基于神经网络的融合定位模块的标定方法及标定装置与流程

阅读：评论：0

1.本技术涉及导航技术领域，尤其涉及一种基于神经网络的融合定位模块的标定方法及标定装置。

背景技术：

2.相关技术的车辆导航多依赖于卫星定位模块例如gps卫星定位模块(global positioning system，全球定位系统)。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等gps信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供定位结果。而包含融合定位模块(inertial measurement unit，简称imu)的惯性导航系统，可以利用融合定位模块的测量数据，能够推算出车辆准确的速度、姿态和位置信息。
3.惯性导航系统利用融合定位模块的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和位置信息。然而，融合定位模块中的加速度计和陀螺仪受各种因素影响，使用一段时间后，其参数和性能会发生变化，使得的测量数据会有所偏差，而且随着时间的推移积累较大的误差，导致利用融合定位模块的测量数据进行定位导航的进度降低。因此必须消除融合定位模块的测量误差，对融合定位模块进行标定。

技术实现要素：

4.为解决或部分解决相关技术中存在的问题，本技术提供一种基于神经网络的融合定位模块标定方法及标定装置，能够基于训练好的神经网络消除融合定位模块的测量误差，实现融合定位模块的标定。
5.本技术第一方面提供一种基于神经网络的融合定位模块标定方法，包括：
6.获取预设神经网络的数据训练集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度；
7.根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络；
8.依据速度标定神经网络输出的误差数据，误差数据用于消除底盘车速和底盘车速对应的标定速度之间的误差，根据误差数据完成融合定位模块的标定。
9.优选地，获取预设神经网络的数据训练集，包括：
10.获取设定频率的卫星定位模块在一个时间段采集的标定速度；
11.获取设定频率的车辆传感器在相同时间段采集的底盘速度；
12.设置数据训练集样本个数，将在目标时间段内的标定速度和底盘速度作为数据训练集。
13.优选地，根据数据训练集训练预设神经网络之前，包括：
14.设置预设神经网络的结构，神经网络的隐藏层至少包括两层神经网络；
15.设置神经网络的隐藏层的神经元个数。
16.优选地，两层隐藏层中，其中一个隐藏的节点个数为5，另一个隐藏层的节点个数
为10。
17.优选地，根据数据训练集训练预设神经网络，以得到消除底盘车速和标定速度之间的误差的速度标定神经网络，包括：
18.获取第一隐藏层的随机误差和第二隐藏层的随机误差；
19.获取第一隐藏层的随机误差和第二隐藏层的随机误差之间的关系，设置第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数；
20.根据预设更迭速率获取误差函数的最小值，根据最小值获取第一隐藏层的权值和第二隐藏层的神经元权值，并获取第一隐藏层和第二隐藏层的神经元个数。
21.优选地，获取所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之前包括：
22.获取输入层与第一隐藏层之间的第一误差函数；
23.获取第一隐藏层与第二隐藏层之间的第二误差函数；
24.获取输入层与第二隐藏层之间的第三误差函数；
25.根据第一误差函数、第二误差函数、第三误差函数获取预设神经网络的误差函数。
26.优选地，设置第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数，包括：
27.设置第一隐藏层各神经元的随机权重，根据随机权重和底盘车速获取第一隐藏层的输入值；
28.设置预设神经网络的激发函数，根据所示激发函数和第一隐藏层的输入值获取第一隐藏层的输出值；
29.获取第二隐藏层各神经元的随机权重，根据第二隐藏层的随机权重和第二隐藏层的输出值获取第二隐藏层的输入值；
30.根据所述第二隐藏层的输入值和预设神经网络获取第二隐藏层的输出值；
31.根据所述第二隐藏层的输入值和第二隐藏层的输出值，计算第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数。
32.本技术第二方面提供一种基于神经网络的融合定位模块标定装置，包括：
33.获取单元，用于获取预设神经网络的数据训练集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度；
34.训练单元，用于根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络；
35.标定单元，用于依据速度标定神经网络输出的消除底盘车速和底盘车速对应的标定速度之间的误差数据，根据误差数据完成融合定位模块的标定。
36.本技术第三方面提供一种电子设备，包括：
37.处理器；以及
38.存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
39.本技术第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
