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！

龙图腾网获悉北京航空航天大学申请的专利一种时空精简查询的鲁棒在线矢量地图构建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：CN120426983B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202510540343.5，技术领域涉及：G01C21/00；该发明授权一种时空精简查询的鲁棒在线矢量地图构建方法是由任毅龙;闫子阳;李睿楷;镡昊;范一哲;姜涵;崔志勇;于海洋设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本一种时空精简查询的鲁棒在线矢量地图构建方法在说明书摘要公布了：本发明公开了一种时空精简查询的鲁棒在线矢量地图构建方法，涉及自动驾驶感知技术领域，包括：将多视角特征融合为统一的鸟瞰视角表示；基于时间关联匹配当前帧与历史帧的实例特征；更新查询特征并优化查询表示；使用高质量矢量地图构建模型作为教师模型，将专注于以实例为中心的地图构建模型作为学生模型，自适应地蒸馏教师网络的特征至学生网络；设计损失函数评估学生模型，并进行训练优化，若未达到输出要求，则通过中距离感知机制进一步优化学生模型。本发明提出显著提升在线矢量地图构建的鲁棒性、精度和效率，尤其在动态环境和复杂场景中的表现，通过这种方式，可以更好地处理多视角、时空相关性以及复杂的3D目标检测任务。

本发明授权一种时空精简查询的鲁棒在线矢量地图构建方法在权利要求书中公布了：1.一种时空精简查询的鲁棒在线矢量地图构建方法，其特征在于，包括： S1：基于多视角图像预处理、特征提取和几何校正，将多视角特征融合为统一的鸟瞰视角表示，描述场景的几何结构和语义细节； S2：基于时间关联匹配当前帧与历史帧的实例特征，同时通过空间融合模块结合跨注意力方法，将历史点集与当前点集融合，构建全局连续且高精度的地图表示； S3：基于查询分类分析，识别贡献较小的查询并进行剪枝，保留高质量查询，使用自注意力模块进行交互，通过交叉注意力方法与图片特征融合，更新查询特征并优化查询表示； S4：在知识蒸馏阶段，使用高质量矢量地图构建模型作为教师模型，将专注于实例为中心的地图构建模型作为学生模型，自适应地蒸馏教师网络的特征至学生网络； S5：设计损失函数评估学生模型，并进行训练优化，若未达到输出要求，则通过中距离感知方法进一步优化学生模型； 所述S2具体包括： 基于BEV特征，通过实例中心时间关联模块，对当前时刻的实例特征与历史时刻的实例特征进行匹配，利用特征对齐方法在几何维度和特征维度对历史实例进行关联变换，将其与当前实例统一到相同的语义空间； 通过可学习的时间关联方法，在高维特征空间中动态建模历史实例与当前实例的匹配关系，捕捉跨时序的特征关联变化； 基于实例中心空间融合模块，对历史帧的点集特征与当前帧的点集特征进行空间对齐，通过跨注意力方法高效对齐和融合历史点集与当前点集的局部特征； 对历史全局地图点集进行空间采样，将交叉注意力操作应用于检测结果与历史特征的融合过程，强化实例在空间域内的交互关系，通过曲线拟合方法优化融合结果； 根据所述时间关联特征与空间融合特征，对时空维度进行联合建模，通过多层网络设计捕捉实例在时间和空间域内的变化趋势； 在时间维度上，基于动态更新的实例记忆缓冲区，结合多帧特征的历史信息对当前实例进行实时关联，生成统一的实例标识； 在空间维度上，通过三层跨注意力方法对当前特征和历史特征进行深度交互建模，强化全局地图特征在空间上的一致性，并结合分类优化策略针对不同类型的地图实例进行精细处理； 根据所述优化后的实例特征，生成全局向量化地图表示，融合几何、时序和语义信息，描述全局地图中各实例的细节和空间关系； 所述S4具体包括： 在知识蒸馏阶段，基于高质量矢量地图构建模型，将其作为教师模型，为学生模型提供全局地图的高精度特征指导，通过时间关联、空间融合及高效剪枝，生成包含几何、语义及时序信息的高质量矢量地图； 在蒸馏过程中，利用自适应权重方法，从教师网络中提取高质量的全局特征表示，包括多帧时序信息、全局几何语义以及实例之间的空间关系； 将教师模型的特征划分为全局特征、区域特征和实例特征三部分，并通过特定的蒸馏损失函数优化每一部分的知识迁移，全局特征蒸馏通过构建整体上下文表示指导学生模型捕捉场景全貌，区域特征蒸馏帮助学生网络在关键区域形成精准表示，实例特征蒸馏则专注于提升学生模型对目标实例的鲁棒检测能力； 采用实例中心的对齐策略，通过几何和语义映射方法，将学生模型中的特征嵌入到与教师模型一致的语义空间中； 在蒸馏过程中，设计了自适应损失平衡模块，动态调整全局特征和实例特征的蒸馏权重，该模块结合场景复杂性、实例数量及特征贡献度进行权重分配，使得学生模型在复杂场景下能够优先学习关键实例信息，在简单场景中兼顾全局一致性表达，此外，针对学生模型特有的轻量化需求，蒸馏过程通过多层特征压缩方法，将教师模型的深层语义特征以轻量级表示形式传递至学生模型，从而在显著减少计算资源占用的同时保留关键特征信息。

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北京航空航天大学，其通讯地址为：100089 北京市海淀区学院路37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。