车辆定位方法、装置及设备与流程

1.本发明实施例涉及数据处理技术领域，尤其涉及一种车辆定位方法、装置及设备。


背景技术：

2.目前，车辆定位主要可以依托于基于无线移动通信网络的室外定位技术来实现，而基于无线移动通信网络的室外定位技术又可以包括基于测距模型的定位技术和基于位置指纹的定位技术。
3.现有技术中，对于基于位置指纹的定位技术，主要可以通过车路协同设备来实现，具体实现过程可以包括两个阶段：第一阶段为训练阶段，主要可以通过rsu(roadside unit，路侧设备)采集所需定位区域的各参考节点位置的信号特征参数来形成统一的指纹特征库，第二阶段为车辆定位阶段，主要是车载设备通过各rus采集的统一指纹特征库来预先训练一指纹库定位模型，然后可以通过该指纹库定位模型对新采集的车辆行驶数据进行识别，进而确定车辆的位置信息。
4.然而，与传统基站的蜂窝式部署方式不同，rsu的部署方式往往是沿路部署的，部署位置没有规律，降低了形成的统一的指纹特征库数据的准确性，影响了指纹库定位模型训练结果的准确性，进而影响了车辆定位的准确性。


技术实现要素：

5.本发明实施例提供了一种车辆定位方法、装置及设备，以提高车辆定位的准确性。
6.第一方面，本发明实施例提供一种车辆定位方法，包括：
7.获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，所述路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备；
8.将所述车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息，其中，所述指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的；
9.每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的状态。
10.可选的，所述车辆行驶数据包括至少两个相邻路侧设备发送的到达角和路侧设备标识，则所述将所述车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息，包括：
11.将所述至少两个相邻路侧设备发送的到达角和对应的路侧设备标识输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息。
12.可选的，所述每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的状态，包括：
13.每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的行驶方向、行驶速度以及周边车
辆的行驶状态。
14.可选的，在所述获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，所述路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备之前，还包括：
15.获取每个所述路侧设备的绝对位置信息以及对应的路侧设备标识；
16.基于预设的栅格区域构建规则、每个所述路侧设备的绝对位置以及对应的路侧设备标识构建包含各路侧设备的栅格区域。
17.可选的，在所述基于预设的栅格区域构建规则、每个所述路侧设备的绝对位置以及对应的路侧设备标识构建包含各路侧设备的栅格区域之后，还包括：
18.针对所述栅格区域中的每个路侧设备，根据所述路侧设备的覆盖区域以及所述路侧设备的绝对位置构建极坐标；
19.基于预设规格对所述极坐标中的栅格区域进行划分处理，得到若干子栅格区域；
20.确定训练车辆在所述栅格区域行驶过程中每个所述子栅格区域对应的到达角以及与所述路侧设备的覆盖区域对应的子极坐标；
21.根据每个所述子栅格区域对应的到达角、与所述路侧设备的覆盖区域对应的子极坐标，以及对应的路侧设备标识确定所述路侧设备的指纹库信息；
22.将各路侧设备对应的指纹库信息输入至训练模型中进行训练，得到指纹库定位模型。
23.可选的，在所述将各路侧设备对应的指纹库信息输入至训练模型中进行训练，得到指纹库定位模型之后，还包括：
24.将各路设备对应的测试指纹库信息集输入至所述指纹库定位模型中进行识别，得到车辆的测试位置信息集；
25.根据所述车辆的测试位置信息集中的各测试位置信息与对应的实际位置信息确定所述指纹库定位模型的准确率；
26.若所述指纹库定位模型的准确率不大于预设准确率，则重新执行所述针对所述栅格区域中的每个路侧设备，根据所述路侧设备的覆盖区域以及所述路侧设备的绝对位置构建极坐标及之后的步骤。
