终端定位方法、装置、计算机设备、存储介质和程序产品与流程

1.本技术涉及定位技术领域，特别是涉及一种终端定位方法、装置、计算机设备、存储介质和程序产品。


背景技术：

2.随着5g技术的不断发展，5g网络应用也越来越广泛。5g网络下，基站可以通过测量终端的上行参考信号的方位角确定终端的位置，对终端进行定位追踪。同时，实际应用中，由于各种建筑或植物等反射物的影响，基站接收到的终端的上行参考信号找中通常含有大量多径信号，会对参考信号造成干扰。
3.传统技术中，通过将接收到的多径信号引入的测量噪声建模为色噪声，通过获取测量噪声的估计值，从而根据方位角和测量噪声的估计值，确定终端的定位结果。
4.然而，传统技术中，在实际应用中，不同场景下的多径信号不同，其引入的测量噪声也不同，因此无法消除不同场景下多径信号带来的影响，降低基站对终端定位的准确度。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提升终端定位准确度的终端定位方法、装置、计算机设备、存储介质和程序产品。
6.第一方面，本技术提供了一种终端定位方法。该方法包括：
7.获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值；将获取到的多个该测量值输入至预先训练的方位角校正模型中，得到该方位角校正模型输出的多个方位角校正值；将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据；根据该定位数据对该目标终端进行定位处理。
8.在其中一个实施例中，该终端运动模型包括多个运动子模型，该多个运行子模型分别与不同的运动模式对应，将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据，包括：将该多个方位角校正值输入至该多个运动子模型中，得到各运动子模型输出的定位结果；根据各运动子模型输出的定位结果获取该定位数据。
9.在其中一个实施例中，该多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，该近匀速运动子模型与匀速运动的运动模式相对应；该近匀加速运动子模型与匀加速运动的运动模式相对应；该近协同转弯运动子模型与协同转弯运动的运动模式相对应。
10.在其中一个实施例中，将该多个方位角校正值输入至该多个运动子模型中，包括：获取该目标终端在当前时刻的多个第一状态估计值，其中，该多个第一状态估计值分别与不同的运动模式相对应；对于各运动子模型，将与该运动子模型对应的运动模式一致的第一状态估计值以及该多个方位角校正值输入至该运动子模型中。
11.在其中一个实施例中，获取该目标终端在当前时刻的多个第一状态估计值，包括：获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，该多个第二状态估计
值分别与不同的运动模式相对应；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，计算该运动模式对应的该第一状态估计值。
12.在其中一个实施例中，获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，包括：若该上一时刻为基站测量到该目标终端的上行参考信号的方位角的初始时刻，则根据该初始时刻测量到的该目标终端的上行参考信号的方位角确定该第二状态估计值。
13.在其中一个实施例中，将获取到的多个该测量值输入至预先训练的方位角校正模型中，包括：将获取到的多个该测量值进行低通滤波处理；将低通滤波处理得到的值输入至该方位角校正模型中。
14.在其中一个实施例中，该方位角校正模型的训练过程包括：获取多个训练样本，该训练样本包括基站对样本终端的上行参考信号的方位角的样本测量值和该样本终端的上行参考信号的方位角的真实值；基于该多个训练样本对初始方位角校正模型进行训练，得到该方位角校正模型。
15.第二方面，本技术还提供了一种终端定位装置。该装置包括：
16.第一获取模块，用于获取多个基站对目标终端的上行参考信号的方位角的测量值；
17.第一校正模块，用于将获取到的多个该测量值输入至预先训练的方位角校正模型中，得到该方位角校正模型输出的多个方位角校正值；
18.第一定位模块，用于将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据；
19.第一处理模块，用于根据该定位数据对该目标终端进行定位处理。
20.在其中一个实施例中，该终端运动模型包括多个运动子模型，该多个运行子模型分别与不同的运动模式对应，该第一定位模块，具体用于：将该多个方位角校正值输入至该多个运动子模型中，得到各运动子模型输出的定位结果；根据各运动子模型输出的定位结果获取该定位数据。
21.在其中一个实施例中，该多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，该近匀速运动子模型与匀速运动的运动模式相对应；该近匀加速运动子模型与匀加速运动的运动模式相对应；该近协同转弯运动子模型与协同转弯运动的运动模式相对应。
