一种射频定位方法、电子设备及存储介质
阅读说明：本技术 一种射频定位方法、电子设备及存储介质 (Radio frequency positioning method, electronic equipment and storage medium ) 是由 沈渊 黄艳茹 戈锋 陈利敏 于 2021-06-02 设计创作，主要内容包括：本发明提供一种射频定位方法、电子设备及存储介质,该方法包括：将射频测量数据输入训练好的非视距识别模型,得到射频测量数据的判别结果；在射频测量数据的判别结果为非视距数据时,将射频测量数据输入训练好的非视距校准模型,得到校准后的射频测量数据；其中,训练好的非视距识别模型,是根据携带判别结果标签的射频测量样本数据训练得到的；训练好的非视距校准模型,是根据携带距离标签的射频测量样本数据训练得到的；射频测量样本数据的标签是基于射频环境自训练学习得到的。有效解决了现有技术中射频信号易受非视距遮挡干扰导致定位精度下降甚至不可定位,以及传统监督学习需要人为采集和标注数据导致成本提高和可迁移性降低的问题。(The invention provides a radio frequency positioning method, electronic equipment and a storage medium, wherein the method comprises the following steps: inputting the radio frequency measurement data into a trained non-line-of-sight identification model to obtain a judgment result of the radio frequency measurement data; when the judgment result of the radio frequency measurement data is non-line-of-sight data, inputting the radio frequency measurement data into a trained non-line-of-sight calibration model to obtain calibrated radio frequency measurement data; the trained non-line-of-sight identification model is obtained by training according to radio frequency measurement sample data carrying a discrimination result label; the trained non-line-of-sight calibration model is obtained by training according to radio frequency measurement sample data carrying a distance tag; the label of the radio frequency measurement sample data is obtained based on radio frequency environment self-training learning. The problems that in the prior art, radio frequency signals are easily interfered by non-line-of-sight shielding, so that the positioning accuracy is reduced, even the positioning cannot be performed, and the cost is increased and the mobility is reduced due to the fact that manual data acquisition and labeling are needed in the traditional supervised learning are effectively solved.)
技术领域
本发明涉及通信定位
技术领域
，尤其涉及一种射频定位方法、电子设备及存储介质。背景技术
