以理解,终端可将该北斗星座在8个象限分别对应的卫星分布特征进行特征拼接,得到北斗星座对应的卫星分布特征:
上述实施例中,通过将每个目标卫星投影至平面上,得到每个目标卫星在平面的位置 信息,并根据目标卫星在平面的位置信息,确定每个目标卫星在平面中所位于的象限。进而根据各象限分别对应的卫星分布子特征,确定卫星分布特征,可以进一步提升获得的卫星分布特征的准确性。
在一个实施例中,目标卫星的数量为多个;卫星信息包括卫星方位角、卫星俯仰角或卫星信噪比中的至少一种;卫星特征包括卫星方位角特征、信噪比均值特征、噪比中位数特征或信噪比占比特征中的至少一种;其中,卫星方位角特征是根据各目标卫星分别对应的卫星方位角确定;信噪比均值特征是根据各大俯仰角卫星分别对应的卫星信噪比的均值确定;大俯仰角卫星,是卫星俯仰角大于预设俯仰角的目标卫星;噪比中位数特征是通过对各目标卫星分别对应的卫星信噪比求中位数确定;信噪比占比特征是根据目标数量与卫星总数量的比值确定,目标数量,是卫星信噪比小于预设信噪比的目标卫星的数量;卫星总数量是目标卫星的数量。
在一个实施例中,终端可根据各目标卫星分别对应的卫星方位角,确定卫星方位角特征。具体地,终端可将各目标卫星分别对应的卫星方位角求标准差,得到卫星方位角特征。
举例说明,若各目标卫星对应的卫星方位角分别为θ1,θ2,θ3,…,θn,其中,θ1<<θ2<<θ3<<…<<θn,则卫星方位角特征可通过以下公式计算得到:
diff_azimuth_std=std(diff_angle1,diff_angle2,…,diff_anglen-1),
diff_angle1=θ21
diff_angle2=θ32
diff_anglen-1=θnn-1
其中,std()表示标准差函数,diff_angle表示卫星方位角之差,diff_azimuth_std表示卫星方位角特征,n为常数。
在一个实施例中,终端可将各大俯仰角卫星分别对应的卫星信噪比求均值,并将计算得到的均值作为信噪比均值特征。
举例说明,若各目标卫星对应的卫星俯仰角分别为预设俯仰角为60°,则终端可从各卫星俯仰角中确定大于60°的作为大俯仰角卫星。各大俯仰角卫星对应的卫星信噪比分别为SNR1,SNR2,SNR3,…,SNRm。则信噪比均值特征可通过以下公式计算得到:
high_elevation_snr_mean=mean(SNR1,SNR2,SNR3,…,SNRm)
其中,mean()为均值函数,high_elevation_snr_mean为信噪比均值特征,n和m为常数,n大于或等于m。
在一个实施例中,终端可将目标卫星分别对应的卫星信噪比求中位数,并将计算得到的中位数作为得到信噪比中位数特征。
举例说明,若各目标卫星对应的卫星信噪比分别为SNR1,SNR2,SNR3,…,SNRn,则信噪比中位数特征可通过以下公式计算得到:
median_snr_feature=meidan(SNR1,SNR2,SNR3,…,SNRn)
其中,meidan()表示中位数函数,median_snr_feature表示信噪比中位数特征,n为常数。
在一个实施例中,终端可确定目标数量与卫星总数量的比值,并将确定的比值作为信噪比占比特征。
在一个实施例中,预设信噪比包括第一预设信噪比和第二预设信噪比。目标数量包括卫星信噪比小于第一预设信噪比的第一目标数量,以及卫星信噪比小于第二预设信噪比的第二目标数量。终端可确定第一目标数量与卫星总数量的比值,并将确定的比值作为信噪比占比特征,以及,确定第二目标数量与卫星总数量的比值,并将确定的比值作为信噪比占比特征。
举例说明,第一预设信噪比为30db,第二预设信噪比为40db,目标数量包括卫星信噪 比小于30db的第一目标数量N1,以及卫星信噪比小于40db的第二目标数量N2。若卫星总数量为N,则信噪比占比特征可通过以下公式计算得到:
percentage_less_than_30db=N1/N,percentage_less_than_40db=N2/N
其中,percentage_less_than_30db表示30db对应的信噪比占比特征,percentage_less_than_40db表示40db对应的信噪比占比特征。
上述实施例中,通过获取各种卫星信息,以及通过各种卫星信息分别得到各种类型的卫星特征,进而根据传感器特征和较为丰富的卫星特征,预测目标卫星的定位精度,可以进一步提升目标卫星的定位精度的预测准确性。
在一个实施例中,定位信息处理方法还包括:根据卫星特征和传感器特征,对卫星定位信息进行可用性预测;在可用性预测结果表征卫星定位信息可用的情况下,执行根据卫星特征和传感器特征,预测目标卫星的定位精度的步骤。
具体地,终端可根据卫星特征和传感器特征,对卫星定位信息进行可用性预测,得到可用性预测结果,可用性预测结果包括卫星定位信息可用和卫星定位信息不可用。可以理解,卫星定位信息可用,说明卫星定位信息较为准确,卫星定位信息不可用,说明卫星定位信息不太准确。在可用性预测结果表征卫星定位信息可用的情况下,终端可根据卫星特征和传感器特征,预测目标卫星的定位精度,并将定位精度作为融合参考参数,以将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象的融合定位信息。在可用性预测结果表征卫星定位信息不可用的情况下,终端可直接将传感器定位信息确定为目标对象的融合定位信息。
上述实施例中,先通过根据卫星特征和传感器特征,对卫星定位信息进行可用性预测,以判断卫星定位信息是否可用,即初步判断卫星定位信息的定位准确率。进而,在可用性预测结果表征卫星定位信息可用的情况下,表明卫星定位信息较为准确,进而,再根据卫星特征和传感器特征,预测目标卫星的定位精度,可以进一步提升目标卫星的定位精度的预测准确性。
在一个实施例中,可用性预测结果是由可用性判定模型预测得到的,可用性判定模型是基于第一训练样本训练得到的;第一训练样本包括多组正样本和多组负样本;其中,每组正样本包括正样本卫星信息和相应的正样本传感器信息;正样本卫星信息中的正样本卫星定位信息与参照定位信息之间满足远距离差异条件;正样本传感器信息是第一目标时间段内采集的传感器信息;第一目标时间段是从上一次采集卫星信息的时间点到正样本卫星信息的采集时间点之间的时间段;每组负样本包括负样本卫星信息和相应的负样本传感器信息;负样本卫星信息中的负样本卫星定位信息与参照定位信息之间满足第一近距离差异条件;负样本传感器信息是第二目标时间段内采集的传感器信息;第二目标时间段是从上一次采集卫星信息的时间点到负样本卫星信息的采集时间点之间的时间段。
