[发明专利]一种非视距场景下的距离校准方法、装置及设备

权利要求书

1.一种非视距场景下的距离校准方法，其特征在于，包括：

获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；

将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；

其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

2.根据权利要求1所述的方法，其特征在于，所述超宽带射频测距的第一原始距离，通过所述第一目标点与第二目标点之间的超宽带射频信号的传输时间计算得到，所述超宽带射频信号带有时间戳；

所述第一信道冲击响应波形，为所述超宽带射频信号的信道冲击响应波形。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度，具体包括：

将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型；

通过所述深度学习模型的变分自编码机，获取所述第一信道冲击响应波形的概率编码表征；

将所述概率编码表征输入至所述深度学习模型的概率神经网络中，获取对应的第一均值和第一方差；

将所述第一均值与所述第一原始距离相加的结果，作为所述第一目标点与第二目标点之间的距离校准结果，将所述第一方差作为所述距离校准结果的置信度，并输出所述距离校准结果和置信度。

4.根据权利要求3所述的方法，其特征在于，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之前还包括：

对所述信道冲击响应波形进行均值为0方差为1的归一化处理，将归一化处理后的数据输入至所述深度学习模型的变分自编码机。

5.根据权利要求3或4所述的方法，其特征在于，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之后还包括：

将所述概率编码表征进行解码，获得解码数据；

通过所述解码数据重构所述第一信道冲击响应波形，获得重构波形；

通过所述重构波形与所述第一信道冲击响应波形的均方根误差衡量所述重构波形的准确度，以对所述变分自编码机进行训练。

6.根据权利要求1所述的方法，其特征在于，所述训练好的深度学习模型通过以下步骤得到：

将第二原始距离、第二信道冲击响应波形及所述第一目标点与第二目标点之间的真实距离，输入至深度学习模型；所述第二原始距离和所述第二信道冲击响应波形通过第一目标点与第二目标点之间的超宽带射频测距得到；

利用第二信道冲击响应波形对所述深度学习模型的变分自编码机进行训练，获得所述变分自编码机的训练误差；

利用所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征及所述真实距离，对所述深度学习模型的概率神经网络进行训练，获得所述概率神经网络的训练误差；

基于所述变分自编码机的训练误差和所述概率神经网络的训练误差，获得所述深度学习模型的最终损失函数；

基于所述最终损失函数，利用随机梯度下降算法对所述深度学习模型进行优化，以获得训练好的深度学习模型。

7.根据权利要求6所述的方法，其特征在于，所述利用所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征及所述真实距离，对所述深度学习模型的概率神经网络进行训练，获得所述概率神经网络的训练误差，具体包括：

将所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征，输入至所述深度学习模型的概率神经网络中，获取对应的第二均值和第二方差；

将所述第二均值与所述第二原始距离相加的结果，作为所述第一目标点与第二目标点之间的样本距离校准结果，将所述第二方差作为所述样本距离校准结果的置信度；

基于所述真实距离、所述样本距离校准结果及所述样本距离校准结果的置信度，获得所述概率神经网络的训练误差。