终端定位方法及装置

摘要

本申请提供一种终端定位方法及装置，方法包括：将INS系统包含的各传感器在相同时间采集的数据输入第一神经网络，由第一神经网络对数据进行特征提取得到特征向量；确定数据对应的参考时间点，利用特征向量和参考时间点更新缓存；在缓存满足记录满的条件下，将缓存中的各特征向量输入第二神经网络，由第二神经网络利用各特征向量计算相对位移；获取相对位移并定位计算得到定位结果。由第一神经网络得到的特征向量可模拟出各传感器之间的相互作用，并且由第二神经网络利用跨时间点的特征向量得到的相对位移计算得到定位结果，从而在GNSS信号不佳时无需对传感器数据进行复杂建模，通过第一神经网络和第二神经网络可准确输出定位结果。

权利要求

1.一种终端定位方法，其特征在于，所述方法应用于终端设备，所述终端设备设有惯性导航系统INS，所述INS包含多个传感器，所述方法包括：将各传感器在相同时间采集的数据输入第一神经网络中，由所述第一神经网络对所述数据进行特征提取得到特征向量；

确定所述数据对应的参考时间点，并利用所述特征向量和所述参考时间点更新预设缓存，所述预设缓存的空间大小是特征向量和参考时间点所占空间大小之和的整数倍；

在所述预设缓存满足已记录满的条件下，将所述预设缓存中记录的各特征向量输入第二神经网络中，由所述第二神经网络利用各特征向量计算所述参考时间点的相对位移；

获取所述相对位移并进行定位计算，得到所述参考时间点的定位结果；

所述第一神经网络对所述数据进行特征提取得到特征向量，包括：

通过所述第一神经网络中的各子网络分别提取各传感器的数据的特征，并输出给本第一神经网络中的融合层；

所述融合层对属于各传感器的特征进行融合得到特征向量。

2.根据权利要求1所述的方法，其特征在于，利用所述特征向量和所述参考时间点更新预设缓存，包括：在所述预设缓存不满足已记录满的情况下，将所述特征向量和所述参考时间点添加到所述预设缓存的空闲空间中；

在所述预设缓存满足已记录满的情况下，从所述预设缓存记录的参考时间点中获取最小参考时间点，并利用所述参考时间点和所述特征向量更新所述最小参考时间点和所述最小参考时间点对应的特征向量。

3.根据权利要求1所述的方法，其特征在于，在将各传感器在相同时间采集的数据输入第一神经网络中之前，所述方法还包括：检测本设备设有的全球导航卫星系统GNSS接收机当前接收的GNSS信号是否异常；

若异常，则执行将各传感器在相同时间采集的数据输入第一神经网络中的步骤。

4.根据权利要求3所述的方法，其特征在于，检测本设备设有的GNSS当前接收的GNSS信号是否异常，包括：确定所述GNSS信号的强度值；若所述强度值低于强度阈值，则确定所述GNSS信号异常；

和/或，

利用所述GNSS信号对应的传播延时定位计算得到定位结果，确定该定位结果与上一个定位结果的差值；若所述差值高于差值阈值，则确定所述GNSS信号异常，所述上一个定位结果是利用上次接收的GNSS信号对应的传播延时定位计算得到的。

5.一种终端定位装置，其特征在于，所述装置应用于终端设备，所述终端设备设有惯性导航系统INS，所述INS包含多个传感器，所述装置包括：特征提取模块，用于将各传感器在相同时间采集的数据输入第一神经网络中，由所述第一神经网络对所述数据进行特征提取得到特征向量；

确定模块，用于确定所述数据对应的参考时间点；

缓存更新模块，用于利用所述特征向量和所述参考时间点更新预设缓存，所述预设缓存的空间大小是特征向量和参考时间点所占空间大小之和的整数倍；

位移确定模块，用于在所述预设缓存满足已记录满的条件下，将所述预设缓存中记录的各特征向量输入第二神经网络中，由所述第二神经网络利用各特征向量计算所述参考时间点的相对位移；

定位模块，用于获取所述相对位移并进行定位计算，得到所述参考时间点的定位结果；

所述特征提取模块，具体用于在第一神经网络对所述数据进行处理得到特征向量过程中，通过所述第一神经网络中的各子网络分别提取各传感器的数据的特征，并输出给本第一神经网络中的融合层；所述融合层对属于各传感器的特征进行融合得到特征向量。

