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！

龙图腾网恭喜上海交通大学;中国长峰机电技术研究设计院申请的专利基于强化学习的机器人一体化网络架构优化方法及系统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：CN114610037B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202210254462.0，技术领域涉及：G05D1/43；该发明授权基于强化学习的机器人一体化网络架构优化方法及系统是由王贺升;刘启明;张金鹏设计研发完成，并于2022-03-15向国家知识产权局提交的专利申请。

本基于强化学习的机器人一体化网络架构优化方法及系统在说明书摘要公布了：本发明提供了一种基于强化学习的机器人一体化网络架构优化方法及系统，首先基于多模传感器在一个由浅入深的分层式网络中进行不同程度的环境抽象特征提取；然后以上述分层式网络为主干，根据移动机器人的定位、规划、目标识别和博弈决策等方面的需求，在不同抽象层位置设计分支网络进行一体化网络实现；最后采用多目标联合的融合优化对前述一体化网络进行迭代优化，使得机器人输出合理移动和博弈策略。本发明提出的一种主干特征分层抽取、多任务分支式设计的一体化网络结构及其优化方法，解决了现有移动机器人各功能模块松耦合和分离研究的问题，提升了网络运行效率和数据利用率，减少了模块间冗余和耦合调试成本，有利于实际应用。

本发明授权基于强化学习的机器人一体化网络架构优化方法及系统在权利要求书中公布了：1.一种基于强化学习的机器人一体化网络架构优化方法，其特征在于，所述方法包括如下步骤：步骤A：构建由浅入深的主干网络，对多模传感器输入进行自适应融合，并进行不同程度特征抽取；步骤B：根据机器人功能目标及其对传感特征的抽象程度需求，将实现不同功能模块的分支网络紧耦合连接到主干特征抽取网络上；步骤C：采用强化学习损失、辅助任务和自动编解码器三种方法构建多目标的一体化网络优化策略，引入注意力机制对多目标的一体化网络优化进行权重平衡；所述步骤A包括如下步骤：步骤A1：对RGB相机、深度相机和三维激光雷达所获取的数据分别进行预处理和不同程度的多级特征粗抽象；步骤A2：使用注意力机制对多模传感不同程度的粗抽象特征进行自适应融合，获得不同程度粗融合特征；步骤A3：使用更深网络层对粗融合特征进一步进行精提取，获取不同程度的精提取特征；所述步骤A1包括如下步骤：步骤A1.1：对RGB图像和深度图像在不同通道上进行多层卷积，并提取不同层级卷积后得到的特征向量，以输入为起点，多层卷积网络输出的图像粗抽象特征依次为其中xi代表图像经神经网络处理后得到的特征向量，上标m为图像粗卷积网络层的编号，m越大表示对应特征向量压缩程度更高、是由更深网络层输出的；步骤A1.2：对三维激光雷达数据使用特定网络进行特征提取，该网络需要具备分段提取的网络结构；以输入为起点，提取激光雷达数据的粗抽象特征依次为其中xl代表激光雷达点云经神经网络处理后得到的特征向量，上标n为三维点云粗处理网络层的编号，n越大表示对应特征向量压缩程度更高、是由更深网络层输出的；所述步骤A1.1和A1.2中提取网络均采用多层串联结构，形成由浅到深架构；所述步骤A2包括如下步骤：步骤A2.1：对任意两个待融合特征和表示编号a的图像处理网络层输出的图像特征，表示编号为b的三维点云处理网络层输出的点云特征，1≤a≤m，1≤b≤n，计算增广特征向量： 其中Wi和Wl为可训练增广矩阵，两者行数均为s，增广矩阵列数随输入向量大小变化，计算结果为图像特征增广向量，为点云特征增广向量；步骤A2.2：计算自适应系数： 其中为训练的注意力核，exp为以自然常数e为底的指数函数，σ为非线性函数，“||”为向量级联,计算结果αi和αl分别表示图像特征和点云特征对应的加权系数；步骤A2.3：通过自适应系数加权求和获取融合后的特征： 其中，δ为非线性函数，xf表示输出的融合特征，上标ab表示该融合特征是由图像特征和点云特征生成的；步骤A2.4：对任意一个待融合粗图像特征和任意一个待融合粗三维点云特征其中，的上标表示该特征是由编号为j的图像处理网络层输出的，1≤j≤m，的上标表示该特征是由编号为k的点云处理网络层输出的，1≤k≤n，根据步骤A2.1-步骤A2.3计算融合后特征其中，的上标表示该融合特征是由与融合得到的，根据步骤B中的需求只计算部分融合特征。

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上海交通大学;中国长峰机电技术研究设计院，其通讯地址为：200240 上海市闵行区东川路800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”。