27.第二方面，本发明实施例提供一种车辆定位装置，包括：
28.获取模块，用于获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，所述路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备；
29.处理模块，用于将所述车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息，其中，所述指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的；
30.所述处理模块，还用于每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的状态。
31.第三方面，本发明实施例提供一种车辆定位设备，包括：至少一个处理器和存储器；
32.所述存储器存储计算机执行指令；
33.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一项所述的车辆定位方法。
34.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一项所述的车辆定位方法。
35.第五方面，本发明实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的车辆定位方法。
36.本发明实施例提供了一种车辆定位方法、装置及设备，采用上述方案后，能先获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备，然后可以将车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定该车辆的位置信息，其中，指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的，然后可以每隔预设时长将确定的车辆的至少一位置信息发送至对应的服务器，以使服务器根据该车辆的至少一位置信息确定车辆的状态，通过预先将路侧设备所在的区域划分为规则的栅格区域，然后再获取车辆在规则的栅格区域行驶过程中车辆行驶数据，并通过基于每个路侧设备对应的指纹库信息训练得到的指纹库定位模型来确定该车辆的位置信息的方式，提高了指纹库定位模型训练结果的准确性，进而提高了车辆定位的准确性。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例提供的车辆定位方法的应用系统的架构示意图；
39.图2为本发明实施例提供的车辆定位方法的流程示意图；
40.图3为本发明实施例提供的车路协同场景的应用示意图；
41.图4为本发明实施例提供的车载终端的视距多径信号的应用示意图；
42.图5为本发明另一实施例提供的车辆定位方法的流程示意图；
43.图6为本发明实施例提供的车辆定位装置的结构示意图；
44.图7为本发明实施例提供的车辆定位设备的硬件结构示意图。
具体实施方式
45.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.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”、“第三”“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例还能够包括除了图示或描述的那些实例以外的其他顺序实例。此外，术语“包括”和“具有”以及他们的任
何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
47.现有技术中，对于基于位置指纹的定位技术，主要可以通过车路协同设备来实现，具体实现过程可以包括两个阶段：第一阶段为训练阶段，主要可以通过rsu采集所需定位区域的各参考节点位置的信号特征参数来形成统一的指纹特征库，第二阶段为车辆定位阶段，主要是车载设备通过各rus采集的统一指纹特征库来预先训练一指纹库定位模型，然后可以通过该指纹库定位模型对新采集的车辆行驶数据进行识别，进而确定车辆的位置信息。然而，和传统基站的蜂窝式部署方式不同，rsu的部署方式往往是沿路部署的，部署位置没有规律，即无法形成规则的栅格区域，进而导致车辆在行驶过程中接收到的信号强度也在不断的发生变化，使得获取的车辆行驶数据不完整，降低了形成的统一的指纹库数据的准确性，影响了指纹库定位模型训练结果的准确性，进而影响了车辆定位的准确性。
