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一种基于深度Q网络学习的车辆跟踪方法、存储介质及设备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：CN116778433B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310769248.3，技术领域涉及：G06V20/54；该发明授权一种基于深度Q网络学习的车辆跟踪方法、存储介质及设备是由王波;徐玮明;冯志远;赵彦平;栾明桉;杨佳慧;姚宝花;王海艳设计研发完成，并于2023-06-27向国家知识产权局提交的专利申请。

本一种基于深度Q网络学习的车辆跟踪方法、存储介质及设备在说明书摘要公布了：一种基于深度Q网络学习的车辆跟踪方法、存储介质及设备，它属于车辆跟踪技术领域。本发明解决了在无法覆盖GPS信号且场景复杂的情况下，采用现有技术无法实现对车辆的高精度定位跟踪的问题。本发明针对IMM卡尔曼滤波器的状态转移概率矩阵未知的复杂情况，基于DQN学习得到IMM卡尔曼滤波器的状态转移概率矩阵，利用深度强化学习的感知和决策能力，能够有效地感知外部环境，获得最优判断，而且本发明方法的实现过程不需要依赖GPS信号，因此，在无法覆盖GPS信号且场景复杂的情况下，本发明方法仍然可以提升车辆跟踪性能，实现对车辆的高精度定位跟踪。本发明方法可以应用于车辆跟踪技术领域用。

本发明授权一种基于深度Q网络学习的车辆跟踪方法、存储介质及设备在权利要求书中公布了：1.一种基于深度Q网络学习的车辆跟踪方法，其特征在于，所述方法具体包括以下步骤： 步骤一、构建车辆跟踪系统模型； 所述步骤一具体包括： 步骤一一、在道路两侧安装RSU； 步骤一二、构建车辆运动状态预测模型； 所述车辆运动状态预测模型为： xk＝Fxk-1+Gωk-1 其中，xk表示tk时刻车辆的运动状态向量，xk＝[x,y,vx,vy,ax,ay]T，x表示车辆沿空间直角坐标系的X轴方向的位置，y表示车辆沿空间直角坐标系的Y轴方向的位置，vx表示车辆沿空间直角坐标系的X轴方向的速度，vy表示车辆沿空间直角坐标系的Y轴方向的速度，ax表示车辆沿空间直角坐标系的X轴方向的加速度，ay表示车辆沿空间直角坐标系的Y轴方向的加速度，上角标T代表转置，xk-1表示tk-1时刻车辆的运动状态向量，F为状态转移矩阵，ωk-1表示tk-1时刻加速度扰动噪声，G为预测模型噪声矩阵； 步骤一三、根据车辆在运动过程中接收到的来自于RSU的到达时间信息，构建车辆运动状态观测模型； 所述车辆运动状态观测模型为： zk＝Hxk+vk 其中，zk为tk时刻车辆运动状态的观测值，H为接收到的来自于RSU的到达时间的映射矩阵，vk是观测噪声； 步骤二、根据步骤一中获得的状态预测和状态观测结果，并基于深度Q网络和IMM卡尔曼滤波对车辆进行跟踪； 所述步骤二具体包括： 步骤二一、利用IMM卡尔曼滤波对车辆进行跟踪； 所述步骤二一的具体过程为： 步骤二一一、计算tk时刻运动状态j的预测概率： 其中，μi,k-1为tk-1时刻车辆运动状态i的概率，为tk时刻运动状态j的预测概率，pij为tk-1时刻更新后的马尔可夫状态转移概率矩阵中的元素，i＝1,2…,r，j＝1,2…,r； 根据μi,k-1计算车辆从运动状态i到运动状态j的混合概率为： 其中，μij,k-1|k-1为车辆从运动状态i到运动状态j的混合概率； 利用μij,k-1|k-1计算运动状态j的混合状态估计以及运动状态j的混合协方差估计： 其中，为运动状态j的混合状态估计，是tk-1时刻车辆运动状态i的状态估计，P0j,k-1|k-1为运动状态j的混合协方差估计，Pi,k-1|k-1是tk-1时刻车辆运动状态i的协方差估计； 步骤二一二、根据和P0j,k-1|k-1计算状态的一步预测和协方差的一步预测： Pj,k|k-1＝FjP0j,k-1|k-1FjT+GjQjGjT Kj,k＝Pj,k|k-1HT[HPj,k|k-1HT+R]-1 其中，为tk时刻运动状态j的状态一步预测，Pj,k|k-1为tk时刻运动状态j的协方差一步预测，Fj为运动状态j的状态转移矩阵，Gj为运动状态j的模型噪声矩阵，Qj为运动状态j的扰动噪声的协方差矩阵，Kj,k为tk时刻运动状态j的卡尔曼增益，R是RSU的观测协方差噪声矩阵，上角标-1代表矩阵的逆； 根据Pj,k|k-1和Kj,k计算tk时刻车辆运动状态j的状态估计以及协方差估计： Pj,k|k＝[I-Kj,kH]Pj,k|k-1 其中，为tk时刻车辆运动状态j的状态估计，Pj,k|k为tk时刻车辆运动状态j的协方差估计，I是单位矩阵； 步骤二一三、运动状态j的似然函数为： 其中，Λj,k是tk时刻运动状态j的似然函数值，n为zk的维数，Sj,k为中间变量矩阵，Sj,k＝HPj,k|k-1HT+R，|·|代表取模长，运动状态j的概率更新为：式中，μj,k为tk时刻运动状态j的概率，c为归一化的系数， 步骤二一四、根据tk时刻运动状态j的概率μj,k计算tk时刻最终的运动状态估计： 其中，是tk时刻最终的运动状态估计结果，即tk时刻对车辆跟踪的结果； 步骤二二、根据步骤二一的跟踪结果获得状态数组i,ak-1,Rk,j，并将获得的状态数组i,ak-1,Rk,j存储到经验重放单元，根据经验重放单元存储的状态数组更新深度Q网络的价值函数的参数； 步骤二三、根据更新后的价值函数参数对马尔可夫状态转移概率矩阵进行更新； 步骤二四、判断车辆是否达到运动的终止时刻，若达到运动的终止时刻，则结束跟踪；否则未达到运动的终止时刻，则利用更新后的马尔可夫状态转移概率矩阵返回步骤二一。

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：130023 吉林省长春市南关区人民大街5899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。