一种融合定位方法及装置与流程

本申请涉及定位领域，尤其涉及一种基于语义和角点信息的融合定位方法。

背景技术：

随着自动驾驶技术的快速发展，定位功能几乎成为了自动驾驶的必备功能。当前，自动驾驶通常会使用全球定位系统(globalpositioningsystem，gps)对自动驾驶进行定位。然而，在室内以及建筑物相对密集的区域，gps精度很差甚至无法工作，因此，如何为车辆或其余可移动的设备持续提供稳定的、高精度的定位信息就成为需要解决的问题。

技术实现要素：

本申请实施例提供一种融合定位方法及装置，以解决相关技术存在的问题，技术方案如下：

第一方面，本申请实施例提供了一种融合定位方法，包括：

采集周围环境相关的图片，基于该周围环境相关的图片获取重定位位姿信息；

基于该重定位位姿信息对预测位姿信息队列中的至少一个预测位姿信息进行融合，得到融合后的位姿信息；其中，该预测位姿信息队列中包含多个预测位姿信息；

基于该融合后的位姿信息，更新该预测位姿信息队列；

基于更新后的该预测位姿信息队列，得到目标定位位姿信息。

第二方面，本申请实施例提供了一种融合定位装置，包括：

重定位模块，用于采集周围环境相关的图片，基于该周围环境相关的图片获取重定位位姿信息；

融合模块，用于基于该重定位位姿信息对预测位姿信息队列中的至少一个预测位姿信息进行融合，得到融合后的位姿信息；其中，该预测位姿信息队列中包含多个预测位姿信息；

更新模块，用于基于该融合后的位姿信息，更新该预测位姿信息队列；

位姿确定模块，用于基于更新后的该预测位姿信息队列，得到目标定位位姿信息。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，以使至少一个处理器能够执行上述融合定位的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，当计算机指令在计算机上运行时，上述各方面任一种实施方式中的方法被执行。

上述技术方案中的优点或有益效果至少包括：本发明基于周围环境相关的图片，通过不同的定位方法获取重定位位姿信息，可以保证在不同的环境下均能获得重定位位姿信息，保证了高鲁棒性；本发明还利用重定位位姿信息更新预测位姿信息队列，并从更新后的预测位姿信息队列中得到目标定位位姿信息，通过融合基于环境的重定位位姿信息和预测的定位位姿信息，最终得到目标定位位姿信息，能够实现对车辆或是其余可移动机器设备的高精度定位。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本申请进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。

图1为根据本申请一实施例的融合定位方法的示意图；

图2为根据本申请另一实施例的融合定位方法的流程示意图；

图3为根据本申请另一实施例的融合定位方法的示意图；

图4为根据本申请另一实施例的角点提取示意图；

图5为根据本申请另一实施例的融合定位方法的示意图；

图6为根据本申请另一实施例的重定位位姿与预测位姿队列关联示意图；

图7为根据本申请一实施例的融合定位装置的结构框图；

图8为根据本申请另一实施例的融合定位装置中重定位模块的结构框图；

图9是用来实现本申请实施例的融合定位方法的电子设备的框图；

图10为根据本申请另一实施例的融合定位装置的结构框图；

图11为根据本申请另一实施例的融合定位装置中融合模块的结构框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

图1示出根据本申请一实施例的融合定位方法的流程图。如图1所示，该融合定位方法可以包括：

步骤s110：采集周围环境相关的图片，基于该周围环境相关的图片获取重定位位姿信息；

步骤s120：基于该重定位位姿信息对预测位姿信息队列中的至少一个预测位姿信息进行融合，得到融合后的位姿信息；其中，该预测位姿信息队列中包含多个预测位姿信息；

步骤s130：基于该融合后的位姿信息，更新该预测位姿信息队列；

步骤s140：基于更新后的该预测位姿信息队列，得到目标定位位姿信息。

可选地，该融合定位方法可用于车辆，也可用于机器人等需要随时定位的可移动装置或设备。

在一种实施方式中，周围环境相关的图片可以是用于进行角点定位的前视图片，也可以是用于进行语义定位的环视图片。之后，提取图片中的相应信息，基于不同的图片，采取不同的定位方法得到重定位位姿信息，重定位位姿信息中具体可包括重定位位置坐标、重定位方向角和重定位时间，其中，重定位时间为上述周围环境相关的图片对应的采集时间。