40.本技术提供的技术方案可以包括以下有益效果：获取预设神经网络的数据训练
集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度；根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络；依据速度标定神经网络输出的消除底盘车速和底盘车速对应的标定速度之间的误差数据，根据误差数据完成融合定位模块的标定。基于训练好的神经网络消除融合定位模块的测量误差，实现融合定位模块的标定。
41.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，并不能限制本技术。
附图说明
42.通过结合附图对本技术示例性实施方式进行更详细地描述，本技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本技术示例性实施方式中，相同的参考标号通常代表相同部件。
43.图1是本技术实施例示出的基于神经网络的融合定位模块标定方法的流程示意图；
44.图2是本技术实施例示出的基于神经网络的融合定位模块标定装置的结构示意图；
45.图3是本技术实施例示出的电子设备的结构示意图。
具体实施方式
46.下面将参照附图更详细地描述本技术的实施方式。虽然附图中显示了本技术的实施方式，然而应该理解，可以以各种形式实现本技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本技术更加透彻和完整，并且能够将本技术的范围完整地传达给本领域的技术人员。
47.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
48.应当理解，尽管在本技术可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
49.相关技术的车辆导航多依赖于卫星定位模块例如gps卫星定位模块(global positioning system，全球定位系统)。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等gps信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供定位结果。而包含融合定位模块(inertial measurement unit，简称imu)的惯性导航系统，可以利用融合定位模块的测量数据，能够推算出车辆准确的速度、姿态和位置信息。
50.惯性导航系统利用融合定位模块的加速度计和陀螺仪的测量数据推算车辆的速
度、姿态和位置信息。然而，融合定位模块中的加速度计和陀螺仪受各种因素影响，使用一段时间后，其参数和性能会发生变化，使得的测量数据会有所偏差，而且随着时间的推移积累较大的误差，导致利用融合定位模块的测量数据进行定位导航的进度降低。因此必须消除融合定位模块的测量误差，对融合定位模块进行标定。
51.针对上述问题，本技术提供一种基于神经网络的融合定位模块标定方法，能够基于训练好的神经网络消除融合定位模块的测量误差，实现融合定位模块的标定。
52.以下结合附图详细描述本技术实施例的技术方案。
53.图1是本技术实施例示出的基于神经网络的融合定位模块标定方法的流程示意图。
54.参见图1，
55.本技术第一方面提供一种基于神经网络的融合定位模块标定方法，包括：
56.步骤s101、获取预设神经网络的数据训练集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度。
57.在步骤s101中，获取预设神经网络的数据训练集，包括：获取设定频率的卫星定位模块在一个时间段采集的标定速度；获取设定频率的车辆传感器在相同时间段采集的底盘速度；设置数据训练集样本个数，将在目标时间段内的标定速度和底盘速度作为数据训练集。
58.具体地，获取训练样本集，例如，每个样本包括自动驾驶车辆1秒内生成的十个左右的数据，一个样本集至少包括5000个样本。若样本数据之间的间隔小，距离误差大；间隔大，误差小，每个数据集可以包括5000个左右各数据。
59.步骤s102，根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络。
60.预设模型选取bp神经网络，bp神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即bp神经网络具有较强的非线性映射能力。bp神经网络包括输入层、隐藏层和输出层。在现有技术中，隐藏层数往往选取单层，但是在自动驾驶领域中选取的数据集数量较多且较为复杂，不能很好的训练。且从数学角度看，传统的bp神经网络为一种局部搜索的优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。再加上bp神经网络对初始网络权重非常敏感，以不同的权重初始化网络，其往往会收敛于不同的局部极小，这也是很多学者每次训练得到不同结果的根本原因。预测能力也称泛化能力或者推广能力，而训练能力也称逼近能力或者学习能力。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随着训练能力的提高，预测能力会得到提高。但这种趋势不是固定的，其有一个极限，当达到此极限时，随着训练能力的提高，预测能力反而会下降，也即出现所谓“过拟合”现象。出现该现象的原因是网络学习了过多的样本细节导致，学习出的模型已不能反映样本内含的规律，所以如何把握好学习的度，解决网络预测能力和训练能力间矛盾问题也是bp神经网络的重要研究内容。因此本技术，对预设神经网络结构进行了改进。
