一种训练位置识别模型的方法、位置识别方法及相关设备与流程

1.本发明实施例涉及定位技术领域，具体涉及一种训练位置识别模型的方法、位置识别方法及相关设备。


背景技术：

2.高架道路作为基础道路之一，在高架场景下为车辆提供导航服务是极为常见的现象。为在高架场景下准确地为车辆提供导航服务，需要识别车辆是位于高架道路上(简称高架上)还是位于高架道路下沿地面铺设的道路(简称高架下)，可以理解的是，高架道路是高于地面架设的道路，通常情况下，高架道路下会有沿地面铺设的道路。
3.如果不能准确识别车辆是位于高架上还是高架下，则位于高架上或者高架下的用户发起导航路线规划请求时，极可能收到错误的导航路线规划结果，这是因为高架道路连接的道路和沿地面铺设道路连接的道路有些时候是不同的。因此，准确识别用户是位于高架上还是高架下是定位技术领域一直在解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供一种训练位置识别模型的方法、位置识别方法、导航方法及相关设备，其中，训练位置识别模型的方法能够训练适用于高架场景的位置识别模型，以为准确识别车辆位置是位于高架上还是高架下提供基础，位置识别方法可利用所述位置识别模型，准确识别车辆位置是位于高架上还是高架下。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.一种训练位置识别模型的方法，包括：
7.获取高架区域及高架附近区域的车辆位置数据作为样本数据，所述样本数据被标记为位于高架上或者位于高架下；
8.确定所述样本数据的特征；
9.将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。
10.本发明实施例还提供一种位置识别方法，基于上述方法训练的位置识别模型，识别车辆位置是位于高架上还是高架下，所述位置识别方法包括：
11.获取车辆位置，确定所述车辆位置对应的特征；
12.将所述车辆位置对应的特征，输入模型数据中的位置识别模型，得到所述位置识别模型输出的所述车辆位置的特征向量；
13.根据所述车辆位置的特征向量，得到所述车辆位置是位于高架上还是高架下的识别结果。
14.本发明实施例还提供一种训练位置识别模型的装置，包括：
15.样本数据获取模块，用于获取高架区域及高架附近区域的车辆位置数据作为样本数据，所述样本数据被标记为位于高架上或者位于高架下；
16.特征确定模块，用于确定所述样本数据的特征；
17.训练执行模块，用于将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。
18.本发明实施例还提供一种训练服务器，包括：至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行如上述所述的训练位置识别模型的方法。
19.本发明实施例还提供一种位置识别装置，包括：
20.车辆位置特征确定模块，用于获取车辆位置，确定所述车辆位置对应的特征；
21.特征向量确定模块，用于将所述车辆位置对应的特征，输入模型数据中的位置识别模型，得到所述位置识别模型输出的所述车辆位置的特征向量；
22.识别结果得到模块，用于根据所述车辆位置的特征向量，得到所述车辆位置是位于高架上还是高架下的识别结果。
23.本发明实施例还提供一种车载终端，包括：至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行如上述所述的位置识别方法。
24.本发明实施例还提供一种存储介质，所述存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行如上述所述的训练位置识别模型的方法，或者，执行如上述所述的位置识别方法。
25.本发明实施例提供的训练位置识别模型的方法，将高架区域及高架附近区域的车辆位置数据作为样本数据，且为所述样本数据设置标记，使得所述样本数据被标记为位于高架上或者位于高架下；从而，本发明实施例可确定所述样本数据的特征，将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。由于本发明实施例是以高架区域及高架附近区域的车辆位置数据作为样本数据，并以样本数据位于高架上或位于高架下的标记为训练指导，来基于样本数据的特征训练机器学习模型，从而获得位置识别模型，因此所获得的位置识别模型能够基于车辆位置数据的特征，输出与车辆位置数据的标记相对应的位置识别结果，即位置识别模型具有识别车辆位置数据是位于高架上还是位于高架下的功能；可见，基于本发明实施例提供的训练位置识别模型的方法，能够训练出识别车辆位置是位于高架上还是高架下的位置识别模型，即训练出适用于高架场景的位置识别模型，从而使用该位置识别模型可基于车辆位置数据的特征，准确识别车辆位置数据是位于高架上还是高架下，可为准确识别车辆位置是位于高架上还是高架下提供基础。
附图说明
26.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
27.图1为本发明实施例提供的系统框图；
28.图2为本发明实施例提供的训练阶段示意图；
29.图3为本发明实施例提供的训练位置识别模型的方法流程图；
30.图4为本发明实施例提供的挖掘区域的流程图；
31.图5为本发明实施例提供的合并区域的示例图；
32.图6为本发明实施例提供的高架区域及高架附近区域的示例图；
33.图7为本发明实施例提供的确定样本数据的标记的流程图；
34.图8为本发明实施例提供的历史导航路线和地图匹配路线的处理示例图；
35.图9为本发明实施例提供的确定样本数据的特征的流程图；
36.图10为本发明实施例提供的确定卫星分布特征的流程图；
37.图11为本发明实施例提供的预设平面的示例图；
38.图12为本发明实施例提供的确定历史行驶速度特征的流程图；
39.图13为本发明实施例提供的单位组的划分示例图；
40.图14为本发明实施例提供的训练执行流程图；
41.图15为本发明实施例提供的机器学习模型的结构示例图；
42.图16为本发明实施例提供的位置识别方法的流程图；
43.图17为本发明实施例提供的计算高架上、下置信度阈值的流程图；
44.图18为本发明实施例提供的起点抓路场景下的导航交互流程图；
45.图19为本发明实施例提供的偏航识别场景下的导航交互流程图；
46.图20为本发明实施例提供的训练位置识别模型的装置的框图；
47.图21为本发明实施例提供的训练位置识别模型的装置的另一框图；
48.图22为本发明实施例提供的训练服务器的框图；
49.图23为本发明实施例提供的位置识别装置的框图；
50.图24为本发明实施例提供的位置识别装置的另一框图；
51.图25为本发明实施例提供的位置识别装置的再一框图。
具体实施方式
52.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。
53.为准确识别车辆位置是位于高架上还是高架下，本发明实施例提供技术性方案，以训练能够识别车辆位置是位于高架上还是高架下的位置识别模型，从而在车辆行驶过程中，本发明实施例可基于训练的位置识别模型识别车辆位置是位于高架上还是高架下；进一步，本发明实施例可至少基于识别结果获取车辆的导航路线。
54.在可选实现中，如图1所示，本发明实施例可通过训练服务器10，车载终端20，导航服务器30之间的交互完成上述过程。
55.其中，训练服务器10可以是本发明实施例设置的用于训练获得所述位置识别模型的服务器设备，所述位置识别模型可以通过训练机器学习模型得到，机器学习模型的形式例如rnn(循环神经网络)等，本发明实施例对此并不设限；在可选实现中，训练服务器可以部署在网络侧；
56.车载终端20可以是布置于车辆上的终端设备；在可选实现中，车载终端可以是车载导航设备(如车载智能导航等)，车载导航设备在车辆上的安装方式可以支持前装或后装；在另一可选实现中，车载终端可以是独立于车辆但与车辆互联的终端设备，例如终端设备可以是用户的智能手机、平板电脑等；在本发明实施例中，车载终端可以获取训练服务器提供的模型数据，所述模型数据可以包括训练服务器训练获得的位置识别模型，从而车载终端可基于位置识别模型识别车辆位置是位于高架上还是高架下；
57.导航服务器30可以是提供导航服务的服务器设备，导航服务器可以部署在网络侧，当车载终端20得出车辆位置是位于高架上还是高架下的识别结果后，导航服务器30可获取所述识别结果，从而至少基于所述识别结果提供车辆的导航路线。
58.从上述描述可以看出，训练获得位置识别模型是本发明实施例实现准确识别车辆位置是位于高架上还是高架下的基础；在可选实现中，如图2所示，训练服务器训练获得位置识别模型的阶段可以分为4个阶段，包括：区域挖掘阶段，样本标记阶段，特征确定阶段，训练执行阶段。
59.其中，区域挖掘阶段可以认为是训练的预处理阶段，主要用于从地图中挖掘出高架区域及高架附近区域，高架区域及高架附近区域可以认为是与高架道路相关的地图区域，针对挖掘出的高架区域及高架附近区域，本发明实施例可将位于高架区域及高架附近区域的车辆位置数据，作为训练所使用的样本数据；
