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！

龙图腾网获悉江苏大学申请的专利面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用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：CN116913089B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310863834.4，技术领域涉及：G06F18/20；该发明授权面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备是由侯梦奇;蔡英凤;陈龙;王海;孙晓强;袁朝春;何友国设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备在说明书摘要公布了：本发明公开了面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备，利用复杂网络理论对自动驾驶车辆及其周边复杂环境建模，构成自车的复杂网络，然后通过基于注意力机制的图神经网络GNN即图注意力网络GAT对周边车辆与自车关系进行重要性排序，识别车辆关键节点，将自动驾驶汽车对安全性具有重要影响的关键车辆识别问题转化为复杂网络中关键节点的重要性识别问题。并且通过图注意力网络对自动驾驶汽车构成的复杂网络进行识别异常节点即节点对自车的威胁突然变大，防止异常节点对车辆动态复杂网络造成影响，保护车辆安全。

本发明授权面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法及车用设备在权利要求书中公布了：1.面向智能驾驶汽车决策规划的复杂交通网络中关键车辆识别方法，其特征在于，包括： 步骤1：利用复杂网络理论对自动驾驶汽车主体运动时以自身为主节点对驾驶环境进行动态建模； 步骤2：利用基于注意力机制的图神经网络对输入层的特征向量进行聚合，对驾驶特征信息进行参数化，并通过多头注意力机制赋权，得出注意力参数，得出节点的重要性； 步骤3：通过图注意力网络对自动驾驶汽车构成的复杂网络识别异常节点；利用图嵌入的方式，引入图注意力机制，通过捕获车辆之间的通信关系来分析异常行为，即利用图注意力机制来检测车辆的异常行为，利用车辆节点驾驶特征信息的改变来分析对于自车安全性的影响，出现异常即可将该节点进行更新学习，重新进行重要性确认； 步骤4：在经过图注意力网络对于节点的学习处理，并且判断出异常节点，经过归一化 之后，输出车辆节点特征通过图神经网络的连接层，得到网络中节点的差异，从而进行节 点重要性排序，最终得到关键车辆节点； 所述步骤1的具体实现包括： 步骤1.1：基于复杂网络理论对自车和道路上的其他车辆视作复杂网络节点，道路为边构成包括周围邻居车辆节点的复杂网络模型，生成车辆动态复杂网络： 其中G是时变复杂动态网络，V是时变复杂动态网络G中节点集合，B是时变复杂动态网络G中边的集合，表示节点之间的连线，W是时变复杂动态网络G中节点的权重，P为复杂动态网络G中边的函数，表示节点间的关系； 步骤1.2：将复杂网络中的自车视为主节点，连接主节点和周边三阶以内的邻居节点，对自车邻居节点的驾驶特征信息进行收集，由驾驶特征信息构建对应的三自由度驾驶特征信息特征向量，以此构成图神经网络的输入层，通过图神经网络来处理复杂网络节点的特征向量； 所述驾驶特征信息主要包括两车的之间的路径长度，速度和加速度； 所述构建的驾驶特征信息特征向量为： 其中表示两节点的之间的路径长度，为节点速度，为节点加速度； 所述步骤2的具体实现包括： 步骤2.1：利用图神经网络对收集的复杂网络节点特征信息进行汇集，构成一组节点特征，则有： 其中n为节点数，F为每个节点的特征数，为车辆邻居节点的特征集合； 步骤2.2：利用图注意力网络对车辆主节点和邻居节点进行映射，由一个权重矩阵将各个车辆节点特征进行参数化，为了让节点获得足够的表达能力，将输入特征转 换为更高级别的特征，需要一个可学习的线性转换，利用由权重矩阵参数化的共享 线性变换应用于每个节点，然后在各个车辆节点上执行自我注意——一种共享注意机制:并计算注意力系数，则有： 其中表示节点对于节点的重要性，为驾驶特征参数的权重矩阵，为该车辆 节点的驾驶特征信息； 然后计算对应车辆节点的特征的线性组合，作为车辆节点的最终输出特征，应用激活函数将非线性问题，转化为线性问题，所以得出下列式子： 为最终得出的节点对于节点的重要性的输出特征，为归一化后的车辆注意力 系数； 步骤2.3：运用多头注意力机制，通过对单一节点特征的重要性评判，对这三个节点特征成立三个独立注意机制，对三个节点的特征信息进行参数化，并将其聚合后得出新的节点重要性系数，为了稳定自我注意学习的过程，对学习的特征进行拼接，从而得出下式： k为注意力机制头的数量，k=3，为3次注意机制计算的归一化注意系数，为相应的 输入线性变换的权值矩阵； 在图注意力网络中执行了多头注意力机制，由于特征的权重不同，仅仅进行连接不是理想的，根据参数的占比不同，对其进行平均化，如下式： 其中用来应用多头注意力的非线性过程，而则更新为最终输出的特征值； 步骤2.1还包括，在输入层重新生成一组新的节点特征，具有潜在的不同基数，则有： 其中为节点输出特征集合； 步骤2.2还包括：对节点的重要性进行归一化处理，则有： 其中为归一化后的车辆注意力系数，为其他各节点对于主节点的重要性，为 以为底的语言指数函数，为逻辑回归函数； 由于节点有一个共享注意机制，为得到每个车辆节点的权重，利用激活函数将节点和 节点的结果向量拼接，防止注意力值在计算的过程中造成节点仅仅与邻居节点有关系，忽 略了主节点，加入激活函数之后，可以让主节点无法被忽略，从而得出： 其中为神经网络中的激活函数用于处理非线性问题，而为前馈神经网 络将拼接的向量映射到实数上； 归一化系数公式也更新为： 其中代表连接关系,为拼接运算； 所述步骤3的具体实现包括： 步骤3.1：在车辆行驶的过程，车辆动态网络会处于动态平衡状态，但当车辆进行决策的过程中，会打破这种平衡，以自动驾驶汽车为主节点形成的动态网络，就会发生改变，网络中的车辆行为是随机出现的，与正常行为相比，由随机异常链接连接的实体结构信息往往缺乏相似性，基于这一假设，网络中每个节点的行为特征都可以通过聚合来学习和更新，所有利用节点特征向量的异常，即驾驶特征信息的异常实现异常节点的判断； 步骤3.2：对于车辆网络的节点，设节点对存在边，其异常概率可表示为，其中，分别表示和的邻居节点集合；通过对节点的特 征向量采用层次化的注意力判断，对车辆节点的距离，速度和加速度进行层次划分，来判断 车辆节点的异常情况，可以将离散化的状态集L={不存在，正常，异常}转换为数值表示，从 而得到节点之间边的异常概率； 根据特征向量，得出初始化矩阵得知当前车辆节点的状态以及与主节点连边 的关系状态，利用图注意力机制处理，如下式： 其中代表短期车辆节点的信息捕捉获取，为图注意力层进行的节点嵌入 的动态更新机制； 利用函数计算该节点的异常概率： 其中为注意力层的对比参数，为该车辆节点的异常概率，函数，为超参数，控制概率在[0,1]内； 步骤3.3：在得到节点的异常概率之后，判断出异常节点是否对自己产生威胁，若有威胁，对异常节点的驾驶特征向量进行更新，利用图注意力网络层，更新车辆节点的行为特征，从而得出新的特征向量，进而通过学习计算得出该节点对于主节点的重要性； 若无威胁，则仍按照原来的图注意力网络进行计算，不进行网络点的嵌入。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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。