1.本公开涉及室内定位
技术领域：
：，具体涉及一种室内定位方法、室内定位装置、计算机可读介质和电子设备。
背景技术：
：：2.伴随着通信技术的不断发展以及移动通信设备的普及，用户对于自身位置进行位置定位的需求日益增长。一般情况下，人们大多数采用全球定位系统(globalpositioningsystem，gps)进行定位，但是在室内场景下gps信号会受到遮蔽，导致定位不准确或者无法定位，因此，室内定位成为人们关注的焦点。3.相关技术方案中，一般通过接收信号强度指示符(receivedsignalstrengthindicator，rssi)与预先建好的参考点存储的rssi进行比对实现室内定位，但是，由于rssi的维度不固定，如在多楼宇多楼层的应用场景中，一条rssi射频指纹中，会有大量的特征量与该条射频指纹的采集点无关，使rssi有效信息随着场景不断的扩大被不断的稀释，降低了室内定位的准确性；并且该方案中将采集的rssi与参考点存储的rssi进行比对实现室内定位，对于预先构建的离线地图中的参考点设置具有较大关系，室内定位结果的鲁棒性差，定位效率较低。技术实现要素：4.本公开的目的在于提供一种室内定位方法、室内定位装置、计算机可读介质和电子设备，进而至少在一定程度上提高室内定位的准确性，保证室内定位结果的鲁棒性，提升室内定位的效率。5.根据本公开的第一方面，提供一种室内定位方法，包括：6.响应在当前室内环境触发的定位请求，采集融合射频指纹；7.确定所述当前室内环境对应的射频定位模型；8.将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。9.根据本公开的第二方面，提供一种室内定位装置，包括：10.射频指纹采集模块，用于响应在当前室内环境触发的定位请求，采集融合射频指纹；11.射频定位模型确定模块，用于确定所述当前室内环境对应的射频定位模型；12.位置坐标确定模块，用于将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。13.根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。14.根据本公开的第四方面，提供一种电子设备，其特征在于，包括：15.处理器；以及16.存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。17.本公开的一种实施例所提供的室内定位方法，在检测到当前室内环境触发的定位请求时，采集处于当前时刻的采集点的融合射频指纹，并确定当前室内环境对应的射频定位模型，然后可以将融合射频指纹输入到射频定位模型中，得到在当前室内环境中的当前位置坐标。一方面，通过维度更加固定的融合射频指纹进行室内定位，相比于相关技术中仅通过维度不固定的rssi进行室内定位，能够提升射频指纹所表征的空间位置特征的有效信息比例，从而提升室内定位结果的准确性，此外，由于维度固定的融合射频指纹的无效信息较少，一定程度上能够减少室内定位过程中的计算量，提升室内定位效率；另一方面，通过结合融合射频指纹以及基于深度学习的射频定位模型进行室内定位，相比于相关技术中将采集点的rssi与参考点的rssi比对进行室内定位的方式，不强依赖于参考点的设置，不受参考点设置的影响，能够有效提升室内定位结果的鲁棒性，提高室内定位的准确性，同时，基于深度学习的射频定位模型实现室内定位，进一步提升室内定位的效率。18.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明19.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：20.图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；21.图2示意性示出本公开示例性实施例中一种室内定位方法的流程图；22.图3示意性示出本公开示例性实施例中一种将融合射频指纹转换为融合特征向量的流程示意图；23.图4示意性示出本公开示例性实施例中一种射频定位模型的结构示意图；24.图5示意性示出本公开示例性实施例中室内定位装置的组成示意图；25.图6示出了可以应用本公开实施例的一种电子设备的示意图。具体实施方式26.