一种定位偏移校正方法、装置以及设备与流程

1.本发明涉及卫星导航定位领域，特别是涉及一种定位偏移校正方法、装置以及设备。


背景技术：

2.北斗卫星导航系统(beidou navigation satellite system，bds)或全球定位系统(global positioning system，gps)是现在常用的导航定位系统，可在全球范围内提供经度、纬度、海拨高度等位置信息，北斗导航系统和gps定位系统在自动驾驶、车辆监管、精准农业等领域表现出了良好的属性。由于定位功能的重要性和应用的广泛性，人们对北斗导航系统和gps定位系统的精确定位有了更高的标准和要求。
3.因为大气层电离层延迟效应，卫星时钟误差，卫星轨道误差以及城市建筑群引起的多径效应会造成导航定位系统的定位不够准确，会导致一些用户导航的轨迹点偏离实际位置的距离比较远，对于这些偏移的点，需要校正其位置，才能使得导航轨迹更接近于用户的轨迹。
4.现有技术对于定位偏差的校正方法多种多样，但大多依赖于设置额外的传感器，来获取更多的外界信息，通过多传感器组合定位，将多传感器获取的信息通过概率统计等方法计算偏差值以校正导航偏差，但上述方法依赖于传感器的数据获取，当传感器灵敏度下降时，定位校正效果就会变差，因此，发明人在发明创造过程中，发现有必要提出一种定位校正方法，以解决自动导航过程中导航定位系统的定位偏移问题。


技术实现要素：

5.本技术提供一种定位偏移校正方法、装置以及设备。通过图像识别方法自动校正北斗导航系统和gps定位系统等导航定位系统的定位偏移，使得自动导航时轨迹更准确。
6.本发明实施例提供以下技术方案：
7.第一方面，本发明实施例提供一种定位偏移校正方法，应用于设备，设备通过导航定位系统行驶，方法包括：
8.获取目标图像，并通过识别模型识别目标图像的目标图案；
9.识别到目标图案时，记录设备的第一状态和第一定位位置；
10.在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置；
11.将设备从第二状态调整到第一状态，记录第三定位位置；
12.根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线。
13.在一些实施例中，通过识别模型识别目标图像的目标图案，包括：
14.对目标图像进行预处理；
15.将预处理后的目标图像输入识别模型；
16.识别模型通过卷积和池化的方式对预处理后的目标图像进行特征提取，得到第一
数据；
17.将第一数据输入全连接层，确定目标图像是否包含目标图案。
18.在一些实施例中，根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线，包括：
19.根据第二定位位置和第三定位位置的差值确定导航定位系统的定位偏移量，根据定位偏移量确定偏移向量，将导航定位系统的导航路线移动与偏移向量相等的大小和方向，以校正导航定位系统的导航路线。
20.在一些实施例中，在获取目标图像，并通过识别模型识别目标图像的目标图案之前，方法还包括：
21.获取若干目标图案的样本；
22.为每个样本打上对应的标签，并在每个样本中标记目标图案的像素位置；
23.根据深度学习算法，使用目标图案的样本以及每个样本对应的标签对识别模型进行训练，获得训练后的识别模型。
24.在一些实施例中，第一状态包括设备距目标图案的第一距离和第一方位以及设备的第一姿态，第一定位位置包括设备在导航定位系统下的第一坐标。
25.在一些实施例中，在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置，包括：
26.在设备通过导航定位系统回到第一定位位置时，再次通过识别模型识别目标图案；
27.识别到目标图案时，记录第二状态和第二定位位置，第二状态包括设备距目标图案的第二距离和第二方位以及设备的第二姿态，第二定位位置包括设备在导航定位系统下的第二坐标。
28.在一些实施例中，将设备从第二状态调整到第一状态，记录第三定位位置，包括：
29.将设备从第二状态调整到第一状态，以使设备的第二距离、第二方位和第二姿态与第一距离、第一方位和第一姿态相同；
30.记录设备在导航定位系统下的第三定位位置，第三定位位置包括设备在导航定位系统下的第三坐标。
31.第二方面，本发明实施例提供一种定位偏移校正装置，应用于设备，设备通过导航定位系统行驶，定位偏移校正装置包括：
32.深度学习单元，用于获取目标图像，并通过识别模型识别目标图像的目标图案；
33.第一记录单元，用于识别到目标图案时，记录设备的第一状态和第一定位位置；