随着无线通信技术和物联网技术的发展，位置感知服务已经成为许多新兴应用的基本需求。长久以来，卫星定位技术凭借其大覆盖范围、较高精度与高可靠性等优势在室外环境中已经得到极其广泛的应用，但是卫星信号在室内和城市峡谷等环境中易受障碍物遮挡而严重衰减，导致定位精度急剧下降甚至无法定位。因此，近年来众多非卫星定位手段发展起来，这些技术通过获取用户在室内复杂环境中高精度、可信赖的位置信息，提供全过程的定位、导航与其他额外服务，主要包括基于无线射频通信、惯性导航、视觉导航等方法。
目前基于射频信号的室内定位技术发展迅速，但是实际的室内环境中存在大量建筑物、墙体、家具等遮挡物，使得信号在传播过程中受到非视距传播(None-line-of-sight，NLOS)的干扰，测量结果出现大的误差，难以实现复杂场景下的鲁棒定位。为解决非视距传播对定位系统的影响，已有的方法关注于非视距识别和校准，例如，通过非视距识别方法将NLOS测量舍弃，只使用精度较高的LOS测量进行定位；或者先通过非视距校准方法将NLOS测量校准，再进行融合定位。近年来，基于机器学习的非视距识别和校准方法提供了一种更加灵活的非参数框架，显著提升了模型性能。该类方法基于有监督学习理论，需要人为事先在定位区域内采集和标注大量数据，构建训练数据集，这种方法具有费时耗力、成本高的明显缺点，并且当环境发生动态变化，如家具的增减和移动时，需要重新采集和标注数据，数据库的更新和维护困难，模型可迁移性低。因此，如何实现自动的数据采集和标注，降低数据库的构建和更新成本，快速得到自适应于当前环境的模型，提升整体定位系统的精度和鲁棒性，是当前基于射频信号的高精度室内定位技术亟待解决的问题。
发明内容
本发明提供及一种射频定位方法、电子设备及存储介质，用以解决现有技术中无法很好的实现卡证类别的识别的问题。
本发明提供一种射频定位方法，包括：
将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果；
在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；
其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
根据本发明实施例提供的一种射频定位方法，在所述将射频测量数据输入训练好的非视距识别模型的步骤之前，所述方法还包括：
对地图信息进行解析，得到格点化地图；其中，所述格点化地图中各个格点的权重用于近似用户状态的连续概率分布；
基于移动终端获取的行人航迹推算信息，对各个所述格点的权重进行更新，得到更新后的格点权重；
基于时间戳匹配原则，将射频测量数据与行人航迹推算信息得到的格点进行匹配对齐，得到每组射频测量数据对应的格点；
根据所述每组射频测量数据对应的格点及地图信息，得到每组射频测量数据的判别结果标签和距离标签，确定携带判别结果标签的射频测量数据和携带距离标签的射频测量数据；
根据所述更新后的格点权重，分别对所述携带判别结果标签的射频测量数据和携带距离标签的射频测量数据进行样本数量扩充，得到第一训练数据集和第二训练数据集。
根据本发明实施例提供的一种射频定位方法，在得到第一训练数据集和第二训练数据集的步骤之后，所述方法还包括：
S31，基于所述第一训练数据集和第二训练数据集分别对预设模型进行训练，得到非视距识别模型和非视距校准模型；
S32，通过所述非视距识别模型对所述第一训练数据集进行射频测量识别，通过所述非视距校准模型对所述第二训练数据集进行射频测量校准，得到辅助定位信息；
S33，根据所述辅助定位信息各个所述格点的权重进行更新，得到新的格点权重；
S34，根据所述新的格点权重，对所述第一训练数据集和第二训练数据集中的射频测量数据进行重新标注，得到第一训练增强数据集和第二训练增强数据集；
S35，根据所述第一训练增强数据集和第二训练增强数据集分别对预设模型重新进行训练，重复步骤S31至步骤S35，直至满足预设条件，得到训练好的非视距识别模型和训练好的非视距校准模型。
根据本发明实施例提供的一种射频定位方法，所述对地图信息进行解析，得到格点化地图的步骤，具体包括：
对所述地图信息进行均匀离散化预处理，得到初始格点化地图；
对所述初始格点化地图进行连通性分析，排除不可能到达的位置，得到最终的格点化地图。
根据本发明实施例提供的一种射频定位方法，基于移动终端获取的行人航迹推算信息，对各个所述格点的权重进行更新，得到更新后的格点权重的步骤，具体包括：
根据所述格点化地图得到各个所述格点的初始化权重；
根据行人航迹推算信息在贝叶斯滤波的状态预测方程中得到各个所述格点的先验权重；
根据各个所述格点的先验权重对各个所述格点的权重进行更新，得到更新后的格点权重。
