申请/专利权人：北京京东乾石科技有限公司

申请日：2018-01-11

公开（公告）日：2024-04-09

公开（公告）号：CN110033088B

主分类号：G06N3/084

分类号：G06N3/084;G06F16/29

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.03.12#专利申请权的转移;2021.03.12#专利申请权的转移;2020.12.08#实质审查的生效;2019.07.19#公开

摘要：本发明公开了一种估计GPS数据的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；采用通过训练深度学习模型得到的估计模型，根据第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；第一时刻的时间戳早于第二时刻的时间戳。该实施方式利用深度学习模型基于惯性测量单元数据和第一时刻的GPS数据，获取GPS数据的内在规律性，达到估计GPS数据的目的，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。

主权项：1.一种估计GPS数据的方法，其特征在于，包括：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳；所述深度学习模型包括循环神经网络RNN模型；训练深度学习模型包括：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。

全文数据：估计GPS数据的方法和装置技术领域本发明涉及计算机技术领域，尤其涉及一种估计GPS数据的方法和装置。背景技术GPS信号常受到天气及环境因素的影响，导致追踪精确度下降甚至GPS数据丢失。目前主要通过对物体上的传感器数据或结合其他辅助定位数据，例如视觉、激光雷达、毫米波雷达、超声波、红外等辅助传感器数据，进行滤波融合，完成GPS数据的估计。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：1.单纯根据传感器数据进行滤波融合的方案，会由于传感器的数据有随时间逐渐偏移的缺点，导致获得的GPS数据精确度不高。2.融合视觉、激光雷达、毫米波雷达、超声波、红外等辅助传感器数据的方案，增加了成本和复杂度。发明内容有鉴于此，本发明实施例提供一种估计GPS数据的方法和装置，利用深度学习模型基于惯性测量单元数据、第一时刻的GPS数据，获取GPS数据的内在规律性，达到估计GPS数据的目的，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。为实现上述目的，根据本发明实施例的一个方面，提供了一种估计GPS数据的方法，包括：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。可选地，获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据之前，所述方法包括：将GPS数据丢失时刻的上一时刻作为第一时刻。可选地，训练深度学习模型包括：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。可选地，所述深度学习模型包括循环神经网络RNN模型；采用训练集历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型，包括：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型，还包括：若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。可选地，所述惯性测量单元数据包括：加速度、角速度和磁力感应数据；所述GPS数据包括位置和速度。为实现上述目的，根据本发明实施例的另一方面，提供了一种估计GPS数据的装置，包括：数据采集模块、估计模块；所述数据采集模块，用于：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；所述估计模块，用于：采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。可选地，所述数据采集模块，用于：将GPS数据丢失时刻的上一时刻作为第一时刻。可选地，所述装置还包括训练模块；所述训练模块，用于：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。可选地，所述深度学习模型包括循环神经网络RNN模型；所述训练模块，用于：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。可选地，所述惯性测量单元数据包括：加速度、角速度和磁力感应数据；所述GPS数据包括位置和速度。为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所提供的估计GPS数据的方法。为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的估计GPS数据的方法。上述发明中的一个实施例具有如下优点或有益效果：利用深度学习模型基于第一时刻的GPS数据、惯性测量单元数据，获取GPS数据的内在规律性，达到估计GPS数据的目的，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本发明，不构成对本发明的不当限定。其中：图1是根据本发明实施例的估计GPS数据的方法的基本流程的示意图；图2为本发明实施例的训练和应用深度学习模型的基本流程示意图；图3为本发明实施例的训练深度学习模型的流程示意图；图4是根据本发明实施例的估计GPS数据的装置的基本模块的示意图；图5是本发明实施例可以应用于其中的示例性系统架构图；图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是根据本发明实施例的估计GPS数据的方法的基本流程的示意图，如图1所示，提供了一种估计GPS数据的方法，包括：步骤S101.