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

龍圖騰網(wǎng)恭喜吉林大學(xué)申請(qǐng)的專利一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法獲國家發(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(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119693906B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-27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(qǐng)?zhí)?專利號(hào)為：202510192921.0，技術(shù)領(lǐng)域涉及：G06V20/56；該發(fā)明授權(quán)一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法是由朱冰;湯瑞;趙健;張培興;李文旭;王帥;張錫智;曹昕然設(shè)計(jì)研發(fā)完成，并于2025-02-21向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法在說明書摘要公布了：本發(fā)明屬于自動(dòng)駕駛測(cè)試技術(shù)領(lǐng)域，具體的說是一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法。包括以下步驟：步驟一、自然駕駛數(shù)據(jù)采集；步驟二、場(chǎng)景結(jié)構(gòu)表示與語義標(biāo)簽處理；步驟三、邊緣場(chǎng)景提取與自動(dòng)標(biāo)注修正；步驟四、場(chǎng)景信息預(yù)測(cè)匹配與數(shù)據(jù)集構(gòu)建；步驟五、大模型架構(gòu)設(shè)計(jì)與結(jié)構(gòu)微調(diào)。步驟六、場(chǎng)景理解應(yīng)用與模型對(duì)比評(píng)價(jià)；本發(fā)明可用于復(fù)雜、邊緣場(chǎng)景下的理解認(rèn)知，提升智能汽車算法的可解釋性。

本發(fā)明授權(quán)一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法在權(quán)利要求書中公布了：1.一種基于邊緣數(shù)據(jù)學(xué)習(xí)增強(qiáng)的智能汽車場(chǎng)景理解方法，其特征在于，包括以下步驟：步驟一、基于實(shí)車視覺采集平臺(tái)，采集市區(qū)自然駕駛行駛工況；步驟二、構(gòu)建基于場(chǎng)景本體的結(jié)構(gòu)化模板；采用YOLO視覺處理算法進(jìn)行目標(biāo)檢測(cè)和語義標(biāo)簽分類；利用圖神經(jīng)網(wǎng)絡(luò)，將場(chǎng)景圖像填充、映射到預(yù)定義的場(chǎng)景模板中，完成圖像到結(jié)構(gòu)化數(shù)據(jù)的轉(zhuǎn)換；步驟三、開發(fā)并應(yīng)用指標(biāo)自動(dòng)篩選出邊緣場(chǎng)景；對(duì)于分類準(zhǔn)確性低于設(shè)定閾值的案例，引入二次審核；步驟四、根據(jù)場(chǎng)景語義標(biāo)簽匹配未來的變化，并標(biāo)記當(dāng)前狀況下車輛應(yīng)采取的行動(dòng)；對(duì)原始圖像進(jìn)行前期預(yù)處理，并編碼為向量格式，用于構(gòu)建訓(xùn)練數(shù)據(jù)集；其中，場(chǎng)景向量數(shù)據(jù)作為輸入，結(jié)構(gòu)模板表示、未來變化數(shù)據(jù)、主車應(yīng)對(duì)措施作為輸出；步驟五、使用成熟的qwen-vl架構(gòu)，并針對(duì)邊緣場(chǎng)景數(shù)據(jù)集進(jìn)行微調(diào)，使模型能夠?qū)W習(xí)從圖像中提取特征并進(jìn)行準(zhǔn)確的未來預(yù)測(cè)；在損失函數(shù)中加入原始模型與微調(diào)后的新模型輸出的交叉熵，量化原始模型與新模型輸出間的差異；定期驗(yàn)證模型性能，調(