Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 大连理工大学李琳辉获国家专利权

大连理工大学李琳辉获国家专利权

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!

龙图腾网获悉大连理工大学申请的专利一种融合运动学模型的深度学习车辆轨迹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:CN116424365B

龙图腾网通过国家知识产权局官网在2025-06-24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:202310229460.0,技术领域涉及:B60W60/00;该发明授权一种融合运动学模型的深度学习车辆轨迹预测方法是由李琳辉;付一帆;王雪成;连静;王霆;赵剑;王亚飞设计研发完成,并于2023-03-10向国家知识产权局提交的专利申请。

一种融合运动学模型的深度学习车辆轨迹预测方法在说明书摘要公布了:本发明公开了一种融合运动学模型的深度学习车辆轨迹预测方法,包括如下步骤:获取自动驾驶车辆周围场景信息并转换至目标车辆坐标系;使用深度学习模型建立车辆历史运动状态信息及交互关系,预测目标车辆的质心加速度和前轮转角;根据车辆长度划分车辆类型并约束车辆质心加速度、前轮转角的预测值,使用车辆二自由度模型由预测值计算出目标车辆的轨迹坐标。本发明将车辆二自由度运动模型融合进深度学习预测模型,兼顾深度学习的高精度长时域预测性能并考虑车辆运动学性质,使预测轨迹结果更符合真实车辆运动规律。本发明能提升预测轨迹的可行性和准确性,能够减少不可行预测结果导致主车规划过于保守的情况,提升自动驾驶汽车行驶安全性、平顺性。