6.根据权利要求5所述的装置，其特征在于，所述缓存更新模块，具体用于在所述预设缓存不满足已记录满的情况下，将所述特征向量和所述参考时间点添加到所述预设缓存的空闲空间中；在所述预设缓存满足已记录满的情况下，从所述预设缓存记录的参考时间点中获取最小参考时间点，并利用所述参考时间点和所述特征向量更新所述最小参考时间点和所述最小参考时间点对应的特征向量。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

异常检测模块，用于在所述特征提取模块将各传感器在相同时间采集的数据输入第一神经网络中之前，检测本设备设有的全球导航卫星系统GNSS接收机当前接收的GNSS信号是否异常；若异常，则执行所述特征提取模块。

8.根据权利要求7所述的装置，其特征在于，所述异常检测模块，具体用于确定所述GNSS信号的强度值；若所述强度值低于强度阈值，则确定所述GNSS信号异常；和/或，利用所述GNSS信号对应的传播延时定位计算得到定位结果，确定该定位结果与上一个定位结果的差值；若所述差值高于差值阈值，则确定所述GNSS信号异常，所述上一个定位结果是利用上次接收的GNSS信号对应的传播延时定位计算得到的。

9.一种终端设备，其特征在于，所述设备包括可读存储介质和处理器；

其中，所述可读存储介质，用于存储机器可执行指令；

所述处理器，用于读取所述可读存储介质上的所述机器可执行指令，并执行所述指令以实现权利要求1-4任一所述方法的步骤。

说明书

终端定位方法及装置

技术领域

[0001] 本申请涉及数据处理技术领域，尤其涉及一种终端定位方法及装置。

背景技术

[0002] 随着导航技术的发展，人们对动态载体运动目标的跟踪精度和可靠性要求越来越高。目前，常用的导航系统有GNSS(Global Navigation Satellite System全球导航卫星系统)和INS(Inertial Navigation System，惯性导航系统)。

[0003] 当载体在室外空旷区域穿行时，通过GNSS接收机接收GNSS信号对应的传播延时确定载体的位置，而当载体在森林、山谷、隧道中穿行时，GNSS信号被干扰或遮挡，通过GNSS系统无法准确确定载体的位置。此时，需要对INS(Inertial Navigation System，惯性导航系统)中各传感器采集的数据进行建模(例如提取每种传感器数据的频域特征，周期性特征，过零率等进行建模)，以确定载体的位置。

[0004] 然而，各传感器数据是有噪声存在的，在低成本的终端(即载体)设备中很难被准确建模，因此会影响定位位置的准确度，进而导致定位位置无法维持准确输出。

发明内容

[0005] 有鉴于此，本申请提供一种终端定位方法及装置，以解决定位位置无法维持准确输出的问题。

[0006] 根据本申请实施例的第一方面，提供一种终端定位方法，所述方法应用于终端设备，所述终端设备设有惯性导航系统INS，所述INS包含多个传感器，所述方法包括：

[0007] 将各传感器在相同时间采集的数据输入第一神经网络中，由所述第一神经网络对所述数据进行特征提取得到特征向量；

[0008] 确定所述数据对应的参考时间点，并利用所述特征向量和所述参考时间点更新预设缓存，所述预设缓存的空间大小是特征向量和参考时间点所占空间大小之和的整数倍；

[0009] 在所述预设缓存满足已记录满的条件下，将所述预设缓存中记录的各特征向量输入第二神经网络中，由所述第二神经网络利用各特征向量计算所述参考时间点的相对位移；

[0010] 获取所述相对位移并进行定位计算，得到所述参考时间点的定位结果。

[0011] 根据本申请实施例的第二方面，提供一种终端定位装置，所述装置应用于终端设备，所述终端设备设有惯性导航系统INS，所述INS包含多个传感器，所述装置包括：

[0012] 特征提取模块，用于将各传感器在相同时间采集的数据输入第一神经网络中，由所述第一神经网络对所述数据进行特征提取得到特征向量；

[0013] 确定模块，用于确定所述数据对应的参考时间点；

[0014] 缓存更新模块，用于利用所述特征向量和所述参考时间点更新预设缓存，所述预设缓存的空间大小是特征向量和参考时间点所占空间大小之和的整数倍；

[0015] 位移确定模块，用于在所述预设缓存满足已记录满的条件下，将所述预设缓存中记录的各特征向量输入第二神经网络中，由所述第二神经网络利用各特征向量计算所述参考时间点的相对位移；