60.样本标记阶段主要用于对样本数据设置标记，以标记样本数据是位于高架上或者位于高架下；
61.特征确定阶段主要用于确定样本数据的特征；
62.训练执行阶段主要基于样本数据的特征和样本数据的标记，训练机器学习模型，以获得适用于高架场景的位置识别模型，即获得的位置识别模型能够识别车辆位置是位于高架上还是高架下。
63.可选的，在训练服务器预先挖掘出高架区域及高架附近区域的基础上，图3示出了本发明实施例提供的训练位置识别模型的方法的可选流程，该流程可由训练服务器执行，参照图3，该流程可以包括：
64.步骤s100、获取高架区域及高架附近区域的车辆位置数据作为样本数据，所述样本数据被标记为位于高架上或者位于高架下。
65.可选的，所述车辆位置数据可以是历史的车辆位置数据，如在车辆的历史行驶过程中，车载终端可通过卫星定位技术，定位车辆在各个历史行驶时间点的车辆位置数据；车辆在一次历史行驶过程中，定位的各个历史行驶时间点的车辆位置数据可形成车辆一次的历史行驶轨迹；车载终端可将定位的各个历史行驶时间点的车辆位置数据上传到网络侧，从而训练服务器可收集到车辆在各个历史行驶时间点的车辆位置数据。可以理解的是，如果多个车辆进行了多次历史行驶，则训练服务器可收集到大量的历史的车辆位置数据。
66.基于训练服务器预先从地图中确定高架区域及高架附近区域，本发明实施例可将历史的车辆位置数据与高架区域及高架附近区域进行匹配，从而获取到高架区域及高架附近区域的车辆位置数据，将高架区域及高架附近区域的车辆位置数据作为训练所使用的样本数据，即如果一个历史的车辆位置数据位于高架区域，则该车辆位置数据可作为一个样本数据，如果一个历史的车辆位置数据位于高架附近区域，则该车辆位置数据也可作为一
个样本数据；需要说明的是，高架区域可以认为是高架道路所在的区域，高架附近区域可以认为是高架道路附近的非高架道路所在的区域，一般情况下，高架道路与附近的非高架道路相连通。
67.可以理解的是，位于一个高架区域或者一个高架附近区域的车辆位置数据可以是多个，从而，本发明实施例可获取到多个样本数据。
68.本发明实施例可为样本数据设置标记，以标记样本数据是位于高架上或者位于高架下。可选的，本发明实施例可将道路中高度大于或等于道路的起点高度和终点高度之和一半的部分，视作高架上，反之，将道路中高度小于道路的起点高度和终点高度之和一半的部分，视作高架下。本发明实施例可通过自动化处理手段为样本数据设置标记，也可通过其他方式为样本数据设置标记，例如人工为样本数据设置标记。
69.步骤s110、确定所述样本数据的特征。
70.在获取训练使用的样本数据后，由于机器学习模型的训练需要使用到样本数据的特征，因此在本步骤中，本发明实施例可确定样本数据的特征。在可选实现中，样本数据的特征可至少包括样本数据对应的高架路段，在本发明实施例中，高架区域的高架道路可预先分段为两段以上的高架路段，本发明实施例可确定样本数据对应的高架路段，并至少将样本数据对应的高架路段作为样本数据的特征。
71.可选的，本发明实施例可将高架区域的高架道路分段为多个高架路段，针对获得的样本数据，本发明实施例可确定样本数据对应的高架路段；在可选的具体实现中，本发明实施例可确定样本数据匹配的道路(即将样本数据与道路进行匹配)，如果样本数据匹配的道路为高架区域的高架道路(无论是位于高架区域的高架下道路还是高架上道路)，则本发明实施例可在样本数据匹配的高架道路中，确定样本数据在高架道路对应的高架路段；
72.如果样本数据匹配的道路为高架附近区域的非高架道路，则此时样本数据不在高架道路上，本发明实施例可通过将样本数据投影到非高架道路映射的高架道路上，来确定样本数据对应的高架路段；可选的，本发明实施例可设置高架道路的映射数据，一个高架道路的映射数据可存储一个非高架道路与其映射的同向高架道路，一个非高架道路映射的高架道路可能有多个，从而本发明实施例在确定样本数据匹配的道路为非高架道路的情况下，可基于所述映射数据，确定非高架道路映射的高架道路，进而将所述样本数据投影到所述非高架道路映射的高架道路上，得到所述样本数据的至少一个投影点(由于非高架道路映射的高架道路可能是一个或多个，因此投影点的数量可能是一个或者多个)；在得到该至少一个投影点后，本发明实施例可从至少一个投影点中确定与所述样本数据的投影距离最近的最近投影点，从而将所述最近投影点位于的高架路段确定为所述样本数据对应的高架路段；
73.在本发明实施例中，可见，无论样本数据是否位于高架区域的高架道路，只要样本数据位于高架区域或者高架附近区域，本发明实施例均可确定出样本数据对应的高架路段，从而至少将样本数据对应的高架路段作为样本数据的特征。
74.可选的，高架路段可由高架路段的标识进行表示，确定样本数据对应的高架路段，可以是确定样本数据对应的高架路段的标识。在进一步的可选实现中，样本数据的特征还可以包括：样本数据到高架区域的高架道路的投影距离(若样本数据匹配的道路是非高架道路，则可以是上述最近投影点的投影距离)，样本数据对应的卫星分布特征，样本数据对
应的历史行驶速度特征等，关于样本数据的特征的具体形式可根据实际情况设置，本发明实施例并不局限。
75.步骤s120、将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。
76.在确定样本数据的特征并为样本数据设置标记后，本发明实施例可将样本数据的特征输入机器学习模型，得到机器学习模型输出的特征向量，并以样本数据的标记为指导，迭代调整机器学习模型的参数，使得机器学习模型输出的样本数据的特征向量所对应的位置识别结果(即样本数据是位于高架上还是高架下的识别结果)，与样本数据的标记相匹配，得到适用于高架场景的位置识别模型。
77.本发明实施例提供的训练位置识别模型的方法，将高架区域及高架附近区域的车辆位置数据作为样本数据，且为所述样本数据设置标记，使得所述样本数据被标记为位于高架上或者位于高架下；从而，本发明实施例可确定所述样本数据的特征，将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。由于本发明实施例是以高架区域及高架附近区域的车辆位置数据作为样本数据，并以样本数据位于高架上或位于高架下的标记为训练指导，来基于样本数据的特征训练机器学习模型，从而获得位置识别模型，因此所获得的位置识别模型能够基于车辆位置数据的特征，输出与车辆位置数据的标记相对应的位置识别结果，即位置识别模型具有识别车辆位置数据是位于高架上还是位于高架下的功能；可见，基于本发明实施例提供的训练位置识别模型的方法，能够训练出识别车辆位置是位于高架上还是高架下的位置识别模型，即训练出适用于高架场景的位置识别模型，从而使用该位置识别模型可基于车辆位置数据的特征，准确识别车辆位置数据是位于高架上还是高架下，可为准确识别车辆位置是位于高架上还是高架下提供基础。
78.为更为详细的说明本发明实施例提供的位置识别模型训练方案，下面基于图2所示的各训练阶段，对各个训练阶段的执行过程进行详细说明。
79.在可选实现中，图4示出了本发明实施例提供的挖掘高架区域及高架附近区域的可选流程，图4所示流程可以认为是服务器在区域挖掘阶段所执行的流程，如图4所示，该流程可以包括：
80.步骤s200、将高架道路和高架道路周边的普通道路切割为多个道路片段，所述道路片段包括高架道路片段和非高架道路片段。
81.本发明实施例可将高架道路和高架道路周边的普通道路，按照预设的第一长度进行切割，从而将高架道路和高架道路周边的普通道路切割为多个道路片段，一个道路片段的长度可以是第一长度，第一长度的具体数量可根据实际情况设置，例如第一长度为5米。在一种示例中，本发明实施例可将全国或者城市道路中的高架道路及其周边的普通道路，按照预设的第一长度进行切割，得到多个道路片段；在进一步的示例中，本发明实施例可先从全国或者城市道路中过滤周边不存在高架的道路，从而对过滤后的道路，按照预设的第一长度进行切割，得到多个道路片段。
82.道路片段中可以包括高架道路片段和非高架道路分段，高架道路片段可以是切割后的道路片段中高架道路对应的道路片段，非高架道路片段可以是切割后的道路片段中普通道路对应的道路片段，道路片段中高架道路片段和非高架道路片段的数量可以为多个。
83.步骤s210、针对任一个高架道路片段，以高架道路片段和高架道路片段周围关联的非高架道路片段形成道路片段组。
84.针对道路片段中的任一个高架道路片段，本发明实施例可确定该高架道路片段周围关联的非高架道路片段，在可选实现中，针对任一个高架道路片段，本发明实施例可将与该高架道路片段的行进方向相匹配，且间距在预设间距内的非高架道路片段，确定为该高架道路片段周围关联的非高架道路片段；