48.基于上述问题，本技术通过预先将路侧设备所在的区域划分为规则的栅格区域，然后再获取车辆在规则的栅格区域行驶过程中的车辆行驶数据，并通过基于每个路侧设备对应的指纹库信息训练得到的指纹库定位模型来确定该车辆的位置信息的方式，达到了既解决了因路侧设备部署没有规则而导致车辆行驶过程中接收到的信号强度变化大的问题，又提高了指纹库定位模型的准确性，进而提高了车辆定位的准确性的技术效果。
49.图1为本发明实施例提供的车辆定位方法的应用系统的架构示意图，如图1所示，车辆101、部署于车辆101上的车载终端102、位于预先构建的栅格区域中的路侧设备103，以及服务器104，车辆101在预先构建的栅格区域中行驶的过程中，部署于车辆101上的车载终端102可以接收路侧设备103发送的车辆行驶数据，其中，车辆终端102可以接收多个路侧设备103发送的车辆行驶数据，然后可以将车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定车辆的位置信息，再每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器104，以使服务器104根据车辆的至少一位置信息确定车辆的状态。
50.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
51.图2为本发明实施例提供的车辆定位方法的流程示意图，本实施例的方法可以由车辆终端102执行。如图2所示，本实施例的方法，可以包括：
52.s201：获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备。
53.在本实施例中，车辆在行驶过程中，可以实时进行定位，确定车辆的位置信息，然后可以根据车辆的位置信息进一步进行分析处理，最终实现导航定位、无人驾驶等功能。
54.进一步的，可以预先划分好各个待定位区域，在每个待定位区域中部署多个路侧设备，然后根据路侧设备的实际部署情况以及栅格区域划分规则对待定位区域进行划分，得到与路侧设备匹配的栅格区域。当车辆行驶经过该待定位区域时，车辆上的车载终端可以获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据。
55.s202：将车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定车辆的位置信息，其中，指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的。
56.在本实施例中，在获取到车辆行驶数据之后，可以直接将车辆行驶数据输入至预
先训练好的指纹库定位模型中进行识别，确定车辆的位置信息。其中，车辆行驶数据可以为多个，即可以为在同一时刻车载终端接收到的多个路侧设备发送的车辆行驶数据。
57.进一步的，车辆行驶数据可以包括至少两个相邻路侧设备发送的到达角和路侧设备标识，则将车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定车辆的位置信息，具体可以包括：
58.将至少两个相邻路侧设备发送的到达角和对应的路侧设备标识输入至预先训练好的指纹库定位模型中进行识别，确定车辆的位置信息。
59.具体的，由于路侧设备的覆盖面积有限，而且部署方式也不是蜂窝式，而是没有规律的沿路覆盖，因此，在获取车辆行驶数据时，可以设置为至少获得当前路侧设备和相邻路侧设备的车辆行驶数据，既可以获取更多的数据，精确定位车辆当前所在的位置，又可以满足高速行驶下区域不断切换导致路侧设备不断切换的需求。
60.此外，在无路侧设备覆盖的范围内，指纹定位可以无缝切换为其他室外定位或者gnss，达到融合定位的效果。
61.s203：每隔预设时长将确定的车辆的至少一位置信息发送至对应的服务器，以使服务器根据车辆的至少一位置信息确定车辆的状态。
62.在本实施例中，在确定出车辆的至少一位置信息之后，可以每隔预设时长将确定的车辆的至少一位置信息发送至对应的远端服务器，服务器根据获取到的车辆的位置信息可以进一步确定车辆的状态。
63.进一步的，可以使服务器根据车辆的至少一位置信息确定车辆的行驶方向、行驶速度以及周边车辆的行驶状态等状态，进而可以根据车辆的行驶方向、行驶速度以及周边车辆的行驶状态等实现导航定位或无人驾驶等功能。