[0016] 定位模块，用于获取所述相对位移并进行定位计算，得到所述参考时间点的定位结果。

[0017] 根据本申请实施例的第三方面，提供一种终端设备，所述设备包括可读存储介质和处理器；

[0018] 其中，所述可读存储介质，用于存储机器可执行指令；

[0019] 所述处理器，用于读取所述可读存储介质上的所述机器可执行指令，并执行所述指令以实现上述第一方面所述方法的步骤。

[0020] 应用本申请实施例，通过将终端设备设有的INS包含的各传感器在相同时间采集的数据输入第一神经网络中，由第一神经网络对该数据进行特征提取得到特征向量，然后确定该数据的参考时间点，并利用该特征向量和该参考时间点更新预设缓存(预设缓存的空间大小是特征向量和采集时间点所占空间大小之和的整数倍)，并在预设缓存满足已记录满的条件下，将预设缓存中记录的各特征向量输入第二神经网络中，由第二神经网络利用各特征向量计算该参考时间点的相对位移，最后获取该相对位移并进行定位计算，得到该参考时间点的定位结果。

[0021] 基于上述描述可知，通过第一神经网络得到各传感器在相同时间采集的数据的特征向量，以模拟出多个传感器之间的相互作用，并在预设缓存满足记录满的条件下，通过将预设缓存记录的最近一段时间点的特征向量输入第二神经网络，由第二神经网络利用跨时间点的各特征向量计算最新参考时间点的相对位移，并基于该相对位移进行定位计算，得到准确的定位结果，从而在GNSS信号质量不佳时，无需对传感器采集的数据进行复杂的建模，通过包含第一神经网络和第二神经网络的框架可准确输出定位结果。

附图说明

[0022] 图1A为本申请根据一示例性实施例示出的一种终端定位方法的实施例流程图；

[0023] 图1B为本申请根据图1A所示实施例示出的一种第一神经网络结构图；

[0024] 图2为本申请根据一示例性实施例示出的一种终端设备的硬件结构图；

[0025] 图3为本申请根据一示例性实施例示出的一种终端定位装置的实施例结构图。

具体实施方式

[0026] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

[0027] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请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。

[0028] 应当理解，尽管在本申请可能采用术语第一、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，在不脱离本申请范围的情况下，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。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

[0029] 目前，在GNSS信号质量不佳时，由于需要对INS中各传感器采集的数据进行建模，而建模过程需要占用很大的空间，在一些低成本的终端设备(如车载导航设备、移动设备等)中由于空间限制很难被准确建模，从而导致终端设备的定位位置无法维持准确输出。

[0030] 为解决上述问题，本申请提出一种终端定位方法，通过将终端设备设有的INS包含的各传感器在相同时间采集的数据输入第一神经网络中，由第一神经网络对该数据进行特征提取得到特征向量，然后确定该数据的参考时间点，并利用该特征向量和该参考时间点更新预设缓存(预设缓存的空间大小是特征向量和采集时间点所占空间大小之和的整数倍)，并在预设缓存满足已记录满的条件下，将预设缓存中记录的各特征向量输入第二神经网络中，由第二神经网络利用各特征向量计算该参考时间点的相对位移，最后获取该相对位移并进行定位计算，得到该参考时间点的定位结果。

[0031] 基于上述描述可知，通过第一神经网络得到各传感器在相同时间采集的数据的特征向量，以模拟出多个传感器之间的相互作用，并在预设缓存满足记录满的条件下，通过将预设缓存记录的最近一段时间点的特征向量输入第二神经网络，由第二神经网络利用跨时间点的各特征向量计算最新参考时间点的相对位移，并基于该相对位移进行定位计算，得到准确的定位结果，从而在GNSS信号质量不佳时，无需对传感器采集的数据进行复杂的建模，通过包含第一神经网络和第二神经网络的框架可准确输出定位结果。

[0032] 图1A为本申请根据一示例性实施例示出的一种终端定位方法的实施例流程图，该终端定位方法可以应用在终端设备上，如图1A所示，该终端定位方法包括如下步骤：

[0033] 步骤101：将本设备设有的INS包含的多个传感器在相同时间采集的数据输入第一神经网络中，由第一神经网络对该数据进行特征提取得到特征向量。

[0034] 在一实施例中，在执行步骤101之前，可以检测本设备设有的GNSS接收机当前接收的GNSS信号是否异常，若异常(比如信号弱、没有信号)，则再执行步骤101，若正常，直接利用当前接收的GNSS信号对应的传播延时定位计算。

