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！

龙图腾网获悉南京理工大学申请的专利一种基于强化学习引导的自适应扩散轨迹规划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：CN121432938B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202512017065.8，技术领域涉及：G05B13/04；该发明授权一种基于强化学习引导的自适应扩散轨迹规划方法是由陈思园;杨力;闫波帆;杨洋;冯科瑞;袁琪阳设计研发完成，并于2025-12-30向国家知识产权局提交的专利申请。

本一种基于强化学习引导的自适应扩散轨迹规划方法在说明书摘要公布了：本发明公开了一种基于强化学习引导的自适应扩散轨迹规划方法，包括根据场景认知编码，构建多模态环境特征表示，利用强化学习引导的扩散去噪，生成安全平滑轨迹；其中的安全平滑轨迹的迭代过程中的去噪步长通过步数决策模型实现自适应调整，根据场景复杂度动态分配计算资源，在简单场景中减少冗余计算，复杂场景中保证轨迹精度，满足实时性需求，整个规划方法通过多阶段训练结合离线模仿学习与闭环强化学习微调，使模型在训练分布外场景中仍保持稳定性能，且扩散模型的迭代去噪过程天然支持多模态轨迹生成，结合强化学习的奖励引导，可在复杂场景中生成符合真实驾驶规律的多样化决策。

本发明授权一种基于强化学习引导的自适应扩散轨迹规划方法在权利要求书中公布了：1.一种基于强化学习引导的自适应扩散轨迹规划方法，其特征在于，包括以下步骤： 步骤1、根据场景认知编码，构建多模态环境特征表示： 步骤1-1、采集自动驾驶场景的多源异构数据，包括动态智能体信息、静态障碍物信息和地图导航信息； 其中的动态智能体信息包括主车及周围车辆的位置、速度、加速度、航向角；静态障碍物信息包括道路的路沿、护栏、停止线的几何位置与类别；地图导航信息包括车道线拓扑、交通信号灯状态、全局路径航点； 步骤1-2、将获取的多源异构数据统一转换至主车局部坐标系，并分别进行特征编码，包括： 基于双向LSTM构建智能体编码器处理动态智能体信息，输出维度为[M×L×D]的动态特征，其中，M为最大智能体数量，L为时间帧数，D为特征维度； 基于MLP-Mixer构建静态障碍物编码器处理静态障碍物信息，输出维度为[H×W×D]的静态特征，其中，H、W分别为静态特征的高度与宽度； 基于MLP-Mixer构建地图导航编码器处理地图导航信息，输出维度为[K×D]的导航特征，其中，K为全局路径航点数量； 步骤1-3、采用多头交叉注意力机制融合动态特征、静态特征与导航特征，生成统一的高维场景特征向量，作为后续扩散轨迹去噪的输入： ； 其中，为带噪轨迹特征数据，t为扩散时间步，取值范围[0,1]，t=1对应初始噪声轨迹，t=0对应最终去噪轨迹，为静态特征，为动态特征，为导航特征，表示多头交叉注意力函数； 将经过多头交叉注意力函数处理过的带噪轨迹特征数据更新为带噪轨迹特征数据； 步骤2、利用强化学习引导的扩散去噪，生成安全平滑轨迹： 步骤2-1、初始化扩散过程，获取步骤1生成的高维场景特征向量作为初始带噪轨迹特征数据， 其中t为扩散时间步，取值范围[0,1]，t=1时对应纯噪声，t=0时对应最终去噪轨迹，维度为，其中为扩散时间步的时间步长，并分别对应主车的x坐标、y坐标、航向角正弦值、航向角余弦值四个维度； 步骤2-2、构建强化学习马尔可夫决策过程MDP，定义为元组； 其中，S表示状态空间，包括步骤1提取的场景特征、当前扩散时间步t、当前带噪轨迹； A表示动作空间，定义为扩散去噪的噪声预测参数，用于调整每一步去噪的方向与幅度； 奖励函数r为多目标加权奖励，包括轨迹安全代价与平滑代价，其中通过计算轨迹与周围智能体、静态障碍物的最小距离评估碰撞风险，通过分析轨迹曲率变化或加速度曲线评估平滑性，两者共同构成奖励信号以引导模型生成安全平滑轨迹； P表示状态转移概率，表示任务初始状态分布，表示折扣因子，表示决策过程时间跨度； 步骤2-3、迭代去噪优化： 给定去噪步长k，对于去噪过程中的每一步i，i∈[0,k]，扩散时间步为，将场景特征与当前带噪轨迹的交叉注意力融合特征输入基于DiffusionTransformer构建的噪声预测网络； 基于GRPO强化学习框架，根据当前状态S选择动作A，更新带噪轨迹至；计算该步的奖励值，通过时序差分误差更新GRPO的策略网络与价值网络； 进入第i=i+1步去噪过程，重复上述过程直至t=0，输出最终去噪轨迹。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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。