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！

龙图腾网获悉长春工业大学申请的专利一种引入车辆运动学约束的深度学习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：CN121386791B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511963501.4，技术领域涉及：G05D1/43；该发明授权一种引入车辆运动学约束的深度学习轨迹预测方法是由崔高健;张峻铭;田丽媛;施宏达;杨宗哲;陈钇茺;姚旭泽;李绍松设计研发完成，并于2025-12-24向国家知识产权局提交的专利申请。

本一种引入车辆运动学约束的深度学习轨迹预测方法在说明书摘要公布了：本文提出一种引入车辆运动学约束的深度学习轨迹预测方法，为解决轨迹预测缺乏物理一致性问题。本发明涉及自动驾驶领域。本发明包括深度学习预测模块、物理模型预测模块和模型优化训练模块。深度学习预测模块接收车辆与地图信息，利用门控循环单元GRU和图卷积子图网络提取特征并交互，输出第一预测轨迹。物理模型预测模块利用PID控制器根据参考位置状态计算控制量，驱动运动学模型闭环推演生成符合运动学约束的第二预测轨迹。模型优化训练模块基于预测误差和两轨迹间的物理一致性误差构建联合损失，反向传播优化网络参数，最终加载最优模型输出轨迹。

本发明授权一种引入车辆运动学约束的深度学习轨迹预测方法在权利要求书中公布了：1.一种引入车辆运动学约束的深度学习轨迹预测方法，其特征在于：该方法中的深度学习预测模块用于接收车辆历史信息与高清矢量地图，利用门控循环单元GRU提取时序特征，通过图卷积子图网络提取地图拓扑特征，交互后输出第一预测轨迹；物理模型预测模块根据参考位置状态计算控制量和当前位置状态偏差，利用PID控制器驱动车辆运动学模型进行闭环推演，生成符合运动学约束的第二预测轨迹；模型优化训练模块基于预测误差，以及第一预测轨迹与第二预测轨迹间的物理一致性误差构建联合损失，反向传播优化网络参数； 所述深度学习预测模块的具体执行过程包括如下子步骤： 步骤1.1、采集车辆历史状态数据，通过门控循环单元GRU提取车辆运动时序特征；同时，基于高清矢量地图构建车道图，将车道中心线离散化为地图节点，利用图卷积网络的子图网络对车道节点的几何形状与连接关系进行初步编码，提取包含局部几何信息的初始地图拓扑特征； 步骤1.2、将步骤1.1得到的车辆运动时序特征与初始地图拓扑特征输入至交互网络，包括如下子步骤： 步骤1.2.1、利用注意力机制执行车到节点交互，将车辆运动时序特征注入至地图节点特征中，使地图特征能够反映当前的交通拥堵与占用状态； 步骤1.2.2、利用图卷积网络执行节点到节点交互，在更新后的地图节点上应用多尺度图卷积，在车道拓扑图上传播节点信息，捕捉道路网络的全局拓扑结构与长距离依赖关系，生成融合后的深层地图节点特征； 步骤1.2.3、通过注意力机制执行节点到车交互，将融合后的深层地图节点特征传递给车辆特征，提取并融合道路几何信息；同时，注意力机制执行车到车交互，提取目标车辆与其他交通参与者的社会交互信息，最终输出融合道路几何信息与社会交互信息的最终车辆特征； 步骤1.3、将步骤1.2输出的最终车辆特征输入至轨迹解码器中，计算未来时刻的位移坐标，生成车辆的第一预测轨迹； 所述物理模型预测模块的具体执行过程包括如下子步骤： 步骤2.1、获取车辆在初始时刻的参考位置状态，并将其初始化为车辆物理模型的当前系统状态； 步骤2.2、计算当前系统状态与参考位置状态之间的横向位置偏差、航向偏差；利用PID控制器计算当前时刻的控制量前轮转角与纵向加速度，计算公式如下： 其中，分别为横向控制的比例、积分和微分增益系数；为航向偏差反馈增益系数；分别为纵向控制的比例和积分增益系数；为期望车速；为横向偏差差分值； 步骤2.3、将当前时刻的控制量前轮转角与纵向加速度输入至运动学模型中，基于当前系统状态推演下一时刻的车辆位置状态，更新方程为： 其中，分别为车辆质心到前轴和后轴的距离，为质心侧偏角，为时间步长； 步骤2.4、根据步骤2.3计算得到的时刻车辆位置状态更新为当前系统状态，并获取下一时刻的参考位置状态，并重复执行步骤2.2至步骤2.3，直至推演生成未来个时刻的第二预测轨迹序列； 所述模型优化训练模块的具体执行过程包括如下子步骤： 步骤3.1、计算深度学习预测模块输出的第一预测轨迹与车辆真实行驶轨迹之间的位置偏差，构建预测误差损失项，计算公式如下： 其中，为预测时域长度，表示欧几里得范数； 步骤3.2、计算深度学习预测模块输出的第一预测轨迹与物理模型预测模块输出的第二预测轨迹之间的轨迹误差，构建物理一致性损失项，计算公式如下： 步骤3.3、引入平衡系数，将预测误差损失项与物理一致性损失项进行加权求和，得到最终用于网络优化的联合损失函数： 步骤3.4、基于计算得到的联合损失函数，通过反向传播算法更新深度学习预测模块的权重参数，直至网络收敛得到最优预测模型；加载最优深度学习预测网络模型，输出最终的车辆预测轨迹。

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长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055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。