85.在更为具体的实现中，道路片段的进行方向相匹配可以认为是道路的行进方向的角度差距在预设角度范围内，预设角度范围可以根据实际情况设定，例如0至45度的角度范围；道路片段的间距可以是道路片段的中心点之间的距离，也可以设置为是道路片段的起点之间的距离或者终点之间的距离，具体可根据实际情况设置；在一种示例中，本发明实施例针对任一个高架道路片段，可将与该高架道路片的行进方向的角度差距在0至45度的角度范围，且间距在预设间距内的非高架道路片段，作为是该高架道路片段周围关联的非高架道路片段，预设距离例如30米，具体数值可根据实际情况设置，本发明实施例并不局限。
86.针对任一个高架道路片段，本发明实施例以该高架道路片段及该高架道路片段周围关联的非高架道路片段，形成该高架道路片段对应的道路片段组，即一个道路片段组包括一个高架道路片段，及该高架道路片段周围关联的非高架道路片段；从而对所有高架道路片段均以此方式处理，本发明实施例可形成各个高架道路片段对应的道路片段组，得到多个道路片段组。
87.步骤s220、确定道路片段组对应的地图基础区域。
88.在可选实现中，针对每一个道路片段组，本发明实施例可确定道路片段组的最小外接矩形，基于道路片段组的最小外接矩形，确定道路片段组对应的地图基础区域，从而获得多个地图基础区域。
89.可选的，本发明实施例可将道路片段组的最小外接矩形，直接确定为道路片段组对应的地图基础区域；在另一种可选实现中，针对每一个道路片段组，本发明实施例确定道路片段组的最小外接矩形后，可将路片段组的最小外接距离的宽度和高度分别增加预设长度，从而形成道路片段组对应的地图基础区域，预设长度可以根据实际情况设置，例如60米，本发明实施例并不设限。
90.可以理解的是，一个道路片段组可对应一个地图基础区域，从而本发明实施例针对多个道路片段组，可确定多个地图基础区域。
91.步骤s230、基于地图基础区域迭代的进行区域合并处理，直至合并后的区域中地图基础区域的面积利用率达到最大化，将合并后的区域作为高架区域及高架附近区域。
92.可得到多个地图基础区域后，为提升后续训练位置识别模型的效率，本发明实施例以地图基础区域为基础，迭代的进行区域合并处理，从而使得合并后的区域中地图基础区域的面积利用率达到最大；具体的，迭代进行区域合并处理的过程中，本发明实施例需要避免增加非地图基础区域的面积，使得合并结束时，合并后的区域中地图基础区域的面积利用率能够达到最大化；合并后的区域中地图基础区域的面积利用率可以是：合并后的区域中地图基础区域的面积与合并后的区域的面积的比值。
93.在一种示例中，如图5所示，地图基础区域a、b和c中，如果合并地图基础区域a和b，那么合并后的区域的面积为基准区域a和b的面积之和，合并后的区域中地图基础区域的面
积利用率较大，而如果合并地图基础区域a和c，那么合并后的区域中将存在较大部分的区域不属于地图基础区域，地图基础区域的面积利用率较低；可见，上述示例中，合并地图基础区域a和b相比于合并地图基础区域a和c，能够使得地图基础区域的面积利用率得到提升，因此在合并地图基础区域的过程中，本发明实施例应避免增加非地图基础区域的面积的区域合并处理，而优先使用提升地图基础区域的面积利用率的区域合并处理，从而使得合并后的区域中地图基础区域的面积利用率达到最大化。
94.在区域合并处理结束后，一个合并后的区域可以作为是本发明实施例的一个高架区域及高架附近区域，示例的，图6所示方框可以认为是本发明实施例得到的高架区域及高架附近区域的一种示例，可进行参照。
95.本发明实施例以地图基础区域的面积利用率达到最大化为约束条件，基于地图基础区域迭代的进行区域合并处理，可使得合并区域后所得到的高架区域及高架附近区域，与高架道路具有较高的相关性，使得后续确定的位于高架区域及高架附近区域的样本数据与高架道路的相关性得到提升，为准确确定样本数据，提升训练效率提供了基础。
96.在挖掘出高架区域及高架附近区域后，本发明实施例可将位于高架区域及高架附近区域的历史的车辆位置数据确定为样本数据，从而对样本数据设置标记。在可选实现中，图7示出了本发明实施例提供的确定样本数据的标记的流程图，图7所示流程可以认为是训练服务器在样本标记阶段所执行的流程，基于图7所示流程，本发明实施例可自动化为样本数据设置标记，如图7所示，该流程可以包括：
97.步骤s300、获取样本数据对应的地图匹配路线及历史导航路线。
98.在可选实现中，本发明实施例可获取样本数据对应的车辆历史行驶轨迹(即包含所述样本数据的车辆历史行驶轨迹)，将该历史行驶轨迹使用地图匹配算法进行匹配，得到样本数据对应的地图匹配路线；同时，本发明实施例可获取样本数据对应的历史导航路线，即样本数据对应的车辆历史行驶过程中，导航服务提供的导航路线，由于车辆在历史行驶过程中可能存在偏离导航路线的情况，因此所述历史导航路线可能是断续的多条导航路线。
99.步骤s310、确定所述地图匹配路线中标识的所述样本数据是位于高架上还是高架下的标识结果，以及所述历史导航路线中标识的所述样本数据是位于高架上还是高架下的标识结果。
100.步骤s320、如果所述地图匹配路线与所述历史导航路线中的标识结果不同，以所述历史导航路线中的标识结果为所述样本数据设置标记。
101.在使用地图匹配算法将样本数据的历史行驶轨迹匹配到路网中的道路上，得到样本对应的地图匹配路线后，虽然地图匹配算法是非常成熟的方法，但是在高架道路区域，地图匹配算法仅依靠位置、速度、路网拓扑等信息是无法将车辆位置精确匹配到车辆实际行驶的道路上；同时，经数据统计，车辆在高架道路上偏离导航路线的概率低于地图匹配算法在高架道路上的匹配误差，如车辆在高架道路上偏离导航路线的概率在3％左右，而地图匹配算法在高架道路上的匹配误差在10％左右，因此对于高架道路区域，本发明实施例优先信任历史导航路线中标识的车辆位置是在高架上还是高架下的标识结果；
102.在本发明实施例中，样本数据对应的历史匹配路线中，存在标识样本数据是位于高架上还是高架下的标识结果，样本数据对应的历史导航路线中，存在标识样本数据是位
于高架上还是高架下的标识结果，当历史匹配路线中的标识结果与历史导航路线中的标识结果不同时，本发明实施例信任历史导航路线中的标识结果，以历史导航路线中的标识结果为样本数据设置标记；示例的，如图8所示，图8中黑色实线表示历史导航路线，黑色虚线表示地图匹配路线，如果历史导航路线规划的路线是进入高架上，而地图匹配算法匹配的地图匹配路线为高架下，那么本发明实施例相信车辆位置位于高架上；类似的，还有历史导航路线规划的路线为高架下，而地图匹配路线指示的路线为高架上，本发明实施例相信车辆位置位于高架下。
103.在获取样本数据对应的地图匹配路线和历史导航路线后，本发明实施例通过优先相信历史导航路线的方式，为样本数据设置标记，可使得样本数据的标记具有较高的准确度，从而得到较为准确的样本数据是位于高架上还是高架下的标记，为后续训练位置识别模型提供准确的标记指导。
104.在确定位于高架区域及高架附近区域的样本数据后，本发明实施例可确定样本数据的特征，以便后续基于样本数据的特征进行位置识别模型的训练；在可选实现中，样本数据的特征可以至少包括：样本数据对应的高架路段；本发明实施例可确定样本数据后，可确定样本对应的高架路段。在进一步的可选实现中，样本数据的特征还可以包括：样本数据到高架区域的高架道路的，样本数据对应的卫星分布特征，和样本数据对应的历史行驶速度特征。
105.在可选实现中，图9示出了本发明实施例提供的确定样本数据的特征的可选流程图，图9所示流程可以认为是训练服务器在特征确定阶段所执行的流程，如图9所示，该流程可以包括：
106.步骤s400、确定样本数据对应的高架路段。
107.本发明实施例可将高架道路按照预设的第二长度进行切割，得到多个高架路段，一个高架路段可以认为是高架道路中切割的一个第二长度的片段，第二长度可以根据实际情况设置，例如20米，本发明实施例并不设限。
108.对于任一个高架路段，本发明实施例高架路段可具有标识(如id)，高架路段起点距离和高架路段终点距离这些信息；其中，高架路段起点距离为所述高架路段的起点位置与所在高架道路的起点位置之间的距离，高架路段终点距离为所述高架路段的终点位置与所在高架道路的起点位置之间的距离。
109.在可选实现中，无论样本数据匹配的道路是高架道路还是非高架道路，样本数据均可在高架道路具有投影点，其中，样本数据匹配的道路为非高架高架道路时，该投影点是指样本数据投影到非高架道路映射的高架道路后的最近投影点；从而，本发明实施例可基于样本数据的投影点，确定样本数据对应高精路段，具体的，本发明实施例可计算样本数据的投影点相对于高架道路的起点位置的距离，将该距离落入高架路段起点距离和高架路段终点距离之间的高架路段，确定为所述样本数据对应的高架路段，例如，针对所述最近投影点，本发明实施例可确定所述最近投影点与所述最近投影点所在高架道路的起点位置之间的距离，将该距离落入高架路段起点距离和高架路段终点距离之间的高架路段，确定为所述样本数据对应的高架路段。
110.步骤s410、确定样本数据到高架道路的投影距离。
111.无论样本数据匹配的道路是高架道路还是非高架道路，本发明实施例可确定样本
数据到高精区域的高架道路的投影距离，如果样本数据匹配的道路为非高架道路，则该投影距离是指所述最近投影点的投影距离。
112.步骤s420、确定样本数据对应的卫星分布特征。