取得重定位位姿信息之后，如图2所示，将其与预测位姿信息队列中的至少一个预测位姿信息进行“关联”，得到融合后的位姿信息，该选取的预测位姿信息也可称为“临时对象”；在一个具体的实施例中，预测位姿信息队列中包含着多个不同时刻的利用运动模型计算出的多个预测位姿信息，该运动模型是一个可以利用t1时刻的位姿(包括位置坐标和方向角)、计算参数与运动时间t’，计算出t1+t’时刻位姿(包括位置坐标和方向角)的模型，每一个预测位姿信息中都可包括预测位置坐标、预测方向角和对应的预测定位时间。根据重定位位姿信息中的重定位时间，找到与重定位时间接近的至少一个预测位姿信息，将上述重定位位姿与其融合，得到融合后的位姿信息。然后，基于该融合后的位姿信息，更新预测位姿信息队列，具体可以是基于该融合后的位姿信息的预测定位时间，利用运动模型和融合后的位姿信息重新计算预测位姿信息队列中时间在预测定位时间之后的预测位姿信息，更新该预测位姿信息队列。

基于更新后的该预测位姿信息队列，得到目标定位位姿信息，例如，基于更新后的预测位姿信息队列，找到预测位姿信息中最新新增的一个预测位姿信息，作为目标定位位姿发布。该实施例中可基于不同的定位方法，获得重定位位姿信息，然后与预测位姿信息融合，更新预测位姿信息队列，并基于更新后的预测位姿信息队列确定最终的目标定位位姿，融合后的定位位姿信息准确性更高，保证了该融合定位方法的高精度；不同的定位方法可以匹配不同的运动行驶环境，确保不管在什么环境下都可以得到重定位位姿信息，保证了该融合定位方法的稳定性、高鲁棒性。

图3为本申请实施例的一种融合定位方法中，获取重定位位姿信息的一种实现流程图。如图3所示，在一些实施方式中，上述步骤s110中获取重定位位姿信息的过程包括：

步骤210：在进行初始定位的情况下，采集前视图片；

步骤220：基于该前视图片中的角点，通过与角点地图进行匹配，得到基于角点的位姿信息，将该基于角点的位姿信息作为该重定位位姿信息。

可选地，初始定位可以是行驶或者移动过程中的第一次定位，或是在隔了较长一段时间后的再次定位。

在一种实施方式中，在判断为初始定位的情况下，采集前视图片，并提取前视图片中的角点，可选地，可以使用fast方法进行角点提取，fast的方法主要是关注像素点附近的圆形窗口上的16个像素角点，具体如图4所示，p为中心像素点，而白框标示的点像素则是需要提取的16个像素角点，用brief描述子描述提取的该16个像素角点。然后将提取得到的角点与角点地图匹配，得到备选的多个关键帧，例如基于brief描述子用bow字典搜索角点地图中得分最高的4个匹配关键帧，该步骤也可被称作暴力匹配；得到备选的多个关键帧后，从中选取最优关键帧，然后基于最优关键帧中的匹配角点确定是否匹配成功，例如选取得分最高且得分高于阀值的角点地图帧，并将地图中角点与当前的角点使用汉明距离进行匹配，当匹配的最小汉明距离小于阀值则认为匹配成功。最后，基于匹配成功的角点地图，得到重定位位姿信息，具体地，因为角点地图中包括的角点是有3d位置的，可以得到从前视图片中提取的2d角点和角点地图中3d角点的匹配，之后通过pnp方法求解，最终得到当前前视图片在角点地图坐标系下的重定位位姿信息。

