定位系统及方法、数据库、神经网络模型训练方法与流程

本发明涉及导航领域，具体而言，涉及一种定位系统及方法、数据库、神经网络模型训练方法。

背景技术：

超宽带（ultrawideband，uwb）技术是一种使用1ghz以上频率带宽的无线载波通信技术。uwb技术不采用正弦载波，而是利用纳秒级的非正弦波窄脉冲传输数据，因此其所占的频谱范围很大，尽管使用无线通信，但其数据传输速率可以达到几百兆比特每秒以上。使用uwb技术可在非常宽的带宽上传输信号，美国联邦通信委员会（fcc）对uwb技术的规定为：在3.1~10.6ghz频段中占用500mhz以上的带宽。

由于uwb技术具有对信道衰落不敏感、发射信号功率谱密度低、截获率低、系统复杂度低、能提供数厘米的定位精度等优点，因此，uwb技术对于室内场景下可实现精确的定位。

图1是根据相关技术提供的uwb室内定位系统的工作示意图，如图1所示，uwb室内定位系统通常由定位基站和定位标签两部分构成，基站单元为预先布设好的拥有固定坐标的单元，通常情况下，至少4个基站单元就可以完成对标签uwb单元的定位。uwb室内定位系统进行定位过程中，可由定位基站或定位标签主动发起测距请求，并进一步通过飞行时间法（timeofflight，tof）测距方式或到达时间差（timedifferenceofarrival，tdoa）测距方式以确定定位标签的位置，从而实现定位。

目前的uwb技术实现室内定位过程中，由于定位场景内的环境遮挡或多径效应可能会对定位效果造成极大的干扰，图2是根据相关技术提供的uwb室内定位的环境遮挡示意图，如图2所示，uwb室内定位系统工作过程中，当定位基站与定位标签之间存在遮挡，如墙壁等，进而导致定位基站与定位标签之间的信号传输受到干扰以造成定位精度下降。

对此，相关技术中采用增加基站的分布数量或密度的方式，以减少环境遮挡或多径效应的影响；但上述增加基站的过程中的布设难度以及设备成本均会极大的提高。

针对上述相关技术中，uwb定位的定位效果易于受环境遮挡或多径效应的影响而造成的干扰的问题，相关技术中尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供一种定位系统及方法、数据库、神经网络模型训练方法，以至少解决相关技术中uwb定位的定位效果易于受环境遮挡或多径效应的影响而造成的干扰的问题。

根据本发明的一个实施例，提供了一种定位系统，包括：

惯性测量单元imu，配置为获取第一测量信息与一组或多组第二测量信息，其中，所述第一测量信息为目标对象的实时测量信息，所述第二测量信息为历史测量信息；

超宽带uwb单元，配置为获取一组或多组第二位置信息，其中，所述第二位置信息为历史位置信息；

解算单元，配置为根据所述第一测量信息以及预设的神经网络模型确定第一位置信息，并根据所述第一位置信息对目标对象进行定位；其中，所述神经网络模型是根据所述一组或多组第二测量信息与所述一组或多组第二位置信息训练得到的。

根据本发明的另一个实施例，还提供了一种数据库，包括：

一组或多组第二测量信息，一组或多组第二位置信息，以及所述一组或多组第二测量信息与所述一组或多组第二位置信息之间的对应关系；

其中，所述一组或多组第二测量信息为通过一个或多个惯性测量单元imu获取，所述一组或多组第二位置信息通过一个或多个超宽带uwb单元获取。

根据本发明的另一个实施例，还提供了一种定位方法，包括：

获取第一测量信息以及一组或多组第二测量信息；其中，所述第一测量信息为目标对象的实时测量信息，所述一组或多组第二测量信息为历史测量信息；

根据所述第一测量信息以及预设的神经网络模型确定第一位置信息，并根据所述第一位置信息对所述目标对象进行定位；

其中，所述神经网络模型是根据一组或多组第二测量信息与一组或多组第二位置信息训练得到的，所述一组或多组第二位置信息为历史位置信息。

根据本发明的另一个实施例，还提供了一种神经网络模型训练方法，包括：

获取一组或多组第二测量信息，其中，所述一组或多组第二测量信息通过惯性测量单元imu进行获取；

获取一组或多组第二位置信息，其中，所述一组或多组第二位置信息通过超宽带uwb单元进行获取；

根据所述一组或多组第二测量信息以及所述一组或多组第二位置信息对预设的神经网络模型进行训练，以得到训练后的所述神经网络模型。

根据本发明的另一个实施例，还提供了一种定位装置，包括：

测量模块，用于获取第一测量信息以及一组或多组第二测量信息；其中，所述第一测量信息为目标对象的实时测量信息，所述一组或多组第二测量信息为历史测量信息；

解算模块，用于根据所述第一测量信息以及预设的神经网络模型确定第一位置信息，并根据所述第一位置信息对所述目标对象进行定位；

其中，所述神经网络模型是根据一组或多组第二测量信息与一组或多组第二位置信息训练得到的，所述一组或多组第二位置信息为历史位置信息。

根据本发明的另一个实施例，还提供了一种神经网络模型训练装置，包括：

第一获取模块，用于获取一组或多组第二测量信息，其中，所述一组或多组第二测量信息通过惯性测量单元imu进行获取；

第二获取模块，用于获取一组或多组第二位置信息，其中，所述一组或多组第二位置信息通过超宽带uwb单元进行获取；

训练模块，用于根据所述一组或多组第二测量信息以及所述一组或多组第二位置信息对预设的神经网络模型进行训练，以得到训练后的所述神经网络模型。

根据本发明的另一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的另一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，由于可通过惯性测量单元imu获取的作为历史测量信息的一组或多组第二测量信息与超宽带uwb单元获取的作为历史位置信息的一组或多组第二位置信息进行神经网络模型的训练，从而可进一步通过惯性测量单元imu获取的第一测量信息以及神经网络模型获取目标对应的第一位置信息，以完成对目标对象的定位。因此，本发明可以解决相关技术中uwb定位的定位效果易于受环境遮挡或多径效应的影响而造成的干扰的问题，以达到提高uwb定位的精度的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据相关技术提供的uwb室内定位系统的工作示意图；

