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！

龙图腾网获悉东南大学申请的专利基于Transformer和终点诱导的自动驾驶车辆多模态轨迹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：CN119975390B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510079290.1，技术领域涉及：B60W50/00；该发明授权基于Transformer和终点诱导的自动驾驶车辆多模态轨迹预测方法是由陈熙源;聂姝涵;刘炜焱设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本基于Transformer和终点诱导的自动驾驶车辆多模态轨迹预测方法在说明书摘要公布了：本发明提供了一种基于Transformer和终点诱导的自动驾驶车辆多模态轨迹预测方法，首先提取周围车辆历史轨迹特征、目标车辆历史轨迹特征、相对位置信息和场景地图特征；接着利用Transformer对提取后的特征进行局部和全局融合，高效且全面的融合场景中各个元素特征；然后经过一个动态权重多层感知机MLP预测多模态轨迹终点，简化了模型架构，减少了模型参数量；最后使用注意力机制交互终点信息进行轨迹细化，输出多模态轨迹预测，使得预测的车辆未来轨迹合理且准确。该方法不仅能提高自动驾驶车辆多模态轨迹预测准确性，还能提高模型预测效率。

本发明授权基于Transformer和终点诱导的自动驾驶车辆多模态轨迹预测方法在权利要求书中公布了：1.基于Transformer和终点诱导的自动驾驶车辆多模态轨迹预测模型构建方法，其特征在于，所述方法包括以下步骤： 步骤1：利用编码器对道路场景信息、周围车辆信息包括车辆的当前状态和历史轨迹、目标车辆的当前状态和历史轨迹和相对位置信息分别进行编码，生成高维特征张量， 步骤2：对编码后的高维特征张量进行分层特征融合，首先利用注意力机制对车辆特征和地图特征分别进行局部特征融合，然后利用Transformer对车辆特征、地图特征和相对位置信息进行全局特征融合， 步骤3：将融合后的特征张量输入到动态权重MLP中，输出不同驾驶场景中的多模态轨迹终点预测， 步骤4：利用注意力机制对轨迹终点信息进行交互输出轨迹终点偏移量，实现更长时空范围内的特征交互获得更准确的终点信息，最后进行轨迹补全输出完整的多模态预测轨迹， 步骤5：根据该多模态轨迹预测模型设计合适的损失函数，损失函数包括三项：全部轨迹的回归损失、分类损失和终点回归损失的加权和； 其中，步骤1中，特征提取模块包括车辆轨迹编码器，地图信息编码器和相对位置信息编码器，具体步骤为： S1：轨迹信息是包含车辆位置的时序序列，车辆轨迹编码器输入均采用位移表示；在地图编码中，用车道中心线中点的位置和方向来表示每个车道段的位置和方向， S2：将第个车辆在时间步长上历史轨迹信息表示为位移序列，其中表示第个车辆从时刻到时刻的位移,为了提高多 尺度特征提取的有效性和并行计算的效率，使用一维残差卷积和特征金字塔网络FPN处 理历史轨迹输入，编码器输出的车辆特征张量大小为，其中表示历史步长内 的车辆数量， S3：考虑到在观测时间内车道段是静态的，通过简单的两层MLP对地图信息编码来提高 运行效率,编码器输出的地图特征张量大小为，其中表示观测时间内地图中 车道中心线的数量， S4：在相对位置编码中，使用航向角差，相对方位角和距离这三个量来 描述元素和元素之间的相对位置和姿态，场景元素和元素之间的相对位置信息 可以由五维向量表示： 对于在观测时间内具有个元素的场景，使用MLP对相对位置信息进行编码得到大小 为的相对位置张量； 步骤2中，基于分层特征融合的多特征融合方法包括： 1局部特征融合， 复杂的交通场景中交通参与者的行为往往是复杂的，在局部特征融合中，采用单头注意力机制分别实现轨迹特征交互和地图特征交互，既能实现交互功能又能提高交互的效率， 将特征提取模块输出的轨迹特征张量和地图特征张量分别输入，经过单头自注意力机 制给场景元素特征分配不同的权重，其中表示输入的特征张量，表示经过注意力机制 后的特征张量，具体公式为： 其中是权重矩阵，最后经过层归一化网络和前馈网络得到交互后的特征张 量，为注意力机制的输入向量， 2全局特征融合， 局部特征融合没有考虑场景中各元素的相对位置关系和车辆和车道段之间的交互，Transformer模型被广泛应用于计算机视觉和特征融合领域，采用对称融合TransformerSFT进行全局特征融合，该特征融合方法以对称方式执行定向信息传递，使网络能够在一次前馈传递中预测所有道路使用者的未来运动，不仅能进行有效的交互还能提高模型效率，具体步骤为： S1：对局部融合后的车辆轨迹特征张量和地图特征张量拼接得到张量，张量大小为，其中为场景中车辆和车道段之和， S2：对沿着两个不同维度重复后堆叠，得到目标张量和源张量，大小均为， S3：将目标张量、源张量和相对位置特征张量拼接后经过一个MLP得到多头注意力的输 入，多头注意力的为张量， S4：经过多头注意力机制后输出更新后的车辆轨迹特征张量和相对位置特征张量，其中注意力头数为8，张量大小为，张量大小为，其中为 场景中车辆数，全局特征融合模块有效的融合了场景交通参与者信息和道路结构信息； 步骤3中基于动态权重MLP的轨迹终点预测方法包括： S1：对多特征融合模块输出的车辆轨迹特征张量使用一个MLP层生成张量， S2：引入两个MLP层中的可训练权重参数和，使分别经过这两个MLP层生成 两个动态权重参数和，如公式所示： S3：将轨迹终点预测过程转化为先经过权重为的MLP层，再通过归一化层和激活层， 最后经过权重为的MLP层生成多模态终点； 步骤4中基于轨迹终点信息交互的终点细化方法包括： S1：对终点预测模块输出的轨迹终点进行编码得到轨迹终点特征张量： S2：将拼接后的车辆轨迹特征张量和轨迹终点特征张量输入注意力机制中，输出 轨迹终点偏移量： S3：对车辆轨迹特征张量使用一个简单MLP补全剩余轨迹点并且预测各个模态的概率。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2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。