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！

龙图腾网获悉合肥工业大学申请的专利基于Transformer的网联自动驾驶汽车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：CN119598316B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411647092.2，技术领域涉及：G06F18/2415；该发明授权基于Transformer的网联自动驾驶汽车轨迹预测方法是由程泽阳;杜小杰;杨蒙蒙;冯忠祥;张雷;张卫华;张伟;孙宝凤设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于Transformer的网联自动驾驶汽车轨迹预测方法在说明书摘要公布了：本发明公开了一种基于Transformer的网联自动驾驶汽车轨迹预测方法，涉及自动驾驶领域，获取车辆行驶数据并进行预处理，得到每辆车的时间序列信息；利用Transformer编码器中得到每辆车的上下文向量；将每辆车的上下文向量输入到图神经网络中得到整体特征上下文向量I；利用随机森林算法获得当前车辆的驾驶意图概率矩阵；将当前车辆的驾驶意图概率矩阵与整体特征上下文向量I拼接后，输入到解码器中，最终输出车辆的轨迹分布概率；利用Transformer与GNN结合不仅能够理解单个车辆的动态，还能够理解车辆之间的相对位置和运动关系，从而更准确地预测车辆轨迹。

本发明授权基于Transformer的网联自动驾驶汽车轨迹预测方法在权利要求书中公布了：1.基于Transformer的网联自动驾驶汽车轨迹预测方法，其特征在于，包括以下步骤： 1获取车辆行驶数据，车辆行驶数据包括车辆位置信息、运动信息和工况信息； 2对获取的车辆行驶数据进行预处理，得到每辆车的时间序列信息H； 3将每辆车的时间序列信息H输入到Transformer编码器中，得到每辆车的上下文向量； 4将每辆车的上下文向量输入到图神经网络中，更新车辆的上下文向量，将所有车辆的上下文向量组合成整体特征上下文向量I； 5利用随机森林算法，根据车辆更新后的上下文向量，获得当前车辆的驾驶意图概率矩阵； 6将当前车辆的驾驶意图概率矩阵与整体特征上下文向量I拼接后，输入到解码器中，最终输出车辆的轨迹分布概率； 利用图神经网络获得整体特征上下文向量，具体过程如下： 构建图结构：将车辆定义为图的节点；根据车辆之间的距离以及相对速度的关系构建边，对于车辆r和s，计算距离：计算相对速度：vrs＝|vr-vs|；设定距离阈值为dthreshold，相对速度的阈值为vthreshold，遍历所有车辆对r,s，根据阈值判断是否建立边，如果drsdthreshold且vrsvthreshold，则在车辆r和车辆s之间建立一条边；根据上述判断，构建邻接矩阵A： 考虑每辆车与自身建立边，即Arr＝1，以确保节点能够保留自身信息； 图卷积：对每个节点应用图卷积操作，假设有k层图卷积，在每一层中，节点v的新特征表示由其邻居节点的特征加权求和计算得到： 其中，是第k层中节点v的特征表示；Nv是节点v的邻居节点集合；du是邻居节点u的度数，指与节点u直接相连的边的数量；是指的是邻居节点u在第k-1层的特征表示；Wk是在第k层使用的权重矩阵；bk是在第k层的偏置向量；σ是激活函数ReLU； 特征聚合：经过k层图卷积后，得到每个节点的新的特征表示；节点特征在最后一层用全局平均池化进行聚合，得到图的整体表示； 上下文向量更新：将每个节点的最终特征表示与其他节点的特征结合，得到更新后的上下文向量：n为车辆总数； 将更新后的上下文向量作为每辆车在时间步t的最终上下文表示；所有车辆的上下文向量C组合成整体特征上下文向量I：I＝[C1,C2,…,Cn]； 将更新后的上下文向量作为输入特征，驾驶意图的标签作为目标，使用Python的scikit-learn库训练一个随机森林分类器； 通过训练好的随机森林分类器，预测驾驶意图的概率，输出的驾驶意图概率矩阵为M＝{ω1,ω2,ω3,ω4,ω5,ω6}，其中，ω1→[1，0，0，0，0，0]，ω2→[0，1，0，0，0，0]，ω3→[0，0，1，0，0，0]，ω4→[0，0，0，1，0，0]，ω5→[0，0，0，0，1，0]，ω6→[0，0，0，0，0，1]，ω1～ω6分别为代表向左换道、直行、向右换道、减速下的向左换道、减速直行、减速下的向右换道；M中只有6种意图概率最高的一个值为1，其余值都为0，表示当前驾驶行为的预测意图； 所述解码器包括3个子层，分别为编码-解码注意力层、多头自注意力层及全连接层； 所述编码-解码注意力层通过上下文向量I和驾驶意图概率矩阵M来计算注意力权重，其中，Q为查询矩阵，来自解码器；K为键矩阵；V为值矩阵；dk为键的维度；具体的参数学习通过反向传播在训练过程中获得； 所述多头自注意力层允许模型同时关注输入的不同部分，增加模型的表达能力： MultiHeadQ，K，V＝Concathead1，head2，…,headhWO，h＝8 其中，为各头的权重矩阵；WO为最后拼接后的输出权重矩阵；具体的权重矩阵通过反向传播不断更新获得； 所述全连接层将注意力输出映射到目标空间，生成最终的轨迹分布概率PO|I，M： PO|I，M＝softmaxWfcoutput+bfc, 其中，output为多头自注意力层的输出；Wfc为全连接层的权重；bfc为全连接层的偏置；权重和偏置在训练过程中通过反向传播不断更新，直到模型收敛。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市屯溪路193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。