本发明授权一种融合运动学模型的深度学习车辆轨迹预测方法在权利要求书中公布了:1.一种融合运动学模型的深度学习车辆轨迹预测方法,其特征在于:包括如下步骤: A、获取自动驾驶车辆周围场景信息并转换至目标车辆坐标系 A1、获取周围道路矢量信息 从高精地图中获取自动驾驶车辆vehicleego周围的道路结构信息,所述道路结构信息包括车道中心线、车道边界线、人行横道区域的位置坐标; 将所述道路结构信息划分为多段的等距离的道路段,从每个道路段中提取起点坐标a、终点坐标b和方向c共同组成周围道路矢量信息roadvectornbrs={a,b,c}; A2、获取自动驾驶车辆的历史运动状态信息 通过自动驾驶车辆的定位系统获得自动驾驶车辆vehicleego按照采样频率f在过去Th秒的H个时间步上的历史运动状态信息: 所述历史运动状态信息在第h个时间步上的历史状态信息为 其中,h的取值范围为-H+1到0,Lego和Bego分别为自动驾驶车辆在大地坐标系下的经度与纬度,ψego为自动驾驶车辆的横摆角,vego为自动驾驶车辆的质心速度,lego、wego分别为自动驾驶车辆的长度、宽度; A3、获取自动驾驶车辆的周围车辆的历史运动状态信息 通过自动驾驶车辆环境感知系统的目标检测模块实时检测出M个周围车辆vehiclenbrs={vehicle1,vehicle2,..,vehicleM},并通过跟踪模块获取每个周围车辆在过去Th秒内的历史运动状态信息statenbrs={state1,state2,...,stateM},转至步骤A4; 每一个周围车辆的历史运动状态信息是按照采样频率f在过去Th秒内的H个时间步上获得的,j的取值范围为1到M,第j个周围车辆的历史运动状态信息为第j个周围车辆在第h个时间步的运动状态信息为其中,Lj和Bj分别为第j个周围车辆在大地坐标系下的经度和纬度,ψj为第j个周围车辆的横摆角,vj为第j个周围车辆的质心速度,lj、wj分别为第j个周围车辆长度、宽度,idj为第j个周围车辆的身份码; A4、选取目标车辆及坐标系转换 从周围车辆vehiclenbrs中选取一个车辆作为目标车辆vehicletarget,将除目标车辆以外的周围车辆和自动驾驶车辆合并为其他车辆vehicleother,以目标车辆在当前时刻的位置为原点,以车头朝向为X轴正方向、车辆左侧为Y轴正方向建立车身直角坐标系XOY; 将步骤A1、A2、A3中获取的周围道路矢量信息roadvectornbrs、自动驾驶车辆的历史状态信息stateego和周围车辆的历史运动状态信息statenbrs坐标转换至目标车辆车身直角坐标系,坐标转换后从周围车辆的历史运动状态信息statenbrs和自动驾驶车辆的历史状态信息stateego中筛选出其他车辆vehicleother的历史运动状态信息为历史运动状态信息stateother; B、使用深度学习模型建立车辆历史运动状态信息及交互关系,预测目标车辆的质心加速度和前轮转角 B1、编码车辆历史运动状态信息 对步骤A3中获取的目标车辆的历史运动状态信息statetarget输入至第一长短时记忆网络LSTM1中,LSTM1输出目标车辆历史运动状态编码embeddingtarget; 对步骤A3中获取的其他车辆的历史运动状态信息stateother输入至第二长短时记忆网络LSTM2中,LSTM2输出其他车辆历史运动状态编码embeddingother; B2、编码各类交互关系 对目标车辆历史运动状态编码embeddingtarget和其他车辆历史运动状态编码embeddingother输入至第一多级场景门控模块MCG1得到目标车辆与其他车辆交互特征featuret2o; 对目标车辆历史运动状态编码embeddingother和周围道路矢量信息roadvectornbrs输入至第二多级场景门控模块MCG2得到目标车辆与周围道路交互特征featuret2r; 将目标车辆与其他车辆交互特征featuret2o与目标车辆与周围道路交互特征featuret2r输入至第三多级场景门控模块MCG3得到全局交互特征featureglobal; 将featuret2o、featuret2r和featureglobal这三类交互特征使用拼接函数concat拼接在一起,构成隐性特征featurehidden; B3、解码目标车辆运动参数 使用多层感知机MLP作为解码器将从步骤B2中得到的隐性特征featurehidden解码为包含N种不同运动模态的的质心加速度预测值apred和N种不同运动模态的前轮转角预测值γpred,计算公式如下: apred,γpred=MLPfeaturehidden 其中MLP为使用多层感知机方法,apred为包含N种不同运动模态的质心加速度预测值,γpred为包含N种不同运动模态的前轮转角预测值,表示第n种运动模态的质心加速度预测值,表示第n种运动模态的前轮转角预测值,n的取值范围为1到N,表示第i个未来时间步上的第n种运动模态质心加速度预测值,表示第i个未来时间步上的第n种运动模态前轮转角预测值,i的取值范围为1到F; C、根据车辆长度划分车辆类型并约束车辆质心加速度、前轮转角的预测值,使用车辆二自由度模型由预测值计算出目标车辆的轨迹坐标 C1、划分车辆类型并设置运动参数范围 根据车辆长度将车辆类型进行划分并设置不同类型车辆的最大加速度: 小型车辆:车辆长度≤7m,最大加速度a小型max为5ms2; 中型车辆:7m车辆长度≤10m,最大加速度a中型max为3.5ms2; 大型车辆:车辆长度10m,最大加速度a大型max为2.5ms2; 设置所有类型车辆的最大前轮转角γmax为36°; C2、约束运动参数预测值 由步骤B3得到预测目标车辆在未来Tf秒F个时间步上N个运动模态的预测质心加速度及前轮转角,按照不同类型车辆加速度、最大前轮转角进行约束:若车辆质心加速度预测值apred大于该类型车辆最大加速度amax,则车辆质心加速度预测值取该类型车辆的最大加速度amax;若车辆前轮转角预测值γpred大于最大前轮转角γmax,则车辆前轮转角预测值取该类型车辆的最大前轮转角γmax; C3、由车辆二自由度运动模型计算预测轨迹 对预测目标车辆使用车辆二自由度运动模型,输入步骤C2得到的N个运动模态上的目标车辆的质心加速度预测值apred和车辆前轮转角预测值γpred,计算得到未来F个时间步上目标车辆的轨迹坐标,计算公式如下: 获取运动状态初始值,以目标车辆当前时间步的运动状态为初始值: 其中,为目标车辆的速度初始值,v0为当前时刻目标车辆的速度,为目标车辆的横向坐标初始值,为目标车辆的纵向坐标初始值,为目标车辆的横摆角初始值; 由车辆二自由度模型计算未来每个时间步的轨迹坐标预测值和 最终得到目标车辆在未来Tf秒F个时间步上N种运动模态的轨迹坐标预测值Trajectorypred为: 其中变量的上标为第i个未来时间步,i的取值范围为1至F,predn为第n种预测运动模态,n的取值范围为1到N,v为目标车辆质心速度预测值,x为目标车辆质心在车身直角坐标系下的横向坐标,y为目标车辆质心的在车身直角坐标系下的纵向坐标,γ为目标车辆前轮转角,a为目标车辆质心加速度,t为每个时间步的时长,β为目标车辆质心侧偏角,lf为目标车辆前轴到质心的距离,lr为目标车辆后轴到质心的距离,ψ为目标车辆横摆角,yaw为目标车辆航向角。

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大连理工大学,其通讯地址为:116024 辽宁省大连市高新园区凌工路2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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。