[0001] 本公开的方面涉及使用机器学习技术来改善移动装置的定位。

[0002] 被动进入被动启动(PEPS)系统允许客户无需物理地处置钥匙便可进入车辆并且开车离开。电话即钥匙(PaaK)允许使用智能手机作为无源钥匙，并且提供传统的钥匙扣功能，诸如解锁、锁定、远程启动和举升门访问。PaaK可能使用蓝牙低功耗(BLE)来实现，这是市场上大多数智能手机的内置技术。与BLE定位方法相比，可以使用超宽带(UWB)用于电话定位，以提供更好的定位。

[0011] 根据需要，本文中公开了本发明的详细实施例；然而，应当理解，所公开的实施例仅仅是可以各种形式和替代形式实施的本发明的示例。附图不一定按比例；一些特征可能被放大或最小化以示出特定部件的细节。因此，本文公开的具体结构和功能细节并不解释为限制性，而仅解释为用于教导本领域技术人员以各种方式采用本发明的代表性基础。

[0012] 车辆环境中的一些任务需要知道人与车辆的关系。在示例中，当用户接近车辆时，车辆的欢迎区可以被激活，从而导致车灯被打开。在另一个示例中，当用户更接近车辆时，车辆的被动进入区可以被激活，从而导致车门(或最靠近用户的车门)被解锁。在又一个示例中，如果人具有用于控制气候设置的移动装置应用，则车辆或应用可以尝试确定车辆内要调整设置的座位区。在一些车辆中，传感器对移动装置进行三角测量，以识别移动装置的位置。例如，可以使用由封装在车辆周围的各种部件测量的接收信号强度指示(RSSI)数据来执行BLE定位。当识别对应于移动装置的位置的区时，可以将RSSI值与预先确立的阈值进行比较，以确定正确的区。

[0013] 然而，BLE RSSI值可能根据车辆中的移动装置的位置(或装置是否被放在裤子口袋、钱包、背包等中)而显著变化。BLE RSSI值也可能因智能手机的设计而异。这些变量可能会导致用户的座位区计算错误，从而潜在地导致对系统性能的混淆。此外，由于移动装置和用例的变化多样性，车辆制造商可能很难在各种环境中统一校准系统以获得一致的性能。

[0014] 如下文详细说明的，可以利用机器学习方法来改善移动装置的定位。从多个车辆接收校准数据。校准数据包括指示多个车辆内的移动装置的位置的无线数据、关于移动装置的位置的基础真值数据以及关于移动装置的操作系统版本或移动装置的电池电量中的一者或多者的背景信息。使用所述无线数据和所述背景信息作为输入以及所述基础真值数据作为输出来训练机器学习模型。响应于所述机器学习模型的错误率在错误目标内，将所述机器学习模型提供给所述多个车辆。本文详细讨论了本公开的其他方面。

[0015] 图1示出了示例系统100，其包括被配置为用于实现机器学习定位方案的移动装置104。车辆102可以包括各种类型的汽车、跨界多功能车辆(CUV)、运动型多功能车辆(SUV)、卡车、休闲车辆(RV)、船、飞机或用于运输人或货物的其他移动机器。在许多情况下，车辆
102可由内燃发动机提供动力。作为另一种可能性，车辆102可以是由一个或多个电动马达供电的电池电动车辆(BEV)。作为另一种可能性，车辆102可以是由内燃发动机和一个或多个电动马达两者提供动力的混合动力电动车辆，诸如串联混合动力电动车辆、并联混合动力电动车辆或并联/串联混合动力电动车辆。由于车辆102的类型和配置可以变化，因此车辆102的能力可以对应地变化。作为一些其他可能性，车辆102在载客量、牵引能力和容量以及存储量方面可以具有不同能力。

[0016] 移动装置104可以是带入车辆102中并且具有处理和通信能力的各种类型的便携式计算装置中的任一种，诸如蜂窝电话、平板计算机、智能手表、膝上型计算机、便携式音乐播放器、钥匙扣或其他此类装置。移动装置104可以包括被配置为执行计算机指令的一个或多个处理器，以及其上可以维持计算机可执行指令和/或数据的存储介质。移动装置104还可以包括各种无线收发器，诸如蓝牙、BLE、Wi‑Fi和/或UWB收发器。

