一种三维定位模型的训练方法、装置及相关设备与流程

本公开涉及人工智能，尤其涉及一种三维定位模型的训练方法、装置及相关设备。

背景技术：

1、目前，在低空无线网络覆盖特性和运行状态的分析与优化中，构建无线网络数字孪生模型是关键技术手段。该模型需结合测量数据中的无线信号特征与空间位置信息。由于低空通信场景具有显著的三维空间特性，即终端高度变化大、运行轨迹复杂，获取包含精确经纬度和高度信息的最小化路测数据成本较高。因此，实际应用中测量报告数据量通常远大于最小化路测数据。

2、针对测量报告数据缺乏位置信息的问题，相关技术提出了基于指纹库匹配的定位方法：在相同网域中，利用已知位置的最小化路测数据学习无线信号传播特征，通过将测量报告数据的信号特征与指纹库中存储的最小化路测信号指纹进行匹配，推断其经纬度。然而，该方法高度依赖目标低空网络自身采集的大量最小化路测数据，当目标低空网络中缺乏最小化路测数据时，难以构建覆盖完整三维空间且具备足够代表性的信号指纹库，从而导致低空终端的定位精度显著下降甚至失效。

3、基于此，亟需一种能够将源低空网络已有的三维指纹模型迁移至目标低空网络的三维定位模型的训练方法，以在目标低空网络缺乏精确位置标注数据的条件下，有效提高低空终端的定位精度。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种三维定位模型的训练方法、装置及相关设备，至少在一定程度上克服由于相关技术无法有效解决在目标低空网络缺乏精确位置标注数据，即最小化路测数据匮乏的条件下，难以构建覆盖完整三维空间且具备足够代表性的信号指纹库，导致的低空终端定位精度显著下降的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供了一种三维定位模型的训练方法，该方法包括：获取源低空网络的源域模型和目标低空网络的测量报告数据集，所述测量报告数据集包括多个测量报告数据；依据各目标域三维无线指纹向量对所述源域模型执行域适配迁移学习，得到迁移适配模型，并由所述迁移适配模型基于所述目标域三维无线指纹向量预测所述低空终端的三维坐标；其中，所述目标域三维无线指纹向量是基于所述目标低空网络的测量报告数据集确定的，所述域适配迁移学习用于通过多层级分布对齐约束抑制所述源低空网络与所述目标低空网络之间的空域传播特征域偏移；依据所述测量报告数据中的时间提前量参数和到达角度测距参数，计算该测量报告数据对应的低空终端的三维几何伪坐标，并依据所述迁移适配模型预测的三维坐标与所述三维几何伪坐标之间的差异，对所述迁移适配模型进行参数微调，得到三维定位模型；所述三维定位模型用于基于目标测量报告数据对应的目标域三维无线指纹向量，预测所述低空终端的三维坐标。

4、在一些实施例中，所述获取源低空网络的源域模型，包括：获取源低空网络的源域三维无线指纹向量；构建包含指纹匹配通道和回归预测通道的双通道联合网络，并基于各源域三维无线指纹向量和该源域三维无线指纹向量对应的实际三维坐标，对所述双通道联合网络进行联合训练，得到源域模型，其中，所述源域三维无线指纹向量是基于所述源低空网络的最小化路测数据集确定的。

5、在一些实施例中，所述获取源低空网络的源域三维无线指纹向量，包括：获取源低空网络的最小化路测数据集；所述最小化路测数据集包括多个最小化路测数据和各最小化路测数据对应的低空终端的实际三维坐标；基于基站三维工程参数对各最小化路测数据进行低空传播特征增强处理，构建对应的源域三维无线指纹向量；所述基于所述目标低空网络的测量报告数据集确定目标域三维无线指纹向量，包括：基于所述基站三维工程参数对各测量报告数据进行所述低空传播特征增强处理，构建对应的目标域三维无线指纹向量；所述低空传播特征增强处理包括：高度补偿处理、角度映射修正以及垂直波瓣增益修正；所述高度补偿处理用于基于自由空间损耗修正不同高度的信号衰减，所述角度映射修正用于量化低空信号的三维传播衰减并校正天线测量角度偏差，所述垂直波瓣增益修正用于通过权值和波束赋形来实现抑制垂直方向信号偏差。