其中,参照定位信息,是设置在目标对象上的真值设备提供的针对目标对象的定位信息。
在一个实施例中,远距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离大于第一预设距离阈值。比如,第一预设距离阈值为2米,远距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离大于2米。第一近距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离小于第二预设距离阈值。比如,第二预设距离阈值为1米,则第一近距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离小于1米。
在一个实施例中,远距离差异条件,还可以是正样本卫星定位信息与参照定位信息之间距离落在第一预设距离范围内。第一近距离差异条件,还可以是正样本卫星定位信息与参照定位信息之间距离落在第二预设距离范围内。其中,第一预设距离范围中的各距离值均大于第二预设距离范围中的各距离值。
上述实施例中,通过包括多组正样本和多组负样本的第一训练样本,训练可用性判定 模型,可以提升可用性判定模型的可用性判断准确率。
在一个实施例中,每组正样本还包括正样本融合定位信息;正样本融合定位信息,是基于正样本传感器定位信息和正样本卫星定位信息进行融合得到;正样本传感器定位信息,是基于正样本传感器信息对目标对象进行定位预测得到;每组负样本还包括负样本融合定位信息;负样本融合定位信息,是基于负样本传感器定位信息和负样本卫星定位信息进行融合得到;负样本传感器定位信息,是基于负样本传感器信息对目标对象进行定位预测得到。
在一个实施例中,可用性判定模型可以通过xgboost(决策树)进行建模,还可以通过随机森林进行建模,本实施对此不做限定。通过xgboost进行建模的参数可包括以下中的至少一个:booster(助推器)、objective(目标值)、gamma(伽玛表达式)、max_depth(最大深度)、lambda(拉姆达表达式)、subsample(子样本)、colsample_bytree(列样本树)、min_child_weight(最小子节点权重)、silent(默认值)、eta(伊塔表达式)、seed(种子)、nthread(线程数)、scale_pos_weight(正样本权重)。
在一个实施例中,在可用性判定模型通过xgboost(决策树)建模完成,即可用性判定模型训练结束之后,可用性判定模型可包括多棵树,终端可将卫星特征、传感器特征和定位差异特征输入至已训练的可用性判定模型中,进而卫星特征、传感器特征和定位差异特征在每棵树中会对应一个叶子节点,每个叶子节点对应一个分数。终端可将每棵树对应的分数相加,并根据相加后的分数判定卫星定位信息是否可用。
上述实施例中,通过进一步限定训练可用性判定模型的第一训练样本中的正样本和负样本,即每组正样本还包括正样本融合定位信息,每组负样本还包括负样本融合定位信息,可以进一步提升可用性判定模型的可用性判断准确率。
在一个实施例中,定位精度是通过已训练的精度预估模型预测得到的;精度预估模型通过精度预估模型的训练步骤获得;精度预估模型的训练步骤,包括:获取第二训练样本;第二训练样本包括多组目标样本;每组目标样本包括样本卫星信息和相应的样本传感器信息;样本卫星信息中的样本卫星定位信息与参照定位信息之间满足第二近距离差异条件;样本传感器信息是第三目标时间段内采集的传感器信息;第三目标时间段是从上一次采集卫星信息的时间点到样本卫星信息的采集时间点之间的时间段;通过待训练的精度预估模型基于第二训练样本预测目标卫星定位的精度,得到预测定位精度;根据预测定位精度和参照定位精度之间的差异,更新待训练的精度预估模型的模型参数,以迭代训练待训练的精度预估模型;参照定位精度,是基于样本卫星定位信息与参照定位信息之间的差异确定的。
具体地,终端可获取第二训练样本,并将第二训练样本输入至待训练的精度预估模型,以通过待训练的精度预估模型基于第二训练样本预测目标卫星定位的精度,得到预测定位精度。进而,终端可根据预测定位精度和参照定位精度之间的差异,确定损失值,并基于损失值更新待训练的精度预估模型的模型参数,以迭代训练待训练的精度预估模型,得到已训练的精度预估模型。
在一个实施例中,第二近距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离小于第三预设距离阈值。比如,第三预设距离阈值也可以是2米,则第二近距离差异条件,可以是正样本卫星定位信息与参照定位信息之间距离小于2米。
在一个实施例中,第二近距离差异条件,还可以是正样本卫星定位信息与参照定位信息之间距离落在第三预设距离范围内。
在一个实施例中,精度预估模型可以通过深度神经网络进行建模。举例说明,一个深度神经网络如下:一共四层,第一层是神经元数量为40的全连接层,激活函数为relu(噪声线性整流函数)。第二层和第三层是神经元数量为10的全连接层,激活函数为relu。第四层是输出层,是神经元数量为1的全连接层,激活函数为linear(线性函数)。使用的优化器,为Adam(自适应矩估计)优化器,回归的目标函数为mean_squared_error(均方误 差损失函数)。
在一个实施例中,在精度预估模型通过深度神经网络建模完成,即精度预估模型训练结束之后,终端可将根据卫星特征、传感器特征和定位差异特征,输入至已训练的精度预估模型,通过精度预估模型中的各层全连接层对输入的卫星特征、传感器特征和定位差异特征进行特征提取以及特征组合,进而可以基于组合后的特征预测目标卫星的定位精度。
上述实施例中,通过包括多组目标样本的第二训练样本训练精度预估模型,以及,在训练精度预估模型过程中,通过预测定位精度和参照定位精度之间的差异,更新精度预估模型的模型参数,以迭代训练精度预估模型,可以提升精度预估模型的定位精度预估准确率。
在一个实施例中,每组目标样本还包括样本融合定位信息;样本融合定位信息,是基于样本传感器定位信息和样本卫星定位信息进行融合得到;样本传感器定位信息,是基于样本传感器信息对目标对象进行定位预测得到。
上述实施例中,通过进一步限定训练精度预估模型的第二训练样本所包括的目标样本,即,目标样本还包括样本融合定位信息,可以进一步提升精度预估模型的定位精度预估准确率。