获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；步骤S102.采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。第二时刻的惯性测量单元数据为时间戳晚于第一时刻时间戳的惯性测量单元数据，第二时刻的GPS数据为时间戳晚于第一时刻时间戳的GPS数据。本发明实施例利用深度学习模型基于第一时刻的GPS数据、惯性测量单元数据，获取GPS数据的内在规律性，估计GPS数据，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。本发明实施例中，获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据之前，所述方法包括：将GPS数据丢失时刻的上一时刻作为第一时刻。本发明实施例可以快速、准确估计GPS数据，在GPS数据短时间内丢失的情况下，可以作为一种补充手段弥补GPS数据的缺失。本发明实施例中，训练深度学习模型包括：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。本发明实施例通过训练深度学习模型，利用神经网络学习克服传感器数据偏移的问题，通过历史惯性测量单元数据和历史GPS数据的内在规律性，得到估计模型，提高了估计GPS数据的精确度。本发明实施例中，所述深度学习模型包括循环神经网络RNN模型；采用训练集历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型，包括：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与时刻T1的历史GPS数据的误差更新RNN模型的参数；将时刻Tn的历史惯性测量单元数据输入更新后的RNN模型，输出时刻Tn的GPS数据根据与时刻Tn的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型，还包括：若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。本发明实施例采用训练循环神经网络RNNRecurrentNeuralNetworks模型获得估计模型，由于RNN模型引入了定向循环，能够处理那些输入之间前后关联的问题，本实施例中是时间先后的关联。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不是无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。RNN模型的特点与GPS数据融合惯性测量单元数据的过程一致，所以会达到更加的预测效果。本发明实施例中，所述惯性测量单元数据包括：物体的加速度、角速度和磁力感应数据；所述GPS数据包括物体的位置和速度。定义物体自身的坐标系，在这个坐标系下，物体有所受磁力的磁力向量；当物体的空间姿态发生变化时，坐标系的方向也会发生变化，相应的磁力向量也会发生变化，磁力感应数据就是物体处在各种姿态时，针对当前坐标系的磁感应强度向量。本发明实施例通过物体的加速度、角速度和磁力感应数据等惯性测量单元数据，结合神经网络深度学习模型，获取物体的位置和速度，使估计的物体的GPS数据更加精确。图2为本发明实施例的训练和应用深度学习模型的基本流程示意图；如图2所示，在离线训练阶段中，根据构建历史惯性测量单元数据和历史GPS数据的离线数据库，选择初始的深度学习模型结构和参数，进行深度学习模型的离线训练，并通过数据库中的测试集数据检验完成训练后的深度学习模型的训练效果。在线应用阶段，GPS数据未丢失时，实时记录物体运动中的惯性测量单元IMUInertialMeasurementUnit数据和GPS数据，通过实时记录的IMU数据和GPS数据检测离线训练后的深度学习模型。在GPS数据丢失后，将实时获取的IMU数据与GPS数据丢失前的最后一时刻的GPS数据，输入到深度学习模型中，估计GPS数据。根据该GPS数据可以进行物体运动的控制。本发明实施例中，构建离线数据库，离线数据库中包括物体的历史惯性测量单元数据和历史GPS数据，且历史惯性测量单元数据的时间戳与历史GPS数据的时间戳同步，采样频率可以包括但不限于是5Hz。选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集。训练集用于模型网络参数的更新迭代，测试集用于在测试已完成训练的模型。确定初始的RNN模型结构和参数。图3为本发明实施例的训练深度学习模型的流程示意图；如图3所示，采用训练集中的历史惯性测量单元数据和历史GPS数据，训练深度学习模型：将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与时刻T1的历史GPS数据的误差更新RNN模型的参数；将时刻Tn的历史惯性测量单元数据输入更新后的RNN模型，输出时刻Tn的GPS数据即预测的GPS数据，根据与时刻Tn的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型。再选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为验证集，验证集用于在训练集训练RNN模型的过程中检验训练效果。每迭代设定次数后，可以将验证集中的历史惯性测量单元数据与历史GPS数据输入RNN模型，输出通过验证集得到的GPS数据，获取验证集中的历史GPS数据与通过验证集得到的GPS数据的误差信息，可以根据训练集的误差收敛情况和验证集的误差信息检验模型训练的效果。采用测试集中的历史惯性测量单元数据和历史GPS数据，测试待测试模型，此过程中不再对RNN模型参数进行更新。若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型，进入在线应用阶段。平均误差为测试过程中相同时间戳的待测试模型输出的GPS数据与测试集中历史GPS数据的误差的平均值。在线应用分为GPS数据未丢失和GPS数据丢失两个阶段：1GPS数据未丢失物体运动中，实时记录惯性测量单元数据和GPS数据，将任一时刻作为初始时刻，将从初始时刻起的惯性测量单元数据和初始时刻的GPS数据，输入到估计模型，该估计模型输出从初始时刻的下一时刻起的GPS数据。