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！

龙图腾网获悉北京理工大学申请的专利基于多维加权图分层强化学习的自动驾驶多车决策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：CN118092438B 。

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：202410196496.8，技术领域涉及：G05D1/43；该发明授权基于多维加权图分层强化学习的自动驾驶多车决策方法是由李雪原;高鑫;胡铭靖设计研发完成，并于2024-02-22向国家知识产权局提交的专利申请。

本基于多维加权图分层强化学习的自动驾驶多车决策方法在说明书摘要公布了：本发明公开了基于多维加权图分层强化学习的自动驾驶多车决策方法，包括以下步骤：对交通场景进行图表征，对表征图进行时序的表示，获得表征图的节点特征矩阵；通过引入专家知识，根据节点特征矩阵中车辆的种类、横纵向相对位置、横纵向相对速度，获得横纵向维度图的子邻接矩阵；基于横纵向维度图的子邻接矩阵构建横向决策模型和纵向决策模型；采用离散和连续的深度强化学习算法分别对横向决策模型和纵向决策模型进行分层深度强化学习；将横向决策模型的分层深度强化学习结果和纵向决策模型的分层深度强化学习结果进行耦合并分配到对应无人车，实现自动驾驶多车决策。本发明使得无人驾驶系统能够更加高效和准确地处理交通环境中的动态不确定性。

本发明授权基于多维加权图分层强化学习的自动驾驶多车决策方法在权利要求书中公布了：1.基于多维加权图分层强化学习的自动驾驶多车决策方法，其特征在于，包括以下步骤： 对交通场景进行图表征，对表征图进行时序的表示，获得表征图的节点特征矩阵； 通过引入专家知识，根据节点特征矩阵中车辆的种类、横纵向相对位置、横纵向相对速度，获得横纵向维度图的子邻接矩阵； 基于横纵向维度图的子邻接矩阵构建横向决策模型和纵向决策模型； 采用离散和连续的深度强化学习算法分别对横向决策模型和纵向决策模型进行分层深度强化学习； 将横向决策模型的分层深度强化学习结果和纵向决策模型的分层深度强化学习结果进行耦合并分配到对应无人车，实现自动驾驶多车决策； 对交通场景进行图表征的方法包括： 定义交通环境中存在N辆车，其中M辆无人车通过与环境中的车辆进行交互，将交通环境定义为加权的多维有向图GT,V,E；其中T∈H,L代表图的维度；VG为图节点的集合，每辆车被视为图的一个节点u∈VT；EG为图的边集合，车辆之间的信息交互被表示为车辆之间的边u,v∈ET；对于交通场景中的横、纵向决策模型依据图维度T∈H,L将加权的多维有向图GT,V,E解耦为横向表征图GHVH,EH与纵向表征图GLVL,EL； 对表征图进行时序的表示的方法包括： 在第t个时间步长被表示为节点特征矩阵与邻接矩阵其中F为每辆车的总特征数，对横纵向维度图的节点特征矩阵分别提取子节点特征矩阵式中FT≤F； 节点特征矩阵中对于第i辆车表示为自身车辆横向速度VHi，纵向速度VLi；横向位置Xi；纵向位置Yi；无人车所在车道及其相邻车道的前后车辆共计六辆车的相对碰撞时间Tij＝ΔsΔv,j＝1,2,3,4,5,6，式中Δs表示两车之间沿着车道行进方向的相对位移，Δv表示两车之间沿着车道行进方向的相对速度；自身车辆所处路段Ri；自身车辆所处车道Li；自身车辆所属类别Ii；具体表达式为： 对横向维度图提取子节点特征矩阵中，仅考虑相邻车道的四辆车Tij,j＝1,3,4,6；对纵向维度图提取子节点特征矩阵中，仅考虑同车道前后的两辆车Tij,j＝2,5； 横向维度图的子邻接矩阵表示为： 其中，对于位于无人车i相邻车道的第j车之间的沿车道方向距离为Δdij，距离阈值为X，其权重函数定义为 纵向维度图的子邻接矩阵表示为： 其中，对于位于无人车i所在车道的第j车之间的沿车道方向距离为Δdij，距离阈值为Y，其权重函数定义为对于位于无人车i所在车道的第j车之间的沿车道方向速度差为Δvij，速度差阈值为ΔV，ld与lv分别为距离与速度差的比例系数。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。