图2是根据相关技术提供的uwb室内定位的环境遮挡示意图；

图3是根据本发明实施例提供的定位系统的功能示意图；

图4是根据本发明具体实施例提供的定位系统的工作示意图；

图5是根据本发明具体实施例提供的定位系统的交互示意图（一）；

图6是根据本发明具体实施例提供的定位系统的交互示意图（二）；

图7是根据本发明具体实施例提供的定位系统的交互示意图（三）；

图8是根据本发明实施例提供的数据库的示意图；

图9是根据本发明实施例提供的定位方法的流程图；

图10是根据本发明实施例提供的神经网络模型训练方法的流程图；

图11是根据本发明实施例提供的定位装置的结构框图；

图12是根据本发明实施例提供的神经网络模型训练装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本实施例提供了一种定位系统，图3是根据本发明实施例提供的定位系统的功能示意图，如图3所示，本实施例中的定位系统包括：

惯性测量单元（inertialmeasurementunit，imu）102，配置为获取第一测量信息与一组或多组第二测量信息，其中，第一测量信息为目标对象的实时测量信息，第二测量信息为历史测量信息；

超宽带uwb单元104，配置为获取一组或多组第二位置信息，其中，第二位置信息为历史位置信息；

解算单元106，配置为根据第一测量信息以及预设的神经网络模型确定第一位置信息，并根据第一位置信息对目标对象进行定位；其中，神经网络模型是根据一组或多组第二测量信息与一组或多组第二位置信息训练得到的。

通常而言，上述imu包括多个加速度传感器以及角速度传感器（或称陀螺仪），以测量目标对象在空间内的加速度以及角速度。上述imu可以携带在定位标签之上，即imu作为定位标签的一部分携带于目标对象之上，也可以独立于定位标签携带于目标对象之上，本发明对此不作限定。

上述imu获取的第一测量信息为目标对象的实时测量信息即指示第一测量信息为目标对象在当前进行定位时，目标对象所位于的定位系统中的imu所测得的实时测量信息。上述imu获取的第二测量信息为历史测量信息即指示第二测量信息为imu过去获得的历史测量信息。上述uwb单元所获取的第二位置信息即指示第二位置信息为uwb过去获得的历史位置信息。

需要进一步说明的是，上述第二位置信息可以指定位系统在不受环境遮挡或多径效应影响的情形或所受影响在系统误差允许范围内的情形下，所进行定位而得到的位置信息，即第二位置信息可以是由uwb直接进行测距及定位而获得的。举例而言，在定位系统在不受环境遮挡或多径效应影响的情形下，uwb可直接对该系统内的对象进行测距定位处理，以获取其位置信息，即第二位置信息；同时，对象携带的imu可同步获取对象的测量信息，即第二测量信息，但在该情形下，第二测量信息不参与对象的定位，仅用于配合第二位置信息以进行神经网络模型的训练。

另一方面，上述第二位置信息也可以是本实施例中的解算单元根据ium的测量信息以及神经网络模型确定的位置信息。举例而言，在某一时刻，解算单元通过根据ium的第一测量信息以及神经网络模型确定目标对象的第一位置信息，则相对于之后的时刻，也可以将该第一位置信息作为历史位置信息，即第二位置信息以参与神经网络模型的训练。

需要进一步说明的是，上述第二测量信息并不限于目标对象的历史测量信息，也不限于当前目标对象进行定位所位于的定位系统中的imu所获得的历史测量信息，具体而言，上述第二测量信息可以是区别于目标对象的参考对象，在区别于目标对象当前所处于的定位系统中的imu的其它定位系统中的imu所测得的历史测量信息。对应的，上述第二位置信息也不限于目标对象的历史位置信息，也不限于当前目标对象进行定位所位于的定位系统中的uwb所获得的历史位置信息，具体而言，上述第二位置信息可以是区别于目标对象的参考对象，在区别于目标对象当前区域所处的定位系统，也可以是其它区域中定位系统所包含的uwb单元所测得的历史位置信息。简言之，上述第二测量信息以及第二位置信息不限于当前进行定位的定位系统得到，可以是历史上的其它定位系统得到的。

本实施例的定位系统中，根据上述第二测量信息与第二位置信息训练获得的神经网络模型即可指示imu获得的测量信息与对应的uwb获得的位置信息相互之间的映射关系。因此，假设在某时刻由于环境遮挡或多径效应而导致uwb单元无法有效的对目标对象进行定位时，上述解算单元即可将imu测得的指示目标对象当前实时测量信息的第一测量信息输入至上述神经网络模型中，根据上述测量信息与位置信息之间的映射关系以获得该第一测量信息对应的位置信息，由于imu获取的第一测量信息并不受上述环境遮挡或多径效应的影响，故上述神经网络模型得到的位置信息即可替代uwb单元所获取的位置信息作为第一位置信息，进而实现对目标对象的精确定位。

需要进一步说明的是，本实施例中的位置信息可以是距离信息（相对于定位基站），也可以是坐标信息。

上述解算单元可以是设置在定位标签中，也可以采用在定位系统所处场景内的计算设备，如pc等进行解算处理，也可以采用设置在云端的服务器进行解算处理，本发明对此不作限定。上述神经网络模型可以存储在解算单元中，也可以独立存储在其它的计算机可读的存储介质中，本发明对此不作限定。

通过上述实施例中的定位系统，由于可通过惯性测量单元imu获取的作为历史测量信息的一组或多组第二测量信息与超宽带uwb单元获取的作为历史位置信息的一组或多组第二位置信息进行神经网络模型的训练，从而可进一步通过惯性测量单元imu获取的第一测量信息以及神经网络模型获取目标对应的第一位置信息，以完成对目标对象的定位。因此，上述实施例中的定位系统可以解决相关技术中uwb定位的定位效果易于受环境遮挡或多径效应的影响而造成的干扰的问题，以达到提高uwb定位的精度的效果。

