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！

龙图腾网获悉浙江大学申请的专利一种基于类脑持续学习的自主驾驶跟驰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：CN121477652B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202610019697.X，技术领域涉及：G05B13/04；该发明授权一种基于类脑持续学习的自主驾驶跟驰控制方法是由夏英集;朱冰;王卓睿;陈喜群;闫鹭;徐朔;黄冰莹;陈发动;孙崇博;郑宇杰设计研发完成，并于2026-01-08向国家知识产权局提交的专利申请。

本一种基于类脑持续学习的自主驾驶跟驰控制方法在说明书摘要公布了：本发明公开了一种基于类脑持续学习的自主驾驶跟驰控制方法。方法包括先获取增量任务下的行驶数据集；将增量任务下的行驶数据集输入到上一个任务训练完成的车辆跟驰控制模型中进行持续学习，得到增量任务下训练完成的车辆跟驰控制模型；实时采集跟驰车辆的行驶数据并输入到增量任务下训练完成的车辆跟驰控制模型中得到实时的预测行驶数据并反馈给跟驰车辆，跟驰车辆根据预测行驶数据调整跟驰行为；实时采集跟驰车辆经过调整跟驰行为后的行驶数据，并将采集到的行驶数据作为下一个任务的行驶数据。本发明增强了自动驾驶系统的泛化能力和稳定性，显著提升了车辆跟驰控制系统在动态交通环境中的适应能力，提供了更安全、更高效的自主驾驶解决方案。

本发明授权一种基于类脑持续学习的自主驾驶跟驰控制方法在权利要求书中公布了：1.一种基于类脑持续学习的自主驾驶跟驰控制方法，其特征在于，包括以下步骤： S1、通过车载传感器采集增量任务下跟驰车辆的行驶数据，并根据行驶数据构建增量任务下的行驶数据集； S2、将增量任务下的行驶数据集输入到上一个任务训练完成的车辆跟驰控制模型中进行持续学习，得到增量任务下训练完成的车辆跟驰控制模型； 所述车辆跟驰控制模型包括若干个时序预测模块和整合模块；每个所述时序预测模块采用LSTM网络； 所述车辆跟驰控制模型进行持续学习的过程具体为： D1、增量任务下的行驶数据集分别输入到上一个任务训练完成的每个时序预测模块中进行训练，得到若干个训练完成的时序预测模块，冻结每个训练完成的时序预测模块； D2、增量任务下的行驶数据集分别输入到每个冻结的时序预测模块，每个冻结的时序预测模块输出对应的预测行驶数据，所有预测行驶数据再输入到整合模块中进行整合处理，得到整合后预测行驶数据，根据整合后预测行驶数据、行驶数据集中的标签行驶数据以及损失函数对整合模块进行不断更新，从而得到增量任务下训练完成的车辆跟驰控制模型； 所述整合模块的损失函数按以下公式进行设置： JLAθLA=LBLA+ΩMSUMLAθLA+ΩGMMFMLAθLA+ΩHg LBLA=1Σi=1nIi-Yi2 ΩMSUMLAθLA=λMSUMΣtTΣm=1dαt·ζe,m|θLA,m-θe,m| ζe,m=|▽θLA,m·Le|Σm=1d|▽θLA,mLe|·LeLpast ΩGMMFMLAθLA=λGMMFMΣtTΣm=1d[γGMMFMζmθLA,m-θLA,m*2+Σj=1dλm,j|θLA,m-θLA,j|] ζm=|▽θLA,m·Lpast|Σm=1d|▽θLA,m·Lpast| ΩHg=-λHΣi=1ogiloggi 其中，JLAθLA为整合模块的总损失函数；θLA为整合模块中的参数集合；LBLA为任务损失函数；ΩMSUMLAθLA为记忆选择性更新损失函数；ΩGMMFMLAθLA为全局记忆迁移与反馈损失函数；ΩHg为权重熵正则项损失函数；n为单个训练批次的样本量；i为索引；Ii为第i样本对应的预测行驶数据；Yi为第i个样本对应的标签行驶数据；λMSUM为记忆选择性更新权重；t为索引，表示第t个历史任务；αt为第t个历史任务的时序保持系数；T为增量任务的索引；m为索引，m∈{1,…,d}，d为参数集合θLA中所有可训练参数总数；θLA,m为增量任务训练过程在整合模块中的第m个参数值；θe,m为将整合模块替换成空网络情况下，增量任务训练过程在空网络中的第m个参数值；αt为时序保持系数；ζe,m为增量任务的迁移权重；Le为增量任务训练过程在空网络中的损失，空网络的损失函数采用任务损失函数；Lpast为历史任务中的最优损失；|▽θLA,m·Le|为增量任务中参数θLA,m的梯度大小；Σm=1d|▽θLA,m·Le|为所有参数在增量任务训练过程中的梯度的总和；λGMMFM为记全局记忆迁移与反馈超参数；γGMMFM为控制全局记忆迁移强度的超参数；θLA,m*为历史任务中最优损失对应的第m个参数值；j表示索引，j∈{1,…,d}；λm,j为整合模块中第m个与第j个参数间的反馈迁移因子；θLA,j为增量任务训练过程在整合模块中的第j个参数值；ζm为历史任务的迁移权重；λH表示熵正则化系数；gi为第i个时序预测模块对应的输出贡献权重；log为对数函数；o为时序预测模块的总数； S3、实时采集跟驰车辆的行驶数据，将行驶数据输入到增量任务下训练完成的车辆跟驰控制模型中进行处理得到实时的预测行驶数据； S4、根据实时得到的预测行驶数据反馈给跟驰车辆，跟驰车辆根据预测行驶数据调整跟驰行为； S5、实时采集跟驰车辆经过调整跟驰行为后的行驶数据，并将采集到的行驶数据作为下一个任务的行驶数据。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。