一种非视距场景下的距离校准方法、装置及设备与流程

本发明实施例涉及深度学习和模式识别领域，尤其涉及一种非视距场景下的距离校准方法、装置及设备。

背景技术：

由于室内环境复杂，存在非视距传输和多径传输的影响，基于电磁波传播时间的测距算法不够准确。

目前，已经有一些使用传统机器学习算法进行室内测距矫正的工作。但是，这些传统的机器学习算法效果不好，首先，它们缺乏足够的模型容量和泛化能力，无法提供足够准确的基于环境信息预测真实距离；其次，由于模型自身的限制，无法给出该预测的置信度。在很多对精度要求高、鲁棒性要求高的室内定位应用中，传统的机器学习算法既不能满足其精度要求，而且输出结果也缺乏足够的可靠性。室内复杂的环境，使得采集足够的在各种可能的环境下的数据是几乎不可能的，这就导致传统机器学习模型必须在各种从未见过的场景下给出预测，当这种新场景的统计分布与模型训练数据的统计分布不同时，模型会给出非常不合理的预测结果。

如何克服非视距传输和多径传输的影响，准确的进行测距是目前亟待解决的问题。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供一种非视距场景下的距离校准方法、装置及设备。

第一方面，本发明实施例提供一种非视距场景下的距离校准方法，包括：

获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；

将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；

其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

第二方面，本发明实施例提供一种非视距场景下的距离校准装置，包括：

参数获取模块，用于获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；以及

距离校准模块，用于将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；

其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

第三方面，本发明实施例提供了一种电子设备，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行本发明实施例第一方面所述非视距场景下的距离校准方法及其任一可选实施例所述的方法。

第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令执行本发明实施例第一方面所述非视距场景下的距离校准方法及其任一可选实施例的方法。

本发明实施例提供的一种非视距场景下的距离校准方法、装置及设备，通过超宽带射频测距，获取两个目标点之间的原始距离及超宽带射频的信道冲击响应波形，将原始距离及信道冲击响应波形，输入训练好的深度学习模型，即可获得两个目标点之间的距离校准结果和置信度；深度学习模型为变分自编码机和概率神经网络组成的深度学习框架，通过引入置信度，对难以正确校准的距离给出较低的置信度，降低了不可靠预测结果导致系统严重误差的概率。

附图说明

为了更清楚地说明本发明实施例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为本发明实施例一种非视距场景下的距离校准方法流程示意图；

图2为本发明实施例非视距场景示意图；

图3为本发明实施例深度学习模型的结构示意图；

图4为本发明实施例一种非视距场景下的距离校准装置示意图；

图5为本发明实施例一种电子设备的框架示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，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做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。

图1为本发明实施例一种非视距场景下的距离校准方法流程示意图，如图1所示的非视距场景下的距离校准方法，包括：

100，获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；

具体的，第一目标点与第二目标点为非视距场景下的两个位置点，例如，可以是一个房间的两个位置点，也可以是不同房间的两个位置点。所述非视距场景，是指两个位置点之间存在障碍物。

图2为本发明实施例非视距场景示意图，请参考图2，其中节点1和节点2分别相当于第一目标点与第二目标点，二者之间有障碍物挡住直达径，因而通过超宽带射频测距时，电磁波无法直达，而是通过地面多径反射到达目标点，请参考图2中的虚线；当地面反射路径不同时，实际传输距离不同，耗费的传输时间也不相同，因而通过超宽带射频测距的原始距离是不准确的，需要通过一定的方法进行校准。

具体的，所述超宽带射频测距的第一原始距离，通过所述第一目标点与第二目标点之间的超宽带射频信号的传输时间计算得到，所述超宽带射频信号带有时间戳；所述第一信道冲击响应波形，为所述超宽带射频信号的信道冲击响应波形。具体的，所述电磁波信号为位于所述第一目标点的超宽带视频设备发射和/或位于所述第一目标点的超宽带视频设备发射。

请参考图2，假设节点处为第一超宽带视频设备，节点2处为第二超宽带视频设备，第一超宽带视频设备和第二超宽带视频设备通过互相发送带有时间戳的信号来测量电磁波在两个设备之间的传输时间来计算距离，并记录信道冲击响应。具体的，本发明实施例的超宽带视频设备选用dw1000芯片并基于单片机设计得到。