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。27.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。28.图1示出了可以应用本公开实施例的一种室内定位方法及装置的示例性应用环境的系统架构的示意图。29.如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是各种具有无线局域网通信(wirelesslocalareanetwork，wlan)功能的电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。30.本公开实施例所提供的室内定位方法一般由终端设备101、102、103中执行，相应地，室内定位装置一般设置于终端设备101、102、103中。但本领域技术人员容易理解的是，本公开实施例所提供的室内定位方法也可以由服务器105执行，相应的，室内定位装置也可以设置于服务器105中，本示例性实施例中对此不做特殊限定。31.举例而言，在一种示例性实施例中，可以是用户通过终端设备101、102、103将当前室内环境中采集的融合射频指纹上传至服务器105，服务器通过本公开实施例所提供的室内定位方法生成当前位置坐标后，将当前位置坐标传输给终端设备101、102、103等。32.随着移动设备(如智能手机smartphone，ar/vr可穿戴设备等)的大量普及，对室内高精度定位的需求也在日益增强。由于gps信号在室内场景下受到遮蔽，移动设备需要从其他传感器获取定位信息，例如uwb，ble，wi-fi，zigbee等。虽然uwb室内定位系统的可达到分米级的定位精度(10～30cm)，但是由于uwb定位基站高昂的设备和布设费用，目前uwb定位技术在某些特定有限的场景下进行了部署(如监狱，运动场等)。ble和zigbee定位系统也颇为类似，需要专门加装定位节点，能够达到米级的定位精度(2～3m)，虽然设备费用相对较低，但是由于ble和zigbee信号的有效传播范围较短，需要在室内场景中进行大量且密集的安装，由于布设及大量维护的原因，暂未得到大规模的部署和应用。目前由于wi-fi设备作为室内移动终端接入互联网的节点，在室内已进行了大量的布设，基于wifi的定位系统由于无需额外加装其他的硬件设备，便可在广泛的室内场景下进行有效的定位，具备在室内大场景(例如多楼宇多楼层)下应用的先决条件。33.一种基于wi-fi的定位技术方案中，是通过部器少量无线电信号强度定位区域的方法，感知接入点，利用线性回归，建设参考节点、移动定位，rssi映射关系，处理特性射频指纹的问题。通过射频指纹取得空间离线训练的位置，建立指纹模型。但是，rssi序列的射频指纹会随着新接入点(accesspoint，ap)的加入，射频指纹的维度也会不断的增加，这种固有缺陷，首先会造成无法动态的添加新场景，其次在多楼宇多楼层的大场景下，在其中一条rssi射频指纹中，会有大量的特征量与该条射频指纹的采集点无关，有效信息随着场景不断的扩大被不断的稀释，导致室内定位的准确性较差。34.另一种基于wi-fi的定位技术方案中，使用至少一个多频带wi-fi接入点来生成wi-fi多频带指纹数据库，选择具有最高概率函数的最可能的频带，然后根据各个wi-fi接入点的最可能的频带来选择确定位置所需要的测量到的信号；以及比较所选择的测量到的信号与所选择的一个或更多个指纹，以根据位置估计算法来确定所测量到的信号的位置。但是，这种方案中，依旧使用的是rssi射频指纹，同样面临维度不固定，有效信息被稀释，不适用于大场景部署的问题；虽然该方案对rssi射频指纹进行了统计，得到了平均接收信号强度以及接收信号强度的方差,但是由于wi-fi采集的单帧不完整性(wi-fi采集的单帧不完整性是指静止单点采集状态下，相邻采集帧会在ap数量上有变动，同时在rssi数值上呈现小幅波动)，这种统计方式的准确性依旧较差。35.基于相关技术中存在的一个或者多个问题，下面以服务器执行该方法为例，对本公开示例性实施方式的室内定位方法和室内定位装置进行具体说明。36.图2示出了本示例性实施方式中一种室内定位方法的流程，包括以下步骤s210至步骤s230：37.在步骤s210中，响应在当前室内环境触发的定位请求，采集融合射频指纹。