本技术属于数字钥匙，具体涉及一种数字钥匙位置预测方法、系统，设备及存储介质。
背景技术：
1、当今，随着数字钥匙技术的普及，提高定位的准确性成为本领域技术发展的主要方向。数字钥匙的位置预测对算法的定位精度、延迟性、区域跳变和标定精度损失等都有一定的要求。蓝牙信号的非线性波动会使数字钥匙位置预测的精度下降。由于蓝牙信号强度远距离和近距离存在一定的相似性，导致预测距离存在跳动，影响预测的准确性。另外，不同厂商生产的数字钥匙的标定数据存在较大差别，在数字钥匙标定过程中，需要对不同厂商生产的数字钥匙进行单独标定，这种标定方法耗费不必要的人力和物力，而且精确度低。并且，由于智能进出是一个动态过程，动态数据和静态数据存在较大的差别，需要采集动态数据，但蓝牙数据只有信号强度，无法实时获取真实距离。
技术实现思路
1、针对上述技术问题，本技术提出一种数字钥匙位置预测方法、系统，设备及存储介质。
2、具体地，一种数字钥匙位置预测方法，所述方法包括：
3、分别获取多个数字钥匙的位置信息，得到第一数字钥匙位置信息和第二数字钥匙位置信息；
4、将所述第一数字钥匙位置信息和第二数字钥匙位置信息进行合并，并将每个数字钥匙分别映射的编号信息与对应数字钥匙的位置信息绑定，得到数字钥匙位置信息数据集；
5、将所述第一数字钥匙位置信息输入位置预测模型，得到当前帧数字钥匙位置预测信息；
6、根据所述数字钥匙位置信息数据集中的上一帧数字钥匙位置信息和所述当前帧数字钥匙位置预测信息，得到当前帧数字钥匙位置预测结果；
7、判断所述当前帧数字钥匙位置预测结果是否符合人类运动速度先验知识，根据判断结果获得最终数字钥匙预测位置。
8、在一优选实施例中，所述卷积神经网络的卷积核大小为3*1；所述蓝牙输入数据的特性为9*1*1。采用一维卷积可以降低参数量，构建一个极小网络，从而更好地适应蓝牙输入数据的特征。
9、通过连接设备数字编码对不同连接设备蓝牙信号数据样本进行区分，便于对各种手机进行各个边界的调整，提高定位准确率和智能进出的直观效果；通过s32k148环境，测试算法可行性以及运行时间，cnn传统采用3*3的卷积核操作，整个网络的参数量和运行时间都不能达到芯片的要求，因此本实施例中采用卷积核大小为3*1的一维卷积神经网络。
10、由于不同厂商生产的数字钥匙在汽车上的标定数据存在一定差异，而相同厂商生产的数字钥匙在标定数据上差别不大，在本发明一优选实施例中，所述多个数字钥匙的位置信息包括多个厂商生产的数字钥匙。
11、卷积神经网络输出当前帧的预测rssi值，根据所述当前帧的预测rssi值得到当前的预测距离，再对上一帧的预测距离和当前的预测距离进行加权求和，得到当前的实际距离。
12、进一步的，所述分别获取多个数字钥匙的位置信息，包括：
13、通过第一定位模块获取多个数字钥匙的rssi信息，同时通过第二定位模块获取多个数字钥匙的uwb定位信息。
14、其中，第一定位模块可以是蓝牙模块，第二定位模块可以是uwb模块。为了得到更加精确的uwb定位信息，令所述uwb模块与车身表面紧贴。
15、由于智能进出是一个动态过程，动态数据和静态数据存在较大的差别，需要采集动态数据，但是蓝牙数据只有信号强度，即rssi值，无法实时获取真实距离，需要结合低误差的uwb模块返回更接近实际情况的实时数据，给蓝牙信号强度距离标签。
16、进一步的，所述将所述第一数字钥匙位置信息输入位置预测模型之前，还包括：
17、利用所述数字钥匙位置信息数据集对卷积神经网络进行训练和测试，得到所述位置预测模型；其中，所述卷积神经网络为一维卷积神经网络。
18、进一步的，所述利用所述数字钥匙位置信息数据集对卷积神经网络进行训练和测试，得到位置预测模型，包括：
19、将所述数字钥匙位置信息数据集划分为训练数据集和测试数据集；
20、利用所述训练数据集对所述卷积神经网络进行训练，得到训练后的卷积神经网络；
21、将所述测试数据集输入所述训练后的卷积神经网络，输出得到误差值，当所述误差值满足一指定条件，将所述训练后的卷积神经网络作为位置预测模型。
22、进一步的，所述判断所述当前帧数字钥匙位置预测结果是否符合人类运动速度先验知识，根据判断结果获得最终数字钥匙预测位置，包括：
23、若符合，取所述当前帧数字钥匙位置预测结果作为数字钥匙预测位置；
24、若不符合，取所述上一帧数字钥匙位置信息作为数字钥匙预测位置。
25、通过cnn网络计算的距离随着蓝牙的波动跳动比较大，但智能进出过程是一个时序靠近、远离或者静止状态，由于芯片的存储和算力的限制，在预测结果输出后，结合上一帧的定位结果和当前的预测距离进行加权求和确定当前的实际距离，并增加人类运动速度的先验知识进行距离变化控制，最终定位距离进行控制约束。
26、人类运动速度的先验知识是指在进行人体运动分析或定位等应用中，根据生活经验和科学研究成果，预先知道的一些关于人类在正常生理条件下可能达到的最大、最小及平均速度范围的知识。例如：成年人正常步行速度大致在1.1至1.4米/秒（大约3.96至5.04公里/小时）之间，快步走速度可能在1.4至1.7米/秒之间；成年人慢跑速度约在2.5至3.0米/秒（9至10.8公里/小时），专业运动员的冲刺速度可能高达12米/秒（约43.2公里/小时）以上。
