位置跟踪方法、装置、设备及存储介质与流程

本发明涉及位置跟踪技术领域，更具体地说，涉及一种位置跟踪方法、装置、设备存储介质。

背景技术：

位置跟踪作为一类基础且重要的技术，在很多领域有重要的应用，如飞行器跟踪与导航、自动驾驶、人体跟踪与动作识别等。但目前的位置跟踪方法在用于跟踪具有多个节点的被跟踪对象(简称多节点对象，比如，人体、机械臂等)时，准确性和稳定性均较低。

因此，如何提高对多节点对象跟踪的准确性和稳定性成为亟待解决的技术问题。

技术实现要素：

本发明的目的是提供一种位置跟踪方法、装置、设备存储介质，以提高对多节点对象跟踪的准确性和稳定性。包括如下技术方案：

一种位置跟踪方法，包括：

在t时刻根据多节点对象的实时信息估算所述各个节点的空间位置，作为所述各个节点在所述t时刻的观测位置；

获得所述各个节点在所述t时刻的预测位置；所述各个节点的预测位置是根据前t-1个时刻确定的所述各个节点的观测位置预测得到的所述各个节点在所述t时刻的空间位置；

根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值；所述目标参数至少包括所述多节点对象中节点间连线与基准方向的夹角；

将所述目标参数在所述t时刻的取值，输入所述目标参数与所述各个节点的空间位置的关联模型，得到所述各个节点的空间位置作为所述各个节点在所述t时刻的跟踪位置。

上述方法，优选的，所述根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值，包括：

获得第一残差和第二残差；其中，所述第一残差为所述各个节点在所述t时刻的观测位置与所述各个节点在所述t时刻的预测位置的距离，所述第二残差为所述各个节点的待定位置变量与所述各个节点在所述t时刻的预测位置的距离，所述各个节点的待定位置变量由所述关联模型表征；

获得目标函数，所述目标函数为所述第一残差与所述第二残差的加权和；

将所述目标函数的取值最小时所述的目标参数的取值确定为所述目标参数在所述t时刻的取值。

上述方法，优选的，

所述目标参数包括：节点间连线与基准方向的夹角，节点间连线的长度；

或者，

所述目标参数包括：节点间连线与基准方向的夹角。

上述方法，优选的，在t时刻根据所述多节点对象的实时信息估算所述各个节点的空间位置，包括：

在t时刻获得所述多节点对象的图像，对所述图像进行处理，得到所述各个节点的空间位置；

或者，

通过雷达估算所述各个节点的空间位置。

上述方法，优选的，根据前t-1个时刻确定的所述各个节点的观测位置预测得到所述各个节点在所述t时刻的空间位置的过程包括：

根据前t-1个时刻确定的所述各个节点的观测位置得到所述前t-1个时刻所述各个节点的节点间连线与基准方向的夹角的角度，作为观测角度；

根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的节点间连线与所述基准方向的角度，作为预测角度；

根据所述各个节点在所述t时刻的预测角度得到所述各个节点在所述t时刻的预测位置。

上述方法，优选的，根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度的过程，包括：

采用卡尔曼方法根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度；或者，

利用预先训练好的神经网络模型根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度。

上述方法，优选的，所述将所述目标函数的取值最小时所述的目标参数的取值确定为所述目标参数在所述t时刻的取值，包括：

以所述目标函数的取值最小为目标，采用高斯牛顿法或梯度下降法对所述目标函数求解所述目标参数的最优取值；

将所述目标参数的最优取值确定为所述目标参数在所述t时刻的取值。

一种位置跟踪装置，包括：

估算模块，用于在t时刻根据所述多节点对象的实时信息估算所述各个节点的空间位置，作为所述各个节点在所述t时刻的观测位置；

获得模块，用于获得所述各个节点在所述t时刻的预测位置；所述各个节点的预测位置根据前t-1个时刻确定的所述各个节点的观测位置预测得到的所述各个节点在所述t时刻的空间位置；

预测模块，用于根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值；所述目标参数至少包括所述多节点对象中节点间连线与基准方向的夹角；

定位模块，用于将所述目标参数在所述t时刻的取值，输入所述目标参数与所述各个节点的空间位置的关联模型，得到所述各个节点的空间位置作为所述各个节点在所述t时刻的跟踪位置。

