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！

龙图腾网获悉宁波大学申请的专利一种基于多时间尺度的分层车辆驾驶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：CN119749589B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411733247.4，技术领域涉及：B60W60/00；该发明授权一种基于多时间尺度的分层车辆驾驶决策方法是由梅杰;王文亚;郑侃设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本一种基于多时间尺度的分层车辆驾驶决策方法在说明书摘要公布了：本发明涉及一种基于多时间尺度的分层车辆驾驶决策方法，采用高层模型和低层模型组合成的深度分层强化学习决策模型，由高层模型根据环境观测信息，宏观规划目标车辆的驾驶行为，然后基于驾驶行为选择相应的低层模型，并根据驾驶行为的决策和环境观测信息调整车辆姿态，将复杂的驾驶决策任务分解成多样化的驾驶行为，适应不同的交通道路环境，使自动驾驶车辆实现层次化控制，更好地满足自动驾驶在安全性和效率上的多样化需求；同时，采用预先训练低层模型，然后联合高层模型和低层模型的训练方式，有效避免了高层模型与低层模型联合训练过程中出现的选项崩溃问题，确保整个决策系统的稳定性。

本发明授权一种基于多时间尺度的分层车辆驾驶决策方法在权利要求书中公布了：1.一种基于多时间尺度的分层车辆驾驶决策方法，其特征在于，包括： 步骤1.获取目标车辆行驶任务的终点区域坐标；并获取目标车辆的环境观测信息； 步骤2.构建深度分层强化学习决策模型，所述深度分层强化学习决策模型包括高层模型和低层模型，所述高层模型用于根据不同环境决策最优的驾驶行为；每种驾驶行为对应一个低层模型，所述低层模型用于对目标车辆进行姿态控制； 步骤3.采用TD3算法训练低层模型； 步骤4.采用OC算法进行高层模型和步骤3训练后的低层模型的联合训练；具体包括： 步骤401.初始化高层模型的终止网络参数、Q网络参数Ω、驾驶行为、经验回放池和最大控制时长； 步骤402.将当前时刻的状态输入高层模型，所述终止网络基于状态计算每个驾驶行为的终止概率； 步骤403.基于每个驾驶行为的终止概率判断当前驾驶行为在当前时刻是否终止，若是，则进入步骤404，若否，则保持当前时刻的驾驶行为，进入步骤405； 步骤404.所述Q网络基于状态计算每个驾驶行为的Q值，并基于贪心策略选取Q值最大的驾驶行为输出； 步骤405.基于驾驶行为加载经过步骤3训练后的低层模型，所述低层模型基于状态生成动作； 步骤406.基于动作与驾驶环境交互得到下一时刻的状态空间，并通过高层模型的奖励函数得到当前时刻奖励；得到经验数据集；并将其保存至经验回放池，且，； 步骤407.判断经验回放池中的经验数据数量是否大于预设的采样经验批量P，若是，则进入步骤408，若否，返回步骤402； 步骤408.从经验回放池中批量采集经验数据集训练高层模型；基于最小化Q值的均方误差更新Q网络；Q网络的更新公式为： ； 式中，为当前时刻的选项值函数；，是当前时刻的驾驶行为在时的终止概率；表示学习率； 步骤409.采用策略梯度更新终止网络；所述终止网络的更新公式为： ； 式中，表示终止网络的优势函数，表示思考成本参数；表示当前时刻的驾驶行为在状态时的终止概率；表示偏导数；表示损失函数； 步骤410.判断是否满足训练结束条件，若是，则结束训练，若否，则返回步骤402； 步骤5.根据所述目标车辆获取的环境观测信息，通过高层模型，得到目标车辆的驾驶行为决策； 步骤6.所述目标车辆根据步骤5输出的驾驶行为决策加载相应的低层模型，并联合环境观测信息，通过所述低层模型，对目标车辆进行姿态控制。

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宁波大学，其通讯地址为：315000 浙江省宁波市江北区风华路818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。