具体而言，在定位系统于历史时刻未受环境遮挡等影响时，uwb单元的测距未受到影响，故其可准确的确定对象的位置信息，即第二位置信息，而此时imu测量所得的测量信息也是准确的（imu不受环境遮挡等因素影响），即第二测量信息；因此，上述第二测量信息即可对应一个准确的第二位置信息。以此进行训练的神经网络模型，即可得到imu测量所得的测量信息对应的位置信息。而在当前时刻，uwb单元受环境遮挡等影响而无法准确进行测距定位时，即可通过imu获取当前时刻的对象的测量信息，进一步根据上述神经网络模型以计算得到对应的位置信息以进行定位处理。

需要进一步说明的是，本实施例中的定位系统也可以按照相关技术中常规的uwb定位方式进行定位处理。uwb单元在进行测距时是否受到影响，即是否需要采用imu测量得到的第一测量信息以及神经网络模型进行定位，可根据定位标签对定位基站的信号的检测进行判断。

此外，uwb单元受到环境遮挡或多径效应影响时，可能并不会导致uwb单元进行定位中的测距过程全部失效，即存在uwb单元的测距过程仍部分有效的情形，在该情形下，可通过滤波处理，具体如卡尔曼滤波或粒子滤波的方式，将上述部分有效的uwb的测距结果与通过神经网络模型确定的第一位置信息进行融合，从而实现对目标对象的更精准的定位处理。

在一可选实施例中，上述imu至少包括以下至少之一：加速度传感器、角速度传感器、地磁传感器；其中，

加速度传感器配置为获取第一加速度信息以及第二加速度信息，第一加速度信息为目标对象的实时加速度信息，第二加速度信息为历史加速度信息；

角速度传感器配置为获取第一角速度信息，或者，角速度传感器配置为获取第一角速度信息以及第二角速度信息；第一角速度信息为目标对象的实时角速度信息，第二角速度信息为历史角速度信息；

地磁传感器配置为获取第一地磁信息，或者，地磁传感器配置为获取第一地磁信信息以及第二地磁信息；第一地磁信息为目标对象的实时地磁信息，第二地磁信息为历史地磁信息。

需要进一步说明的是，上述加速度传感器获得的第一加速度信息以及第二加速度信息均用于指示测量对象的加速度；上述角速度传感器获得的第一角速度信息以及第二角速度信息均用于指示测量对象的角速度；上述地磁传感器获得的第一地磁信息以及第二地磁信息用于指示测量对象所处位置的地磁信息，如地磁向量等。角速度传感器以及地磁传感器在不同的工作方式下可获取不同的对象，例如，角速度传感器可以仅获取第一角速度信息，而不用获取第二角速度信息进行神经网络模型的训练，或在获取第一角速度信息进行定位的同时，获取第二角速度信息进行神经网络模型的训练，地磁传感器类似；下述可选实施例中将对此进行阐述，在此不再赘述。

在一可选实施例中，第一测量信息至少包括第一加速度信息，第二测量信息至少包括第二加速度信息；

解算单元还配置为，根据第一加速度信息以及神经网络模型确定第一速率信息，并根据第一速率信息以及第一角速度信息确定第一位置信息，以对目标对象进行定位。

需要进一步说明的是，在上述可选实施例中，第一测量信息至少包括第一加速度信息，第二测量信息至少包括第二加速度信息的情形下，神经网络模型中第二测量信息与第二位置信息之间的映射关系是基于速率信息实现的；具体而言，第二测量信息为加速度，即可通过计算的方式得到第二测量信息对应的速率，对应的，第二位置信息也可以转换为第二位置信息对应的速率，故神经网络模型中可基于上述两个速率的映射关系以进行训练。在此基础上，在第一测量信息为第一加速度信息时，即可将第一加速度信息输入至神经网络模型，通过将该第一加速度信息转换为对应速率，再根据上述映射关系确定其对应的位置信息对应的速率，即上述可选实施例中的第一速率信息。

上述第一速率信息用于指示目标对象的当前的速率，在此基础上，根据imu获得的第一角速度信息，可进一步确定目标对象的矢量速度，基于此，即可获得目标对象的实时速度，并对目标对象进行定位。

在一可选实施例中，系统还包括滤波单元，滤波单元配置为，根据第一地磁信息以及第一角速度信息进行互补滤波处理，以获取第一航向信息；

解算单元还配置为，根据第一速率信息以及第一航向信息确定第一位置信息，以对目标对象进行定位。

需要进一步说明的是，上述根据第一地磁信息以及第一角速度信息进行互补滤波处理，即可确定一个航向信息，以进一步确定目标对象的运动方向，以此结合前述第一速率信息对目标对象进行定位。上述互补滤波可以通过mahony算法得以实现。

在一可选实施例中，第一测量信息至少包括第一加速度信息以及第一角速度信息，第二测量信息至少包括第二加速度信息以及第二角速度信息；

解算单元106还配置为，根据第一加速度信息以及第一角速度信息确定第一相对惯性信息，并根据第一相对惯性信息以及神经网络模型确定第一速度信息，并根据第一速度信息确定第一位置信息，以对目标对象进行定位；

其中，第一相对惯性信息用于指示目标用户在第一坐标中的速度信息，第一坐标为目标用户的站心坐标。

需要进一步说明的是，在上述可选实施例中，第一测量信息至少包括第一加速度信息以及第一角速度信息，第二测量信息至少包括第二加速度信息与第二角速度信息的情形下，神经网络模型中第二测量信息与第二位置信息之间的映射关系是基于第一坐标内的速度信息实现的；具体而言，第二测量信息为加速度以及角速度，即可据此确定一个惯性信息，该惯性信息用于指示在以测量对象为原点的站心坐标，即上述第一坐标内对应的速度信息。神经网络模型可基于上述惯性信息指示的速度信息与对应的第二位置信息所对应的速度信息进行训练，以获取其映射关系。

