买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种基于知识图谱的自动驾驶决策方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114818707B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210201601.3，技术领域涉及：G06F40/295；该发明授权一种基于知识图谱的自动驾驶决策方法和系统是由杨世春;冯鑫杰;曹耀光;陈昱伊;张梦月;彭朝霞;高灵飞;马源设计研发完成，并于2022-03-02向国家知识产权局提交的专利申请。

本一种基于知识图谱的自动驾驶决策方法和系统在说明书摘要公布了：一种基于知识图谱的自动驾驶决策系统，包括知识图谱库和决策强化学习模块。知识图谱库将互联网上的驾驶知识映射成三元组的形式，利用驾驶知识图谱进行知识表达与推理，既能分类管理海量的知识，又能减少传统的规则‑案例匹配过程所花费的时间，使得知识检索的实时性提高。所述知识图谱库获取驾驶场景并通过其内存储的驾驶场景经验样本为决策强化学习模块提供专家经验，进而向决策模块输出高置信度的驾驶策略，引导决策模块适应复杂多变的交通环境，保证车辆的安全性，同时通过知识图谱的知识图实现自动驾驶决策信息的可解释性，增加自动驾驶决策系统的可信度，提升乘客对于自动驾驶车辆的信任度。

本发明授权一种基于知识图谱的自动驾驶决策方法和系统在权利要求书中公布了：1.一种基于知识图谱的自动驾驶决策系统，其特征在于，包括知识图谱库和决策强化学习模块；所述知识图谱库获取驾驶场景并通过其内存储的驾驶场景经验样本为决策强化学习模块提供专家经验，进而向决策模块输出高置信度的驾驶策略； 所述知识图谱库包括数据获取模块、实体识别模块、关系抽取模块和图谱存储模块； 所述数据获取模块包括数据爬取分模块和数据清洗分模块，所述数据爬取分模块从互联网上爬取海量的交通原始数据，数据清洗分模块通过数据清洗去除所述交通原始数据中的重复数据和空数据，得到有效数据； 所述实体识别模块通过实体识别深度学习模型对所述有效数据进行稳定识别得到各个实体名称； 所述关系抽取模块通过关系抽取模型对识别出的实体名称进行标记和特征选择得到各实体名称对应的实体之间的实体关系； 所述图谱存储模块通过Neo4j图数据库来存储包括各个实体名称和实体关系的知识图谱，并利用属性图模型进行知识图谱的实时存储与查询工作； 所述决策强化学习模块包括驾驶场景复杂度计算分模块和最优驾驶行为策略计算分模块；所述驾驶场景复杂度计算分模块基于知识图谱库计算驾驶场景复杂度；所述最优驾驶行为策略计算分模块将驾驶场景复杂度引入到决策强化学习模型中筛选出最优驾驶行为策略； 所述驾驶场景复杂度计算分模块对驾驶场景中实体关系的类别进行安全性综合评判得到场景复杂度综合取值E；所述场景复杂度综合取值E作为知识图谱的三元组“值”元素参与自动驾驶决策系统的构建；所述安全性综合评判是指将实体关系中对主车安全性影响因素大的类别归到高级别安全等级并按照安全等级i对其赋予安全性评判的分级值Xi；所述场景复杂度综合取值E＝α1X1+α2X2+···+αiXi，其中，αi为场景复杂度变量，通过感知层中得到驾驶场景中的环境要素，查询知识图谱库映射安全性评判值，若某一安全等级存在αi为1，否则αi为0； 所述决策强化学习模型采用Q学习算法求最优值函数，Q学习算法设计的值函数Vπst表达式为： 值函数Vπst与Q函数Qtst，at的关系为： 其中，在t时刻执行动作at，从环境中获得奖赏R；当前环境状态为st，动作结束后环境的状态为st+1，因此动作而获得的回报信号为Rst，at；策略πa|s是根据环境状态s来决定智能体下一步的动作a的函数，Vπst为Qtst，at关于动作a的期望； Q学习算法通过对Q值函数的迭代，按照优化的动作序列在执行时的折扣累计强化信号来获取最优策略π；即有： Qt+1st,at＝Rst,at+γmaxQst+1,at+εE Q函数的初值任意选取，完成每次动作并获得回报后，更新Q函数，其中α为学习因子： Qtst，at＝1-aQt-1st,at+α[Rst,at+γmaxQt-1st+1，at+1+εE]。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。