根据本发明实施例提供的一种射频定位方法，所述进行均匀离散化预处理的过程，具体为：
其中，pk和θk分别表示用户在第k步的位置和航向角，共同构成系统的状态变量，zk表示用户在第k步获取的射频测量，构成系统的观测变量，p(pk,θk|z1：k)表示第k轮状态的后验概率分布，表示第k轮状态为(ip,ia)的后验权重。
根据本发明实施例提供的一种射频定位方法，所述贝叶斯滤波的状态预测方程，具体为：
其中，表示基于室内地图信息得到的从位置格点转移到的概率，mk表示第k步的行人航迹推算信息，包括第k步的步长lk和航向角变化量Δθk，表示第k-1轮状态为(ip,ia)的后验权重，表示第k轮状态为(ip，ia)的先验权重。
更具体的，所述方法还包括：在得到校准后的射频测量数据的步骤之后，所述方法还包括：
根据所述校准后的射频测量数据在贝叶斯滤波的状态更新方程中，得到各个格点的后验权重，根据所述后验权重得到用户的最终定位；
其中，所述状态更新方程为：
其中，用户定位结果为：
其中，是系统观测方程，表示用户第k步在位置格点处获取观测变量zk的概率。
本发明实施例还提供一种射频定位装置，包括：
处理模块，用于将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果，在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；
定位模块，用于解析地图信息，基于移动终端获取的行人航迹推算信息得到各个格点的先验权重，基于校准后的射频测量数据得到各个格点的后验权重，根据后验权重得到用户最终定位结果；
其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述射频定位方法的步骤。
本发明还提供一种非暂态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如上述任一种所述射频定位方法的步骤。
本发明提供的一种射频定位方法、电子设备及存储介质，通过训练好的非视距识别模型和训练好的非视距校准模型对射频测量数据进行识别和校准，从而提升射频定位的准确性，而本申请有效解决了现有技术中射频信号易受非视距遮挡干扰导致定位精度下降甚至不可定位，以及传统监督学习需要人为采集和标注数据导致成本提高和可迁移性降低的问题，通过提出基于射频环境自训练学习的定位方法能够避免人为事先在定位区域内采集和标注大量数据，直接利用位置估计实现自动的数据采集和标注，当环境发生动态变化时，也能够通过短时间的定位过程重新获得大量训练数据，降低数据库的构建和更新成本，提高模型的可迁移性；另外，所提出的基于射频环境自训练学习的定位方法通过迭代方式，利用更新后的位置估计重新标注数据，不断提升标签质量，能够快速得到自适应于当前环境的模型，从而获取更加可靠的辅助定位信息校准用户定位结果，提升整体定位系统的精度和鲁棒性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的射频定位方法的流程示意图；
图2为本发明实施例提供的射频环境自训练学习的定位方法的流程图；
图3为本发明实施例提供的射频定位装置结构示意图之一；
图4为本发明实施例中所提供的射频定位装置结构示意图之二；
图5为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明所描述的射频定位方法的应用方式包含但不限于以下场景：
所述定位方法可以应用于医院病患监护、后勤管理。在医院内部署多个基站，为需要实时监护的特殊病患佩戴定位手环，后台即可实时查看病患位置轨迹，并可设定电子围栏限定病患的活动范围，当病患出现突发情况可及时定位救援；为医院安保人员、护理人员等佩戴定位胸卡、定位工牌，后台可实时查看其位置和活动轨迹，实现无线考勤、电子点名等，提高管理效率。
所述定位方法可以应用于养老院人员看护。在养老院内部署多个基站，为老人佩戴定位标签、定位手环等，即可实时掌握老人的位置信息和历史轨迹信息，保护老人的安全，并可对区域内实施各种行为监测，包括超时监测、不动监测等，对老人上下楼梯、走路摔倒、进入危险区域的情况进行及时告警，老人在发生意外时可以通过紧急求救按钮向管理人员发出求救信号，管理人员可及时得到老人求救信息和准确位置，进行紧急救助。
所述定位方法可以应用于监狱人员管理。在监狱内部署多个基站，为犯人佩戴防拆定位手环，实时监控犯人在监所中的位置、活动轨迹以及监所各区域人员分布情况等，系统后台可以设置禁区入侵、脱离监管报警等，对犯人进行智能监管；为狱警佩戴定位工牌，实时掌握在职狱警的位置，智能规划狱警的巡视路线，及时提醒在岗狱警前往突发事件区域，使监狱管理工作更加智能化。
