買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學申請的專利一種基于DIP-IMM-KF算法驅(qū)動的風險矩陣構(gòu)建方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120257025B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-02發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510744420.9，技術(shù)領域涉及：G06F18/24；該發(fā)明授權(quán)一種基于DIP-IMM-KF算法驅(qū)動的風險矩陣構(gòu)建方法是由孫寶鳳;梁宏朝;周戶星;崔云龍;許楊;李遲;馬國棟;王薇設計研發(fā)完成，并于2025-06-05向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于DIP-IMM-KF算法驅(qū)動的風險矩陣構(gòu)建方法在說明書摘要公布了：本發(fā)明屬于交通控制系統(tǒng)與自動駕駛車輛軌跡預測領域，具體涉及一種基于DIP?IMM?KF算法驅(qū)動的風險矩陣構(gòu)建方法，包括以下步驟：步驟一：構(gòu)建考慮多種因素的風險場，其中包括考慮自動駕駛車輛的虛擬質(zhì)量、幾何形狀、速度、加速度、航向角以及等效距離，構(gòu)建車輛的安全勢場影響因子，步驟二：基于優(yōu)先級順序機制的動態(tài)交互感知交互式多模型下的車輛軌跡意圖概率預測；步驟三：構(gòu)建基于風險場與動態(tài)交互感知交互式多模型的風險矩陣。通過構(gòu)建一個離散的風險矩陣，以在復雜多變的交通環(huán)境以及時空特性下實現(xiàn)風險矩陣的量化，為后續(xù)自動駕駛車輛的決策提供有力支持。

本發(fā)明授權(quán)一種基于DIP-IMM-KF算法驅(qū)動的風險矩陣構(gòu)建方法在權(quán)利要求書中公布了：1.一種基于DIP-IMM-KF算法驅(qū)動的風險矩陣構(gòu)建方法，其特征在于，包括以下步驟： 步驟一：構(gòu)建考慮多種因素的風險場，其中包括考慮自動駕駛車輛的虛擬質(zhì)量、幾何形狀、速度、加速度、航向角以及等效距離，構(gòu)建車輛的安全勢場影響因子； A1：由于車輛在運行狀態(tài)下定義目標車輛的相關因素為等效質(zhì)量，通過車輛實際數(shù)據(jù)進行分析，得出等效質(zhì)量的表達形式：Mi＝mi·1.566×10-14·v6.687+0.3345； 式中：Mi表示為目標車輛i的等效質(zhì)量，mi為目標車輛i的實際質(zhì)量，v為車輛行駛速度； A2：構(gòu)建車輛幾何形狀下的風險范圍，利用橢圓公式進行判別，連接橢圓外任意一點B與車輛的質(zhì)心點A，找到在橢圓上相交的一點C，橢圓上一點C與橢圓外一點B的距離，通過質(zhì)心點A與點B的距離減去質(zhì)心點A與點C的距離，由此得到碰撞距離d1為： 式中：θ為汽車運行的航向角；l為車輛的長度；w為車輛的寬度；x0,y0為車輛的質(zhì)心位置；x′,y′為橢圓外任意一點的位置坐標； A3：考慮車輛長寬距離參數(shù)，令其中，d′1表示基于幾何形狀的碰撞距離相關參數(shù),即幾何偽距離； A4：依據(jù)不同位置的車輛靠近目標車輛時產(chǎn)生的風險不同，引入風險偽距離，用于對目標車輛面對周圍車輛產(chǎn)生風險情況下的實際距離的修正，由于在公式中是以車輛質(zhì)心為坐標點，故風險偽距離d′2的公式為： 