在一个实施例中,目标对象为自动驾驶场景中的自动驾驶车辆;传感器为设置在自动驾驶车辆上的车辆传感器;车辆传感器包括车速传感器、车辆视觉传感器或车辆惯性传感器中的至少一个。
具体地,终端可获取对卫星信息进行特征提取得到的卫星特征,其中,卫星信息是由对自动驾驶车辆进行定位的目标卫星提供。终端可获取对传感器信息进行特征提取得到的传感器特征,其中,传感器信息是设置在自动驾驶车辆上的车辆传感器针对自动驾驶车辆采集的信息。进而,终端可根据卫星特征和传感器特征,预测目标卫星的定位精度。其中,定位精度,用于作为融合参考参数以将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到自动驾驶车辆的融合定位信息,传感器定位信息是基于传感器信息对自动驾驶车辆进行定位预测得到。
可以理解,车速传感器可用于获取车辆的车速信息和行驶方向信息。车辆视觉传感器可用于获取包括车道线或障碍物的图像信息。车辆惯性传感器可用于获取车辆的加速度信息和角速度信息。
上述实施例中,将本申请的定位信息处理方法应用于自动驾驶场景中,可以提升自动驾驶场景中自动驾驶车辆的定位准确率。
在一个实施例中,如图5所示,在训练阶段,终端可获取用于生成训练样本的卫星信息、传感器信息、初始融合定位信息和真值信息。并基于生成的相应样本训练可用性判定模型和精度预估模型。在预测阶段,终端可获取用于预测目标卫星的定位精度的卫星信息、传感器信息和初始融合定位信息,基于卫星信息、传感器信息和初始融合定位信息进行特征提取,并通过可用性判定模型基于提取的特征先进行卫星定位信息的可用性判定,若卫星定位信息被判定为可用,则进一步通过精度预估模型基于提取的特征进行定位精度预测。若卫星定位信息被判定为不可用,则直接输出表征卫星定位信息不可用的提示信息。
在一个实施例中,定位精度通常用定位误差表征,如图6所示,卫星直接给出的定位误差与真实的定位误差相差较大,即说明卫星直接给出的定位精度不太准确。而本申请预测的定位误差与真实的定位误差相差较小,即说明本申请预测的定位精度相较于传统的卫星直接给出的定位精度更为准确。
如图7所示,在一个实施例中,提供了一种定位信息处理方法,本实施例以该方法应用于图1中的终端102为例进行说明,该方法具体包括以下步骤:
步骤702,基于第一训练样本对待训练的可用性判定模型进行训练,得到已训练的可用性判定模型;其中,第一训练样本包括多组正样本和多组负样本;每组正样本包括正样本卫星信息和相应的正样本传感器信息;正样本卫星信息中的正样本卫星定位信息与参照 定位信息之间满足远距离差异条件;正样本传感器信息是第一目标时间段内采集的传感器信息;第一目标时间段是从上一次采集卫星信息的时间点到正样本卫星信息的采集时间点之间的时间段;每组负样本包括负样本卫星信息和相应的负样本传感器信息;负样本卫星信息中的负样本卫星定位信息与参照定位信息之间满足第一近距离差异条件;负样本传感器信息是第二目标时间段内采集的传感器信息;第二目标时间段是从上一次采集卫星信息的时间点到负样本卫星信息的采集时间点之间的时间段。
在一个实施例中,每组正样本还包括正样本融合定位信息;正样本融合定位信息,是基于正样本传感器定位信息和正样本卫星定位信息进行融合得到;正样本传感器定位信息,是基于正样本传感器信息对目标对象进行定位预测得到;每组负样本还包括负样本融合定位信息;负样本融合定位信息,是基于负样本传感器定位信息和负样本卫星定位信息进行融合得到;负样本传感器定位信息,是基于负样本传感器信息对目标对象进行定位预测得到。
步骤704,获取第二训练样本,第二训练样本包括多组目标样本,每组目标样本包括样本卫星信息和相应的样本传感器信息;样本卫星信息中的样本卫星定位信息与参照定位信息之间满足第二近距离差异条件;样本传感器信息是第三目标时间段内采集的传感器信息;第三目标时间段是从上一次采集卫星信息的时间点到样本卫星信息的采集时间点之间的时间段。
步骤706,通过待训练的精度预估模型基于第二训练样本预测目标卫星定位的精度,得到预测定位精度。
步骤708,根据预测定位精度和参照定位精度之间的差异,更新待训练的精度预估模型的模型参数,以迭代训练待训练的精度预估模型,得到已训练的精度预估模型;参照定位精度,是基于样本卫星定位信息与参照定位信息之间的差异确定的。
在一个实施例中,每组目标样本还包括样本融合定位信息;样本融合定位信息,是基于样本传感器定位信息和样本卫星定位信息进行融合得到;样本传感器定位信息,是基于样本传感器信息对目标对象进行定位预测得到。
步骤710,获取目标对象对应的卫星信息,卫星信息是由对目标对象进行定位的目标卫星提供的。
步骤712,通过设置在目标对象上的传感器对目标对象进行信息采集,得到针对目标对象的传感器信息。
步骤714,对卫星信息提取特征,得到卫星特征。
在一个实施例中,卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比;卫星特征包括卫星分布特征;目标卫星的数量为多个;针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,确定目标卫星的位置信息,并根据位置信息确定目标卫星所位于的区域;针对每一个区域,根据区域中同星座卫星别对应的卫星信噪比和位置信息,确定区域对应的卫星分布子特征;同星座卫星是位于区域中、且属于同一星座的目标卫星;根据各区域分别对应的卫星分布子特征,确定卫星分布特征。
在一个实施例中,目标卫星的数量为多个;卫星信息包括卫星方位角、卫星俯仰角或卫星信噪比中的至少一种;卫星特征包括卫星方位角特征、信噪比均值特征、噪比中位数特征或信噪比占比特征中的至少一种;其中,卫星方位角特征是根据各目标卫星分别对应的卫星方位角确定;信噪比均值特征是根据各大俯仰角卫星分别对应的卫星信噪比的均值确定;大俯仰角卫星,是卫星俯仰角大于预设俯仰角的目标卫星;噪比中位数特征是通过对各目标卫星分别对应的卫星信噪比求中位数确定;信噪比占比特征是根据目标数量与卫星总数量的比值确定,目标数量,是卫星信噪比小于预设信噪比的目标卫星的数量;卫星总数量是目标卫星的数量。
步骤716,对传感器信息提取特征,得到传感器特征。
步骤718,将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到目标对象 的初始融合定位信息。
