[发明专利]基于神经网络模型的车辆定位方法及装置

权利要求书

1.一种基于神经网络模型的车辆定位方法，其特征在于，包括：

依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，其中所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线，包括：依据所述定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线，依据所述定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线；

依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；

向预设的神经网络模型输入所述第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；

通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型；

向所述训练好的数据模型输入惯性测量单元的测量数据，其中，所述训练好的数据模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：定位模块的加速度和定位模块的角速度；

使所述训练好的数据模型对所述惯性测量单元的测量数据进行时间校正并输出校正测量数据；

依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据。

2.根据权利要求1所述的方法，其特征在于，所述依据所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据，包括：

对所述第一位置样条曲线进行二阶求导，获得所述第一加速度序列数据，对所述第一姿态样条曲线进行一阶求导，获得所述第一角速度序列数据。

3.根据权利要求2所述的方法，其特征在于，所述通过使所述第二加速度序列数据向所述第一加速度序列数据收敛，使所述第二角速度序列数据向所述第一角速度序列数据收敛，获得训练好的数据模型，包括:

通过使第二加速度序列数据向所述第一加速度序列数据收敛，获得所述神经网络模型的第一组参数；

通过使第二角速度序列数据向所述第一角速度序列数据收敛，获得所述神经网络模型的第二组参数；

依据所述第一组参数和第二组参数，获得训练好的数据模型。

4.一种基于神经网络模型的车辆定位装置，其特征在于，包括：

曲线构建模块，用于依据定位模块的位置信息和姿态信息，分别进行样条拟合处理构建第一样条曲线组，其中所述第一样条曲线组包括第一位置样条曲线、第一姿态样条曲线，包括：依据所述定位模块的位置信息，进行B样条拟合处理构建所述第一位置样条曲线，依据所述定位模块的姿态信息，进行B样条拟合处理构建所述第一姿态样条曲线；

序列数据获取模块，用于依据所述曲线构建模块构建的所述第一样条曲线组，获得所述定位模块的第一加速度序列数据和所述定位模块的第一角速度序列数据；

第二输入模块，用于向预设的神经网络模型输入所述序列数据获取模块获得的第一加速度序列数据和所述第一角速度序列数据，以及惯性测量单元的第二加速度序列数据和第二角速度序列数据，其中，所述第一加速度序列数据与第二加速度序列数据在采样时间上对齐，所述第一角速度序列数据与第二角速度序列数据在采样时间上对齐；

训练模块，用于通过使所述第二输入模块输入的第二加速度序列数据向所述第二输入模块输入的第一加速度序列数据收敛，使所述第二输入模块输入的第二角速度序列数据向所述第二输入模块输入的第一角速度序列数据收敛，获得训练好的数据模型；

第一输入模块，用于向所述训练好的数据模型输入惯性测量单元的测量数据，其中，所述训练好的数据模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：定位模块的加速度和定位模块的角速度；

校正数据获取模块，用于使所述训练好的数据模型对所述第一输入模块输入的惯性测量单元的测量数据进行时间校正并输出校正测量数据；

定位模块，用于依据车辆的初始位姿、所述校正测量数据，获得车辆的定位数据。