61.在一种实施例中，根据数据训练集训练预设神经网络之前，包括：
62.设置预设神经网络的结构，神经网络的隐藏层至少包括两层神经网络；
63.设置神经网络的隐藏层的神经元个数。
64.具体地，两层隐藏层中，其中一个隐藏的节点个数为5，另一个隐藏层的节点个数为10。
65.在一种实施例中，根据数据训练集训练预设神经网络，以得到消除底盘车速和标定速度之间的误差的速度标定神经网络，包括：获取第一隐藏层的随机误差和第二隐藏层的随机误差；获取第一隐藏层的随机误差和第二隐藏层的随机误差之间的关系，设置第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数；根据预设更迭速率获取误差函数的最小值，根据最小值获取第一隐藏层的权值和第二隐藏层的神经元权值，并获取第一隐藏层和第二隐藏层的神经元个数。
66.在一种实施例中，获取所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之前包括：获取输入层与第一隐藏层之间的第一误差函数；获取第一隐藏层与第二隐藏层之间的第二误差函数；获取输入层与第二隐藏层之间的第三误差函数；根据第一误差函数、第二误差函数、第三误差函数获取预设神经网络的误差函数。
67.在一种实施例中，设置第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数，包括：设置第一隐藏层各神经元的随机权重，根据随机权重和底盘车速获取第一隐藏层的输入值；设置预设神经网络的激发函数，根据所示激发函数和第一隐藏层的输入值获取第一隐藏层的输出值；获取第二隐藏层各神经元的随机权重，根据第二隐藏层的随机权重和第二隐藏层的输出值获取第二隐藏层的输入值；根据所述第二隐藏层的输入值和预设神经网络获取第二隐藏层的输出值；根据所述第二隐藏层的输入值和第二隐藏层的输出值，计算第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数。
68.具体地，本技术提供一种多层隐藏层的bp神经网络，包括：
69.设置输入层、输出层和隐藏层；设置输入层节点个数、输出层节点个数和隐藏层节点个数。在本技术中，设置隐藏层个数为2两层，包括：设置两层隐藏层，隐藏层包括第一隐藏层和第二隐藏层，其中第一隐藏层的节点个数为10，第二隐藏层个数为5。训练网络执行如下算法1至6。
70.1.根据数据集涉及bp神经网络，bp神经网络包括三个前馈网，输入层、隐藏层和输出层；
71.2.设置隐藏层的层数，所述隐藏层的层数最少为两层；
72.3.假设隐藏层每层的神经元个数，构建神经元之间的权重函数；
73.4.获取神经元的神经元函数，根据神经元函数，获取神经网络的激活函数；
74.5.根据激活函数和神经元个数，获取神经元的误差。
75.6.根据梯度下降法训练误差值。
76.其中，确定隐含层节点数的基本原则使包括：在满足精度的前提下，取尽可能紧凑的结构，即取尽可能少的隐含层节点数。在单层神经网络中，设置输入层、隐藏层和输出层，获取隐藏层的神经元个数，对于输入值(i1，i2)输出(o1，o2)，输入随机权重；根据随机权重计算隐藏层的输入值；根据隐藏层的输入值和激发函数，获取隐藏层的输出值；根据隐藏层的输出值和输出层的权重，获取输出层的输入值；根据输出层的输入值和神经网络的目标输出值，计算误差函数；根据误差函数，计算权重的微分函数；设置学习率，根据微分函数和
学习率获取权重值。
77.具体地，设置激发函数为sigmoid函数或线性函数作为传递函数。具体以一个神经元举例，设置激发函数为f，隐藏函数的输入为neth1,输出为out1根据神经元的权值，获取隐藏函数的输入的步骤如下：
78h1＝w*i1+w2*i2+b1；
79.对于神经元的输出值；
80.outh1＝sigma(neth1)；
81.对于第二层神经网络，获取第二隐藏层的神经网络数目，包括：
82h3＝w*outh1+w*outh2；
83.outh3＝sigma(outh1)+b2；
84h01＝w5*outh1+w6*outh2
85y等于第二隐藏层权重乘以第二层outh，outy＝sigma(nety)。
86.损失函数的总误差就是e0＝二分之一(y-outy)的平方；
[0087][0088]
w1为输入层到第一隐藏层的传输效率，w2是第一隐藏层的学习率，w3是第二隐藏层到输出层的学习效率。创建w1和w3之间的关系式，直到输入和输出，获取神经网络。
[0089]
步骤s103，依据速度标定神经网络输出的消除底盘车速和底盘车速对应的标定速度之间的误差数据，根据误差数据完成融合定位模块的标定。
[0090]
在一种具体实施方式中，依据速度标定模型输出的消除底盘车速和底盘车速对应的标定速度之间的误差数据，获得融合定位模块消除底盘速度和速度标定之间的系数。
[0091]
融合定位用于根据标定速度计算车辆的第一位置，根据rtk信号计算车辆的第二位置，并对第一位置和第二位置进行融合。因此，融合定位需要用于消除标定速度的误差系数。
[0092]
本技术的实施例提供的基于神经网络的融合定位模块标定方法，依据训练好的bp神经网络输出的消除测量误差的测量数据，获得融合定位模块的测量数据的误差，实现融合定位模块的标定，保证利用融合定位模块的测量数据进行定位导航精度。
[0093]
