(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221048475 0.5 (22)申请日 2022.05.06 (71)申请人 华南师范大学 地址 510006 广东省广州市番禺区外环西 路378号华南师范大学华南先进光电 子研究院 (72)发明人 彭保　陈宇琳　齐觊　郑添屹　 杜美萱　周国富　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 廖慧贤 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 无人机定位方法及其装置、 电子设备、 存储 介质 (57)摘要 本发明涉及人工智能技术领域， 尤其是涉及 一种无人机定位方法及其装置、 电子设备、 存储 介质。 在本发明无人机定位方法中， 先获取待识 别组图， 所述待识别组图包括无人机航行过程中 采集到的多张环境图像， 多张所述环 境图像之间 具备空间连续性特征， 进一步， 基于记忆网络模 型对所述待识别组图进行空间连续性特征提取， 得到所述待识别组图的连续特征向量， 进而基于 所述无人机的预设初始位置与所述连续特征向 量， 最终确定所述无人机的实时位置信息。 通过 本发明提供的的无人机定位方法， 无人机在航行 过程中基于预设初始位置与记忆网络模型提取 得到的连续特征向量， 即可获取到无人机当前的 实时位置信息， 提高了无 人机的定位效率。 权利要求书2页 说明书11页 附图7页 CN 114998765 A 2022.09.02 CN 114998765 A 1.一种无 人机定位方法， 其特 征在于， 包括： 获取待识别组图， 所述待识别组图包括无人机航行过程中采集到的多张环境图像， 多 张所述环境图像之间具 备空间连续 性特征； 基于记忆网络模型对所述待识别组图进行空间连续性特征提取， 得到所述待识别组图 的连续特 征向量； 基于所述无人机的预设初始位置与 所述连续特征向量， 确定所述无人机的实时位置信 息。 2.根据权利要求1所述的方法， 其特征在于， 所述基于记忆网络模型对所述待识别组图 进行空间连续 性特征提取， 得到所述待识别组图的连续特 征向量之前， 还 包括： 获取训练数据集， 所述训练数据集包括多张具备空间连续性特征的预设环境图像、 与 每张所述预设环境图像匹配的预设位移数据； 基于所述训练数据集对基础识别模型进行优化训练， 得到所述记 忆网络模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述训练数据集对基础识别模型 进行优化训练， 得到所述记 忆网络模型， 包括： 基于所述训练数据集对所述基础识别模型进行迭代训练， 每一轮所述迭代训练中， 将 多张所述预设环境图像输入所述基础识别模型进 行本轮训练处理， 获取与每张所述预设环 境图像对应的本轮位移数据； 每一轮所述迭代训练后， 将多组所述本轮位移数据与多组所述预设位移数据进行比 对， 计算所述基础识别模型的识别准确率并对所述基础识别模型的参数进行 更新； 统计所述识别准确率在每一轮所述迭代训练后的变化情况， 当所述识别准确率收敛于 定值， 得到训练好的所述记 忆网络模型。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述训练数据集对所述基础识别 模型进行迭代训练， 每一轮所述迭代训练中， 将多张所述预设环境图像输入所述基础识别 模型进行本轮训练 处理， 获取与多张所述预设环境图像对应的多组本轮位移数据， 包括： 所述本轮训练处理中， 获取所述无人机视角在多张所述预设环境图像之间的多组本轮 运动方向、 多组本轮运动距离； 基于多组所述本轮运动方向与多组所述本轮运动距离， 获取多组所述本轮位移数据。 5.根据权利要求3所述的方法， 其特征在于， 所述每一轮所述迭代训练后， 将多组所述 本轮位移数据与多组所述预设位移数据进 行比对， 计算所述基础识别模型的识别准确率并 对所述基础识别模型的参数进行 更新， 包括； 根据多组所述本轮位移数据与多组所述预设位移数据， 得到各组位移估计误差； 获取各组所述 位移估计误差中小于预设阈值的精确结果数量； 根据所述精确结果数量、 所述本轮位移数据的总数量， 计算所述识别准确率。 6.根据权利要求1至5任一项所述的方法， 其特征在于， 所述基于记忆网络模型对所述 待识别组图进行空间连续 性特征提取， 得到所述待识别组图的连续特 征向量， 包括： 对所述待识别组图进行池化操作， 生成缩小特 征图数据； 对所述缩小特 征图数据进行降维处 理， 获取降维特 征向量； 通过所述记忆网络模型从所述降维特征向量中提取所述空间连续性特征， 得到所述连 续特征向量。权　利　要　求　书 1/2 页 2 CN 114998765 A 27.根据权利要求1所述的方法， 其特征在于， 所述基于所述无人机的预设初始位置与 所 述连续特 征向量， 确定所述无 人机的实时位置信息， 包括： 将所述连续特 征向量输入所述记 忆网络模型的全连接层； 基于所述全连接层对所述连续特征向量进行回归处理， 获取与 所述无人机的航行过程 对应的实际位移数据； 根据所述预设初始位置与所述实际位移数据， 确定所述无 人机的所述实时位置信息 。 8.一种无 人机定位装置， 其特 征在于， 包括： 图像获取模块， 用于获取待识别组图， 所述待识别组图包括无人机航行过程中采集到 的多张环境图像， 多张所述环境图像之间具 备空间连续 性特征； 图像处理模块， 用于基于记忆网络模型对所述待识别组图进行空间连续性特征提取， 得到所述待识别组图的连续特 征向量； 定位运算模块， 用于基于所述无人机的预设初始位置与所述连续特征向量， 确定所述 无人机的实时位置信息 。 9.一种电子设备， 其特征在于， 包括： 存储器、 处理器， 所述存储器存储有计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的无人机定位方 法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序， 所述程序被处 理器执行实现如权利要求1至7中任意 一项所述的无 人机定位方法。权　利　要　求　书 2/2 页 3 CN 114998765 A 3