64.采用上述方案后，能先获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备，然后可以将车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定该车辆的位置信息，其中，指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的，然后可以每隔预设时长将确定的车辆的至少一位置信息发送至对应的服务器，以使服务器根据该车辆的至少一位置信息确定车辆的状态，通过预先将路侧设备所在的区域划分为规则的栅格区域，然后再获取车辆在规则的栅格区域行驶过程中车辆行驶数据，并通过基于每个路侧设备对应的指纹库信息训练得到的指纹库定位模型来确定该车辆的位置信息的方式，提高了指纹库定位模型训练结果的准确性，进而提高了车辆定位的准确性。
65.基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
66.此外，在另一个实施例中，在获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，所述路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备之前，还可以包括：
67.获取每个路侧设备的绝对位置信息以及对应的路侧设备标识。
68.基于预设的栅格区域构建规则、每个所述路侧设备的绝对位置以及对应的路侧设备标识构建包含各路侧设备的栅格区域。
69.在本实施例中，基于路侧设备的部署方式和广播特性，可以采用极坐标的栅格化
方法来记录车辆与路侧设备的相对位置。其中，栅格区域构建规则可以采用现有的栅格区域构建规则，进而可以根据现有的栅格区域构建规则以及每个路侧设备的绝对位置创建包含各路侧设备的栅格区域。此外，可以通过路侧设备标识来在栅格区域中表示各路侧设备。
70.另外，在基于预设的栅格区域构建规则、每个路侧设备的绝对位置以及对应的路侧设备标识构建包含各路侧设备的栅格区域之后，还可以包括：
71.针对栅格区域中的每个路侧设备，根据路侧设备的覆盖区域以及路侧设备的绝对位置构建极坐标。
72.基于预设规格对所述极坐标中的栅格区域进行划分处理，得到若干子栅格区域。
73.确定训练车辆在所述栅格区域行驶过程中每个所述子栅格区域对应的到达角以及与所述路侧设备的覆盖区域对应的子极坐标。
74.根据每个所述子栅格区域对应的到达角、与所述路侧设备的覆盖区域对应的子极坐标，以及对应的路侧设备标识确定所述路侧设备的指纹库信息。
75.将各路侧设备对应的指纹库信息输入至训练模型中进行训练，得到指纹库定位模型。
76.在本实施例中，在通过各路侧设备的指纹库信息构建指纹库定位模型的过程中，可以分为栅格区域构建、数据清洗、指纹库构建，以及指纹库定位模型构建等过程。
77.具体的，栅格区域构建的过程可以包括：
78.基于路侧设备的部署方式和广播特性，可以采用极坐标的栅格化方法来记录车辆与路侧设备的相对位置。可以以各路侧设备为原点，以预设距离为距离半径，确定各路侧设备所辐射的范围。由于路侧设备的位置参数为已知，所以通过相对路侧设备的位置参数，既可以获得车辆定位估计，也可以利用不同路侧设备之间的设备标识进行快速区域切换下的位置估计。且车辆在行驶过程中，车载终端可以同时接收多个路侧设备信号并加以识别。此外，为了满足车辆行驶的切换需求，要求需至少获取相邻两个路侧设备的信息。路侧设备的覆盖为不规则的扇形区域，有效半径约在500m之内。因此不同路侧设备的覆盖边缘会有部分重叠，在覆盖边缘测的点上常需要对于不同路侧设备指纹库进行综合加权评估以提高预测精度。示例性的，指纹库信息的特征值可以表述为<rsuid(路侧设备标识)，aoa(到达角)，r(路侧设备对应的半径)，rsrp1(参考信号接收功率)，rsrp2(参考信号接收功率)
…
>。
79.清洗数据的过程可以包括：数据清洗对于指纹定位的精确性至关重要，对数据的清洗标准可以包括：有明确的特征信息、缺失信息尽可能少、无明显离散特征，即可以按上述标准对车载终端接收到的数据进行清洗，后续可以根据清洗后的数据来构建每个车载终端对应的指纹库信息。
80.指纹库构建的过程可以包括：
81.针对每个路侧设备的覆盖区域，可以以路侧设备为原点，以地图正东方向作为极坐标0度的半径位置，划定的区域按xm*xm的规格进行栅格的划分，并根据相对的方形区域的面积把整个区域均匀的划分为若干栅格，然后对每个栅格进行编号，对应的，每个栅格中心点都将转化为独有的aoagrid以及与rsu的半径长度rgrid组成的极坐标，每个栅格将包含多个<rsuid,r,aoa,rsrp
…
>特征信息，通过上述过程，每个路侧设备均对应拥有各自的指纹库信息。
82.指纹库定位模型构建的过程可以包括：