可选地，由于在上述匹配过程中存在误差，pnp解算出的重定位位姿信息也可能存在较大误差，因此可基于上述2d角点建立基础矩阵，并和pnp解算的角度向量进行对比，若角度误差大于阀值，则认为pnp解算的位姿有误，定位失败；如果角度误差小于阈值，则返回重定位位姿信息。如图2所示，上述基于前视图片最终得到基于角点的定位的过程也可被概括称为“图像处理”。上述的基于角点的定位方法有着精度高、定位准确的优势，因此在初始定位时选择基于角点的定位方法。

如图3所示，在一些实施方式中，上述步骤s110中获取重定位位姿信息的过程还包括：

步骤230：在进行非初始定位的情况下，采集环视图片；

步骤240：提取该环视图片中的语义特征，通过与语义地图进行匹配，得到基于语义的位姿信息，将该基于语义的位姿信息作为该重定位位姿信息。

在一种具体的实施方式中，在已进行过初始定位的情况下，进行非初始定位，采集360°环视图片，之后从360°环视图片中提取语义特征，语义特征可以包括车道线、路沿、车位点中至少一种；如提取出的语义特征是车位点，则在当前的直角坐标系下对车位点的位置进行描述；如果提取出的语义特征是车道线或是路沿，则用极坐标下的距离和角度进行描述。比如，直线用xcosθ+ysinθ-r＝0表示，其中θ为垂直向量的角度，r为直线到原点的距离，极坐标下的表示方式为ρcos(θ-α)＝r，其中点的坐标为(ρ,θ)。将车位点转换后和车道线(或路沿)可以用同一个滤波方程，其中增益计算公式如下：

k＝p’n+1h(hp’n+1h^t+r)^-1

其中，p’n+1是车辆状态量n+1时刻的协方差，r是观测协方差，h是对应的观测雅克比矩阵，具体地，车位点和车道线(或路沿)的观测雅克比矩阵分别如下：

上述车位点观测雅各比矩阵中，指地图坐标系(世界坐标系)下n时刻的x坐标，同理指地图坐标系(世界坐标系)下n时刻的y坐标。

在将基于上述公式得到的描述信息与语义地图进行比对，得到基于语义定位的位姿信息，如图2所示，上述过程也可被概括称为“图像处理”。由于基于角点的定位方法要求场景纹理相对丰富，否则会出现定位失败的情况，且基于角点的定位方法在角点地图匹配过程中占用资源较多，计算比较耗时，而基于语义的定位方法在一定程度上可以弥补上述缺陷，因此在进行非初始定位时，首选基于语义的定位方法，能够节省计算资源，且较快地得到重定位位姿信息。

在一些实施方式中，在上述步骤s240之后，还包括：

步骤250：判断该环视图片是否有效；

步骤260：判断该环视图片无效的情况下，采集前视图片；

步骤270：基于该前视图片中的角点，通过与角点地图进行匹配，得到基于角点的位姿信息，将该基于角点的位姿信息作为该重定位位姿信息。

在一种具体的实施方式中，判断该环视图片是否有效，只要最终无法得到基于语义的位姿信息，即判断环视图片无效，具体可包括：能否基于环视图片提取出语义特征，如果无法提取出语义特征即判断环视图片无效；提取出的语义特征能否与语义地图匹配上，如果无法匹配上即判断环视图片无效。在判断环视图片无效之后，采集前视图片，基于该前视图片中的角点，通过与角点地图进行匹配，得到基于角点的位姿信息，将该基于角点的位姿信息作为该重定位位姿信息。基于前视图片中的角点得到基于角点的位姿信息的具体步骤与上述步骤220相同，在此不再赘述。语义定位的基础是识别出语义特征如车道线、路沿、车位点中至少一种，如果环境中恰好没有这些特征，或是识别出的特征与语义地图无法匹配上，就无法进行基于语义的定位，此时就要换上基于角点的定位，保证行驶或移动过程中，能够提供连续的定位，能够得到较为稳定的重定位位姿信息。