34.第二记录单元，用于在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置；
35.第三记录单元，用于将设备从第二状态调整到第一状态，记录第三定位位置；
36.校正单元，用于根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线。
37.第三方面，本发明实施例提供一种设备，包括：
38.至少一个处理器；以及，
39.与至少一个处理器通信连接的存储器；其中，
40.存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面的定位偏移校正方法。
41.第四方面，本发明实施例提供一种非易失性计算机可读存储介质，非易失性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使设备执行如第一方面的定位偏移校正方法。
42.本发明实施例的有益效果是：区别于现有技术的情况下，本发明实施例提供一种定位偏移校正方法，应用于设备，设备通过导航定位系统行驶，方法包括：获取目标图像，并通过识别模型识别目标图像的目标图案；识别到目标图案时，记录设备的第一状态和第一定位位置；在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置；将设备从第二状态调整到第一状态，记录第三定位位置；根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线。设备通过识别目标图案，并根据目标图案调整自身状态，当设备状态与初始状态相等时，若导航定位系统的定位位置不同，则自动校正北斗导航系统和gps定位系统等导航定位系统的定位偏移，使得自动导航时轨迹更准确。
附图说明
43.一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
44.图1是本发明实施例提供的一种定位偏移校正方法的应用场景示意图；
45.图2是本发明实施例提供的一种定位偏移校正方法的流程示意图；
46.图3是本发明实施例提供的一种定位偏移校正方法的图像识别过程的流程示意图；
47.图4是本发明实施例提供的一种定位偏移校正方法的识别模型的训练过程示意图；
48.图5是本发明实施例提供的一种定位偏移校正方法的识别模型的又一训练过程示意图；
49.图6是本发明实施例提供的一种定位偏移校正方法的识别模型的识别过程示意图；
50.图7是本发明实施例提供的一种定位偏移校正方法的姿态调整的过程示意图；
51.图8是本发明实施例提供的一种定位偏移校正方法的轨迹校正的过程示意图；
52.图9是本发明实施例提供的一种定位偏移校正装置的结构示意图；
53.图10是本发明实施例提供的一种设备的结构示意图。
具体实施方式
54.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、完整地描述，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。
55.请参阅图1，图1是本发明实施例提供的一种定位偏移校正方法的应用场景示意图；
56.如图1所示，该应用场景包括设备10、目标图案20和卫星30。
57.导航定位系统通过卫星30为设备10提供导航和定位服务，设备10通过导航定位系统行驶并可以识别目标图案20。
58.其中，设备10可以是任意的可以通过导航定位系统规划的行驶路线行驶的设备，例如无人船，自动驾驶汽车、无人机等；目标图案20可以是任意的图案，例如某种形状、某种动物图片、某种标识等，目标图案20可以被固定于某处位置供设备10识别；卫星30为导航定位系统的卫星，导航定位系统包括北斗导航系统和gps定位系统等，导航定位系统通过卫星30获取设备10的定位信息，例如设备10的经纬度等，并为设备10提供导航服务。
59.请参阅图2，图2是本发明实施例提供的一种定位偏移校正方法的流程示意图；
60.如图2所示，该定位偏移校正方法，应用于设备，设备通过导航定位系统行驶，方法包括：
61.步骤s110：获取目标图像，并通过识别模型识别目标图像的目标图案；
62.具体地，请再参阅图3，图3是本发明实施例提供的一种定位偏移校正方法的图像识别过程的流程示意图；
63.如图3所示，该图像识别过程，包括：
64.步骤s111：获取目标图像并对目标图像进行预处理；
