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！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉長春工業(yè)大學(xué)申請的專利一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120257849B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-19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?zhí)?專利號為：202510732837.3，技術(shù)領(lǐng)域涉及：G06F30/27；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法是由李慧;馬鈺民;姜志宇;張秀梅;劉越;羅明月設(shè)計研發(fā)完成，并于2025-06-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法在說明書摘要公布了：本發(fā)明公開一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法，涉及基于特定計算模型的計算機系統(tǒng)、深度學(xué)習(xí)、智能控制及工業(yè)自動化領(lǐng)域。針對散料裝備控制系統(tǒng)中存在的環(huán)境感知不全面、動態(tài)環(huán)境適應(yīng)性差等問題，本方法首先通過多源傳感器采集數(shù)據(jù)及預(yù)處理；其次，構(gòu)建跨模態(tài)注意力融合模型實現(xiàn)特征對齊；最后，設(shè)計LSTM?PPO混合網(wǎng)絡(luò)架構(gòu)，其中LSTM層處理時序狀態(tài)特征，PPO算法實現(xiàn)控制策略優(yōu)化。與現(xiàn)有技術(shù)相比，本發(fā)明可以提升傳統(tǒng)大型散料裝備運動控制中精度與可控性，更易提高系統(tǒng)運行效率與魯棒性，本方法可廣泛應(yīng)用于物流與散貨裝卸、工業(yè)智能制造和生產(chǎn)領(lǐng)域。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的大型散料裝備運動控制優(yōu)化方法，其特征在于，包括以下步驟： 步驟1：通過多源傳感器采集料場環(huán)境數(shù)據(jù)，基于曲率特征和改進ORB算法分別提取點云與圖像的魯棒特征，并利用時空對齊和歸一化處理實現(xiàn)多源數(shù)據(jù)的協(xié)同預(yù)處理； 步驟2：構(gòu)建跨模態(tài)注意力融合模型，通過幾何約束下的特征匹配優(yōu)化和動態(tài)權(quán)重分配，輸出具有互補優(yōu)勢的多模態(tài)聯(lián)合特征表達(dá)，具體包括以下步驟： 步驟2.1：所述跨模態(tài)注意力融合模型，通過采用多頭縮放點積注意力機制，對空間對齊模塊建立幾何一致性約束，在復(fù)雜環(huán)境下穩(wěn)定提取跨模態(tài)的共性特征與互補信息，采用可學(xué)習(xí)的線性變換將其映射到統(tǒng)一的特征空間： 其中Q為主動查詢的特征，K為被匹配的特征，V為實際傳遞的信息，F(xiàn)pc為點云特征矩陣，F(xiàn)img為圖像特征矩陣，WQ、WK、WV為可學(xué)習(xí)投影矩陣，采用漢明距離DH度量特征相似性： 其中descA、descB分別為特征點A和B的描述子，是動態(tài)漢明距離閾值，為基礎(chǔ)閾值，為閾值調(diào)整幅度，為圖像歸一化對比度，保留的匹配對作為候選對應(yīng)點； 步驟2.2：然后進行特征精匹配，構(gòu)建包含幾何誤差和運動先驗的優(yōu)化目標(biāo)函數(shù)ET： 其中T為描述點云到圖像的投影關(guān)系的變換矩陣，qi為投影2D圖像點，pi為點云中任意點，ρ為Huber魯棒核函數(shù)，π為相機投影模型，λ為正則化系數(shù)，Tprev表示上一幀的變換矩陣，e為輸入誤差，δ為閾值參數(shù)，目標(biāo)函數(shù)通過Gauss-Newton算法迭代求解迭代到收斂； 