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！

龙图腾网恭喜吉林大学申请的专利一种基于边缘数据学习增强的智能汽车场景理解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：CN119693906B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202510192921.0，技术领域涉及：G06V20/56；该发明授权一种基于边缘数据学习增强的智能汽车场景理解方法是由朱冰;汤瑞;赵健;张培兴;李文旭;王帅;张锡智;曹昕然设计研发完成，并于2025-02-21向国家知识产权局提交的专利申请。

本一种基于边缘数据学习增强的智能汽车场景理解方法在说明书摘要公布了：本发明属于自动驾驶测试技术领域，具体的说是一种基于边缘数据学习增强的智能汽车场景理解方法。包括以下步骤：步骤一、自然驾驶数据采集；步骤二、场景结构表示与语义标签处理；步骤三、边缘场景提取与自动标注修正；步骤四、场景信息预测匹配与数据集构建；步骤五、大模型架构设计与结构微调。步骤六、场景理解应用与模型对比评价；本发明可用于复杂、边缘场景下的理解认知，提升智能汽车算法的可解释性。

本发明授权一种基于边缘数据学习增强的智能汽车场景理解方法在权利要求书中公布了：1.一种基于边缘数据学习增强的智能汽车场景理解方法，其特征在于，包括以下步骤：步骤一、基于实车视觉采集平台，采集市区自然驾驶行驶工况；步骤二、构建基于场景本体的结构化模板；采用YOLO视觉处理算法进行目标检测和语义标签分类；利用图神经网络，将场景图像填充、映射到预定义的场景模板中，完成图像到结构化数据的转换；步骤三、开发并应用指标自动筛选出边缘场景；对于分类准确性低于设定阈值的案例，引入二次审核；步骤四、根据场景语义标签匹配未来的变化，并标记当前状况下车辆应采取的行动；对原始图像进行前期预处理，并编码为向量格式，用于构建训练数据集；其中，场景向量数据作为输入，结构模板表示、未来变化数据、主车应对措施作为输出；步骤五、使用成熟的qwen-vl架构，并针对边缘场景数据集进行微调，使模型能够学习从图像中提取特征并进行准确的未来预测；在损失函数中加入原始模型与微调后的新模型输出的交叉熵，量化原始模型与新模型输出间的差异；定期验证模型性能，调整训练参数，直至达到满意的性能水平；步骤六、选择开源大模型作为基准，对比在基础认知、未来变化预测及车辆行为分析方面的表现，评估模型的实际应用价值；分析新模型与原始模型在相同测试集上的表现差异，确认新模型是否成功保留了原有的任务理解能力；所述步骤四的具体方法如下：S41、预测匹配场景信息；基于场景语义标签分析原始采集视频或图像序列，提取连续时间内场景的状态变化，构建场景预测信息；S42、标注主车行为；对于当前场景，结合道路交通规则及安全驾驶原则，通过预训练的大语言模型，将规则转换为提示词，从而自动生成在场景下主车应采取的驾驶策略或动作；此外，基于规则对生成策略进行修正，删除不符合规则的行为；S43、对图像进行预处理，对所收集的原始图像数据执行一系列预处理操作，具体包括色彩空间转换、图像裁剪、归一化、尺寸缩放四个步骤；S44、特征向量化，将预处理过的图像转化为计算机理解的数值型特征向量，采用卷积神经网络提取图像特征，将图像特征从高维像素空间映射到低维特征空间；S45、构建数据集，结合处理结果，构建一个完整的包含场景信息的数据集；每个样本包括经过预处理并编码为特征向量的图像数据和与之对应的场景语义标签、预测的未来状态变化数据以及针对当前场景下主车应采取的理想应对措施标签；所述步骤五的具体方法如下：S51、选取与初始化模型架构：选用qwen-vl开源大模型架构；基于预训练的qwen-vl权重初始化新模型；S52、应用数据集：使用步骤四中构建的包含边缘场景信息预测的数据集进行训练；S53、性能监控与调整：在整个训练周期中，定期在独立的验证集上评估模型的表现，关注模型在数据集任务上的性能指标；根据评估结果动态调整训练策略，使用余弦退火学习率调度器，根据验证集上的表现自动调整学习率，学习率从初始值逐渐降低到最小值，然后再次升高，形成一个周期性的变化；根据过拟合情况，调整L2正则化系数，防止模型过度拟合训练数据，调整过程逐步增大10％，直至过拟合现象消失；其中，L2正则化系数是损失权重的衰减，损失函数计算方法如下： 式中，OriginalLoss是原始损失函数；λ是L2正则化系数；ωi是模型的权值系数。

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吉林大学，其通讯地址为：130012 吉林省长春市朝阳区前进大街2699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”。