以图2为例，原始距离可通过下列方法得到：

第一超宽带视频设备以20hz以上的速率向第二超宽带视频设备发送电磁波；第二超宽带视频设备收到电磁波后，经过计算进行响应，向第一超宽带视频设备发送电磁波；第一超宽带视频设备收到电磁波后，通过发送和接收电磁波的传输数据和电磁波速度计算得到原始距离，并同时可获得信道冲击响应波形。

101，将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；

其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

步骤101，通过训练好的深度学习模型，根据两个位置点(第一目标点与第二目标点)之间的宽带射频测距的原始距离及信道冲击响应波形，直接获取两个位置点距离校准结果，即校准后的距离，并给出所述距离校准结果的置信度。

具体的，本发明实施例的深度学习模型，是显卡gpu加速的pytorch深度学习架构，图3为本发明实施例深度学习模型的结构示意图，主要由变分自编码机302和概率神经网络301组成。不同与传统的手工特征提取算法，本发明实施例直接使用深度学习算法，处理信道冲击响应的原始信号。使用变分自编码机的架构，获得输入信号的概率表征；使用深度卷积神经网络(cnn)作为变分自编码机的编码和重构的模块。基于变分自编码机提取的概率表征，使用自然参数网络(npn)——一种处理概率分布的概率神经网络进行处理，最后可以实时输出校准后距离和该校准后距离的置信度。

在具体实施过程中，可以使用残差神经网络架构作为深度卷积神经网络的结构。其它网络结构如vgg，alexnet,densenet等结构都在此适用。使用残差网络因为，一方面它简单易于设计，另一方面它便于优化。而通过其它网络结构进行修改替换，并不使得技术方案的本质脱离本方案的精神和范围。

本发明实施例提供的一种非视距场景下的距离校准方法，通过超宽带射频测距，获取两个目标点之间的原始距离及超宽带射频的信道冲击响应波形，将原始距离及信道冲击响应波形，输入训练好的深度学习模型，即可获得两个目标点之间的距离校准结果和置信度；深度学习模型为变分自编码机和概率神经网络组成的深度学习框架，通过引入置信度，对难以正确校准的距离给出较低的置信度，降低了不可靠预测结果导致系统严重误差的概率。

对于多个位置点，若分别获取了两个位置之间的距离，则可以对多个位置点进行定位，因而本发明实施例的非视距场景下的距离校准方法，可以实现多目标点之间的精确定位。

上述实施例对原始距离进行校准时，获取两个数据宽带射频测距的原始距离及信道冲击响应波形，进行距离校准的同时，也可以对深度学习模型进行训练，其中只包括原始距离及信道冲击响应波形的数据称为无标注数据。

进一步，在对深度学习模型进行训练时，本发明实施例还可以同时获取有标注数据，所述有标注数据除了包括原始距离及信道冲击响应波形外，还包括两个位置点之间的真实距离。

基于上述实施例，所述训练好的深度学习模型通过以下步骤得到：

步骤1，将第二原始距离、第二信道冲击响应波形及所述第一样本点与第二样本点之间的真实距离，输入至深度学习模型；所述第二原始距离和所述第二信道冲击响应波形通过第一样本点与第二样本点之间的超宽带射频测距得到；

步骤2，利用第二信道冲击响应波形对所述深度学习模型的变分自编码机进行训练，获得所述变分自编码机的训练误差；

步骤3，利用所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征及所述真实距离，对所述深度学习模型的概率神经网络进行训练，获得所述概率神经网络的训练误差；

步骤4，基于所述变分自编码机的训练误差和所述概率神经网络的训练误差，获得所述深度学习模型的最终损失函数；

步骤5，基于所述最终损失函数，利用随机梯度下降算法对所述深度学习模型进行优化，以获得训练好的深度学习模型。

需要说明的是，第二原始距离、第二信道冲击响应波形的获取方法与第一原始距离、第一信道冲击响应波形的获取方法完全相同。此处，第二原始距离、第二信道冲击响应波形表示无标注数据，同时第二原始距离、第二信道冲击响应波形和两个样本点之间的真实距离又可以表示有标记数据。在模型训练时，可以同时获取有标注数据和无标注数据，通过有标注数据和无标注数据同时对模型进行训练；也可以只获取有标注数据，通过有标注数据对模型进行训练。

本发明实施例将深度卷积神经网络运用在变分自编码机(vae)上，在编码部分使用卷积和步长为2的降采样，在解码部分使用反卷积和步长为2的最近距离法升采样。使用指数家族的分布作为变分自编码机提取特征的先验分布，以及自编码机模型本身的先验分布。变分自编码机提取特征的先验分布，在具体实施的时候，会变为优化的目标损失函数的一项kl-divergence损失；而自编码机模型参数的先验分布，在先验为laplace分布的时候，将会对应参数的l1范数，在先验为高斯分布的时候，将会对应参数的l2范数，这些范数将会作为损失函数的权值衰减项被考虑在模型训练中。有标注数据和无标注数据都可以用于该变分自编码机的训练。

