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！

龍圖騰網恭喜上海交通大學;中國長峰機電技術研究設計院申請的專利基于強化學習的機器人一體化網絡架構優化方法及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：CN114610037B 。

龍圖騰網通過國家知識產權局官網在2025-05-23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：202210254462.0，技術領域涉及：G05D1/43；該發明授權基于強化學習的機器人一體化網絡架構優化方法及系統是由王賀升;劉啟明;張金鵬設計研發完成，并于2022-03-15向國家知識產權局提交的專利申請。

本基于強化學習的機器人一體化網絡架構優化方法及系統在說明書摘要公布了：本發明提供了一種基于強化學習的機器人一體化網絡架構優化方法及系統，首先基于多模傳感器在一個由淺入深的分層式網絡中進行不同程度的環境抽象特征提取；然后以上述分層式網絡為主干，根據移動機器人的定位、規劃、目標識別和博弈決策等方面的需求，在不同抽象層位置設計分支網絡進行一體化網絡實現；最后采用多目標聯合的融合優化對前述一體化網絡進行迭代優化，使得機器人輸出合理移動和博弈策略。本發明提出的一種主干特征分層抽取、多任務分支式設計的一體化網絡結構及其優化方法，解決了現有移動機器人各功能模塊松耦合和分離研究的問題，提升了網絡運行效率和數據利用率，減少了模塊間冗余和耦合調試成本，有利于實際應用。

本發明授權基于強化學習的機器人一體化網絡架構優化方法及系統在權利要求書中公布了：1.一種基于強化學習的機器人一體化網絡架構優化方法，其特征在于，所述方法包括如下步驟：步驟A：構建由淺入深的主干網絡，對多模傳感器輸入進行自適應融合，并進行不同程度特征抽取；步驟B：根據機器人功能目標及其對傳感特征的抽象程度需求，將實現不同功能模塊的分支網絡緊耦合連接到主干特征抽取網絡上；步驟C：采用強化學習損失、輔助任務和自動編解碼器三種方法構建多目標的一體化網絡優化策略，引入注意力機制對多目標的一體化網絡優化進行權重平衡；所述步驟A包括如下步驟：步驟A1：對RGB相機、深度相機和三維激光雷達所獲取的數據分別進行預處理和不同程度的多級特征粗抽象；步驟A2：使用注意力機制對多模傳感不同程度的粗抽象特征進行自適應融合，獲得不同程度粗融合特征；步驟A3：使用更深網絡層對粗融合特征進一步進行精提取，獲取不同程度的精提取特征；所述步驟A1包括如下步驟：步驟A1.1：對RGB圖像和深度圖像在不同通道上進行多層卷積，并提取不同層級卷積后得到的特征向量，以輸入為起點，多層卷積網絡輸出的圖像粗抽象特征依次為其中xi代表圖像經神經網絡處理后得到的特征向量，上標m為圖像粗卷積網絡層的編號，m越大表示對應特征向量壓縮程度更高、是由更深網絡層輸出的；步驟A1.2：對三維激光雷達數據使用特定網絡進行特征提取，該網絡需要具備分段提取的網絡結構；以輸入為起點，提取激光雷達數據的粗抽象特征依次為其中xl代表激光雷達點云經神經網絡處理后得到的特征向量，上標n為三維點云粗處理網絡層的編號，n越大表示對應特征向量壓縮程度更高、是由更深網絡層輸出的；所述步驟A1.1和A1.2中提取網絡均采用多層串聯結構，形成由淺到深架構；所述步驟A2包括如下步驟：步驟A2.1：對任意兩個待融合特征和表示編號a的圖像處理網絡層輸出的圖像特征，表示編號為b的三維點云處理網絡層輸出的點云特征，1≤a≤m，1≤b≤n，計算增廣特征向量： 其中Wi和Wl為可訓練增廣矩陣，兩者行數均為s，增廣矩陣列數隨輸入向量大小變化，計算結果為圖像特征增廣向量，為點云特征增廣向量；步驟A2.2：計算自適應系數： 其中為訓練的注意力核，exp為以自然常數e為底的指數函數，σ為非線性函數，“||”為向量級聯,計算結果αi和αl分別表示圖像特征和點云特征對應的加權系數；步驟A2.3：通過自適應系數加權求和獲取融合后的特征： 其中，δ為非線性函數，xf表示輸出的融合特征，上標ab表示該融合特征是由圖像特征和點云特征生成的；步驟A2.4：對任意一個待融合粗圖像特征和任意一個待融合粗三維點云特征其中，的上標表示該特征是由編號為j的圖像處理網絡層輸出的，1≤j≤m，的上標表示該特征是由編號為k的點云處理網絡層輸出的，1≤k≤n，根據步驟A2.1-步驟A2.3計算融合后特征其中，的上標表示該融合特征是由與融合得到的，根據步驟B中的需求只計算部分融合特征。

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上海交通大學;中國長峰機電技術研究設計院，其通訊地址為：200240 上海市閔行區東川路800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”。