基于深度学习定位终端设备制造技术

公开了基于深度学习定位终端设备的系统和方法。该方法可以包括通过定位设备获取与终端设备相关的一组初始位置，通过该定位设备获取与初始设置对应的基础地图，以及基于初始位置和基础地图通过该定位设备使用神经网络模型确定终端设备的位置。

Positioning terminal equipment based on deep learning

【技术实现步骤摘要】
【国外来华专利技术】基于深度学习定位终端设备
本申请涉及定位终端设备，更具体地，涉及基于深度学习定位终端设备的系统和方法。
技术介绍
终端设备可以通过全球定位系统(GPS)、基站、无线保真(WiFi)接入点等来定位。GPS定位精度可达3至5米，基站定位精度可达100-300米，WiFi接入点定位精度可达20-50米。然而，GPS信号可能被城市中的建筑物屏蔽，因此终端设备可能不能被GPS信号准确定位。此外，初始化GPS定位模块通常需要很长时间(例如，超过45秒)。因此，即使在室外环境中，也可以基于基站、WiFi接入点等定位终端设备。然而，如上所述，定位结果的准确性不令人满意。本申请的实施例提供了用于在没有GPS信号的情况下精确定位终端设备的改进的系统和方法。
技术实现思路
本专利技术的一个方面提供了一种用于定位终端设备的计算机实现的方法，包括：由定位设备获取与终端设备相关的一组初始位置；通过定位设备获取与初始位置对应的基础地图；以及，通过定位设备，基于初始位置和基础地图，使用神经网络模型确定终端设备的位置。本专利技术的另一方面提供一种用于定位终端设备的系统，包括：内存，被配置为存储神经网络模型；与终端设备和定位服务器通信的通信接口，所述通信接口被配置为：获取与终端设备相关的一组初始位置，获取与初始位置对应的基础地图；以及处理器，被配置为基于初始位置和基础地图，使用神经网络模型确定终端设备的位置。本申请的又一方面提供了一种存储一组指令的非暂时性计算机可读介质，当由定位系统的至少一个处理器执行时，使定位系统执行用于定位终端设备的方法，该方法包括：获取与终端设备相关的一组初始位置；获取与初始位置对应的基础地图；以及基于初始位置和基础地图，使用神经网络模型确定终端设备的位置，其中所述神经网络模型使用至少一组训练参数训练。应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本专利技术的限制。附图说明图1是根据本申请的一些实施例所示的用于定位终端设备的示例性系统的示意图。图2是根据本申请的一些实施例所示的用于定位终端设备的示例性系统的框图。图3示出了根据本申请的一些实施例的现有设备的示例性基准位置和与现有设备相关的对应假定位置。图4示出了根据本申请的一些实施例的示例性训练基础地图。图5示出了根据本申请的一些实施例的示例性训练图像。图6示出了根据本申请的一些实施例的示例性卷积神经网络。图7是根据本申请的一些实施例所示的用于定位终端设备的示例性过程的流程图。图8是根据本申请的一些实施例所示的使用神经网络模型定位终端设备的示例性过程的流程图。具体实施方式现在将详细参考示例性实施例，其示例在附图中示出。尽可能地，在整个附图中将使用相同的附图标记来表示相同或相似的部分。图1是根据本申请的一些实施例所示的用于定位终端设备的示例性系统的示意图。系统100可以是通用服务器或专用定位设备。终端设备102可以包括可以扫描接入点(AP)104并与系统100通信的任何电子设备。例如，终端设备102可以包括智能电话、膝上型电脑、平板电脑、可穿戴设备、无人机等。如图1所示，终端设备102可以扫描附近的AP104。AP104可以包括发送用于与终端设备通信的信号的设备。例如，AP104可以包括WiFi接入点、基站、蓝牙接入点等。过扫描附近的AP104，每个终端设备102可以生成AP指纹。AP指纹包括与扫描到的AP相关的特征信息，例如AP104的标识(例如，名称、MAC地址等)、接收信号强度指示(ReceivedSignalStrengthIndication,RSSI)、往返时延(RoundTripTime,RTT)等。AP指纹可以被发送到系统100并用于从定位服务器106获取AP104的初始位置。定位服务器106可以是系统100的内部服务器或外部服务器。定位服务器106可以包括存储AP104的初始位置的位置数据库。可以根据终端设备的GPS位置来确定AP的初始位置。例如，当终端设备经过AP时，终端设备的GPS位置可以上传到定位服务器106并被指定为AP的初始位置。因此，每个AP104可以包括至少一个初始位置，因为不止一个终端设备可以分别通过AP并上传GPS位置。如所解释的，AP的初始位置是假定的，并且可以被称为假定位置。可以设想，AP的初始位置可以包括其他位置，例如WiFi确定的位置、蓝牙确定的位置等。因为AP指纹仅包括与终端设备102可以扫描到的AP所相关的特征信息，所以获取的AP104的假定位置与终端设备102的位置相关。因此，AP104的初始位置与终端设备102的位置之间的关联可以用于定位终端设备。与本申请的实施例一致，系统100可以在训练阶段基于与现有设备相关的AP的初始位置来训练神经网络模型，并且在定位阶段基于与终端设备相关的初始位置使用神经网络模型来定位终端设备。在一些实施例中，神经网络模型是卷积神经网络(ConvolutionalNeuralNetwork,CNN)模型。CNN是一种可以通过监督学习进行训练的机器学习算法。CNN模型的架构包括将输入转换为输出的一堆不同的层。上述不同层的实例可包括一个或以上卷积层、池化或降采样层、全连接层，和/或最终损失层。每层可以与至少一个上游层和至少一个下游层连接。可以将输入视为输入层，并且可以将输出视为最终输出层。为了提高CNN模型的性能和学习能力，可以选择性地增加上述不同层的数量。从输入层到输出层的中间不同层的数量可能变得非常大，从而增加了CNN模型架构的复杂性。具有大量中间层的CNN模型被称为深度卷积神经网络(DCNN)模型。例如，一些DCNN模型可以包括多于20到30层，而其他DCNN模型甚至可以包括多于几百层。DCNN模型的示例包括AlexNet、VGGNet、GoogLeNet、ResNet等。本申请的实施例采用CNN模型尤其是DCNN模型的强大学习能力，来基于终端设备扫描的AP的初始位置定位终端设备。如本文所使用的，本申请实施例所使用的CNN模型可以指基于卷积神经网络的框架配制、改编或修改的任何神经网络模型。例如，根据本申请的实施例的CNN模型可以选择性地包括输入层和输出层之间的中间层，例如一个或以上反卷积层，和/或上采样或上池化层。如本文所使用的，“训练”CNN模型是指确定CNN模型中的至少一个层的一个或以上参数。例如，CNN模型的卷积层可包括至少一个滤波器或核。可以通过例如基于反向传播的训练过程来确定一个或以上参数，例如上述至少一个滤波器的核的权重、尺寸、形状和结构。与所公开的实施例一致，为了训练CNN模型，训练过程使用至少一组训练参数。每组训练参数可包括一组特征信号和监督信号。作为非限制性示例，特征信号可以包括由现有设备扫描到的AP的假定位置，而监督信号可以包括现有设备的GPS位置。并且终端设备可以由训练后的CNN模型基于终端设备扫描到的AP的初始位置准确定位。图2是根本文档来自技高网...