步骤720,将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征。
在一个实施例中,初始融合定位信息包括初始融合经纬度信息;卫星定位信息包括卫星定位经纬度信息;定位差异特征包括经纬度差异特征。将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。
在一个实施例中,初始融合定位信息包括初始融合速度信息;卫星定位信息包括卫星定位速度信息;定位差异特征包括速度差异特征。确定初始融合速度信息与卫星定位速度信息之间的速度差异信息;根据速度差异信息与初始融合速度信息的比值,确定速度差异特征。
步骤722,通过已训练的可用性判定模型,根据卫星特征、传感器特征和定位差异特征,对卫星定位信息进行可用性预测。
步骤724,在可用性预测结果表征卫星定位信息可用的情况下,通过已训练的精度预估模型,根据卫星特征、传感器特征和定位差异特征,预测目标卫星的定位精度。
本申请还提供一种应用场景,该应用场景应用上述的定位信息处理方法。具体地,该定位信息处理方法可应用于自动驾驶中针对自动驾驶车辆定位的场景。终端可通过第一训练样本对待训练的可用性判定模型进行训练,得到已训练的可用性判定模型;其中,第一训练样本包括多组正样本和多组负样本;每组正样本包括正样本卫星信息和相应的正样本传感器信息;正样本卫星信息中的正样本卫星定位信息与参照定位信息之间满足远距离差异条件;正样本传感器信息是第一目标时间段内采集的传感器信息;第一目标时间段是从上一次采集卫星信息的时间点到正样本卫星信息的采集时间点之间的时间段;每组负样本包括负样本卫星信息和相应的负样本传感器信息;负样本卫星信息中的负样本卫星定位信息与参照定位信息之间满足第一近距离差异条件;负样本传感器信息是第二目标时间段内采集的传感器信息;第二目标时间段是从上一次采集卫星信息的时间点到负样本卫星信息的采集时间点之间的时间段。每组正样本还包括正样本融合定位信息;正样本融合定位信息,是基于正样本传感器定位信息和正样本卫星定位信息进行融合得到;正样本传感器定位信息,是基于正样本传感器信息对自动驾驶车辆进行定位预测得到;每组负样本还包括负样本融合定位信息;负样本融合定位信息,是基于负样本传感器定位信息和负样本卫星定位信息进行融合得到;负样本传感器定位信息,是基于负样本传感器信息对自动驾驶车辆进行定位预测得到。
终端可获取第二训练样本;第二训练样本包括多组目标样本;每组目标样本包括样本卫星信息和相应的样本传感器信息;样本卫星信息中的样本卫星定位信息与参照定位信息之间满足第二近距离差异条件;样本传感器信息是第三目标时间段内采集的传感器信息;第三目标时间段是从上一次采集卫星信息的时间点到样本卫星信息的采集时间点之间的时间段;通过待训练的精度预估模型基于第二训练样本预测目标卫星定位的精度,得到预测定位精度;根据预测定位精度和参照定位精度之间的差异,更新待训练的精度预估模型的模型参数,以迭代训练待训练的精度预估模型,得到已训练的精度预估模型;参照定位精度,是基于样本卫星定位信息与参照定位信息之间的差异确定的。每组目标样本还包括样本融合定位信息;样本融合定位信息,是基于样本传感器定位信息和样本卫星定位信息进行融合得到;样本传感器定位信息,是基于样本传感器信息对自动驾驶车辆进行定位预测得到。
终端可获取目标对象对应的卫星信息,并对卫星信息提取特征,得到卫星特征;卫星信息是由对自动驾驶车辆进行定位的目标卫星提供。卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比;卫星特征包括卫星分布特征;目标卫星的数量为多个;针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,确定目标卫星的位置信息,并根据位置信息确定目标卫星所位于的区域;针对每一个区域,根据区域中同星座卫星别对应的卫星信 噪比和位置信息,确定区域对应的卫星分布子特征;同星座卫星是位于区域中、且属于同一星座的目标卫星;根据各区域分别对应的卫星分布子特征,确定卫星分布特征。
可以理解,卫星信息还可以包括卫星方位角、卫星俯仰角或卫星信噪比中的至少一种;卫星特征包括卫星方位角特征、信噪比均值特征、噪比中位数特征或信噪比占比特征中的至少一种;其中,卫星方位角特征是根据各目标卫星分别对应的卫星方位角确定;信噪比均值特征是根据各大俯仰角卫星分别对应的卫星信噪比的均值确定;大俯仰角卫星,是卫星俯仰角大于预设俯仰角的目标卫星;噪比中位数特征是通过对各目标卫星分别对应的卫星信噪比求中位数确定;信噪比占比特征是根据目标数量与卫星总数量的比值确定,目标数量,是卫星信噪比小于预设信噪比的目标卫星的数量;卫星总数量是目标卫星的数量。
终端可对传感器信息提取特征,得到传感器特征;传感器信息是设置在自动驾驶车辆上的车辆传感器针对自动驾驶车辆采集的信息;将传感器定位信息和卫星信息中的卫星定位信息进行融合,得到自动驾驶车辆的初始融合定位信息;将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征;初始融合定位信息包括初始融合经纬度信息;卫星定位信息包括卫星定位经纬度信息;定位差异特征包括经纬度差异特征。将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。初始融合定位信息包括初始融合速度信息;卫星定位信息包括卫星定位速度信息;定位差异特征包括速度差异特征。确定初始融合速度信息与卫星定位速度信息之间的速度差异信息;根据速度差异信息与初始融合速度信息的比值,确定速度差异特征。
终端可通过已训练的可用性判定模型,根据卫星特征、传感器特征和定位差异特征,对卫星定位信息进行可用性预测;在可用性预测结果表征卫星定位信息可用的情况下,通过已训练的精度预估模型,根据卫星特征、传感器特征和定位差异特征,预测目标卫星的定位精度。
可以理解,预测得到的定位精度,可用于将传感器定位信息和卫星信息中的卫星定位信息进行融合;其中,传感器定位信息是基于传感器信息对自动驾驶车辆进行定位预测得到。通过本申请的定位信息处理方法,可以获得更准确的卫星定位精度,从而基于更准确的卫星定位精度可以获得更为准确的自动驾驶车辆的融合定位信息,提升针对自动驾驶车辆的定位准确性。
还可以理解,还可以把本申请预测得到的准确的定位精度提供给第三方,让第三方校验自身获取的定位精度是否准确。