根据相同时间戳的该估计模型输出的GPS数据和实时记录的GPS数据进行误差分析，分析结果满足设定要求后方可进行第二阶段。2GPS信号丢失状态确认在当前时刻GPS数据丢失，将当前时刻的上一时刻作为初始时刻，将从初始时刻起的惯性测量单元数据和初始时刻的GPS数据，输入到估计模型中，该估计模型输出从初始时刻的下一时刻起的GPS数据。将该GPS数据输入导航系统，进行实际的物体运动控制。将GPS数据丢失时刻的上一时刻作为第一时刻t0，将第一时刻t0的GPS数据第一时刻t0的惯性测量单元数据t0的下一时刻t1起的惯性测量单元数据输入估计模型，估计模型对应输出时刻t1的GPS数据将从t1的下一时刻t2起的惯性测量单元数据按照时间顺序依次输入估计模型，估计模型输出对应时刻的GPS数据。即在ti时刻，将ti时刻的惯性测量单元数据输入估计模型，估计模型输出ti时刻的GPS数据，中间变量i＝2,3…j，j惯性测量单元数据的采样数量。图4是根据本发明实施例的估计GPS数据的装置的基本模块的示意图；如图所示，本发明实施例提供了一种估计GPS数据的装置400，包括：数据采集模块401、估计模块402；所述数据采集模块401，用于：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；所述估计模块402，用于：采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。本发明实施例利用深度学习模型基于第一时刻的GPS数据、惯性测量单元数据，获取GPS数据的内在规律性，达到估计GPS数据的目的，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。本发明实施例中，所述数据采集模块，用于：确认物体的GPS数据已丢失，将GPS数据丢失时刻的上一时刻作为第一时刻。本发明实施例可以快速、准确估计GPS数据，在GPS数据短时间内丢失的情况下，可以作为一种补充手段弥补GPS数据的缺失。本发明实施例中，所述装置还包括训练模块；所述训练模块，用于：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。本发明实施例通过训练深度学习模型，利用神经网络学习克服传感器数据偏移的问题，通过历史惯性测量单元数据和历史GPS数据的内在规律性，得到估计模型，提高了估计GPS数据的精确度。本发明实施例中，所述深度学习模型包括循环神经网络RNN模型；所述训练模块，用于：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。本发明实施例中，所述惯性测量单元数据包括：物体的加速度、角速度和磁力感应数据；所述GPS数据包括物体的位置和速度。本发明实施例通过物体的加速度、角速度和磁力感应数据等惯性测量单元数据，结合神经网络深度学习模型，获取物体的位置和速度，使估计的物体的GPS数据更加精确。图5示出了可以应用本发明实施例的估计GPS数据的方法或获取估计GPS数据的装置的示例性系统架构500。如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。需要说明的是，本发明实施例所提供的估计GPS数据的方法一般由服务器505执行，相应地，估计GPS数据的装置一般设置于服务器505中。应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的估计GPS数据的方法。本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的估计GPS数据的方法。下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图6所示，计算机系统600包括中央处理单元CPU601，其可以根据存储在只读存储器ROM602中的程序或者从存储部分608加载到随机访问存储器RAM603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入输出IO接口605也连接至总线604。以下部件连接至IO接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管CRT、液晶显示器LCD等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至IO接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和或从可拆卸介质611被安装。在该计算机程序被中央处理单元CPU601执行时，执行本发明的系统中限定的上述功能。需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器RAM、只读存储器ROM、可擦式可编程只读存储器EPROM或闪存、光纤、便携式紧凑磁盘只读存储器CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括：数据采集模块、估计模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据采集模块还可以被描述为“获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据的模块”。作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101.获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；步骤S102.采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。本发明实施例利用深度学习模型基于第一时刻的GPS数据、惯性测量单元数据，获取GPS数据的内在规律性，达到估计GPS数据的目的，克服了传感器的数据随时间偏移带来的估计GPS数据精确度不高的问题，无需增加辅助传感器，降低了成本和复杂度。上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

