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！

龙图腾网获悉北方工业大学申请的专利一种面向自主式交通系统的多交通主体信息融合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：CN118887800B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410907721.4，技术领域涉及：G08G1/01；该发明授权一种面向自主式交通系统的多交通主体信息融合方法是由王庞伟;徐京辉;刘程;张龙;张名芳设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种面向自主式交通系统的多交通主体信息融合方法在说明书摘要公布了：本发明涉及交通状态感知技术领域，尤其涉及一种面向自主式交通系统的多交通主体信息融合方法。该方法包括步骤S1，对图像数据和点云数据进行融合；步骤S2，车辆主体状态估计。本发明通过将欧氏聚类算法与YOLOx模型相结合，以对不同维度数据的处理和融合，并基于置信度优化的数据融合方法，实现远距离、部分遮挡车辆主体的准确检测，利用D‑S证据理论确定最高置信度的数据假设，从而获得可靠的车辆主体位置数据作为状态数据，有效保障传感器数据融合和真实性评估，通过扩展状态向量和非线性系统模型描述车辆主体的位置和运动状态，以实现对车辆位置的准确估计和复合定位，有效处理非线性系统和多源信息的融合，提高车辆位置估计的准确性和稳定性。

本发明授权一种面向自主式交通系统的多交通主体信息融合方法在权利要求书中公布了：1.一种面向自主式交通系统的多交通主体信息融合方法，其特征在于，包括， 步骤S1，对图像数据和点云数据进行融合，其中， 步骤S11，基于构建的数据采集场景获取车辆数据集和KITTI数据集，所述数据集包括所述图像数据和对应的所述点云数据； 步骤S12，优化YOLOx模型，其中， 对所述车辆数据集和所述KITTI数据集进行轻量化处理，得到输出特征数据，利用多尺度金字塔卷积处理所述输出特征数据中的所述图像数据，得到目标特征图； 所述轻量化处理为利用轻量级卷积神经网络GhostNet和深度可分离卷积对所述车辆数据集和所述KITTI数据集进行筛选，得到输出特征数据； 步骤S13，对所述输出特征数据中的所述点云数据进行点云聚类检测，生成车辆聚类检测结果，以及得到车辆主体的目标三维点云数据； 步骤S14，对所述目标三维点云数据和所述目标特征图的检测框进行匹配，根据匹配结果进行目标检测，根据所述点云聚类检测结果对所述目标检测结果进行修正，以输出融合后的检测框； 在所述步骤S14中，根据所述点云聚类检测结果对所述目标检测结果进行修正包括， 获取所述点云聚类检测结果； 在所述点云聚类检测结果为非车辆时，根据Sigmoid函数计算修正置信概率，其中， 所述Sigmoid函数公式为， 其中，Pout为修正后的置信概率，Pold为修正前的置信概率，c为偏置值，偏置值用于保证sigmoid函数值均在大于0且可导的区间； 根据所述修正置信概率重新对所述目标三维点云数据和所述目标特征图的检测框进行匹配，以输出融合后的检测框； 步骤S2，车辆主体状态估计，其中， 步骤S21，基于欧氏距离获取各传感器输出的所述车辆主体的初始位置数据； 在所述步骤S21中，基于欧氏距离获取各传感器输出的车辆主体的初始位置数据包括， 计算各所述传感器数据之间的欧氏距离并进行归一化处理，得到归一化距离矩阵； 根据所述归一化距离矩阵计算置信度； 选择置信度最高的各传感器输出的车辆主体位置作为状态数据； 其中， Dconfdij＝1-DNormdij9 其中，θi表示第i个传感器获取的数据，θj表示第j个传感器获取的数据，ns表示传感器的数量，dθi表示θi与其他数据之间的欧氏距离，Ddij表示距离矩阵，DNormdij表示归一化距离矩阵，Dconfdij表示置信度； 步骤S22，根据D-S理论估算位置数据，并根据目标自适应因子对所述位置数据进行修正，得到目标位置数据，以将所述初始位置数据更新为所述目标位置数据； 在所述步骤S22中，根据目标自适应因子对所述位置数据进行修正包括， 确定融合修正的目标函数，其中， J＝minσ37 其中，J表示融合修正的目标，σ表示总均方差； 计算总均方差，选择所述总均方差最小时对应的自适应因子作为目标自适应因子，其中， 其中，nbatch表示时间序列的最大批次数；W表示自适应因子，Y为D-S证据理论输出的车辆主体状态向量，Y为IUKF输出的车辆主体状态向量，μ表示每个传感器的系数； 根据所述目标自适应因子和所述位置数据计算目标位置数据，其中， 其中，W为目标自适应因子，X为位置数据，为目标位置数据； 步骤S23，根据改进多层UKF对所述目标位置数据进行处理，得到所述车辆主体的复合定位数据； 其中，对各所述传感器的噪声变化进行监测，以在所述传感器噪声动态变化或异常变化时更新观测噪声的误差序列和协方差矩阵。

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方工业大学，其通讯地址为：100144 北京市石景山区晋元庄路5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。