[0035] 其中，GNSS可以是GPS(Global Positioning System，全球定位系统)、北斗卫星导航系统等，针对检测本设备设有的GNSS接收机当前接收的GNSS信号是否异常的过程，可通过如下两种方式实现：

[0036] 第一种方式：确定GNSS信号的强度值，若确定的强度值低于强度阈值，则表示当前的GNSS信号质量不佳，确定GNSS信号异常。

[0037] 第二种方式：利用GNSS信号对应的传播延时定位计算得到定位结果，并确定该定位结果与上一个定位结果的差值，若该差值高于差值阈值，则表示当前的GNSS信号质量不佳，确定GNSS信号异常。其中，上一个定位结果是利用上次接收的GNSS信号对应的传播延时定位计算得到的。

[0038] 在一实施例中，如图1B所示，第一神经网络可以包含三个子网络和融合层，针对步骤101的过程，可以将各传感器的数据分别输入第一神经网络中的各子网络，通过各子网络分别提取各传感器的数据的特征，并输出给本第一神经网络中的融合层，所述融合层对属于各传感器的特征进行融合得到特征向量。

[0039] 其中，INS包含的传感器可以包括加速度传感器、陀螺仪传感器、地磁传感器，且各传感器采集的均是三维数据。通过为各传感器设置相同的采集频率，以确保各传感器每次的采样时间点相同。在相同时间采集的数据可以是多个采样时间点的数据，假设各传感器的采集频率均为25Hz，每次可以将各传感器1秒采集的数据(即25组三轴加速度、角速度、地磁传感器的数据)分别输入第一神经网络中的各子网络，当然在相同时间采集的数据也可以只是一个采样时间点的数据。对于输入多个采样时间点的数据的情况，可以通过第一神经网络模拟多个传感器之间的相互作用的同时，模拟出每个传感器的数据区间内局部交互作用。该第一神经网络可以是CNN(Convolutional Neural Network，卷积神经网络)，其中的三个子网络与各传感器一一对应，子网络的数量与传感器的数量一致。

[0040] 在一示例性场景中，假设终端设备是将传感器1秒内采集的数据输入第一神经网络中，各传感器的采集频率均为25Hz，如果加速度传感器在10:04:00至10:04:01之间采集25次，得到第一数据K1，陀螺仪传感器在10:04:00至10:04:01之间采集25次，得到第二数据K2，地磁传感器在10:04:00至10:04:01之间采集25次，得到第三数据K3，终端设备将第一数据K1输入第一神经网络中的子网络1、将第二数据K2输入第一神经网络中的子网络2、将第三数据K3输入第一神经网络中的子网络3。

[0041] 步骤102：确定该数据对应的参考时间点，并利用该特征向量和该参考时间点更新预设缓存。

[0042] 在一实施例中，针对确定该数据对应的参考时间点的过程，如果相同时间采集的数据是多个采样时间点的数据，则从该多个采样时间点中选择一个采样时间点作为参考时间点；如果相同时间采集的数据是一个采样时间点的数据，则将该采样时间点作为参考时间点。

[0043] 其中，从该多个采样时间点中选择一个采样时间点的方式可以选择最大采样时间点，也可以选择最小采样时间点，当然也可以选择中间采样时间点，本申请对此不进行限定，只要确保每次的选择规则一致即可。

[0044] 在一实施例中，针对利用该特征向量和该参考时间点更新预设缓存的过程为：在预设缓存不满足已记录满的情况下，将该特征向量和该参考时间点添加到预设缓存的空闲空间中；在预设缓存满足已记录满的情况下，从预设缓存记录的参考时间点中获取最小参考时间点，并利用该参考时间点和该特征向量更新该最小参考时间点和该最小参考时间点对应的特征向量，以确保预设缓存中一直记录的是最近时间段的特征向量。

[0045] 其中，最小参考时间点指的是预设缓存中最早的参考时间点。由于在计算相对位移时，结合一段时间的数据计算，即结合多个特征向量计算的准确度高，并且各传感器每次采集的数据经过第一神经网络处理之后得到的特征向量所占空间大小相同，因此预设缓存的空间大小是根据需要，结合特征向量的数量设置的，其空间大小是特征向量和参考时间点所占空间大小之和的整数倍。