在一些实施方式中，如图5所示，在上述步骤s110之前，还包括：

步骤510：获取当前的平面位置；

步骤520：根据该平面位置，获得以该平面位置为圆心，限定半径范围内的角点地图和语义地图。

在一种具体的实施方式中，获取当前的平面位置，可以通过gps等定位仪器得到大致的平面位置，也可以通过人为在电子地图上点选的方式得到大致的位置，或者，在已经进行过初始定位的情况下，可以基于初始定位的重定位位姿信息得到平面位置。根据平面位置，获得以该平面位置为圆心，限定半径范围内的角点地图和语义地图，其中限定半径可以人为设定。因为不论是进行基于角点定位还是基于语义的定位之前，都需要载入相应的角点地图或是语义地图，如果一开始就载入全部的地图数据，既占存储空间又浪费载入时间，因此可基于大概的位置，下载一定范围内的地图，既节省时间，又降低资源占用。

在一些实施方式中，该融合定位方法还可以包括：

基于运动模型计算得到多个不同时刻的预测位姿信息；

基于该多个不同时刻的预测位姿信息生成该预测位姿信息队列。

例如，可以利用运动模型计算得到多个不同时刻的预测位姿信息，具体地，该运动模型是一个可以利用t1时刻的位姿(包括位置坐标和方向角)、计算参数与运动时间t’，计算出t1+t’时刻车辆位姿(包括位置坐标和方向角)的模型，如图2所示，该运动模型也可以为车辆运动模型，其中的计算参数可包括轮脉冲消息和档位消息，基于轮脉冲消息、档位消息、上一时刻的位姿信息以及从上一时刻起的运动时间，可以得到即时的预测位姿信息。可选地，可以每隔固定时间，就计算一次预测位姿信息，并基于多个不同时刻的预测位姿信息生成预测信息队列。可选地，如果队列中包括的预测位姿信息太多，可以基于其预测定位时间抛弃一些时间上较早的预测位姿信息。基于运动模型的定位方式较为常用，计算也较为简单，但是定位精度不高，将其作为基础，与重定位位姿信息进行融合，可以得到精度更高的定位位姿；将基于运动模型的预测位姿信息以队列的形式储存，可以保证在融合时，选择与重定位位姿信息对应时刻最接近的至少一个预测位姿信息进行融合，得到精度更高的融合定位位姿信息。

在一些实施方式中，该融合定位方法还包括：

根据该重定位位姿信息的重定位时间，从该预测位姿信息队列获取该重定位时间之前的至少一个预测位姿信息作为第一预测位姿信息，和/或该重定位时间之后的至少一个预测位姿信息作为第二预测位姿信息；具体地，重定位位姿信息中包括重定位时间，即是重定位位姿信息的获取时刻，基于此，在预测位姿信息队列中确定在此重定位时间之前的预测位姿信息，并确定在此重定位时间之后的预测位姿信息，例如，重定位位姿信息中的重定位时间是am8:00，在预测位姿信息队列中，找到所有时间是am8:00之前的预测位姿信息，同时找到预测位姿信息队列中所有时间是am8:00之后的预测位姿信息。进一步地，在重定位位姿信息的获取时刻之前的预测位姿信息之中，选择一个作为第一预测位姿信息，可选地，选择时间最接近的一个作为第一预测位姿信息，如在am8:00之前的预测位姿信息有多个，时间分别是am7:40、am7:50、am7:58，即将am7:58的预测位姿信息作为第一预测位姿信息；同理，在重定位位姿信息的获取时刻之后的预测位姿信息之中，选取一个作为第二预测位姿信息，可选地，也选择时间最接近的一个作为第二预测位姿信息，如在am8:00之后的预测位姿信息有多个，时间分别是am8:40、am8:50、am8:58，即将am8:40的预测位姿信息作为第二预测位姿信息。