[0017] 车辆102可以包括天线106的阵列，所述天线被配置为便于移动装置104和车辆102之间的通信。例如，多个BLE收发器可以连接到天线106以形成BLE阵列，所述阵列可以用于三角测量或以其他方式检测移动装置104的位置。BLE收发器可由BLE模块(BLEM)108控制，所述BLE模块可以包括存储器和处理器，所述处理器被编程为在移动装置104和车辆102之间发送消息和接收消息(例如，提供质询‑响应序列的执行和/或从车辆102接收命令)。在示例中，钥匙扣可以连接到最近检测到的BLE收发器的天线106，以便于与车辆102的BLEM 108通信。如图所示，车辆102包括围绕车辆102车厢周边的八个天线106的阵列，但是应注意，所述实现方式可以包括更多、更少和/或不同位置的收发器和/或天线。

[0018] 移动装置104还可以包括显示器，所述显示器被配置为向用户提供用户界面。在一些示例中，显示器可以是触敏的，并且还可以被配置为从用户接收输入。另外，无源钥匙应用112可以包括指令，所述指令在由移动装置104的一个或多个处理器执行时使移动装置104执行操作以促进对车辆102的访问。在示例中，无源钥匙应用112可以使移动装置104向显示器显示用户界面，包括类似于钥匙扣的那些控制项(例如，锁定、解锁、启动等)。在另一个示例中，无源钥匙应用112可以使移动装置104作为被动进入装置与车辆102交互，从而向BLEM 108提供存在信息，所述存在信息允许车辆102检测到车辆102的授权用户在附近。通过执行无源钥匙应用112来控制移动装置104与车辆102的BLEM 108的通信，移动装置104可以用于解锁、启动或以其他方式访问车辆102。

[0019] 无源钥匙应用112可以允许使用车辆102的认证管理器114向车辆102认证移动装置104。认证管理器114可以是车辆102的控制器，其与BLEM 108以及车辆102的其他部件(诸如门锁或车辆点火互锁装置)通信。移动装置104向车辆102的认证可以利用PaaK特征实现，从而确保用户移动装置104和车辆连接模块(诸如BLEM 108)之间的安全连接，由此可以利用BLE收发器天线106定位用户位置。例如，认证管理器114可以确认移动装置104的位置在车辆102本地，和/或可以根据ToF和/或移动装置104的位置确定来执行重放攻击预防。

[0020] 一些车辆102还可以实现附加的协议，诸如用于定位的UWB能力连同BLE。如图所示，车辆102还包括UWB控制器110，所述UWB控制器被配置为利用天线106在移动装置104和车辆102之间发送消息和接收消息。与BLE相比，UWB可以提供更精确的位置确定。例如，UWB测量的距离和位置的精度可以达约5cm到10cm，而Wi‑Fi、蓝牙和其他窄带无线电系统通常达到约几米的精度。

[0021] 图2示出了说明移动装置104可以被分配到的区202的示例图200。如图中示出的，车辆102内部被分成四个座位区202，其中每个座位区202与车辆102内部内的座位位置相关联。如图所示，所示车辆102的前排包括与驾驶员座位位置相关联的第一区202A和与前排乘客座位位置相关联的第二区202B。所示车辆102的第二排包括与驾驶员侧后排座位位置相关联的第三区202C和与乘客侧后排座位位置相关联的第四区202D。应注意，所示的图200仅是示例，并且可以使用更多、更少和/或不同定位的座位区202。

[0022] 此外，移动装置104也可以被分配到车辆102外部的区202。例如，车辆102的欢迎区202E可以被限定为距车辆102的第一距离，使得如果用户在欢迎区202E内，则车辆102的灯可以被打开或车辆102的其他方面可以被激活。在另一个示例中，车辆102的被动进入区
202F可以被限定为距车辆102的第二更近距离，使得如果用户在被动进入区202F内，则车辆
102的车门(或最靠近用户的车门)可以被解锁。

[0023] 移动装置104可以与支持BLE的天线106通信，以允许车辆102捕获经由BLE协议提供的RSSI信息。移动装置104到座位区202的分配可以基于在移动装置104和天线106之间传输的此捕获信息来执行。一旦移动装置104被分配到座位区202，无源钥匙应用112可以允许用户控制无线电、气候和/或其他车辆设置。如图所示，移动装置104位于座位区202A中，并且可以用于控制所述座位区202中的设置。

