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！

龙图腾网获悉吉林大学申请的专利基于GRU-GCN的交互式车辆多模态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：CN116595478B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202310490250.7，技术领域涉及：G06F18/25；该发明授权基于GRU-GCN的交互式车辆多模态轨迹预测方法是由孟志伟;张素民;何睿;白日;常宇鹏;金小淞设计研发完成，并于2023-05-04向国家知识产权局提交的专利申请。

本基于GRU-GCN的交互式车辆多模态轨迹预测方法在说明书摘要公布了：本发明公开了一种基于GRU‑GCN的交互式车辆多模态轨迹预测方法，包括以下步骤：获得数据集，进行数据预处理；利用基于GRU的编码器对目标车辆及周围车辆的历史轨迹信息进行编码，输出各车辆对应的车辆动力学编码特征；利用交互模块提取车辆间的时空交互特征；行为识别模块识别目标车辆的行为；基于行为识别结果m利用GRU解码生成未来多模态预测轨迹。本发明解决了现有预测方法对车辆多模态轨迹的预测精度较低的问题。

本发明授权基于GRU-GCN的交互式车辆多模态轨迹预测方法在权利要求书中公布了：1.一种基于GRU‑GCN的交互式车辆多模态轨迹预测方法，其特征在于，包括以下步骤： 步骤S1：获得数据集，进行数据预处理及数据集划分； 步骤S2：定义车辆轨迹预测任务，获得目标车辆cp及周围车辆ci的历史轨迹； 步骤S3：利用基于GRU的编码器对目标车辆cp及周围车辆ci的历史轨迹信息进行编码，输出各车辆对应的车辆动力学编码特征DFc； 步骤S4：将目标车辆及其周围车辆的动力学编码特征DFc输入到交互模块，利用图卷积网络建模车辆间的依赖关系，最终输出车辆间的时空交互特征IF； S5：将目标车辆动力学编码特征和车辆间时空交互特征IF的融合特征向量输入到行为识别模块，然后利用Softmax层识别车辆横向和纵向行为，最终输出目标车辆的行为编码特征ME； S6：将目标车辆动力学编码特征车辆间的时空交互特征IF和目标车辆行为编码特征ME进行融合，然后将融合特征输入到解码器，最后基于行为识别结果m利用GRU解码生成未来多模态预测轨迹； 所述步骤S3具体为： 步骤S3.1：利用线性转换嵌入函数emb将低维度的车辆c的历史轨迹信息转换为高纬度的向量空间信息，历史轨迹信息包括位置信息、速度信息以及加速度信息；车辆c表示目标车辆cp和周围车辆ci的集合，即c∈[cp,c1,…ci,…cn]，cn表示第n辆周围车辆，具体转换过程如下： 其中，L为历史轨迹位置信息嵌入向量，V表示历史轨迹速度信息嵌入向量，A表示历史轨迹加速度信息嵌入向量；和分别表示车辆c在t1时刻的横向和纵向位置坐标信息，和分别表示车辆c在t1时刻的横向和纵向速度信息，和车辆c在t1时刻的横向和纵向加速度信息； 步骤S3.2：将历史轨迹位置信息嵌入向量L、历史轨迹速度信息嵌入向量V和历史轨迹加速度信息嵌入向量A进行融合，如下式所示： H＝catL,V,a其中，cat表示向量特征的融合操作，H为融合特征； 步骤S3.3：将融合特征H输入到GRU编码器中进行编码，编码器输出车辆间的动力学编码特征DFc，编码操作如下所示： DFc＝gRUH； 所述步骤S4具体为： 步骤S4.1：构建图结构： 步骤S4.1.1：定义无向图为G＝O,E以表示车辆间的交互作用； 步骤S4.1.2：节点O定义如下： 其中，为周围车辆ci在t1时刻的轨迹信息，为周围车辆cj在t1时刻的轨迹信息，集合{c1,…,ci,cj,…,cn}均为周围车辆； 步骤S4.1.3：利用空间边ES建模不同车辆间的空间依赖关系，利用时间边ET建模同一车辆的时间依赖关系，分别定义如下： 其中，ci和cj为不同的周围车辆，并且ci,cj∈{c1,…,cn}，为周围车辆ci在t1+1时刻的轨迹信息，t1+1表示t1的下一时刻； 步骤S4.2：建立基于图卷积网络GCN的交互模块； 步骤S4.3：将目标车辆及其周围车辆的动力学编码特征DFc输入到基于GCN的交互模块中，利用GCN来提取车辆间的时空交互特征向量IF，如下式所示： IF＝GCNDFc。

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吉林大学，其通讯地址为：130000 吉林省长春市朝阳区前进大街2699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”。