在此基础上，当imu获取第一测量信息对应的惯性信息时，即可根据上述神经网络模型获取对应的速度信息以作为第一速度信息，进而确定目标对象在当前时刻可能的运动位置以及运动方向，即目标对象的运动状态。基于此，即可结合之前目标对象的运动路径，或其它定位基站的测距信息等在当前时刻对目标对象进行定位，以确定第一位置信息。实际解算过程中，也可直接对于速度信息进行积分处理以得到对应的位置信息。

需要进一步说明的是，由于imu中角速度传感器获得的角速度信息是基于传感器自身的相对坐标系的，即以目标对象为原点的站心坐标，故此，上述第一坐标是一个相对坐标系，上述根据第一测量信息得到的对应惯性信息为上述可选实施例中的第一相对惯性信息。

在一可选实施例中，第一测量信息还包括第一地磁信息，第二测量信息还包括第二地磁信息；

解算单元106还配置为，根据第一加速度信息以及第一角速度信息确定第一相对惯性信息，并根据第一地磁信息对第一相对惯性信息进行转换，以获取第一绝对惯性信息；

根据第一绝对惯性信息以及神经网络模型确定确定第一速度信息，并根据第一速度信息确定第一位置信息，以对目标对象进行定位；

其中，第一绝对惯性信息用于指示目标用户在第二坐标中的速度信息，第二坐标为地心坐标。

需要进一步说明的是，上述可选实施例中，第一测量信息与第二测量信息中引入地磁信息，因此，对于神经网络模型而言，在训练阶段所参照的第二测量信息实际是在根据加速度信息与角速度信息获取对应的相对惯性信息后，通过地磁信息对该惯性信息进行转换，以确定的一个新的惯性信息，即绝对惯性信息；具体而言，引入地磁信息后，可以将该地磁信息作为转换系数（该系数可为地磁向量，即对象与磁北方向的夹角），以对相对惯性信息进行转换，从而得到上述绝对惯性信息，该绝对惯性信息用于指示在地心坐标，具体为定位系统所处当地的东北天坐标，即上述第二坐标内对应的速度信息。神经网络模型可基于上述绝对惯性信息指示的速度信息与对应的第二位置信息所对应的速度信息进行训练，以获取其映射关系。

在此基础上，当imu获取第一测量信息对应的绝对惯性信息时，即可根据上述神经网络模型获取对应的速度信息以作为第一速度信息，进而确定目标对象在当前时刻可能的运动位置以及运动方向，即目标对象的运动状态。基于此，即可结合之前目标对象的运动路径，或其它定位基站的测距信息等在当前时刻对目标对象进行定位，以确定第一位置信息。实际解算过程中，也可直接对于速度信息进行积分处理以得到对应的位置信息。

此外，也可以不采用坐标信息建立上述对应关系，而直接根据速度信息进行对应，具体而言，将解算单元配置为：

根据第一加速度信息以及第一角速度信息确定测量速度信息，

根据测量速度信息以及神经网络模型确定确定第一速度信息，并根据第一速度信息确定第一位置信息，以对目标对象进行定位。

上述测量速度信息即根据imu测得的目标对象的第一加速度信息以及第一角速度信息进行计算所获取的速度信息。

在一可选实施例中，神经网络模型包括神经网络模型权值，其中，神经网络模型权值用于指示第二测量信息与对应的一组或多组第二速率信息之间的映射关系；

神经网络模型权值根据神经网络模型的输入样本与输出样本之间的回归关系进行确定，输入样本为一组或多组第二测量信息，输出样本为一组或多组第二速率信息；

其中，第二速率信息用于指示历史速率信息，一组或多组速率信息根据一组或多组第二位置信息获取。

需要进一步说明的是，上述神经网络模型的训练适用于第一测量信息为第一加速度信息，第二测量信息为第二加速度信息的情形下。如前述可选实施例中所述，上述神经网络模型中第二测量信息与第二位置信息之间的映射关系是基于速率信息实现的；具体而言，在uwb单元获取第二位置信息后，即可对该第二位置信息进行转换以得到对应的速率信息，即上述可选实施例中的第二速率信息，对应的，imu获取的第二加速度信息也可通过计算的方式转换为速率信息，从而与上述第二速率信息进行相互间的对应。确定上述对应关系的过程，即确定神经网络模型中神经网络权值的过程，神经网络权值即可指示上述第二加速度信息与第二速率信息之间的映射关系，进而指示第二测量信息与第二速率信息之间的映射关系。

本可选实施例中，神经网络模型可采用bp神经网络模型，或等同的神经网络模型；上述bp神经网络模型的结构以及训练的过程为本领域技术人员已知的，在此不在赘述。

在一可选实施例中，解算单元106还配置为：

将第一加速度信息作为神经网络模型的输入参数，根据神经网络模型获取对应的输出参数，将输出参数作为第一速率信息；

根据第一速率信息以及第一角速度信息确定第一位置信息，以对目标对象进行定位。

在一可选实施例中，神经网络模型包括神经网络模型权值，其中，神经网络模型权值用于指示第二测量信息与对应的一组或多组第二速度信息之间的映射关系；

神经网络模型权值根据神经网络模型的输入样本与输出样本之间的回归关系进行确定，输入样本为一组或多组第二测量信息，输出样本为一组或多组第二速度信息；

其中，第二速度信息用于指示历史速度信息，一组或多组速度信息根据一组或多组第二位置信息获取。

需要进一步说明的是，上述神经网络模型的训练适用于第一测量信息为第一加速度信息、第一角速度信息以及第一地磁信息，第二测量信息为第二加速度信息、第二角速度信息以及第二地磁信息的情形下。如前述可选实施例中所述，上述神经网络模型中第二测量信息与第二位置信息之间的映射关系是基于速度信息实现的；具体而言，在imu获取第二加速度信息、第二角速度信息以及第二地磁信息后，即可将其转换为第二绝对惯性信息，以指示对象在地心坐标中的速度信息；进一步的将该第二绝对惯性信息与uwb单元获取的第二位置信息所对应的速度信息对应，即可确定第二测量信息与第二位置信息之间的对应关系。确定上述对应关系的过程，即确定神经网络模型中神经网络权值的过程，神经网络权值即可指示上述第二绝对惯性信息与第二位置信息对应的速度信息之间的映射关系，进而指示第二测量信息与第二位置信息之间的映射关系。