diào)整訓(xùn)練參數(shù)，直至達(dá)到滿意的性能水平；步驟六、選擇開源大模型作為基準(zhǔn)，對(duì)比在基礎(chǔ)認(rèn)知、未來變化預(yù)測(cè)及車輛行為分析方面的表現(xiàn)，評(píng)估模型的實(shí)際應(yīng)用價(jià)值；分析新模型與原始模型在相同測(cè)試集上的表現(xiàn)差異，確認(rèn)新模型是否成功保留了原有的任務(wù)理解能力；所述步驟四的具體方法如下：S41、預(yù)測(cè)匹配場(chǎng)景信息；基于場(chǎng)景語義標(biāo)簽分析原始采集視頻或圖像序列，提取連續(xù)時(shí)間內(nèi)場(chǎng)景的狀態(tài)變化，構(gòu)建場(chǎng)景預(yù)測(cè)信息；S42、標(biāo)注主車行為；對(duì)于當(dāng)前場(chǎng)景，結(jié)合道路交通規(guī)則及安全駕駛原則，通過預(yù)訓(xùn)練的大語言模型，將規(guī)則轉(zhuǎn)換為提示詞，從而自動(dòng)生成在場(chǎng)景下主車應(yīng)采取的駕駛策略或動(dòng)作；此外，基于規(guī)則對(duì)生成策略進(jìn)行修正，刪除不符合規(guī)則的行為；S43、對(duì)圖像進(jìn)行預(yù)處理，對(duì)所收集的原始圖像數(shù)據(jù)執(zhí)行一系列預(yù)處理操作，具體包括色彩空間轉(zhuǎn)換、圖像裁剪、歸一化、尺寸縮放四個(gè)步驟；S44、特征向量化，將預(yù)處理過的圖像轉(zhuǎn)化為計(jì)算機(jī)理解的數(shù)值型特征向量，采用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，將圖像特征從高維像素空間映射到低維特征空間；S45、構(gòu)建數(shù)據(jù)集，結(jié)合處理結(jié)果，構(gòu)建一個(gè)完整的包含場(chǎng)景信息的數(shù)據(jù)集；每個(gè)樣本包括經(jīng)過預(yù)處理并編碼為特征向量的圖像數(shù)據(jù)和與之對(duì)應(yīng)的場(chǎng)景語義標(biāo)簽、預(yù)測(cè)的未來狀態(tài)變化數(shù)據(jù)以及針對(duì)當(dāng)前場(chǎng)景下主車應(yīng)采取的理想應(yīng)對(duì)措施標(biāo)簽；所述步驟五的具體方法如下：S51、選取與初始化模型架構(gòu)：選用qwen-vl開源大模型架構(gòu)；基于預(yù)訓(xùn)練的qwen-vl權(quán)重初始化新模型；S52、應(yīng)用數(shù)據(jù)集：使用步驟四中構(gòu)建的包含邊緣場(chǎng)景信息預(yù)測(cè)的數(shù)據(jù)集進(jìn)行訓(xùn)練；S53、性能監(jiān)控與調(diào)整：在整個(gè)訓(xùn)練周期中，定期在獨(dú)立的驗(yàn)證集上評(píng)估模型的表現(xiàn)，關(guān)注模型在數(shù)據(jù)集任務(wù)上的性能指標(biāo)；根據(jù)評(píng)估結(jié)果動(dòng)態(tài)調(diào)整訓(xùn)練策略，使用余弦退火學(xué)習(xí)率調(diào)度器，根據(jù)驗(yàn)證集上的表現(xiàn)自動(dòng)調(diào)整學(xué)習(xí)率，學(xué)習(xí)率從初始值逐漸降低到最小值，然后再次升高，形成一個(gè)周期性的變化；根據(jù)過擬合情況，調(diào)整L2正則化系數(shù)，防止模型過度擬合訓(xùn)練數(shù)據(jù)，調(diào)整過程逐步增大10％，直至過擬合現(xiàn)象消失；其中，L2正則化系數(shù)是損失權(quán)重的衰減，損失函數(shù)計(jì)算方法如下： 式中，OriginalLoss是原始損失函數(shù)；λ是L2正則化系數(shù)；ωi是模型的權(quán)值系數(shù)。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人吉林大學(xué)，其通訊地址為：130012 吉林省長春市朝陽區(qū)前進(jìn)大街2699號(hào)；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)”。