与前述应用功能实现方法实施例相对应，本技术还提供了一种基于神经网络的融合定位模块标定装置、电子设备及相应的实施例。
[0094]
图2是本技术实施例示出的基于神经网络的融合定位模块标定装置。
[0095]
参见图2，基于神经网络的融合定位模块标定装置，包括：
[0096]
获取单元201，用于获取预设神经网络的数据训练集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度；
[0097]
训练单元202，用于根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络；
[0098]
标定单元203，用于依据速度标定神经网络输出误差数据，误差数据用于消除底盘车速和底盘车速对应的标定速度之间的误差，根据误差数据完成融合定位模块的标定。
[0099]
在一种实施例中，获取预设神经网络的数据训练集，包括：
[0100]
获取设定频率的卫星定位模块在一个时间段采集的标定速度；
[0101]
获取设定频率的车辆传感器在相同时间段采集的底盘速度；
[0102]
设置数据训练集样本个数，将在目标时间段内的标定速度和底盘速度作为数据训练集。
[0103]
在一种实施例中，根据数据训练集训练预设神经网络之前，包括：
[0104]
设置预设神经网络的结构，神经网络的隐藏层至少包括两层神经网络；
[0105]
设置神经网络的隐藏层的神经元个数。
[0106]
在一种实施例中，两层隐藏层中，其中一个隐藏的节点个数为5，另一个隐藏层的节点个数为10。
[0107]
在一种实施例中，根据数据训练集训练预设神经网络，以得到消除底盘车速和标定速度之间的误差的速度标定神经网络，包括：
[0108]
获取第一隐藏层的随机误差和第二隐藏层的随机误差；
[0109]
获取第一隐藏层的随机误差和第二隐藏层的随机误差之间的关系，设置第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数；
[0110]
根据预设更迭速率获取误差函数的最小值，根据最小值获取第一隐藏层的权值和第二隐藏层的神经元权值，并获取第一隐藏层和第二隐藏层的神经元个数。
[0111]
在一种实施例中，获取所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之前包括：
[0112]
获取输入层与第一隐藏层之间的第一误差函数；
[0113]
获取第一隐藏层与第二隐藏层之间的第二误差函数；
[0114]
获取输入层与第二隐藏层之间的第三误差函数；
[0115]
根据第一误差函数、第二误差函数、第三误差函数获取预设神经网络的误差函数。
[0116]
在一种实施例中，根据第一神经网络和第二神经网络获取误差函数，包括：
[0117]
设置第一隐藏层各神经元的随机权重，根据随机权重和底盘车速获取第一隐藏层的输入值；
[0118]
设置预设神经网络的激发函数，根据所示激发函数和第一隐藏层的输入值获取第一隐藏层的输出值；
[0119]
获取第二隐藏层各神经元的随机权重，根据第二隐藏层的随机权重和第二隐藏层的输出值获取第二隐藏层的输入值；
[0120]
根据所述第二隐藏层的输入值和预设神经网络获取第二隐藏层的输出值；
[0121]
根据所述第二隐藏层的输入值和第二隐藏层的输出值，计算第一隐藏层的随机误差和第二隐藏层的随机误差之间的误差函数。
[0122]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
[0123]
图3是本技术实施例示出的电子设备的结构示意图。
[0124]
参见图3，电子设备300包括存储器310和处理器320。
[0125]
处理器320可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。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。
[0126]
存储器310可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)和永久存储装置。其中，rom可以存储处理器320或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器310可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器310可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro-sd卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
[0127]
存储器310上存储有可执行代码，当可执行代码被处理器320处理时，可以使处理器320执行上文述及的方法中的部分或全部。
[0128]
此外，根据本技术的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本技术的上述方法中部分或全部步骤的计算机程序代码指令。
[0129]
或者，本技术还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本技术的上述方法的各个步骤的部分或全部。
[0130]
以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

