Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 上海人工智能创新中心李弘扬获国家专利权

上海人工智能创新中心李弘扬获国家专利权

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!

龙图腾网获悉上海人工智能创新中心申请的专利一种驾驶场景的拓扑推理方法、系统、设备及存储介质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:CN116386009B

龙图腾网通过国家知识产权局官网在2025-08-26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:202310368947.7,技术领域涉及:G06V20/58;该发明授权一种驾驶场景的拓扑推理方法、系统、设备及存储介质是由李弘扬;李天羽;陈立;王晖杰;司马崇昊;罗平;严骏驰;乔宇设计研发完成,并于2023-04-07向国家知识产权局提交的专利申请。

一种驾驶场景的拓扑推理方法、系统、设备及存储介质在说明书摘要公布了:本申请实施例涉及自动驾驶技术领域,特别涉及一种驾驶场景的拓扑推理方法、系统、设备及存储介质,该方法包括:提取多尺度图像特征;各种类型的实例从多尺度图像特征中获取信息,分别得到与交通元素、车道中心线对应的实例的特征向量;得到交通元素实例特征向量的嵌入,将实例特征向量、交通元素实例特征向量的嵌入通过场景拓扑关系相互交互、交换消息,获取并聚合重要知识;基于场景知识图谱,对不同类别的交通元素实例进行知识提取,分别预测交通元素、车道中心线以及驾驶场景的拓扑图。本申请通过提出拓扑推理网络,通过预测驾驶场景中的实例车道、交通元素以及实例间关系来生成高质量驾驶场景拓扑,以端到端的方式预测驾驶场景拓扑。

本发明授权一种驾驶场景的拓扑推理方法、系统、设备及存储介质在权利要求书中公布了:1.一种驾驶场景的拓扑推理方法,其特征在于,包括: 基于多视角环视摄像机图像,提取多尺度图像特征; 基于可变形注意力机制,各种类型的实例从所述多尺度图像特征中获取信息,分别得到与所述交通元素、所述车道中心线对应的实例的特征向量; 基于交通元素嵌入网络,得到交通元素实例特征向量的嵌入;并基于场景图神经网络,将所述实例的特征向量、所述交通元素实例特征向量的嵌入通过场景拓扑关系相互交互、交换消息,获取并聚合重要知识,得到不同类别的交通元素实例; 基于场景知识图谱,对不同类别的交通元素实例进行知识提取,得到处理后的交通元素实例特征向量以及更新后的车道中心线实例特征向量; 基于处理后的交通元素实例特征向量以及更新后的车道中心线实例特征向量,分别预测交通元素、车道中心线以及驾驶场景的拓扑图; 所述交通元素实例特征向量的嵌入如式(1)所示: (1) 其中,表示交通元素实例特征向量的嵌入;embedding表示交通元素嵌入网络权重;i表示第i个解码器层;t表示交通元素实例;表示嵌入前的交通元素实例特征向量; 基于场景图神经网络,得到不同类别的交通元素实例的计算过程如式(2)所示: (2) 其中,表示原始车道实例特征向量;表示车道-车道场景知识图谱网络;表示经过车道-车道场景图增强后的车道实例特征向量;表示车道间的拓扑图;表示第i-1个解码器层的车道间的拓扑图;表示车道-交通元素场景图网络;表示经过车道-交通元素场景图网络增强后的车道实例特征向量;表示车道与交通元素间的拓扑图;表示第i-1个解码器层的车道与交通元素间的拓扑图;表示残差项;表示通道下采样操作;ReLU表示线性整流函数;concat,表示维度叠加操作;表示最终经过场景图增强后的车道实例特征向量; 对于车道与交通元素间的拓扑图,得到处理后的交通元素实例特征向量以及更新后的车道中心线实例特征向量的运算过程如式(3)所示: (3) 其中,车道-交通元素间的知识图谱;表示第i-1个解码器层的车道-交通元素间的关系邻接矩阵;表示经过车道-交通元素知识图谱增强后的车道实例特征;y为交通元素节点;Nx为交通元素节点集;c t为交通元素类别;C t为交通元素类别合集;为决定特征在交通元素和车道中心线间传播强弱的超参数,=0.5;表示交通元素节点y的分类置信度;表示知识图谱中x和y之间的边权;表示知识图谱的可训练权重;表示交通元素y实例特征向量的嵌入; 对于车道间的拓扑图,得到处理后的交通元素实例特征向量以及更新后的车道中心线实例特征向量的计算过程如式(4)所示: (4) 其中,表示车道-车道间的知识图谱;stack表示特征堆叠操作;表示第i-1个解码器层的车道-车道间的关系邻接矩阵;表示转置后的第i-1个解码器层的车道-车道间的关系邻接矩阵;I为单位连接阵;表示经过车道-车道知识图谱增强后的车道实例特征;c l为连接关系类别;C l为车道连接关系类别集;为决定特征在车道中心线间传播强弱的超参数,=0.5;表示第c种连接关系中x车道-y车道间的知识图谱边权;表示车道-车道间的知识图谱中的可学习参数;表示车道y的实例特征向量。

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上海人工智能创新中心,其通讯地址为:200232 上海市徐汇区云锦路701号37、38层;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AI智能生成
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。