[0024] 图3示出了用于基于从车辆102的车队接收的数据来更新机器学习模型302的客户端‑服务器系统。当在运行时使用时，机器学习模型302可以接收BLE RSSI数据作为输入，并且可以提供座位区202的指定作为输出。在训练阶段，机器学习模型302可以接收来自移动装置104的BLE RSSI数据，以及移动装置104的基础真值座位区202位置。这允许机器学习模型302用允许机器学习模型302在基础真值不可用时从RSSI数据预测移动装置104的座位区202的值来更新其系数。

[0025] 如上所述，一些车辆102可以支持多种协议，诸如BLE和UWB。在此类车辆102中，可在同一车辆102上为同一移动装置104收集UWB飞行时间(ToF)数据和BLE RSSI数据两者的数据。在此类示例中，机器学习模型302可以利用UWB数据作为基础真值信息来训练机器学习模型302以确定正确的区。在示例中，此区可以包括座位区202。此区可以另外地或替代地包括其他区，诸如车辆102可以被解锁的被动进入区、当用户靠近时车辆102的灯可以被激活的欢迎区、和/或与PaaK功能相关联的任何其他区。这允许机器学习模型302使用UWB数据学习BLE RSSI数据中的方差。

[0026] 车辆102可以被配置为向校准数据服务器306发送校准数据304。在一个示例中，可在校准数据服务器306上训练机器学习模型302。在此类示例中，校准数据服务器306可以通过通信网络308从车辆102以及从其他车辆102接收BLE和UWB数据。来自车辆102的此数据可由校准数据服务器306聚集，并且用作机器学习模型302的训练集。通过使用包括来自许多车辆102的UWB数据的校准数据304来训练机器学习模型302，即使在不实现UWB的车辆102上，UWB数据也可以用于补偿BLE偏移。

[0027] 校准数据304还可以包括与用户接近度相关的信息。例如，校准数据304的标签注释可以指示移动装置104在用户身上的位置，它是否在自由空间中(例如杯架)，或它是否装在储存装置(例如背包)中，因为干扰将影响RSSI。在示例中，可以向用户查询这些标签注释，以允许确定注释。在其他示例中，可以基于其他信息来推断标签注释。例如，可以基于移动装置104与杯架传感器的接近度来推断移动装置104在杯架中。或者，与移动装置104的模型的平均信号强度相比，与飞行时间距离测量值相比等，基于移动装置104的反射的存在或降低的整体信号强度，可以推断移动装置104在包中。

[0028] 不管注释的源如何，带注释的数据可以用于产生多个基于情景的机器学习模型302。例如，第一机器学习模型302可以用于确定装置经历的干扰类型。这可以利用取证方法，由此噪声分布分析被用于确定干扰的类型。各种材料以可预测的方式吸收和反射无线波；然后可在信号的噪声分布中检测这些吸收和反射的影响。这方面的示例可以包括测量二次谐波以确定反射的存在，以及使用频率分析来确定哪些预期信号已经被吸收。然后此噪声分布可以用于预测周围的干扰。基于所确定的干扰状态，然后可以应用为所述类型的情景专门训练的机器学习模型302来更精确地测量位置。

[0029] 图4示出了用于实现机器学习定位方案的示例过程400。在示例中，过程400的各方面可由校准数据服务器306在系统100和300的上下文中实现。

[0030] 在操作402处，校准数据服务器306从一个或多个车辆102接收校准数据304。例如，校准数据304可以包括RSSI值、UWB ToF值和/或其他位置确定信息(例如，从移动装置104捕获并且提供给车辆102、由车辆102基于移动装置104捕获等)。在一些示例中，校准数据服务器306除了接收移动装置104的特定型号的BLE RSSI之外，还可以接收关于移动装置104的另外的背景信息。作为一些非限制性示例，此背景信息可以包括移动装置104的型号、操作系统版本、移动装置104的电池电量信息、关于移动装置104的信号强度的偏移等。