38.在一示例性实施例中，当前室内环境是指任意类型的可能出现gps信号屏蔽的场所，例如，当前室内环境可以是楼栋中的各楼层场所，也可以是高铁站的候车大厅、地下停车场等场所，当然，还可以是其他类型的、gps信号较弱的场所，本示例实施例对此不做特殊限定。39.定位请求是指用于采集射频信号的采集设备主动或者被动触发的用于获取当前位置坐标的请求指令，例如，定位请求可以是用户通过相关定位功能控件主动触发获取当前位置坐标的请求指令，也可以是在启动导航地图应用程序(application，app)或者其他包含导航功能的应用程序时所生成的获取当前位置坐标的请求指令，本示例实施例对于定位请求的触发方式不做限定。40.融合射频指纹是指由至少两种射频指纹特征构成且特征维度固定的射频指纹，例如，融合射频指纹可以是由基本服务集标识(basicservicesetidentifier，bssid)和接收信号强度指示符(receivedsignalstrengthindicator，rssi)构成的射频指纹特征对，也可以是由扩展服务集标识(extendedservicesetidentifier，essid)和接收信号强度指示符构成的射频指纹特征对，还可以是由基本服务集标识、扩展服务集标识和接收信号强度指示符共同构成的射频指纹特征对，当然，还可以是由至少两种其他类型的射频指纹构成且特征维度固定的射频指纹，本示例实施例对此不做特殊限定。41.通过维度更加固定的融合射频指纹进行室内定位，相比于相关技术中仅通过维度不固定的rssi进行室内定位，能够提升射频指纹所表征的空间位置特征的有效信息比例，从而提升室内定位结果的准确性，此外，由于维度固定的融合射频指纹的无效信息较少，一定程度上能够减少室内定位过程中的计算量，提升室内定位效率。42.在步骤s220中，确定所述当前室内环境对应的射频定位模型。43.在一示例性实施例中，射频定位模型是指预先根据当前室内环境对应的离线参考点射频指纹图预先训练得到的深度学习模型，例如，射频定位模型可以是基于卷积神经网络(convolutionalneuralnetworks，cnn)的深度学习模型，也可以是基于全连接神经网络(deepneuralnetworks，dnn)的深度学习模型，还可以是基于长短期记忆网络(longshort-termmemory，lstm)的深度学习模型，当然，射频定位模型还可以是其他类型的深度学习模型，本示例实施例对此不做特殊限定。44.在检测到当前室内环境中触发的定位请求时，可以先通过gps信号确定当前室内环境对应的大致位置，并基于该大致位置在地图中确定当前室内环境对应的标识信息，例如标识信息可以是当前室内环境对应的名称标识，也可以是当前室内环境对应的唯一编码，本实施例不以此为限，可以根据当前室内环境对应的标识信息，确定与该当前室内环境对应的射频定位模型。45.在步骤s230中，将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。46.在一示例性实施例中，当前位置坐标是指射频定位模型基于融合射频指纹估计得到的采集点对应的位置坐标。47.举例而言，假设当前室内环境为单层室内环境，则此时的当前位置坐标可以是该单层室内环境内的二维平面坐标，如当前位置坐标可以是(x，y)，其中x可以表示采集点在该单层室内环境内的经度(或者可以是以该单层室内环境的中心点作为原点构建的环境坐标系中的横坐标)，y可以表示采集点在该单层室内环境内的纬度(或者可以是以该单层室内环境的中心点作为原点构建的环境坐标系中的纵坐标)。48.假设当前室内环境为多楼层建筑中的某一楼层，则此时的当前位置坐标可以是多楼层建筑环境内的三维空间坐标，如当前位置坐标可以是(x，y，z)，其中，z可以表示该多楼层建筑中的楼层位置，x可以表示采集点在该楼层位置对应的楼层内的经度(或者横坐标)，y可以表示采集点在该楼层位置对应的楼层内的纬度(或者纵坐标)，当然，此处仅是示意性举例说明，本实施例不以此为限。49.在得到采集点在当前室内环境的当前位置坐标之后，可以根据该当前位置坐标将采集点的位置在当前室内环境的地图上标记出来，也可以根据该当前位置坐标作为ar导航的起始坐标，还可以通过该当前位置坐标指示服务型机器人的行进路线，本示例实施例对于当前位置坐标的实际用途或者应用场景不做任何特殊限定。