一种电子设备，包括：

存储器，用于存储程序；

处理器，用于调用并执行所述存储器中的所述程序，通过执行所述程序实现如上任一项所述的位置跟踪方法的各个步骤。

一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上任一项所述的位置跟踪方法的各个步骤。

通过以上方案可知，本发明提供的一种位置跟踪方法、装置、设备存储介质，在t时刻根据多节点对象的实时信息估算各个节点在t时刻的观测位置；获得各个节点在t时刻的预测位置；该预测位置根据前t-1个时刻确定的各个节点的观测位置预测得到；根据各个节点在t时刻的观测位置，以及各个节点在t时刻的预测位置预测目标参数在t时刻的取值；目标参数至少包括多节点对象中节点间连线与基准方向的夹角；将目标参数在t时刻的取值，输入目标参数与各个节点的空间位置的关联模型，得到各个节点的空间位置作为各个节点在t时刻的跟踪位置。本申请在对多节点对象进行跟踪时，基于时序信息(比如，前t-1个时刻确定的各个节点的观测位置)预测目标参数(比如，节点间连线与基准方向的夹角等)，根据目标参数确定各个节点的位置，从而极大的避免了环境噪声的干扰，提升多节点对象跟踪的准确性和稳定性。

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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的位置跟踪方法的一种实现流程图；

图2为本发明实施例提供的根据各个节点在t时刻的观测位置，以及各个节点在t时刻的预测位置预测目标参数在t时刻的取值的一种实现流程图；

图3为本发明实施例提供的在t时刻根据多节点对象的实时信息估算各个节点的空间位置的一种实现流程图；

图4为本发明实施例提供的根据前t-1个时刻确定的各个节点的观测位置预测得到各个节点在t时刻的空间位置的一种实现流程图；

图5为本发明实施例提供的基于本申请的方案对链条进行跟踪的效果示例图；

图6为本发明实施例提供的位置跟踪装置的一种结构示意图；

图7为本发明实施例提供的电子设备的硬件结构框图的示意图。

说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示的以外的顺序实施。

具体实施方式

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，所描述的实施例仅仅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付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。

本发明实施例提供的位置跟踪方法的一种实现流程图如图1所示，可以包括：

步骤s101：在当前时刻t(以下简称t时刻)根据多节点对象的实时信息估算各个节点的空间位置，作为各个节点在t时刻的观测位置。

多节点对象是被追踪的对象，其可以是任意具有多个节点的对象，比如，可以是人体，或者，可以是机械臂，此时多个节点对象中的节点是指人体骨架的关节点，或者是机械臂的关节点。多节点对象也可以是其他具有多个节点的对象，比如，卫星系统中的多颗卫星等等。

t时刻是对多节点对象进行跟踪的最新时刻，也就是实时时刻。

步骤s102：获得各个节点在t时刻的预测位置；各个节点的预测位置是根据前t-1个时刻确定的各个节点的观测位置预测得到的各个节点在t时刻的空间位置。

本申请中，多节点对象中的每个节点的预测位置根据前t-1个时刻确定的该节点的观测位置预测得到。具体的，假设多节点对象中一共有n个节点，对于该n个节点中的任意一个节点，为便于叙述，记为第i(i＝1，2，3，……，n)个节点，该第i个节点的预测位置是指根据前t-1个时刻确定的该第i个节点的观测位置预测得到该第i个节点在t时刻的空间位置。

第i个节点在t时刻的预测位置可以是在前一时刻(即t-1时刻)获得前一时刻的观测位置后预测得到的。

步骤s103：根据各个节点在t时刻的观测位置，以及各个节点在t时刻的预测位置预测目标参数在t时刻的取值；目标参数至少包括多节点对象中节点间连线与基准方向的夹角。

在实际场景中，一些多节点对象中的节点间的连接关系是固定的，比如，人体、机械臂等。而一些多节点对象中的节点间是没有连接关系的，比如，卫星系统中的多颗卫星。

在多节点对象中的节点间的连接关系是固定的情况下，多节点对象中包括多条节点间连线，因此，本申请实施例中，多节点对象的目标参数由若干个夹角构成，夹角的数量也就是多节点对象中的节点间连线的数量，而多节点对象中的节点间连线的数量根据多节点对象中的节点间的连接关系确定。