需要进一步说明的是，上述第二速度信息可由第二位置信息进行计算处理以获得，例如由第二位置信息进行求导所得。

本可选实施例中，神经网络模型可采用bp神经网络模型，或等同的神经网络模型；上述bp神经网络模型的结构以及训练的过程为本领域技术人员已知的，在此不在赘述。

在一可选实施例中，解算单元106配置为：

将第一加速度信息、第一角速度信息以及第一地磁信息作为神经网络模型的输入参数，根据神经网络模型获取对应的输出参数，将输出参数作为第一速度信息；

根据第一速度信息确定第一位置信息，并根据第一位置信息对目标对象进行定位。

在一可选实施例中，一组或多组第二测量信息包括：目标对象对应的一组或多组第二测量信息，和/或，参照对象对应的一组或多组第二测量信息；

一组或多组第二位置信息包括：目标对象对应的一组或多组第二位置信息，和/或，参照对象对应的一组或多组第二位置信息。

需要进一步说明的是，上述目标对象即为本实施例中定位系统中的目标对象，上述参照对象可以是目标对象，也可以是目标对象以外的其它对象。例如，同一套定位系统中在过去不同时刻分别对于对象a，对象b以及对象c进行定位，则上述对象a，对象b以及对象c可分别作为参照对象，以获取对象a，对象b以及对象c对应的一组或多组第二测量信以及一组或多组第二位置信息，进而实现神经网络模型的训练。

假设对象d在当前时刻在定位系统中进行定位，即对象d作为目标对象，此时，即可利用上述训练后的神经网络模型可用于作为目标对象的定位处理。

进一步的，参照对象也可不限于同一套定位系统，在不同区域内分布的不同定位系统可以共同参与神经网络模型的训练。例如，在北京市的定位系统m可通过imu获取对象m在不同时刻进行定位的一组或多组第二测量信息，并通过uwb单元获取对象m在不同时刻进行定位的一组或多组第二位置信息；同时，在上海市的定位系统n可通过imu获取对象n在不同时刻进行定位的一组或多组第二测量信息，并通过uwb单元获取对象n在不同时刻进行定位的一组或多组第二位置信息。上述定位系统m获取的第二测量信息以及第二位置信息，以及定位系统n获取的第二测量信息以及第二位置信息可统一进行汇总，例如上传至云服务器统一进行神经网络模型的训练。

假设位于广州市的对象o在定位系统o内进行定位，即对象o作为目标对象，此时，即可利用上述训练后的神经网络模型可用于作为目标对象的定位处理。

由于神经网络模型的处理精度随着训练样本数量的增加而增加，因此，上述可选实施例中，通过将神经网络模型的训练样本不再局限于目标对象，从而可使得神经网络模型的精度得以显著改善。

同时，由于神经网络模型的训练不局限于目标对象，因此，神经网络模型可在某一个具体的定位系统工作前即开始进行训练。假设目标对象在进行定位处理的初始阶段即出现定位系统中由于环境遮挡或多径效应而导致uwb单元无法有效进行定位的情形下，即可通过imu配合神经网络模型对目标对象进行定位。

在一可选实施例中，解算单元106还配置为：

通过uwb单元获取目标对象的第三位置信息，根据第三位置信息对目标对象进行定位。

需要进一步说明的是，上述第三位置信息即指示uwb单元直接对于目标对象进行测距与定位处理，即本实施例中的定位系统也可以不通过imu测得的第一测量信息以及神经网络模型进行定位，而常规的uwb单元进行定位处理。

以下通过具体实施例的方式以进一步说明本实施例中定位系统的工作方式。

具体实施例1

图4是根据本发明具体实施例提供的定位系统的工作示意图，如图4所示，定位系统包括由加速度传感器、角速度传感器以及地磁传感器构成的imu，以及uwb单元。

上述定位系统在工作过程中，在第一时刻，imu获取目标对象的加速度，同时uwb单元获取目标对象的测距值（即上述实施例中的位置信息），并将上述加速度以及测距值作为神经网络模型的输入样本以及输出样本进行训练。具体而言，神经网络模型中是根据加速度对应的速率以及测距值对应的速率之间的回归关系而确定的加速度与测距值对应的速率之间的映射关系。

在第二时刻（第一时刻相对于第二时刻为历史时刻），uwb单元由于环境遮挡或多径因素等影响而存在盲区，即uwb所获得的数据部分失效，从而无法获取准确的测距值。此时，即可通过imu获取目标对象当前的加速度，并通过神经网络模型以确定该加速度对应的速率信息，同时，imu中的角速度传感器以及地磁传感器通过互补滤波，以获取目标对象的航向信息，综合目标对象的上述速率信息以及航向信息，即可确定目标对象的矢量速度信息。

基于上述目标对象的矢量速度信息即可确定目标对象可能的运动状态，此时，将该目标对象的运动状态与uwb所能获取到的正常的信息，具体如目标对象之前的运动路径或运动状态，或目标对象的坐标位置或距离等进行融合处理，具体可为粒子滤波或卡尔曼滤波处理，即可对应得到目标对象的当前位置，进而实现定位处理。