6、在一些实施例中，所述基于各源域三维无线指纹向量和该源域三维无线指纹向量对应的实际三维坐标，对所述双通道联合网络进行联合训练，得到源域模型，包括：基于各个所述源域三维无线指纹向量和该源域三维无线指纹向量对应的实际三维坐标，构建第一样本数据集；将所述第一样本数据集中的源域三维无线指纹向量输入至所述双通道联合网络中，利用所述双通道联合网络中的指纹匹配通道对所述源域三维无线指纹向量进行特征提取，得到源域指纹嵌入特征；利用所述双通道联合网络中的回归预测通道基于所述源域指纹嵌入特征，预测该源域指纹嵌入特征对应的三维坐标；通过联合损失函数依据所述源域指纹嵌入特征对应的三维坐标和所述实际三维坐标之间的差异，计算联合损失值；基于所述联合损失值调整所述双通道联合网络的参数，并通过所述第一样本数据集中未使用的样本数据对调整后的模型迭代训练，直至满足训练截止条件，获得所述源域模型。

7、在一些实施例中，所述依据各目标域三维无线指纹向量对所述源域模型执行域适配迁移学习，得到迁移适配模型，包括：基于多个所述目标域三维无线指纹向量构建目标域样本数据集，并基于多个所述源域三维无线指纹向量构建源域样本数据集；将所述目标域样本数据集和所述源域样本数据集中的样本数据依次输入所述迁移适配模型中，利用所述迁移适配模型的指纹匹配通道分别对所述目标域三维无线指纹向量和所述源域三维无线指纹向量进行特征提取，得到对应的目标域指纹嵌入特征和源域指纹嵌入特征，并提取所述目标域样本数据集中的目标域样本的高度分布，以及所述源域样本数据集中的源域样本的高度分布；依据所述目标域指纹嵌入特征和所述源域指纹嵌入特征之间的差异，确定单样本嵌入特征距离损失，并采用最大均值差异度量所有所述目标域指纹嵌入特征和所有所述源域指纹嵌入特征的整体分布差异，得到最大均值差异全局分布损失；依据所述目标域样本的高度分布和所述源域样本的高度分布，确定相对熵高度分布对齐损失，并基于所述单样本嵌入特征距离损失、所述最大均值差异全局分布损失和所述相对熵高度分布对齐损失对所述源域模型执行所述域适配迁移学习，得到所述迁移适配模型。

8、在一些实施例中，所述依据所述测量报告数据中的时间提前量参数和到达角度测距参数，计算该测量报告数据对应的低空终端的三维几何伪坐标，并所述依据所述迁移适配模型预测的三维坐标与所述三维几何伪坐标之间的差异，对所述迁移适配模型进行参数微调，得到三维定位模型，包括：获取所述基站的三维坐标，并从各个所述测量报告数据中分别提取所述时间提前量参数和所述到达角度测距参数；针对每个所述测量报告数据，依据所述测量报告数据的时间提前量参数和所述到达角度测距参数，以及所述基站的三维坐标，通过空间三角定位计算该测量报告数据对应的低空终端的三维几何伪坐标；通过三维校准损失函数，依据所述迁移适配模型预测的各三维坐标和对应的三维几何伪坐标之间的差异，计算对应的三维校准损失值；基于所述三维校准损失值对所述迁移适配模型进行参数微调，得到所述三维定位模型。