在多节点对象中的节点间没有连接关系的情况下，多节点对象中的各个节点间的相对位置关系通常是固定的，可以假设相邻节点间是具有连线的，且连线为直线，则多节点对象中节点间连线仍然包括多条。

基准方向可以是预置坐标系中的某个坐标轴或者某几个坐标轴。如果预置坐标系是二维坐标系，则基准方向可以是某一个坐标轴，如果预置坐标系是三维坐标系，则基准方向可以是三个坐标轴，即目标参数中，每条节点间连线与基准方向的夹角包括三个分量，每个分量为节点间连线与一个坐标轴的夹角。

步骤s104：将目标参数在t时刻的取值，输入目标参数与各个节点的空间位置的关联模型，得到各个节点的空间位置作为各个节点在t时刻的跟踪位置。

目标参数与各个节点的空间位置的关联模型是表征多节点对象运动过程中目标参数与各个节点的空间位置的关联关系的模型。关联模型的输入为多节点对象的目标参数，输出为多节点对象中各个节点的空间位置。

本申请实施例将步骤s101中的观测位置作为各个节点在t时刻的初始跟踪位置，步骤s104得到的各个节点在t时刻的跟踪位置是对步骤s101中的观测位置进行修正得到的跟踪位置，也就是t时刻对各个节点的最终的跟踪结果。

本申请实施例提供的位置跟踪方法，在对多节点对象进行跟踪时，基于时序信息(比如，前t-1个时刻确定的各个节点的观测位置)预测目标参数(比如，节点间连线与基准方向的夹角等)的取值，根据目标参数的取值确定各个节点的位置，从而极大的避免了环境噪声(比如，大气、光照等)的干扰，提升多节点对象跟踪的准确性和稳定性。

在一可选的实施例中，在获得各个节点在t时刻的观测位置后，还可以根据前t-1个时刻确定的各个节点的观测位置以及t时刻的各个节点的观测位置，预测各个节点在t+1时刻的空间位置，作为t+1时刻的预测位置。

在一可选的实施例中，上述根据各个节点在t时刻的观测位置，以及各个节点在t时刻的预测位置预测目标参数在t时刻的取值的一种实现流程图如图2所示，可以包括：

步骤s201：获得第一残差和第二残差；其中，第一残差为各个节点在t时刻的观测位置与各个节点在t时刻的预测位置的距离(为便于叙述，记为第一类距离)，第二残差为各个节点的待定位置变量与各个节点在t时刻的预测位置的距离(为便于叙述，记为第二类距离)，各个节点的待定位置变量由上述关联模型表征。

其中，t时刻各个节点的待定位置变量的取值就是t时刻各个节点的跟踪位置。本申请的目的就是要确定t时刻各个节点的待定位置变量的取值。

本申请用关联模型表征待定位置变量，而关联模型的输入是目标参数，因此，第二残差是表征第二类距离(各个节点的跟踪位置与预测位置的距离)和目标参数的关联关系的模型。

步骤s202：获得目标函数，目标函数为第一残差与第二残差的加权和。

在一可选的实施例中，第一残差和第二残差的权重相等，即第一残差和第二残差的权重均为0.5。在其它实施例中，第一残差和第二残差的权重也可以不同，具体可以基于实际的场景根据经验确定。

步骤s203：将目标函数的取值最小时的目标参数的取值确定为目标参数在所述t时刻的取值。

本申请实施例中，寻找目标函数的最小值，从而得到目标函数的最优解，也就是目标函数的最小值对应的目标参数的取值。将该最优解输入上述表征多节点对象运动过程中目标参数与各个节点的空间位置的关联关系的模型关联模型，得到的各个节点的空间位置就是各个节点在t时刻的跟踪位置。

在一可选的实施例中，上述目标参数可以仅包含节点间连线与基准方向夹角。

在另一可选的实施例中，上述目标参数除了可以包含节点间连线与基准方向的夹角外，还可以包含节点间连线的长度。其中，在多节点对象运动过程中，节点间连线的长度可以是固定不变的，也可以是变化的，本申请对此不做具体限定。