83.可以通过每个路侧设备对应的指纹库信息对训练模型进行训练，得到指纹库定位模型，具体的，可以采用wknn算法来训练模型，通过对于位置
‑
信号强度库的直接训练来形成指纹库，并通过此模型直接预测输出待定位目标的实际位置。
84.指纹库生成：主要是创建数个基于rsu为原点的完整的rsrp与aoa，极坐标半径对应的指纹库。事实上在实际的环境中，特定位置的rsrp指纹可能会不断受到周围环境变化的影响。实际上为了保持定位精度，栅格指纹库信息需要不断的维护与更新，以保护鲁棒性和精确度。
85.以栅格中心点作为栅格坐标点，指纹库信息的坐标标记可表示为：
[0086][0087]
其中第i个训练点的签名可记为
[0088]
r
i
＝{l
i
,p
i
}；
[0089]
在每个训练点的签名中，l
i
＝[l
i,1
,l
i,2
,l
i,3
...l
i,k
]
t
代表终端获得的当前rsu和相邻rsu的位置向量，p
i
＝[p
i,1
,p
i,2
,p
i,3
...p
i,k
]
t
为训练点在每个rsu区域的rsrp分量。由于训练点有可能在同一位置重合，p
i
设定为规定时间的均值。考虑到终端的初始位置随意，以及各种衰落和切换等原因造成的小区信息缺失，在数据清洗之后，指纹库的签名集合可以表示为
[0090][0091]
结合前文提到的极坐标指纹库的建立，建立的联合签名集合为：
[0092][0093]
其中，为获得的栅格aoa角度，r
i,grid
为栅格极坐标半径。本发明选择加权k近邻算法对测试数据进行预测，属于考虑到knn算法签名的可靠性和优先级，增加了knn的分量权重而产生的一种演进算法。测试点签名为r
e
＝{r
e
,p
e
},取最近邻点k个，则knn的相似度距离对比为：
[0094]
d(r
e
,r
ie
)＝||d(p
e
)
‑
d(p
i,grid
)||2；
[0095]
此外，考虑到小区rsrp权重不同，同时在不同rsu子区域中，预测的结果权重也是不同的(当前主服务rsu对应的子栅格位置预测权重最高)，在wknn算法中，可以在指纹库建立过程中加入权重，设定加权系数为w＝f(p1,p2...p
c
)。
[0096]
同时在位置估算中为了减少数值影响，将距离加权系数归一化，选取n自由度的近邻距离，计算wknn的测试估算距离为：
[0097][0098]
s.t.3≤n，0≤gridid≤max(gridid)。
[0099]
此外，在通过车路协同场景下的aoa测量时，目前基于rsu的车路系统场景中，rsu通过广播信息与车载obu进行交流，难以实现mdt等功能。考虑到rsu的部署特性，可以选取aoa以及rsrp等必要特征值构建新型指纹库信息，即可以基于单个时刻的时间采样即可获得必要的指纹库参数。在本实施例中，为了提高定位精度，可以采用最小方差矩阵束方法和
车辆自带的接收阵列天线来测量车辆aoa，包括但是不限于采用该方式。图3为本发明实施例提供的车路协同场景的应用示意图，如图3所示，rsu以固定频率广播，假定车辆处于多天线的均匀阵列接收机的场景，天线数为n。
[0100]
图4为本发明实施例提供的车载终端的视距多径信号的应用示意图，如图4所示，第k个ofdm子载波和第n个天线阵元的信道响应最小二乘估计可表示为
[0101][0102]
其中，ε
p
，κ
p
，分别代表第p条路径上的复信道增益，信道时延和到达角。为第n个天线阵元的阵列响应。为考虑车速的第n个阵元到参考阵元的时延间隔。f为子载波频率，c为电磁波传播速度,v为车路行驶速度，可以从车载obu获取。w为加性高斯白噪声。
[0103]
进一步的，考虑到双工天线的间隔d一般设计为半波长，并远小于传播路径长度。同时，当相邻子载波频率间隔大于相干带宽时，子载波衰减相互独立，ε
p
可视为第k个子载波的独立衰减。在这个短时间间隔内车速可以近似视为恒定，且远小于电磁波传输速率。接收端信道估计可简化为：
[0104][0105]
接收端cfr估计矩阵为，
[0106]
y＝[y1,y2....y
k
]；
[0107]
其中，矩阵第k列为单个时刻的采样可以建立频域协方差矩阵为
[0108]
根据信息论准则，将频域协方差矩阵分解为信号源矩阵与噪声矩阵，可得：
[0109]
x＝z
s
∑
s
z
s*
+z
n
∑
n
z
n*
；
[0110]
其中，σ
s
＝diag{λ1,λ2...λ
s
}为x信号源矩阵，为较大特征值的合集。σ
n
＝diag{λ
s+1
,λ
s+2
...λ
n
}为较小特征值的合集，作为噪声矩阵。以s作为矩阵束窗口长度，用标量ζ来定义矩阵束为z1‑
ζz2，z1为信号源矩阵1到s
‑
1列，z2为信号源矩阵2到s列。
[0111]