50.通过结合融合射频指纹以及基于深度学习的射频定位模型进行室内定位，相比于相关技术中将采集点的rssi与参考点的rssi比对进行室内定位的方式，不强依赖于参考点的设置，不受参考点设置的影响，能够有效提升室内定位结果的鲁棒性，提高室内定位的准确性，同时，基于深度学习的射频定位模型实现室内定位，进一步提升室内定位的效率。51.下面，对步骤s210至步骤s230进行详细说明。52.在一示例性实施例中，融合射频指纹可以包括至少两种射频指纹特征，其中射频指纹特征可以包括基本服务集标识、扩展服务集标识和接收信号强度指示符，当然，射频指纹特征可以是其他类型的，本示例实施例对于射频指纹特征的种类不做特殊限定。53.具体的，以射频指纹特征包括基本服务集标识、扩展服务集标识和接收信号强度指示符为例，融合射频指纹可以是由基本服务集标识和接收信号强度指示符构成的射频指纹特征对，也可以是由扩展服务集标识和接收信号强度指示符构成的射频指纹特征对，还可以是由基本服务集标识、扩展服务集标识和接收信号强度指示符共同构成的射频指纹特征对，当然，融合射频指纹还可以是由至少两种其他类型的射频指纹构成且特征维度固定的射频指纹，本示例实施例对此不做特殊限定。54.目前由于绝大部分的基于wi-fi射频指纹的方案中，都在使用接收信号强度指示符rssi序列作为射频指纹，而基本服务集标识bssid序列仅作为rssi序列的排序依据。但是rssi序列的射频指纹存在固有缺陷，即随着新接入点ap的加入，rssi序列的射频指纹的维度也会不断的增加，例如，参考表1所示，表1示意性示出了rssi序列的射频指纹维度：55.表1rssi序列的射频指纹56.wap001wap002……wap099……wap***-54-73……‑110……‑110-110-66……‑72……‑11057.其中，-110可以表示为接收到该接入点ap的探帧信号，即该数据为射频指纹中的无用数据，而每个新接入点ap的加入，都会在rssi序列的射频指纹中增加这样一条无用信息，导致rssi序列的射频指纹的维度不固定，并且rssi序列的射频指纹中的有效信息相对来说就会减少。58.在小规模的室内场景中接入点ap的数量有限，但是在大规模的室内场景(如多楼宇多楼层)中，以ujiindoorloc数据集为例，在3栋楼宇共计13个层楼的场景下，每条射频指纹包含了520个接入点ap的rssi数值，并且绝大部分的rssi数值与该条指纹的采集位置无关，有效连接的rssi数据随着接入点ap的增加，在rssi序列的射频指纹中被不断的稀释，并且bssid信息未被充分利用，仅间接作为rssi序列的排序依据，没能直接导入进定位算法中参与运算。59.在一示例性实施例中，融合射频指纹可以包括基本服务集标识和接收信号强度指示符构成的射频指纹特征对，可以通过以下步骤采集融合射频指纹：60.可以采集当前室内环境中无线信号对应的接收信号强度指示符，并确定接收信号强度指示符对应的基本服务集标识，可以基于接收信号强度指示符和基本服务集标识构成射频指纹特征对，并将射频指纹特征对作为无线信号对应的融合射频指纹。61.其中，无线信号可以是由当前室内环境对应的无线局域网(wirelesslocalareanetwork，wlan)设备生成的，例如，无线局域网设备可以包括但不限于wi-fi设备；无线信号也可以是由当前室内环境附近的通信基站(basestation)生成的，例如，通信基站可以是第五代移动通信(5thgenerationmobilecommunicationtechnology，5g)网络对应的基站，当然，无线信号也可以是由wi-fi设备和5g通信基站共同覆盖生成的，本示例实施例对此不做特殊限定。62.具体的，以融合射频指纹是由基本服务集标识和接收信号强度指示符构成的射频指纹特征对为例，可以基于rssi所表征的信号强度由强到弱排序为依据，选取头部一定数量，例如，假设该数量为feat_cnt个，则同样的，可以确定rssi对应的feat_cnt个数量的bssid，共同构成“bssid-rssi”的融合射频指纹。如表2所示：63.