在概率神经网络——自然参数网络部分，采用全连接的自然参数网络(npn)处理变分自编码机提取的概率表征。在这里，概率表征通过一系列的线性和非线性变换，变为最终的距离概率分布输出，并通过减小最终概率输出与标签分布之间的kl-divergence进行优化。还有其它的概率神经网络，也可以适用于本发明实施例，比如adf(assumeddensityfiltering)算法对自然参数网络进行替换等，使用这些确定性概率神经网络也都在本发明实施例的精神范围内。

在自然参数网络npn中，假设输入的概率分布属于指数家族分布。npn网络通过线性层和非线性层对输入的概率分布进行变换，并输出最终概率分布来匹配目标概率分布。通过将输入，目标输出，网络的权重，神经元的状态建模为指数家族，就可以规避贝叶斯模型中的采样，运用反向传导算法来学习概率神经网络的权值。采用这样的算法训练网络比采样算法更加高效，因为涉及到采样的算法通常需要非常多轮采样与迭代才可以收敛到解。在npn中，不仅是元素值，关于每个元素的不确定性也被模型考虑在最后的结果中。特别的，用fw(x)表示传统的神经网络,其中w是确定性的参数，x是确定性的输入。与此对应的，用高斯假设的npn网络，它的权值w是从被θ参数化的高斯分布pθ(w)。它的输入x是分布n(xm,xs)。假设npn为先验分布为2个自然参数的指数分布，令am、as、om和os分别为输入分布和输出分布的均值和方差，令wm、ws、bm和bs分别为w和b的均值和方差，其中am、as、om、os、wm、ws、bm和bs上标表示该变量属于的层数，°表示逐个元素的乘积。虽然npn处理的是概率分布，但是在的仅拥有2个自然参数的指数家族的假设下，可以通过推导变换前后指数家族的自然参数之间的关系，来进行线性变换。在npn中的全连接的线性变换层是有闭式解的，可以写为式(1)和式(2)：

om^(l)＝am^(l-1)wm^(l)+bm^(l)(1)

与传统的神经网络一样，npn网络在线性层后面会通过非线性层进行变换。注意到，指数家族的分布，经过非线性变换后就不再是指数家族了。因此，可采用另一个指数家族的分布函数来近似非线性变换后的分布，例如通过匹配分布的一阶矩和二阶矩的方式，实现近似，

如式(3)和式(4)：

am＝∫po(o|om,os)v(o)do(3)

as＝∫po(o|om,os)v(o)²do-am²(4)

其中，o为该层的输入分布；po为符号，表示分布概率似然函数；do输入分布的微分符号，v(o)为非线性函数作用在输入分布o上后的分布结果。符号a为该层的输出分布。下标m表示该分布的均值，下标s表示该分布的方差。

输入的分布通过以上一系列确定性(无需采样)的计算输出一个预测的目标分布。设输入的指数家族的分布是一个高斯，它的均值为om，方差为os。将目标分布的均值和方差分别记为ym和e。通过预测分布与真实目标分布之间的kl-divergencekl(n(om,diag(os))||n(ym,diag(ei)))作为优化的损失函数。概率神经网络的损失函数可以写作式(5)：

其中，k为常数项，∈i为目标分布的方差，在此设为无穷小，为一个名字，用来区分的。

将概率神经网络的损失函数与上述变分子自编码机的训练误差进行组合，得到模型在训练过程中的最终损失函数(6)，最后本发明实施例使用随机梯度下降算法优化最终损失函数，进行参数学习。

其中，x是确定性的输入，z为变分自编码机得到的概率表征，λ为概率神经网络损失函数占总损失函数的权值，是手动给定的，n表示总训练样本的数量，p()表示一个概率分布，q()表示一个概率分布。

本发明实施例基于python和pytorch深度学习架构，设计了一个端到端的机器学习算法软件，通过首先在室内环境中采集各种情景下的有标注或者无标注的室内定位数据，使用梯度下降算法训练的深度学习模型，使得深度学习模型的参数更新到验证集上误差最小。然后，在实际的应用中，只需要将室内定位数据传递给模型，模型即可直接给出距离校准结果和该结果的置信度。

