首页 / 训练方法及定位方法

训练方法及定位方法实质审查 发明

技术领域

[0001] 本发明涉及数据分析技术领域,特别涉及一种训练方法及定位方法。

相关背景技术

[0002] 基于BLE(Bluetooth Low Energy,低功耗蓝牙)的数字钥匙是无钥匙系统的一种技术路线,定位钥匙的位置是无钥匙系统的关键功能之一。现有的基于低功耗蓝牙信号强度RSSI(Received Signal Strength Indicator,接收信号的强度指示)的定位算法有基于规则的定位算法,或是运用物理衰减模型配合几何方法求解信源坐标从而达到定位蓝牙钥匙的目的。
[0003] 然而,现有的基于BLE信号强度RSSI的算法普遍存在定位精度不高的问题,如何提高基于RSSI的定位精度是BLE蓝牙钥匙的一个技术难题。
[0004] 即,现有技术中存在基于信号强度的装置定位算法精度不高的问题。

具体实施方式

[0037] 为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且未按比例绘制,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。
[0038] 如在本发明中所使用的,单数形式“一”、“一个”以及“该”包括复数对象,术语“或”通常是以包括“和/或”的含义而进行使用的,术语“若干”通常是以包括“至少一个”的含义而进行使用的,术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的,此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征,“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分,其不仅包括端点,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。此外,如在本发明中所使用的,一元件设置于另一元件,通常仅表示两元件之间存在连接、耦合、配合或传动关系,且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动,而不能理解为指示或暗示两元件之间的空间位置关系,即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位,除非内容另外明确指出外。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
[0039] 除非明确指出,本申请所披露的方法中的各步骤之间的顺序并非仅限于说明书所呈现的先后顺序,相互独立的步骤可以任意调换它们之间的先后顺序。另外,本领域技术人员根据其所掌握的技术常识可以理解,“若<(满足)某条件>,则<(执行)某行为>”的表述并非表示当满足<某条件>后的任意工况下,所描述的<某行为>一定都会被执行,<某行为>的执行还可能取决于其他的先决条件,例如“开机”这个行为取决于当前系统是否供电,但为了简洁,对电源状况的要求一般不会被记载入<某条件>。在本申请中,“若<(满足)某条件>,则<(执行)某行为>”的表述可以理解为,当<某条件>满足后,在本领域技术人员所理解的正常工况下,<某行为>被执行的期望会超过50%,通常会超过90%。
[0040] 本发明的核心思想在于提供一种训练方法及定位方法,以解决现有技术中存在基于信号强度的装置定位算法精度不高的问题。
[0041] 以下参考附图进行描述。
[0042] 请参考图1至图2,其中,图1是本发明一实施例的训练方法的流程示意图;图2是本发明一实施例的训练模型的计算流程图。
[0043] 图1示出了一种训练方法,用于训练基于信号强度的装置定位模型,所述训练方法包括如下步骤:
[0044] S10构建第一模型1和第二模型2,其中,所述第一模型1的输入参数包括信号强度数据,所述第一模型1的输出参数包括定位坐标,所述第二模型2的输出参数为所述信号强度数据。
[0045] S20所述第一模型1的用于输出所述定位坐标的输出端连接所述第二模型2的输入端得到训练模型4。
[0046] S30基于目标函数训练所述训练模型4,其中,所述目标函数至少基于所述第一模型1的输出结果和所述训练模型4的输出结果计算。
[0047] S40训练后的所述第一模型1被配置为所述装置定位模型。
[0048] 在本实施例中,不仅限于通过所述第一模型1自身的输出结果对模型进行训练迭代,而是增加了所述第二模型2,并将两者进行组合得到更为复杂的所述训练模型4,并基于所述第一模型1和所述训练模型4的输出结果计算所述目标函数,获得了更好的训练效果。
[0049] 所述第一模型1和所述第二模型2优选为与物理模型结合的神经网络模型。
[0050] 在一实施例中,所述第一模型1的输出参数还包括区域类别参数。当应用于车辆时,所述区域类别参数包括:车辆内部左侧,车辆内部右侧,车辆外部左侧,车辆外部右侧,车辆左侧近处,车辆右侧远处等。
[0051] 较优地,可以通过设置锚点获取所述信号强度数据,例如,在一车辆的预设位置设置蓝牙接收器,每一个所述蓝牙接收器对应一个所述锚点。所述定位坐标为信号源(例如是蓝牙钥匙)在参考坐标系中的x坐标、y坐标和z坐标,所述信号强度数据为锚点接收到的所述信号源的信号强度。参考坐标系与所述锚点相对固定。
[0052] 所述第一模型1包括四个输入通道,每个输入通道对应于如下矩阵的一列:
[0053]
[0054] 其中,RSSIi代表第i个所述锚点接收到的所述信号源的信号强度,xi代表第i个所述锚点在所述参考坐标系中的x坐标,yi代表第i个所述锚点在所述参考坐标系中的y坐标,zi代表第i个锚点在所述参考坐标系中的z坐标,w代表所述锚点的总数,i代表所述锚点的序号,i的取值范围为1~w。