式中：τ為安全距離的臨界閾值；α為與速度相關的待定系數(shù)；e為自然對數(shù)的底數(shù)； A5：將幾何偽距離d′1與風險偽距離d′2之間的關系通過權(quán)重因子集合起來，作為對風險評估的幾何尺寸、速度、航向角與位置風險因素調(diào)整的偽距離，同時通過調(diào)整ω1與ω2兩個參數(shù)使安全勢場適應各種道路交通環(huán)境，由此得到綜合偽距離d′為： 式中：ω1代表有關幾何形狀的幾何偽距離d′1的權(quán)重因子，ω2代表有關車輛周圍風險影響的風險偽距離d′2的權(quán)重因子； A6：為使車輛不發(fā)生碰撞，依據(jù)車輛的外接橢圓，建立車輛的風險場Ev如下： 式中：λ、α、β、δ均為待定系數(shù)；|d′|代表綜合偽距離的絕對值；a為已選定目標車輛的加速度；θ為以目標車輛質(zhì)心位置x0,y0為中心，其周圍任意一點與其形成的夾角，即車輛運行的航向角，if表示如果；x*表示道路上的一點與車輛質(zhì)心在二維平面上任一點的橫坐標，y*表示道路上的一點與車輛質(zhì)心在二維平面上任一點的縱坐標，else表示否則； 步驟二：基于優(yōu)先級順序機制的動態(tài)交互感知交互式多模型下的車輛軌跡意圖概率預測； B1：通過感知系統(tǒng)獲取周圍車輛SV的實時狀態(tài)信息，包括縱向位置x、縱向速度vx、縱向加速度ax、橫向位置y、橫向速度vy、橫向加速度ay； B2：對周圍車輛SV進行優(yōu)先級列表排序，規(guī)定： 1當車輛在同一車道上時，前方的車輛優(yōu)先級要高于后方的車輛； 2當車輛處于相鄰車道且速度相同時，處于前方的車輛優(yōu)先級高于后方的車輛；若速度不同時，則通過判斷到達目標位置的先后順序確定優(yōu)先級； 3當車輛處于匯入車道時，其處于強制換道區(qū)域時的優(yōu)先級高于相鄰主路的車輛； 依據(jù)采集的周圍車輛SV信息生成優(yōu)先級列表Ck，使優(yōu)先級高的車輛優(yōu)先進行預測； B3：通過描述車輛運動的多模態(tài)不確定性，引入交互感知機制，構(gòu)建車輛運動模型集合MSV＝{m1,m2,m3,m4,m5,m6}，m1,m2,m3,m4,m5,m6分別代表不同車輛的決策方式； B4：計算車輛運動模型的動態(tài)轉(zhuǎn)移概率，并依據(jù)IMM-KF算法對交互感知狀態(tài)進行融合； πqp＝Pmk＝p|mk-1＝q； 式中：c1,p是車輛運動模型p的歸一化系數(shù)，反映車輛運動模型轉(zhuǎn)移概率和歷史概率的加權(quán)；是車輛運動模型q在第k-1處的概率；πqp是轉(zhuǎn)換概率數(shù)值，即馬爾可夫轉(zhuǎn)移矩陣元素；是k-1處的混合模型概率；是車輛運動模型q在k-1處的后驗狀態(tài)估計，并且上標1代表Ck中優(yōu)先級最高的一輛車；表示車輛運動模型p在k-1處的融合狀態(tài)，P為概率，mk表示在k處選擇車輛運動模型p；mk-1表示在k-1處選擇車輛運動模型q，q∈M代表q為車輛運動模型集合中的某一個模型，即 {m1,m2,m3,m4,m5,m6}中的任意一個；而p∈M代表p為車輛運動模型集合中的除了q選擇的車輛運動模型外的任意一個模型，k代表當前時刻的時間步長； B5：利用卡爾曼濾波預測概率模型，通過狀態(tài)轉(zhuǎn)移方程與融合狀態(tài)以及增益矩陣的乘積相加，求解出車輛運動模型p的先驗狀態(tài)估計 式中：表示在k處車輛1的車輛運動模型p的先驗狀態(tài)估計；代表由控制增益器設定的分塊對角矩陣，縱向動力學由F1控制，橫向動力學由F2控制；代表輸入項矩陣；是后驗估計； B6：生成預測時域內(nèi)k+1到k+Np的狀態(tài)序列，用于計算損失函數(shù)； 