所述定位方法可以应用于工厂人员管理。在工厂内部署多个基站，将定位标签与员工工卡、手环、头盔等相结合，对厂内所有员工进行全天候全天时定位监控，在监控显示平台可实时查看其位置，确定人员是否在岗，统计人员位置和分布热度图，实现自动考勤，智能识别员工的脱岗、空班等现象，并实时统计员工工作时长，分析员工工时利用率，减少人工耗费。
所述定位方法可以应用于仓储物流方面。在仓库内部署多个基站，为人员佩戴定位工牌，即可精准地将人员的位置信息显示在物流仓储控制中心，可查询回放人员历史轨迹情况，追踪员工的活动作业轨迹，帮助优化作业流程，提高生产效率，实现人员精细化管理，精确管控以精益生产、合理调度安排。
图1是本发明实施例提供的射频定位方法的流程示意图，如图1所示，包括：
步骤S1，将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果；
具体的，本发明中所描述的射频测量数据可以指，在室内环境中，定位目标通过射频测量感知设备检测到的射频测量数据，该射频测量数据包括但不仅限于信号到达时间戳，信号采样波形，基站与用户设备间的测量距离，基站的位置等。
本发明中所描述的射频测量采用的无线信号类型包括不仅限于超宽带信号，5G信号，蓝牙信号，Wi-Fi信号等。
由于在室内环境中存在非常多的遮挡物，使得射频信号在传播过程中很容易受到NLOS的干扰，导致最终的测量结果出现极大的误差，因此，本发明实施例提出训练好的非视距识别模型，用于判断设备接收到的射频测量数据是否受到NLOS的干扰。
若该射频测量数据的判别结果为视距数据，则说明该设备测量数据并未受到NLOS的干扰，也就是说定位目标和基站之间不存在遮挡，其定位结果并未受到遮挡物的影响，因此该射频测量结果不需要进行校准。
若该射频测量数据的判别结果为非视距数据，则说明该设备测量数据受到NLOS的干扰，很可能存在定位不准确，需要进一步对其进行校准。
步骤S2，在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；
其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
本发明中所描述的射频测量数据的判别结果为非视距数据时，则说明基站与定位目标之间存在遮挡，因此需要通过训练好的非视距校准模型进行射频测量数据的校准，从而得到校准后的射频测量数据。
本发明中所描述的判别结果标签，具体包括非视距数据标签和视距数据标签。
本发明中所描述的距离标签，具体是指基站与定位目标之间的距离数据信息。
本发明实施例中所描述的训练好的非视距识别模型和训练好的非视距校准模型，均是自训练学习的，通过迭代方式，利用更新后的位置估计重新标注数据，不断提升标签质量，能够快速得到自适应于当前环境的模型，也就是说其训练数据和标签，均是自动更新的，不需要人为大量对标签进行标注。
本发明通过训练好的非视距识别模型和训练好的非视距校准模型对射频测量数据进行识别和校准，从而提升射频定位的准确性，而本申请有效解决了现有技术中射频信号易受非视距遮挡干扰导致定位精度下降甚至不可定位，以及传统监督学习需要人为采集和标注数据导致成本提高和可迁移性降低的问题，通过提出基于射频环境自训练学习的定位方法能够避免人为事先在定位区域内采集和标注大量数据，直接利用位置估计实现自动的数据采集和标注，当环境发生动态变化时，也能够通过短时间的定位过程重新获得大量训练数据，降低数据库的构建和更新成本，提高模型的可迁移性；另外，所提出的基于射频环境自训练学习的定位方法通过迭代方式，利用更新后的位置估计重新标注数据，不断提升标签质量，能够快速得到自适应于当前环境的模型，从而获取更加可靠的辅助定位信息校准用户定位结果，提升整体定位系统的精度和鲁棒性。
基于上述任一实施例，在所述将射频测量数据输入训练好的非视距识别模型的步骤之前，所述方法还包括：
对地图信息进行解析，得到格点化地图；其中，所述格点化地图中各个格点的权重用于近似用户状态的连续概率分布；
基于移动终端获取的行人航迹推算信息，对各个所述格点的权重进行更新，得到更新后的格点权重；
基于时间戳匹配原则，将射频测量数据与行人航迹推算信息得到的格点进行匹配对齐，得到每组射频测量数据对应的格点；
根据所述每组射频测量数据对应的格点及地图信息，得到每组射频测量数据的判别结果标签和距离标签，确定携带判别结果标签的射频测量数据和携带距离标签的射频测量数据；
根据所述更新后的格点权重，分别对所述携带判别结果标签的射频测量数据和携带距离标签的射频测量数据进行样本数量扩充，得到第一训练数据集和第二训练数据集。