113.在使用卫星定位技术的情况下，车载终端可以接收到多种卫星的gnss(全球导航卫星系统)信息，例如gps(全球识别系统)信息，bd(北斗)信息，伽利略卫星信息等；针对任一种卫星，本发明实施例可基于样本数据在该种卫星对应的gnss信息(例如在样本数据对应的历史行驶时间点所采集的该种卫星的gnss信息)，获取样本数据对应的卫星信噪比(snr)和卫星位置，从而至少根据卫星信噪比和卫星位置，确定样本数据在该种卫星对应的卫星分布特征；
114.需要说明的是，如果车载终端在样本数据对应的历史行驶时间点采集到多种卫星的gnss信息，则本发明实施例可确定样本数据在多种卫星分别对应的卫星分布特征，从而由样本数据在多种卫星分别对应的卫星分布特征，构成本发明实施例确定的样本数据对应的卫星分布特征。
115.在一种可选实现中，如果车载终端在样本数据对应的历史行驶时间点采集到多种卫星的gnss信息，则针对任一种卫星，本发明实施例可直接基于样本数据在该种卫星的卫星信噪比和卫星位置，确定样本数据在该种卫星对应的卫星分布特征。
116.在另一种可选实现中，如果车载终端在样本数据对应的历史行驶时间点采集到多种卫星的gnss信息，则针对任一种卫星，本发明实施例可将样本数据在该种卫星的卫星位置投影到具有多个网格的预设平面，得到卫星位置在预设平面的投影位置，从而基于样本数据在该种卫星的卫星信噪比和所述投影位置，确定样本数据在该种卫星对应的卫星分布特征；可选的，图10示出了本发明实施例提供的确定样本数据对应的卫星分布特征的可选流程，针对任一种卫星，本发明实施例可以图10所示流程确定卫星分布特征，从而由样本数据在多种卫星分别对应的卫星分布特征，构成样本数据对应的卫星分布特征；
117.参照图10，该流程可以包括：
118.步骤s500、获取样本数据在卫星对应的gnss信息。
119.样本数据在卫星对应的gnss信息可以理解为是：在所述样本对应的历史行驶时间点采集的卫星的gnss信息。
120.步骤s510、基于gnss信息中的卫星位置，将卫星位置投影到具有多个网格的预设平面，得到卫星位置在预设平面的投影位置。
121.本发明实施例可将卫星的卫星位置投影到具有多个网格的预设平面，从而产生卫星位置在预设平面的投影位置，本发明实施例可在所述预设平面确定卫星分布特征。
122.在一种可选实现中，预设平面可以划分为多个网格，示例的，如图11所示，预设平面被划分为19个网格，一个网络可以是一个六边形网格，当然，图11示例的网格数量和网格形状仅是可选的，本发明实施例可根据实际情况设置预设平面中网络的数量和形状。
123.步骤s520、至少基于gnss信息中提供的卫星信噪比和所述投影位置，在预设平面的各网格中分别确定样本数据对应的卫星特征，集合各网格中确定的样本数据对应的卫星特征，得到样本数据对应的卫星分布特征。
124.在将卫星位置投影到具有多个网格的预设平面后，本发明实施例可基于信噪比和网格中的投影位置，针对各个网格分别确定样本数据对应的卫星特征，例如，如图11所示，
预设平面中具有19个网格，则本发明实施例可基于信噪比和网格中的投影位置，在19个网格中分别确定样本数据对应的卫星特征，从而将19个网格中确定的样本数据对应的卫星特征进行集合，得到样本数据对应的卫星分布特征。
125.在可选实现中，本发明实施例可针对预设平面的任一网格，至少基于所述卫星信噪比和所述投影位置，确定卫星特征，所述卫星特征用于描述卫星在所述预设平面的网格中的信号强度和距离分布关系；具体的，本发明实施例可在一个网格中确定样本数据的3类卫星特征，以用于描述卫星在预设平面的网格中的信号强度和距离分布关系，该3类卫星特征可以包括第一类卫星特征f1，第二类卫星特征f2和第三类卫星特征f3。
126.针对任一网格，在确定第一类卫星特征的可选实现中，本发明实施例可确定信噪比不为预设信噪比的第一卫星，确定第一卫星在预设平面的投影位置相对于该网格的中心的距离，至少根据该距离确定第一卫星在该网格的位置特征，将各第一卫星在该网格的位置特征进行累加，得到从该网格中确定的第一类卫星特征；
127.具体的，针对任一网格，第一类卫星特征f1可以表示为其中，si表示卫星的信噪比，-1为预设信噪比，wi为信噪比不为预设信噪比的第一卫星在网格的位置特征，wi可以表示为其中，di表示第一卫星在预设平面的投影位置到网格的中心的距离，σ为预设参数；在本发明实施例中，预设信噪比为-1可以表示为相应的卫星无法被追踪到，在定位时无法使用该卫星。
128.针对任一网格，在确定第二类卫星特征的可选实现中，本发明实施例可确定信噪比为预设信噪比的第二卫星，确定第二卫星在预设平面的投影位置相对于该网络的中心的距离，至少根据该距离确定第二卫星在该网格的位置特征，将各第二卫星在该网格的位置特征进行累加，得到从该网格中确定的第二类卫星特征；
129.具体的，第二类卫星特征f2可以表示为
130.针对任一网格，在确定第三类卫星特征的可选实现中，本发明实施例可将第一卫星在该网格的位置特征和第一卫星的信噪比相结合，得到第一卫星在该网格的结合特征，从而将各第一卫星在该网格的结合特征相累加，得到累加结果，进而将累加结果除以从该网格中确定的第一类卫星特征与卫星最大信噪比的结合结果，得到从该网格中确定的第三类卫星特征；
131.具体的，第三类特征f3可以表示为m表示为卫星的最大信噪比。
132.可以理解的是，在一种可选实现中，针对一种卫星，本发明实施例可从预设平面的多个网格中分别确定样本数据对应的卫星特征，从而集合各网络中确定的样本数据对应的卫星特征，得到样本数据在该种卫星对应的卫星分布特征；其中，一个网格中确定的样本数据对应的卫星特征可以具有3类卫星特征，用于描述卫星在预设平面的网格中的信号强度和距离分布关系；可见，针对一种卫星，本发明实施例所确定的样本数据对应的卫星分布特征的维度为：网格数量*3；示例的，以预设平面具有19个网格为例，则针对一种卫星，本发明
实施例所确定的样本数据在该种卫星的卫星分布特征的维度为19*3；
133.进一步，在使用多种卫星(例如，gps卫星，北斗卫星等)的情况下，样本数据对应的卫星分布特征由样本数据在各种卫星对应的卫星分布特征构成，因此样本数据对应的卫星分布特征的维度为：卫星种数*网格数量*3；示例的，以使用4种卫星，预设平面具有19个网格为例，则样本数据对应的卫星分布特征的维度为：4*19*3。当然，本发明实施例也可仅使用一种卫星，使用多种卫星可以认为是本发明实施例的一种可选手段。
134.本发明实施例基于样本数据在卫星对应的gnss信息，将gnss信息中提供的卫星位置投影到预设平面，从而在预设平面确定样本数据对应的卫星分布特征，可使得获得的卫星分布特征能够更为适应于高架场景。
135.回到图9所示流程，本发明实施例可执行步骤s430、确定样本数据对应的历史行驶速度特征。
136.在可选实现中，图12示出了确定样本数据对应的历史行驶速度特征的一种可选流程，如图12所示，该流程可以包括：
137.步骤s600、搜集车辆的轨迹点，从最新搜集的轨迹点开始，以设定距离为单位，将轨迹点划入单位组中，以形成多个单位组；其中，一个单位组中的起始轨迹点和结束轨迹点的间距在设定距离内。
138.示例的，以设定距离为30米为例，本发明实施例在搜集车辆的多个轨迹点后，可从最新搜集的轨迹点开始，以30米为一个单位，将轨迹点划入单位组中，从而形成多个单位组，一个单位组中起始轨迹点和结束轨迹点的间距在30米以内，最新搜索的轨迹点可以认为是最新时刻的车辆位置，本发明实施例可按照时间由后到前的顺序将轨迹点划入单位组；例如，图13中，最新搜集的轨迹点p1和轨迹点p2的间距为19米，在30米以内，而最新搜集的轨迹点p1和轨迹点p3的间距为36米，超出了30米，则本发明实施例可将p1和p2划入到单位组1，将p3划入到单位组2，以此类推，从而控制单位组中首尾轨迹点的间距在30米以内；需要说明的是，设定距离的具体数值可根据实际情况设定，此处数值说明仅是示例性的。
139.步骤s610、基于单位组中各位置的轨迹点的历史行驶速度，确定单位组中各位置对应的平均行驶速度。
140.可选的，一个单位组中可设置多个位置，本发明实施例可确定单位组中每个位置的轨迹点的数量和历史行驶速度，从而基于单位组中每个位置的轨迹点的数量和历史行驶速度，确定单位组中各位置对应的平均行驶速度；如针对单位组中的一个位置，将单位组中该位置的轨迹点的历史行驶速度之和，除以该位置的轨迹点数量，可得到单位组中该位置对应的平均行驶速度。
141.步骤s620、确定样本数据在所在单位组中的位置，根据样本数据在所在单位组中的位置对应的平均行驶速度，确定样本数据对应的历史行驶速度特征。
142.在确定样本数据后，本发明实施例基于样本数据的位置可确定样本所在的单位组，以及样本数据在所在单位组中的位置，从而将样本数据在所在单位组中的位置对应的平均行驶速度，确定为样本数据对应的历史行驶速度特征。
143.基于图9所示流程，本发明实施例可确定样本数据的4类特征，包括：样本数据对应的高架路段，样本数据到高架道路的投影距离，样本数据对应的卫星分布特征，样本数据对应的历史行驶速度特征；需要说明的是，确定上述4类特征作为样本数据的特征仅是可选方