22.在其中一个实施例中，该第一定位模块，具体用于：获取该目标终端在当前时刻的多个第一状态估计值，其中，该多个第一状态估计值分别与不同的运动模式相对应；对于各运动子模型，将与该运动子模型对应的运动模式一致的第一状态估计值以及该多个方位角校正值输入至该运动子模型中。
23.在其中一个实施例中，该第一定位模块，具体用于：获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，该多个第二状态估计值分别与不同的运动模式相对应；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，计算该运动模式对应的该第一状态估计值。
24.在其中一个实施例中，该第一定位模块，具体用于：若该上一时刻为基站测量到该目标终端的上行参考信号的方位角的初始时刻，则根据该初始时刻测量到的该目标终端的
上行参考信号的方位角确定该第二状态估计值。
25.在其中一个实施例中，该第一校正模块，具体用于：将获取到的多个该测量值进行低通滤波处理；将低通滤波处理得到的值输入至该方位角校正模型中。
26.在其中一个实施例中，该装置还包括，训练模块，用于：获取多个训练样本，该训练样本包括基站对样本终端的上行参考信号的方位角的样本测量值和该样本终端的上行参考信号的方位角的真实值；基于该多个训练样本对初始方位角校正模型进行训练，得到该方位角校正模型。
27.第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一项所述的方法的步骤。
28.第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
29.第五方面，本技术还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
30.上述终端定位方法、装置、计算机设备、存储介质和程序产品，首先获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值；由于该上行参考信号中伴随有多径信号，会造成信号干扰，因此，通过将获取到的多个该测量值输入至预先训练的方位角校正模型中，可以对该方位角的测量值进行校正，以使方位角值更加接近于真实方位角值，对于任何场景的多径信号产生的影响，均可以通过校正消除，从而得到该方位角校正模型输出的多个方位角校正值；进一步地，通过将该多个方位角校正值输入至终端运动模型中，以匹配该目标终端的运动状态，从而得到该终端运动模型输出的定位数据，结合运动状态与方位角校正值确定目标终端的定位数据，使得根据该定位数据对该目标终端进行定位处理，得到的定位结果更加准确。
附图说明
31.图1为一个实施例中终端定位方法的应用环境图；
32.图2为一个实施例中终端定位方法的流程示意图；
33.图3为一个实施例中5g基站局部坐标系及5g基站朝向定义的示意图；
34.图4为一个实施例中方位角校正模型的训练过程的流程示意图；
35.图5为一个实施例中获取定位数据的训练过程的流程示意图；
36.图6为一个实施例中运动子模型数据获取的训练过程的流程示意图；
37.图7为一个实施例中终端运动模型的内部流程的示意图；
38.图8为一个实施例中获取5g终端定位数据的流程示意图；
39.图9为一个实施例中模型训练和应用过程的示意图；
40.图10为一个实施例中提供的一种实验场景示意图；
41.图11为一个实施例中提供的误差对比图；
42.图12为一个实施例中终端定位装置的结构框图；
43.图13为一个实施例中第二种终端定位装置的结构框图；
44.图14为一个实施例中计算机设备的内部结构图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
46.5g基站可以测量5g终端上行参考信号的到达角(angle of arrival，aoa)，从而得到5g终端的方位角信息。依据多个5g基站自身的位置和姿态信息以及测量的5g终端方位角可以估计5g终端的位置。由于5g基站已广泛部署，因此，成本低且无需额外设备即可实现室内外5g终端的高精度定位，特别是该方法可有效解决停车场和隧道内等卫星导航信号不可用时的5g终端定位问题。
47.在市区和室内等典型的应用场景中，由于各种反射物的影响，例如墙壁和树木等，5g基站接收到的信号中通常含有大量的多径信号，若处理不当，多径信号会显著降低定位跟踪精度，为此，需要进一步研究来处理此问题。
48.在传统数据处理领域种，为解决该问题，通常将多径信号引入的aoa的测量噪声建模为色噪声，随后对卡曼尔滤波进行修改以适应色噪声情况下的高精度定位跟踪问题，然而，该方法假设色噪声服从一阶高斯-马尔科夫(gauss-markov)模型且模型系数已知，实际环境中，不同场景下的多径信号不同，因此难以使用一组模型系数来处理所有多径场景下的高精度定位跟踪问题，存在噪声失配的问题。
49.并且，实际上，5g终端的运动模式不可能是简单的匀速运动，通常会存在加速、减速以及转弯运动，当5g终端实际运动模式与假设模型不符时定位跟踪精度会大大降低，存在模型失配问题。