求解矩阵束在零空间上的广义特征值，如下：
[0112]
(z1z2‑1‑
ζi)x＝0；
[0113]
由公式为相应的特征值分量，则可以获得aoa的估计值
[0114]
另外，在另一个实施例中，在将各路侧设备对应的指纹库信息输入至训练模型中进行训练，得到指纹库定位模型之后，还可以包括：
[0115]
将各路设备对应的测试指纹库信息集输入至指纹库定位模型中进行识别，得到车辆的测试位置信息集。
[0116]
根据车辆的测试位置信息集中的各测试位置信息与对应的实际位置信息确定所述指纹库定位模型的准确率。
[0117]
若指纹库定位模型的准确率不大于预设准确率，则重新执行针对所述栅格区域中的每个路侧设备，根据路侧设备的覆盖区域以及所述路侧设备的绝对位置构建极坐标及之后的步骤。
[0118]
在本实施例中，可以利用建立好的指纹库定位模型对测试指纹库信息集进行预测，然后将预测的结果与实际的终端位置信息进行比较，从而可以得到模型的预测的准确度的量化结果。并根据对终端位置预测的位置结果，闭环的修正训练模型，调整模型的训练参数，从而强化模型的预测能力。因为修订的模型与预测的结果是闭环反馈的关系，所以在该闭环中能够有效的完成模型的校正，提升指纹库定位模型的准确度。
[0119]
此外，图5为本发明另一实施例提供的车辆定位方法的流程示意图，如图5所示，由于路侧设备的部署是沿路部署，主小区和邻小区的划分相对于传统蜂窝架构较为随机，这使得标准的指纹栅格难以划分。同时在现有的车路协同系统中，rsu较少承担计算功能，更多的是负责广播和通信所辖区域路况，车载终端与线控装置会不断根据收集到的信息判断并控制车辆。这与enb/gnb的数据处理功能和信令交互功能相比也有所差异。基于上述问题，可以为每个路侧设备单独设置一对应的子指纹库信息。具体的，以每个rsu为指纹定位子区域的原点，以rsu覆盖区域为半径进行独立签名训练，从而获得各个子指纹库。当车辆进入rsu所辖区域时，rsu将子指纹库信息广播给车辆。车辆在子指纹库中训练，最后将获得的相对定位结果与rsu固有坐标进行比对，从而获得当前位置。同时车辆在多个子指纹库的训练结果可以进行联合处理与修正，提高定位经度。由于单独rsu辖区并不大，子指纹库信息占用信令字节数少，而计算功能主要由车端处理，极大的减少了信令交互的传输时延，并可以依据obu参数做出精确的误差修正，保证了定位的精确度和实时性。由于rsu的覆盖面积非常有限，而且部署方式也非蜂窝。车联在行驶过程中，至少会获得当前rsu和邻区rsu的子指纹库。一方面为了获取更多的签名，精确定位当前所在位置。另一方面则是可以满足高速行驶下小区不断切换导致子指纹库不断切换的需求。在无路侧设备覆盖范围内，指纹定位可以无缝切换为其他室外定位或者gnss，达到融合定位的效果。
[0120]
此外，由于使用了利用新签名元素的指纹库，将原本需要的上传gnss经纬度确定指纹库，用路侧设备id(rsu id)和到达角(aoa)来代替。且在无邻小区信息的情况下进行独立小区的指纹定位，构建了极坐标指纹库。基于车路协同场景，采用机器学习方法对于获得的测试数据进行清洗和训练，同时基于卡尔曼滤波的方式来减少测试误差，增加了数据的可信度。
[0121]
本技术通过以车辆为定位主体，路侧设备提供指纹库下发的方法。车辆利用指纹库和自身测试参数，采用机器学习的方法计算出与路侧设备的相对位置，之后根据路侧设备的绝对位置来实时定位。定位计算放在终端会大幅度减少信令交互，降低传输时延，并提高定位计算效率。并且提出了将单独的路侧设备覆盖区域作为独立指纹库和独立栅格区域。车辆会同时获得至少当前路侧设备覆盖区域的指纹库信息以及相邻设备中的指纹库信息，保证车辆在高速前进中的通信切换问题，同时可以提高定位精度。
[0122]
对于在缺失邻小区信息的情况下进行独立小区的指纹定位的方法，本技术采用新型的指纹库签名，利用车辆自身的均匀阵列接收机等装置，使用了基于最小方差矩阵束等方法来预估到达角，并结合rsrp等其余参数构成了极坐标指纹库。从而解决路侧设备小区由于信道参数不足导致无法进行指纹定位的问题。
[0123]
基于同样的思路，本说明书实施例还提供了上述方法对应的装置，图6为本发明实施例提供的车辆定位装置的结构示意图，如图6所示，可以包括：
[0124]
获取模块601，用于获取车辆在行驶过程中多个路侧设备发送的车辆行驶数据，其中，所述路侧设备为待定位区域对应的预先构建的栅格区域中的路侧设备。
[0125]
处理模块602，用于将所述车辆行驶数据输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息，其中，所述指纹库定位模型是基于各路侧设备对应的指纹库信息训练得到的。