具体的，本发明中所描述的地图信息是指可以从建筑商处获得，其包括具体的墙壁等遮挡物信息和空间信息。
本发明中所描述的人航迹推算信息可以利用手机内置的加速度计、陀螺仪、磁传感器等惯性传感器获得。
本发明中格点化地图中各个格点的权重可以代表用户处于格点位置的可能性。
本发明实施例中所描述的时间戳匹配原则，是指将带有基站时间戳的射频测量数据与带有手机时间戳的行人航迹推算信息根据时间戳进行匹配。
本发明获取移动终端得到的行人航迹推算信息，并根据所述地图信息和行人航迹推算信息得到不同格点上的权重变化信息。具体而言，在贝叶斯滤波的状态预测方程中得到状态的先验权重，所述状态预测方程为：
其中，表示基于室内地图信息得到的从位置格点转移到的概率，mk表示第k步的行人航迹推算信息，包括第k步的步长lk和航向角变化量Δθk，表示第k-1轮状态为(ip,ia)的后验权重，表示第k轮状态为(ip，ia)的先验权重。
在考虑了地图信息的情况下，两个位置格点间的转移概率由格点间的连通性确定。具体而言，若位置格点和间连通，则若位置格点和间不连通，则
根据时间戳匹配原则，将采集到的射频测量数据和用户每一步进行匹配对齐，再结合所述地图信息、基站的位置、格点的位置和不同格点上的权重变化信息自动标注数据。
为充分利用不同格点上的权重变化信息，选择位置权重(初次迭代中为)最大的M个格点作为候选用户位置，并对位置权重做归一化得到相应概率{prob1,prob2,…,probM}。对于当前时刻匹配到的一条数据，定义样本扩充因子C，根据概率复制数据得到C×probi个样本并分配标注，标注根据相应候选用户位置计算得到，标注内容包括但不仅限于判别结果标签和距离标签等：
1)判别结果标签：以基站的位置和候选用户位置为端点连线，若线段经过所述室内地图信息中的障碍物，则标注为非视距若线段没有经过所述室内地图信息中的障碍物，则标注为视距
2)距离标签：以基站的位置和候选用户位置连线长度作为距离标签其中表示当前所连基站bk的位置。
举例而言，取M＝2，C＝10，得到候选用户位置的概率为{prob1＝0.7,prob2＝0.3}，则对于当前时刻匹配到的一条数据，复制C×prob1＝7次并根据第一个候选用户位置计算标注，复制C×prob1＝3次并根据第二个候选用户位置计算标注，最终得到10个样本。这种方法可以扩充样本数量，并有效保存了不同格点上的权重变化信息，提升了标注内容的准确性。
最终，构建训练数据集，由采集的射频测量数据和计算的标注构成，得到第一训练数据集和第二训练数据集。
本发明通过格点化地图上的连通性关系和新人航迹推算信息，利用位置估计实现自动的数据采集和标注，当环境发生动态变化时，也能够通过短时间的定位过程重新获得大量训练数据，降低数据库的构建和更新成本，提高模型的可迁移性。
基于上述任一实施例，在得到第一训练数据集和第二训练数据集的步骤之后，所述方法还包括：
S31，基于所述第一训练数据集和第二训练数据集分别对预设模型进行训练，得到非视距识别模型和非视距校准模型；
S32，通过所述非视距识别模型对所述第一训练数据集进行射频测量识别，通过非视距校准模型对所述第二训练数据集进行射频测量校准，得到辅助定位信息；
S33，根据所述辅助定位信息各个所述格点的权重进行更新，得到新的格点权重；
S34，根据所述新的格点权重，对所述第一训练数据集和第二训练数据集中的射频测量数据进行重新标注，得到第一训练增强数据集和第二训练增强数据集；
S35，根据所述第一训练增强数据集和第二训练增强数据集分别对预设模型重新进行训练，重复步骤S31至步骤S35，直至满足预设条件，得到训练好的非视距识别模型和训练好的非视距校准模型。
具体的，本发明中首先从采集到的射频测量数据中提取与非视距相关的有效特征。在本发明的一个具体实施例中，对接收到的UWB信号采样波形数据r(t)进行降维处理，从中提取与非视距相关的统计量作为输入特征，具体包括：
1)接收信号能量：
εr＝∫T|r(t)|2dt
2)最大幅度：
rmax＝maxt|r(t)|
3)上升时间：
trise＝tH-tL
其中，
tL＝min{t：|r(t)|≥ασn}
tH＝min{t：|r(t)|≥βrmax}
4)平均过量延迟：
5)均方根延迟扩展：
6)峰度：
其中，
以上6维特征以及基站与用户设备间的测量距离共同构成机器学习模型的输入特征向量x。
之后选择合适的机器学习方法。在本发明的一个具体实施例中，采用支持向量机(SVM)模型，其优点是实施简便、可调参数少、泛化性能好。根据所述第一训练数据集训练分类模型以得到非视距识别模型，根据所述第二训练数据集训练回归模型以得到非视距校准模型。输入特征的非线性变换包含在内，可以通过核函数实现。
