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！

龙图腾网获悉浙江工业大学申请的专利一种基于联合预测框架的车辆轨迹预测鲁棒增强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：CN119740611B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202411770246.7，技术领域涉及：G06N3/0455；该发明授权一种基于联合预测框架的车辆轨迹预测鲁棒增强方法是由徐东伟;顾同成;孙成巨;杨硕;刘靥宛则设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种基于联合预测框架的车辆轨迹预测鲁棒增强方法在说明书摘要公布了：一种基于联合预测框架的车辆轨迹预测鲁棒增强方法，首先，构建了一个联合时空注意力网络，包含教师模型和学生模型，形成联合预测结构：教师模型专注于正常轨迹的高精度预测，而学生模型通过知识蒸馏从教师模型中学习，并经过简化和增强，以适应对抗性噪声的干扰；其次，为优化学生模型的结构和鲁棒性，设计了一种多阶段剪枝与自蒸馏结合的鲁棒压缩策略，该策略对教师模型进行逐阶段剪枝，接着通过自蒸馏生成适用于对抗性环境的学生模型；然后，基于极值理论提出了流峰值过阈值方法，分析教师模型与学生模型的预测差异，检测异常输入。本发明在对抗性噪声下显著降低了预测误差，且具有高检出率，充分证明其在复杂噪声环境中的预测鲁棒性。

本发明授权一种基于联合预测框架的车辆轨迹预测鲁棒增强方法在权利要求书中公布了：1.一种基于联合预测框架的车辆轨迹预测鲁棒增强方法，其特征在于，所述方法包括以下步骤： 步骤1、构建联合预测框架USTAN，通过引入教师模型STAN和学生模型STAN-S的联合框架，所述教师模型用于日常环境下的轨迹预测，所述学生模型通过知识蒸馏技术从教师模型中获得特征，在对抗性噪声场景下保持稳定性能，从而实现对多种环境的预测适应性； 步骤2、为实现学生模型的鲁棒性优化，提出了基于多阶段剪枝和自蒸馏的压缩策略，首先对教师模型的前馈层和循环层进行剪枝，将低权重连接进行分组并逐阶段剪除；接着通过自蒸馏从剪枝后的教师模型中提取知识，构建出能适应复杂噪声环境的学生模型； 步骤3、采用极值理论中的流峰值过阈值方法SPO检测教师模型与学生模型预测结果之间的差异，通过捕捉预测输出的极端差异变化，将差异值视为异常指标，从而有效识别对抗性轨迹，使得系统能够对输入中的异常轨迹快速响应并采取适应性预测； 步骤4、轨迹预测结果选择，根据检测的结果，系统在教师模型和学生模型的输出中进行动态选择：若检测到异常对抗性轨迹，系统优先输出学生模型的预测结果；若检测到正常轨迹，则输出教师模型的预测结果； 所述步骤1的过程如下： 步骤1.1、构建教师-学生联合预测框架 框架包含一个教师模型STAN和一个学生模型STAN-S，教师模型STAN和学生模型STAN-S分别对同一轨迹进行预测； 步骤1.2、教师模型的搭建 教师模型STAN首先通过多层感知机MLP和LSTM对目标车辆和邻居车辆的历史轨迹进行编码，其编码过程如式1、式2；随后使用时空注意力模块进行特征提取，空间注意力模块用于捕捉车辆之间的空间交互关系，其Query，Key和Value矩阵由线性变换得到，如式3，每对Star,Snbrs的注意力权重通过计算它们之间的点积获得，如式4所示；根据相关系数邻居车辆的特征通过公式5的计算被聚集到目标车辆的特征上；多头注意力的Z个聚集特征组成空间注意力模块捕捉了每个时间步上车辆之间的交互关系，但特征在时间步之间的相关性并未被考虑到；时间注意力模块以空间注意力模块的输出为输入，对车辆在时间维度上的特征进行提取，其Query,Key和Value矩阵通过对G的线性变换得到，如式6所示；注意力分数由式7得到，通过公式8实现特征聚合；多头注意力的输出组成Bhead＝[Bt,Bt,…,Bt]；对于时间注意力和空间注意力输出Ahesd及Bhead，分别通过门控线性单元GLU进一步编码特征，如式9、10；最终使用门控递归单元GRU生成预测轨迹，如式11；STAN在训练中采取均方误差MSE损失函数，定义如公式13； Star＝LSTMMLPVi；ω1；ω21 Snbrs＝LSTMMLPVnbrs；ω3；ω42 式中ω1、ω2、ω3和ω4分别是其对应层的可学习权重，Vnbrs是V中不包含Vi的部分，代表邻居车辆的信息； 其中qt、Kt和Vt分别是t时刻的Query，Key和Value矩阵，和分别是目标车辆和邻居车辆t时刻的特征向量，ω4、ω5和ω6分别是其对应层的可学习权重； 式中，,是点积操作，rK是Kt的维度；为注意力向量； Bz＝β·V8 其中ω9、ω10和ω11分别是对应层的可学习参数矩阵，Q、K和V分别是时间注意力模块的Query,Key和Value矩阵；β是由βab组成的分数矩阵，衡量时刻a，b之间特征的时间相关性，是矩阵K的维度； 式中，LN是层正则化，ω8是GLU的参数矩阵，ω12是GLU的参数矩阵，是空间注意力模块的输出； 式中，表示STAN输出的目标车辆在时刻T+Tp时的预测坐标，ω13和ω14分别是MLP和GLU的参数矩阵；和分别是第n个样本中目标车辆在时刻T+t时的预测坐标和真实地面坐标，t∈{1,2,…,Tp}。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区朝晖六区潮王路18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。