式，本发明实施例可选取其中一类或者多类特征作为样本数据的特征；当然，样本数据的特征类型越多，则后续基于样本数据的特征训练得到的位置识别模型更为准确。
144.在获取样本数据的特征后，本发明实施例可根据样本数据的特征和标记，训练机器学习模型，以获得适用于高架场景的位置识别模型；可选的，图14示出了本发明实施例提供的训练执行流程，图14所示流程可以认为是训练服务器在训练执行阶段所执行的流程，如图14所示，该流程可以包括：
145.步骤s700、将标记为高架上的样本数据的特征，输入机器学习模型，获取机器学习模型输出的高架路段的高架上样本的特征向量，及将标记为高架下的样本数据的特征，输入机器学习模型，获取机器学习模型输出的高架路段的高架下样本的特征向量。
146.在可选实现中，如果样本数据的特征包括样本对应的高架路段(由高架路段的标识进行表示)，样本数据到高架道路的投影距离，样本数据对应的卫星分布特征，样本数据对应的历史行驶速度特征，则作为一种示例，图15示出了机器学习模型的结构示例，如图15所示：
147.针对任一种卫星，以样本数据在该种卫星对应的卫星分布特征包括从预设平面的19个网格中确定的卫星特征为例，各个网格中确定的卫星特征以多个权重偏置分别经过多个fcbn层处理后，可分别输入concat(连接)层，可选的，fcbn层可以是使用relu(the rectified linear unit，修正线性单元)激活函数和batch norm机制的全连接层，其中，batch norm是深度网络中经常用到的用于加速神经网络训练，加速收敛速度及稳定性的算法；
148.样本数据对应的高架路段的标识以权重偏置经过embedding层处理后，输入concat层，embedding可以认为是一种能将标识转换为固定纬度特征向量的神经网络层；
149.样本数据到高架道路的投影距离直接输入concat层；
150.样本数据对应的历史速度特征以多个权重偏置经过多个gru(gated recurrent unit，门控循环单元)层的处理后，输入concat层；
151.concat层对输入的数据进行连接后，连接结果以多个权重偏置经过多个fcbn层处理后，处理结果以权重偏置导入fc(fully connected，全连接)层进行全连接，从而输出样本数据的特征向量。
152.图15示例的机器学习模型均由连接层实现，不存在卷积层等其他形式的结构，因此该机器学习模型具有轻量、结构简洁等优点，可极易在终端进行部署，为训练位置识别模型后，由终端部署训练的位置识别模型提供了可能。需要说明的是，图15示例的机器学习模型结构仅是可选的，本发明实施例也可使用其他结构的机器学习模型。
153.在本技术实施例中，由于样本数据存在标记是高架上或者高架下的情况，因此在样本数据的特征输入机器学习模型时，针对样本数据位于高架上的标记，本发明实施例可获取机器学习模型输出的高架路段的高架上样本的特征向量，针对样本数据位于高架下的标记，本发明实施例可获取机器学习模型输出的高架路段的高架下样本的特征向量；
154.具体的，在将高架道路分段为多个高架路段后，每个高架路段可具有高架上区域和高架下区域；针对任一高架路段，本发明实施例可确定该高架路段的样本数据，具体的，在确定样本数据对应的高架路段的基础上，本发明实施例可确定出高架路段的样本数据；
155.如果高架路段的样本数据被标记位于高架上，则该样本数据属于高架路段的高架
上样本，本发明实施例可获取机器学习模型输出的高架路段的高架上样本的特征向量；如果高架路段的样本数据被标记位于高架下，则该样本数据属于高架路段的高架下样本，本发明实施例可获取机器学习模型输出的高架路段的高架下样本的特征向量。
156.步骤s710、根据高架路段的高架上样本和高架下样本的特征向量，定义损失函数，以所述损失函数训练机器学习模型，以获得适用于高架场景的位置识别模型。
157.针对任一高架路段，本发明实施例确定高架上样本的特征向量及高架下样本的特征向量后，可基于高架路段的高架上样本和高架下样本的特征向量，定义损失函数，从而以所述损失函数训练机器学习模型，获得训练的位置识别模型。
158.在可选实现中，损失函数可以至少定义为：高架路段的高架上中心特征向量和高架下中心特征向量的距离最大化；
159.一个高架路段的高架上中心特征向量可以是，该高架路段的高架上样本的特征向量的均值；具体的，针对任一高架路段，在获得高架路段的高架上样本的特征向量后，本发明实施例可将高架路段的高架上样本的特征向量取均值，作为高架路段的高架上中心特征向量；
160.一个高架路段的高架下中心特征向量可以是，该高架路段的高架下样本的特征向量的均值；具体的，针对任一高架路段，在获得高架路段的高架下样本的特征向量后，本发明实施例可将高架路段的高架下样本的特征向量取均值，作为高架路段的高架下中心特征向量；
161.基于此，在步骤s710的一种可选实现中，本发明实施例可根据高架路段的高架上中心特征向量和高架下中心特征向量，迭代调整机器学习模型的参数，使得至少基于调整参数的机器学习模型所确定的高架路段的高架上中心特征向量和高架下中心特征向量的距离最大化，以获得训练的位置识别模型；
162.也就是说，在基于机器学习模型输出的样本数据的特征向量，确定出各高架路段的高架上中心特征向量和高架下中心特征向量后，本发明实施例可以同一高架路段的高架上中心特征向量和高架下中心特征向量的距离最大化为目标，调整机器学习模型的参数，使得基于调整参数后的机器学习模型输出的样本的特征向量，所确定的同一高架路段的高架上中心特征向量和高架下中心特征向量的距离变大，以此方式不断的迭代调整机器学习模型的参数，使得同一高架路段的高架上中心特征向量和高架下中心特征向量的距离最大化，从而完成训练，获得到训练的位置识别模型。
163.在更为具体的实现中，损失函数可以是triplet-center loss形式的损失函数，该triplet-center loss形式的损失函数可以具体定义为：高架路段的高架上样本的特征向量与高架上中心特征向量的距离最小化，高架上样本的特征向量与高架下中心特征向量的距离最大化，高架路段的高架下样本的特征向量与高架下中心特征向量的距离最小化，高架下样本的特征向量与高架上中心特征向量的距离最大化，且高架路段的高架上中心特征向量与高架下中心特征向量的距离最大化；基于此，在步骤s710的一种更为具体的实现中，本发明实施例可根据高架路段的高架上样本的特征向量和高架下样本的特征向量，迭代调整机器学习模型的参数，使得基于调整参数的机器学习模型所确定的高架路段的高架上样本的特征向量与高架上中心特征向量的距离最小化，高架上样本的特征向量与高架下中心特征向量的距离最大化，高架路段的高架下样本的特征向量与高架下中心特征向量的距离
最小化，高架下样本的特征向量与高架上中心特征向量的距离最大化，且高架路段的高架上中心特征向量与高架下中心特征向量的距离最大化，以获得训练的位置识别模型。
164.在另一种可选实现中，损失函数可以定义为：高架路段的高架上样本的特征向量的间距最小化，高架路段的高架下样本的特征向量的间距最小化，且高架路段的高架上样本的特征向量与高架下样本的特征向量的间距最大化。该损失函数可以是triplet loss形式的损失函数，基于此，在步骤s710的一种可选实现中，本发明实施例可根据高架路段的高架上样本和高架下样本的特征向量，迭代调整机器学习模型的参数，使得基于调整参数的机器学习模型所确定的高架路段的高架上样本的特征向量的间距最小化，高架路段的高架下样本的特征向量的间距最小化，且高架路段的高架上样本的特征向量与高架下样本的特征向量的间距最大化，以获得训练的位置识别模型。
165.需要说明的是，在使用triplet-center loss的情况下，高架路段的高架上中心特征向量，和高架下中心特征向量可由机器学习模型得到，不需要额外的计算。而在使用triplet loss的情况下，高架路段的高架上中心特征向量，和高架下中心特征向量需要在机器学习模型之外额外计算得到。
166.基于本发明实施例提供的训练位置识别模型的方法，本发明实施例可训练能够识别车辆位置是位于高架上还是高架下的位置识别模型，从而由该位置识别模型基于车辆位置的特征，实现识别车辆位置是位于高架上还是高架下，可为准确识别车辆位置是在高架上还是高架下提供基础。
167.下面对本发明实施例提供的识别车辆位置是位于高架上还是高架下的方案进行说明。在可选实现中，图16示出了本发明实施例提供的位置识别方法的可选流程，该方法可由车载终端执行，如由车载终端的cpu(中央处理器)，gpu(图形处理器)、npu(神经网络处理器)等处理器执行，如图16所示，该流程可以包括：
168.步骤s800、获取车辆位置，确定所述车辆位置对应的特征。
169.本发明实施例可通过定位技术获取车辆位置，确定车辆位置对应的特征；例如，基于车辆位置，本发明实施例可确定车辆位置对应的高架路段，从而至少基于所述高架路段确定所述车辆位置对应的特征。