50.本技术实施例提供的终端定位方法，可以应用于如图1所示的应用环境中。其中，计算机设备101与基站102和基站103进行通信，基站102和基站103 分别可以对目标终端的上行参考信号的方位角进行测量得到对应的测量值，并将该测量值发送至计算机设备101，计算机设备101根据接收到的各方位角的测量值，计算目标终端的定位数据，得到目标终端的定位结果。其中，计算机设备101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、服务器以及服务器集群等；需要说明的是，计算机设备101可以与多个基站进行通信以获取各基站测量的目标终端的范围角的测量值，示例性地，图1中仅提供了基站102和基站103进行说明，本技术实施例对基站数量不做限定。
51.在一个实施例中，如图2所示，提供了一种终端定位方法，以该方法应用于图1中的计算机设备101为例进行说明，包括以下步骤：
52.步骤201，获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值。
53.其中，基站即公用移动通信基站，是移动设备接入互联网的接口设备，如今，5g基站已经广泛投入使用；通常，一个大的区域内可以部署多个5g基站，各5g基站可以接收到在该区域下使用移动网络的5g终端的上行参考信号，从而可以通过测量该上行参考信号的到达角，即得到终端的方位角的值。其中，终端例如可以为手机、自动机器人等可定位的设备。
54.当需要对某一终端进行定位时，将该终端作为目标终端，在其所处区域下，该区域内的各个基站可通过对目标终端的上行参考信号的方位角进行测量以得到该方位角的测量值，从而得到多个方位角的测量值。计算机设备可以接收或主动获取各基站所测量得到
目标终端的方位角的测量值，以对目标终端进行定位计算。
55.步骤202，将获取到的多个该测量值输入至预先训练的方位角校正模型中，得到该方位角校正模型输出的多个方位角校正值。
56.其中，各基站接收到的目标终端的上行参考信号中通常会伴随有多径信号，多径信号会导致测量的方位角中引入大量测量噪声，所直接根据所测量的各方位角的测量值进行定位计算，会降低定位结果的准确度，因此，需要对该测量噪声进行处理，以提升后续定位计算结果的准确度。
57.预先训练好的方位角校正模型用于根据输入的多个方位角的测量值，对该方位角的测量值进行校正，以去除各方位角的测量值中的测量噪声，方位角校正模型从而可以输入多个方位角校正值，各方位角校正值为各方位角的测量值经过测量噪声处理后得到的，其更接近于各方位角的真实值。根据该方位角校正模型输出的多个方位角校正值，以实现后续对目标终端的定位结果的计算。
58.步骤203，将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据。
59.实际场景中，5g终端的运动模式不可能是简单的匀速运动，通常会存在加速、减速以及转弯运动，当5g终端实际运动模式与假设运动模式不符时会导致定位跟踪精度大大降低，存在模型失配问题，导致定位跟踪结果的准确度大大降低。因此，本技术实施例中，通过将该经过校正得到的多个方位角校正值输入至预先确定的终端运动模型中，以匹配该目标终端的实际运动模式；终端运动模型可以通过该多个方位角校正值以及目标终端的运动模式，确定目标终端的定位数据并输出。
60.步骤204，根据该定位数据对该目标终端进行定位处理。
61.其中，该定位数据可以为目标终端在该区域的直角坐标系下的坐标，根据该定位数据，从而可以确定该目标终端所处位置，实现对对该目标终端的定位处理。
62.上述终端定位方法中，首先获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值；由于该上行参考信号中伴随有多径信号，会造成信号干扰，因此，通过将获取到的多个该测量值输入至预先训练的方位角校正模型中，可以对该方位角的测量值进行校正，以使方位角值更加接近于真实方位角值，对于任何场景的多径信号产生的影响，均可以通过校正消除，从而得到该方位角校正模型输出的多个方位角校正值；进一步地，通过将该多个方位角校正值输入至终端运动模型中，以匹配该目标终端的运动状态，从而得到该终端运动模型输出的定位数据，结合运动状态与方位角校正值确定目标终端的定位数据，使得根据该定位数据对该目标终端进行定位处理，得到的定位结果更加准确。
63.在一个实施例中，可选的，步骤202中的方位角校正模型可以通过对神经网络模型进行训练得到；其中，该神经网络模型可以为前馈神经网络或递归神经网络，例如可以为长短时记忆神经网络(long short term memory neuralnetwork,lstmnn)、多层感知器(multilayer perceptron，mlp)或径向基神经网络(radial basis function，rbf)等，不失一般性。
64.其中，一般伴随有多径信号的场景下，5g基站测量到的5g终端的方位角的测量值可以表示为公式(1)所示的数学方程：
[0065][0066][0067][0068]