表2基于bssid和rssi的融合射频指纹64.bssid_01……bssid_99rssi_01……rssi_99wap013……wap224-65……‑110wap081……wap366-53……‑11065.feat_cnt可以取值为100，即将rssi所表征的信号强度由强到弱排序为依据，选取排序列表中前100个rssi，并可以确定100个bssid，一般来说100对数据已经能充分的反应一个参考点的射频指纹，当然，feat_cnt也可以取值为200，具体可以根据实际情况进行自定义设置，本示例实施例对此不做特殊限定。66.通过维度更加固定的融合射频指纹进行室内定位，相比于相关技术中仅通过维度不固定的rssi进行室内定位，能够提升射频指纹所表征的空间位置特征的有效信息比例，从而提升室内定位结果的准确性，此外，由于维度固定的融合射频指纹的无效信息较少，一定程度上能够减少室内定位过程中的计算量，提升室内定位效率。67.在一示例性实施例中，射频定位模型可以包括指纹特征融合层，指纹特征融合层是指将融合射频指纹中的射频指纹特征映射为相同尺寸的向量矩阵并进行融合，以提高融合射频指纹在高维空间中的区分度的网络层，例如，指纹特征融合层可以是由嵌入层embedding、全连接层dense以及重构层reshape构成的网络层。68.可以将融合射频指纹输入到指纹特征融合层中，得到融合特征向量，以基于融合特征向量确定在当前室内环境中的当前位置坐标。其中，融合特征向量是指将融合射频指纹中的射频指纹特征映射为相同尺寸的向量矩阵并进行融合得到的特征向量。69.具体的，可以将融合射频指纹中的基本服务集标识输入到指纹特征融合层中，得到第一特征向量；可以将融合射频指纹中的接收信号强度指示符输入到指纹特征融合层中，得到第二特征向量；可以将第一特征向量和第二特征向量进行哈达玛积计算，得到融合特征向量。70.图3示意性示出本公开示例性实施例中一种将融合射频指纹转换为融合特征向量的流程示意图。71.参考图3所示，基本服务集标识bssid阵列310可以通过指纹特征融合层中的嵌入层embeddinglayer320映射，将每个基本服务集标识bssid阵列310映射到一个由64个参数(维度可调)组成的一维向量，feat_cnt个基本服务集标识bssid映射为一个尺寸为(feat_cnt，64)的二维特征矩阵b330(即第一特征向量)。同时，接收信号强度指示符rssi阵列340可以通过全连接层dense以及重构层reshape350生成一个与二维特征矩阵b330相对应的，尺寸为(feat_cnt，64)的二维特征矩阵r360(即第二特征向量)。如果将二维特征矩阵b330理解为基本服务集标识bssid阵列310在高维空间(即提到的由64个参数表达一个bssid)中的聚簇表达，那么二维特征矩阵r360就可以理解为，是二维特征矩阵b330在高维空间中的模。融合特征向量f370可以表示为二维特征矩阵b与二维特征矩阵r的哈达玛积，尺寸为(feat_cnt，64)，以提高融合射频指纹在高维空间中的区分度。72.举例而言，融合特征向量的计算过程可以通过关系式(1)表示：[0073][0074]其中，f可以表示融合特征向量，b可以表示基本服务集标识bssid阵列对应的二维特征矩阵，即b＝{bij}，r可以表示接收信号强度指示符rssi阵列对应的二维特征矩阵，即r＝{rij}，b°r可以表示二维特征矩阵b与二维特征矩阵r的哈达玛积。[0075]在一示例性实施例中，射频定位模型可以包括至少三个长短期记忆网络层，可以将泛化处理后融合特征向量输入到至少三个长短期记忆网络层进行空间位置特征提取，得到在当前室内环境中的当前位置坐标。[0076]其中，在将融合特征向量输入到至少三个长短期记忆网络层进行空间位置特征提取之前，可以对融合特征向量进行泛化处理，具体的，可以将融合特征向量输入到射频定位模型的数据预处理层中实现对融合特征向量的泛化处理，该数据预处理层可以包括数据展平层flatten、批标准化层batchnormalization、剪枝层dropout和重构层reshape，当然，数据预处理层也可以包括其他网络层，本示例实施例不以此为限。[0077]经过对比验证，相比于基于cnn、dnn的深度学习模型，融合指纹特征与基于长短期记忆网络lstm的深度学习模型的结合，能够有效提升定位精度，因此，射频定位模块可以设置至少三个长短期记忆网络层用于对融合特征向量进行空间位置特征提取，提高估计的当前位置坐标的精确性，减少定位误差。[0078]图4示意性示出本公开示例性实施例中一种射频定位模型的结构示意图。