在一可选的实施例中，上述在t时刻根据多节点对象的实时信息估算各个节点的空间位置的一种实现流程图如图3所示，可以包括：

步骤s301：在t时刻获得多节点对象的图像。可选的，这里的图像可以是不带深度信息的rgb图像，也可以是带深度信息的rgb图像，即深度图像(rgb-d)。

步骤s302：对t时刻获得的图像进行处理，得到各个节点的空间位置。

可选的，可以将图像输入预先训练好的神经网络模型(为便于叙述，记为第一神经网络模型)，得到该第一神经网络模型输出的各个节点的空间位置。

可选的，第一神经网络模型可以是全卷积神经网络，也可以是其它类型的神经网络，比如，bp(backpropagation)神经网络模型，具体选用哪种神经网络模型本申请不做具体限定。

可选的，第一神经网络模型可以通过如下方式训练得到：将样本图像输入第一神经网络模型，得到第一神经网络模型输出的样本图像中的多节点对象中各个节点的空间位置，以第一神经网络模型输出的各个节点的空间位置趋近于样本图像对应的标签为目标，对第一神经网络模型的参数进行更新。其中，样本图像对应的标签表征样本图像中的多节点对象中的各个节点的实际空间位置。

本实施例可以用于多节点对象中的节点间具有固定连接关系的场景，比如，多节点对象是人体或机械臂等。

对于多节点对象中的节点间没有连接关系的场景，上述在t时刻根据多节点对象的实时信息估算各个节点的空间位置的一种实现方式可以为：

通过雷达估算各个节点的空间位置。具体的可以通过雷达向多节点对象所在区域发送雷达波(即无线电波)，并接收卫星反射的雷达回波，通过对雷达回波进行分析，可以确定多节点对象中各个节点的空间位置。具体通过对雷达回波进行分析确定多节点对象中各个节点的空间位置的方法可以参看已有的方案，这里不再详述。

在一可选的实施例中，上述根据前t-1个时刻确定的各个节点的观测位置预测得到各个节点在t时刻的空间位置的一种实现流程图如图4所示，可以包括：

步骤s401：根据前t-1个时刻确定的各个节点的观测位置得到前t-1个时刻各个节点的节点间连线与基准方向的夹角的角度，作为观测角度。

可选的，对于前t-1个时刻的每一个时刻(为便于叙述，记为第j个时刻)，可以利用上述关联模型根据第j个时刻确定的各个节点的观测位置得到第j个时刻各个节点的节点间连线与基准方向的夹角的角度。

步骤s402：根据前t-1个时刻的观测角度预测得到各个节点在t时刻的节点间连线与基准方向的夹角的角度，作为预测角度。

可选的，可以采用卡尔曼方法根据前t-1个时刻的观测角度预测得到各个节点在t时刻的预测角度。具体的，由于每个时刻的观测角度均包括多个(即不同的节点间连线与基准方向的夹角的角度)，对于不同时刻的同一节点间连线与基准方向的夹角的角度(为便于叙述，将同一节点间连线与基准方向的夹角的角度记为第k个观测角度)，可以采用卡尔曼方法根据前t-1个时刻的第k个观测角度预测得到t时刻的第k个预测角度，其中，采用卡尔曼方法根据前t-1个时刻的第k个观测角度预测得到t时刻的第k个预测角度具体实现方式可以参看已有的预测方法，这里不再详述。

或者，

可以利用预先训练好的神经网络模型(为便于叙述，记为第二神经网络模型)根据前t-1个时刻的观测角度预测得到各个节点在t时刻的预测角度。具体的，由于每个时刻的观测角度均包括多个，对于不同时刻的第k个观测角度，可以先对前t-1个时刻的第k个观测角度进行处理，得到目标角度值，该目标角度值表征前t-1个时刻的第k个观测角度的平均水平，将该目标角度值输入预先训练好的第二神经网络模型，得到各个节点在t时刻的第k个预测角度。作为示例，对前t-1个时刻的第k个观测角度进行处理，得到目标角度值的一种实现方式可以为对前t-1个时刻的第k个观测角度求平均值，得到目标角度值。不同位置的观测角度可以同时预测t时刻的预测角度。

其中，第二神经网络模型可以通过如下方法训练得到：第二神经网络模型的每个样本为多节点对象中的同一节点在连续的n(n＝1、2、3……)个时刻的观测角度的目标角度值，将样本输入第二神经网络模型，得到第n+1个时刻多节点对象中的同一节点在第n+1个时刻的节点间连线与基准方向的夹角的角度，作为第n+1个时刻的预测角度，以第n+1个时刻的预测角度趋近于多节点对象中的同一节点在第n+1个时刻的观测角度为目标，对第二神经网络模型的参数进行更新。