公式(1)中，表示5g终端阵列天线相位中心在5g基站局部坐标系下的方位角的测量值，ψ为5g基站局部坐标系的y轴与所处地理区域直角坐标系 y轴之间的逆时针夹角即，其中，5g基站局部坐标系的y轴即阵列天线法线方向，所处地理区域直角坐标系y轴即5g基站朝向。如图3所示，其示出了本技术实施例提供的一种5g基站局部坐标系及5g基站朝向定义的示意图。o
ll
表示所处地理区域直角坐标系的原点；x
ll
和y
ll
分别表示所处地理区域直角坐标系的x 轴和y轴；和分别为5g基站阵列天线相位中心在所处地理区域直角坐标系下的坐标；和分别为5g终端阵列天线相位中心在所处地理区域直角坐标系下的坐标；arctan(g)为反正切函数；为多径信号引入的测量噪声，也即色噪声；为白噪声。
[0069]
在包含有多个5g基站的地理区域中，各5g基站可以测量某一5g终端的上行参考信号的方位角，总的表达式可以表示为如公式(4)所示的数学方程：
[0070][0071][0072][0073]
公式(4)中，n表示5g基站数目，表示5g终端阵列天线相位中心在5g基站n局部坐标系下的方位角的测量值；ψn为5g基站n局部坐标系的y轴即阵列天线法线方向与所处地理区域直角坐标系y轴逆时针夹角；和分别为5g基站n阵列天线相位中心在所处地理区域直角坐标系下的坐标，为5g基站n的测量噪声；为5g基站n的白噪声，公式(4)可以进一步简记为公式(7)：
[0074][0075]
其中，
[0076][0077]
[0078][0079][0080][0081][0082]
进一步地，公式(1)表示在任意时刻下的5g基站测量的5g终端的方位角的数学表达式，在k+1时刻，可以根据公式(1)，将k+1时刻的各5g基站测量5g终端的方位角的数学表达式可以简化为公式(14)：
[0083][0084]
其中，k为正整数，为白噪声，且，
[0085][0086]
其中，m为k+1时刻之前的时刻；ξ[
·
]为线性或非线性函数；因此，可以得到如下公式(16)：
[0087][0088]
假设在k+1时刻附近θ近似不变，可得
[0089]
θ(k+1)≈θ(η)
ꢀꢀꢀ
公式(17) 其中，η为k+1附近的时刻，从而可得
[0090][0091]
根据公式(16)和式(18)，经过计算后，可得到如下表达式：
[0092][0093]
将公式(19)进行数学变换可得公式(20)：
[0094][0095]
其中，ψ[
·
]为未知的线性或非线性函数，其可使用神经网络进行近似，ω(k+1) 为剩余误差项，公式(20)可以表示为：
[0096][0097]
公式(21)中，θ(k+1)可根据公式(20)采用神经网络进行近似，θ(k+1)可视为5g基站测量得到的5g终端的方位角的测量值，可视为5g基站测量得到的5g终端的方位角的测量值通过神经网络模型处理后得到的神经网络模型输出的方位角的值；根据公式(14)以及公式(21)可知，经过神经网络模型处理后输出的方位角的值，其不受多径信号引入的测量噪声的影响，从而可以根据该神经网络模型处理后输出的方位角的值，进一步计算5g终端的定位数据，以提升定位数据的准确度。
[0098]
其中，即可以根据公式(20)，采用长短时记忆神经网络、多层感知器或径向基神经
网络等神经网络算法构建方位角校正模型，以用于校正5g基站测量的5g终端的方位角的测量值，以提升获取定位数据的精度。
[0099]
在一个实施例中，将获取到的多个该测量值输入至预先训练的方位角校正模型中，包括：将获取到的多个该测量值进行低通滤波处理；将低通滤波处理得到的值输入至该方位角校正模型中。
[0100]
其中，在获取到各基站测量到的目标终端的上行参考信号的方位角的测量值时，可将各测量值进行低通滤波处理，例如采用低通滤波器(low pass filter, lpf)，从而可以去除各测量值中的高频信号；通过将进行低通滤波处理的值输入至方位角校正模型中，可以去除高频信号的影响，加快方位角校正模型对测量值的处理，且可以提升方位角校正模型的泛化能力。
[0101]
请参考图4，其示出了本技术实施例提供的一种方位角校正模型的训练过程的流程示意图；方位角校正模型的训练过程包括：
[0102]
步骤401，获取多个训练样本。训练样本包括基站对样本终端的上行参考信号的方位角的样本测量值和该样本终端的上行参考信号的方位角的真实值。
[0103]
其中，在方位角校正模型训练期间，在某一地理区域内，将某一终端作为样本终端，收集该地理区域下，某个基站对该样本终端的上行参考信号的方位角的测量值，同时收集基站接收到的该样本终端的上行参考信号的方位角的真实值，根据该测量值和真实值，对神经网络模型进行训练以得到方位角校正模型；其中，也可以获取多个样本终端的测量值和真实值，以进行方位角校正模型的训练。
[0104]
步骤402，基于该多个训练样本对初始方位角校正模型进行训练，得到该方位角校正模型。
[0105]
其中，将收集到的样本终端的测量值经过低通滤波后输入至预先构建的神经网络中，以长短时记忆神经网络(long short term memory neural network, lstmnn)为例，将lpf的输出作为lstmnn的输入，lstmnn的参考输出为样本终端的方位角的真实值；根据各训练样本对lstmnn进行训练，并不断进行参数调整，直至lstmnn的输出与方位角的真实值误差小于一定阈值，从而得到lstmnn的模型参数，将该确定的模型参数的lstmnn作为方位角校正模型，用于目标终端的方位角的测量值的校正。