本申请还另外提供一种应用场景,该应用场景应用上述的定位信息处理方法。具体地,该定位信息处理方法可应用于辅助驾驶中针对辅助驾驶车辆定位的场景。可以理解,辅助驾驶场景中也可需要对辅助驾驶车辆进行定位,以确定辅助驾驶车辆所在位置。通过本申请的定位信息处理方法,可以获得更准确的卫星定位精度,从而基于更准确的卫星定位精度可以获得更为准确的辅助驾驶车辆的融合定位信息,提升针对辅助驾驶车辆的定位准确性。还可以理解,本申请的定位信息处理方法还可以应用于车辆驾驶过程中的导航场景、或针对除车辆之外其他机器人的定位场景等。通过本申请的定位信息处理方法,可以获得更准确的卫星定位精度,从而基于更准确的卫星定位精度可以获得更为准确的车辆或其他机器人的融合定位信息,提升针对车辆或其他机器人的定位准确性。
应该理解的是,虽然上述各实施例的流程图中的各个步骤按照顺序依次显示,但是这些步骤并不是必然按照顺序依次执行。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,上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子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8所示,提供了一种定位信息处理装置800,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:
获取模块802,用于获取目标对象对应的卫星信息,卫星信息是由对目标对象进行定位的目标卫星提供的,目标对象设置有传感器;获取传感器采集的针对目标对象的传感器信息。
特征提取模块803,用于对卫星信息提取特征,得到卫星特征;对传感器信息提取特征,得到传感器特征。
预测模块804,用于根据卫星特征和传感器特征,预测目标卫星的定位精度。
在一个实施例中,装置还包括:比对模块,用于获取传感器定位信息,将传感器定位信息和卫星信息中的卫星定位信息融合,得到目标对象的初始融合定位信息;传感器定位信息是基于传感器信息对目标对象进行定位预测得到;
将初始融合定位信息和卫星定位信息进行差异比对分析,得到定位差异特征传感器定位信息传感器定位信息;
预测模块804还用于根据卫星特征、传感器特征和定位差异特征,预测目标卫星的定位精度。
在一个实施例中,初始融合定位信息包括初始融合经纬度信息;卫星定位信息包括卫星定位经纬度信息;定位差异特征包括经纬度差异特征;比对模块还用于将初始融合经纬度信息与卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。
在一个实施例中,初始融合定位信息包括初始融合速度信息;卫星定位信息包括卫星定位速度信息;定位差异特征包括速度差异特征;比对模块还用于确定初始融合速度信息与卫星定位速度信息之间的速度差异信息;根据速度差异信息与初始融合速度信息的比值,确定速度差异特征。
在一个实施例中,卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比;卫星特征包括卫星分布特征;目标卫星的数量为多个;特征提取模块803还用于针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,确定目标卫星的位置信息,并根据位置信息确定目标卫星所位于的区域;针对每一个区域,根据区域中同星座卫星别对应的卫星信噪比和位置信息,确定区域对应的卫星分布子特征;同星座卫星是位于区域中、且属于同一星座的目标卫星;根据各区域分别对应的卫星分布子特征,确定卫星分布特征。
在一个实施例中,区域包括目标卫星所位于的象限;特征提取模块803还用于针对每个目标卫星,根据目标卫星的卫星方位角和卫星俯仰角,将目标卫星投影至平面上,得到目标卫星在平面上的位置信息;平面包括多个象限;根据目标卫星在平面上的位置信息,确定目标卫星在平面中所位于的象限。
在一个实施例中,目标卫星的数量为多个;卫星信息包括卫星方位角、卫星俯仰角或卫星信噪比中的至少一种;卫星特征包括卫星方位角特征、信噪比均值特征、噪比中位数特征或信噪比占比特征中的至少一种;其中,卫星方位角特征是根据各目标卫星分别对应的卫星方位角确定;信噪比均值特征是根据各大俯仰角卫星分别对应的卫星信噪比的均值确定;大俯仰角卫星,是卫星俯仰角大于预设俯仰角的目标卫星;噪比中位数特征是通过对各目标卫星分别对应的卫星信噪比求中位数确定;信噪比占比特征是根据目标数量与卫星总数量的比值确定,目标数量,是卫星信噪比小于预设信噪比的目标卫星的数量;卫星总数量是目标卫星的数量。
在一个实施例中,预测模块804还用于根据卫星特征和传感器特征,对卫星定位信息进行可用性预测;在可用性预测结果表征卫星定位信息可用的情况下,根据卫星特征和传感器特征,预测目标卫星的定位精度。
在一个实施例中,可用性预测结果是由可用性判定模型预测得到的,可用性判定模型是基于第一训练样本训练得到的;第一训练样本包括多组正样本和多组负样本;其中,每组正样本包括正样本卫星信息和相应的正样本传感器信息;正样本卫星信息中的正样本卫星定位信息与参照定位信息之间满足远距离差异条件;正样本传感器信息是第一目标时间段内采集的传感器信息;第一目标时间段是从上一次采集卫星信息的时间点到正样本卫星 信息的采集时间点之间的时间段;每组负样本包括负样本卫星信息和相应的负样本传感器信息;负样本卫星信息中的负样本卫星定位信息与参照定位信息之间满足第一近距离差异条件;负样本传感器信息是第二目标时间段内采集的传感器信息;第二目标时间段是从上一次采集卫星信息的时间点到负样本卫星信息的采集时间点之间的时间段。
在一个实施例中,每组正样本还包括正样本融合定位信息;正样本融合定位信息,是基于正样本传感器定位信息和正样本卫星定位信息进行融合得到;正样本传感器定位信息,是基于正样本传感器信息对目标对象进行定位预测得到;每组负样本还包括负样本融合定位信息;负样本融合定位信息,是基于负样本传感器定位信息和负样本卫星定位信息进行融合得到;负样本传感器定位信息,是基于负样本传感器信息对目标对象进行定位预测得到。
在一个实施例中,定位精度是通过已训练的精度预估模型预测得到的;装置还包括:训练模块,用于获取第二训练样本;第二训练样本包括多组目标样本;每组目标样本包括样本卫星信息和相应的样本传感器信息;样本卫星信息中的样本卫星定位信息与参照定位信息之间满足第二近距离差异条件;样本传感器信息是第三目标时间段内采集的传感器信息;第三目标时间段是从上一次采集卫星信息的时间点到样本卫星信息的采集时间点之间的时间段;通过待训练的精度预估模型基于第二训练样本预测目标卫星定位的精度,得到预测定位精度;根据预测定位精度和参照定位精度之间的差异,更新待训练的精度预估模型的模型参数,以迭代训练待训练的精度预估模型;参照定位精度,是基于样本卫星定位信息与参照定位信息之间的差异确定的。