9、在一些实施例中，若所述目标低空网络中存在最小化路测数据时，所述方法还包括：获取所述目标低空网络中存在的最小化路测数据以及该最小化路测数据对应的低空终端的实际三维坐标；针对所述目标低空网络中的每个最小化路测数据，对该最小化路测数据进行低空传播特征增强处理，构建对应的三维无线指纹向量；基于每个所述最小化路测数据对应的三维无线指纹向量和该最小化路测数据对应的实际三维坐标，构建第二样本数据集；将所述第二样本数据集中的数据依次输入至所述三维定位模型中，利用所述三维定位模型基于所述三维无线指纹向量预测所述低空终端的三维坐标；通过强监督回归损失函数，基于所述三维定位模型预测的所述低空终端的三维坐标和对应的实际三维坐标之间的差异，计算强监督回归损失值；基于所述强监督回归损失值调整所述三维定位模型的参数，并通过所述第二样本数据集中未使用的样本数据对调整后的三维定位模型迭代训练，直至满足训练截止条件，获得目标三维定位模型。

10、根据本公开的另一个方面，还提供了一种三维定位模型的训练装置，该装置包括：获取模块，用于获取源低空网络的源域模型和目标低空网络的测量报告数据集，所述测量报告数据集包括多个测量报告数据；迁移学习模块，用于依据各目标域三维无线指纹向量对所述源域模型执行域适配迁移学习，得到迁移适配模型，并由所述迁移适配模型基于所述目标域三维无线指纹向量预测所述低空终端的三维坐标；其中，所述目标域三维无线指纹向量是基于所述目标低空网络的测量报告数据集确定的，所述域适配迁移学习用于通过多层级分布对齐约束抑制所述源低空网络与所述目标低空网络之间的空域传播特征域偏移；参数微调模块，用于依据所述测量报告数据中的时间提前量参数和到达角度测距参数，计算该测量报告数据对应的低空终端的三维几何伪坐标，并依据所述迁移适配模型预测的三维坐标与所述三维几何伪坐标之间的差异，对所述迁移适配模型进行参数微调，得到三维定位模型；所述三维定位模型用于基于目标测量报告数据对应的目标域三维无线指纹向量，预测所述低空终端的三维坐标。

11、根据本公开的另一个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的三维定位模型的训练方法。

12、根据本公开的另一个方面，还提供了一种计算机可读存储介质，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上述任意一项所述的三维定位模型的训练方法。

13、根据本公开的另一个方面，还提供了一种计算机程序产品，包括：计算机程序或指令，所述计算机程序或指令被处理器执行时实现上述任意一项的三维定位模型的训练方法。

14、本公开的实施例中提供的三维定位模型的训练方法，首先获取源低空网络的源域模型和目标低空网络的测量报告数据集，测量报告数据集包括多个测量报告数据；随后，依据各目标域三维无线指纹向量对源域模型执行域适配迁移学习，其中，目标域三维无线指纹向量是基于目标低空网络的测量报告数据集确定的，以通过多层级分布对齐约束抑制源低空网络与目标低空网络之间的空域传播特征域偏移，得到迁移适配模型，并由迁移适配模型基于目标域三维无线指纹向量预测低空终端的三维坐标，使得模型能够在缺乏目标域标签的情况下，依然保持良好的泛化能力和定位精度；最后，依据测量报告数据中的时间提前量参数和到达角度测距参数，计算该测量报告数据对应的低空终端的三维几何伪坐标，并依据迁移适配模型预测的三维坐标与三维几何伪坐标之间的差异，对迁移适配模型进行参数微调，得到三维定位模型，进一步校正了模型在目标域的预测偏差，在无需额外采集高精度最小化路测数据的前提下，显著提升最终三维定位模型在目标低空网络中的实际定位精度和可靠性；从而通过三维定位模型可基于目标测量报告数据对应的目标域三维无线指纹向量，准确的预测低空终端的三维坐标。

15、进一步，显著降低了目标低空网络对高精度最小化路测数据及昂贵标注资源的依赖，有效克服了现有低空定位技术中数据采集成本高昂、跨域模型泛化能力弱以及三维定位精度受限的问题。

16、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。