[0106]
通过收集训练样本并对模型进行训练，以不断提升模型精度，从而得到可以对终端的方位角的测量值进行校正的方位角校正模型，为获取目标终端的定位数据提供准确的方位角的校正值，从而提升定位数据的精度。
[0107]
在一个实施例中，该终端运动模型包括多个运动子模型，该多个运行子模型分别与不同的运动模式对应。
[0108]
该多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，该近匀速运动子模型与匀速运动的运动模式相对应；该近匀加速运动子模型与匀加速运动的运动模式相对应；该近协同转弯运动子模型与协同转弯运动的运动模式相对应。
[0109]
其中，终端的运动状态可以为匀速运动、匀加速运动、转弯运动或其它运动，分别对应不同的运动子模型；本技术中仅示例性列出了近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型；其中，为匹配终端的实际运动状态，该终端运动模型可以包
括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型；终端运动模型也可以包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个以及其他运动状态对应的运动子模型。进一步地，终端运动模型可根据输入的方位角的校正值，以确定目标终端的运动状态，从而可以输出更准确的定位数据。
[0110]
请参考图5，其示出了本技术实施例提供的一种获取定位数据的流程示意图；将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据，包括：
[0111]
步骤501，将该多个方位角校正值输入至该多个运动子模型中，得到各运动子模型输出的定位结果。
[0112]
其中，在获取到多个方位角校正模型输出的方位角校正值后，将其输入至终端运动模型中，具体地，在终端运动模型中，将各方位角校正值输入至其包括的多个运动子模型中，各运动子模型根据接收到的各方位角校正值进行运动模式的计算，得到各运动子模型输出的关于目标终端的定位结果。
[0113]
如图6所示，其示出了本技术实施例提供的一种运动子模型数据获取的流程示意图；将多个方位角校正值输入至该多个运动子模型中，包括：
[0114]
步骤601，获取该目标终端在当前时刻的多个第一状态估计值；其中，该多个第一状态估计值分别与不同的运动模式相对应。
[0115]
步骤602，对于各运动子模型，将与该运动子模型对应的运动模式一致的第一状态估计值以及该多个方位角校正值输入至该运动子模型中。
[0116]
其中，当前时刻指获取到目标终端的方位角测量值的时刻；终端运动模型中，各运动子模型获取输入至终端运动模型中的各方位角校正值；并获取与其运动模式相对应的第一状态估计值，该第一状态估计值为一预测值，用于输入各运动子模型中，从而结合获取的所输入的当前时刻的目标终端的方位角校正值，进行目标终端运动模式的计算，并输出相应的定位结果。其中，该第一状态估计值可根据当前时刻的上一时刻的目标终端的多个状态估计值经过交互后得到。
[0117]
步骤502，根据各运动子模型输出的定位结果获取该定位数据。
[0118]
其中，在终端运动模型中，根据各运动子模型输出的定位结果进一步噪声估计和定位数据的计算，从而可以输出得到目标终端的定位数据，即定位坐标，并可根据该定位数据对目标终端进行定位处理。
[0119]
可选的，该终端运动模型可采用自适应交互多模型(adaptive interactingmultiple model，aimm)算法实现，其包括三种运动子模型，即近匀速(nearconstant velocity，ncv)运动模型、近匀加速(near constant acceleration，nca) 运动模型以及近协同转弯(near coordinated turn，nct)运动模型。根据aimm 算法实现的该终端运动模型的内部流程示意图可如图7所示。其中，x(k)
ncv
为与近匀速运动模式对应的目标终端当前时刻的上一时刻的目标终端的状态估计值，x(k)
nca
为与近匀加速运动模式对应的目标终端当前时刻的上一时刻的目标终端的状态估计值；x(k)
nct
为与近协同转弯运动模式对应的目标终端当前时刻的上一时刻的目标终端的状态估计值，为输入至终端运动模型中的目标终端的当前时刻的方位角校正值。
[0120]
各运动子模型通过获取当前时刻目标终端的方位角校正值以及与各运动模式对应的各第一状态估计值，进行运动模式的匹配计算，以解决终端运动模型失配而影响定位
数据准确精度的问题。
[0121]
在一个实施例中，获取该目标终端在当前时刻的多个第一状态估计值，包括：获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，该多个第二状态估计值分别与不同的运动模式相对应；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，计算该运动模式对应的该第一状态估计值。