步驟2.3：將優(yōu)化目標(biāo)函數(shù)得到的優(yōu)化匹配結(jié)果進行非線性映射，利用多頭注意力機制從多維度捕捉特征間的依賴關(guān)系，注意力權(quán)重AttentionQ,K,V計算如下： 其中QKT為點云每個點與圖像每個區(qū)域的關(guān)聯(lián)強度，為縮放因子，softmax為按行歸一化處理； 采用多頭縮放點積注意力機制，將投影后的特征擴展為h個注意力頭，每個注意力頭獨立計算，多頭注意力擴展計算如下： MultiHeadQ,K,V＝Concathead1,...,headhWQ 其中head1到headh為單頭注意力輸出，設(shè)計跨模態(tài)注意力權(quán)重機制計算如下： 最后輸出環(huán)境狀態(tài)表征Fout： Fout＝LayerNormFfusion+FFNFfusion 其中Ffusion為跨模態(tài)注意力輸出的融合特征，F(xiàn)FN為前饋神經(jīng)網(wǎng)絡(luò)，LayerNorm為層歸一化處理； 步驟3：構(gòu)建LSTM-PPO混合決策網(wǎng)絡(luò)，利用LSTM的長時序依賴建模能力提取狀態(tài)特征，結(jié)合PPO算法的策略梯度優(yōu)化實現(xiàn)動態(tài)環(huán)境下的自適應(yīng)決策，得到最終優(yōu)化策略，具體包括以下步驟： 步驟3.1：所述LSTM-PPO決策網(wǎng)絡(luò)架構(gòu)，基于LSTM網(wǎng)絡(luò)與PPO算法，以實現(xiàn)對大型散料裝備運動的控制，網(wǎng)絡(luò)模型由輸入層、LSTM層、全連接層、Actor網(wǎng)絡(luò)與Critic網(wǎng)絡(luò)組成； 輸入層接收經(jīng)特征提取與匹配后的多源數(shù)據(jù)，包含環(huán)境狀態(tài)表征、裝備運行狀態(tài)和料流數(shù)據(jù)；所述LSTM層隱藏單元數(shù)量為128，層數(shù)為2層； 步驟3.2：融合LSTM編碼的時序特征ht，構(gòu)建Actor-Critic框架，通過交替優(yōu)化策略網(wǎng)絡(luò)和價值網(wǎng)絡(luò)實現(xiàn)控制策略的迭代更新，Actor輸出裝備連續(xù)控制動作at： at＝tanh[Wa·ReLUW1·ht+b1+ba] 其中W1，b1為全連接層參數(shù)，ReLU為激活函數(shù)，Wa，ba為輸出層參數(shù)，tanh將動作約束到[-1,1]，再通過線性映射到實際控制范圍； Critic預(yù)估從t時刻狀態(tài)s開始的折扣累計獎勵Vst計算如下： Vst＝Wv·ReLUW2·ht+b2+bv 其中W2，b2為全連接層參數(shù)，Wv，bv為輸出層參數(shù)； 步驟3.3：基于PPO算法采用端到端的訓(xùn)練方式，設(shè)置訓(xùn)練批次大小為64，優(yōu)化迭代次數(shù)為10次，以累計折扣回報作為優(yōu)化目標(biāo)，限制策略更新的幅度，避免因單次更新過大導(dǎo)致策略崩潰，優(yōu)勢函數(shù)At計算如下： δt＝rt+γVst+1-Vst rt＝[0.6α+0.7β] 其中折扣因子γ設(shè)為0.95，平滑系數(shù)λ設(shè)為0.9，rt為即時獎勵，α為達(dá)到控制目標(biāo)所需時間，β為目標(biāo)位置與實際位置之間空間偏移量，δt為t時刻時序差分誤差，設(shè)置目標(biāo)函數(shù)： LCLIPθ＝Et{min[rtθAt,cliprtθ,1-ε,1+εAt]} 其中rtθ為新舊策略比，ε為裁剪閾值設(shè)為0.2，πθ為一個隨即策略，訓(xùn)練目標(biāo)函數(shù)，總損失函數(shù)計算如下： Ltotal＝-LCLIPθ+c1LVF-c2Hπθ 其中Critic損失權(quán)重c1設(shè)為0.5，c2為策略熵權(quán)重設(shè)為0.02，LVF為價值損失函數(shù)，Hπθ為策略熵。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人長春工業(yè)大學(xué)，其通訊地址為：130012 吉林省長春市朝陽區(qū)延安大街2055號長春工業(yè)大學(xué)；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)”。