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！

龙图腾网获悉同济大学申请的专利一种基于分层道路环境场景图的驾驶压力可解释预测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：CN119380305B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411445579.2，技术领域涉及：G06V20/56；该发明授权一种基于分层道路环境场景图的驾驶压力可解释预测方法是由余博;任蔚溪;陈雨人;姚思喆;彭梓珊设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本一种基于分层道路环境场景图的驾驶压力可解释预测方法在说明书摘要公布了：本发明公开了一种基于分层道路环境场景图的驾驶压力可解释预测方法，属于智能驾驶辅助技术领域，包括以下步骤：S1、提取视觉道路环境信息；S2、基于获取的视觉道路环境信息，构建道路环境的多层场景图；S3、建立注意力增强的时空图卷积LSTM网络，并将构建的多层场景图作为输入，输出可解释的驾驶压力预测结果。本发明采用上述的一种基于分层道路环境场景图的驾驶压力可解释预测方法，可以为道路设计、交通管理和优化驾驶辅助系统提供重要见解，有助于降低驾驶压力，提升道路安全。

本发明授权一种基于分层道路环境场景图的驾驶压力可解释预测方法在权利要求书中公布了：1.一种基于分层道路环境场景图的驾驶压力可解释预测方法，其特征在于：包括以下步骤： S1、提取视觉道路环境信息； S2、基于获取的视觉道路环境信息，构建道路环境的多层场景图； S3、建立注意力增强的时空图卷积LSTM网络，并将构建的多层场景图作为输入，输出可解释的驾驶压力预测结果； S1中提取的视觉信息包括四类，分别为基于曲线拟合的视觉道路几何信息提取、基于全景分割的视觉语义信息提取、基于深度估计的视觉深度信息提取、基于眼动数据的视觉敏感信息提取； S2中基于获得的视觉道路几何信息，构建了视觉道路几何图，基于获取的视觉语义、深度和敏感信息，构建了视觉设施环境图，基于获取的视觉几何、语义、深度和敏感信息，构建了视觉交通参与者图，通过建立视觉道路几何图中的道路几何节点与视觉交通参与者图中的交通参与者实例节点与视觉设施环境图中的路面语义节点的关系，将视觉道路几何图、视觉设施环境图和视觉交通参与者图整合形成驾驶人视觉感知下的道路环境多层场景图； S3中的注意力增强的时空图卷积LSTM网络由基于空间注意力的GCN模型、基于时间注意力的LSTM模型和支持向量机三个部分组成； 在基于空间注意力的GCN模型中，节点嵌入集合及其邻接信息作为模型的输入，对于图卷积的第层，节点的嵌入特征表示的更新，公式如下： ； 其中：是节点的邻居集合；是第l层的可学习权重矩阵；是归一化常数；代表激活函数ReLU；其中，是固定的，无法反映节点间不同空间关系的变化及其对最终结果的影响；引入了自注意力机制来捕捉节点之间的空间关联，公式如下： ； 其中：是注意力向量，表示向量的拼接操作，是一种激活函数，是对节点的邻居节点进行归一化的函数； 对于每个节点及其邻居，计算注意力分数；节点i的注意力分数通过对其所有邻居节点的注意力分数求和获得； 带有注意力的最终节点表示计算如下： ； GCN层数设为2层，隐藏单元数为100，经过每一层MR-GCN后，场景图的节点嵌入集合表示为；通过图读出操作，获得每个的图级嵌入，读出操作为求和池化、均值池化或最大池化，分别对应对所有节点嵌入在每个特征维度上的求和、取平均值或选择最大值； 在基于时间注意力的LSTM模型中，在时间段内的图级嵌入序列表示为，该序列输入到基于注意力的LSTM模型中；一个LSTM单元由遗忘门、输入门和输出门组成，对于每个时间戳t，LSTM更新其单元状态和隐藏状态，计算公式如下： ； 向LSTM中添加注意力层，并使用注意力权重计算加权上下文向量，计算公式如下： =； =； LSTM的隐藏状态和单元状态基于上下文向量、输入图嵌入以及之前的隐藏状态和单元状态进行更新，公式如下： ； 在LSTM处理完所有场景图嵌入后，对结果输出序列进行时间读出操作，以计算最终的时空嵌入Z； 在支持向量机中，使用径向基函数核的支持向量机来基于时空嵌入Z预测驾驶压力Y；驾驶压力预测是一个二元分类任务，其中Y=1表示驾驶人正在经历驾驶压力，Y=0表示没有压力。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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。