权利要求：1.一种估计GPS数据的方法，其特征在于，包括：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。2.根据权利要求1所述的方法，其特征在于，获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据之前，所述方法包括：将GPS数据丢失时刻的上一时刻作为第一时刻。3.根据权利要求1所述的方法，其特征在于，训练深度学习模型包括：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。4.根据权利要求3所述的方法，其特征在于，所述深度学习模型包括循环神经网络RNN模型；采用训练集历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型，包括：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型，还包括：若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。5.根据权利要求1所述的方法，其特征在于，所述惯性测量单元数据包括：加速度、角速度和磁力感应数据；所述GPS数据包括位置和速度。6.一种估计GPS数据的装置，其特征在于，包括：数据采集模块、估计模块；所述数据采集模块，用于：获取第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据；所述估计模块，用于：采用通过训练深度学习模型得到的估计模型，根据所述第一时刻的GPS数据、第一时刻的惯性测量单元数据以及第二时刻的惯性测量单元数据，估计第二时刻的GPS数据；其中，第一时刻的时间戳早于第二时刻的时间戳。7.根据权利要求6所述的装置，其特征在于，所述数据采集模块，用于：将GPS数据丢失时刻的上一时刻作为第一时刻。8.根据权利要求6所述的装置，其特征在于，所述装置还包括训练模块；所述训练模块，用于：选取任一时间段内的历史惯性测量单元数据和历史GPS数据作为样本集，历史惯性测量单元数据的时间戳和历史GPS数据的时间戳同步；按照时间顺序将样本集分为训练集和测试集；采用训练集中的历史惯性测量单元数据和历史GPS数据训练深度学习模型，得到待测试模型；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，以确定估计模型。9.根据权利要求8所述的装置，其特征在于，所述深度学习模型包括循环神经网络RNN模型；所述训练模块，用于：确定RNN模型的初始结构和参数；将训练集中初始时刻T0的历史GPS数据初始时刻T0的历史惯性测量单元数据和T0的下一时刻T1的历史惯性测量单元数据输入RNN模型，RNN模型输出时刻T1的GPS数据根据与T1时刻的历史GPS数据的误差更新RNN模型的参数；将Tn时刻的历史惯性测量单元数据输入更新后的RNN模型，输出Tn时刻的GPS数据根据与Tn时刻的历史GPS数据的误差更新RNN模型的参数，并按照历史惯性测量单元数据的时间戳先后顺序进行迭代以得到待测试模型；其中，中间变量n＝2,3,4…m，m为训练集中历史惯性测量单元数据的数据量；采用测试集中的历史惯性测量单元数据和历史GPS数据测试待测试模型，若测试集中历史GPS数据与待测试模型输出的GPS数据的平均误差小于设定阈值，则将待测试模型作为估计模型。10.根据权利要求6所述的装置，其特征在于，所述惯性测量单元数据包括：加速度、角速度和磁力感应数据；所述GPS数据包括位置和速度。11.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。

百度查询： 北京京东乾石科技有限公司 估计GPS数据的方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD