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！

龙图腾网获悉吉林大学申请的专利面向高风险场景的风险、动力学与意图协同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：CN121043912B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511608914.0，技术领域涉及：B60W60/00；该发明授权面向高风险场景的风险、动力学与意图协同轨迹预测方法是由郭洪艳;李朋龙;刘俊;孟庆瑜;刘嫣然;梁爽设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本面向高风险场景的风险、动力学与意图协同轨迹预测方法在说明书摘要公布了：本发明属于交通控制领域，涉及面向高风险场景的风险、动力学与意图协同轨迹预测方法，该方法综合利用外向风险线索、车辆动力学特征以及驾驶意图信息历史轨迹特征，通过构建先验增强的风险注意力机制和三体交互微图模块，实现对潜在风险的早期感知；同时，采用多尺度动力学时序编码器，捕获车辆从短期扰动到长期行为趋势的动态变化；并引入显式的意图识别辅助任务，对多模态轨迹进行语义约束与优化；通过上述模块的协同建模，本发明能够显著提升自动驾驶系统在突发cut‑in、急刹等复杂高风险情境下的轨迹预测精度与鲁棒性，为后续决策与控制模块提供更可靠的先验支持，从而有效提升车辆在复杂交通环境中的行驶安全性。

本发明授权面向高风险场景的风险、动力学与意图协同轨迹预测方法在权利要求书中公布了：1.面向高风险场景的风险、动力学与意图协同轨迹预测方法，其特征在于，该方法包括以下步骤： 步骤1.采集数据，提取车辆的多维运动特征；特征重组，得轨迹特征F、外向风险线索R和动力学特征D； 步骤2.对轨迹特征F和地图特征M进行编码，得历史轨迹特征F1和地图特征M1； 步骤3.对外向风险线索R进行时序建模，得隐藏状态序列H和潜在风险得分S；根据t时刻的潜在风险得分、自动驾驶车辆和目标车辆之间的相对参数计算风险得分归一化得风险感知注意力权重αt；将隐藏状态序列H与风险感知注意力权重αt进行加权求和，得风险感知的时间特征z； 基于外向风险特征向量构建全连接小图，全连接小图经图注意力机制更新后，汇聚节点得目标车辆的节点嵌入和总体的交互态势，将两者与风险感知的时间特征z拼接融合，得最终的风险表征向量z*，其与历史轨迹特征F1融合得特征 步骤4.根据动力学特征D获取短期、中期和长期特征，三者经处理后得多尺度动力学特征FD，其与特征融合得特征F2； 步骤5.将特征F2和地图特征M1拼接后进行编码，得智能体特征Fagent和地图特征M2； 步骤6.基于智能体特征Fagent和地图特征M2获取目标车辆发生变道cutin的概率Pcut，从而得到目标车辆的最终特征用该特征替换智能体特征Fagent中的目标车辆特征FTV，得最终的智能体特征 步骤7.将目标车辆的最终特征最终的智能体特征和地图特征M2进行拼接，解码输出预测结果； 步骤1中数据采集后先进行标准化处理，之后提取车辆的多维运动特征，所述车辆的多维运动特征包括车辆的位置信息，速度信息，加速度信息，横向加速度信息，纵向加速度信息，各个车相对位置、相对速度和碰撞时间，横摆角速度信息，地图特征；特征重组时，将车辆的位置、速度和加速度进行拼接，得到轨迹特征F；将各个车相对位置、相对速度和碰撞时间进行拼接，得到外向风险线索R；将加速度、横向加速度、纵向加速度和横摆加速度进行拼接，得到动力学特征D； 所述全连接小图是以目标车辆、自动驾驶车辆、自车行驶车道前方最近车辆组织生成的外向风险特征向量作为图神经网络的节点； 所述短期特征、中期特征是将动力学特征按照历史时间步进行窗口切割后再进行编码并拼接，短期特征的步长设为1，窗口大小设为5，中期特征的步长设为5，窗口大小设为15；长期特征使用双向LSTM进行编码。

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吉林大学，其通讯地址为：130012 吉林省长春市南关区人民大街5988号吉林大学南岭校区；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。