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 > 吉林大学孙宝凤获国家专利权

吉林大学孙宝凤获国家专利权

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!

龙图腾网获悉吉林大学申请的专利一种基于DIP-IMM-KF算法驱动的风险矩阵构建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:CN120257025B

龙图腾网通过国家知识产权局官网在2025-09-02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:202510744420.9,技术领域涉及:G06F18/24;该发明授权一种基于DIP-IMM-KF算法驱动的风险矩阵构建方法是由孙宝凤;梁宏朝;周户星;崔云龙;许杨;李迟;马国栋;王薇设计研发完成,并于2025-06-05向国家知识产权局提交的专利申请。

一种基于DIP-IMM-KF算法驱动的风险矩阵构建方法在说明书摘要公布了:本发明属于交通控制系统与自动驾驶车辆轨迹预测领域,具体涉及一种基于DIP‑IMM‑KF算法驱动的风险矩阵构建方法,包括以下步骤:步骤一:构建考虑多种因素的风险场,其中包括考虑自动驾驶车辆的虚拟质量、几何形状、速度、加速度、航向角以及等效距离,构建车辆的安全势场影响因子,步骤二:基于优先级顺序机制的动态交互感知交互式多模型下的车辆轨迹意图概率预测;步骤三:构建基于风险场与动态交互感知交互式多模型的风险矩阵。通过构建一个离散的风险矩阵,以在复杂多变的交通环境以及时空特性下实现风险矩阵的量化,为后续自动驾驶车辆的决策提供有力支持。

