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！

龙图腾网获悉同济大学申请的专利基于感知贡献的开放式无人驾驶车群构建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：CN118690479B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202410701763.2，技术领域涉及：G06F30/15；该发明授权基于感知贡献的开放式无人驾驶车群构建方法是由程久军;毛其超设计研发完成，并于2024-05-31向国家知识产权局提交的专利申请。

本基于感知贡献的开放式无人驾驶车群构建方法在说明书摘要公布了：本发明属于无人驾驶领域，提出了基于感知贡献的开放式无人驾驶车群构建方法，包括：步骤1.感知贡献；步骤2.预测开放式场景下感知贡献影响因素；步骤3.构建基于感知贡献的无人驾驶车群模型；步骤4.无人驾驶车群形成方法。本发明提升了无人驾驶车辆对周围环境的理解能力，提升了无人驾驶车辆对周围环境的理解能力，为无人驾驶车群智能协同提供了有效的保障，从而可以有效帮助解决目前无人驾驶单智能体诸如变道、避让、安全距离调整、以及道路通行效率等问题，对促进城市场景无人驾驶健康快速发展等，具有重要的意义和应用价值。

本发明授权基于感知贡献的开放式无人驾驶车群构建方法在权利要求书中公布了：1.一种基于感知贡献的开放式无人驾驶车群构建方法，其特征在于，包括如下步骤： 步骤1. 定义感知贡献，包括贡献的度量、需求的度量、贡献度的度量三个方面； 步骤2. 预测开放式场景下感知贡献影响因素； 步骤3. 基于感知贡献的无人驾驶车群模型构建； 步骤4. 无人驾驶车群形成方法； 所述步骤1中： 所述贡献的度量： 传感器感知范围，包括无法感知的物体所在区域网格，感知到区域内无阻碍时所在区域网格，感知到区域内有障碍物所在区域网格；感知范围内位置x的遮挡程度表示如下： 其中，、和分别表示通行无障碍、有障碍物、无效感知；基于无人驾驶车辆在位置x的遮挡程度进一步度量感知范围内的位置x的贡献，即： 基于，的感知贡献是其感知范围内所有网格的贡献的累加，表示为: 其中，是车辆感知范围之内个方格集合； 所述需求的度量： 无人驾驶车辆的内部需求为在其感知范围内因障碍物或其他干扰因素遮挡无法感知到的感知区域，需要其他车辆提供的感知信息；无人驾驶车辆的内部需求是网格集合中每一个位置的需求的累加，即： 其中，是在位置的需求； 无人驾驶车辆外部需求是无人驾驶车辆感知范围外的感知数据，如果能够提前获得预感知区域即与其行驶方向相似且距离更近的区域的感知结果，则可以更好地保证决策的准确性；对预感知区以外的区域的感知需求为；相反，它对预感知区域内的点的感知需求取决于它的速度、相对距离和方向；则的外部感知需求为： 其中，是的速度,表示车辆的制动时间，是的移动方向和位置连接线的夹角，且是与之间的距离，即: 其中，和分别为车辆和的坐标； 得到位置下的感知需求，即内外感知需求的乘积，表示为： 所述贡献度的度量，衡量通过感知贡献在车辆间传递信息的有效性；和的贡献度由的贡献和的需求计算得到，表示为： 其中，和分别表示和感知范围内的网格集合； 步骤2中，所述预测开放式场景下感知贡献影响因素包括输入特征、构建贡献影响因素预测框架、设计贡献影响因素预测算法，其中采用无人驾驶车辆的边缘特征是贡献影响因素预测框架的输入特征，是特定时间内无人驾驶车辆感知范围内的特征； 所述贡献影响因素预测框架：将无人驾驶车辆的边缘特征作为输入，基于Transformer对贡献影响因素预测，为车群形成提供依据；贡献影响因素预测框架由车辆边缘特征输入层、无人驾驶车辆边缘特征提取层、注意力层、贡献影响因素输出层与贡献影响的回归五个部分组成；通过贡献影响因素预测得到以下六个输出，分别为：贡献中断概率，即和之间感知贡献关系中断的概率；贡献传输吞吐量，即单位时间内通过感知贡献在和之间成功传输的感知信息数量；贡献可靠性，即在未来一段时间内和之间的信息传递是可靠的概率；贡献时延接收到贡献的感知结果时的时延；贡献效率，即将单元测试数据发送到所花费的时间；持续时间与之间感知贡献关系维持的最长时间； 所述贡献影响因素预测算法：初始化贡献影响因素预测框架的权重参数，根据步长将训练集划分为若干大小相同的子训练集； 对于每一子训练集的每一次迭代，将训练集输入到贡献影响因素预测模型中，得到贡献影响因素的预测值； 