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！

龙图腾网获悉重庆大学申请的专利一种基于交通异构图的自动驾驶预测-规划集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：CN119942790B 。

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：202510100416.9，技术领域涉及：G08G1/01；该发明授权一种基于交通异构图的自动驾驶预测-规划集成方法是由唐小林;张焜埸;苏奇正;吴衍东;杨为;李佳承设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种基于交通异构图的自动驾驶预测-规划集成方法在说明书摘要公布了：本发明涉及一种基于交通异构图的自动驾驶预测‑规划集成方法，属于自动驾驶汽车技术领域。该方法包括：S1：建模智能体动态特征以及交通参与者之间的交互特征，并设计基于图卷积网络的车道图节点特征表示；S2：采用编码‑解码架构，通过图注意力机制捕捉车道节点与智能体之间的交互特征，进行特征融合后构建基于交通异构图的多智能体轨迹预测模型；S3：基于轨迹预测模型输出的周围车辆未来位置信息，设计目标函数及多种约束来进行自车动作最优化求解。与传统规划方法相比，本发明预测性能、安全性以及行驶效率更加优异。

本发明授权一种基于交通异构图的自动驾驶预测-规划集成方法在权利要求书中公布了：1.一种基于交通异构图的自动驾驶预测-规划集成方法，其特征在于，该方法具体包括以下步骤： S1：建模智能体动态特征以及交通参与者之间的交互特征；对于每个智能体，均设计动态筛选条件来选择邻居节点： 其中，为筛选的圆周半径，Vit为目标节点当前车速，Lvehicle为车辆的长度，λR为经验选定的恒定值； S2：设计基于图卷积网络的车道图节点特征表示；采用编码-解码架构，通过图注意力机制捕捉车道节点与智能体之间的交互特征，进行特征融合后构建基于交通异构图的多智能体轨迹预测模型；步骤S2具体包括以下步骤： S21：基于行驶车道信息通过多项式插值方法将其转换为列表数据；每隔1m采样一插值点，作为车道节点，具体表示为： 其中，m代表当前场景的车道数1≤i≤m,j表示单条车道的节点总数； S22：基于得到的车道节点信息，对于车道添加车道信息矩阵来扩充车道节点特征： 其中，lu,lv是车道节点索引值的集合，Lanepre矩阵表示lv索引的车道节点是lu索引的对应车道节点的前继节点，同理，Lanesuc代表后续节点，Laneleft,Laneright分别代表左邻，右邻节点； S23：对于建立的位置信息关系，利用图卷积思想进行特征强化，使用以下公式来更新目标节点特征： 其中，为目标车道节点特征，为进行特征映射的线性层，为聚合位置关系后的节点特征，具体计算方式为： 其中，是对目标特征进行线性变换的全连接层； S24：将pre和suc类型节点扩展k步，节点特征更新变为： 其中，lv_k索引的车道节点为lu_k索引的前继后续第k个节点；为扩展节点特征对应的线性变换层； S25：引入注意力机制来建模车辆-车道交互特征，在得到智能体特征A和车道节点特征的情况下，首先遍历智能体节点和车道节点，筛选出距离满足范围要求的节点对，得到其对应的索引列表：ci,cj，并且记录每一对满足条件的节点的距离信息；后续对筛选出的特征信息进行线性变换，得到智能体查询特征query和距离特征dist，基于以上信息，进一步得到与智能体节点以距离信息连接交互车道节点的特征级联并进行特征叠加： Ctx＝Wcquery‖dist‖ctx 其中，ctx为筛选出的车道节点特征，Ctx为查询特征、距离特征以及车道节点聚合特征的融合向量，与对应智能体节点特征累加后，经过激活层Relu以及正则化层Norm，得到车辆车道交互特征la，Wl、Wc以及均为对应特征进行线性变换的全连接层； S26：对于智能体节点i与车道交互特征，进行维度处理后与之前的智能体动态特征以及交互特征进行融合，解码出智能体预测时域P下的未来预测轨迹： Enc＝fusef+A+LA 其中，LAi为平均池化操作后的车辆车道交互特征，联合获得的智能体动力学特征f，交互特征A，进行特征融合后获得综合特征编码Enc；同样通过基于循环神经网络的解码器LSTM获得智能体的未来轨迹 S3：基于轨迹预测模型输出的周围车辆未来位置信息，设计目标函数及多种约束来进行自车动作最优化求解。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙坪坝正街174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。