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！

龙图腾网获悉湖北汽车工业学院申请的专利融合驾驶风格的深度强化学习车辆跟驰模型的构建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：CN115285135B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202210824663.X，技术领域涉及：B60W50/00；该发明授权融合驾驶风格的深度强化学习车辆跟驰模型的构建方法是由王科银;石振;张建辉;杨正才设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本融合驾驶风格的深度强化学习车辆跟驰模型的构建方法在说明书摘要公布了：本发明涉及一种融合驾驶风格的深度强化学习车辆跟驰模型的构建方法，基于NGSIM项目实测高精度交通流数据集，设定相应的规则对原始数据进行筛选，得到符合条件的跟驰对数据，将跟车对数据分为训练数据和验证数据。基于训练数据对驾驶人的驾驶特性进行分析，同时基于支持向量机算法搭建了驾驶风格辨识模型。基于对不同特性驾驶员的跟驰行为分析结果，融合不同驾驶风格的跟车间距设计强化学习奖励函数搭建基于深度确定性策略梯度算法的跟驰模型。在所搭建的训练环境中对模型进行训练得到不同驾驶风格的深度强化学习跟驰模型，基于验证数据的仿真结果显示，所搭建的跟驰模型在保证安全性和舒适性的前提下能够体现不同的驾驶特性。

本发明授权融合驾驶风格的深度强化学习车辆跟驰模型的构建方法在权利要求书中公布了：1.融合驾驶风格的深度强化学习车辆跟驰模型的构建方法，其特征在于：步骤如下： 步骤S1：基于NGSIMNextGenerationSimulation项目实测高精度交通流数据集，设定相应的规则对原始数据进行处理并筛选，得到符合条件的跟驰对数据，在处理得到的数据集中随机选取70%的跟车对数据做为训练数据，其余的跟车对数据做为测试数据； 步骤S2：以相对速度、车头时距和跟车加速度绝对值表征驾驶人的驾驶特性，采用K-means聚类算法进行驾驶风格聚类，分为激进型和保守型两类；对不同风格的跟车数据做统计分析，得到不同驾驶风格下的最小跟车间距值，激进型的驾驶风格为4.09m，而保守型的驾驶风格为5.63m； 步骤S3：基于支持向量机SupportVectorMachine,SVM算法搭建了驾驶风格辨识模型； 步骤S4：基于对不同特性驾驶员的跟驰行为分析结果，融合不同驾驶风格的跟车间距设计强化学习奖励函数搭建基于深度确定性策略梯度算法DeepDeterministicPolicyGradient,DDPG的跟驰模型； 步骤S5：搭建仿真环境、设置参数，在所搭建的仿真环境中，基于步骤1所得的训练数据对DDPG跟驰模型进行训练，训练过程中的每一幕随机选择训练数据中的跟车对训练模型，当发生碰撞或者跟车事件结束时，当前幕结束，重新开始下一幕的训练；得到不同驾驶风格的深度强化学习跟驰模型； 步骤S6：基于测试数据测试模型； 所述步骤S4的具体操作如下： 步骤S4.1：强化学习状态空间和动作空间设计，状态空间选择为两车跟车间距、两车速度差和主车速度，即；动作空间选择为主车加速度，即； 步骤S4.2：强化学习奖励函数的设计，奖励函数： 其中，为算法运行过程中两车模拟车距，为公式所示的期望跟车距离，碰撞惩罚因子，为碰撞检测标识，在算法运行过程中发生碰撞即时，；否则； 期望跟车距离的计算如下： 其中，为k时刻主车的期望跟车距离，为期望车头时距，为最小安全距离； 步骤S4.3：环境更新策略的设计，把主车运动看作质点的运动，根据如下的质点运动学模型计算得到主车位置和主车速度； 其中，为0.1s，为t时刻主车位置，为t时刻的主车速度，为t时刻的主车加速度，起始时刻主车位置设为0； 步骤S4.4：设计Actor和Critic的神经网络结构: Actor神经网络的输入为相对距离、相对速度和主车速度，输出为主车加速度，因为中间层和输出层应用了tanh激活函数，把输出和系数δ相乘得到模拟加速度值； Critic网络的输入为相对距离、相对速度和主车速度和Actor网络的输出，输出为Q值函数； Actor和Critic网络的中间层均有30个神经元，除了Actor网络的中间层和输出层应用了tanh激活函数，其他的层层之间均采用ReLU激活函数； 得到基于DDPG的跟驰模型框架。

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湖北汽车工业学院，其通讯地址为：442002 湖北省十堰市张湾区车城西路167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。