本发明授权一种基于DIP-IMM-KF算法驱动的风险矩阵构建方法在权利要求书中公布了:1.一种基于DIP-IMM-KF算法驱动的风险矩阵构建方法,其特征在于,包括以下步骤: 步骤一:构建考虑多种因素的风险场,其中包括考虑自动驾驶车辆的虚拟质量、几何形状、速度、加速度、航向角以及等效距离,构建车辆的安全势场影响因子; A1:由于车辆在运行状态下定义目标车辆的相关因素为等效质量,通过车辆实际数据进行分析,得出等效质量的表达形式:Mi=mi·1.566×10-14·v6.687+0.3345; 式中:Mi表示为目标车辆i的等效质量,mi为目标车辆i的实际质量,v为车辆行驶速度; A2:构建车辆几何形状下的风险范围,利用椭圆公式进行判别,连接椭圆外任意一点B与车辆的质心点A,找到在椭圆上相交的一点C,椭圆上一点C与椭圆外一点B的距离,通过质心点A与点B的距离减去质心点A与点C的距离,由此得到碰撞距离d1为: 式中:θ为汽车运行的航向角;l为车辆的长度;w为车辆的宽度;x0,y0为车辆的质心位置;x′,y′为椭圆外任意一点的位置坐标; A3:考虑车辆长宽距离参数,令其中,d′1表示基于几何形状的碰撞距离相关参数,即几何伪距离; A4:依据不同位置的车辆靠近目标车辆时产生的风险不同,引入风险伪距离,用于对目标车辆面对周围车辆产生风险情况下的实际距离的修正,由于在公式中是以车辆质心为坐标点,故风险伪距离d′2的公式为: 式中:τ为安全距离的临界阈值;α为与速度相关的待定系数;e为自然对数的底数; A5:将几何伪距离d′1与风险伪距离d′2之间的关系通过权重因子集合起来,作为对风险评估的几何尺寸、速度、航向角与位置风险因素调整的伪距离,同时通过调整ω1与ω2两个参数使安全势场适应各种道路交通环境,由此得到综合伪距离d′为: 式中:ω1代表有关几何形状的几何伪距离d′1的权重因子,ω2代表有关车辆周围风险影响的风险伪距离d′2的权重因子; A6:为使车辆不发生碰撞,依据车辆的外接椭圆,建立车辆的风险场Ev如下: 式中:λ、α、β、δ均为待定系数;|d′|代表综合伪距离的绝对值;a为已选定目标车辆的加速度;θ为以目标车辆质心位置x0,y0为中心,其周围任意一点与其形成的夹角,即车辆运行的航向角,if表示如果;x*表示道路上的一点与车辆质心在二维平面上任一点的横坐标,y*表示道路上的一点与车辆质心在二维平面上任一点的纵坐标,else表示否则; 步骤二:基于优先级顺序机制的动态交互感知交互式多模型下的车辆轨迹意图概率预测; B1:通过感知系统获取周围车辆SV的实时状态信息,包括纵向位置x、纵向速度vx、纵向加速度ax、横向位置y、横向速度vy、横向加速度ay; B2:对周围车辆SV进行优先级列表排序,规定: 1当车辆在同一车道上时,前方的车辆优先级要高于后方的车辆; 2当车辆处于相邻车道且速度相同时,处于前方的车辆优先级高于后方的车辆;若速度不同时,则通过判断到达目标位置的先后顺序确定优先级; 3当车辆处于汇入车道时,其处于强制换道区域时的优先级高于相邻主路的车辆; 依据采集的周围车辆SV信息生成优先级列表Ck,使优先级高的车辆优先进行预测; B3:通过描述车辆运动的多模态不确定性,引入交互感知机制,构建车辆运动模型集合MSV={m1,m2,m3,m4,m5,m6},m1,m2,m3,m4,m5,m6分别代表不同车辆的决策方式; B4:计算车辆运动模型的动态转移概率,并依据IMM-KF算法对交互感知状态进行融合; πqp=Pmk=p|mk-1=q; 式中:c1,p是车辆运动模型p的归一化系数,反映车辆运动模型转移概率和历史概率的加权;是车辆运动模型q在第k-1处的概率;πqp是转换概率数值,即马尔可夫转移矩阵元素;是k-1处的混合模型概率;是车辆运动模型q在k-1处的后验状态估计,并且上标1代表Ck中优先级最高的一辆车;表示车辆运动模型p在k-1处的融合状态,P为概率,mk表示在k处选择车辆运动模型p;mk-1表示在k-1处选择车辆运动模型q,q∈M代表q为车辆运动模型集合中的某一个模型,即 {m1,m2,m3,m4,m5,m6}中的任意一个;而p∈M代表p为车辆运动模型集合中的除了q选择的车辆运动模型外的任意一个模型,k代表当前时刻的时间步长; B5:利用卡尔曼滤波预测概率模型,通过状态转移方程与融合状态以及增益矩阵的乘积相加,求解出车辆运动模型p的先验状态估计 式中:表示在k处车辆1的车辆运动模型p的先验状态估计;代表由控制增益器设定的分块对角矩阵,纵向动力学由F1控制,横向动力学由F2控制;代表输入项矩阵;是后验估计; B6:生成预测时域内k+1到k+Np的状态序列,用于计算损失函数; 式中:t=k+1,k+2,…k+Np是预测范围;表示车辆1的车辆运动模型p在时间步长t处的预测状态;Φt,k代表k时的状态转移矩阵;Φt,i代表任意时刻的状态转移矩阵,即i为整个时间范围内的任意时刻,当ti时,Φt,i=Ft-i,Ft-i表示将F连乘t-i次,用于描述从i到t的状态转移;用于累积动力学传播效应;I=F,通过构建损失函数,量化车辆运动模型p的代价,表示车辆1采用车辆运动模型p在i的外部输入或干扰项;Np表示预测时域的长度,从当前时刻k开始,往后预测Np个时间步; 其中Wx,Wy,Wv,Wl均为权重;和分别代表车辆运动模型p在t时刻的横向加速度与纵向加速度;和分别是在k处的纵向速度以及横向位移;而与分别代表参考的纵向速度与横向位移;表示车辆1采用车辆运动模型p在k处的损失; B7:概率更新与结果输出,通过归一化模型概率,利用最大似然函数将损失转化为似然值,反映归一化模型拟合优度,以此计算权重其中 是车辆1的车辆运动模型p在k处的概率,将最大的概率值确定为最优模型, 代表在k处,优先级最高的1辆车所选择的车辆运动模型; B8:重复B4-B7以此获得优先级列表中所有周围车辆SV的最优模型概率,通过二次规划进行轨迹预测; 步骤三:构建基于风险场与动态交互感知交互式多模型的风险矩阵; C1:对任意交通场景在空间尺度下进行离散,将风险场沿着x与y方向转化为网格,不同的网格点代表着某个车辆的位置,将间隔设置为0.1米; C2:通过创建一个四维风险矩阵Mriskt′,x,y,veh,矩阵中t′代表时间维度,x是空间中的x轴坐标,即车辆的纵向位置,y是空间中y轴坐标,即车辆的横向位置,veh代表车辆的编号,在四维风险矩阵中填入每个车辆在t′时刻、x,y位置的风险值; C3:基于动态交互感知交互式多模型得出所有周围车辆SV概率分布μk的值以及对应的最优模型,将其作为输出并成为下一个循环中交互模块的输入,通过得到最优模型的预测轨迹与步骤一构建的风险场进行乘积运算,通过使用一组参数x,y,t′进行安全成本估算,因此未来某一时刻的风险场通过如下公式表达: Pott′=EV+∑∑μkEvxt′,yt′,t′; 其中,Pott′代表在某一时刻t′的风险场值,μk代表第k辆车选择的所有车辆运动模型的概率; C4:在确定风险场后,提取针对特定车辆k′的动态风险矩阵Md_riskt′,x,y,用以记录不包括第k′辆车的最大风险值,即: 其中,vnum代表车辆总数; C5:提取静态风险矩阵Ms_riskx,y,记录静态风险矩阵在动态风险矩阵整个时间维度上的最小值; C6:在时间坐标下依据风险值的大小,选取风险值最小的作为在该风险矩阵上的风险评估依据,用于风险矩阵的构建。

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 吉林省长春市南关区人民大街5988号吉林大学南岭校区;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。