技术特征：

1.一种基于神经网络的融合定位模块的标定方法，其特征在于，包括：获取预设神经网络的数据训练集，所述数据训练集包括底盘车速和底盘车速对应的标定速度，所述底盘车速为车辆传感器测量的整车速度；根据所述数据训练集训练所述预设神经网络，以获取根据所述底盘车速输出所述标定速度的速度标定神经网络；依据速度标定神经网络输出误差数据，所述误差数据用于消除所述底盘车速和所述底盘车速对应的标定速度之间的误差，根据所述误差数据完成融合定位模块的系数标定。2.根据权利要求1所述的方法，其特征在于，所述获取预设神经网络的数据训练集，包括：获取设定频率的卫星定位模块在一个时间段采集的标定速度；所述车辆传感器在相同时间段采集的底盘速度；设置数据训练集样本个数，将在目标时间段内的标定速度和底盘速度作为数据训练集。3.根据权利要求1所述的方法，其特征在于，所述根据所述数据训练集训练所述预设神经网络之前，包括：设置预设神经网络的结构，所述神经网络的隐藏层至少包括两层神经网络；设置神经网络的隐藏层的神经元个数。4.根据权利要求3所述的方法，其特征在于，两层所述隐藏层中，其中一个所述隐藏的节点个数为5，另一个所述隐藏层的节点个数为10。5.根据权利要求3所述的方法，其特征在于，所述根据所述数据训练集训练所述预设神经网络，以得到消除所述底盘车速和所述标定速度之间的误差的速度标定神经网络，包括：获取第一隐藏层的随机误差和第二隐藏层的随机误差；获取第一隐藏层的随机误差和所述第二隐藏层的随机误差之间的关系，设置所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之间的误差函数；根据预设更迭速率获取误差函数的最小值，根据最小值获取所述第一隐藏层的权值和第二隐藏层的神经元权值，并获取第一隐藏层和所述第二隐藏层的神经元个数。6.根据权利要求5所述的方法，其特征在于，所述获取所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之前，包括：获取输入层与所述第一隐藏层之间的第一误差函数；获取所述第一隐藏层与所述第二隐藏层之间的第二误差函数；获取所述输入层与所述第二隐藏层之间的第三误差函数；根据所述第一误差函数、第二误差函数、所述第三误差函数获取预设神经网络的误差函数。7.根据权利要求5所述的方法，其特征在于，所述设置所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之间的误差函数，包括：设置第一隐藏层各神经元的随机权重，根据所述随机权重和底盘车速获取所述第一隐藏层的输入值；设置所述预设神经网络的激发函数，根据所示激发函数和所述第一隐藏层的输入值获取所述第一隐藏层的输出值；
获取所述第二隐藏层各神经元的随机权重，根据所述第二隐藏层的随机权重和所述第二隐藏层的输出值获取所述第二隐藏层的输入值；根据所述第二隐藏层的输入值和所述预设神经网络获取第二隐藏层的输出值；根据所述第二隐藏层的输入值和所述第二隐藏层的输出值，计算所述第一隐藏层的随机误差和所述第二隐藏层的随机误差之间的误差函数。8.一种基于神经网络的融合定位模块的标定装置，其特征在于，包括：获取单元，用于获取预设神经网络的数据训练集，所述数据训练集包括底盘车速和底盘车速对应的标定速度，所述底盘车速为所述车辆传感器测量的整车速度；训练单元，用于根据所述数据训练集训练所述预设神经网络，以获取根据所述底盘车速输出所述标定速度的速度标定神经网络；标定单元，用于依据速度标定神经网络输出误差数据，所述误差数据用于消除所述底盘车速和所述底盘车速对应的标定速度之间的误差数据，根据所述误差数据完成融合定位模块的标定。9.一种电子设备，其特征在于，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。

技术总结

本申请涉及一种基于神经网络的融合定位模块标定方法及标定装置。该方法包括：获取预设神经网络的数据训练集，数据训练集包括底盘车速和底盘车速对应的标定速度，底盘车速为车辆传感器测量的整车速度；根据数据训练集训练预设神经网络，以获取根据底盘车速输出标定速度的速度标定神经网络；依据速度标定神经网络输出误差数据，误差数据用于消除底盘车速和底盘车速对应的标定速度之间的误差，根据误差数据完成融合定位模块的标定。本申请提供的方案，能够基于训练好的神经网络消除融合定位模块的测量误差，实现融合定位模块的标定。实现融合定位模块的标定。实现融合定位模块的标定。