[0079]参考图4所示，一个批次batch的输入数据401，可以包含batch_size条融合射频指纹(以bssid阵列+rssi阵列为例)，将输入数据401输入到指纹特征融合层402中，具体的，可以将bssid输入到指纹特征融合层402中的嵌入层403，得到第一特征向量；可以将bssid输入到指纹特征融合层402中的全连接层404以及重构层405进行映射处理，得到与第一特征向量尺寸一致的第二特征向量；可以对第一特征向量以及第二特征向量进行哈达玛积运算，得到融合特征向量407。可以将融合特征向量407输入到由数据展平层、批标准化层、剪枝层和重构层构成的数据预处理层408中对融合特征向量407进行泛化处理，以提升射频定位模型的泛化能力。然后可以将泛化处理后的融合特征向量407输入到长短期记忆网络409、长短期记忆网络410和长短期记忆网络411进行空间位置特征提取，最后将提取的空间位置特征通过全连接层412进行回归输出，输出估计的在当前室内环境中的当前位置坐标(x，y)。当然，以上仅是对本实施例中射频定位模型进行的示意性举例说明，并不应对本实施例造成任何特殊限定。[0080]综上所述，本示例性实施方式中，在检测到当前室内环境触发的定位请求时，采集处于当前时刻的采集点的融合射频指纹，并确定当前室内环境对应的射频定位模型，然后可以将融合射频指纹输入到射频定位模型中，得到在当前室内环境中的当前位置坐标。一方面，通过维度更加固定的融合射频指纹进行室内定位，相比于相关技术中仅通过维度不固定的rssi进行室内定位，能够提升射频指纹所表征的空间位置特征的有效信息比例，从而提升室内定位结果的准确性，此外，由于维度固定的融合射频指纹的无效信息较少，一定程度上能够减少室内定位过程中的计算量，提升室内定位效率；另一方面，通过结合融合射频指纹以及基于深度学习的射频定位模型进行室内定位，相比于相关技术中将采集点的rssi与参考点的rssi比对进行室内定位的方式，不强依赖于参考点的设置，不受参考点设置的影响，能够有效提升室内定位结果的鲁棒性，提高室内定位的准确性，同时，基于深度学习的射频定位模型实现室内定位，进一步提升室内定位的效率。[0081]需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。[0082]进一步的，参考图5所示，本示例的实施方式中还提供一种室内定位装置500，包括射频指纹采集模块510、射频定位模型确定模块520和位置坐标确定模块530。其中：[0083]射频指纹采集模块510可以用于响应在当前室内环境触发的定位请求，采集融合射频指纹；[0084]射频定位模型确定模块520可以用于确定所述当前室内环境对应的射频定位模型；[0085]位置坐标确定模块530可以用于将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。[0086]在一示例性实施例中，融合射频指纹可以包括至少两种射频指纹特征，射频指纹特征可以包括基本服务集标识、扩展服务集标识和接收信号强度指示符。[0087]在一示例性实施例中，融合射频指纹可以包括基本服务集标识和接收信号强度指示符构成的射频指纹特征对，射频指纹采集模块510可以用于：[0088]采集所述当前室内环境中无线信号对应的接收信号强度指示符；[0089]确定所述接收信号强度指示符对应的基本服务集标识；[0090]基于所述接收信号强度指示符和所述基本服务集标识构成射频指纹特征对，并将所述射频指纹特征对作为所述无线信号对应的融合射频指纹。[0091]在一示例性实施例中，无线信号可以是由当前室内环境对应的无线局域网设备或者通信基站中的至少一种生成的，其中通信基站可以包括第五代通信网络基站。[0092]在一示例性实施例中，射频定位模型可以包括指纹特征融合层，位置坐标确定模块530可以用于：[0093]将所述融合射频指纹输入到所述指纹特征融合层中，得到融合特征向量，以基于所述融合特征向量确定在所述当前室内环境中的当前位置坐标。[0094]在一示例性实施例中，位置坐标确定模块530可以用于：[0095]将所述融合射频指纹中的基本服务集标识输入到指纹特征融合层中，得到第一特征向量；[0096]将所述融合射频指纹中的接收信号强度指示符输入到指纹特征融合层中，得到第二特征向量；[0097]将所述第一特征向量和所述第二特征向量进行哈达玛积计算，得到融合特征向量。[0098]在一示例性实施例中，射频定位模型可以包括至少三个长短期记忆网络层，位置坐标确定模块530可以用于：[0099]将泛化处理后所述融合特征向量输入到所述至少三个长短期记忆网络层进行空间位置特征提取，得到在所述当前室内环境中的当前位置坐标。[0100]上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。[0101]所属
