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！

龙图腾网获悉中科南京信息高铁研究院申请的专利一种基于注意力机制的智能车群协同控制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：CN121325887B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511885537.5，技术领域涉及：G05D1/43；该发明授权一种基于注意力机制的智能车群协同控制方法是由王本昊;王一帆;彭晓晖;鲍家坤设计研发完成，并于2025-12-15向国家知识产权局提交的专利申请。

本一种基于注意力机制的智能车群协同控制方法在说明书摘要公布了：本发明属于无人机器人群体控制技术领域，公开了一种基于注意力机制的智能车群协同控制方法。本发明通过引入采用根‑枝‑叶三级分形神经树架构替代传统Transformer自注意力层的模仿学习技术，结合注意力机制，实现车群在同时运动过程中的精确控制，使车群能够自主学习现实环境中的任务执行策略，提高对复杂路况和任务的适应性，增强车辆间的协同效果，降低碰撞风险，提升整体运动效率，为无人车群的大规模应用提供可靠的技术解决方案。

本发明授权一种基于注意力机制的智能车群协同控制方法在权利要求书中公布了：1.一种基于注意力机制的智能车群协同控制方法，其特征在于，包括以下步骤： 步骤1：通过传感器采集车群信息和环境信息，将传感器实时采集的车群信息和环境信息进行预处理后传输至数据处理中心，传感器包括摄像头、激光雷达、毫米波雷达、GPS 定位系统以及惯性测量单元； 步骤2：进行环境感知与信息筛选：利用注意力机制对采集到的车群信息和环境信息进行分析，通过计算信息熵与控制敏感性建立注意力权重模型； 步骤2中注意力机制的公式为，其中，Q为查询矩阵，K为键矩阵，V为值矩阵，为键向量的维度，softmax为归一化指数函数，T为矩阵转置符； 步骤3：进行任务相关性分析：结合车群中车辆的任务，建立任务相关性评估矩阵，评估车群中每辆车的状态信息、环境信息与任务的相关性，通过加权求和计算任务相关性得分，得分高于设定阈值的信息优先参与决策，确保车群中车辆的运动决策符合任务要求； 步骤4：建立基于Transformer的模仿学习模型：采用根‑枝‑叶三级架构替代Transformer编码器‑解码器中的自注意力层，将车群中每辆车在不同时间步的动作作为输入序列元素，通过多头自注意力机制学习车群动作之间的内在关系，建立基于Transformer的模仿学习模型； 步骤4中根‑枝‑叶三级架构，包括： 根节点：根节点执行稀疏全局注意力，接收全局时序特征，建立环境级语义表征，通过GPS 定位系统采集车群中车辆的地理位置坐标信息，实现路径规划与车群拓扑管理； 枝节点：枝节点通过split‑attention机制，融合激光雷达和毫米波雷达采集的车群中车辆与周围障碍物、其余车辆之间的距离信息和相对速度信息，以及摄像头采集的车群中车辆周围环境的视觉图像信息，构建动态环境模型，输出0.2s‑1s内的避障决策； 叶节点：叶节点配置轻量级线性注意力模块，解析通过惯性测量单元和GPS 定位系统实时反馈至数据处理中心的车群中车辆执行动作后的实际状态和运动结果，即时响应小于200ms的紧急制动与转向修正，保证车群中车辆稳定控制； 步骤4中多头注意力机制并行计算不同表示子空间下的注意力分布，然后将结果拼接并进行线性变换，得到最终的注意力输出，表示为，其中，为输出线性变换矩阵，为第i个头的查询矩阵，为第i个头的键矩阵，为第i个头的值矩阵，为键向量的维度，为第i个头的注意力机制，为第h个头的注意力机制，h为注意力头的数量； 步骤5：进行模仿学习模型的模仿学习：在现实环境中收集专家示范动作，专家示范动作包括车群在不同环境下执行任务的状态序列和对应的动作序列，使用收集到的专家示范动作训练基于Transformer的模仿学习模型，根据车群当前的状态信息，模仿学习模型预测未来5‑10个时间步的动作序列； 步骤5中使用收集到的专家示范动作训练基于Transformer的模仿学习模型，包括以下步骤： 步骤5.1：训练采用均方误差损失函数来衡量预测的动作序列与专家示范动作之间的差异，均方误差损失函数表示为，其中，n为样本数量，为第i个样本的专家示范动作，为模仿学习模型对第i个样本的预测的动作序列，为均方误差损失函数； 步骤5.2：通过Adam优化器进行反向传播，调整模仿学习模型参数，模仿学习模型参数包括注意力机制的权重系数、模仿学习模型的学习率以及时间集成的衰减因子； 步骤6：进行动作分块：接收预测的动作序列，判断是否达到起始时间步； 若达到，则初始化计数器，提取车群中当前车辆的动作序列，按每K个时间步分组，直至车群中所有车辆完成分块； 若未达到，则继续等待； 步骤7：进行时间集成：判断是否达到结束时间步，若达到，则采用时间集成技术对预测的动作序列进行处理，对时间步周期内的动作进行指数加权平均，计算最终的执行动作； 若未达到，则继续等待； 步骤8：完成车群中车辆间的通信与协同：车群中车辆执行动作后的实际状态和运动结果通过惯性测量单元和GPS 定位系统实时反馈至数据处理中心，数据处理中心计算车群中车辆实际动作序列与预测的动作序列的偏差率，当偏差率大于10%时，触发模仿学习模型参数调整机制，优化车群的协同控制策略。

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中科南京信息高铁研究院，其通讯地址为：211100 江苏省南京市江宁区创研路266号麒麟人工智能产业园8号楼1-2层；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。