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！

龙图腾网获悉大连理工大学申请的专利基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测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：CN116403176B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202310251189.0，技术领域涉及：G06V20/56；该发明授权基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法是由李琳辉;李硕贤;张嘉璇;连静;赵剑设计研发完成，并于2023-03-15向国家知识产权局提交的专利申请。

本基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法在说明书摘要公布了：本发明公开了一种基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法，包括以下步骤：获取各周围智能体历史特征及车道信息；场景编码及特征融合；解码多模态轨迹与偏移量，构建辅助监督分支。本发明通过采样以及邻域提取来建立多尺度车道拓扑关系，利用特征沿稀疏化聚合以及沿反稀疏化方向扩散的多尺度车道点编码器来编码车道的拓扑结构信息和语义信息，实现不同特征尺度下对高精度地图内在的拓扑结构和语义属性的理解，进而提升编码器对场景的表征能力，能支持更高精度的车辆轨迹预测。本发明通过车道辅助偏移损失，能够辅助车道点编码器学习与未来轨迹具有位置关联的特征，使编码器参数接受更直接的监督信号，实现更高效的网络训练。

本发明授权基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法在权利要求书中公布了：1.一种基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法，其特征在于：包括以下步骤： A、获取各周围智能体历史特征及车道信息 A1、通过自动驾驶车辆的车载感知和定位系统获得各周围智能体的历史轨迹其中，每一个si,j由二维坐标点组成；下标i＝0、1、…、n表示智能体的编号，其中0表示待预测智能体编号，n表示场景内智能体最大数量，下标j＝-th、-th+1、…、0表示时间步，其中j＝0为当前时刻，th表示历史观测区间长度，j＝-th为历史观测区间内的过去最后一个历史时刻；将智能体的局部位置表示为D维位置嵌入为了表示运动的增量信息，计算当前坐标与上一时刻的坐标增量构造D维的时间嵌入使注意力机制更好地感知时间序列特征；最后，通过拼接得到智能体历史特征如下： 其中，是一个布尔量，指示当前时刻是否存在历史观测值；为了便于对单个场景并行化运算，对于智能体数量超过n的场景，截取编号i＝0、1、…、n的智能体，反之则以0填充；并且构造掩膜m来指示哪些编号i对应的智能体由填充得到，使得注意力机制专注于场景帧的有效数据； A2、通过高精度地图获取场景中的车道信息，将高精度地图中车道中心线上的车道点构建为结构化向量形式来进行稀疏编码，构建的车道点向量特征为其中L为车道点数量，c0:L为车道点的坐标、为车道点在道路方向上相对前一个车道点的偏移量、为J维布尔向量，J个不同的维度分别表示不同的语义属性；为了在整个场景下对车道点向量特征进行聚合与传播，首先利用栅格采样处理车道点云，得到相对均匀的关键车道点然后根据距离筛选出与最近的Ljk个邻域点其中Lj表示第j尺度下的关键点数量，Ljk表示每个关键点周围对应的邻域点数量； A3、以智能体所处当前路段为起点，沿各个可行驶的路段邻接方向广度优先搜索，提取候选未来车道点其中Lg表示未来候选车道点的数量；由于未来车道点中存在与智能体运动轨迹关联较低的点，为此构建布尔向量指示未来车道点是否位于真实轨迹范围之内，且与真实轨迹的偏移不超过阈值Tho，在训练中将这些关联较低的超出阈值范围的点视为无效点，不参与误差的反向传播； B、场景编码及特征融合 