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申请的专利一种多驾驶风格高风险自动驾驶切入场景测试方法及系统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：CN121387751B 。

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：202511923209.X，技术领域涉及：G06F11/3668；该发明授权一种多驾驶风格高风险自动驾驶切入场景测试方法及系统是由张心睿;邵晨;王凯;黄军鹏;王修榕;熊璐;张培志设计研发完成，并于2025-12-19向国家知识产权局提交的专利申请。

本一种多驾驶风格高风险自动驾驶切入场景测试方法及系统在说明书摘要公布了：本发明涉及一种多驾驶风格高风险自动驾驶切入场景测试方法及系统，方法包括：采集原始驾驶轨迹数据并进行驾驶风格聚类，利用Cutin‑TimeGAN网络模型结合物理可行性约束，生成驾驶风格一致的风险切入场景轨迹簇；构建代价函数，对每一风险切入场景轨迹簇计算代价函数值，选取目标切入参考轨迹作为目标参考状态向量；构建博弈框架，根据框架中VUT和测试对抗车辆的状态向量，结合目标参考状态向量构建效用函数；基于预计碰撞时间构建风险对抗效用函数；构建博弈优化问题并求解，得到测试对抗车辆的最优交互轨迹，基于最优交互轨迹进行闭环高风险自动驾驶切入场景测试；系统用于实现上述方法。与现有技术相比，本发明兼顾了多驾驶风格真实性与高风险对抗性的测试。

本发明授权一种多驾驶风格高风险自动驾驶切入场景测试方法及系统在权利要求书中公布了：1.一种多驾驶风格高风险自动驾驶切入场景测试方法，其特征在于，包括： 采集原始驾驶轨迹数据并构建物理可行性约束，将所述的原始驾驶轨迹数据进行驾驶风格聚类后，利用Cutin-TimeGAN网络模型结合所述的物理可行性约束，生成驾驶风格一致的风险切入场景轨迹簇；所述的驾驶风格包括保守、普通和激进；所述的Cutin-TimeGAN网络模型包括嵌入器E、生成器G、恢复器R、监督器S和判别器D，有：嵌入器E：输入经过驾驶风格聚类后的切入轨迹序列数据，通过多层循环神经网络将轨迹序列数据编码为低维潜在向量；恢复器R：输入潜在向量H，通过对称网络结构将潜在向量解码重构轨迹；生成器G：输入随机噪声序列Z及驾驶风格标签，输出伪造潜在向量；监督器S：输入真实潜在向量H与生成潜在向量，输出时间预测结果；判别器D：对真实与伪造潜在向量进行分类判别，驱动生成器优化； 构建代价函数，对每一所述的风险切入场景轨迹簇计算代价函数值，基于所述的代价函数值选取目标切入参考轨迹作为目标参考状态向量； 构建Stackelberg博弈框架，根据框架中VUT和测试对抗车辆的状态向量，结合所述的目标参考状态向量构建效用函数；所述的效用函数为： ， ， 其中，表示跟随者即VUT的效用函数；表示第k+1时刻跟随者的状态向量；表示跟随者的目标参考状态向量；表示状态权重系数矩阵；表示跟随者第k时刻的控制输入向量；表示控制输入权重矩阵；表示规划总步长；表示领导者即测试对抗车辆的效用函数；表示第k+1时刻领导者的状态向量；表示领导者的目标参考状态向量；表示领导者第k时刻的控制输入向量； 计算所述的VUT和测试对抗车辆的预计碰撞时间，基于所述的预计碰撞时间构建风险对抗效用函数；所述的风险对抗效用函数为： ， 其中，表示规划总步长；表示跟随者所行驶轨迹长度；表示跟随者速度；表示领导者所行驶轨迹长度；表示领导者速度； 基于所述的效用函数和风险对抗效用函数构建风险切入交互Stackelberg博弈优化问题并求解，得到测试对抗车辆的最优交互轨迹，基于所述的最优交互轨迹进行闭环高风险自动驾驶切入场景测试；所述的风险切入交互Stackelberg博弈优化问题为： ， ， ， 其中，表示领导者的控制输入向量；表示风险驾驶调节系数；表示合规自然驾驶调节系数；表示领导者即测试对抗车辆的效用函数；表示风险对抗效用函数；表示跟随者第k时刻的控制输入向量；表示状态转移矩阵；表示输入增益矩阵；表示领导者第k时刻的控制输入向量；表示领导者第k时刻的纵向位置；表示跟随者第k时刻的纵向位置；表示预设安全间距；表示第i辆车的控制输入向量；表示控制输入向量下界；表示控制输入向量上界；表示第i辆车的速度；表示最大车速；表示跟随者第k时刻的状态向量；表示领导者第k时刻的状态向量。

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，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。