[0031] 在操作404处，校准数据服务器306从接收的校准数据304中识别数据聚类簇。在示例中，校准数据服务器306可以根据移动装置104的装置型号、移动装置104的操作系统版本和/或移动装置104的电池荷电水平中的一者或多者来聚类校准数据304。除了RSSI值之外，此聚类信息还可以用作机器学习模型302的其他输入。

[0032] 在示例中，移动装置104制造商可以随着时间调整移动装置104的无线输出功率，以补偿或减轻移动装置104的特征问题。例如，如果移动装置104的电池低于保持蜂窝呼叫能力的阈值荷电量，则制造商可以选择降低BLE输出功率。如果是这样，则此类移动装置104的参数在充电时可能无法与来自相同移动装置104的数据直接比较。

[0033] 在操作406处，校准数据服务器306清除异常数据。在一个示例中，校准数据服务器306可以根据聚类数据清除数据，诸如移除看起来是错误数据的异常数据元素，和/或具有与数据平均值相差两个以上标准偏差的RSSI的异常数据元素。

[0034] 在另一个示例中，如果电池电量低于某个阈值(例如，15％)，则校准数据服务器306可以从机器学习模型302的学习中排除BLE RSSI值。可以这么做是因为此类值可能由于诸如上述操作系统动作的原因而被人为地降低。或者，此数据可以被使用，但是被标记为从具有低荷电水平的移动装置104接收。如果如此标记，则机器学习模型302可以被配置为自动考虑移动装置104在低功率模式下运行的情况。

[0035] 在一些示例中，如果UWB测量值表明重放攻击尝试正在进行，则校准数据服务器306可以丢弃收集的RSSI数据。此数据可以被丢弃，因为重放攻击系统可以放大BLE信号，这与真正的移动装置104交互是不可比的。与在训练中使用此类放大的测量值相比，忽略此类数据可以避免将错误引入机器学习模型302。例如，如果移动装置104被认为在根据UWB ToF值检测到的有效PEPS区之外，则校准数据服务器306可以暂停BLE RSSI校准，以避免使用假的放大或衰减的BLE RSSI值来执行机器学习。

[0036] 在一些示例中，如果移动装置104处于由UWB ToF确定的有效PEPS区中，则校准数据服务器306可能难以确定是否正在执行BLE放大(例如，取决于放大器位置)，这可能导致校准数据服务器306校准假信号。然而，除非放大器靠近移动装置104定位，否则车辆102可能够通过检查车辆102的天线106中的每个所看到的RSSI水平以获得作为由UWB ToF数据指示的位置的异常值的RSSI值来检测放大器。这可以允许车辆102识别正在进行的区内BLE放大，并且在校准中暂停使用此数据。

[0037] 在操作408处，校准数据服务器306训练机器学习模型302。在示例中，从车辆102接收的RSSI数据和UWB基础真值信息可以应用于机器学习模型302。因此，机器学习模型302可以用允许机器学习模型302从RSSI数据预测移动装置104的区(例如，座位区202、被动进入区、欢迎区等)的系数来更新，即使基础真值未知时也是如此。

[0038] 在操作410处，校准数据服务器306测试机器学习模型302，以确保机器学习模型302正确操作。在示例中，在操作408处，可以使用未在训练中使用的参数数据的子集来测试机器学习模型302。在另一个示例中，可以使用与从车辆102捕获的数据分开的另一个训练数据集来测试机器学习模型302。在又一个示例中，机器学习模型302可以被提供给车辆102的测试集，其中这些车辆102然后可以向校准数据服务器306报告机器学习模型302在检测方面比车辆102使用的先前的机器学习模型302表现得更好还是更差。

[0039] 在操作412处，校准数据服务器306确定错误率是否在错误目标内。在示例中，每当新的本地模型达到目标错误率时，校准数据服务器306可以将机器学习模型302接受为在错误目标内。在另一个示例中，响应于机器学习模型302在至少预定百分比的情况下(例如，95％、99％等)获得正确结果，校准数据服务器306可以将机器学习模型302接受为在错误目标内。在又一个示例中，校准数据服务器306可以响应于预定数量或百分比的车辆102反映令人满意的低预定错误率目标来接受机器学习模型302(例如，新的机器学习模型302比它所替换的机器学习模型表现得更好，在至少预定百分比的情况下获得正确结果，等等)。