步骤s403：根据各个节点在t时刻的预测角度得到各个节点在t时刻的预测位置。

可选的，可以将各个节点在t时刻的预测角度输入上述关联模型，得到各个节点在t时刻的空间位置，作为t时刻的预测位置。

在一可选的实施例中，上述将目标函数的取值最小时目标参数的取值确定为目标参数在t时刻的取值的一种实现方式可以为：

以目标函数的取值最小为目标，采用高斯牛顿法或梯度下降法对目标函数求解目标参数的最优取值。

在采用高斯牛顿法或梯度下降法对目标函数求解目标参数时，会用到关联模型的雅克比矩阵，本申请实施例中，可以预先对关联模型求解雅克比矩阵并存储，当需要对目标函数求解目标参数的最优取值时，直接读取即可，而无需实时求解雅克比矩阵，从而可以提高处理速度。

将目标参数的最优取值确定为目标参数在t时刻的取值。

下面以多节点对象为绕原点逆时针转动的长条状链条为例对本申请的方案进行示例性说明。

本示例中，链条一端的节点位于原点，链条上节点与节点间的距离相同(假设为l)且固定不变。关联模型的输入为节点间连线与二维坐标系中的一个坐标轴(为便于叙述，记为横轴，二维坐标系中与该横轴垂直的坐标轴为纵轴)所成的角度。

假设链条上位于原点的节点为节点1，按照远离原点的方向，节点依次为节点2，节点3，节点4……，假设节点2与节点1的连线与横轴的夹角为θ1，节点3与节点2的连线与横轴的夹角为θ2，则节点1的坐标s1为(0，0)，节点2的坐标s2为(l*cos(θ1)，l*sin(θ1))，节点3的坐标s3为(l*cos(θ1)+l*cos(θ2)，l*sin(θ1)+l*sin(θ2))，依此类推。通过世界坐标系和二维坐标系的转换，可以将各个节点的坐标转换为世界坐标系中的坐标，也就是节点的物理空间位置。上述各个节点在二维空间的坐标与节点间连线的夹角的关联关系即为目标参数(本示例中为节点间连线与基准方向的夹角)与链条上各个节点的空间位置(各个节点在二维空间的坐标)的关联模型。

本示例中，在t时刻获取链条的图像，根据链条的图像估算链条上各个节点的空间位置，作为各个节点在t时刻的观测位置；

获得各个节点在t时刻的预测位置；各个节点的预测位置是根据前t-1个时刻确定的各个节点的观测位置预测得到的各个节点在t时刻的空间位置；

根据各个节点在t时刻的观测位置，以及各个节点在t时刻的预测位置预测目标参数在t时刻的取值；目标参数为链条中节点间连线与横轴的夹角；

将目标参数在t时刻的取值，输入目标参数与各个节点的空间位置的关联模型，得到各个节点的空间位置作为各个节点在所述t时刻的跟踪位置。

如图5所示，为本申请实施例提供的基于本申请的方案对链条进行跟踪的效果示例图。图中从左上到右下分别为四个连续时刻(frame：20～23)的链条上十个节点的位置跟踪效果。其中，圆点为基于本申请的方案对链条中的各个节点进行跟踪的最终跟踪结果，三角形为根据链条的图像估算得到的链条上各个节点的空间位置的结果(记为初始跟踪结果)，可以看出，根据链条图像估算得到的初始跟踪结果存在很大的抖动，而基于本申请的方案对链条中的各个节点进行跟踪的最终跟踪结果却是平稳的，没有出现抖动，显然，基于本申请的方案能够提升多节点对象跟踪的准确性和稳定性。

与方法实施例相对应，本申请实施例还提供一种位置跟踪装置，本申请实施例提供的位置跟踪装置的一种结构示意图如图6所示，可以包括：

估算模块601，获得模块602，预测模块603和定位模块604；其中，

估算模块601用于在t时刻根据所述多节点对象的实时信息估算所述各个节点的空间位置，作为所述各个节点在所述t时刻的观测位置；

获得模块602用于获得所述各个节点在所述t时刻的预测位置；所述各个节点的预测位置是根据前t-1个时刻确定的所述各个节点的观测位置预测得到的所述各个节点在所述t时刻的空间位置；