式中：t＝k+1,k+2,…k+Np是預測范圍；表示車輛1的車輛運動模型p在時間步長t處的預測狀態(tài)；Φt,k代表k時的狀態(tài)轉(zhuǎn)移矩陣；Φt,i代表任意時刻的狀態(tài)轉(zhuǎn)移矩陣，即i為整個時間范圍內(nèi)的任意時刻，當ti時,Φt,i＝Ft-i，F(xiàn)t-i表示將F連乘t-i次，用于描述從i到t的狀態(tài)轉(zhuǎn)移；用于累積動力學傳播效應；I＝F，通過構(gòu)建損失函數(shù)，量化車輛運動模型p的代價，表示車輛1采用車輛運動模型p在i的外部輸入或干擾項；Np表示預測時域的長度，從當前時刻k開始，往后預測Np個時間步； 其中Wx,Wy,Wv,Wl均為權(quán)重；和分別代表車輛運動模型p在t時刻的橫向加速度與縱向加速度；和分別是在k處的縱向速度以及橫向位移；而與分別代表參考的縱向速度與橫向位移；表示車輛1采用車輛運動模型p在k處的損失； B7：概率更新與結(jié)果輸出，通過歸一化模型概率，利用最大似然函數(shù)將損失轉(zhuǎn)化為似然值，反映歸一化模型擬合優(yōu)度，以此計算權(quán)重其中 是車輛1的車輛運動模型p在k處的概率，將最大的概率值確定為最優(yōu)模型， 代表在k處，優(yōu)先級最高的1輛車所選擇的車輛運動模型； B8：重復B4-B7以此獲得優(yōu)先級列表中所有周圍車輛SV的最優(yōu)模型概率，通過二次規(guī)劃進行軌跡預測； 步驟三：構(gòu)建基于風險場與動態(tài)交互感知交互式多模型的風險矩陣； C1：對任意交通場景在空間尺度下進行離散，將風險場沿著x與y方向轉(zhuǎn)化為網(wǎng)格，不同的網(wǎng)格點代表著某個車輛的位置，將間隔設置為0.1米； C2：通過創(chuàng)建一個四維風險矩陣Mriskt′,x,y,veh，矩陣中t′代表時間維度，x是空間中的x軸坐標,即車輛的縱向位置，y是空間中y軸坐標，即車輛的橫向位置，veh代表車輛的編號，在四維風險矩陣中填入每個車輛在t′時刻、x,y位置的風險值； C3：基于動態(tài)交互感知交互式多模型得出所有周圍車輛SV概率分布μk的值以及對應的最優(yōu)模型，將其作為輸出并成為下一個循環(huán)中交互模塊的輸入，通過得到最優(yōu)模型的預測軌跡與步驟一構(gòu)建的風險場進行乘積運算，通過使用一組參數(shù)x,y,t′進行安全成本估算，因此未來某一時刻的風險場通過如下公式表達： Pott′＝EV+∑∑μkEvxt′,yt′,t′； 其中，Pott′代表在某一時刻t′的風險場值，μk代表第k輛車選擇的所有車輛運動模型的概率； C4：在確定風險場后，提取針對特定車輛k′的動態(tài)風險矩陣Md_riskt′,x,y，用以記錄不包括第k′輛車的最大風險值，即： 其中，vnum代表車輛總數(shù)； C5：提取靜態(tài)風險矩陣Ms_riskx,y，記錄靜態(tài)風險矩陣在動態(tài)風險矩陣整個時間維度上的最小值； C6：在時間坐標下依據(jù)風險值的大小，選取風險值最小的作為在該風險矩陣上的風險評估依據(jù)，用于風險矩陣的構(gòu)建。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學，其通訊地址為：130012 吉林省長春市南關區(qū)人民大街5988號吉林大學南嶺校區(qū)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。