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

龍圖騰網獲悉浙江機電職業技術大學申請的專利基于深度學習的智能網聯汽車多模態感知與決策系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119734711B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510238564.7，技術領域涉及：B60W30/18；該發明授權基于深度學習的智能網聯汽車多模態感知與決策系統是由陳道泉;徐金鳳;韓佳波;陳寧;高詹堯;金磊磊設計研發完成，并于2025-03-03向國家知識產權局提交的專利申請。

本基于深度學習的智能網聯汽車多模態感知與決策系統在說明書摘要公布了：本發明涉及智能駕駛技術領域，公開了一種基于深度學習的智能網聯汽車多模態感知與決策系統，包括：多模態數據采集模塊，用于通過車載攝像頭和車載雷達傳感器采集車輛周圍的圖像數據和雷達時間序列數據，以對車輛周圍環境進行全方位感知；圖像數據處理模塊，用于利用改進的深度學習模型對所述圖像數據進行處理，提取圖像中的目標物體特征信息；雷達數據處理模塊，用于對所述雷達時間序列數據的變化趨勢進行分析，并結合所述目標物體特征信息，根據不同交通場景做出最優行車決策；最優決策執行模塊，用于根據所述最優行車決策來執行最優決策動作。本發明能夠實現在復雜交通場景下對環境信息的高精度感知與快速響應，提高行車安全并優化交通效率。

本發明授權基于深度學習的智能網聯汽車多模態感知與決策系統在權利要求書中公布了：1.基于深度學習的智能網聯汽車多模態感知與決策系統，其特征在于，包括： 多模態數據采集模塊，用于通過車載攝像頭和車載雷達傳感器采集車輛周圍的圖像數據和雷達時間序列數據，以對車輛周圍環境進行全方位感知； 圖像數據處理模塊，用于利用改進的深度學習模型對所述圖像數據進行處理，提取圖像中的目標物體特征信息；其中，所述改進的深度學習模型的構建包括：構建網絡模型架構和損失函數；其中，所述網絡模型架構由骨干網絡、Transformer編碼器、類別計數模塊、計數引導特征增強模塊、動態查詢選擇模塊和高效混合編碼器組成；構建的損失函數是多種損失的加權組合，具體采用包含L1損失LL1、邊界框回歸損失LGIoU、類別損失Lfocal和分類損失LCE加權的損失函數Ltotal來優化檢測任務； 其中，所述利用改進的深度學習模型對所述圖像數據進行處理，提取圖像中的目標物體特征信息，包括： 所述骨干網絡接收原始的圖像數據作為輸入進行多尺度特征提取，生成一系列不同層次的多尺度特征圖； 將所述多尺度特征圖送入所述Transformer編碼器進行自注意力操作，捕獲特征中的長距離依賴關系，生成經過自注意力增強的視覺特征； 所述類別計數模塊接收所述Transformer編碼器輸出的高分辨率特征圖作為輸入，通過膨脹卷積生成密度圖，并對圖像實例數量進行分類； 所述計數引導特征增強模塊利用所述類別計數模塊生成的密度圖，通過空間交叉注意力和通道注意力操作對所述Transformer編碼器的視覺特征進行空間和通道增強，得到計數引導增強特征圖，包括： 對密度圖采樣生成多尺度計數特征圖，經池化和卷積操作生成空間注意力圖； 將所述空間注意力圖與原始的所述視覺特征相乘，得到空間增強后的特征； 對所述空間增強后的特征進行通道注意力操作，得到計數引導增強特征圖； 所述動態查詢選擇模塊接收所述計數引導增強特征圖，并根據所述類別計數模塊的分類結果確定解碼器查詢數量，并優化查詢的內容和位置； 所述高效混合編碼器接收骨干網絡輸出的高層次的特征圖和所述動態查詢選擇模塊生成的查詢作為輸入，輸出融合后的多尺度特征，用于后續的目標識別和邊界框回歸處理，以提取圖像中的目標物體特征信息； 雷達數據處理模塊，用于對所述雷達時間序列數據的變化趨勢進行分析，并結合所述目標物體特征信息，根據不同交通場景做出最優行車決策； 最優決策執行模塊，用于根據所述最優行車決策來執行最優決策動作。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江機電職業技術大學，其通訊地址為：310052 浙江省杭州市濱江區濱文路528號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。