在一种具体的实施方式中，基于该重定位位姿信息与该第一预测位姿信息和/或第二预测位姿信息进行关联和融合，得到融合后的位姿信息可以分为三种情况。第一种情况，如图2和图6(a)所示，重定位时间在多个预测位姿信息的预测定位时间之间，即可以确定重定位时间之前的第一预测位姿信息t1和重定位时间之后的第二预测位姿信息t2，t1和t2的位姿增量为δp(δxδyδθ),重定位位姿信息ti和t2的时间差为δti，t1和t2的时间差为δt2，得t2时刻到ti时刻的位姿增量为δp·ti/t2，利用线性插值的方法，即得到t2时刻位姿的递推值；更新协方差，其中，协方差的更新方程为：

其中fxk可以根据函数caculatefxk(dxr,posetheta,dtheta)计算得到，pk可以根据函数caculatepk(vehicle_rr,vehicle_rl,posetheta,dtheta)得到。最后基于上述位姿的递推值、重定位位姿信息ti和更新的协方差进行ekf融合，得到融合后的位姿信息。

第二种情况，是重定位位姿信息ti时间过于早，在预测位姿信息队列中所有预测位姿信息对应的预测定位时间之前，如图2和图6(b)所示，此时，获取重定位位姿信息之后的预测位姿信息t2，直接丢弃重定位位姿信息，将t2作为融合后的位姿信息。可选地，t2也是预测位姿信息队列中最早的一个预测位姿信息。

最后一种情况，是重定位位姿信息ti时间过于晚，在在预测位姿信息队列中所有预测位姿信息对应的预测定位时间之后，即，仅可以确定时间在重定位时间之前的第一预测位姿信息t1，如图2和图6(c)所示，此时，如果重定位时间与第一预测位姿信息t1的预测定位时间的差值大于给定阈值，则直接丢弃重定位位姿信息ti，将第一预测位姿信息t1作为融合后的位姿信息；如果重定位时间与第一预测位姿信息t1的时间差小于等于给定阈值，则从预测位姿信息队列中再选出时间在第一预测位姿信息之前的一个预测位姿信息t’，然后结合第一预测位姿信息t1和t’，利用线性插值的方法，得到t1时刻的位姿的递推值，得到递推值之后，更新协方差，具体计算递推值和更新协方差的步骤参考上述第一种情况，最后基于上述位姿的递推值、重定位位姿信息ti和更新的协方差进行ekf融合，得到融合后的位姿信息。

在一些实施方式中，更新该预测位姿信息队列，还包括：将该预测位姿信息队列中，该融合后的位姿信息对应时间之后的其他预测位姿信息进行更新，具体地，更新步骤中涉及利用含有轮脉冲消息和档位消息的运动模型，得到更新后的预测位姿信息队列。例如，得到融合后的位姿信息之后，找到预测位姿信息队列中，所有预测定位时间发生在融合后的位姿信息对应时间之后的预测位姿信息，如在得到预测定位时间为am8:40的融合后的位姿信息之后，将其插入预测位姿队列，再利用运动模型，重新计算预测位姿信息队列中，am8:50、am8:58时刻的预测位姿信息。可选地，还可根据融合后的位姿信息，发布地图点云。

在一些实施方式中，上述步骤s140中还包括：

基于更新后的该预测位姿信息队列，得到目标定位位姿信息。具体地，如图2中所示，基于更新后的预测位姿信息队列，找到预测位姿信息中最新新增的一个预测位姿信息，作为目标定位位姿发布。可选地，在发布之前，还可以将最新的预测位姿信息与对应的过程噪声、雅可比矩阵等一起存储。

图7示出根据本申请一实施例的融合定位装置700的结构框图。如图7所示，该装置可以包括：

重定位模块710，用于采集周围环境相关的图片，基于该周围环境相关的图片获取重定位位姿信息；

融合模块720，用于基于该重定位位姿信息对预测位姿信息队列中的至少一个预测位姿信息进行融合，得到融合后的位姿信息；其中，该预测位姿信息队列中包含多个预测位姿信息；

