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！

龙图腾网获悉安徽大学申请的专利一种适应不同驾驶风格的车辆轨迹预测方法及装置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：CN119149905B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202411101676.X，技术领域涉及：G06F18/10；该发明授权一种适应不同驾驶风格的车辆轨迹预测方法及装置是由胡钜奇;王采妮;高赫佳;孙长银;黄大荣;刘海涛设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种适应不同驾驶风格的车辆轨迹预测方法及装置在说明书摘要公布了：本发明提供一种适应不同驾驶风格的车辆轨迹预测方法及装置，涉及自动驾驶技术领域。所述适应不同驾驶风格的车辆轨迹预测方法包括：获取原始的车辆轨迹的样本数据集；对样本数据集进行滤波处理，获得滤波处理后的样本数据集；采用主成分分析法进行降维处理，获得降维后的数据；采用模糊C均值聚类算法进行软聚类处理，获得硬标签；构建初始的基于全局‑局部注意力机制残差双向长短时记忆网络；对初始的网络进行训练，获得训练好的基于全局‑局部注意力机制残差双向长短时记忆网络；获取目标车辆在观察时间域内的状态信息；将状态信息输入训练好的网络中，获得在预测时间域内目标车辆的未来轨迹。采用本发明，可提高车辆轨迹预测的准确性。

