欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025113764327
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于迁移学习的智能汽车复杂测试场景代理模型设计方法,其特征在于:步骤如下:首先,进行代理模型架构设计,将测试场景分割成轨迹、道路和气象信息,利用门控循环单元提取复杂测试场景中的轨迹信息;利用卷积神经网络提取复杂测试场景中的道路信息;将气象参数具体取值以合并方式进行特征整合;再利用全连接层实现复杂测试场景到测试结果的映射,预测复杂测试场景的测试结果;

其次,使用虚拟仿真工具获得复杂测试场景对应的测试结果,利用虚拟仿真测试场景和测试结果的对应关系对代理模型进行预训练;然后利用硬件在环和实车道路测试方法获得测试场景和测试结果的对应关系,使用迁移学习修正代理模型;

最后,在基于迁移学习的预训练与修正代理模型流程之后,通过结合动态学习率调度的元学习微调方法,在虚拟仿真、硬件在环和实车道路三种数据源中采样多任务,模拟多种测试场景下的少样本适应过程,将每一次微调分解为“内层任务快速适应”与“外层全局泛化优化”两部分,内层通过动态余弦退火学习率策略,使模型在每个小样本任务的早期以较大学习率快速捕捉特定测试场景信号,而在后期逐步减小步长以抑制过拟合;外层对所有任务在验证集上的表现进行梯度聚合,并采用退火学习策略动态调整元学习率;

最终输出聚合后能够快速适应新场景的参数;将“内层任务快速适应”与“外层全局泛化优化”流程重复数次后,得到微调后的最终参数。

2.根据权利要求1所述的一种基于迁移学习的智能汽车复杂测试场景代理模型设计方法,其特征在于:代理模型架构设计步骤如下:对于车辆的时间运动轨迹信息,使用门控循环单元GRU实现特征提取,门控循环单元GRU包括:时刻的隐含状态,时刻的输入数据、隐含状态和输出数据,中间隐含状态,复位门,更新门;复位门控制写入当前GRU节点的来自前一个时间点的隐含状态数量,复位门的值越小,保留的先前信息就越少;更新门控制混合进当前时刻的隐含状态的来自前一个时间点的隐含状态的数量,更新门的值越大,引入的先前信息就越多;

对于静态的道路信息,使用卷积神经网络实现特征提取,将道路信息以俯瞰角度进行特征描述,分别将实线车道线设定为像素值1,虚线车道线设定为像素值0.5,路面区域设定为像素值0;进而将道路信息转化为图像信息,并利用卷积神经网络实现特征提取;

对于气象信息,分别利用降雨强度和雾气能见度对气象进行描述,并将气象参数取值直接与轨迹和道路隐空间特征进行合并,并将合并后的变量输入给全连接层,以测试结果作为网络的目标进而构建代理模型。

3.根据权利要求2所述的一种基于迁移学习的智能汽车复杂测试场景代理模型设计方法,其特征在于:GRU的前向计算过程为:;

;

;

;

;

式中,和分别为GRU模型需要训练的权重矩阵和偏置矩阵;*为哈达玛积;为神经网络激活函数。

4.根据权利要求2所述的一种基于迁移学习的智能汽车复杂测试场景代理模型设计方法,其特征在于:代理模型的测试结果为:,其中,代表对应第个复杂测试场景对应预测得到的测试结果;代表代理模型;分别为第个复杂测试场景中的轨迹信息、道路信息和气象信息。

5.根据权利要求1所述的一种基于迁移学习的智能汽车复杂测试场景代理模型设计方法,其特征在于:结合动态学习率调度的元学习微调方法如下:从虚拟仿真、硬件在环和实车道路三种数据源中随机抽取N个小样本任务,每个任务包含一部分训练集和测试集;为内层梯度更新的少量样本数据,为外层梯度评估与参数汇总的验证数据;

在内层更新结算,对每一个任务执行步梯度下降,并在每一步动态调整学习率以加速早期收敛和稳定后期微调,第步的学习率用余弦退火调度:;

式中,为内层学习率的上限;为内层学习率的下限;内层是指对每个任务独立执行步参数适应;对应的模型参数更新为:;

式中,为第个任务在内层第步更新后的代理模型参数状态;为在数据集 上对模型计算的损失;表示对参数求损失函数的梯度;

在外层更新中,在所有任务的验证集上联合优化初始参数,并同样利用余弦退火调整外层学习率;第次元更新的学习率为:;

并将更新方向设为所有任务在验证集上的梯度和:

;

式中,分别为外层学习率的下限和上限,为外层更新的步长;为元学习的全局模型参数,在初始化时作为共享初始参数,在外层更新过程中不断被优化调整。