B1、采用两个Axial-Transformer块对场景中的智能体信息进行编码，首先对智能体历史特征进行线性变换得到智能体嵌入接下来将输入第一个Axial-Transformer块，沿时间轴计算自注意力并进行编码，即提取单个智能体的低层运动特性；接下来通过第二个Axial-Transformer块沿场景轴计算自注意力并进行编码，即提取单个时间步下智能体的联合状态，它随着各个智能体即时决策结果而更新，而决策又受到这一时刻的交通规则、交互关系的影响，因此间接的编码了这些隐含信息；将两个轴下带有自注意力的Axial-Transformer块级联在一起，即融合了即时意图决策与低层运动特性；在完成两个轴的级联编码之后，得到新的智能体嵌入之后在时间轴上通过一个一维卷积神经网络进行降采样，将降采样为来实现特征的尺度变换，以增强Transformer结构学习多尺度特征的能力： B2、通过车道点编码器对预测场景下的车道点云进行编码；车道点编码器首先通过特征聚合将邻域点pn的特征聚合到关键点pk的特征中，聚合过程的输入为经过线性变换的车道点坐标c0:L、相对于上一个车道点的偏移量与表示车道点语义属性的布尔向量拼接组合而成的车道点初始特征g0:L；然后沿相反的方向将关键点特征传播回邻域点特征中，同时融合它们之间的相对信息；经过多层特征传播，得到所有车道点的嵌入特征g'0:L如下： 式中，g0:L为所有车道点初始向量特征，W为线性变换矩阵，aggregatopm·与propagation·分别为特征聚合函数与特征传播函数，layerfusion·为层与层之间的特征融合函数，Concatenate·为特征拼接函数，为初始的邻域点特征，为新的关键点特征，为新的邻域点特征；为层融合后得到的每层的车道点融合特征，g'0:L为最终所有车道点的嵌入特征； B3、融合与智能体运动相关联的环境特征与交互特征，采用基于注意力的方式融合智能体周围一定范围内的车道点特征，该范围为一个以智能体中心为圆心、相邻车道线距离为半径的圆形区域；并通过最后一个Axial-Transformer块进行编码，使融合的环境特征在时间维度和场景维度下得到充分传播，然后利用LaneGCN中的智能体交互编码器FusionNetA2A来对场景中的智能体交互编码，沿智能体关联路径传播语义特征，产生最终的智能体语义嵌入e0:n如下： C、解码多模态轨迹与偏移量，构建辅助监督分支 C1、采用一组多层感知器即MLP组合在编码阶段充分编码的低级运动语义行为，解码出不同的行为模态，得到智能体的一组未来轨迹并在此基础上构建轨迹的回归监督分支，即计算回归损失lossr，具体计算公式如下： 式中，tf为未来预测区间长度，k为模态数量，对应于k种可能的未来情况，MLP·为多层感知器，ei为待预测智能体语义嵌入，其中i＝0,1,…n为智能体编号，NLL·为负对数似然损失函数，为未来轨迹的真实值，为最优模态k*对应的预测轨迹，k*对应的预测轨迹与真实轨迹之间的平均位移偏差最小，即 C2、采用另外一组具有相同结构的MLP解码计算不同模态轨迹对应的置信度confk，并在此基础上构建分类监督分支，即计算分类损失lossc如下： confk＝SoftmaxMLPei 式中，Softmax·为softmax函数，NLL·为负对数似然损失函数，为最优模态k*对应的置信度； C3、通过预测未来车道点与轨迹点之间的位置偏移量，构建辅助监督分支；计算未来真实轨迹与搜索得到的候选未来车道点的位置偏移即到真实轨迹点之间的最短距离；利用k个MLP预测偏移量选择平均位移偏差最小的模态k*来与真值计算回归损失losso，构建车道点未来轨迹偏移量辅助监督分支，利用辅助偏移监督损失来辅助预测轨迹的解码和车道点特征的编码，从而使得这些未来可能的车道点为尽可能多样的行为模式提供先验指导； C4、通过以上三个监督分支，仅对最优模态k*对应的误差进行反向传播，以避免k个MLP的参数被同化而产生模式崩塌，构建由智能体多模态轨迹损失、轨迹对应的置信度损失及车道点未来轨迹偏移量损失三部分组成的最终损失函数来监督模型的端到端训练，计算公式如下： losstotal＝λ1lossr+λ2lossc+λ3losso 式中，λ1、λ2、λ3分别是平衡各项的权重，losstotal为最终的总损失。

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大连理工大学，其通讯地址为：116024 辽宁省大连市高新园区凌工路2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。