[0055] 所述第一模型1包括第一卷积层和全连接层,所述第一卷积层包括f个通道的1×1的卷积核,所述第一卷积层输出4个1×w×f的第一中间张量,所述第一张量融合后得到1×w×f的第一融合张量,全连接层基于所述第一融合张量进行计算并输出所述定位坐标,其中,f为预设参数。f可根据实际需要进行设置。在一实施例中,将所述第一融合张量变换维度为一个1×(w·f)的张量作为全连接层的输入。
[0056] 请参考图2,所述第二模型2的输入参数包括预设格式的距离数据,所述第一模型1的用于输出所述定位坐标的输出端通过坐标回归模块3连接所述第二模型2的输入端。可以理解的,所述预设格式的距离数据和所述定位坐标之间存在一定的转化关系,但是不能将所述定位坐标直接输入所述第二模型2,因此,需要所述坐标回归模块3进行计算和转化。
[0057] 可以理解的,在一些实施例中,所述第一模型1的用于输出所述定位坐标的输出端通也可以直接连接所述第二模型2的输入端。此时,所述第二模型2的输入参数的格式与所述定位坐标保持一致。
[0058] 在一实施例中,所述预设格式的距离数据为[D1,D2,D3,S1,S2,S3],其中,D1=[d1,...,dw], S1=[s1,...,sw], si=LeakyRelu(m·di+k)。
[0059] 其中,di代表第i个所述锚点与所述信号源的欧氏距离,m和k均为可训练参数,w代表所述锚点的总数,i代表所述锚点的序号,i的取值范围为1~w。
[0060] 所述第二模型包括六个输入通道,每个输入通道对应于[D1,D2,D3,S1,S2,S3]中的一者。
[0061] 所述坐标回归模块3的作用为:将所述定位坐标与所述锚点的坐标进行计算,得到各di;进而计算并输出[D1,D2,D3,S1,S2,S3]。所述坐标回归模块3为可训练模型。
[0062] 关于si的设置解释如下,si为di对应的非线性项用以处理信号传播于车内车外两个域的情况。LeakyRelu(x)的计算规则可以按照本领域公知常识进行理解。一般地,x≥0时,LeakyRelu(x)=x;x<0时,LeakyRelu(x)=αx,其中,α为一个接近于0的数,例如是0.01。使用LeakyReLU(x)的好处就是:在反向传播过程中,对于LeakyReLU激活函数输入小于零的部分,也可以计算得到梯度,可以避免梯度方向上的锯齿问题。
[0063] 所述第二模型2包括第二卷积层,所述第二卷积层包括f个通道的1×1的卷积核,所述第二卷积层输出6个1×w×f的第二中间张量,所述第二中间张量累加后得到1×w×f的第二融合张量,所述第二融合张量沿第三维度做加法进行计算,得到1×w×1的第三融合张量,所述第三融合张量被配置为所述信号强度数据进行输出。所述第三维度即参数f所在维度。
[0064] 所述目标函数的惩罚项(用Cost表示)包括所述第一模型的误差(用lossregress表示)、所述训练模型的误差(用lossrecon表示)和连接损失项,所述连接损失项基于如下公式计算:
[0065] Diffmax=max(Diffmae)。
[0066]
[0067] 其中,Diffmax代表所述连接损失项,Diffmae[i]代表第i个所述锚点对应的中间计算项,FusionMati,j代表所述第一融合张量中序号为(1,i,j)的元素,ReconMati,j代表所述第二融合张量中序号为(1,i,j)的元素,j的取值范围为1~f。所述连接损失项的设置可以提高模型的训练效果。
[0068] 基于上述描述,惩罚项Cost可用如下公式计算:
[0069] Cost=ρ1lossregress+ρ2Diffmax+ρ3lossrecon。
[0070] 其中,所述第一模型的误差可用均方差MSE(mean squared error)、均绝对值差MAE(mean absolute error)或是reduce max error计算,reduce max error的计算方法是先计算max(xerror,yerror,zerror),再进行平均数计算。xerror,yerror,zerror分别表示在所述参考坐标系中x方向、y方向和z方向的误差。所述训练模型的误差可使用MSE或者MAE计算,ρ1,ρ2,ρ3为对应的权重。
[0071] 本实施例还提供了一种定位方法,所述定位方法基于装置定位模型获取定位结果,所述装置定位模型基于上述的训练方法训练得到。所述定位方法的具体细节,例如对于输入信号的预处理,对于输出结果的展示方式等,本领域技术人员可以根据实际需要进行设置,在此不进行展开描述。
[0072] 综上所述,本实施例提供的一种训练方法及定位方法中,所述训练方法包括如下步骤:S10构建第一模型和第二模型。S20所述第一模型连接所述第二模型得到训练模型。S30基于目标函数训练所述训练模型,其中,所述目标函数至少基于所述第一模型的输出结果和所述训练模型的输出结果计算。S40训练后的所述第一模型被配置为所述装置定位模型。如此配置,同时通过第一模型的误差和训练模型的误差进行训练结果评价,提升模型训练效果并避免模型在训练过程中过早陷入局部最优解或者出现过度拟合的状况,使得训练得到的定位模型定位精度更高,从而解决了现有技术中存在的基于信号强度的装置定位算法精度不高的问题。
[0073] 上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于本发明技术方案的保护范围。

当前第1页 第1页 第2页 第3页
相关技术
方法定位相关技术
训练方法相关技术
马笑峰发明人的其他相关专利技术