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！

龙图腾网获悉同济大学;中国汽车工程研究院股份有限公司申请的专利一种面向自动驾驶算法的一体化训练测试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：CN121029622B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511555673.8，技术领域涉及：G06F11/3668；该发明授权一种面向自动驾驶算法的一体化训练测试方法是由孙剑;张宇航;房世玉;唐宇;杭鹏设计研发完成，并于2025-10-29向国家知识产权局提交的专利申请。

本一种面向自动驾驶算法的一体化训练测试方法在说明书摘要公布了：本发明公开了一种面向自动驾驶算法的一体化训练测试方法，能够在统一架构下实现训练数据靶向生成，算法集成加速训练，算法缺陷测试诊断的闭环迭代。围绕自动驾驶算法的高效迭代与性能提升，具体步骤包括：构建训练数据标准化链路，提出训练数据靶向生成与泛化方法，实现数据高效供给与分布均衡；建立支持模块化与端到端等多技术路线的算法集成训练平台，推动算法协同训练加速；设计基于虚拟感知注入实车测试方法的自动驾驶算法闭环缺陷测试与诊断机制，为数据靶向生成提供针对性反馈与优化依据，最终形成训练与测试一体化的数据闭环方法，可加快算法迭代升级与实车落地进程，为构建安全、智能与高效的自动驾驶系统提供系统化支撑。

本发明授权一种面向自动驾驶算法的一体化训练测试方法在权利要求书中公布了：1.一种面向自动驾驶算法的一体化训练测试方法，其特征在于，包括以下步骤： S1 数据标准化； 面向不同来源的开源数据集进行数据标准化处理，统一训练数据输入‑输出结构；然后对标注后的道路交通数据建立多维度场景分类体系； S2 数据靶向生成与类别重构； 首先，确定数据靶向生成的缺陷场景；针对确定的缺陷场景，使用场景生成模型进行数据靶向生成，提升缺陷场景下的训练样本量；使用场景细化重构迭代方法，细化场景类别颗粒度，增强数据靶向补强和算法训练效果； S3 集成加速训练； 场景数据生成补全后，对算法进行加速训练； S4 闭环测试与缺陷诊断； 基于闭环测试与缺陷诊断方法，对自动驾驶算法在不同场景和难度下进行动态闭环测试，诊断算法缺陷并用于算法迭代训练； S5 循环执行步骤； 循环执行步骤S1‑S4，实现算法性能的持续优化； 步骤S2具体为： S21 数据靶向生成首先，确定数据靶向生成的缺陷场景，在此目标场景类别下进行后续的数据生成； 定义“缺陷场景”为：在自动驾驶算法测试过程中，算法在某场景中运行的关键性能指标未达到预设阈值，而触发紧急避障或被驾驶员接管的场景； 所述关键性能指标包括： 1感知层指标：目标检测精度、目标跟踪准确率、误检漏检率； 2预测层指标：轨迹预测平均误差、最终位置误差； 3规划与控制层指标：碰撞率、路径偏离率、制动转向稳定性； 定义场景表现分数： ，其中为第项指标的归一化得分，为权重； 若算法在类别难度的场景下的综合得分满足：，则场景类别被判定为缺陷场景；若，则判定为边界场景，需进一步重复测试；若，则判断场景非缺陷场景；其中与为预设性能阈值；为S12中确定的难度分级； 其中，缺陷场景判别的场景表现分数由上一轮次的S4闭环测试与缺陷诊断得到，初始轮次直接使用默认场景集合直接进入训练环节； 接着，针对确定的缺陷场景，基于场景特征维度，使用场景生成模型基于上一轮次缺陷场景诊断结果，进行数据靶向生成，提升缺陷场景下的训练样本量； 将交通场景的道路拓扑、交互模式和环境属性三个组成要素，对应成道路拓扑、交通事件和环境感知三个维度，并添加行为扰动增加场景数据泛化性，开展数据靶向生成： 1道路拓扑维度：道路拓扑为交通场景的发生的空间环境，作为被测主体与交通流交互对象的基本空间约束，包括道路边界、车道划分与交叉和交通流向； 2交通事件维度：在缺陷场景的道路拓扑与背景交通流条件下，通过交通仿真平台自动构造与被测算法交互的动态事件；3行为扰动维度：针对缺陷场景，引入交通参与者的扰动建模，构建更高难度的交互数据； 4感知维度：为交互场景添加自然环境感知要素，基于自车传感器布置与空间位置，利用三维高斯场景生成3DGS方法生成视觉感知数据，并通过生成对抗网络GAN方法对缺陷场景进行真实性增强； 一组感知数据的生成过程表述为： 式中为真实场景生成方法，分别对应道路拓扑、背景交通流、参与者随机行为扰动与自然环境要素,为车辆自身的传感器构成信息； 通过上述过程生成的新样本数量定义为： 其中分别为生成的场景感知数据与原始缺陷场景感知数据的样本量，为放大因子，根据缺陷严重程度动态设定； 最终，生成的缺陷场景扩展样本与原始场景数据合并，构成当前轮次的训练集输入，实现被测算法缺陷场景训练数据的靶向补强，将靶向生成结果转化为新的数据样本，回流至训练环节； S22 场景细化重构在执行数据靶向生成的同时，通过场景细化重构迭代方法细化场景类别颗粒度，增强数据靶向补强和算法训练效果； 首先，场景细化重构触发条件为：设某场景与难度类别在第t轮训练后的性能指标为，上一轮性能指标为，若满足：,且连续轮均未超过阈值，则触发场景迭代流程，其中为性能增量阈值，为最小连续检测轮数； 接着，进行场景特征提取与聚类；针对触发迭代的场景类别，提取场景特征向量： 其中为场景目标数量，为光照参数，为天气条件，为道路拓扑指标，为交互强度；将特征向量输入基于高斯混合模型GMM的聚类算法，假设样本分布为个高斯分布的加权组合： 通过迭代估计得到超参数，分别对应第个高斯分量的权重、均值向量和协方差矩阵，从而将原场景类别细分为多个子类； 在得到新的子类后，执行 S21 数据靶向生成步骤，得到扩展样本集，并与现有训练集融合，形成新一轮迭代训练数据； 经场景迭代处理后，原始缺陷场景被细化为覆盖更全面的子场景，使得算法能够针对不同细粒度特征进行补强学习。

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同济大学;中国汽车工程研究院股份有限公司，其通讯地址为：200092 上海市杨浦区四平路1239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。