[0046] 在一示例性场景中，假设需要结合30秒的数据计算，各传感器的采集频率为25Hz，第一神经网络每次是对1秒内采集的数据(25组)进行特征提取得到一个特征向量，那么30秒内得到30个特征向量，预设缓存的空间大小可以设置为30个特征向量所占空间大小和30个时间点所占空间大小之和。

[0047] 步骤103：在预设缓存满足已记录满的条件下，将预设缓存中记录的各特征向量输入第二神经网络中，由第二神经网络利用各特征向量计算该参考时间点的相对位移，获取该相对位移并进行定位计算，得到该参考时间点的定位结果。

[0048] 在一实施例中，可以按照预设缓存记录的参考时间点从小到大的顺序，将各特征向量输入第二神经网络中，通过第二神经网络依据各特征向量的输入顺序计算该参考时间点的相对位移，在获取到该相对位移时进行定位计算，得到该参考时间点的定位结果。

[0049] 其中，第二神经网络是对跨时间的特征向量进行计算，其可以是RNN(Recurrent Neural Network，循环神经网络)，其输出的相对位移是相对上一个定位结果的位移。

[0050] 本领域技术人员可以理解的是，每个定位结果均对应有一个物体运动速度，因此本次定位结果是通过该相对位移和上一个定位结果对应的物体运动速度计算得到的，本次定位结果对应的物体运动速度可以通过相对位移和本次定位结果的参考时间点与上次定位结果的参考时间点之间的时间差得到，详细计算方式可以通过相关技术实现，本申请不再详述，得到的定位结果可以包括经度和纬度。

[0051] 需要说明的是，第二神经网络每次输出的相对位移的数量与输入的特征向量的参考时间点的数量一致，并且输出的相对位移与参考时间点一一对应。也就是说，第二神经网络会利用输入的各特征向量计算各参考时间点的相对位移，针对每个特征向量，第二神经网络是结合比该特征向量的参考时间点小的参考时间点的特征向量计算得到该特征向量的参考时间点对应的相对位移。

[0052] 基于此，在刚检测到GNSS信号异常，启动第一神经网络和第二神经网络后，预设缓存需要一段时间添加满特征向量后输入第二神经网络，为了保证定位结果的连续性，如果将特征向量和参考时间点添加到预设缓存的空闲空间中后预设缓存刚好记录满(预设缓存第一次满足记录满条件)，则将预设缓存中的各特征向量输入第二神经网络计算得到各参考时间点的相对位移后，也可以获取各参考时间点的相对位移并分别进行定位计算，得到各参考时间点的定位结果。后续由于预设缓存一直处于记录满的情况，新的特征向量和新的参考时间点通过覆盖最小参考时间点和最小参考时间点的特征向量进行添加后，将预设缓存中的各特征向量输入第二神经网络计算得到各参考时间点的相对位移后，获取新的参考时间点的相对位移并进行定位计算即可。

[0053] 在一示例性场景中，假设终端设备是将传感器1秒内采集的数据输入第一神经网络中，预设缓存的空间大小为30个特征向量所占空间大小和30个时间点所占空间大小之和。当预设缓存第一次满足记录满条件时，即预设缓存中记录了第1秒～第30秒的30个特征向量(最小参考时间点与最小参考时间点之间的时间差为30秒)，将该30个特征向量输入第二神经网络后，第二神经网络输出第1秒～第30秒对应的相对位移，分别对每个相对位移进行定位计算，得到第1秒～第30秒(30个参考时间点)的定位结果；当用第31秒的特征向量和参考时间点覆盖第1秒的特征向量和参考时间点添加到预设缓存后，将第2秒～第31秒的30个特征向量输入第二神经网络，从第二神经网络输出的相对位移中获取第31秒参考时间点的相对位移并进行定位计算，得到第31秒的定位结果，以此类推。

[0054] 针对上述步骤101和步骤103中的第一神经网络和第二神经网络的训练过程，可以获取预设数量个数据样本，并获取每个数据样本对应的参考定位结果，利用预设数量个数据样本对第一神经网络的模型和第二神经网络的模型进行训练，直到某一数据样本经过第一神经网络和第二神经网络之后，并经过定位计算后得到的定位结果与该某一数据样本对应的参考定位结果之间的损失值低于某一阈值停止训练。