具体训练时，通过步骤1将有标注数据和无标注数据同时输入深度学习模型；通过步骤2对深度学习模型的变分自编码机进行训练，通过步骤3深度学习模型的概率神经网络进行训练，通过步骤4获得深度学习模型的最终损失函数，通过步骤5进行优化，即可得到训练好的深度学习模型。

具体的，通过步骤2对深度学习模型的变分自编码机进行训练，包括：

步骤21，对所述信道冲击响应波形进行均值为0方差为1的归一化处理，将归一化处理后的数据输入至所述深度学习模型的变分自编码机。

步骤22，通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征。

步骤23，将所述概率编码表征进行解码，获得解码数据；通过所述解码数据重构所述第一信道冲击响应波形，获得重构波形；

步骤24，通过所述重构波形与所述第一信道冲击响应波形的均方根误差衡量所述重构波形的准确度，获得所述变分自编码机的训练误差。

通过步骤3深度学习模型的概率神经网络进行训练，包括：

步骤31，将步骤22中变分自编码机输出的所述第二信道冲击响应波形的概率编码表征，输入至所述深度学习模型的概率神经网络中，获取对应的第二均值和第二方差；

步骤32，将所述第二均值与所述第二原始距离相加的结果，作为所述第一样本点与第二样本点之间的样本距离校准结果，将所述第二方差作为所述样本距离校准结果的置信度；

步骤33，基于所述真实距离、所述样本距离校准结果及所述样本距离校准结果的置信度，获得所述概率神经网络的训练误差，所述概率神经网络的训练误差可用损失函数表示，即式(5)表示。

本发明实施例深度学习模型由变分自编码机和概率神经网络组成，通过步骤2获取变分自编码机的训练误差，通过步骤3获取概率神经网络的训练误差后，即可利用这两个训练误差对深度学习模型的参数进行调整。在步骤4中，基于所述变分自编码机的训练误差和所述概率神经网络的训练误差，获得所述深度学习模型的最终损失函数，具体的，最终损失函数可通过式(6)表示。在步骤5中，基于所述最终损失函数，利用随机梯度下降算法对所述深度学习模型进行优化，从而获得训练好的深度学习模型。

基于上述实施例，步骤101，所述将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度，具体包括：

101.1，将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型；

101.2，通过所述深度学习模型的变分自编码机，获取所述第一信道冲击响应波形的概率编码表征；

具体的，步骤101.2，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之前还包括：

对所述信道冲击响应波形进行均值为0方差为1的归一化处理，将归一化处理后的数据输入至所述深度学习模型的变分自编码机。

101.3，将所述概率编码表征输入至所述深度学习模型的概率神经网络中，获取对应的第一均值和第一方差；

101.4，将所述第一均值与所述第一原始距离相加的结果，作为所述第一目标点与第二目标点之间的距离校准结果，将所述第一方差作为所述距离校准结果的置信度，并输出所述距离校准结果和置信度。

本实施例基于训练好的深度学习模型进行距离校准，只需要将定位数据即无标注数据传递给深度学习模型，利用变分自编码机获取第一信道冲击响应波形的概率编码表征，然后将编码后的概率编码表征输入到自然参数网络中，得到自然参数网络的输出。本发明实施例中，自然参数网络的输出层只需要一个节点，即为自然参数网络最后输出该节点的均值与方差。此处，使用超宽带射频测距的原始距离，把原始距离与自然参数网络的输出节点的均值相加作为校准后的距离值，将自然参数网络的输出节点的方差作为距离校准结果的置信度，从而获得了原始距离及信道冲击响应波形所代表的距离校准结果和置信度。此处各步骤的具体处理过程与训练过程相似，请参数前述训练过程的描述。

基于上述实施例，步骤101.2，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之后还包括：

将所述概率编码表征进行解码，获得解码数据；

通过所述解码数据重构所述第一信道冲击响应波形，获得重构波形；

通过所述重构波形与所述第一信道冲击响应波形的均方根误差衡量所述重构波形的准确度，以对所述变分自编码机进行训练。

本实施例，是通过超宽带射频测距的原始距离及信道冲击响应波形，对距离进行校准，获得距离校准结果和置信度。在校准过程中，同样可以进行模型的训练，即对变分自编码机编码后的概率编码表征进行解码，然后进行信道冲击响应波形，衡量重构前后的信道冲击响应波形的准确度，即可对所述变分自编码机进行训练。