本发明授权一种适应不同驾驶风格的车辆轨迹预测方法及装置在权利要求书中公布了：1.一种适应不同驾驶风格的车辆轨迹预测方法，其特征在于，所述方法包括： S1、获取原始的车辆轨迹的样本数据集； S2、对所述样本数据集进行滤波处理，获得滤波处理后的样本数据集； 其中，所述S2的对所述样本数据集进行滤波处理，获得滤波处理后的样本数据集，包括： S21、采用五次迭代小波变换去噪算法对所述样本数据集进行去噪，获得去噪后的样本数据集； S22、根据去噪后的样本数据集，通过计算航向角作为轨迹标注的度量指标，对去噪后的样本数据集进行平衡化处理，获得平衡化处理后的样本数据集； 其中，航向角通过下述公式1表示： 其中，x表示轨迹点的横向位置；y表示轨迹点的纵向位置；t表示当前时间步；t+1表示下一个时间步；θhead表示航向角； S3、根据所述滤波处理后的样本数据集，采用主成分分析法进行降维处理，获得降维后的数据； S4、采用模糊C均值聚类算法对所述降维后的数据进行软聚类处理，得到所述降维后的数据对于每个驾驶风格的隶属度，根据最大隶属度确定降维后的数据的硬标签，将硬标签添加到滤波处理后的样本数据集； 其中，所述S4的采用模糊C均值聚类算法对所述降维后的数据进行软聚类处理，得到所述降维后的数据对于每个驾驶风格的隶属度，根据最大隶属度确定降维后的数据的硬标签，将硬标签添加到滤波处理后的样本数据集，包括： S41、采用模糊C均值聚类算法，计算关于所述降维后的数据的模糊聚类中心； 其中，在模糊C均值聚类算法中，模糊聚类中心可通过最小化目标函数确定，其中目标函数通过下述公式2表示： 其中，M表示控制聚类过程中模糊度程度的模糊系数，影响对轨迹样本数据中每种驾驶风格分配成员值的方式1≤M＜∞；N表示车辆轨迹样本的数量；C表示驾驶风格类别的数量，即聚类中心的数量；cj表示第j个聚类中心；uij表示样本xi属于聚类中心cj的概率；d表示样本的维数；xik表示样本xi在第k维的值；cjk表示聚类中心cj在第k维的值；|·|2表示用于测量驾驶样本与聚类中心之间距离的欧氏范数； 其中，隶属度uij通过下述公式3表示： 其中，聚类中心cj通过下述公式4表示： S42、根据所述模糊聚类中心以及预先设置的迭代条件，迭代计算所述降维后的数据在不同驾驶风格中的隶属度分布； S43、根据所述隶属度分布，计算每个数据点在所有聚类中的隶属度，根据最大隶属度将数据点分配到相应的聚类中心，获得样本数据的硬标签，将硬标签添加到滤波处理后的样本数据集； 其中，迭代计算获取每个样本数据在不同驾驶风格中的隶属度分布，当到达迭代终止条件时，停止迭代，获得聚类结果；其中，预设的迭代终止条件通过下述公式5表示： 其中，k'表示迭代次数，ε是一个小常数，表示误差阈值；当uij在连续迭代中的最大变化不超过ε时，迭代停止； 其中，最大隶属度通过下述公式6表示： 其中，表示数据点的总数；FPC值越接近1表明聚类效果越好； 其中，获得样本数据的硬标签的过程通过下述7表示： 其中，labelxi表示样本xi的硬标签； S5、构建初始的基于全局-局部注意力机制残差双向长短时记忆网络； S6、根据添加硬标签后的样本数据集，对所述初始的基于全局-局部注意力机制残差双向长短时记忆网络进行训练，获得训练好的基于全局-局部注意力机制残差双向长短时记忆网络； 其中，S6的具体实施过程包括S61-S65： S61、将添加硬标签后的样本数据集输入初始的基于全局-局部注意力机制残差双向长短时记忆网络中，根据量子力学原理，将车辆建模为波形，通过分析车辆波的叠加效应，确定车辆波的振幅和相位，获得具有车辆波和相位的特征数据； 其中，当两辆或者多辆的波在同一点交汇时，遵循波的叠加原理；在该点处，车辆波的叠加效应由各自位移的合成矢量和表示，叠加效应通过下述公式8表示： 其中，im表示虚数单位；|·|表示绝对值运算；⊙表示逐元素乘法；|zh|表示振幅，θh表示相位，h表示选定的正整数； 其中，车辆波的振幅受车速差异影响，波的相位表示车辆位置，当两个车辆波在某一点以上相同方向相同位移展示时，构成性干涉发生的相位差通过下述公式9表示： Δθh＝θ0+2ηπ，η∈[0，±2，±4，…]9 其中，η表示相应选定的整数倍；Δθh表示两个车辆波之间的相位差； 其中，当两个车辆波在某一点处具有相反的位移时，两个车辆波之间的相位差决定破坏性干涉的发生，通过下述公式10表示： Δθh＝θ0+ηπ，η∈[0，±1，±3，…]10 其中，车辆波的振幅和车辆波的相位通过下述公式11表示： 其中，FC表示标准的全连接层；ωz表示第一学习参数；ωθ表示第二学习参数；fg表示输入特征；θh表示车辆波的相位；h表示选定的正整数；其中，第一学习参数和第二学习参数根据输入特征进行调整，获得车辆波的振幅和相位嵌入的最佳权重；其中，车辆波的相位和振幅在复数域中的表示通过下述公式12表示： 其中，在驾驶场景中所有车辆的相互作用中，n个车辆波表示为车辆波的聚合通过下述公式13表示： 其中，表示在聚合车辆波后的复数域表示； 其中，通过加权求和获得在聚合车辆波后的实数；其中，在聚合车辆波后的实数通过下述公式14表示： 其中，oh表示在聚合车辆波后的实数；ωo表示第一学习权重；ωs表示第一学习权重； S62、将具有车辆波和相位的特征数据输入局部注意力模块中，通过1×1卷积层进行初始维度转换，获得转换后的特征图；采用自适应卷积层和加权机制对转换后的特征图进行处理，获得局部特征； 其中，将输入数据输入局部注意力模块中，通过两层的1×1卷积和批归一化函数以及ReLU函数的处理，获得第一处理结果；采用1×1卷积对第一处理结果进行计算，获得第二处理结果；通过softmax函数以及Dropout正则化方法进一步处理，获得局部特征； S63、将具有车辆波和相位的特征数据输入全局注意力模块中，通过改进的多头自注意力和全局上下文注意力，确定具有车辆波和相位的特征数据的时间步之间特征关系，获得全局特征； 其中，将输入数据输入全局注意力模块中，通过多头注意机制进行处理，获得处理结果；残差门控机制对处理结果进行进一步处理，通过全局上下文注意力进行特征提取，获得全局特征； 其中，设给定的第一时间步为p,第一时间步的特征为Tp；设给定的第二时间步为q，第二时间步的特征为Tq，通过特征映射函数将上述变量映射为一个公共的特征空间，通下述公式15表示： rp，q＝fTp，Tq15 其中，f·表示特征映射函数；rp，q表示第一时间步p和第二时间步q之间特征的关系； 其中，第一时间步p的特征Tp的关系向量通过下述公式16表示： rp＝[rp，1，rp，2，…，rp，q，rp，N，r1，p，r2，p，…，rq，p，rN，p]16 其中，rp表示第一时间步p与特征Tp的关系向量； 其中，将时间步的特征与关系向量组合成配对表示，获得第一时间步p处的全局特征表示为按照上述步骤获得第二时间步q处的全局特征表示； S64、将局部特征与全局特征进行融合，获得融合后的特征； 其中，融合后的特征通过下述公式17表示： FC＝FL+FG17 其中，FC表示融合后的特征；FL表示局部特征；FG表示全局特征； S7、获取目标车辆在观察时间域内的状态信息；将所述目标车辆在观察时间的状态信息输入所述训练好的基于全局-局部注意力机制残差双向长短时记忆网络中，获得在预测时间域内目标车辆的未来轨迹； 其中，所述S7的目标车辆在观察时间域内的状态信息，包括：目标车辆的类型、目标车辆的运行状态以及目标车辆与周围障碍车辆的时空关系； 其中，目标车辆在观察时间域内的状态信息通过下述公式18表示： m＝1，2，3…，Tobs n＝1,2,3…,6 其中，表示目标车辆在观察时间域Tobs内的输入状态，L表示预测目标车辆的长度；W表示预测目标车辆的宽度；表示预测目标的横向坐标；表示预测目标的纵向坐标；表示其驾驶风格标签；表示预测目标的速度；表示预测目标的加速度；表示预测目标车辆与第n个障碍车辆之间的车头间距，表示它们之间的车头时距，m表示观察时间域；n表示障碍车辆的个数； 其中，在预测时间域内目标车辆的未来轨迹，通过下述公式19表示： m＝1,2,3…,Tpred 其中，表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的横向坐标；表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的纵向坐标；m表示预测时间域；表示在预测时间域内目标车辆的未来轨迹。

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安徽大学，其通讯地址为：230000 安徽省合肥市肥西路3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”。