在一个实施例中,每组目标样本还包括样本融合定位信息;样本融合定位信息,是基于样本传感器定位信息和样本卫星定位信息进行融合得到;样本传感器定位信息,是基于样本传感器信息对目标对象进行定位预测得到。
在一个实施例中,定位精度,用于将传感器定位信息和卫星信息中的卫星定位信息进行融合;传感器定位信息是基于传感器信息对目标对象进行定位预测得到。
在一个实施例中,目标对象为自动驾驶场景中的自动驾驶车辆;传感器为设置在自动驾驶车辆上的车辆传感器;车辆传感器包括车速传感器、车辆视觉传感器或车辆惯性传感器中的至少一个。
在一个实施例中,参考图9,定位信息处理装置900除了获取模块802、特征提取模块803和预测模块804之外,还可以包括比对模块806和训练模块808。
上述定位信息处理装置,获取目标对象对应的卫星信息;卫星信息是由对目标对象进行定位的目标卫星提供的;通过设置在目标对象上的传感器对目标对象进行信息采集,得到针对目标对象的传感器信息;通过对卫星信息提取特征,得到卫星特征。对传感器信息提取特征,得到传感器特征。根据卫星特征和传感器特征,预测目标卫星的定位精度。由于卫星定位精度的确定同时考虑了来自目标卫星的卫星信息和来自传感器的传感器信息,因此,相较于传统的将从卫星接收到的精度信息直接确定为卫星定位最终的定位精度的方式,本申请可以获得更准确的卫星定位精度,从而基于更准确的卫星定位精度可以获得更为准确的目标对象的融合定位信息,提升针对目标对象的定位准确性。
上述定位信息处理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10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、内存储器。该非易失性存储介质存储有操作***和计算机可读指令。该内存储器为非易失性存储介质中的 操作***和计算机可读指令的运行提供环境。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。该计算机可读指令被处理器执行时以实现一种定位信息处理方法。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10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,还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可读指令,该处理器执行计算机可读指令时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机可读指令,该计算机可读指令被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机可读指令,计算机可读指令被处理器执行时实现上述各方法实施例中的步骤。
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,是可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,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。

Claims (18)

  1. 一种定位信息处理方法,由计算机设备执行,包括:
    获取目标对象对应的卫星信息,所述卫星信息是由对所述目标对象进行定位的目标卫星提供的,所述目标对象设置有传感器;
    获取所述传感器采集的针对所述目标对象的传感器信息;
    对所述卫星信息提取特征,得到卫星特征;
    对所述传感器信息提取特征,得到传感器特征;及
    根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度。
  2. 根据权利要求1所述的方法,还包括:
    获取传感器定位信息,将所述传感器定位信息和所述卫星信息中的卫星定位信息融合,得到所述目标对象的初始融合定位信息;所述传感器定位信息是基于所述传感器信息对所述目标对象进行定位预测得到;
    将所述初始融合定位信息和所述卫星定位信息进行差异比对分析,得到定位差异特征;
    所述根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度,包括:
    根据所述卫星特征、所述传感器特征和所述定位差异特征,预测所述目标卫星的定位精度。
  3. 根据权利要求2所述的方法,所述初始融合定位信息包括初始融合经纬度信息;所述卫星定位信息包括卫星定位经纬度信息;所述定位差异特征包括经纬度差异特征;
    所述将所述初始融合定位信息和所述卫星定位信息进行差异比对分析,得到定位差异特征,包括:
    将所述初始融合经纬度信息与所述卫星定位经纬度信息进行经纬度差异比对分析,得到经纬度差异特征。
  4. 根据权利要求2或3所述的方法,所述初始融合定位信息包括初始融合速度信息;所述卫星定位信息包括卫星定位速度信息;所述定位差异特征包括速度差异特征;
    所述将所述初始融合定位信息和所述卫星定位信息进行差异比对分析,得到定位差异特征,包括:
    确定所述初始融合速度信息与所述卫星定位速度信息之间的速度差异信息;
    根据所述速度差异信息与所述初始融合速度信息的比值,确定速度差异特征。
  5. 根据权利要求1至4任一项所述的方法,所述卫星信息包括卫星方位角、卫星俯仰角和卫星信噪比;所述卫星特征包括卫星分布特征;所述目标卫星的数量为多个;所述对所述卫星信息提取特征,得到卫星特征,包括:
    针对每个所述目标卫星,根据所述目标卫星的卫星方位角和卫星俯仰角,确定所述目标卫星的位置信息,并根据所述位置信息确定所述目标卫星所位于的区域;
    针对每一个区域,获取所述区域中属于同一星座的目标卫星分别对应的卫星信噪比和位置信息,根据获取的卫星信噪比和位置信息,确定所述区域对应的卫星分布子特征;
