[发明专利]基于深度学习的车载单元定位方法以及路侧单元

权利要求书

1.一种基于深度学习的车载单元定位方法，其特征在于，应用于路侧单元，所述路侧单元的通讯范围预先划分为M个预设区域，所述方法用于对N个车辆上的车载单元进行定位；所述N个车载单元分别位于所述M个预设区域中的N个预设区域，包括：

接收所述N个车载单元发送的N个微波信号，并基于所述N个微波信号得到N个数字信号数据；

将所述N个数字信号数据输入预先训练完成的定位神经网络模型，获得所述N个车载单元的N组方位角；

根据所述方位角，确定所述车载单元的定位信息；

其中，所述定位神经网络模型包括与所述M个预设区域一一对应的M个区域子网络；

将所述N个数字信号数据输入所述预先训练完成的定位神经网络模型，分别获得对应所述N个车载单元的N组方位角，包括：

对所述M个区域子网络设定角度分辨率；

对于所述N个数字信号数据中的每一数字信号数据：

分别输入到所述M个区域子网络中，根据所述角度分辨率获得{(方位角1，P₁)，(方位角2，P₂)，…，(方位角M，P_M)}，其中所述P₁、P₂…P_M表示方位角为正确的概率；

将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角。

2.根据权利要求1所述基于深度学习的车载单元定位方法，其特征在于，所述方位角包括第一方位角和第二方位角；

相应的，根据所述方位角，确定所述车载单元的定位信息，包括：

根据所述第一方位角和所述第二方位角，确定所述车载单元的横向坐标和纵向坐标。

3.根据权利要求1所述基于深度学习的车载单元定位方法，其特征在于，所述M个区域子网络中的每一区域子网络包括第一定位子网络和第二定位子网络；

分别输入到所述M个区域子网络中，获得{(方位角1，P₁)，(方位角2，P₂)，…，(方位角M，P_M)}，其中所述P₁、P₂、…P_M表示方位角为正确的概率；将其中所述概率最大的方位角作为该数字信号数据对应车载单元的方位角，包括：

分别输入到所述M个第一定位子网络中，获得{(第一方位角1，P’₁)，(第一方位角2，P’₂)，…，(第一方位角M，P’_M)}，其中所述P’₁、P’₂…P’_M表示第一方位角为正确的概率；将其中概率最大的第一方位角作为该数字信号数据对应车载单元的第一方位角；

分别输入到所述M个第二定位子网络中，获得{(第二方位角1，P”₁)，(第二方位角2，P”₂)，…，(第二方位角M，P”_M)}，其中所述P”₁、P”₂…P”_M表示第二方位角为正确的概率；将其中概率最大的第二方位角作为该数字信号数据对应车载单元的第二方位角。

4.根据权利要求1-3中任一项所述基于深度学习的车载单元定位方法，其特征在于，在将所述数字信号数据输入预先训练完成的定位神经网络模型之前，所述方法还包括：

根据U-net神经网络对所述数字信号数据进行过滤降噪处理。

5.根据权利要求1-3中任一项所述基于深度学习的车载单元定位方法，其特征在于，所述定位神经网络模型根据以下步骤训练得到：

获取数字信号数据以及对应方向角；

将所述数字信号数据以及对应方向角输入到神经网络进行训练拟合，直到所述神经网络的训练次数超过预设阈值，或者符合预设规则收敛；

获得所述定位神经网络模型。