65.具体地，设备可以通过摄像头获取目标图像，获取目标图像后对目标图像进行预处理，预处理的方法包括二值化和灰度化，灰度化包括分量法、最大值法、平均值法和加权平均法等，例如，分量法把将目标图像中的rgb三分量的亮度作为三个灰度图像的灰度值，最后根据应用需要选取三种中的一种灰度图像，二值化包括全局二值化、局部二值化和局部自适应二值化，例如，全局二值化通过设定一个全局的阈值t，用t将图像的数据分成两部分：大于或等于t的像素群和小于t的像素群，将大于或等于t的像素群的像素值设定为白色即255(或者黑色)，小于t的像素群的像素值设定为黑色即0(或者白色)，t的范围在[0,255]之间。
[0066]
步骤s112：将预处理后的目标图像输入识别模型；
[0067]
具体地，识别模型为深度学习模型，将预处理后的目标图像输入识别模型后，该识别模型可以判断出该目标图像是否包含目标图案。因此在步骤s112前，还需要训练该识别模型。
[0068]
请再参阅图4，图4是本发明实施例提供的一种定位偏移校正方法的识别模型的训练过程示意图；
[0069]
如图4所示，该识别模型的训练过程，包括：
[0070]
步骤s1121：获取若干目标图案的样本；
[0071]
具体地，先选定目标图案，再将包含目标图案的图像放置于不同地点，并且用相机等工具对目标图案进行多方位多角度的拍摄，以获取若干目标图案的样本，为保证识别模型的训练效果，还可以把目标图案放置在不同背景、不同场景、不同位置进行拍摄，通过大量不同的样本，提高识别模型的泛化能力，以使识别模型在雨天、雾天等会使拍摄的图像较模糊的情况下依然能够通过识别模型识别出目标图案。
[0072]
步骤s1122：为每个样本打上对应的标签，并在每个样本中标记目标图案的像素位置；
[0073]
具体地，获取目标图案的样本后，使用图像标注软件工具(例如labelstudio、cvat等)在目标图案的样本中用矩形将目标图案框出，例如，用(x0，y0)，(x1，y1)，(x2，y2)，(x3，y3)四个点将目标图案在样本中的位置标出，这四个像素点组成的矩阵就是目标图案在样本中的像素位置，然后标记该样本的类型(例如标记为猫、汽车、轮船等)，并生成xml文件，该xml文件里面记录着矩阵的四个顶点的坐标位置。
[0074]
步骤s1123：将样本分为测试集、训练集和验证集；
[0075]
具体地，按一定比例将样本分为测试集、训练集和验证集，例如50％为测试集，25％为训练集，剩余25％验证集。
[0076]
步骤s1124：根据深度学习算法，使用目标图案的训练集样本以及每个样本对应的标签对识别模型进行训练，获得训练后的识别模型。
[0077]
具体地，深度学习算法包括卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural network)、递归神经网络(recursive neural network)等，在本发明实施例中优选为卷积神经网络。
[0078]
若深度学习算法为卷积神经网络，则使用测试集样本及每个样本对应的标签对该卷积神经网络进行训练，通过每个样本的输出结果对卷积神经网络的权重矩阵进行优化，获得训练后的识别模型。
[0079]
在本发明实施例中，为了保证识别模型的识别准确率足够高，可以设置一个预设阈值(例如95％)，若样本的识别准确率到达预设阈值时，则表示训练后的识别模型识别能力符合预期，将训练后的识别模型作为已训练好的识别模型对目标图像进行识别。反之，则再次训练识别模型，直到识别模型的识别准确率达到预设阈值。
[0080]
进一步地，卷积神经网络可以包括多个卷积层，多个池化层，以及至少一个全连接层；卷积层通过滤波器(卷积核)和样本进行卷积，提取样本的特征，池化层对卷积层提取的特征进行压缩，精简数据量，最后将数据输入全连接层中进行分类，得到分类结果。其中，初始时权重矩阵的各个权重参数可以随机生成，在训练过程中通过反向传播的方式可以对权重矩阵进行优化。
[0081]
步骤s1125：使用测试集样本对识别模型进行测试，调整识别模型的超参数；
[0082]
具体地，在卷积神经网络中，超参数包括：卷积核的大小、池化核的大小、卷积神经网络各个层的层数、损失函数等等，若测试集样本进行测试的识别准确率不够理想，则调整卷积神经网络的超参数，直到识别模型的识别准确率达到预设阈值为止。
[0083]
步骤s1126：使用验证集样本对识别模型进行评估效果验证；
[0084]
使用经过训练集和测试集优化过的识别模型识别该验证集样本，计算识别准确率，若该识别模型的识别准确率达到预设阈值(例如95％)，则证明其识别效果达到要求，泛化能力达标，可以用于设备来识别目标图像中的目标图案。
[0085]
图5是本发明实施例提供的一种定位偏移校正方法的识别模型的又一训练过程示意图；
[0086]
如图5所示，该训练过程包括：
[0087]
获取数据集，数据集即若干目标图案的样本，具体步骤同步骤s1121在此不再赘
述；
[0088]
进行特征工程，特征工程即为每个样本打上对应的标签，并在每个样本中标记目标图案的像素位置，具体步骤同步骤s1122在此不再赘述；
[0089]
将样本分为测试集、训练集和验证集，具体步骤同步骤s1123在此不再赘述；
[0090]
根据深度学习算法，使用目标图案的训练集样本以及每个样本对应的标签对识别模型进行训练，获得训练后的识别模型；
[0091]
具体地，深度学习算法包括卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural network)、递归神经网络(recursive neural network)等，在本发明实施例中优选为卷积神经网络。
[0092]
若深度学习算法为卷积神经网络，则使用测试集样本及每个样本对应的标签对该卷积神经网络进行训练，通过每个样本的输出结果对卷积神经网络的权重矩阵进行优化，以此不断迭代训练，当迭代完成后用测试集对识别模型进行模型预测，得到预测结果，若模型预测的预测结果符合要求即识别模型的识别能力符合预期，可以使用验证集进行验证。
[0093]
进一步地，可以设置一个预设阈值(例如95％)，若模型预测的识别准确率到达预设阈值时，则表示训练后的识别模型识别能力符合预期，可以使用验证集进行验证。反之，则再次训练识别模型，直到识别模型的识别准确率达到预设阈值，其中，使用测试集样本对识别模型进行测试时，可以调整识别模型的超参数，具体地，在卷积神经网络中，超参数包括：卷积核的大小、池化核的大小、卷积神经网络各个层的层数、损失函数等等，若测试集样本进行测试的识别准确率不够理想，则可以调整卷积神经网络的超参数，直到识别模型的识别准确率达到预设阈值为止。
[0094]
最后，使用验证集样本对识别模型进行模型评估，使用经过训练集和测试集优化过的识别模型识别该验证集样本，计算识别准确率，若该识别模型的识别准确率达到预设阈值(例如95％)，则证明其识别效果达到要求，泛化能力达标，可以用于设备来识别目标图像中的目标图案。
[0095]
其中，卷积神经网络的迭代指的是更新权重矩阵，初始时权重矩阵的各个权重参数可以随机生成，在训练过程中通过反向传播的方式可以对权重矩阵进行优化。
[0096]
在本发明实施例中，若所有训练集都训练过一次称epoch(一代训练)；使用训练集中的一小部分对模型权重进行一次反向传播以更新参数所需的数据称batch(一批数据)；完成一次epoch需要的batch个数称iteration(一次训练)。
[0097]
若要训练50000张图片，则每个epoch要训练的图片数量是50000；
[0098]
设置的batch的大小为256，则
[0099]
训练集具有的batch：50000/256＝195+1＝196；
[0100]
每个epoch要完成batch个数是196；
[0101]
每个epoch具有iteration个数是196；
[0102]
每个epoch中发送模型权重更新次数为196；
[0103]
训练10代后，模型权重更新次数为196*10；
[0104]
不同代的识别模型用的是同一个训练集，例如第1代和第10代都是用的同样的50000张图，但是模型的权重矩阵完全不一样。
[0105]
步骤s113：识别模型通过卷积和池化的方式对预处理后的目标图像进行特征提
取，得到第一数据；
[0106]
因该步骤是将采集到的目标图像送入训练后的识别模型，由识别模型自动识别的过程，与常规卷积神经网络并无较大差异，因此只进行简单介绍。
[0107]
具体地，通过不同的卷积核和目标图像进行卷积，提取目标图像的不同特征，再通过池化的方法对卷积层提取的特征进行压缩，池化方法的包括平均池化、最大池化、重叠池化等，可以选用不同的池化核和不同的池化方法进行池化，最后得到第一数据，第一数据包括该目标图像的n个特征，若每个特征以i*j的矩阵表示，则第一数据的大小为i*j*n。
[0108]
步骤s114：将第一数据输入全连接层，确定目标图像是否包含目标图案；
[0109]
因该步骤是将采集到的目标图像送入训练后的识别模型，由识别模型自动识别的过程，与常规卷积神经网络并无较大差异，因此只进行简单介绍。
[0110]
具体地，将第一数据输入全连接层，在全连接层中根据该识别模型的权重矩阵计算出该目标图像属于各个种类的得分，再根据归一化方法计算出该目标图像属于各个种类的概率，若属于目标图案的概率最大，则确定目标图像包含目标图案，得到分类结果。
[0111]
进一步地，可以通过yolo-fastest等开源的深度学习软件，获取若干目标图案的样本，为每个样本打上对应的标签，并在每个样本中标记目标图案的像素位置，最后将处理后的目标图案的样本输入yolo-fastest等软件中，软件可以自动训练并得到训练后的卷积神经网络模型。
[0112]
图6是本发明实施例提供的一种定位偏移校正方法的识别模型的识别过程示意图；
[0113]
如图6所示，该识别模型包括：输入层(input)、两个卷积层(conv1和conv2)、两个池化层(pool1和pool2)、两个全连接层(fc1和fc2)以及输出层(output)。
[0114]
卷积层通过滤波器(卷积核)和样本进行卷积，提取样本的特征，池化层对卷积层提取的特征进行压缩，精简数据量，最后将数据输入全连接层中进行分类，得到目标图像属于各个种类的得分，输出层将全连接层得到的目标图像属于各个种类的得分，进行归一化处理，得到目标图像属于各个种类的概率值，若目标图像包含目标图案的概率值最大(例如包含目标图像的概率为90％，属于其他种类的概率为10％)，则确定目标图像包含目标图案。
[0115]
步骤s120：识别到目标图案时，记录设备的第一状态和第一定位位置；
[0116]
具体地，设备在通过导航定位系统自动行驶前，会先获取目标图像，当识别到目标图像存在目标图案时，记录设备的第一状态和第一定位位置；其中，第一状态包括设备距目标图像的距离和方位以及设备的姿态(例如设备航向、俯仰角等)，第一定位位置为设备在导航定位系统下的坐标，例如第一定位位置为(116
°
e,40
°
n)。
[0117]
步骤s130：在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置；
[0118]
具体地，设备可以通过导航定位系统规划的导航路线自动行驶，当设备根据导航路线回到第一定位位置时，设备再次获取目标图像，并通过识别模型识别目标图案，识别到目标图案时，记录第二状态和第二定位位置，第二状态包括设备距目标图案的第二距离和第二方位以及设备的第二姿态，第二定位位置包括设备在导航定位系统下的第二坐标，例如第二坐标为(116
°
e,40
°
n)，第一定位位置等于第二定位位置，但是当导航定位系统因外
界因素产生定位偏差时，虽然设备的第一定位位置与第二定位位置相等，但是设备记录第一定位位置与第二定位位置时的地理位置却不相同，例如第一定位位置和第二定位位置都为(116
°
e,40
°
n)，记录第一定位位置时设备距目标图案5cm，目标图案在设备的正北方，记录第二定位位置时设备距目标图案20cm，目标图案在设备的西北方，因为导航定位系统的定位偏差，两次记录时设备在地理位置上不相同(即第一状态和第二状态不同)但第一定位位置和第二定位位置相同，设备的第一状态和第二状态的差异就是导航定位系统的偏差量。
[0119]
进一步地，获取目标图像后设备可以对目标图像进行预处理，预处理的方法包括二值化和灰度化，这两种方法已在前面的步骤中介绍，在此不再赘述。其中，设备还可以将预处理后的目标图像通过yolo-fastest等开源的深度学习软件自动实时检测是否包含目标图像。
[0120]
步骤s140：将设备从第二状态调整到第一状态，记录第三定位位置；
[0121]
具体地，请参阅图7，图7是本发明实施例提供的一种定位偏移校正方法的姿态调整的过程示意图；
[0122]
如图7所示，该状态调整的过程示意图包括设备51和目标图案52，设备51记录的第一姿态为z0，记录的第二姿态为z1。
[0123]
不难看出，设备的第一姿态和第二姿态不相同，因此通过9轴传感器等辅助设备，不断调整设备的第二姿态z1直到与第一姿态z0一致，例如，设备51为无人船，则航向偏离时通过转动设备方向来调整航向，俯仰角偏移时控制重心前/后移动，通过调整使第一姿态为z0＝第二姿态z1。
[0124]
进一步地，在z1＝z0后，还包括调整设备51距目标图案52的位置，设备51的位置包括设备51距目标图案52的距离和方位，若设备51记录第一姿态z0时的第一位置为s0，记录的第二姿态时的第二位置为s1，通过距离感应传感器等辅助设备，不断调整设备的第二位置s1直到与第一位置s0相同为止，其中，若设备51距目标图案52的距离存在偏差，则使设备前进或后退，若设备51距目标图案52的方位不同，则使设备驶向第一状态记录的方位，以保证s1与s0一致。
[0125]
当设备的姿态z1＝z0，位置s0＝s1时，设备的第二状态等于设备的第一状态，此时设备51在地理位置上已经与记录第一状态时相同，但是若导航定位系统存在定位偏差，那么地理位置相同时，在导航定位系统下的坐标反而会不相等，因此若导航定位系统存在定位偏差，设备的第二状态＝第一状态后，记录的第三定位位置并不等于第一定位位置。
[0126]
