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！

龙图腾网获悉天津大学申请的专利基于时空有向图的多模态特征提取网络增强协商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：CN119357627B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411174336.X，技术领域涉及：G06F18/213；该发明授权基于时空有向图的多模态特征提取网络增强协商决策方法是由宋康;郭帆;谢辉设计研发完成，并于2024-08-26向国家知识产权局提交的专利申请。

本基于时空有向图的多模态特征提取网络增强协商决策方法在说明书摘要公布了：本发明提出了基于时空有向图的多模态特征提取网络增强协商决策方法，旨在增强自动驾驶车辆的协商决策算法。该方法通过构建包括视角图、距离图和碰撞时间图在内的三种图结构，全面捕捉和描述车辆之间的复杂动态与非对称交互关系。每个图结构通过图注意力网络GAT进行特征提取，充分挖掘不同交互先验信息的深层次特征。然后，提取的多模态特征通过多层感知器MLP进行融合，形成统一的特征表示。这一综合表示进一步输入到基于Actor‑Critic框架的强化学习模块中，用于优化驾驶策略。通过这种创新性的架构设计，本发明能够在复杂和动态的交通环境中，显著提升自动驾驶系统的决策能力和安全性能，确保车辆在高密度交通条件下实现高效、稳定的自主驾驶。

本发明授权基于时空有向图的多模态特征提取网络增强协商决策方法在权利要求书中公布了：1.一种基于时空有向图的多模态特征提取网络和强化学习框架的自动驾驶协商决策方法，其特征在于，包括以下步骤： 步骤1，构建由视野图VG、距离图DG以及碰撞时间图CG构成的时空有向图模型STDG模型； 步骤2，将步骤1得到的视野图VG、距离图DG和碰撞时间图CG分别输入图注意力网络GAT进行计算，通过GAT的处理，生成视野图特征距离图特征和碰撞时间图特征 步骤3，通过多层感知机MLP将步骤2得到的和进行融合，得到融合后的图特征Hf； 步骤4，多模态特征融合： 对车辆的状态和导航信息使用MLP进行处理得到自车状态和导航特征H2，对LiDAR数据使用CNN进行处理，并将处理后的特征展平为一维向量Hflatten，将H2、Hflatten以及步骤3得到的Hf进行串联融合，生成综合特征表示St′； 步骤5，将步骤4得到的综合特征表示St′输入AC框架进行策略优化，在AC框架中，策略网络Actor基于St′生成具体的驾驶策略πθst′；评估网络Critic则对策略网络生成的决策进行评估，并通过计算回报来指导策略网络Actor的优化，通过不断的训练和优化，策略网络逐渐学习到最优的驾驶策略； 所述步骤1中，定义视野图表示视野图节点矩阵，表示视野图邻接矩阵，车辆i表示为节点车辆j表示为节点若节点位于节点的视角范围内，则从车辆j节点指向存在一条边否则不存在边边的存在与否通过以下公式确定： 其中： α表示节点到节点之间的夹角，表示节点的移动方向，dij是节点到节点的方向向量，αv是车辆的视角范围，表示在自车最大检测范围内的所有节点集合； 定义距离图表示距离图节点矩阵，表示距离图邻接矩阵，车辆i及车辆j表示为节点和其中边表示节点到节点的距离，由以下公式表示： 定义碰撞时间图表示碰撞时间图节点矩阵，表示碰撞时间图邻接矩阵，若两个车辆的运动方向存在交叉点η，则它们之间存在潜在的碰撞风险，边通过以下公式计算： ∈i与∈j表示车辆i与车辆j到交叉点η的预测碰撞时间； 所述步骤4中，自车状态和导航特征H2通过两个连续的dense层进行处理，数学表达如下： H1＝σW1x+b1, H2＝σW2H1+b2, 其中，x表示输入的自车状态和导航数据，W1和W2是权重矩阵，b1和b2是偏置项，σ表示激活函数，H1是第一个dense层的输出，H2是第二个dense层的输出，即自车状态和导航特征。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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”。

以上内容由龙图腾AI智能生成。