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！

龙图腾网获悉清华大学申请的专利一种具有防御行为的自动驾驶车辆非保守决控方法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：CN119319846B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411146004.0，技术领域涉及：B60W60/00；该发明授权一种具有防御行为的自动驾驶车辆非保守决控方法是由李升波;郜嘉鑫;李绍松;邹文俊;王左帅;蒋北艳;杨森;高浩宇;何雷;成波设计研发完成，并于2024-08-20向国家知识产权局提交的专利申请。

本一种具有防御行为的自动驾驶车辆非保守决控方法在说明书摘要公布了：本发明公开了一种具有防御行为的自动驾驶车辆非保守决控方法，本发明的方法包括结合自车和周边交通环境信息，预测交通参与者未来轨迹的概率分布，并结合空间位置关系构建交通环境时空风险态势评估模型。同时，将环境不确定性融入集成式决控架构，构建模型预测优化控制问题，通过优化求解前轮转角和纵向加速度控制指令，控制车辆实现自动驾驶任务。本发明可以确保车辆面对潜在危险时不做出过激反应，同时又不会因过于保守而降低驾驶质量，实现不确定性环境下自动驾驶车辆的安全、非保守行驶。

本发明授权一种具有防御行为的自动驾驶车辆非保守决控方法在权利要求书中公布了：1.一种具有防御行为的自动驾驶车辆非保守决控方法，其特征在于，包括： 根据自车和周边交通环境信息预测交通参与者运动轨迹，以将环境不确定性信息建模为多模态概率分布，并结合空间位置关系构建时空风险态势评估模型； 基于所述时空风险态势评估模型选择每条候选静态路径设定的期望通行速度和期望停止速度两种策略中的最优控制策略；以及通过评估自车候选路径的指标构建的成本函数，确定自动驾驶的最佳路径；以结合自车动力学模型，并基于模型预测控制构造约束型最优控制问题； 基于交互场景下人类驾驶员的驾驶行为和决策过程，将环境不确定性信息融入集成式决控架构，以通过所述约束型最优控制问题对前轮转角和纵向加速度控制指令的优化求解，控制车辆实现自动驾驶任务； 所述环境不确定性信息包括：周围车辆和或行人的运动方向、速度、加速度以及周围车辆和或行人的意图； 所述根据自车和周边交通环境信息预测交通参与者运动轨迹，以将环境不确定性信息建模为多模态概率分布，包括： 定义第一网络输入信息；其中，所述第一网络输入信息，包括交通参与者的历史轨迹信息和车道中心线信息； 将第二网络输入信息输入全连接层，并基于所述第一网络输入信息和所述第二网络输入信息构建长短时记忆网络LSTM输入张量，以预测输出交通参与者在未来预设时域内轨迹的多模态分布；其中，所述第二网络输入信息，包括自车状态、静态轨迹、道路约束、交通参与者和红绿灯信息； 建立基于车辆历史轨迹、行驶意图和车间运动交互的轨迹预测模型，以根据所述多模态分布并通过LSTM解码器输出车辆在未来预设时域内轨迹的多模态概率分布； 交通参与者的历史轨迹信息和车道中心线信息，其中，为编号为i的交通参与者在历史时域[t‑n, t]内的轨迹信息；表征地图中编号为j的车道中心线信息，x，y分别为车道中心线的纵向和横向坐标向量，为第j条车道中心线的后续车道编号，为车道的信号灯信息，表示车辆是否处于交叉口内； 基于所述时空风险态势评估模型选择每条候选静态路径设定的期望通行速度和期望停止速度两种策略中的最优控制策略；以及通过评估自车候选路径的指标构建的成本函数，确定自动驾驶的最佳路径，包括： 基于至少包括道路结构、限速、路面标识、交通法规的静态信息，结合人类驾驶经验设计不含时间信息的备选路径集合及期望车速，为每一条候选静态路径设定期望通行速度和期望停止速度的两种策略，并基于所述时空风险态势评估模型选择对这两种策略进行选择和切换； 在每个控制周期，结合交通参与者在未来预设时域内轨迹的多模态分布，通过评估自车候选路径的潜在碰撞风险、交通效率和行驶合规性的三个指标构建的成本函数，确定自动驾驶的最佳路径； 所述结合自车动力学模型，并基于模型预测控制构造约束型最优控制问题，包括： 结合自车动力学模型，以交通参与者为主要约束，并基于道路边缘约束和红绿灯限制，基于模型预测控制MPC构造约束型最优控制问题；包括： 以跟踪第i条路径的有限时域预测控制，描述最优控制问题的数学表达形式： 1满足： 且服从于交通参与者的约束： 道路边缘约束： 红绿灯约束： 其中，t是当前时刻，是预测时域的虚拟时间，T是预测时域长度，为期望的跟踪位置，为期望的行驶速度，是自车状态，是车辆控制量，是周围交通参与者的状态，包括与C个交通参与者与自车形成的约束关系，是指与道路边缘围成的可行驶区域，为周车的安全距离，为与道路边缘的安全距离，为与道路交叉口停止线的距离，R代表红灯，G代表绿灯； 基于交互场景下人类驾驶员的驾驶行为和决策过程，将环境不确定性信息融入集成式决控架构，以通过所述约束型最优控制问题对前轮转角和纵向加速度控制指令的优化求解，控制车辆实现自动驾驶任务，包括： 通过未来不同可能性的概率分布表征对成本函数的贡献程度，将处理不确定性问题构造为一个模型预测优化问题； 通过场景数据、全连接层以及LSTM网络，基于交通参与者在未来预设时域内轨迹的多模态分布和自动驾驶车辆的静态路径集合，选定相关联车辆和潜在碰撞区域，针对每个碰撞区域，都设定一个安全线和停止线； 定义从自车当前位置到达潜在碰撞区域的时间为TTC，引入约束修正TTC准则；在交通环境风险态势评估时，采用贝叶斯网络评估交通场景中的潜在风险； 在MPC预测时域内设计一个共享安全集和一个预瞄安全集：在共享安全集，不考虑交通环境的不确定性；在预瞄安全集，结合交通环境中潜在威胁的概率分布，并将概率约束集成到MPC的优化问题中； 根据实时环境信息，更新概率模型并重新求解MPC优化问题，实现对环境不确定性的动态处理：将MPC预测时域划分成所述共享安全集和预瞄安全集，构建约束型多目标优化控制问题，将环境不确定性因素统一融入集成式决控架构中； 优化确定前轮转角和纵向加速度的共享动作序列和分叉动作序列，并将优化确定的控制指令输入给车辆，实现车辆的自动驾驶任务。

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清华大学，其通讯地址为：100084 北京市海淀区清华园；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”。

以上内容由龙图腾AI智能生成。