[0040] 如果错误率在目标内，则控制传递到操作414以将机器学习模型302提供给车辆102。在操作414之后，过程400结束。如果否，则不推出机器学习模型302。校准数据服务器
306例如可在操作402处等待其他数据，并且再次使用所述另外的数据执行过程400。在一些示例中，过程400由校准数据服务器306连续地或周期性地执行。

[0041] 过程400的变型是可能的。例如，也可以应用联合学习方法来优化训练性能。在此类方法中，每个车辆102可以基于车辆102本地的UWB和BLE数据本地训练机器学习模型302，以允许机器学习模型302的参数被迭代更新。响应于由车辆102正在计算的机器学习模型302的一组新参数，这些参数可以从车辆102传输到校准数据服务器306用于分析。在一些示例中，校准数据服务器306可以对达到错误率目标的车辆102的机器学习模型302参数进行平均，并且相应地更新全局机器学习模型302。在其他示例中，校准数据服务器306可以组合、聚类和利用来自达到错误率目标的车辆102的数据，以使用来自多个车辆102的数据构建和推出改善的机器学习模型302。

[0042] 在另一个变型中，强化学习可以被应用于智能地确定机器学习模型302的变化。可以通过执行二次定位检查来构建奖励函数。例如，二次定位检查可以包括每次置信度低时将BLE预测位置与额外的UWB质询进行比较。基于与UWB数据的类似性分数，机器学习模型302可以相应地被加强或更新以考虑新的变化。

[0043] 还应注意，上述技术不限于使用UWB来协助BLE，并且可以使用其他协议来执行方法。在示例中，可以使用BLE高精度距离测量(HADM)算法来提供使用BLE的距离测量，所述使用BLE的距离测量可以另外地或替代地用于确定基础真值。在另一个示例中，可以另外地或替代地使用WiFi ToF数据。在又一个示例中，可以另外地或替代地使用UWB相位数据。

[0044] 在另一个示例中，BLE相位测量可以用作位置信息的源。与UWB ToF一样，BLE相位测量可以用于通过计算每个信道之间的相位差和估计从源到接收器的距离来测量BLE RSSI数据中的方差。基于来自相位测量的距离计算，可以补偿RSSI数据中的方差。通过使用此方法，可以减少BLE RSSI数据中的方差，从而提高预测精度。

[0045] 在又一个示例中，BLE往返时间可以用作位置信息的源。BLE往返时间也可以用来测量BLE RSSI数据中的方差。BLE往返时间计算信号从源装置行进到目的地装置并且从目的地装置返回源装置所需的时间。基于所测量的经过时间，可以使用光速作为射频(RF)信号的传播速度来推断距离。基于BLE往返时间的距离计算，可以补偿RSSI数据中的方差。

[0046] 在又一个示例中，Wi‑Fi ToF可以用作位置信息的源。Wi‑Fi飞行时间可以类似于BLE往返时间来使用，但是具有更高的精度，这可以增加BLE RSSI算法的预测精度。

[0047] 图5示出了用于实现机器学习定位方案的各方面的计算装置502的示例500。参考图5，并且参考图1至图4，车辆102、移动装置104和校准数据服务器306可以是此类计算装置502的示例。如图所示，计算装置502包括：处理器504，其可操作地连接到存储装置506；网络装置508；输出装置510；以及输入装置512。应注意，这仅为示例，并且可以使用具有更多、更少或不同部件的计算装置502。

[0048] 处理器504可以包括实现中央处理单元(CPU)和/或图形处理单元(GPU)的功能的一个或多个集成电路。在一些示例中，处理器504是集成CPU和GPU的功能的片上系统(SoC)。SoC可以任选地将其他部件(诸如，例如存储装置506和网络装置508)包括到单个集成装置中。在其他示例中，CPU和GPU经由外围连接装置(诸如高速外围部件互连(PCI)或另一种合适的外围数据连接)相互连接。在一个示例中，CPU是商业上可获得的中央处理装置，其实现指令集，诸如x86、ARM、Power或无互锁流水线级(MIPS)指令集家族的微处理器中的一者。