[0122]
其中，5g终端的运动状态的演化模型可以用如下公式(22)表示：
[0123]
x(k+1)＝fx(k)+v(k)
ꢀꢀꢀ
公式(22)
[0124]
公式(22)中，f为状态转移矩阵，不同的运动模式对应不同的状态转移矩阵；x(k)为k时刻终端的状态估计值，即为第二状态估计值，不同的运动模式对应不同的第二状态估计值；v(k)为k时刻的状态噪声，由终端运动模型内部计算得到；x(k+1)为k时刻的终端的第一状态估计值；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，即可通过公式(22)的形式，计算该运动模式对应的该第一状态估计值。
[0125]
对于目标终端，以近匀速运动子模型为例，则根据公式(22)得到的目标终端的当前时刻即k+1时刻的第一状态估计值为：
[0126]
x(k+1)＝[x(k+1) v
x
(k+1 )y(k+1) vy(k+1)]
t
ꢀꢀꢀ
公式(23)
[0127]
其中，x(k+1)和y(k+1)分别为k+1时刻目标终端在所处地理区域的直角坐标系下的横纵坐标值，v
x
(k+1)和vy(k+1)分别为k+1时刻目标终端的运动速度。
[0128]
将公式(21)可采用如下数学方程表示：
[0129][0130]
公式(24)中，ω＝[ω
1 ω
2 l ωn]
t
。
[0131]
根据公式(23)和公式(24)，可构造用于终端定位跟踪的状态空间模型，即：
[0132]
x(k+1)＝fx(k)+v(k)
[0133][0134]
即，可根据公式(25)，结合aimm算法，构建终端运动模型。
[0135]
在一个实施例中，获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，包括：若该上一时刻为基站测量到该目标终端的上行参考信号的方位角的初始时刻，则根据该初始时刻测量到的该目标终端的上行参考信号的方位角确定该第二状态估计值。
[0136]
其中，在公式(22)中，x(k)为k时刻终端的状态估计值，即第二状态估计值；初始时刻为各基站初始初次接收到目标终端的上行参考信号的时刻，根据公式(1)可知，各基站测量的目标终端的方位角的测量值中包含有测量到的目标终端在所处区域的直角坐标系下的坐标，即和获取初始时刻测量到的目标终端的坐标，即和以及初始时刻目标终端的方位角的测量值，采用非线性最小二乘法，可得到目标终端的初始时刻的状态估计值。例如，将该初始时刻状态估计值记为x(1)，将x(1)输入至终端运动模型中，根据公式(22)可知，可根据x(1)得到下一时刻的状态估计值，即x(2)；因此，在当前时刻，即k+1 时
刻，可通过终端运动模式中预先计算得到的多个第二状态估计值x(k)，得到目标终端的多个第一状态估计值x(k+1)。进一步地，可通过各第一状态估计值，结合所输入的目标终端的方位角的校正值，确定各运动子模型的输出结果，并进一步获取定位数据，从而可对目标终端进行定位处理。
[0137]
在一个实施例中，如图8所示，其示出了本技术实施例提供的一种获取5g 终端定位数据的流程示意图；将所需进行定位跟踪的5g终端作为目标终端，目标终端的定位过程包括以下步骤：
[0138]
步骤801，获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值。
[0139]
其中，计算机设备可获取所处地理区域的各个基站对目标终端的上行参考信号的方位角进行测量得到的测量值。
[0140]
步骤802，将获取到的多个测量值进行低通滤波处理。
[0141]
其中，可采用低通滤波器(low pass filter,lpf)对测量值进行低通滤波处理，从而可以去除各测量值中的高频信号；通过将进行低通滤波处理的值输入至方位角校正模型中，可以去除高频信号的影响，加快方位角校正模型对测量值的处理，且可以提升方位角校正模型的泛化能力。
[0142]
步骤803，将获取到的多个测量值输入至预先训练的方位角校正模型中，得到方位角校正模型输出的多个方位角校正值。
[0143]
其中，方位角校正模型的训练过程包括：在该地理区域内，将某一5g终端作为样本终端，收集该地理区域下，某个基站对该样本终端的上行参考信号的方位角的测量值，同时收集基站接收到的该样本终端的上行参考信号的方位角的真实值，根据该测量值和真实值，对神经网络模型进行训练以得到方位角校正模型；其中，也可以获取多个样本终端的测量值和真实值，以进行方位角校正模型的训练。基于多个训练样本对lstmnn进行训练，得到方位角校正模型。
[0144]
步骤804，将多个方位角校正值输入至终端运动模型中。
[0145]
其中，终端运动模型包括多个运动子模型，多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，近匀速运动子模型与匀速运动的运动模式相对应；近匀加速运动子模型与匀加速运动的运动模式相对应；近协同转弯运动子模型与协同转弯运动的运动模式相对应。
[0146]