本发明实施例的非视距场景下的距离校准方法，通过超宽带射频测距，获取两个目标点之间的原始距离及超宽带射频的信道冲击响应波形，将原始距离及信道冲击响应波形，输入训练好的深度学习模型，深度学习模型的自然参数网络会给出对应的均值与方差，然后将该均值与原始距离进行相加得到校准后的距离即距离校准结果，而自然参数网络的方差则给出了此次校准的置信度，从而获得两个目标点之间的距离校准结果和置信度；本发明实施例通过引入置信度，对难以正确校准的距离给出较低的置信度，降低了不可靠预测结果导致系统严重误差的概率。

图4为本发明实施例一种非视距场景下的距离校准装置示意图，如图4所示的非视距场景下的距离校准装置，包括：

参数获取模块400，用于获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；以及

距离校准模块401，用于将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；

其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

本发明实施例的装置，可用于执行图1所示的非视距场景下的距离校准方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

具体的，所述超宽带射频测距的第一原始距离，通过所述第一目标点与第二目标点之间的超宽带射频信号的传输时间计算得到，所述超宽带射频信号带有时间戳；

所述第一信道冲击响应波形，为所述超宽带射频信号的信道冲击响应波形。

基于上述实施例，所述距离校准模块401，具体用于：

将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型；

通过所述深度学习模型的变分自编码机，获取所述第一信道冲击响应波形的概率编码表征；

将所述概率编码表征输入至所述深度学习模型的概率神经网络中，获取对应的第一均值和第一方差；

将所述第一均值与所述第一原始距离相加的结果，作为所述第一目标点与第二目标点之间的距离校准结果，将所述第一方差作为所述距离校准结果的置信度，并输出所述距离校准结果和置信度。

基于上述实施例，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之前还包括：

对所述信道冲击响应波形进行均值为0方差为1的归一化处理，将归一化处理后的数据输入至所述深度学习模型的变分自编码机。

基于上述实施例，所述通过所述深度学习模型的变分自编码机，获取所述信道冲击响应波形的概率编码表征，之后还包括：

将所述概率编码表征进行解码，获得解码数据；

通过所述解码数据重构所述第一信道冲击响应波形，获得重构波形；

通过所述重构波形与所述第一信道冲击响应波形的均方根误差衡量所述重构波形的准确度，以对所述变分自编码机进行训练。

基于上述实施例，所述训练好的深度学习模型通过以下步骤得到：

将第二原始距离、第二信道冲击响应波形及所述第一样本点与第二样本点之间的真实距离，输入至深度学习模型；所述第二原始距离和所述第二信道冲击响应波形通过第一样本点与第二样本点之间的超宽带射频测距得到；

利用第二信道冲击响应波形对所述深度学习模型的变分自编码机进行训练，获得所述变分自编码机的训练误差；

利用所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征及所述真实距离，对所述深度学习模型的概率神经网络进行训练，获得所述概率神经网络的训练误差；

基于所述变分自编码机的训练误差和所述概率神经网络的训练误差，获得所述深度学习模型的最终损失函数；

基于所述最终损失函数，利用随机梯度下降算法对所述深度学习模型进行优化，以获得训练好的深度学习模型。

基于上述实施例，所述利用所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征及所述真实距离，对所述深度学习模型的概率神经网络进行训练，获得所述概率神经网络的训练误差，具体包括：

将所述变分自编码机输出的所述第二信道冲击响应波形的概率编码表征，输入至所述深度学习模型的概率神经网络中，获取对应的第二均值和第二方差；

将所述第二均值与所述第二原始距离相加的结果，作为所述第一样本点与第二样本点之间的样本距离校准结果，将所述第二方差作为所述样本距离校准结果的置信度；

基于所述真实距离、所述样本距离校准结果及所述样本距离校准结果的置信度，获得所述概率神经网络的训练误差。

图5为本发明实施例一种电子设备的框架示意图。请参考图5，本发明实施例提供一种电子设备，包括：处理器(processor)510、通信接口(communicationsinterface)520、存储器(memory)530和总线540，其中，处理器510，通信接口520，存储器530通过总线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，以执行如下方法，包括：获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

本发明实施例公开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实施例所提供的方法，例如包括：获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取第一目标点与第二目标点之间超宽带射频测距的第一原始距离及第一信道冲击响应波形；将所述第一原始距离及第一信道冲击响应波形，输入训练好的深度学习模型，获得所述第一目标点与第二目标点之间的距离校准结果和置信度；其中，所述训练好的深度学习模型为变分自编码机和概率神经网络组成的深度学习框架。

本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，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u盘、移动硬盘、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。