技术领域：
：的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。[0102]本公开的示例性实施方式还提供一种电子设备。该电子设备可以是上述终端设备101、102、103和服务器105。一般的，该电子设备可以包括处理器与存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行上述室内定位方法。[0103]下面以图6中的移动终端600为例，对该电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图6中的构造也能够应用于固定类型的设备。[0104]如图6所示，移动终端600具体可以包括：处理器601、存储器602、总线603、移动通信模块604、天线1、无线通信模块605、天线2、显示屏606、摄像模块607、音频模块608、电源模块609与传感器模块610。[0105]处理器601可以包括一个或多个处理单元，例如：处理器601可以包括ap(applicationprocessor，应用处理器)、调制解调处理器、gpu(graphicsprocessingunit，图形处理器)、isp(imagesignalprocessor，图像信号处理器)、控制器、编码器、解码器、dsp(digitalsignalprocessor，数字信号处理器)、基带处理器和/或npu(neural-networkprocessingunit，神经网络处理器)等。本示例性实施方式中的室内定位方法可以由ap、gpu或dsp来执行，当方法涉及到神经网络相关的处理时，可以由npu来执行，例如npu可以加载神经网络参数并执行神经网络相关的算法指令。[0106]编码器可以对图像或视频进行编码(即压缩)，以减小数据大小，便于存储或发送。解码器可以对图像或视频的编码数据进行解码(即解压缩)，以还原出图像或视频数据。移动终端600可以支持一种或多种编码器和解码器，例如：jpeg(jointphotographicexpertsgroup，联合图像专家组)、png(portablenetworkgraphics，便携式网络图形)、bmp(bitmap，位图)等图像格式，mpeg(movingpictureexpertsgroup，动态图像专家组)1、mpeg10、h.1063、h.1064、hevc(highefficiencyvideocoding，高效率视频编码)等视频格式。[0107]处理器601可以通过总线603与存储器602或其他部件形成连接。[0108]存储器602可以用于存储计算机可执行程序代码，可执行程序代码包括指令。处理器601通过运行存储在存储器602的指令，执行移动终端600的各种功能应用以及数据处理。存储器602还可以存储应用数据，例如存储图像，视频等文件。[0109]移动终端600的通信功能可以通过移动通信模块604、天线1、无线通信模块605、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块604可以提供应用在移动终端600上3g、4g、5g等移动通信解决方案。无线通信模块605可以提供应用在移动终端600上的无线局域网、蓝牙、近场通信等无线通信解决方案。[0110]显示屏606用于实现显示功能，如显示用户界面、图像、视频等。摄像模块607用于实现拍摄功能，如拍摄图像、视频等。音频模块608用于实现音频功能，如播放音频，采集语音等。电源模块609用于实现电源管理功能，如为电池充电、为设备供电、监测电池状态等。[0111]传感器模块610可以包括一种或多种传感器，用于实现相应的感应检测功能。