基于SVM的分类模型为：
求解优化问题：
得到最终的非视距识别模型为：
基于SVM的回归模型为：
求解优化问题：
得到最终的非视距校准模型为：
通过非视距识别模型和非视距校准模型对射频测量数据进行识别和校准，减少非视距误差，从而获取辅助定位信息，在贝叶斯滤波的状态更新方程中得到状态的后验权重，所述状态更新方程为：
其中，是系统观测方程，表示用户第k步在位置格点处获取观测变量zk的概率。
在本发明的一个具体实施例中，考虑到UWB在视距条件下能够获得精准的距离估计，因此只对非视距数据进行了修正。具体而言，对于接收到的UWB信号波形，先根据非视距识别模型判断是否为非视距数据，若为非视距数据，则继续采用非视距校准模型修正误差，得到修正后的距离测量；否则仍采用原始距离测量。因此，系统观测方程可写为：
其中，表示用户在第k步与判定为视距的基站间的原始距离测量，表示表示用户在第k步与判定为非视距的基站间的修正后的距离测量。可以假设距离测量服从高斯分布，其均值为当前位置格点与所连基站bk间的距离
采用辅助定位信息更新后的状态的后验权重估计用户位置：
并返回重新构建训练数据集的步骤S31，迭代执行学习和定位过程，即利用更新后的位置估计重新标注射频测量数据，以获得更加准确的标签，提高模型预测性能，增强非视距误差校准能力，迭代修正用户定位结果。经过几轮迭代后，系统可以快速获得自适应于当前环境的模型，提升整体定位系统的精度和鲁棒性。
本发明提供的基于射频环境自训练学习的定位系统及方法，有效解决了现有技术中射频信号易受非视距遮挡干扰导致定位精度下降甚至不可定位，以及传统监督学习需要人为采集和标注数据导致成本提高和可迁移性降低的问题；所提出的基于射频环境自训练学习的定位方法能够避免人为事先在定位区域内采集和标注大量数据，直接利用位置估计实现自动的数据采集和标注，当环境发生动态变化时，也能够通过短时间的定位过程重新获得大量训练数据，降低数据库的构建和更新成本，提高模型的可迁移性；另外，所提出的基于射频环境自训练学习的定位方法通过迭代方式，利用更新后的位置估计重新标注数据，不断提升标签质量，能够快速得到自适应于当前环境的模型，从而获取更加可靠的辅助定位信息修正用户定位结果，提升整体定位系统的精度和鲁棒性。
基于上述任一实施例，所述对地图信息进行解析，得到格点化地图的步骤，具体包括：
对所述地图信息进行均匀离散化预处理，得到初始格点化地图；
对所述初始格点化地图进行连通性分析，排除不可能到达的位置，得到最终的格点化地图。
具体的，解析地图信息，进行均匀离散化预处理，得到格点化地图，并建立格点间的连通性，用以表征地图中的障碍物对用户移动的限制，排除掉不可能到达的位置。具体而言，若两个位置格点间的连线与墙体相交，则认为不连通；考虑到行人行走一步的步长不会过大，因此若两个位置格点间的连线长度超过阈值dmax，则认为不连通。同时将用户状态的连续概率分布表示为离散格点上的权重，以提高系统计算效率，离散近似过程表示为：
其中，pk和θk分别表示用户在第k步的位置和航向角，共同构成系统的状态变量，zk表示用户在第k步获取的射频测量，构成系统的观测变量，p(pk，θk|z1：k)表示第k轮状态的后验概率分布，表示第k轮状态为(ip，ia)的后验权重。
本发明实施例在构建格点化地图的过程中，充分考虑了格点间的连通性，从而能够更好地对模型进行进行训练。
图2为本发明实施例提供的射频环境自训练学习的定位方法的流程图，如图2所示，包括：
S101，解析地图信息，进行均匀离散化预处理，得到格点化地图，建立格点间的连通性，将连续概率分布表示为不同格点上的权重；
S102，获取移动终端得到的行人航迹推算信息，并根据所述地图信息和行人航迹推算信息得到不同格点上的权重变化信息；
S103，首先根据时间戳匹配原则，将采集到的射频测量数据和用户每一步进行匹配对齐，再结合所述地图信息、基站的位置、格点的位置和不同格点上的权重变化信息自动标注数据，构建训练数据集；
S104，根据S103得到的训练数据集，采用机器学习的方法完成模型自训练，得到非视距识别和校准模型。
S105，根据所述S104得到的非视距识别模型和非视距校准模型对射频测量数据进行识别和校准，减少非视距误差，从而获取辅助定位信息，更新不同格点上的权重；
S106，根据更新后的不同格点上的权重，得到用户定位结果，利用更新后的权重信息重新标注射频测量数据，以获得更佳准确的标签，增强模型非视距误差校准能力，并返回S103步骤，迭代学习和定位过程，修正用户定位结果。