步骤805，获取目标终端在当前时刻的多个第一状态估计值。
[0147]
其中，多个第一状态估计值分别与不同的运动模式相对应；通过获取目标终端在当前时刻之前的上一时刻的多个第二状态估计值，根据运动模式对应的第二状态估计值以及运动模式对应的状态转移矩阵，计算运动模式对应的第一状态估计值。各第一状态估计值为预测值，用于输入至各运动子模型中，结合目标终端的方位角校正值，计算目标终端的定位结果。其中，多个第二状态估计值分别与不同的运动模式相对应。
[0148]
若上一时刻为基站测量到目标终端的上行参考信号的方位角的初始时刻，则根据初始时刻测量到的目标终端的上行参考信号的方位角确定第二状态估计值。
[0149]
步骤806，将与运动子模型对应的运动模式一致的第一状态估计值以及多个方位角校正值输入至运动子模型中。
[0150]
步骤807，根据各运动子模型输出的定位结果获取定位数据。
[0151]
请参考图9，其示出了本技术实施例提供的一种模型训练和应用过程的示意图；训练过程中，lstmnn模型基于训练样本不断训练，将所确定的模型参数下发至应用于定位跟踪过程的lstmnn中，从而可结合aimm算法，得到目标终端的定位数据，其中，为训练样本的方位角的测量值，θ(k)为训练样本的方位角的真实值。
[0152]
实验场景如图10所示，黑色虚线箭头表示5g终端的行进路线，图11中展示了传统定位方法的定位跟踪误差以及本技术所提使用方法的定位跟踪误差，其中，横轴为时间，纵轴为定位跟踪误差；实线为传统定位方法的定位跟踪误差，虚线为本技术所提使用方法的定位跟踪误差；从图11中可以看出，在存在多径信号时，本技术中所使用的方法可以显著降低定位跟踪误差。
[0153]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0154]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的终端定位方法的终端定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个终端定位装置实施例中的具体限定可以参见上文中对于终端定位方法的限定，在此不再赘述。
[0155]
在一个实施例中，如图12所示，提供了一种终端定位装置，包括：第一获取模块1201、第一校正模块1202、第一定位模块1203和第一处理模块1204，其中：
[0156]
第一获取模块1201，用于获取多个基站对目标终端的上行参考信号的方位角的测量值；第一校正模块1202，用于将获取到的多个该测量值输入至预先训练的方位角校正模型中，得到该方位角校正模型输出的多个方位角校正值；第一定位模块1203，用于将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据；第一处理模块1204，用于根据该定位数据对该目标终端进行定位处理。
[0157]
在一个实施例中，该终端运动模型包括多个运动子模型，该多个运行子模型分别与不同的运动模式对应，该第一定位模块1203，具体用于：将该多个方位角校正值输入至该多个运动子模型中，得到各运动子模型输出的定位结果；根据各运动子模型输出的定位结果获取该定位数据。
[0158]
在一个实施例中，该多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，该近匀速运动子模型与匀速运动的运动模式相对应；该近匀加速运动子模型与匀加速运动的运动模式相对应；该近协同转弯运动子模型与协同转弯运动的运动模式相对应。
[0159]
在一个实施例中，该第一定位模块1203，具体用于：获取该目标终端在当前时刻的多个第一状态估计值，其中，该多个第一状态估计值分别与不同的运动模式相对应；对于各运动子模型，将与该运动子模型对应的运动模式一致的第一状态估计值以及该多个方位角
校正值输入至该运动子模型中。
[0160]
在一个实施例中，该第一定位模块1203，具体用于：获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，该多个第二状态估计值分别与不同的运动模式相对应；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，计算该运动模式对应的该第一状态估计值。
[0161]
在一个实施例中，该第一定位模块1203，具体用于：若该上一时刻为基站测量到该目标终端的上行参考信号的方位角的初始时刻，则根据该初始时刻测量到的该目标终端的上行参考信号的方位角确定该第二状态估计值。
[0162]
在一个实施例中，该第一校正模块1202，具体用于：将获取到的多个该测量值进行低通滤波处理；将低通滤波处理得到的值输入至该方位角校正模型中。
[0163]
在一个实施例中，如图13所示，其示出了本技术实施例提供的第二种终端定位装置的结构框图，该终端定位装置1300包括：第一获取模块1201、第一校正模块1202、第一定位模块1203、第一处理模块1204和训练模块1205，其中：
[0164]