170.在可选实现中，车辆位置对应的特征可以包括4类特征，例如车辆位置对应的高架路段，车辆位置到高架道路的投影距离，车辆位置对应的卫星分布特征，车辆位置对应的历史行驶速度特征。关于上述4类特征的具体确定方式可参照前文相应部分的描述，此处不再赘述。当然，本发明实施例所确定的车辆位置的特征可以是使用上述4类特征中的一种或者多种。
171.步骤s810、将所述车辆位置对应的特征，输入模型数据中的位置识别模型，得到所述位置识别模型输出的所述车辆位置的特征向量。
172.车载终端可向训练服务器请求下载模型数据，从而获取训练服务器发送的模型数据，模型数据中可至少包括基于本发明实施例提供的训练位置识别模型的方法所训练的位置识别模型，所述位置识别模型可以包括位置识别模型的模型结构和训练后的模型参数。
173.在进一步的可选实现中，模型数据还可以包括：高架路段的高架上中心特征向量，高架路段的高架下中心特征向量，高架路段的表示信息(如高架路段的标识、位置范围)等。需要说明的是，基于训练的位置识别模型，训练服务器可通过高架路段的高架上样本确定
高架上中心特征向量，通过高架路段的高架下样本确定高架下中心特征向量。
174.需要说明的是，训练服务器可定期更新模型数据，例如在城市、全国等地理范围存在新建、拆除的高架道路时，训练服务器可适应的更新模型数据，从而在训练服务器更新模型数据时，车载终端可以数据全量更新的方式获取更新的模型数据。模型数据可以按照地理范围进行划分，例如按照不同的城市划分模型数据，从而车载终端可在进入一个地理范围时，向训练服务器请求该地理范围相应的模型数据，例如，车载终端在进入一个城市时，向训练服务器请求该城市相应的模型数据，当然，本发明实施例也可支持车载终端自主选择地理范围，并请求所选择的地理范围相应的模型数据。
175.可选的，所述模型数据可以由车载终端提前获取。
176.在确定车辆位置的特征后，本发明实施例可将车辆位置的特征输入模型数据中的位置识别模型，获得由位置识别模型输出的车辆位置的特征向量。位置识别模型输出特征向量的示例可参照前文图15部分所示，此处不再赘述。
177.步骤s820、根据所述车辆位置的特征向量，得到所述车辆位置是位于高架上还是高架下的识别结果。
178.基于位置识别模型输出的车辆位置的特征向量，本发明实施例可得到车辆位置是位于高架上还是位于高架下的识别结果。
179.在可选实现中，本发明实施例可确定车辆位置对应的高架路段，确定车辆位置的特征向量与该高架路段的高架上中心特征向量的高架上距离，确定车辆位置的特征向量与该高架路段的高架下中心特征向量的高架下距离；从而根据所述高架上距离和所述高架下距离，得到所述车辆位置是位于高架上还是高架下的识别结果。
180.在具体实现中，如果高架上距离低于高架下距离，则说明车辆位置的特征向量距高架上中心特征向量的距离，近于距高架下中心特征向量的距离，可确定车辆位置位于高架上；如果高架下距离低于高架上距离，则说明车辆位置的特征向量距高架下中心特征向量的距离，近于距高架上中心特征向量的距离，可确定车辆位置位于高架下。
181.在得到车辆位置是位于高架上还是高架下的识别结果的更为具体的实现中，本发明实施例可提供置信度阈值策略，为每一个高架路段计算高架上置信度阈值和高架下置信度阈值，从而基于车辆位置对应的高架上距离和高架下距离，确定车辆位置的置信度，以所述置信度与高架上置信度阈值和高架下置信度阈值的比对，来得到车辆位置是位于高架上还是高架下的识别结果；
182.在可选实现中，图17示出了计算高架路段的高架上置信度阈值和高架下置信度阈值的可选流程，该流程可由训练服务器执行，训练服务器可将确定的高架路段的高架上置信度阈值和高架下置信度阈值存入所述模型数据中，参照图17，该流程可以包括：
183.步骤s900、从高架路段的样本数据中确定验证样本。
184.在训练位置识别模型的阶段，训练服务器可从高架路段的样本数据中确定一部分样本作为验证样本(验证样本可不参与位置识别模型的训练)。
185.步骤s910、基于所述验证样本的特征，确定位置识别模型输出的验证样本的特征向量。
186.对于高架路段的验证样本，本发明实施例可确定验证样本的特征，从而将验证样本的特征输入位置识别模型，获得位置识别模型输出的验证样本的特征向量。
187.步骤s920、确定验证样本的特征向量分别与高架路段的高架上中心特征向量和高架下中心特征向量的距离。
188.基于确定的验证样本的特征向量，本发明实施例可计算验证样本的特征向量与高架路段的高架上中心特征向量的距离，以及计算验证样本的特征向量与高架路段的高架下中心特征向量的距离。
189.步骤s930、根据所计算的距离，确定验证样本的置信度。
190.通过计算的验证样本的特征向量与高架路段的高架上中心特征向量的距离、高架下中心特征向量的距离，本发明实施例可计算验证样本的置信度；在可选实现中，计算公式可以为：其中，t表示验证样本属于高架路段的高架上的置信度，a表示高架路段的高架上中心特征向量，b表示高架路段的高架下中心特征向量，c表示验证样本的特征向量。
191.步骤s940、根据验证样本的置信度，确定高架路段的高架上置信度阈值和高架下置信度阈值。
192.本发明实施例在确定出高架路段的每个验证样本的置信度后，可根据高架路段的每个验证样本的置信度，确定出高架路段的高架上置信度阈值和高架下置信度阈值。
193.可选的，高架路段的高架上置信度阈值可以是：从每个验证样本的置信度中，确定的使验证样本识别为在高架上的精准性最大的置信度；
194.具体的，本发明实施例可将各验证样本的置信度分别作为候选置信度阈值，从而针对高架路段的所有验证样本，如果验证样本的置信度小于候选置信度阈值，则验证样本被识别为在高架下，如果验证样本的置信大于或等于候选置信度阈值，则验证样本被识别为高架上；进而，本发明实施例可计算候选置信度阈值对应的第一加权调和平均数f1，第一加权调和平均数可以表示为验证样本基于候选置信度阈值被识别高架上的精准性，具体的，f1＝(1 β2)
×
p1×
r1/(β2×
p1 r2)，其中，p1代表高架路段的验证样本识别为在高架上的正确率，r1代表高架路段的验证样本被识别为在高架上的召回率，β代表p1和r1的权重比；
195.通过将高架路段的每个验证样本的置信度，分别作为候选置信度阈值，本发明实施例可得到各候选置信度阈值对应的第一加权调和平均数f1，从而选择使f1最大的候选置信度阈值，作为高架路段的高架上置信度阈值。
196.可选的，高架路段的高架下置信度阈值可以是：从每个验证样本的置信度中，确定的使验证样本识别为在高架下的精准性最大的置信度；
197.具体的，本发明实施例可将各验证样本的置信度分别作为候选置信度阈值，从而针对高架路段的所有验证样本，如果验证样本的置信度小于候选置信度阈值，则验证样本被识别为在高架下，如果验证样本的置信大于或等于候选置信度阈值，则验证样本被识别为高架上；进而，本发明实施例可计算候选置信度阈值对应的第二加权调和平均数f2，第二加权调和平均数可以表示为验证样本基于候选置信度阈值被识别高架下的精准性，具体的f2＝(1 β2)
×
p2×
r2/(β2×
p2 r2)，其中，p2代表高架路段的验证样本识别为在高架下的正确率，r2代表高架路段的验证样本被识别为在高架下的召回率，β代表p2和r2的权重比。
198.从而，车载终端在确定车辆位置的特征向量后，车载终端可计算车辆位置的特征向量与高架路段的高架上中心特征向量的高架上距离，与高架下中心特征向量的高架下距
离，基于计算的高架上距离和高架下距离，确定车辆位置的置信度；如果车载终端确定车辆位置的置信度大于或等于高架上置信度阈值，且大于或等于预设阈值，则可确定车辆位置位于高架路段的高架上；如果车载终端确定车辆位置的置信度小于或等于高架下置信度阈值，且小于预设阈值，则可确定车辆位置位于高架路段的高架下。预设阈值的数值可根据实际情况设定，例如0.5等，本发明实施例并不设限。
199.本发明实施例提供的位置识别方法可基于训练服务器训练的位置识别模型，准确识别车辆位置是在高架上还是高架下的目的。
200.基于车载终端识别的车辆位置是位于高架上还是高架下的识别结果，车载终端可向导航服务器请求导航路线，以至少根据所述识别结果获取导航路线，从而实现基于车辆位置是位于高架上还是高架下的识别结果，为车辆提供导航服务；请求导航服务的场景例如起点抓路，偏航识别等场景。
201.起点抓路是指针对用户发起的路线规划请求，通过获取到的用户识别信息，将其起点位置绑定至实际所在的道路，在可选实现中，图18示出了起点抓路场景下的导航交互流程，如图18所示，该流程可以包括：
202.步骤s10、车载终端确定车辆位置。
203.可选的，车载终端可通过卫星定位技术确定车辆位置，该车辆位置可以是车辆当前位置。
204.步骤s11、车载终端确定所述车辆位置对应的高架路段，至少基于所述高架路段确定所述车辆位置的特征。
205.步骤s12、车载终端基于车辆位置的特征，确定车辆位置是位于高架上还是高架下的识别结果。
206.车载终端基于车辆位置的特征，确定车辆位置是位于高架上还是高架下的识别结果的实现方式，可参照前文相应部分的描述，此处不再赘述。