[0126]
在本实施例中，所述车辆行驶数据包括至少两个相邻路侧设备发送的到达角和路侧设备标识，则所述处理模块602，还用于：
[0127]
将所述至少两个相邻路侧设备发送的到达角和对应的路侧设备标识输入至预先训练好的指纹库定位模型中进行识别，确定所述车辆的位置信息。
[0128]
所述处理模块602，还用于每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的状态。
[0129]
在本实施例中，所述处理模块602，还用于：
[0130]
每隔预设时长将确定的所述车辆的至少一位置信息发送至对应的服务器，以使所述服务器根据所述车辆的至少一位置信息确定所述车辆的行驶方向、行驶速度以及周边车辆的行驶状态。
[0131]
此外，在另一实施例中，所述处理模块602，还用于：
[0132]
获取每个所述路侧设备的绝对位置信息以及对应的路侧设备标识。
[0133]
基于预设的栅格区域构建规则、每个所述路侧设备的绝对位置以及对应的路侧设备标识构建包含各路侧设备的栅格区域。
[0134]
此外，在另一实施例中，所述处理模块602，还用于：
[0135]
针对所述栅格区域中的每个路侧设备，根据所述路侧设备的覆盖区域以及所述路侧设备的绝对位置构建极坐标。
[0136]
基于预设规格对所述极坐标中的栅格区域进行划分处理，得到若干子栅格区域。
[0137]
确定训练车辆在所述栅格区域行驶过程中每个所述子栅格区域对应的到达角以及与所述路侧设备的覆盖区域对应的子极坐标。
[0138]
根据每个所述子栅格区域对应的到达角、与所述路侧设备的覆盖区域对应的子极坐标，以及对应的路侧设备标识确定所述路侧设备的指纹库信息。
[0139]
将各路侧设备对应的指纹库信息输入至训练模型中进行训练，得到指纹库定位模型。
[0140]
此外，在另一实施例中，所述处理模块602，还用于：
[0141]
将各路设备对应的测试指纹库信息集输入至所述指纹库定位模型中进行识别，得到车辆的测试位置信息集。
[0142]
根据所述车辆的测试位置信息集中的各测试位置信息与对应的实际位置信息确定所述指纹库定位模型的准确率。
[0143]
若所述指纹库定位模型的准确率不大于预设准确率，则重新执行所述针对所述栅格区域中的每个路侧设备，根据所述路侧设备的覆盖区域以及所述路侧设备的绝对位置构
建极坐标及之后的步骤。
[0144]
本发明实施例提供的装置，可以实现上述如图2所示的实施例的方法，其实现原理和技术效果类似，此处不再赘述。
[0145]
图7为本发明实施例提供的车辆定位设备的硬件结构示意图，如图7所示，本实施例提供的设备700包括：至少一个处理器701和存储器702。其中，处理器701、存储器702通过总线703连接。
[0146]
在具体实现过程中，至少一个处理器701执行所述存储器702存储的计算机执行指令，使得至少一个处理器701执行上述方法实施例中的方法。
[0147]
处理器701的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0148]
在上述的图7所示的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0149]
存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。
[0150]
总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的总线。
[0151]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例的车辆定位方法。
[0152]
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的车辆定位方法。
[0153]
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0154]
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
[0155]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通
过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0156]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。