[0055] 其中，每组数据样本的参考定位结果可以是通过GNSS定位得到的结果。

[0056] 本申请实施例中，通过将终端设备设有的INS包含的各传感器在相同时间采集的数据输入第一神经网络中，由第一神经网络对该数据进行特征提取得到特征向量，然后确定该数据的参考时间点，并利用该特征向量和该参考时间点更新预设缓存(预设缓存的空间大小是特征向量和采集时间点所占空间大小之和的整数倍)，并在预设缓存满足已记录满的条件下，将预设缓存中记录的各特征向量输入第二神经网络中，由第二神经网络利用各特征向量计算该参考时间点的相对位移，最后获取该相对位移并进行定位计算，得到该参考时间点的定位结果。

[0057] 基于上述描述可知，通过第一神经网络得到各传感器在相同时间采集的数据的特征向量，以模拟出多个传感器之间的相互作用，并在预设缓存满足记录满的条件下，通过将预设缓存记录的最近一段时间点的特征向量输入第二神经网络，由第二神经网络利用跨时间点的各特征向量计算最新参考时间点的相对位移，并基于该相对位移进行定位计算，得到准确的定位结果，从而在GNSS信号质量不佳时，无需对传感器采集的数据进行复杂的建模，通过包含第一神经网络和第二神经网络的框架可准确输出定位结果。

[0058] 图2为本申请根据一示例性实施例示出的一种终端设备的硬件结构图，该终端设备包括：通信接口201、处理器202、机器可读存储介质203和总线204；其中，通信接口201、处理器202和机器可读存储介质203通过总线204完成相互间的通信。处理器202通过读取并执行机器可读存储介质203中与终端定位方法的控制逻辑对应的机器可执行指令，可执行上文描述的终端定位方法，该方法的具体内容参见上述实施例，此处不再累述。

[0059] 本申请中提到的机器可读存储介质203可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，机器可读存储介质203可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。

[0060] 图3为本申请根据一示例性实施例示出的一种终端定位装置的实施例结构图，所述终端定位装置包括：

[0061] 特征提取模块310，用于将各传感器在相同时间采集的数据输入第一神经网络中，由所述第一神经网络对所述数据进行特征提取得到特征向量；

[0062] 确定模块320，用于确定所述数据对应的参考时间点；

[0063] 缓存更新模块330，用于利用所述特征向量和所述参考时间点更新预设缓存，所述预设缓存的空间大小是特征向量和参考时间点所占空间大小之和的整数倍；

[0064] 位移确定模块340，用于在所述预设缓存满足已记录满的条件下，将所述预设缓存中记录的各特征向量输入第二神经网络中，由所述第二神经网络利用各特征向量计算所述参考时间点的相对位移；

[0065] 定位模块350，用于获取所述相对位移并进行定位计算，得到所述参考时间点的定位结果。

[0066] 在一可选实现方式中，所述缓存更新模块330，具体用于在所述预设缓存不满足已记录满的情况下，将所述特征向量和所述参考时间点添加到所述预设缓存的空闲空间中；在所述预设缓存满足已记录满的情况下，从所述预设缓存记录的参考时间点中获取最小参考时间点，并利用所述参考时间点和所述特征向量更新所述最小参考时间点和所述最小参考时间点对应的特征向量。

[0067] 在一可选实现方式中，所述装置还包括(图3中未示出)：

[0068] 异常检测模块，用于在所述特征提取模块310将各传感器在相同时间采集的数据输入第一神经网络中之前，检测本设备设有的全球导航卫星系统GNSS接收机当前接收的GNSS信号是否异常；若异常，则执行所述特征提取模块310。

[0069] 在一可选实现方式中，所述异常检测模块，具体用于确定所述GNSS信号的强度值；若所述强度值低于强度阈值，则确定所述GNSS信号异常；和/或，利用所述GNSS信号对应的传播延时定位计算得到定位结果，确定该定位结果与上一个定位结果的差值；若所述差值高于差值阈值，则确定所述GNSS信号异常，所述上一个定位结果是利用上次接收的GNSS信号对应的传播延时定位计算得到的。

[0070] 在一可选实现方式中，所述特征提取模块310，具体用于在第一神经网络对所述数据进行处理得到特征向量过程中，通过本第一神经网络中的各子网络分别提取各传感器的数据的特征，并输出给本第一神经网络中的融合层；所述融合层对属于各传感器的特征进行融合得到特征向量。

[0071] 上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

[0072] 对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0073] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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，本申请的真正范围和精神由下面的权利要求指出。

[0074] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0075] 以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。