更新模块730，用于基于该融合后的位姿信息，更新该预测位姿信息队列；

位姿确定模块740，用于基于更新后的该预测位姿信息队列，得到目标定位位姿信息。

在一种实施例中，如图8所示，重定位模块710包括：

第一前视图片采集单元711，用于在进行初始定位的情况下，采集前视图片；

第一角点定位单元712，用于基于该前视图片中的角点，通过与角点地图进行匹配，得到基于角点的位姿信息，将该基于角点的位姿信息作为该重定位位姿信息。

在一种实施例中，如图8所示，重定位模块710还包括：

环视图片采集单元713，用于在进行非初始定位的情况下，采集环视图片；

语义定位单元714，用于提取该环视图片中的语义特征，通过与语义地图进行匹配，得到基于语义的位姿信息，将该基于语义的位姿信息作为该重定位位姿信息。

在一种实施例中，如图8所示，重定位模块710还包括：

判断单元715，用于判断该环视图片是否有效；

第二前视图片采集单元716，用于在判断该环视图片无效的情况下，采集前视图片；

第二角点定位单元717，用于基于该前视图片中的角点，通过与角点地图进行匹配，得到基于角点的位姿信息，将该基于角点的位姿信息作为该重定位位姿信息。

在一种实施例中，如图10所示，该融合定位装置700还包括：

位置获取模块750，用于获取当前的平面位置；

地图载入模块760，用于根据该平面位置，获得以该平面位置为圆心，限定半径范围内的角点地图和语义地图。

在一种实施例中，该融合定位装置700还包括：

基于运动模型计算得到多个不同时刻的预测位姿信息；

基于该多个不同时刻的预测位姿信息生成该预测位姿信息队列。

在一种实施例中，如图11所示，融合模块720还包括：

预测位姿信息选择单元721，用于根据该重定位位姿信息的重定位时间，从该预测位姿信息队列获取该重定位时间之前的至少一个预测位姿信息作为第一预测位姿信息，和/或该重定位时间之后的至少一个预测位姿信息作为第二预测位姿信息；

预测位姿信息融合单元722，用于基于该重定位位姿信息与该第一预测位姿信息和/或第二预测位姿信息进行融合，得到融合后的位姿信息。

在一种实施例中，更新模块730还包括：

更新队列单元731，用于将该预测位姿信息队列中，该融合后的位姿信息对应时间之后的其他预测位姿信息进行更新，得到更新后的预测位姿信息队列。

在一种实施例中，位姿确定模块740包括：

获得单元741，用于基于该目标预测位姿信息，得到目标定位位姿信息。

本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

需要说明的是，尽管介绍了融合定位方法和装置如上，但本领域技术人员能够理解，本申请应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定融合定位方法和装置，比如重定位的方法可以不限于基于角点的定位或是基于语义的定位，预测位姿信息不限于运动模型，可以采取其余的定位模型，只要最终可以获得高精度，高鲁棒性的定位即可。

这样，通过融合定位，根据本申请上述实施例的融合定位方法和装置能够将多种定位方法进行结合，得到更精确、更稳定的定位结果。

图9示出根据本申请一实施例的电子设备的结构框图。如图9所示，该电子设备包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的指令。处理器920执行该指令时实现上述实施例中的融合定位方法。存储器910和处理器920的数量可以为一个或多个。该电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

该电子设备还可以包括通信接口930，用于与外界设备进行通信，进行数据交互传输。各个设备利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器920可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。

应理解的是，上述处理器可以是中央处理器(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(fieldprogrammablegatearray，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是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(advancedriscmachines，arm)架构的处理器。

本申请实施例提供了一种计算机可读存储介质(如上述的存储器910)，其存储有计算机指令，该程序被处理器执行时实现本申请实施例中提供的方法。

可选的，存储器910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融合定位的电子设备的使用所创建的数据等。此外，存储器910可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器910可选包括相对于处理器920远程设置的存储器，这些远程存储器可以通过网络连接至融合定位的电子设备。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。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或多个(两个或两个以上)用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。

应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。

以上该，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。