207.步骤s13、车载终端根据识别结果及车辆位置向导航服务器发送导航请求。
208.步骤s14、导航服务器根据所述识别结果及车辆位置，确定所述车辆位置对应的导航起点道路。
209.步骤s15、导航服务器将包含所述导航起点道路的导航路线发送给车载终端。
210.需要说明的是，如果车载终端提供的识别结果为车辆位置位于高架上，则导航路线可以基于车辆位置对应的高架路段，车辆位置在对应的高架路段的高架上识别结果，以及车辆位置，确定车辆位置对应的导航起点道路，从而可以引导车辆由导航起点道路向高架上行驶；如果车载终端提供的识别结果为车辆位置位于高架下，则导航路线可引导车辆由导航起点道路向高架下行驶。需要说明的是，高架道路的高架下一般存在一条或多条辅路，在起点抓路场景下，如果车载终端识别车辆位置位于高架下，则本发明实施例可选择高架下距离最近的辅路加入导航路线中。
211.偏航识别场景是指识别车辆行驶路线偏离导航路线的场景，在可选实现中，图19示出了偏航识别场景下的导航交互流程，如图19所示，该流程可以包括：
212.步骤s20、车载终端获取当前导航路线。
213.可选的，车载终端可向导航服务器请求行驶起点和终点之间的当前导航路线。
214.步骤s21、如果连续多个车辆位置是位于高架上还是高架下的识别结果，与当前导
航路线标识的所述连续多个车辆位置是位于高架上还是高架下的标识结果不同，车载终端确定车辆发生偏航。
215.导航路线可具有标识车辆位置是位于高架上还是高架下的标识结果，在基于本发明实施例提供的位置识别方法对连续多个车辆位置进行是位于高架上还是高架下的识别后，如果识别结果与导航路线的标识结果不同，则本发明实施例可确定车辆偏离导航路线；连续多个车辆位置例如连续10个车辆位置，示例的，如果基于本发明实施例提供的位置识别方法，对连续10个车辆位置进行识别后，识别结果为10个车辆位置位于高架下，而导航路线标识该10个车辆位置位于高架上，则本发明实施例可确定车辆偏航。
216.步骤s22、车载终端根据当前车辆位置及当前车辆位置是位于高架上还是高架下的识别结果，向导航服务器请求重新规划导航路线。
217.步骤s23、导航服务器根据当前车辆位置，及当前车辆位置是位于高架上还是高架下的识别结果，重新规划导航路线。
218.导航服务器可基于当前车辆位置，当前车辆位置对应的高架路段，以及当前车辆位置是否位于对应的高架路段的高架上的识别结果，重新规划由当前车辆位置至导航终点的导航路线；可以理解的是，如果当前车辆位置位于高架上，则重新规划的导航路线可以由当前车辆位置经过高架上道路，驶向导航终点，如果当前车辆位置位于高架下，则重新规划的导航路线可以由当前车辆位置经过高架下道路，驶向导航终点。
219.步骤s24、导航服务器将重新规划的导航路线发送给车载终端。
220.需要说明的是，起点抓路场景的导航路线请求，偏航识别场景下的导航路线请求，仅是本发明实施例基于位置识别方法所确定的识别结果，请求导航路线的一种可选示例，本发明实施例也可能基于位置识别方法确定的识别结果在其他可能的导航场景下，请求导航路线，本发明实施例对此并不设限。
221.上文描述了本发明实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本发明实施例披露、公开的实施例方案。
222.下面对本发明实施例提供的训练位置识别模型的装置进行介绍，下文描述的训练位置识别模型的装置，可以认为是训练服务器为实现本发明实施例提供的训练位置识别模型的方法所需设置的功能模块。下文描述的训练位置识别模型的装置的内容可与上文描述的方法内容，相互对应参照。
223.在可选实现中，图20示出了本发明实施例提供的训练位置识别模型的装置的框图，参照图20，该装置可以包括：
224.样本数据获取模块100，用于获取高架区域及高架附近区域的车辆位置数据作为样本数据，所述样本数据被标记为位于高架上或者位于高架下；
225.特征确定模块110，用于确定所述样本数据的特征；
226.训练执行模块120，用于将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型。
227.可选的，特征确定模块110，用于确定所述样本数据的特征包括：
228.确定所述样本数据对应的高架路段，所述高架区域的高架道路预先分段为两段以上的高架路段。
229.可选的，特征确定模块110，用于确定所述样本数据对应的高架路段包括：
230.确定所述样本数据匹配的道路；
231.若匹配的道路为高架道路，确定所述样本数据在所述高架道路对应的高架路段；
232.若匹配的道路为非高架道路，将所述样本数据投影到所述非高架道路映射的高架道路上，得到所述样本数据的至少一个投影点，从至少一个投影点中确定与所述样本数据的投影距离最近的最近投影点，将所述最近投影点位于的高架路段确定为所述样本数据对应的高架路段。
233.可选的，一段高架路段具有高架路段起点距离和高架路段终点距离，所述高架路段起点距离为所述高架路段的起点位置与所在高架道路的起点位置之间的距离，所述高架路段终点距离为所述高架路段的终点位置与所在高架道路的起点位置之间的距离；
234.特征确定模块110，用于将所述最近投影点位于的高架路段确定为所述样本数据对应的高架路段包括：
235.确定所述最近投影点与所述最近投影点所在高架道路的起点位置之间的距离，将该距离落入高架路段起点距离和高架路段终点距离之间的高架路段，确定为所述样本数据对应的高架路段。
236.可选的，所述样本数据对应的高架路段由所述高架路段的路段标识进行表示。
237.可选的，图21示出了本发明实施例提供的训练位置识别模型的装置的另一框图，结合图20和图21所示，该装置还可以包括：
238.区域确定模块130，用于将高架道路和高架道路周边的普通道路切割为多个道路片段，所述道路片段包括高架道路片段和非高架道路片段；针对任一个高架道路片段，以高架道路片段和高架道路片段周围关联的非高架道路片段形成道路片段组；确定道路片段组对应的地图基础区域；基于地图基础区域迭代的进行区域合并处理，直至合并后的区域中地图基础区域的面积利用率达到最大化，将合并后的区域作为高架区域及高架附近区域。
239.可选的，区域确定模块130，用于针对任一个高架道路片段，以高架道路片段和高架道路片段周围关联的非高架道路片段形成道路片段组包括：
240.针对任一个高架道路片段，将与该高架道路片段的行进方向相匹配，且间距在预设间距内的非高架道路片段，确定为该高架道路片段周围关联的非高架道路片段，由该高架道路片段与该高架道路片段周围关联的非高架道路片段，形成该高架道路片段对应的道路片段组。
241.可选的，区域确定模块130，用于确定道路片段组对应的地图基础区域包括：
242.确定道路片段组的最小外接矩形，基于道路片段组的最小外接矩形，确定道路片段组对应的地图基础区域。
243.可选的，特征确定模块110，用于确定所述样本数据的特征还包括：
244.确定所述样本数据到高架区域的高架道路的投影距离；
245.确定所述样本数据对应的卫星分布特征；
246.确定所述样本数据对应的历史行驶速度特征。
247.可选的，特征确定模块110，用于确定所述样本数据对应的卫星分布特征包括：
248.获取在所述样本数据对应的历史行驶时间点采集的全球导航卫星系统信息；
249.基于所述全球导航卫星系统信息，获取所述样本数据对应的卫星信噪比和卫星位
置，至少根据所述卫星信噪比和卫星位置，确定所述样本数据对应的卫星分布特征。
250.可选的，特征确定模块110，用于确定至少根据所述卫星信噪比和卫星位置，确定所述样本数据对应的卫星分布特征包括：
251.将所述卫星位置投影到具有多个网格的预设平面，得到所述卫星位置在所述预设平面的投影位置；
252.至少基于所述卫星信噪比和所述投影位置，在所述预设平面的各网格中分别确定所述样本数据对应的卫星特征，集合各网格中确定的所述样本数据对应的卫星特征，得到所述样本对应的卫星分布特征。
253.可选的，特征确定模块110，用于至少基于所述卫星信噪比和所述投影位置，在所述预设平面的各网格中分别确定所述样本数据对应的卫星特征包括：
254.针对所述预设平面的任一网格，至少基于所述卫星信噪比和所述投影位置，确定卫星特征，所述卫星特征用于描述卫星在所述预设平面的网格中的信号强度和距离分布关系。
255.可选的，特征确定模块110，用于针对所述预设平面的任一网格，至少基于所述卫星信噪比和所述投影位置，确定卫星特征，所述卫星特征用于描述卫星在所述预设平面的网格中的信号强度和距离分布关系包括：
256.针对所述预设平面的任一网格，确定信噪比不为预设信噪比的第一卫星在所述预设平面的投影位置相对于该网格的中心的距离，至少根据该距离确定第一卫星在该网格的位置特征，将各第一卫星在该网格的位置特征进行累加，得到从该网格中确定的第一卫星特征；
257.针对所述预设平面的任一网格，确定信噪比为预设信噪比的第二卫星在所述预设平面的投影位置相对于该网络的中心的距离，至少根据该距离确定第二卫星在该网格的位置特征，将各第二卫星在该网格的位置特征进行累加，得到从该网格中确定的第二卫星特征；