训练模块1205，用于：获取多个训练样本，该训练样本包括基站对样本终端的上行参考信号的方位角的样本测量值和该样本终端的上行参考信号的方位角的真实值；基于该多个训练样本对初始方位角校正模型进行训练，得到该方位角校正模型。
[0165]
上述终端定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0166]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储终端定位数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种终端定位方法。
[0167]
本领域技术人员可以理解，图14中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0168]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0169]
获取多个基站对目标终端的上行参考信号的方位角进行测量得到的测量值；将获取到的多个该测量值输入至预先训练的方位角校正模型中，得到该方位角校正模型输出的多个方位角校正值；将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据；根据该定位数据对该目标终端进行定位处理。
[0170]
在一个实施例中，该终端运动模型包括多个运动子模型，该多个运行子模型分别与不同的运动模式对应，将该多个方位角校正值输入至终端运动模型中，得到该终端运动模型输出的定位数据，包括：将该多个方位角校正值输入至该多个运动子模型中，得到各运动子模型输出的定位结果；根据各运动子模型输出的定位结果获取该定位数据。
[0171]
在一个实施例中，该多个运动子模型包括近匀速运动子模型、近匀加速运动子模型以及近协同转弯运动子模型中的至少一个；其中，该近匀速运动子模型与匀速运动的运动模式相对应；该近匀加速运动子模型与匀加速运动的运动模式相对应；该近协同转弯运动子模型与协同转弯运动的运动模式相对应。
[0172]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0173]
获取该目标终端在当前时刻的多个第一状态估计值，其中，该多个第一状态估计值分别与不同的运动模式相对应；对于各运动子模型，将与该运动子模型对应的运动模式一致的第一状态估计值以及该多个方位角校正值输入至该运动子模型中。
[0174]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0175]
获取该目标终端在当前时刻之前的上一时刻的多个第二状态估计值，该多个第二状态估计值分别与不同的运动模式相对应；对于各运动模式，根据该运动模式对应的第二状态估计值以及该运动模式对应的状态转移矩阵，计算该运动模式对应的该第一状态估计值。
[0176]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0177]
若该上一时刻为基站测量到该目标终端的上行参考信号的方位角的初始时刻，则根据该初始时刻测量到的该目标终端的上行参考信号的方位角确定该第二状态估计值。
[0178]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0179]
将获取到的多个该测量值进行低通滤波处理；将低通滤波处理得到的值输入至该方位角校正模型中。
[0180]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0181]
获取多个训练样本，该训练样本包括基站对样本终端的上行参考信号的方位角的样本测量值和该样本终端的上行参考信号的方位角的真实值；基于该多个训练样本对初始方位角校正模型进行训练，得到该方位角校正模型。
[0182]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0183]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0184]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0185]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器 (ferroelectric random access memory，fram)、相变存储器(phase changememory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random accessmemory，sram)或动态随机存取存储器(dynamic random access memory， dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0186]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0187]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。