27、如果系统计算出的位置变化速率超过或低于这些先验知识设定的阈值，就可能认为当前估计结果存在问题，需要结合其他信息进行修正或拒绝接受该结果，从而提高系统的定位准确性和鲁棒性。
28、其中，如果当前帧数字钥匙位置预测结果不符合人类运动速度先验知识，说明当前帧预测得到的数据不符合实际，因此不采用这个预测结果作为数字钥匙预测位置，而是取上一帧数字钥匙位置信息作为数字钥匙预测位置。
29、基于同一发明构思，本技术提出一种根据所述的数字钥匙位置预测方法的系统，所述系统包括：
30、定位模块，用于获取多个数字钥匙的位置信息，得到第一数字钥匙位置信息和第二数字钥匙位置信息；
31、数据集构建模块，用于将所述第一数字钥匙位置信息和第二数字钥匙位置信息进行合并，并将每个数字钥匙分别映射的编号信息与对应数字钥匙的位置信息绑定，构建得到数字钥匙位置信息数据集；
32、处理模块，用于根据所述数字钥匙位置信息数据集中的上一帧数字钥匙位置信息和所述当前帧数字钥匙位置预测信息，得到当前帧数字钥匙位置预测结果；
33、判断模块，用于判断所述当前帧数字钥匙位置预测结果是否符合人类运动速度先验知识，根据判断结果获得最终数字钥匙预测位置。
34、进一步的，所述系统还包括：
35、模型构建模块，用于利用所述数字钥匙位置信息数据集对卷积神经网络进行训练和测试，得到位置预测模型。
36、进一步的，所述模型构建模块包括：
37、划分模块，用于将所述数字钥匙位置信息数据集划分为训练数据集和测试数据集；
38、训练模块，用于利用所述训练数据集对所述卷积神经网络进行训练，得到训练后的卷积神经网络；
39、测试模块，用于将所述测试数据集输入所述训练后的卷积神经网络，输出得到误差值，当所述误差值满足一指定条件，将所述训练后的卷积神经网络作为位置预测模型。
40、基于同一发明构思，本技术提出一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如所述的数字钥匙位置预测方法。
41、基于同一发明构思，本技术提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被控制处理器执行时实现如所述的数字钥匙位置预测方法。
42、需要说明的是，由于本实施例中的计算机可读存储介质与上述实施例中的数字钥匙位置预测方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
43、综上，本技术提出一种数字钥匙位置预测方法、系统，设备及存储介质，分别获取多个数字钥匙的位置信息，得到第一数字钥匙位置信息和第二数字钥匙位置信息；将两种位置信息进行合并，并将每个数字钥匙分别映射的编号信息与对应数字钥匙的位置信息绑定，得到数字钥匙位置信息数据集；将第一数字钥匙位置信息输入位置预测模型，得到当前帧数字钥匙位置预测信息；根据上一帧数字钥匙位置信息和当前帧数字钥匙位置预测信息，得到当前帧数字钥匙位置预测结果；判断当前帧数字钥匙位置预测结果是否符合人类运动速度先验知识，根据判断结果获得最终数字钥匙预测位置。本技术有效提高了数字钥匙位置预测的精度、性能和稳定性。
44、与现有技术相比，本技术至少存在以下有益效果：
45、本技术利用多个数字钥匙的定位数据训练位置预测模型，其中多个数字钥匙包括多个不同厂商生产的数字钥匙，从而使预测结果更加全面和准确；通过上下帧输出距离结果的加权处理和人类运动速度的先验知识控制实际距离输出和定位区域，有效提高了数字钥匙位置预测的精度、性能和稳定性；采用更加适合处理蓝牙位置信息的卷积神经网络进行距离回归预测，提高了数字钥匙位置预测的准确性。
1.一种数字钥匙位置预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种数字钥匙位置预测方法，其特征在于，所述分别获取多个数字钥匙的位置信息，包括：
3.根据权利要求2所述的一种数字钥匙位置预测方法，其特征在于，所述将所述第一数字钥匙位置信息输入位置预测模型之前，还包括：
4.根据权利要求3所述的一种数字钥匙位置预测方法，其特征在于，所述利用所述数字钥匙位置信息数据集对卷积神经网络进行训练和测试，得到位置预测模型，包括：
5.根据权利要求4所述的一种数字钥匙位置预测方法，其特征在于，所述判断所述当前帧数字钥匙位置预测结果是否符合人类运动速度先验知识，根据判断结果获得最终数字钥匙预测位置，包括：
6.一种根据权利要求1-5任一项所述的数字钥匙位置预测方法的系统，其特征在于，所述系统包括：
7.根据权利要求6所述的一种数字钥匙位置预测系统，其特征在于，所述系统还包括：
8.根据权利要求7所述的一种数字钥匙位置预测系统，其特征在于，所述模型构建模块包括：
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-5任一项所述的数字钥匙位置预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，其特征在于，所述计算机可执行指令被控制处理器执行时实现如权利要求1-5任一项所述的数字钥匙位置预测方法。