[0049] 无论细节如何，在操作期间，处理器504执行从存储装置506检索到的所存储的程序指令。所存储的程序指令相应地包括控制处理器504的操作以执行本文描述的操作的软件。存储装置506可以包括非易失性存储器装置和易失性存储器装置两者。非易失性存储器包括固态存储器，诸如NAND快闪存储器、磁存储介质和光学存储介质或在系统被停用或失去电力时保留数据的任何其他合适的数据存储装置。易失性存储器包括静态和动态随机存取存储器(RAM)，所述静态和动态随机存取存储器在系统100的操作期间存储程序指令和数据。

[0050] GPU可以包括用于将至少二维(2D)和任选地三维(3D)图形显示到输出装置510的硬件和软件。输出装置510可以包括图形或视觉显示装置，诸如电子显示屏、投影仪、打印机或再现图形显示的任何其他合适的装置。作为另一个示例，输出装置510可以包括音频装置，诸如扬声器或耳机。作为又一示例，输出装置510可以包括触觉装置，诸如可机械地升高的装置，所述触觉装置在示例中可以被配置为显示盲文或可以被触摸以向用户提供信息的另一物理输出。

[0051] 输入装置512可以包括使得计算装置502能够从用户接收控制输入的各种装置中的任一种。接收人机界面输入的合适的输入装置的示例可以包括键盘、鼠标、轨迹球、触摸屏、语音输入装置、图形输入板等。

[0052] 网络装置508可以各自包括使得车辆102、移动装置104和/或校准数据服务器306能够通过网络从外部装置发送和/或接收数据的各种装置中的任一者。合适的网络装置508的示例包括以太网接口、Wi‑Fi收发器、蜂窝收发器、或蓝牙或BLE收发器、UWB收发器、或从另一个计算机或外部数据存储装置接收数据的其他网络适配器或外围互连装置，这对于以高效的方式接收大数据集可以是有用的。

[0053] 本文所公开的过程、方法或算法可能够输送到处理装置、控制器或计算机/由处理装置、控制器或计算机实现，所述处理装置、控制器或计算机可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，过程、方法或算法可以以多种形式存储为可由控制器或计算机执行的数据和指令，包括但不限于永久存储在不可写存储介质(诸如只读存储器(ROM)装置)上的信息，以及可替换地存储在可写存储介质(诸如软盘、磁带、光盘(CD)、RAM装置以及其他磁性和光学介质)上的信息。所述过程、方法或算法也可以以软件可执行对象来实现。替代地，可使用合适的硬件部件或者硬件、软件和固件部件的组合全部或部分地实施所述过程、方法或算法，所述硬件部件诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、状态机、控制器或其他硬件部件或装置。

[0054] 尽管上文描述了示例性实施例，但这些实施例并不意图描述权利要求所涵盖的所有可能形式。在说明书中使用的词语是描述词语而非限制性词语，并且应理解，在不脱离本公开的精神和范围的情况下，可以做出各种改变。如先前所述，各种实施例的特征可以组合以形成可能未明确描述或示出的本发明的另外的实施例。尽管各种实施例就一个或多个期望的特性而言可能已经被描述为提供优点或优于其他实施例或现有技术实现方式，但本领域普通技术人员应认识到，可以折衷一个或多个特征或特性来实现期望的整体系统属性，这取决于具体应用和实现方式。这些属性可以包括但不限于成本、强度、耐用性、生命周期成本、市场适销性、外观、包装、大小、服务能力、重量、可制造性、便于组装等。因此，就一个或多个特性而言，在任何实施例被描述为不及其他实施例或现有技术实现方式理想的程度上，这些实施例不在本公开的范围之外并且对于特定应用可能是所期望的。

[0055] 根据本发明，提供一种用于实现机器学习定位方案的系统，所述系统具有处理器，所述处理器被编程为：从多个车辆接收校准数据，所述校准数据包括指示多个车辆内的移动装置的位置的无线数据、关于移动装置的位置的基础真值数据以及关于移动装置的背景信息；使用无线数据和背景信息作为输入以及基础真值数据作为输出来训练机器学习模型；以及响应于机器学习模型的错误率在错误目标内，将机器学习模型提供给多个车辆。

[0056] 根据实施例，处理器还被编程为：根据背景信息识别校准数据中的数据聚类簇；清除相对于所识别的数据聚类簇是异常值的异常数据元素；并且根据清除后的校准数据训练机器学习模型。