258.针对所述预设平面的任一网格，将第一卫星在该网格的位置特征和第一卫星的信噪比相结合，得到第一卫星在该网格的结合特征，将各第一卫星在该网格的结合特征相累加，得到累加结果，将累加结果除以从该网格中确定的第一卫星特征与卫星最大信噪比的结合结果，得到从该网格中确定的第三卫星特征。
259.可选的，特征确定模块110，用于确定所述样本数据对应的历史行驶速度特征包括：
260.搜集车辆的轨迹点，从最新搜集的轨迹点开始，以设定距离为单位，将轨迹点划入单位组中，以形成多个单位组；其中，一个单位组中的起始轨迹点和结束轨迹点的间距在设定距离内；
261.基于单位组中各位置的轨迹点的历史行驶速度，确定单位组中各位置对应的平均行驶速度；
262.确定所述样本数据在所在单位组中的位置，根据所述样本数据在所在单位组中的位置对应的平均行驶速度，确定所述样本数据对应的历史行驶速度特征。
263.可选的，训练执行模块120，用于将所述样本数据的特征及所述样本数据的标记作为训练数据，对机器学习模型进行训练，以获得适用于高架场景的位置识别模型包括：
264.将标记为高架上的样本数据的特征，输入机器学习模型，获取机器学习模型输出的高架路段的高架上样本的特征向量，及将标记为高架下的样本数据的特征，输入机器学习模型，获取机器学习模型输出的高架路段的高架下样本的特征向量；
265.根据高架路段的高架上样本和高架下样本的特征向量，定义损失函数，以所述损失函数训练机器学习模型，以获得适用于高架场景的位置识别模型。
266.可选的，一方面，所述损失函数至少包括：高架路段的高架上中心特征向量和高架下中心特征向量的距离最大化；其中，高架路段的高架上中心特征向量为，高架路段的高架上样本的特征向量的均值，高架路段的高架下中心特征向量为，高架路段的高架下样本的特征向量的均值。
267.进一步的可选实现中，所述损失函数还包括：高架路段的高架上样本的特征向量与高架上中心特征向量的距离最小化，高架上样本的特征向量与高架下中心特征向量的距离最大化，高架路段的高架下样本的特征向量与高架下中心特征向量的距离最小化，高架下样本的特征向量与高架上中心特征向量的距离最大化。
268.另一方面，所述损失函数包括：高架路段的高架上样本的特征向量的间距最小化，高架路段的高架下样本的特征向量的间距最小化，且高架路段的高架上样本的特征向量与高架下样本的特征向量的间距最大化。
269.本发明实施例提供的训练位置识别模型的装置可训练能够识别车辆位置是位于高架上还是高架下的位置识别模型，从而使用该位置识别模型可基于车辆位置的特征，准确识别车辆位置是位于高架上还是高架下。
270.本发明实施例还提供一种训练服务器，该训练服务器可装载程序形式的上述训练位置识别模型的装置，以实现本发明实施例提供的训练位置识别模型的方法。在可选实现中，图22示出了本发明实施例提供的训练服务器的可选框图，如图22所示，该训练服务器可以包括：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；
271.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；
272.可选的，通信接口2可以为用于进行网络通信的通信模块的接口；
273.可选的，处理器1可能是cpu(中央处理器)，gpu(graphics processing unit，图形处理器)，npu(嵌入式神经网络处理器)，fpga(field programmable gate array，现场可编程逻辑门阵列)，tpu(张量处理单元)，ai芯片，特定集成电路asic(application specific integrated circuit)，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；
274.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-volatile memory)，例如至少一个磁盘存储器；
275.其中，存储器3存储一条或多条计算机可执行指令，处理器1调用所述一条或多条计算机可执行指令，以执行本发明实施例提供的训练位置识别模型的方法。
276.本发明实施例还提供一种存储介质，该存储介质可存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行本发明实施例提供的训练位置识别模型的方法。
277.下面对本发明实施例提供的位置识别装置进行介绍，下文描述的位置识别装置，可以认为是车载终端为实现本发明实施例提供的位置识别方法所需设置的功能模块。下文
描述的位置识别装置的内容可与上文描述的方法内容，相互对应参照。
278.在可选实现中，图23示出了本发明实施例提供的位置识别装置的框图，如图23所示，该装置可以包括：
279.车辆位置特征确定模块200，用于获取车辆位置，确定所述车辆位置对应的特征；
280.特征向量确定模块210，用于将所述车辆位置对应的特征，输入模型数据中的位置识别模型，得到所述位置识别模型输出的所述车辆位置的特征向量；
281.识别结果得到模块220，用于根据所述车辆位置的特征向量，得到所述车辆位置是位于高架上还是高架下的识别结果。
282.可选的，所述模型数据还包括：高架路段的高架上中心特征向量及高架下中心特征向量；识别结果得到模块220，用于根据所述车辆位置的特征向量，得到所述车辆位置是位于高架上还是高架下的识别结果，包括：
283.确定车辆位置的特征向量与所述高架路段的高架上中心特征向量的高架上距离，及车辆位置的特征向量与所述高架路段的高架下中心特征向量的高架下距离；
284.根据所述高架上距离和所述高架下距离，得到所述车辆位置是位于高架上还是高架下的识别结果。
285.可选的，识别结果得到模块220，用于根据所述高架上距离和所述高架下距离，得到所述车辆位置是位于高架上还是高架下的识别结果，包括：
286.如果所述高架上距离低于所述高架下距离，得到所述车辆位置位于高架上的识别结果；如果所述高架下距离低于所述高架上距离，得到所述车辆位置位于高架上的识别结果。
287.可选的，图24示出了本发明实施例提供的位置识别装置的另一框图，结合图23和图24所示，该装置还可以包括：
288.置信度确定模块230，用于根据所述高架上距离和所述高架下距离，确定所述车辆位置的置信度。
289.在进一步的具体实现中，识别结果得到模块220，用于如果所述高架上距离低于所述高架下距离，得到所述车辆位置位于高架上的识别结果，包括：
290.如果所述车辆位置的置信度大于或等于预设的高架路段的高架上置信度阈值，且，大于或等于预设阈值，得到所述车辆位置位于高架上的识别结果；
291.识别结果得到模块220，用于如果所述高架下距离低于所述高架上距离，得到所述车辆位置位于高架上的识别结果，包括：
292.如果所述车辆位置的置信度小于预设的高架路段的高架下置信度阈值，且小于预设阈值，得到所述车辆位置位于高架下的识别结果。
293.可选的，图25示出了本发明实施例提供的位置识别装置的再一框图，结合图23和图25所示，该装置可以包括：
294.导航路线获取模块240，用于至少根据所述识别结果获取导航路线。
295.在可选实现中，导航路线获取模块240，用于至少根据所述识别结果获取导航路线，包括：
296.根据识别结果及车辆位置向导航服务器发送导航请求；
297.获取所述导航服务器发送的导航路线，所述导航路线包含导航起点道路，所述导
航起点道路根据所述识别结果及所述车辆位置确定。
298.在另一种可选实现中，导航路线获取模块240，用于至少根据所述识别结果获取导航路线，包括：
299.如果连续多个车辆位置是位于高架上还是高架下的识别结果，与当前导航路线标识的所述连续多个车辆位置是位于高架上还是高架下的标识结果不同，确定发生偏航；
300.根据当前车辆位置及当前车辆位置是位于高架上还是高架下的识别结果，向导航服务器请求重新规划导航路线；
301.获取所述导航服务器发送的重新规划的导航路线。
302.本发明实施例提供的位置识别方法，可准确识别车辆位置是位于高架上还是高架下，从而在高架场景下为车辆提供准确的导航服务提供了可能。
303.本发明实施例还提供一种车载终端，该车载终端可装载程序形式的上述位置识别装置，以实现本发明实施例提供的位置识别方法。该车载终端的可选框图可结合图22所示，包括至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行本发明实施例提供的位置识别方法。
304.本发明实施例还提供一种存储介质，该存储介质可存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行本发明实施例提供的位置识别方法。
305.虽然本发明实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。