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！

龙图腾网获悉浙江机电职业技术大学申请的专利基于深度学习的智能网联汽车多模态感知与决策系统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：CN119734711B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202510238564.7，技术领域涉及：B60W30/18；该发明授权基于深度学习的智能网联汽车多模态感知与决策系统是由陈道泉;徐金凤;韩佳波;陈宁;高詹堯;金磊磊设计研发完成，并于2025-03-03向国家知识产权局提交的专利申请。

本基于深度学习的智能网联汽车多模态感知与决策系统在说明书摘要公布了：本发明涉及智能驾驶技术领域，公开了一种基于深度学习的智能网联汽车多模态感知与决策系统，包括：多模态数据采集模块，用于通过车载摄像头和车载雷达传感器采集车辆周围的图像数据和雷达时间序列数据，以对车辆周围环境进行全方位感知；图像数据处理模块，用于利用改进的深度学习模型对所述图像数据进行处理，提取图像中的目标物体特征信息；雷达数据处理模块，用于对所述雷达时间序列数据的变化趋势进行分析，并结合所述目标物体特征信息，根据不同交通场景做出最优行车决策；最优决策执行模块，用于根据所述最优行车决策来执行最优决策动作。本发明能够实现在复杂交通场景下对环境信息的高精度感知与快速响应，提高行车安全并优化交通效率。

本发明授权基于深度学习的智能网联汽车多模态感知与决策系统在权利要求书中公布了：1.基于深度学习的智能网联汽车多模态感知与决策系统，其特征在于，包括： 多模态数据采集模块，用于通过车载摄像头和车载雷达传感器采集车辆周围的图像数据和雷达时间序列数据，以对车辆周围环境进行全方位感知； 图像数据处理模块，用于利用改进的深度学习模型对所述图像数据进行处理，提取图像中的目标物体特征信息；其中，所述改进的深度学习模型的构建包括：构建网络模型架构和损失函数；其中，所述网络模型架构由骨干网络、Transformer编码器、类别计数模块、计数引导特征增强模块、动态查询选择模块和高效混合编码器组成；构建的损失函数是多种损失的加权组合，具体采用包含L1损失LL1、边界框回归损失LGIoU、类别损失Lfocal和分类损失LCE加权的损失函数Ltotal来优化检测任务； 其中，所述利用改进的深度学习模型对所述图像数据进行处理，提取图像中的目标物体特征信息，包括： 所述骨干网络接收原始的图像数据作为输入进行多尺度特征提取，生成一系列不同层次的多尺度特征图； 将所述多尺度特征图送入所述Transformer编码器进行自注意力操作，捕获特征中的长距离依赖关系，生成经过自注意力增强的视觉特征； 所述类别计数模块接收所述Transformer编码器输出的高分辨率特征图作为输入，通过膨胀卷积生成密度图，并对图像实例数量进行分类； 所述计数引导特征增强模块利用所述类别计数模块生成的密度图，通过空间交叉注意力和通道注意力操作对所述Transformer编码器的视觉特征进行空间和通道增强，得到计数引导增强特征图，包括： 对密度图采样生成多尺度计数特征图，经池化和卷积操作生成空间注意力图； 将所述空间注意力图与原始的所述视觉特征相乘，得到空间增强后的特征； 对所述空间增强后的特征进行通道注意力操作，得到计数引导增强特征图； 所述动态查询选择模块接收所述计数引导增强特征图，并根据所述类别计数模块的分类结果确定解码器查询数量，并优化查询的内容和位置； 所述高效混合编码器接收骨干网络输出的高层次的特征图和所述动态查询选择模块生成的查询作为输入，输出融合后的多尺度特征，用于后续的目标识别和边界框回归处理，以提取图像中的目标物体特征信息； 雷达数据处理模块，用于对所述雷达时间序列数据的变化趋势进行分析，并结合所述目标物体特征信息，根据不同交通场景做出最优行车决策； 最优决策执行模块，用于根据所述最优行车决策来执行最优决策动作。

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机电职业技术大学，其通讯地址为：310052 浙江省杭州市滨江区滨文路528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”。