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！

龙图腾网获悉华东师范大学申请的专利基于因果多向粒子群的自动驾驶关键边缘场景生成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：CN119761196B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411886699.6，技术领域涉及：G06F30/27；该发明授权基于因果多向粒子群的自动驾驶关键边缘场景生成方法是由杜德慧;郑成行设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本基于因果多向粒子群的自动驾驶关键边缘场景生成方法在说明书摘要公布了：本发明公开了一种基于因果多向粒子群的自动驾驶关键边缘场景生成方法，在基于场景的自动驾驶系统测试过程中，关键场景和边缘场景对于提升测试效率十分重要。关键场景通常指会对被测系统产生安全挑战的场景，边缘场景通常指在场景分布中概率很低的场景。本发明旨在结合、改进优化算法和变分自编码器生成自动驾驶安全关键边缘场景。该方法在优化过程中迭代使用FGES算法进行因果关系挖掘，利用因果关系调整粒子的速度，从而更高效优化关键场景。在使用优化算法对场景空间有了对初步遍历后，使用变分自编码器拟合样本空间的分布，最后通过采样技术即可得到边缘场景。

本发明授权基于因果多向粒子群的自动驾驶关键边缘场景生成方法在权利要求书中公布了：1.一种基于因果多向粒子群的自动驾驶关键边缘场景生成方法，其特征在于，包括如下具体步骤： 步骤1：基于标准自动驾驶场景模型，给出建模的自动驾驶场景的逻辑模型 1.1：明确自动驾驶场景所具备的要素； 1.2：通过自动驾驶场景建模语言建模出场景的逻辑模型； 步骤2：基于因果多向粒子群算法生成关键场景以及场景样本数据集 2.1：使用混沌迭代初始化种群，记当前种群为P； 2.2：进入迭代，计算种群P中所有个体的适应度； 2.3：更新全局最优点集Po，以及个体局部最优点； 2.4：使用因果发现算法，计算个体位置和适应度的因果关系； 2.5：更新所有个体的速度，并基于因果关系对个体的速度进行修正，最后基于修正后的速度更新个体的位置； 2.6：将所有个体的位置，加入到场景样本数据集D； 2.7：如果达到最大迭代次数，则结束，否则重复步骤2； 步骤3：结合VAE和重要性采样算法生成关键边缘场景 3.1：基于所述的场景样本数据集D，使用VAE训练拟合其分布；训练过程中优化使用Adam优化器，最终得到潜在空间z的分布，以及VAE的解码器d； 3.2：使用采样方法对潜在空间z进行采样并经过解码器映射，得到关键边缘场景；其中： 所述步骤2.4具体包括： 使用FGES算法对当前种群计算个体位置和适应度的因果关系，并以有向无环图的形式返回，记为G； 所述步骤2.5具体包括： 首先，对于当前种群中的所有个体，会依据如下的更新公式，对速度进行更新： Vi＝ω×Vi+c1×rand×pbesti-x+c2×rand×gbesti-xi 其中vi表示第i个粒子的速度，xi表示第i个粒子的位置；w是惯性因子，值为非负，表示来自自身上次速度大小和方向的影响；c1和c2表示学习因子，表示来自自身最优和全局最优的经验部分的权重；rand函数生成一个0到1之间的随机数；pbesti表示第i个粒子曾到过的最佳位置；gbesti表示离第i个粒子最近的一个Po中的位置； 维护的不是一个全局最优点gbesti，而是一个全局最优点集Po；所以，对于上式中的gbesti，用距离当前个体最近、并且适应度大于当前个体的Po中的点进行替代；这样使得算法不是朝着某一个最优方向搜索，而是朝着所有更优的方向进行搜索，从而搜索整个样本空间； 记通过上面所述得到的个体速度为v；之后，根据因果关系对速度进行调整，使其朝着和适应度更相关的方向移动；根据有向无环图G，每一个有向边的出点都是入点的原因，入点都是出点的结果；对于个体速度的每一个维度，检查在有向无环图中，维度是否是适应度的直接原因，即检查变量维度节点是否有到适应度节点的边；如果是适应度的直接原因，则这个维度的速度保持不变，否则会将这个维度的速度进行衰减，这通过乘以一个小于1的衰减系数来实现；记经过因果关系修正的个体速度为v′，之后使用v′对当前个体位置进行更新即能够得到新个体的位置； v′i＝ωi·vi 其中vi是第i维度的当前速度；ωi是第i维度的衰减因子；最后得到v′如下： v′＝v′1,v′2，..,v′V 其中V代表速度的维度数； 所述步骤3.1具体包括： 首先，定义数据集D中每一个输入到VAE的场景为向量x，以及编码器Encoder和解码器Decoder，分别使用e和d表示；其中e是为了求解qz|x，将输入x映射到隐藏空间参数z的分布上面，假设z服从标准正态分布；d是为了求解px|z，将隐藏空间参数z映射到训练样本x的分布； 使用的VAE编码器由3层全连接层组成，每个层包含128到256个神经元，使用ReLU激活函数；均值和方差输出层：最后一层分别输出潜在空间的均值和对数方差，用于从高斯分布中采样；解码器同样由2到3个全连接层，神经元数量与编码器相同；最后一层的神经元数为每个场景数据样本的变量数；这个网络的设计能够保证模型在较小的样本数据集上良好拟合分布，同时潜在空间的维度能够根据数据集的复杂性进行调整； VAE的训练目标有两个，分别是使qz|x和qz接近以及使解码器输出和x接近；故损失函数由两部分定义，其中第一部分由KL散度定义： qz|x是通过编码器网络得到的潜在变量，z的后验分布为条件分布；pz是潜在变量z的先验分布，假设为标准正态分布N0,μ；μ和σ是从编码器中学习到的潜在变量的均值和方差； 第二部分衡量重构误差，定义如下： ReconstructionLoss＝Eqz|x[logpx|z] 式中，px|z是解码器生成的概率分布，描述给定潜在变量z的情况下，重构数据x的可能性；logpx|z是基于输入数据与生成数据之间的对数似然度量；用于度量解码器生成的数据与原始数据的相似性；E表示通过期望计算，在潜在变量qz|x下计算重构的对数似然，即对不同的潜在样本进行求和； 训练步骤如下： 初始化模型参数，随机初始化编码器和解码器的参数； 前向传播，将输入数据x输入编码器，得到隐变量的分布参数μ和σ； 从隐变量的分布中采样z；将z输入解码器，得到重建数据x’； 计算损失，根据前述的损失函数计算总损失； 反向传播和参数更新，使用优化算法对模型参数进行更新，以最小化损失函数； 重复上述步骤，直到模型收敛或达到最大训练次数；最后得到的潜在空间z的分布pz服从标准正态分布N0,I，以及由多个线性网络层组成的解码器d。

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华东师范大学，其通讯地址为：200241 上海市闵行区东川路500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”。

以上内容由龙图腾AI智能生成。