预测模块603用于根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值；所述目标参数至少包括所述多节点对象中节点间连线与基准方向的夹角；

定位模块604用于将所述目标参数在所述t时刻的取值，输入所述目标参数与所述各个节点的空间位置的关联模型，得到所述各个节点的空间位置作为所述各个节点在所述t时刻的跟踪位置。

本申请实施例提供的位置跟踪装置，在对多节点对象进行跟踪时，基于时序信息(比如，前t-1个时刻确定的各个节点的观测位置)预测目标参数(比如，节点间连线与基准方向的夹角等)，根据目标参数确定各个节点的位置，从而极大的避免了环境噪声(比如，大气、光照等)的干扰，提升多节点对象跟踪的准确性和稳定性。

在一可选的实施例中，所述预测模块603包括：

残差获得单元，用于获得第一残差和第二残差；其中，所述第一残差为所述各个节点在所述t时刻的观测位置与所述各个节点在所述t时刻的预测位置的距离，所述第二残差为所述各个节点的待定位置变量与所述各个节点在所述t时刻的预测位置的距离，所述各个节点的待定位置变量由所述关联模型表征；

函数获得单元，用于获得目标函数，所述目标函数为所述第一残差与所述第二残差的加权和；

确定单元，用于将所述目标函数的取值最小时所述的目标参数的取值确定为所述目标参数在所述t时刻的取值。

在一可选的实施例中，

所述目标参数包括：节点间连线与基准方向的夹角，节点间连线的长度；

或者，

所述目标参数包括：节点间连线与基准方向的夹角。

在一可选的实施例中，所述估算模块601用于：

在t时刻获得所述多节点对象的图像，对所述图像进行处理，得到所述各个节点的空间位置；

或者，

通过雷达估算所述各个节点的空间位置。

在一可选的实施例中，所述获得模块602还用于：

根据前t-1个时刻确定的所述各个节点的观测位置得到所述前t-1个时刻所述各个节点的节点间连线与基准方向的夹角的角度，作为观测角度；

根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的节点间连线与所述基准方向的角度，作为预测角度；

根据所述各个节点在所述t时刻的预测角度得到所述各个节点在所述t时刻的预测位置。

在一可选的实施例中，所述获得模块602根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度时，具体用于：

采用卡尔曼方法根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度；或者，

利用预先训练好的神经网络模型根据所述前t-1个时刻的所述观测角度预测得到所述各个节点在所述t时刻的预测角度。

在一可选的实施例中，所述确定单元具体用于：

以所述目标函数的取值最小为目标，采用高斯牛顿法或梯度下降法对所述目标函数求解所述目标参数的最优取值；

将所述目标参数的最优取值确定为所述目标参数在所述t时刻的取值。

本发明实施例提供的位置跟踪装置可应用于电子设备中。可选的，图7示出了电子设备的硬件结构框图，参照图7，电子设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本发明实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

在t时刻根据多节点对象的实时信息估算所述各个节点的空间位置，作为所述各个节点在所述t时刻的观测位置；

获得所述各个节点在所述t时刻的预测位置；所述各个节点的预测位置是根据前t-1个时刻确定的所述各个节点的观测位置预测得到的所述各个节点在所述t时刻的空间位置；

根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值；所述目标参数至少包括所述多节点对象中节点间连线与基准方向的夹角；

将所述目标参数在所述t时刻的取值，输入所述目标参数与所述各个节点的空间位置的关联模型，得到所述各个节点的空间位置作为所述各个节点在所述t时刻的跟踪位置。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本发明实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

在t时刻根据多节点对象的实时信息估算所述各个节点的空间位置，作为所述各个节点在所述t时刻的观测位置；

获得所述各个节点在所述t时刻的预测位置；所述各个节点的预测位置是根据前t-1个时刻确定的所述各个节点的观测位置预测得到的所述各个节点在所述t时刻的空间位置；

根据所述各个节点在所述t时刻的观测位置，以及所述各个节点在所述t时刻的预测位置预测目标参数在所述t时刻的取值；所述目标参数至少包括所述多节点对象中节点间连线与基准方向的夹角；

将所述目标参数在所述t时刻的取值，输入所述目标参数与所述各个节点的空间位置的关联模型，得到所述各个节点的空间位置作为所述各个节点在所述t时刻的跟踪位置。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统(若存在)、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。

应当理解，本发明实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。