[0057] 根据实施例，处理器还被编程为使用测试数据来测试机器学习模型，以确定机器学习模型的错误率。

[0058] 根据实施例，测试数据是在训练机器学习模型时未使用的校准数据的子集。

[0059] 根据实施例，处理器还被编程为响应于机器学习模型在至少预定百分比的测试数据中获得正确结果而将机器学习模型的错误率确定为在错误目标内。

[0060] 根据实施例，处理器还被编程为：将机器学习模型发送到多个车辆的测试子集；以及响应于从多个车辆的测试子集接收到指示机器学习模型与多个车辆的测试子集使用的先前机器学习模型相比在确定移动装置的位置时表现得更精确的测试信息，确定错误率在错误目标内。

[0061] 根据实施例，无线数据是BLUETOOTH RSSI信息，并且基础真值数据是UWB ToF数据。

[0062] 根据实施例，无线数据是BLUETOOTH RSSI信息，并且基础真值数据是BLE高精度距离测量数据。

[0063] 根据实施例，基础真值数据是UWB定相数据或Wi‑Fi ToF数据中的一者或多者。

[0064] 根据实施例，背景信息包括移动装置的操作系统版本或移动装置的电池电量中的一者或多者。

[0065] 根据实施例，背景信息包括限定关于移动装置的信号强度的偏移的天线特性。

[0066] 根据本发明，一种用于实现机器学习定位方案的方法包括：从多个车辆接收校准数据，所述校准数据包括指示多个车辆内的移动装置的位置的无线数据、关于移动装置的位置的基础真值数据以及关于移动装置的背景信息；使用无线数据和背景信息作为输入以及基础真值数据作为输出来训练机器学习模型；以及响应于机器学习模型的错误率在错误目标内，将机器学习模型提供给多个车辆。

[0067] 在本发明的一方面，所述方法包括：根据背景信息识别校准数据中的数据聚类簇；清除相对于所识别的数据聚类簇是异常值的异常数据元素；以及根据清除后的校准数据训练机器学习模型。

[0068] 在本发明的一方面，所述方法包括使用测试数据测试机器学习模型，以确定机器学习模型的错误率。

[0069] 在本发明的一方面，所述方法包括响应于机器学习模型在至少预定百分比的测试数据中获得正确结果而将机器学习模型的错误率确定为在错误目标内。

[0070] 在本发明的一方面，所述方法包括：将机器学习模型发送到多个车辆的测试子集；以及响应于从多个车辆的测试子集接收到指示机器学习模型与多个车辆的测试子集使用的先前机器学习模型相比在确定移动装置的位置时表现得更精确的测试信息，确定错误率在错误目标内。

[0071] 根据本发明，一种非暂时性计算机可读介质包括指令，所述指令当由处理器执行时使处理器执行包括以下的操作：从多个车辆接收校准数据，所述校准数据包括指示多个车辆内的移动装置的位置的无线数据、关于移动装置的位置的基础真值数据以及关于移动装置的背景信息；使用无线数据和背景信息作为输入以及基础真值数据作为输出来训练机器学习模型；以及响应于机器学习模型的错误率在错误目标内，将机器学习模型提供给多个车辆。

[0072] 在本发明的一方面，所述方法包括如下指令，所述指令当由处理器执行时使处理器：根据背景信息识别校准数据中的数据聚类簇；清除相对于所识别的数据聚类簇是异常值的异常数据元素；并且根据清除后的校准数据训练机器学习模型。

[0073] 在本发明的一方面，所述方法包括如下指令，所述指令当由处理器执行时使处理器使用测试数据来测试机器学习模型，以确定机器学习模型的错误率。

[0074] 在本发明的一方面，所述方法包括如下指令，所述指令当由处理器执行时使处理器执行以下一项或多项：(i)响应于机器学习模型在至少预定百分比的测试数据中获得正确结果，将机器学习模型的错误率确定为在错误目标内；或(ii)将机器学习模型发送到多个车辆的测试子集，以及响应于从多个车辆的测试子集接收到指示机器学习模型与多个车辆的测试子集使用的先前机器学习模型相比在确定移动装置的位置时表现得更精确的测试信息，确定错误率在错误目标内。