例如，传感器模块610可以包括惯性传感器，其用于检测移动终端600的运动位姿，输出惯性传感数据。[0112]本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。[0113]需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。[0114]在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。[0115]此外，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。[0116]本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。[0117]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。当前第1页12当前第1页12
技术特征：1.一种室内定位方法，其特征在于，包括：响应在当前室内环境触发的定位请求，采集融合射频指纹；确定所述当前室内环境对应的射频定位模型；将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。2.根据权利要求1所述的方法，其特征在于，所述融合射频指纹包括至少两种射频指纹特征，所述射频指纹特征包括基本服务集标识、扩展服务集标识和接收信号强度指示符。3.根据权利要求2所述的方法，其特征在于，所述融合射频指纹包括基本服务集标识和接收信号强度指示符构成的射频指纹特征对，所述采集融合射频指纹，包括：采集所述当前室内环境中无线信号对应的接收信号强度指示符；确定所述接收信号强度指示符对应的基本服务集标识；基于所述接收信号强度指示符和所述基本服务集标识构成射频指纹特征对，并将所述射频指纹特征对作为所述无线信号对应的融合射频指纹。4.根据权利要求3所述的方法，其特征在于，所述无线信号是由所述当前室内环境对应的无线局域网设备或者通信基站中的至少一种生成的，其中所述通信基站包括第五代通信网络基站。5.根据权利要求1所述的方法，其特征在于，所述射频定位模型包括指纹特征融合层，所述将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标，包括：将所述融合射频指纹输入到所述指纹特征融合层中，得到融合特征向量，以基于所述融合特征向量确定在所述当前室内环境中的当前位置坐标。6.根据权利要求3或5任一项所述的方法，其特征在于，所述将所述融合射频指纹输入到所述指纹特征融合层中，得到融合特征向量，包括：将所述融合射频指纹中的基本服务集标识输入到指纹特征融合层中，得到第一特征向量；将所述融合射频指纹中的接收信号强度指示符输入到指纹特征融合层中，得到第二特征向量；将所述第一特征向量和所述第二特征向量进行哈达玛积计算，得到融合特征向量。7.根据权利要求5所述的方法，其特征在于，所述射频定位模型包括至少三个长短期记忆网络层，所述基于所述融合特征向量确定在所述当前室内环境中的当前位置坐标，包括：将泛化处理后所述融合特征向量输入到所述至少三个长短期记忆网络层进行空间位置特征提取，得到在所述当前室内环境中的当前位置坐标。8.一种室内定位装置，其特征在于，包括：射频指纹采集模块，用于响应在当前室内环境触发的定位请求，采集融合射频指纹；射频定位模型确定模块，用于确定所述当前室内环境对应的射频定位模型；位置坐标确定模块，用于将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的方法。
技术总结本公开提供一种室内定位方法及装置、计算机可读介质和电子设备，涉及室内定位技术领域。该方法包括：响应在当前室内环境触发的定位请求，采集融合射频指纹；确定所述当前室内环境对应的射频定位模型；将所述融合射频指纹输入到所述射频定位模型中，得到在所述当前室内环境中的当前位置坐标。本公开通过基于深度学习的射频定位模型以及维度固定的融合射频指纹实现室内定位，降低室内定位成本的同时，提升室内定位的准确性，提高室内定位的效率。提高室内定位的效率。提高室内定位的效率。
技术研发人员：吴月鹏 李姬俊男 郭彦东
受保护的技术使用者：OPPO广东移动通信有限公司
技术研发日：2022.07.22
技术公布日：2022/11/1