需要进一步说明的是，上述具体实施例中，神经网络模型训练的主体可能不同，以下进一步通过多个具体实施例以说明神经网络模型训练以及定位系统对目标对象进行定位的过程。

具体实施例2

图5是根据本发明具体实施例提供的定位系统的交互示意图（一），如图5所示，定位系统工作过程中，由对应的解算引擎（即上述实施例中的解算单元）获取定位基站的测距值或位置坐标等从而解算出目标对象的第二运动状态，并将该目标对象的第二运动状态发送至目标对象所携带的定位标签。定位标签可根据上述解算引擎发送的第二运动状态，以及自身携带的imu获取对应的测量信息，进而完成神经网络模型的训练。

此后的时刻，定位标签可依靠携带的imu获取的对应测量信息，以根据训练后的神经网络模型即可确定目标对象的第一运动状态。定位标签进一步将上述第一运动状态发送至解算引擎，由解算引擎根据之前时刻目标对象的运动方式以确定选择目标对象当前时刻的第二运动状态或第一运动状态作为目标对象的运动状态，即目标对象的速度信息，从而完成对目标对象的定位处理。

具体实施例3

图6是根据本发明具体实施例提供的定位系统的交互示意图（二），如图6所示，定位系统工作过程中，由对应的解算引擎（即上述实施例中的解算单元）获取定位基站的测距值或位置坐标等从而解算出目标对象的第二运动状态，与此同时，定位标签将根据自身携带的imu获取的对应测量信息发送至解算引擎，以由解算引擎根据上述第二运动状态以及测量信息进行神经网络模型的训练。

解算引擎完成神经网络模型的训练后，可将神经网络模型的权值发送至定位标签，即解算引擎直接告知定位标签测量信息与对应的运动状态之间的关系。此后的时刻，定位标签即可根据当前时刻的测量信息以及神经网络模型的权值获取目标对象的第一运动状态。定位标签将该第一运动状态发送至解算引擎中，由解算引擎根据之前时刻目标对象的运动方式以确定选择目标对象当前时刻的第二运动状态或第一运动状态作为目标对象的运动状态，即目标对象的速度信息，从而完成对目标对象的定位处理。

具体实施例3

图7是根据本发明具体实施例提供的定位系统的交互示意图（三），如图7所示，定位系统工作过程中，由对应的解算引擎（即上述实施例中的解算单元）获取定位基站的测距值或位置坐标等从而解算出目标对象的第二运动状态，与此同时，定位标签将根据自身携带的imu获取的对应测量信息发送至解算引擎，以由解算引擎根据上述第二运动状态以及测量信息进行神经网络模型的训练。

此后的时刻，定位标签可将当前时刻的测量信息发送至解算引擎，以由解算引擎一方面根据当前时刻的测量信息以及训练后的神经网络模型得到对应的第一运动状态，同时还可以通过当前时刻获取的定位基站的测距值从而解算出目标对象的第二运动状态。解算引擎进一步根据之前时刻目标对象的运动方式以确定选择目标对象当前时刻的第二运动状态或第一运动状态作为目标对象的运动状态，即目标对象的速度信息，从而完成对目标对象的定位处理。

实施例2

本实施例提供了一种数据库，图8是根据本发明实施例提供的数据库的示意图，如图8所示，本实施例中的数据库包括：

一种数据库，包括：

一组或多组第二测量信息，一组或多组第二位置信息，以及所述一组或多组第二测量信息与所述一组或多组第二位置信息之间的对应关系；

其中，一组或多组第二测量信息为通过一个或多个惯性测量单元imu获取，一组或多组第二位置信息通过一个或多个超宽带uwb单元获取。

需要进一步说明的是，本实施例中的数据库即指示存储有第二测量信息、第二位置信息、以及第二测量信息与第二位置信息之间对应关系的数据库。第二测量信息与第二位置信息之间的对应关系可以通过神经网络训练的方式得到，也可以通过拟合的方式得到。本实施例中的数据库可以存储在某一个定位系统所在场景内的服务器或终端中，也可以存储在云服务器中，本发明对此不作限定。

需要进一步说明的是，上述数据库中，一组或多组第二测量信息可以通过一个或多个imu获取，具体指示数据库中的第二测量信息可以是同一个imu获取的同一个对象或不同对象的测量信息，也可以是多个imu分别获取的不同对象的测量信息；对应的，一组或多组第二位置信息通过一个或多个uwb单元获取，具体指示数据库中的第二位置信息可以是同一个uwb获取的同一个对象或不同对象的位置信息，也可以是多个uwb分别获取的不同对象的位置信息。本实施例中的imu与uwb单元均是指实施例1中所示的定位系统中的imu和uwb单元，即本实施例中由某一个imu获取一组第二测量信息的同时，与该imu位于同一个定位系统中的uwb单元也会获取一组对应的第二位置信息，并同步上传至本实施例中的数据库中。

在一可选实施例中，数据库还包括：预设的神经网络模型；

数据库还配置为，根据神经网络模型，确定第二测量信息与第二测量信息对应的第二位置信息之间的映射关系。

需要进一步说明的是，上述可选实施例中即通过神经网络模型训练的方式以确定第二测量信息与第二测量信息对应的第二位置信息之间的映射关系。根据第二测量信息的不同，神经网络模型可采用不同的训练方式，具体而言，本可选实施例中神经网络模型的训练方式与实施例1中的神经网络模型的训练方式对应，故在此不再赘述。

