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！

龙图腾网获悉华南理工大学申请的专利目标驱动和分布热力图输出的多模态车辆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：CN116503446B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310462698.8，技术领域涉及：G06T7/246；该发明授权目标驱动和分布热力图输出的多模态车辆轨迹预测方法是由李巍华;龚国铮设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本目标驱动和分布热力图输出的多模态车辆轨迹预测方法在说明书摘要公布了：本发明公开了目标驱动和分布热力图输出的多模态车辆轨迹预测方法，包括：构建包含高精度地图数据的轨迹数据集；将轨迹预测任务分解为目标点预测和轨迹回归两个阶段；构建目标点预测网络编码器，分别对历史运动和栅格化地图进行特征提取；将所提取的特征通过多阶段注意力机制进行融合交互；将融合特征通过基于转置卷积的解码器，得到目标点热力图分布；依据数据集内的轨迹数据，对目标点预测网络训练，并设置超参数和训练策略；完成目标点预测网络的训练后，使用采样算法从热力图采样多个目标点以对应现实中的不同模态；搭建轨迹回归网络，以所采样的目标点和融合特征作为输入；训练轨迹回归网络，本发明能够提升轨迹预测模型的场景覆盖率。

本发明授权目标驱动和分布热力图输出的多模态车辆轨迹预测方法在权利要求书中公布了：1.目标驱动和分布热力图输出的多模态车辆轨迹预测方法，其特征在于，包括以下步骤： 1选取自动驾驶汽车周围一车辆作为预测主体，并采集预测主体的轨迹数据，通过目标跟踪模块采集周围车辆的行驶轨迹，并记录每个交通参与者的类型，将所采集的轨迹按照时间戳切分成长度为Tobs的历史轨迹和长度为Tpred的未来轨迹，以预测主体的未来轨迹作为预测任务的真实标签； 2对所采集的轨迹进行数据清洗，挖掘相应的预测场景，将所采集的轨迹划分为训练、验证和测试集； 3预处理行驶轨迹和高精度地图数据：将预测主体和周围车辆的信息表示到运动向量内，将高精度地图信息表示到特定尺寸的栅格图内，作为轨迹预测任务已知的道路信息； 4将轨迹预测任务分解为目标点预测和轨迹回归两个阶段，以对应现实驾驶过程中的动机不确定性和运动不确定性； 5搭建目标点预测网络对未来轨迹末端点进行预测，定义损失函数引导目标点预测网络训练；搭建目标点预测网络以及训练包括以下步骤： 1假设目标点分布服从二维离散分布，利用深度神经网络进行拟合，称网络输出结果为分布热力图；以编码器-解码器为基础架构搭建目标点预测网络： a.基于U-LSTM的运动特征编码器：轨迹历史数据首先通过一维卷积块进行融合，接着通过U-LSTM进行二次融合，输出特定维度的特征向量； b.基于SwinTransformer的地图特征编码器：通过SwinTransformer提取栅格化地图特征，以获得更大的感受野； c.基于多阶段注意力机制的特征融合模块：通过注意力机制融合历史运动和高精度地图特征，并显式加入相对距离信息作为补充，实现特征表达能力的增强； d.基于转置卷积的解码器：通过转置卷积块对特征图进行上采样，上采样至原栅格化地图尺寸后，将原始高精度地图拼接到特征图上，以补偿下采样过程中丢失的信息，最后通过卷积块使通道数降为1，并通过Sigmoid函数约束每个像素输出在[0,1]范围内； 2通过逐像素焦点损失进行网络训练，真实分布Y为以真实目标点为中心的二维高斯分布，设输出热力图上i,j位置的值为真实分布上i,j位置的值为Yij，则损失函数表示如下： 其中，为真实分布Y与输出热力图分布的损失函数；为输出热力图第i行第j列的值；Yij为真实分布上第i行第j列的值；H、W分别为热力图高度和宽度；β为权重系数； 3使用步骤3中已处理好的数据对目标点预测网络训练，设置超参数和训练策略，通过验证集选择训练效果最好的模型网络，在测试集中进行性能评估； 6完成目标点预测网络的训练后，通过不同策略从目标点预测网络得到不相似的多模态目标点； 7基于目标点和上下文信息，搭建轨迹回归网络完成轨迹回归。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。