在本发明的一个实施例中，设备先通过gps导航定位回到粗略的初始位置，再通过目标图案识别来调整到精确初始位置。即设备实际工作过程，先通过北斗/gps回到起始位置s1(在北斗/gps系统中s0和s1的经纬度是一致的，因为偏移的存在，所以s0和s1在实际的地理位置是不一样的)。举例，s0是设备在目标图案正对面5cm。因为偏移，s1可能就是设备在目标图案正对面10cm处。
[0127]
然后进行状态调整，状态调整是让设备回到目标图案正对面5cm处。该过程中设备的姿态和地理位置都会调整。保证调整后的地理位置和姿态与初始状态完全一致。
[0128]
步骤s150：根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线；
[0129]
具体地，根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线，包括：
[0130]
根据第二定位位置和第三定位位置的差值确定导航定位系统的定位偏移量，根据定位偏移量确定偏移向量，将导航定位系统的导航路线移动与偏移向量相等的大小和方向，以校正导航定位系统的导航路线。
[0131]
具体地，请参阅图8，图8是本发明实施例提供的一种定位偏移校正方法的轨迹校正的过程示意图；
[0132]
如图8所示，该轨迹校正的过程，包括设备61和目标图案62，初始轨迹63、偏移轨迹64、校正轨迹65和偏移量66，校正轨迹65和初始轨迹63理论上完全重合(但实际过程中总会产生误差，因此校正轨迹65和初始轨迹63只能做到基本重合，但图8中可把校正轨迹65和初始轨迹63视为重合的轨迹)。其中，设备记录第一状态时的第一位置为s0，设备记录第二状态时的第二位置为s1，设备记录第三状态时的第三位置为s2，图8中设备已经从第二状态调整为了第三状态(设备的第三状态等于设备的第一状态)。
[0133]
设备的状态调整完成之后，根据在第二位置s1处记录的第二定位位置和在第三位置s2处记录的第三定位位置，确定两点间的定位偏移量，例如第二位置s1处记录的第二定位位置为(116
°
27
′
32"e,40
°
n)，第三位置s2处记录的第三定位位置为(115
°
27
′
30"e,40
°
n)，则第二定位位置减去第三定位位置的坐标差为(2"e，0)，根据坐标差确定偏移向量的方向和大小，偏移向量的大小需要进行经纬度和距离单位的换算，最后根据偏移向量将导航定位系统规划的轨迹整体平移，移动与偏移向量相等的大小和方向，以校正导航定位系统的导航路线，也即是根据确定的偏移量66，确定偏移向量，偏移向量的大小为第二定位位置和第三定位位置进行经纬度和距离单位的换算后得到的距离(例如15m)，方向由第二状态的第二位置s1处指向第三状态的第三位置s2处(例如西北方)，将偏移轨迹64移动与偏移向量的大小和方向相等的距离得到校正轨迹65，因为设备61的第一状态等于第二状态，因此校正轨迹65与初始轨迹63重合，因此设备61再次出发时，其行驶轨迹会与前一次相同，通过上述方式校正了导航定位系统的定位偏差，保证设备61按期望的路线行驶。
[0134]
进一步地，设备从s1移动到s2，实际上的地理位置发生了改变，导航定位系统的定位位置也会改变，但这过程比较短暂，导航定位系统的定位位置的案子该变量可忽略，所以通过经纬度来计算该偏移向量是可行的。
[0135]
设备通过识别目标图案，并根据目标图案调整自身状态，当设备的状态与初始状态相等时，若导航定位系统的定位位置不同，则自动校正北斗导航系统和gps定位系统等导航定位系统的定位偏移，使得自动导航时轨迹更准确。
[0136]
请参阅图9，图9是本发明实施例提供的一种定位偏移校正装置的结构示意图；
[0137]
如图9所示，该定位偏移校正装置，包括：
[0138]
深度学习单元71，用于获取目标图像，并通过识别模型识别目标图像的目标图案；
[0139]
第一记录单元72，用于识别到目标图案时，记录设备的第一状态和第一定位位置；
[0140]
第二记录单元73，用于在设备通过导航定位系统回到第一定位位置时，记录第二状态和第二定位位置；
[0141]
第三记录单元74，用于将设备从第二状态调整到第一状态，记录第三定位位置；
[0142]
校正单元75，用于根据第二定位位置和第三定位位置确定导航定位系统的定位偏
移量，根据定位偏移量校正导航定位系统的导航路线。
[0143]
在本发明实施例中，深度学习单元71还包括：
[0144]
对目标图像进行预处理；
[0145]
将预处理后的目标图像输入识别模型；
[0146]
识别模型通过卷积和池化的方式对预处理后的目标图像进行特征提取，得到第一数据；
[0147]
将第一数据输入全连接层，确定目标图像是否包含目标图案。
[0148]
在本发明实施例中，校正单元75还包括：
[0149]