实施例3

本实施例提供了一种定位方法，图9是根据本发明实施例提供的定位方法的示意图，如图9所示，本实施例中的定位方法包括：

s302，imu获取第一测量信息以及一组或多组第二测量信息；其中，第一测量信息为目标对象的实时测量信息，一组或多组第二测量信息为历史测量信息；

s304，解算单元根据第一测量信息以及预设的神经网络模型确定第一位置信息，并根据第一位置信息对目标对象进行定位；

其中，神经网络模型是根据一组或多组第二测量信息与一组或多组第二位置信息训练得到的，一组或多组第二位置信息为历史位置信息。

本实施例中的定位方法的技术特征与技术效果均与实施例1中的定位系统相对应，故在此不再赘述。

在一可选实施例中，第一测量信息至少包括第一加速度信息，第二测量信息至少包括第二加速度信息；

根据第一测量信息以及预设的神经网络模型确定第一位置信息，包括：

根据第一加速度信息以及神经网络模型确定第一速率信息；

获取第一角速度信息，并根据第一速率信息以及第一角速度信息确定第一位置信息。

在一可选实施例中，方法还包括：获取第一地磁信息，并根据第一地磁信息以及第一角速度信息进行互补滤波处理，以获取第一航向信息；

根据第一速率信息以及第一角速度信息确定第一位置信息，包括：

根据第一速率信息以及第一航向信息确定第一位置信息。

在一可选实施例中，第一测量信息至少包括第一加速度信息以及第一角速度信息，第二测量信息至少包括第二加速度信息以及第二角速度信息；

根据第一测量信息以及预设的神经网络模型确定第一位置信息，包括：

根据第一加速度信息以及第一角速度信息确定第一相对惯性信息，并根据第一相对惯性信息以及神经网络模型确定确定第一速度信息，并根据第一速度信息确定第一位置信息，以对目标对象进行定位；

其中，第一相对惯性信息用于指示目标用户在第一坐标中的速度信息，第一坐标为目标用户的站心坐标。

在一可选实施例中，第一测量信息还包括第一地磁信息，第二测量信息还包括第二地磁信息；

根据第一测量信息以及预设的神经网络模型确定第一位置信息，还包括：

根据第一加速度信息以及第一角速度信息确定第一相对惯性信息，并根据第一地磁信息对第一相对惯性信息进行转换，以获取第一绝对惯性信息；根据第一绝对惯性信息以及神经网络模型确定确定第一速度信息，并根据第一速度信息确定第一位置信息，以对目标对象进行定位；

其中，第一绝对惯性信息用于指示目标用户在第二坐标中的速度信息，第二坐标为地心坐标。

在一可选实施例中，神经网络模型包括神经网络模型权值，其中，神经网络模型权值用于指示第二测量信息与对应的一组或多组第二速率信息之间的映射关系；

神经网络模型权值根据神经网络模型的输入样本与输出样本之间的回归关系进行确定，输入样本为一组或多组第二测量信息，输出样本为一组或多组第二速率信息；

其中，第二速率信息用于指示历史速率信息，一组或多组速率信息根据一组或多组第二位置信息获取。

在一可选实施例中，根据第一加速度信息以及神经网络模型确定第一速率信息，包括：

将第一加速度信息作为神经网络模型的输入参数，根据神经网络模型获取对应的输出参数，将输出参数作为第一速率信息。

在一可选实施例中，神经网络模型包括神经网络模型权值，其中，神经网络模型权值用于指示第二测量信息与对应的一组或多组第二速率信息之间的映射关系；

神经网络模型权值根据神经网络模型的输入样本与输出样本之间的回归关系进行确定，输入样本为一组或多组第二测量信息，输出样本为一组或多组第二速率信息；

其中，第二速率信息用于指示历史速率信息，一组或多组速率信息根据一组或多组第二位置信息获取。

在一可选实施例中，根据第一测量信息以及预设的神经网络模型确定第一位置信息，包括：

将第一加速度信息、第一角速度信息以及第一地磁信息作为神经网络模型的输入参数，根据神经网络模型获取对应的输出参数，将输出参数作为第一速度信息；

根据第一速度信息确定第一位置信息，并根据第一位置信息对目标对象进行定位。

在一可选实施例中，一组或多组第二测量信息包括：目标对象对应的一组或多组第二测量信息，和/或，参照对象对应的第一组或多组第二测量信息；

一组或多组第二位置信息包括：目标对象对应的一组或多组第二位置信息，和/或，参照对象对应的第一组或多组第二位置信息。

在一可选实施例中，方法还包括：

通过uwb单元获取目标对象的第三位置信息，根据第三位置信息对目标对象进行定位。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。

实施例4

本实施例提供了一种神经网络模型训练方法，图10是根据本发明实施例提供的神经网络模型训练方法的流程图，如图10所示，本实施例中的神经网络模型训练方法包括：

s402，获取一组或多组第二测量信息，其中，一组或多组第二测量信息通过惯性测量单元imu进行获取；

s404，获取一组或多组第二位置信息，其中，一组或多组第二位置信息通过超宽带uwb单元进行获取；

s406，根据一组或多组第二测量信息以及一组或多组第二位置信息对预设的神经网络模型进行训练，以得到训练后的神经网络模型。

需要进一步说明的是，上述实施例中，imu与uwb单元为实施例1中所示的定位系统中的imu与uwb单元，即本实施例中由某一个imu获取一组第二测量信息的同时，与该imu位于同一个定位系统中的uwb单元也会获取一组对应的第二位置信息，并同步上传至本实施例中的数据库中。上述步骤s406中，根据一组或多组第二测量信息以及一组或多组第二位置信息对预设的神经网络模型进行训练的过程，是将同属于一个定位系统中imu以及uwb单元在同一时刻获取的第二测量信息以及第二位置信息同时作为神经网络模型的训练样本，即神经网络模型训练过程中，当输入一组第二测量信息同时，也会对应输入一组该第二测量信息对应的第二位置信息以完成训练。

需要进一步说明的是，上述步骤s402至s406的执行主体为存储有神经网络模型的主体的处理单元，例如解算引擎等。

在一可选实施例中，根据一组或多组第二测量信息以及一组或多组第二位置信息对预设的神经网络模型进行训练，包括：

将一组或多组第二测量信息作为神经网络模型的输入样本，将一组或多组第二位置信息作为神经网络模型的输出样本；

根据神经网络模型的输入样本与输出样本之间的回归关系确定神经网络模型权值，其中，神经网络模型权值用于指示第二测量信息与第二测量信息对应的第二位置信息之间的映射关系；

