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！

龙图腾网获悉北京理工大学申请的专利一种基于门控-超图神经网络的无人车辆协同控制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：CN121069797B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511613874.9，技术领域涉及：G05B13/04；该发明授权一种基于门控-超图神经网络的无人车辆协同控制方法是由李雪原;高鑫;戴坤;孟小强设计研发完成，并于2025-11-06向国家知识产权局提交的专利申请。

本一种基于门控-超图神经网络的无人车辆协同控制方法在说明书摘要公布了：本发明公开了一种基于门控‑超图神经网络的无人车辆协同控制方法，属于车联网和自动驾驶技术领域，包括：获取交通场景中若干个车辆集群的实时状态信息；基于实时状态信息构建超图表示模型，基于超图表示模型获得节点特征矩阵、超边特征矩阵与关联矩阵输入至预先构建的门控‑超图神经网络获得动作值与加权全局特征；基于动作值与加权全局特征获得无人车辆集群的联合动作。本发明通过超图结构建模车辆间高阶交互关系，突破传统图模型二元限制，显著提升复杂混合交通场景的多元交互建模能力。结合门控机制对多头注意力特征逐维动态筛选，有效过滤噪声并增强关键决策变量识别，在观测受限或环境扰动下实现更鲁棒、稳定的协同控制。

本发明授权一种基于门控-超图神经网络的无人车辆协同控制方法在权利要求书中公布了：1.一种基于门控-超图神经网络的无人车辆协同控制方法，其特征在于，包括以下步骤： 获取交通场景中若干个车辆集群的实时状态信息； 基于所述实时状态信息，构建以车辆集群为节点、以三类交互边为超边的构建超图表示模型，基于所述超图表示模型获得节点特征矩阵、超边特征矩阵与关联矩阵； 基于多头注意力机制构建初始神经网络，在所述初始神经网络中引入门控机制，获得门控-超图神经网络；所述门控-超图神经网络包括局部网络、全局网络与混合网络； 将所述节点特征矩阵、所述超边特征矩阵与所述关联矩阵输入至所述门控-超图神经网络获得局部特征与加权全局特征； 基于所述局部特征与加权全局特征获得无人车辆集群的联合动作； 所述超图表示模型中节超边集合包括三类交互，同类交互边、异类交互边、混合交互边； 所述局部网络包括两层超图卷积结构与门控机制；两层超图卷积结构包括无注意力超图卷积层、多头注意力超图卷积层； 所述节点特征矩阵、所述超边特征矩阵与所述关联矩阵输入至所述局部网络后，通过无注意力超图卷积层提取初始邻接特征，通过多头注意力超图卷积层对所述初始邻接特征进行处理，获得多头拼接特征，通过门控机制对所述多头拼接特征进行加权处理后，通过两层全连接层映射到动作空间的维度并输出局部特征；其中，所述门控机制包括线性映射层与Sigmoid激活函数； 所述全局网络包括两层超图卷积结构、门控机制、全局平均池化层、全局注意力层；两层超图卷积结构包括无注意力超图卷积层、多头注意力超图卷积层； 所述节点特征矩阵、所述超边特征矩阵与所述关联矩阵输入至所述全局网络后，通过无注意力超图卷积层提取初始邻接特征，通过多头注意力超图卷积层对所述初始邻接特征进行处理，获得多头拼接特征，通过门控机制对所述多头拼接特征进行加权处理后，通过全局平均池化层进行处理，将全局平均池化层的输出输入至所述全局注意力层，获得加权全局特征； 所述混合网络将输入的局部特征与加权全局特征通过特征映射层映射至高维隐空间后，分别依次通过超图卷积层、多头超图注意力层、门控多头注意力机制进行处理；处理后的局部特征与加权全局特征通过全局平均池化层进行聚合与降维后，通过全局注意力层处理获得全局特征表示，通过两层全连接层将全局特征表示映射到联合动作价值函数输出空间，获得决策信号，基于决策信号获得无人车辆集群的联合动作。

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京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街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。