根据第二定位位置和第三定位位置的差值确定导航定位系统的定位偏移量，根据定位偏移量确定偏移向量，将导航定位系统的导航路线移动与偏移向量相等的大小和方向，以校正导航定位系统的导航路线。
[0150]
在本发明实施例中，该定位偏移校正装置还包括训练单元，具体用于：
[0151]
获取若干目标图案的样本；
[0152]
为每个样本打上对应的标签，并在每个样本中标记目标图案的像素位置；
[0153]
根据深度学习算法，使用目标图案的样本以及每个样本对应的标签对识别模型进行训练，获得训练后的识别模型。
[0154]
在本发明实施例中，该定位偏移校正装置还包括识别单元，具体用于：
[0155]
在设备通过导航定位系统回到第一定位位置时，再次通过识别模型识别目标图案；
[0156]
识别到目标图案时，记录第二状态和第二定位位置，第二状态包括设备距目标图案的第二距离和第二方位以及设备的第二姿态，第二定位位置包括设备在导航定位系统下的第二坐标。
[0157]
在本发明实施例中，第三记录单元74还包括：
[0158]
将设备从第二状态调整到第一状态，以使设备的第二距离、第二方位和第二姿态与第一距离、第一方位和第一姿态相同；
[0159]
记录设备在导航定位系统下的第三定位位置，第三定位位置包括设备在导航定位系统下的第三坐标。
[0160]
由于装置实施例和方法实施例是基于同一构思，在内容不互相冲突的前提下，装置实施例的内容可以引用方法实施例的，在此不赘述。
[0161]
设备通过识别目标图案，并根据目标图案调整自身状态，当设备状态与初始状态相等时，若导航定位系统的定位位置不同，则自动校正北斗导航系统和gps定位系统等导航定位系统的定位偏移，使得自动导航时轨迹更准确。
[0162]
请参阅图10，图10是本发明实施例提供的一种设备的结构示意图。
[0163]
如图10所示，该设备80包括：一个或多个处理器81以及存储器82，图10中以一个处理器81为例。
[0164]
处理器81和存储器82可以通过总线或者其他方式连接，图10中以通过总线连接为例。
[0165]
处理器81，获取目标图像，并通过识别模型识别目标图像的目标图案；识别到目标图案时，记录设备的第一状态和第一定位位置；在设备通过导航定位系统回到第一定位位
置时，记录第二状态和第二定位位置；将设备从第二状态调整到第一状态，记录第三定位位置；根据第二定位位置和第三定位位置确定导航定位系统的定位偏移量，根据定位偏移量校正导航定位系统的导航路线。设备通过识别目标图案，并根据目标图案调整自身状态，当设备状态与初始状态相等时，若导航定位系统的定位位置不同，则自动校正北斗导航系统和gps定位系统等导航定位系统的定位偏移，使得自动导航时轨迹更准确。
[0166]
存储器82作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的定位偏移校正方法的程序指令/模块。处理器81通过运行存储在存储器82中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例的定位偏移校正方法。
[0167]
存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至控制器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0168]
一个或者多个模块存储在存储器82中，当被一个或者多个处理器81执行时，执行上述任意方法实施例中的定位偏移校正方法，例如，执行以上描述的图2中的方法步骤s110至步骤s150。
[0169]
需要说明的是，上述产品可执行本技术实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本技术实施例所提供的方法。
[0170]
本技术实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图10中的一个处理器81，可使得上述一个或多个处理器可执行上述任意方法实施例中的定位偏移校正方法，执行以上描述的图2中的方法步骤s110至步骤s150。
[0171]
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；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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范围。通过以上的实施例的描述，本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,rom)或随机存储记忆体(random access memory,ram)等。