根据神经网络模型权值，对神经网络模型进行训练。

需要进一步说明的是，上述神经网络模型的输入样本与输出样本之间的回归关系可通过拟合等方式确定。上述神经网络模型可采用br神经网络模型。

在一可选实施例中，第二测量信息至少包括：第二加速度信息；

根据神经网络模型的输入样本与输出样本之间的回归关系确定神经网络模型权值，包括：

根据第二位置信息获取第二位置信息对应的第二速率信息；

根据第二加速度信息与第二速率信息之间的回归关系确定神经网络模型权值。

需要进一步说明的是，上述第二速率信息即第二位置信息进行转换后所得到的速率信息；以上述第二加速度信息与第二速率信息之间回归关系确定神经网络模型权值，第二加速度信息也可以转换为对应的速率信息（例如通过积分处理）以实现与第二速率信息的对应，即可完成基于速率信息的神经网络模型的训练。

在一可选实施例中，第二测量信息包括：第二加速度信息、第二角速度信息；

根据神经网络模型的输入样本与输出样本之间的回归关系确定神经网络模型权值，包括：

根据第二加速度信息、第二角速度信息确定对应的第二相对惯性信息，根据第二位置信息获取第二位置信息对应的第二速度信息；其中，第二相对惯性信息用于指示目标对象在第一坐标中的速度信息，第一坐标为目标对象的站心坐标；

根据第二相对惯性信息与第二速度信息之间的回归关系确定神经网络模型权值。

需要进一步说明的是，上述第二相对惯性信息指示根据第二加速度信息、第二角速度信息确定的对象在历史时刻的相对惯性信息，具体即为对象在历史时刻对应的站心坐标，即第一坐标中的速度信息。以上述第二相对惯性信息与第二速度信息之间的回归关系确定神经网络模型权值，即可完成基于相对坐标系的神经网络模型的训练。

在一可选实施例中，第二测量信息还包括：第二地磁信息；

根据神经网络模型的输入样本与输出样本之间的回归关系确定神经网络模型权值，包括：

根据第二加速度信息、第二角速度信息以及第二地磁信息确定对应的第二绝对惯性信息，其中，所述第二绝对惯性信息用于指示所述目标用户在第二坐标中的速度信息，所述第二坐标为地心坐标；

根据所述第二绝对惯性信息与所述第二速度信息之间的回归关系确定所述神经网络模型权值。

需要进一步说明的是，上述第二绝对惯性信息指示根据第二加速度信息、第二角速度信息以及第二地磁信息确定的对象在历史时刻的绝对惯性信息，具体即为对象在历史时刻对应的地心坐标，即第二坐标中的速度信息。以上述第二绝对惯性信息与第二速度信息之间的回归关系确定神经网络模型权值，即可完成基于绝对坐标系的神经网络模型的训练。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。

实施例5

本实施例提供了一种定位装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图11是根据本发明实施例提供的定位装置的结构框图，如图11所示，本实施例中的定位装置包括：

测量模块502，用于获取第一测量信息以及一组或多组第二测量信息；其中，第一测量信息为目标对象的实时测量信息，一组或多组第二测量信息为历史测量信息；

解算模块504，用于根据第一测量信息以及预设的神经网络模型确定第一位置信息，并根据第一位置信息对目标对象进行定位；

其中，神经网络模型是根据一组或多组第二测量信息与一组或多组第二位置信息训练得到的，一组或多组第二位置信息为历史位置信息。

本实施例中的定位装置的其它技术特征与技术效果均与实施例3中的定位方法对应，故在此不再赘述。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例6

本实施例提供了一种神经网络模型训练装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图12是根据本发明实施例提供的神经网络模型训练装置的结构框图，如图12所示，本实施例中的神经网络模型训练装置包括：

第一获取模块602，用于获取一组或多组第二测量信息，其中，一组或多组第二测量信息通过惯性测量单元imu进行获取；

第二获取模块604，用于获取一组或多组第二位置信息，其中，一组或多组第二位置信息通过超宽带uwb单元进行获取；

训练模块606，用于根据一组或多组第二测量信息以及一组或多组第二位置信息对预设的神经网络模型进行训练，以得到训练后的神经网络模型。

本实施例中的神经网络模型训练装置的其它技术特征与技术效果均与实施例4中的神经网络模型训练方法对应，故在此不再赘述。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例7

本发明的实施例还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

s1，获取惯性测量单元imu对目标对象进行测量的测量信息，根据测量信息以及预设的神经网络模型获取目标对象的运动状态；

其中，神经网络模型是根据imu对目标对象进行测量的历史测量信息以及目标对象的历史运动状态进行训练得到的。

可选地，在本实施例中，上述计算机可读的存储介质可以包括但不限于：u盘、只读存储器（read-onlymemory，简称为rom）、随机存取存储器（randomaccessmemory，简称为ram）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例8

本发明的实施例还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

s1，获取惯性测量单元imu对目标对象进行测量的历史测量信息；

s2，获取目标对象的历史运动状态；

s3，根据历史测量信息与历史运动状态对预设的神经网络模型进行训练，以得到训练后的神经网络模型。

可选地，在本实施例中，上述计算机可读的存储介质可以包括但不限于：u盘、只读存储器（read-onlymemory，简称为rom）、随机存取存储器（randomaccessmemory，简称为ram）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例9

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，获取惯性测量单元imu对目标对象进行测量的测量信息，根据测量信息以及预设的神经网络模型获取目标对象的运动状态；

其中，神经网络模型是根据imu对目标对象进行测量的历史测量信息以及目标对象的历史运动状态进行训练得到的。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

实施例10

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，获取惯性测量单元imu对目标对象进行测量的历史测量信息；

s2，获取目标对象的历史运动状态；

s3，根据历史测量信息与历史运动状态对预设的神经网络模型进行训练，以得到训练后的神经网络模型。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。