[發(fā)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?zhí)枺?/td>: 201810981830.5
• 申請日: 2018-08-27
• 公開（公告）號: CN109188410B
• 公開（公告）日: 2020-12-25
• 發(fā)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(chǎn)權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

本發(fā)明實施例提供一種非視距場景下的距離校準方法、裝置及設備。所述方法包括：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(jīng)網(wǎng)絡組成的深度學習框架。本發(fā)明實施例通過深度學習模型進行測距結果校準并給出校準結果的置信度，對難以正確校準的距離給出較低的置信度，降低了不可靠預測結果導致系統(tǒng)嚴重誤差的概率。

技術領域

本發(fā)明實施例涉及深度學習和模式識別領域，尤其涉及一種非視距場景下的距離校準方法、裝置及設備。

背景技術

由于室內(nèi)環(huán)境復雜，存在非視距傳輸和多徑傳輸?shù)挠绊懀陔姶挪▊鞑r間的測距算法不夠準確。

目前，已經(jīng)有一些使用傳統(tǒng)機器學習算法進行室內(nèi)測距矯正的工作。但是，這些傳統(tǒng)的機器學習算法效果不好，首先，它們?nèi)狈ψ銐虻哪Ｐ腿萘亢头夯芰?，無法提供足夠準確的基于環(huán)境信息預測真實距離；其次，由于模型自身的限制，無法給出該預測的置信度。在很多對精度要求高、魯棒性要求高的室內(nèi)定位應用中，傳統(tǒng)的機器學習算法既不能滿足其精度要求，而且輸出結果也缺乏足夠的可靠性。室內(nèi)復雜的環(huán)境，使得采集足夠的在各種可能的環(huán)境下的數(shù)據(jù)是幾乎不可能的，這就導致傳統(tǒng)機器學習模型必須在各種從未見過的場景下給出預測，當這種新場景的統(tǒng)計分布與模型訓練數(shù)據(jù)的統(tǒng)計分布不同時，模型會給出非常不合理的預測結果。

如何克服非視距傳輸和多徑傳輸?shù)挠绊?，準確的進行測距是目前亟待解決的問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術存在的問題，本發(fā)明實施例提供一種非視距場景下的距離校準方法、裝置及設備。

第一方面，本發(fā)明實施例提供一種非視距場景下的距離校準方法，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(jīng)網(wǎng)絡組成的深度學習框架。

第二方面，本發(fā)明實施例提供一種非視距場景下的距離校準裝置，包括：

參數(shù)獲取模塊，用于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；以及

距離校準模塊，用于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(jīng)網(wǎng)絡組成的深度學習框架。

第三方面，本發(fā)明實施例提供了一種電子設備，包括：

至少一個處理器；以及

與所述處理器通信連接的至少一個存儲器，其中：

所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調用所述程序指令能夠執(zhí)行本發(fā)明實施例第一方面所述非視距場景下的距離校準方法及其任一可選實施例所述的方法。

第四方面，提供一種非暫態(tài)計算機可讀存儲介質，所述非暫態(tài)計算機可讀存儲介質存儲計算機指令，所述計算機指令執(zhí)行本發(fā)明實施例第一方面所述非視距場景下的距離校準方法及其任一可選實施例的方法。