    根据各所述区域分别对应的卫星分布子特征,确定卫星分布特征。
  6. 根据权利要求5所述的方法,所述区域包括所述目标卫星所位于的象限;所述针对每个所述目标卫星,根据所述目标卫星的卫星方位角和卫星俯仰角,确定所针对的目标卫星的位置信息,并根据所述位置信息确定所述目标卫星所位于的区域,包括:
    针对每个所述目标卫星,根据所述目标卫星的卫星方位角和卫星俯仰角,将所述目标卫星投影至平面上,得到所述目标卫星在所述平面上的位置信息;所述平面包括多个象限;
    根据所述目标卫星在所述平面上的位置信息,确定所述目标卫星在所述平面中所位于的象限。
  7. 根据权利要求1至6任一项所述的方法,所述目标卫星的数量为多个;所述卫星信息包括卫星方位角、卫星俯仰角或卫星信噪比中的至少一种;所述卫星特征包括卫星方位 角特征、信噪比均值特征、噪比中位数特征或信噪比占比特征中的至少一种;
    其中,所述卫星方位角特征是根据各所述目标卫星分别对应的所述卫星方位角确定;所述信噪比均值特征是根据各大俯仰角卫星分别对应的所述卫星信噪比的均值确定;所述大俯仰角卫星,是卫星俯仰角大于预设俯仰角的目标卫星;所述噪比中位数特征是通过对各所述目标卫星分别对应的所述卫星信噪比求中位数确定;所述信噪比占比特征是根据目标数量与卫星总数量的比值确定,所述目标数量,是所述卫星信噪比小于预设信噪比的目标卫星的数量;所述卫星总数量是所述目标卫星的数量。
  8. 根据权利要求1至7任一项所述的方法,所述方法还包括:
    根据所述卫星特征和所述传感器特征,对所述卫星定位信息进行可用性预测;
    在可用性预测结果表征所述卫星定位信息可用的情况下,执行所述根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度的步骤。
  9. 根据权利要求8所述的方法,所述可用性预测结果是由可用性判定模型预测得到的,所述可用性判定模型是基于第一训练样本训练得到的;所述第一训练样本包括多组正样本和多组负样本;
    其中,每组所述正样本包括正样本卫星信息和相应的正样本传感器信息;所述正样本卫星信息中的正样本卫星定位信息与参照定位信息之间满足远距离差异条件;所述正样本传感器信息是第一目标时间段内采集的传感器信息;所述第一目标时间段是从上一次采集卫星信息的时间点到所述正样本卫星信息的采集时间点之间的时间段;
    每组所述负样本包括负样本卫星信息和相应的负样本传感器信息;所述负样本卫星信息中的负样本卫星定位信息与所述参照定位信息之间满足第一近距离差异条件;所述负样本传感器信息是第二目标时间段内采集的传感器信息;所述第二目标时间段是从上一次采集卫星信息的时间点到所述负样本卫星信息的采集时间点之间的时间段。
  10. 根据权利要求9所述的方法,每组所述正样本还包括正样本融合定位信息;所述正样本融合定位信息,是基于正样本传感器定位信息和所述正样本卫星定位信息进行融合得到;所述正样本传感器定位信息,是基于所述正样本传感器信息对所述目标对象进行定位预测得到;
    每组所述负样本还包括负样本融合定位信息;所述负样本融合定位信息,是基于负样本传感器定位信息和所述负样本卫星定位信息进行融合得到;所述负样本传感器定位信息,是基于所述负样本传感器信息对所述目标对象进行定位预测得到。
  11. 根据权利要求1至10任一项所述的方法,所述定位精度是通过已训练的精度预估模型预测得到的;所述精度预估模型通过精度预估模型的训练步骤获得;所述精度预估模型的训练步骤,包括:
    获取第二训练样本;所述第二训练样本包括多组目标样本;每组所述目标样本包括样本卫星信息和相应的样本传感器信息;所述样本卫星信息中的样本卫星定位信息与参照定位信息之间满足第二近距离差异条件;所述样本传感器信息是第三目标时间段内采集的传感器信息;所述第三目标时间段是从上一次采集卫星信息的时间点到所述样本卫星信息的采集时间点之间的时间段;
    通过待训练的精度预估模型基于所述第二训练样本预测所述目标卫星定位的精度,得到预测定位精度;
    根据所述预测定位精度和参照定位精度之间的差异,更新待训练的精度预估模型的模型参数,以迭代训练所述待训练的精度预估模型;所述参照定位精度,是基于所述样本卫星定位信息与所述参照定位信息之间的差异确定的。
  12. 根据权利要求11所述的方法,每组所述目标样本还包括样本融合定位信息;所述样本融合定位信息,是基于样本传感器定位信息和所述样本卫星定位信息进行融合得到;所述样本传感器定位信息,是基于所述样本传感器信息对所述目标对象进行定位预测得到。
  13. 根据权利要求1至12任一项所述的方法,所述定位精度,用于将传感器定位信息 和所述卫星信息中的卫星定位信息进行融合;所述传感器定位信息是基于所述传感器信息对所述目标对象进行定位预测得到。
  14. 根据权利要求1至13中任一项所述的方法,所述目标对象为自动驾驶场景中的自动驾驶车辆;所述传感器为设置在所述自动驾驶车辆上的车辆传感器;所述车辆传感器包括车速传感器、车辆视觉传感器或车辆惯性传感器中的至少一个。
  15. 一种定位信息处理装置,包括:
    获取模块,用于获取目标对象对应的卫星信息,所述卫星信息是由对所述目标对象进行定位的目标卫星提供的,所述目标对象设置有传感器;获取所述传感器采集的针对所述目标对象的传感器信息;
    特征提取模块,用于对所述卫星信息提取特征,得到卫星特征;对所述传感器信息提取特征,得到传感器特征;及
    预测模块,用于根据所述卫星特征和所述传感器特征,预测所述目标卫星的定位精度。
  16. 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可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现权利要求1至14中任一项所述的方法的步骤。
  17. 一种计算机可读存储介质,存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。
  18. 一种计算机程序产品,包括计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。
PCT/CN2023/121377 2022-12-29 2023-09-26 定位信息处理方法、装置、设备和介质 WO2024139465A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211701501.3 2022-12-29