【技术保护点】
1.一种用于定位终端设备的计算机实现的方法，包括：/n通过定位设备获取与所述终端设备相关的一组初始位置；/n通过所述定位设备获取与所述初始位置对应的基础地图；以及/n基于所述初始位置和所述基础地图，通过所述定位设备，使用神经网络模型确定所述终端设备的位置。/n

【技术特征摘要】
【国外来华专利技术】1.一种用于定位终端设备的计算机实现的方法，包括：
通过定位设备获取与所述终端设备相关的一组初始位置；
通过所述定位设备获取与所述初始位置对应的基础地图；以及
基于所述初始位置和所述基础地图，通过所述定位设备，使用神经网络模型确定所述终端设备的位置。


2.如权利要求1所述的方法，还包括使用至少一组训练参数训练所述神经网络模型。


3.如权利要求2所述的方法，其特征在于，每组训练参数包括：
现有设备的基准位置；
与所述现有设备相关的至少两个训练位置。


4.如权利要求3所述的方法，其特征在于，每组训练参数还包括：
根据所述训练位置确定的训练基础地图；以及
所述现有设备的识别信息，其中
所述训练基础地图包括建筑物和道路的信息。


5.如权利要求3所述的方法，其特征在于，所述训练位置包括由所述现有设备扫描到的每个接入点的假定位置。


6.如权利要求5所述的方法，其特征在于，每组训练参数还包括与每个训练位置对应的位置值，其中，
当第一接入点的第一假定位置与第二接入点的第二假定位置重叠时，所述位置值增加。


7.如权利要求6所述的方法，还包括基于所述训练位置的坐标和相应位置值生成图像。


8.如权利要求7所述的方法，其特征在于，所述训练位置被映射到所述图像的像素上，以及所述位置值被转换为所述像素的像素值。


9.如权利要求4所述的方法，其特征在于，所述识别信息识别所述现有设备是乘客设备或司机设备。


10.如权利要求3所述的方法，其特征在于，所述基准位置根据由所述现有设备接收的全球定位系统信号确定。


11.一种用于定位终端设备的系统，包括：
内存，被配置为存储神经网络模型；
与所述终端设备和定位服务器通信的通信接口，所述通信接口被配置为：
获取与所述终端设备相关的一组初始位置，
...

【专利技术属性】
技术研发人员：徐海良，束纬寰，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11