[發明專利]一種非視距場景下的距離校準方法、裝置及設備

有效

• 申請號: 201810981830.5
• 申請日: 2018-08-27
• 公開（公告）號: CN109188410B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 沈淵;毛成志;林康博;戈鋒;智強
• 申請（專利權）人: 清華大學;華慧通達（天津）科技有限責任公司
• 主分類號: G01S11/02
• 分類號: G01S11/02;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種非視距場景下的距離校準方法，其特征在于，包括：

獲取第一目標點與第二目標點之間超寬帶射頻測距的第一原始距離及第一信道沖擊響應波形；

將所述第一原始距離及第一信道沖擊響應波形，輸入訓練好的深度學習模型，獲得所述第一目標點與第二目標點之間的距離校準結果和置信度；

其中，所述訓練好的深度學習模型為變分自編碼機和概率神經網絡組成的深度學習框架。

2.根據權利要求1所述的方法，其特征在于，所述超寬帶射頻測距的第一原始距離，通過所述第一目標點與第二目標點之間的超寬帶射頻信號的傳輸時間計算得到，所述超寬帶射頻信號帶有時間戳；

所述第一信道沖擊響應波形，為所述超寬帶射頻信號的信道沖擊響應波形。

3.根據權利要求1所述的方法，其特征在于，所述將所述第一原始距離及第一信道沖擊響應波形，輸入訓練好的深度學習模型，獲得所述第一目標點與第二目標點之間的距離校準結果和置信度，具體包括：

將所述第一原始距離及第一信道沖擊響應波形，輸入訓練好的深度學習模型；

通過所述深度學習模型的變分自編碼機，獲取所述第一信道沖擊響應波形的概率編碼表征；

將所述概率編碼表征輸入至所述深度學習模型的概率神經網絡中，獲取對應的第一均值和第一方差；

將所述第一均值與所述第一原始距離相加的結果，作為所述第一目標點與第二目標點之間的距離校準結果，將所述第一方差作為所述距離校準結果的置信度，并輸出所述距離校準結果和置信度。

4.根據權利要求3所述的方法，其特征在于，所述通過所述深度學習模型的變分自編碼機，獲取所述信道沖擊響應波形的概率編碼表征，之前還包括：

對所述信道沖擊響應波形進行均值為0方差為1的歸一化處理，將歸一化處理后的數據輸入至所述深度學習模型的變分自編碼機。

5.根據權利要求3或4所述的方法，其特征在于，所述通過所述深度學習模型的變分自編碼機，獲取所述信道沖擊響應波形的概率編碼表征，之后還包括：

將所述概率編碼表征進行解碼，獲得解碼數據；

通過所述解碼數據重構所述第一信道沖擊響應波形，獲得重構波形；

通過所述重構波形與所述第一信道沖擊響應波形的均方根誤差衡量所述重構波形的準確度，以對所述變分自編碼機進行訓練。

6.根據權利要求1所述的方法，其特征在于，所述訓練好的深度學習模型通過以下步驟得到：

將第二原始距離、第二信道沖擊響應波形及所述第一目標點與第二目標點之間的真實距離，輸入至深度學習模型；所述第二原始距離和所述第二信道沖擊響應波形通過第一目標點與第二目標點之間的超寬帶射頻測距得到；

利用第二信道沖擊響應波形對所述深度學習模型的變分自編碼機進行訓練，獲得所述變分自編碼機的訓練誤差；

利用所述變分自編碼機輸出的所述第二信道沖擊響應波形的概率編碼表征及所述真實距離，對所述深度學習模型的概率神經網絡進行訓練，獲得所述概率神經網絡的訓練誤差；

基于所述變分自編碼機的訓練誤差和所述概率神經網絡的訓練誤差，獲得所述深度學習模型的最終損失函數；

基于所述最終損失函數，利用隨機梯度下降算法對所述深度學習模型進行優化，以獲得訓練好的深度學習模型。

7.根據權利要求6所述的方法，其特征在于，所述利用所述變分自編碼機輸出的所述第二信道沖擊響應波形的概率編碼表征及所述真實距離，對所述深度學習模型的概率神經網絡進行訓練，獲得所述概率神經網絡的訓練誤差，具體包括：

將所述變分自編碼機輸出的所述第二信道沖擊響應波形的概率編碼表征，輸入至所述深度學習模型的概率神經網絡中，獲取對應的第二均值和第二方差；

將所述第二均值與所述第二原始距離相加的結果，作為所述第一目標點與第二目標點之間的樣本距離校準結果，將所述第二方差作為所述樣本距離校準結果的置信度；

基于所述真實距離、所述樣本距離校準結果及所述樣本距離校準結果的置信度，獲得所述概率神經網絡的訓練誤差。