CN202211701501.3A CN116973957A (zh) 2022-12-29 2022-12-29 定位信息处理方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
WO2024139465A1 true WO2024139465A1 (zh) 2024-07-04

Family

ID=88477274

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/121377 WO2024139465A1 (zh) 2022-12-29 2023-09-26 定位信息处理方法、装置、设备和介质

Country Status (2)

Country Link
CN (1) CN116973957A (zh)
WO (1) WO2024139465A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008157705A (ja) * 2006-12-22 2008-07-10 Clarion Co Ltd ナビゲーションシステム、およびgps測位解精度判定方法
JP2012127899A (ja) * 2010-12-17 2012-07-05 Isuzu Motors Ltd 測位精度判定装置
CN107991691A (zh) * 2017-11-13 2018-05-04 武汉华中天纬测控有限公司 一种卫星导航定位精度检定设备及方法
WO2022121672A1 (zh) * 2020-12-11 2022-06-16 华为技术有限公司 一种定位精度评估方法及装置
CN217655294U (zh) * 2021-07-02 2022-10-25 中国人民解放军战略支援部队信息工程大学 北斗导航定位精度的指标评估装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008157705A (ja) * 2006-12-22 2008-07-10 Clarion Co Ltd ナビゲーションシステム、およびgps測位解精度判定方法
JP2012127899A (ja) * 2010-12-17 2012-07-05 Isuzu Motors Ltd 測位精度判定装置
CN107991691A (zh) * 2017-11-13 2018-05-04 武汉华中天纬测控有限公司 一种卫星导航定位精度检定设备及方法
WO2022121672A1 (zh) * 2020-12-11 2022-06-16 华为技术有限公司 一种定位精度评估方法及装置
CN217655294U (zh) * 2021-07-02 2022-10-25 中国人民解放军战略支援部队信息工程大学 北斗导航定位精度的指标评估装置

Also Published As

Publication number Publication date
CN116973957A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN109435955B (zh) 一种自动驾驶***性能评估方法、装置、设备及存储介质
US10904724B2 (en) Methods and systems for naming a pick up location
CN110686686B (zh) 用于地图匹配的***和方法
US11243288B2 (en) Location error radius determination
CN105229490A (zh) 使用卫星可见性数据来用于提升的位置准确性
US20240133704A1 (en) Methods and Systems for Determining Geographic Orientation Based on Imagery
US11448771B2 (en) Method and apparatus for evaluating data, device, and computer-readable storage medium
CN115616937B (zh) 自动驾驶仿真测试方法、装置、设备和计算机可读介质
CN111415024A (zh) 一种到达时间预估方法以及预估装置
US11656365B2 (en) Geolocation with aerial and satellite photography
US11030456B1 (en) Systems and methods for geo-localization in sensor-deprived or sensor-limited environments
CN113932796A (zh) 高精地图车道线生成方法、装置和电子设备
US20230314153A1 (en) Processing System Having A Machine Learning Engine For Providing A Common Trip Format (CTF) Output
CN113758492A (zh) 地图检测方法和装置
WO2024139465A1 (zh) 定位信息处理方法、装置、设备和介质
CN115952248A (zh) 终端设备的位姿处理方法、装置、设备、介质及产品
CN112595330B (zh) 车辆定位方法、装置、电子设备和计算机可读介质
CN113920174A (zh) 点云配准方法、装置、设备、介质和自动驾驶车辆
CN115077539A (zh) 一种地图生成方法、装置、设备以及存储介质
CN116295466A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN113917506A (zh) 模糊度固定方法、装置、电子设备及自动驾驶设备
US20240233343A1 (en) Vector Map Verification
CN111523409B (zh) 用于生成位置信息的方法和装置
CN111461982B (zh) 用于拼接点云的方法和装置
CN118010038A (zh) 车辆位置的矫正方法、装置、设备及存储介质