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！

龙图腾网获悉北京工业大学申请的专利数据缺失条件下基于对比学习的车辆换道意图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：CN121281016B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202511361725.8，技术领域涉及：G06V20/56；该发明授权数据缺失条件下基于对比学习的车辆换道意图预测方法是由顾欣;左雯洁;张永男;郭音伽;李昀轩;贾晓璐;李永行;陈艳艳设计研发完成，并于2025-09-23向国家知识产权局提交的专利申请。

本数据缺失条件下基于对比学习的车辆换道意图预测方法在说明书摘要公布了：本发明公开了一种数据缺失条件下基于对比学习的车辆换道意图预测方法，该方法中搭建自监督对比学习框架，上游任务采用孪生网络结构，下游任务采用图注意力网络模块；通过构造正负样本对，学习数据的表示，使得正样本对在特征空间中更接近，负样本对更远离；采用双通道趋势注意力机制，分别处理完整数据样本和缺失数据样本。这种机制能够有效捕捉时间序列数据中的全局趋势和局部变化，提高特征提取的准确性和可靠性。本发明显著的提升预测鲁棒性，避免传统数据填补的复杂操作，有助于融合时序动态与空间交互，实现高效时空特征建模，有效解决智能驾驶场景下车辆变道意图预测面临的数据缺失与时空交互建模难题。

本发明授权数据缺失条件下基于对比学习的车辆换道意图预测方法在权利要求书中公布了：1.一种数据缺失条件下基于对比学习的车辆换道意图预测方法，其特征在于，该方法包括： 采集车辆轨迹数据以及场景中车辆周围环境数据，并对采集的数据进行预处理； 搭建自监督对比学习框架，其中：上游任务采用孪生网络结构，该结构包括两个具有共享权重的趋势注意力机制子模块，子模块输入为采集到的完整或缺失数据样本，输出为的时序特征向量；下游任务采用图注意力网络模块，从基于图表示后的时序特征向量中提取空间特征，并与环境特征整合表示后进行降维；最终经过非线性映射处理，生成车辆换道意图； 建立自监督对比学习框架中的数据增强处理策略、编码器选择策略、图注意力网络架构、相似度衡量指标和损失函数，对其进行训练，直至达到训练目标； 利用训练好的自监督对比学习框架搭建车辆换道意图预测模型，对换道意图进行预测； 通过自适应学习车辆间交互图的方式提取空间特征从而构建图注意力网络，具体方法为： 将目标换道车辆作为中心节点、周围车辆作为邻居节点构建动态交互图，通过图注意力计算生成中心节点的空间特征向量，利用多头注意力并行计算与融合，捕捉包括车辆间相对距离、速度变化的空间依赖，具体计算过程如下： ①特征变换：对输入的时序特征向量进行线性变换，计算方式为： 其中，表示经过第k个注意力头的线性变换后，节点i的特征向量，k为注意力头数，表示第k个注意力头部的可学习权重矩阵； ②注意力权重计算：通过进行注意力权重计算得出中心节点与邻居节点的未归一化注意力系数，计算方式为： 其中，i表示换道车辆，作为中心节点，j表示周围车辆，作为邻居节点；表示在第k个注意头中节点i到节点j的重要性；为注意力参数向量；∥为向量拼接操作；LeakyReLU为激活函数；表示经过第k个注意力头的线性变换后，节点j的特征向量； ③归一化处理：使用softmax函数对注意力系数进行归一化，以获得最终的邻域权重分布，计算方式为： 其中，表示邻居节点j对中心节点i的重要性；为中心节点i的邻居节点集合；根据归一化权重聚合邻居节点的特征，生成中心节点的新特征，计算方式为： 其中，表示中心节点的新特征； ④特征聚合：将注意力头并行计算，结果通过拼接或平均融合，生成最终的空间特征向量，实现多注意头融合。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。