图3为本发明实施例提供的射频定位装置结构示意图之一，如图3所示，包括：处理模块310和定位模块320；其中，处理模块310用于将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果，在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；其中，定位模块320用于解析地图信息，基于移动终端获取的行人航迹推算信息得到各个格点的先验权重，基于校准后的射频测量数据得到各个格点的后验权重，根据后验权重得到用户最终定位结果；其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
图4为本发明实施例中所提供的射频定位装置结构示意图之二，如图4所示，本发明实施例中的射频定位装置还包括地图模块、获取模块、学习模块和定位模块，其中：
所述地图模块，用于解析地图信息，得到格点化地图，并将用户状态的连续概率分布表示为在不同格点上的权重。
所述获取模块，用于获取移动终端得到的行人航迹推算信息，并根据所述地图信息和行人航迹推算信息得到不同格点上的权重变化信息。
所述学习模块，用于实现射频测量的自动采集和标注，构建训练数据集，并基于机器学习的方法得到自训练的非视距识别和校准模型。
所述定位模块，用于完成基于所述自训练的非视距识别模型和非视距校准模型对射频测量数据的识别和修正，获取辅助定位信息以更新不同格点上的权重，进而通过贝叶斯滤波融合所述室内地图信息、行人航迹推算信息和辅助定位信息完成室内定位。
所述学习模块包括数据采集模块，数据标注模块，模型训练模块，其中：
所述数据采集模块，用于自动接收基站和用户设备之间通信的射频信号，从中获取射频测量数据，所述射频测量数据包括但不仅限于信号到达时间戳，信号采样波形，基站与用户设备间的测量距离，基站的位置等。
所述数据标注模块，用于自动标注所述射频测量数据从而构建训练数据集，标注内容包括但不仅限于判别结果标签和距离标签等，标注内容可以基于所述地图信息、基站的位置、格点的位置和不同格点上的权重变化信息计算得到。
所述模型训练模块，用于完成基于所述训练数据集的模型训练，采用机器学习方法，训练分类模型得到非视距识别模型，训练回归模型得到非视距校准模型。
本发明实施例通过训练好的非视距识别模型和训练好的非视距校准模型进行对射频测量数据进行识别和校准，从而提升射频定位的准确性，而本申请有效解决了现有技术中射频信号易受非视距遮挡干扰导致定位精度下降甚至不可定位，以及传统监督学习需要人为采集和标注数据导致成本提高和可迁移性降低的问题，通过提出基于射频环境自训练学习的定位方法能够避免人为事先在定位区域内采集和标注大量数据，直接利用位置估计实现自动的数据采集和标注，当环境发生动态变化时，也能够通过短时间的定位过程重新获得大量训练数据，降低数据库的构建和更新成本，提高模型的可迁移性；另外，所提出的基于射频环境自训练学习的定位方法通过迭代方式，利用更新后的位置估计重新标注数据，不断提升标签质量，能够快速得到自适应于当前环境的模型，从而获取更加可靠的辅助定位信息校准用户定位结果，提升整体定位系统的精度和鲁棒性。
图5为本发明提供的电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行射频定位方法，该方法包括：将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果；在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的射频定位方法，该方法包括：将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果；在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
又一方面，本发明还提供一种非暂态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以执行上述各实施例提供的射频定位方法，该方法包括：将射频测量数据输入训练好的非视距识别模型，得到射频测量数据的判别结果；在所述射频测量数据的判别结果为非视距数据时，将所述射频测量数据输入训练好的非视距校准模型，得到校准后的射频测量数据；其中，所述训练好的非视距识别模型，是根据携带判别结果标签的射频测量样本数据训练得到的；所述训练好的非视距校准模型，是根据携带距离标签的射频测量样本数据训练得到的；所述射频测量样本数据的标签是基于射频环境自训练学习得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。