通过损失函数计算损失，反向传播更新梯度，更新预测模型参数； 达到最大迭代次数，停止训练，输出训练完备的贡献影响因素预测模型； 将输入数据输入到训练完备的贡献影响因素预测模型中，得到贡献影响因素的预测值并输出； 所述步骤3： 在开放场景中，无人驾驶车群成员通过相互贡献感知信息进行协作，通过感知贡献有效过滤外部环境的干扰；开放场景中的无人驾驶车群表示为: 其中，1是的车群成员集合，且是一个无人驾驶车辆； 2是中车群成员间的感知贡献关系集合； 3为车辆类型集合，0和1分别表示组成员和自由车辆； 4表示一个车辆类型映射函数； 在无人驾驶车群中，车群成员通过利用边缘节点获得的感知信息来增强自身的感知能力；车群贡献度衡量成员个体对周围环境的整体感知能力，由车群内所有贡献的总和计算，即： 其中，和均为车群的成员； 持续性表示车群成员之间感知贡献关系的持续能力，即： 其中，为到之间的感知贡献持续时间，为中无人驾驶车辆的数量； 可达性是车群在开放场景中能够在组成员之间形成相互可达的感知贡献关系；车群可达性越大，代表车群成员间感知贡献关系的可靠性越高；使用贡献中断概率、感知贡献传输吞吐量和贡献可靠性来衡量，即： 其中，、、分别为和之间的贡献中断概率、感知贡献传输吞吐量和贡献可靠性； 无人驾驶车辆通过感知贡献传输感知信息时存在时间开销；使用贡献时延和效率来衡量车群的实时性，即，其中，和分别和之间的贡献时延和效率； 基于上述无人驾驶车群的车群贡献度、持续性、可靠性和实时性，构建无人驾驶车群模型为： 其中，  是开放式场景中的无人驾驶车群，表示一组加入车群的空闲节点集合，是和之间的相对距离，表示属于的预感知区域内，  表明  和  具有相同的运动方向，并且开放式场景中的空闲车辆集合； 所述步骤4，包括： 步骤4.1基于多目标优化的无人驾驶车群模型及其基于多目标优化的无人驾驶车群模型优化求解算法； 首先将无人驾驶车群模型转化为一个具有四个目标的优化问题，并结合车群的约束条件；使用粒子群优化来获得Pareto最优解确定加入无人驾驶车群的最优车辆集； 无人驾驶车群模型的帕累托最优解为： 其中，是多目标优化问题的Pareto最优解，即的最佳车辆集合，是一个n维向量的无人驾驶车群模型的解集；其中，是维的向量，当中第i维元素为1时，表示同意无人驾驶车辆节点加入车群，当中第i维元素为0时，则表示拒绝；最终，同意加入车群的无人驾驶车辆节点集合为： 所述基于多目标优化的无人驾驶车群模型优化求解算法为算法2所示： 1当开放式场景中，无人驾驶车辆之间相互通信；在一定范围内贡献值最大的游离车辆被赋予构建无人驾驶车群的能力，这些车辆收到其他自由车辆的加入请求时，根据车辆的方向、位置和跳数对请求进行初步筛选；然后，统计请求加入车辆的数量，以确定解集的尺寸；接下来，初始化粒子数，惯性权重，学习因子和，以及最大迭代次数； 2生成随机二进制向量和一个随机向量分别作为位置和粒子速度，用所述无人驾驶车群模型评估每个粒子，分配每个粒子的最佳位置到其当前位置，根据Pareto占优关系将所有粒子分为非支配解和支配解，并将所有非支配解的集合分配给作为当前的Pareto前沿；3在迭代阶段，进行次迭代；在每次迭代中，对于每个粒子，从中随机选择一个非支配解，并将其分配到粒子的局部最优位置；然后，更新粒子的速度和位置，用无人驾驶车群模型对其进行评估，并更新其个人最佳位置；如果一个粒子是一个非支配解，并且不被中的任何解支配，则将其添加到中；当得到帕累托最优解时，中每个维度的向量表示空闲节点是否可以加入组； 4最后，将中值为1代表的车辆节点加入到同意加入车群节点集合，并输出； 步骤4.2 无人驾驶车群形成算法基于感知贡献的无人驾驶车群形成算法Contributed Perception based Autonomous vehicle group Formation，CPF是算法3所示： 1自由车辆发送一个携带自己感知度的加入请求； 2节点收到发送的请求时，根据无人驾驶车群模型求解，计算其车群大小是否达到上限，并判断是否可以加入其车群；如果获得批准，与建立感知贡献关系，其他自由节点也可以通过加入该车群； 3如果中的任何节点在一段时间内没有收到来自的数据包，则认为离开车群。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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。