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！

龙图腾网获悉洛阳职业技术学院申请的专利基于卷积神经网络的田间机器人自适应导航路径规划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：CN121655538B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610157669.4，技术领域涉及：G01C21/20；该发明授权基于卷积神经网络的田间机器人自适应导航路径规划系统是由杨柯;史恒亮;辛利军;宋宇;周云龙设计研发完成，并于2026-02-04向国家知识产权局提交的专利申请。

本基于卷积神经网络的田间机器人自适应导航路径规划系统在说明书摘要公布了：本发明公开了基于卷积神经网络的田间机器人自适应导航路径规划系统，属于农业机器人技术领域。本发明解决了现有技术难以满足田间机器人高效、精准作业的需求的问题，通过卷积神经网络识别和标记田间关键实体，提前感知环境变化，使机器人能提前反应，避免路径规划失败或作业中断；根据任务类型和实时环境动态调整路径规划权重，灵活适应不同需求和条件，保障作业连续性和稳定性；并定义自动化决策与人工干预的平衡机制，结合三级异常处置策略，确保在不同异常情况下快速有效响应，不仅提升了系统的智能化水平，还显著增强了机器人在复杂环境中的作业效率和适应性，有力推动了农业自动化和智能化发展。

本发明授权基于卷积神经网络的田间机器人自适应导航路径规划系统在权利要求书中公布了：1.基于卷积神经网络的田间机器人自适应导航路径规划系统，其特征在于，包括： 孪生建模单元，配置为基于田间环境的多维度数据构建实时反映田间环境的动态变化的数字孪生模型； 环境感知单元，配置为基于历史数据构建用于环境感知的卷积神经网络，田间环境的图像数据作为输入，基于卷积神经网络自动提取图像中的特征，输出环境中障碍物、作物区域以及可通行区域的识别结果； 自适应路径规划单元，配置为基于数字孪生模型输出的环境信息和卷积神经网络输出的识别结果，采用模糊逻辑算法结合田间机器人的运动学和动力学约束，以及路径因素进行路径规划； 数据采集单元，配置为在田间机器人上安装多种传感器，包括：激光雷达用于精确测量障碍物距离和地形高度；超声波传感器用于近距离障碍物检测；土壤湿度传感器用于监测土壤湿度分布； 数据处理单元，配置为采用多模态融合技术，将图像数据、激光雷达数据、超声波数据和土壤湿度数据进行融合，生成多模态融合数据； 数据处理单元，包括： 获取子单元，用于获取多源异构原始数据； 预处理子单元，用于将多源异构原始数据中的各类型原始数据统一转换为时间戳-特征维度的矩阵格式，并基于时间戳对所有数据进行时间维度对齐；计算每个模态数据对应的非平稳指标，基于模态仿射参数的校准公式进行非平稳校准，输出校准后数据；基于各模态采样率差异配置模态多尺度窗口，通过上采样线性插值和下采样均值池化操作，将所有模态的多尺度特征统一至64个时间步窗口，得到多尺度统一特征； 第一融合子单元，用于对校准后数据中周期性强的模态进行自适应时频分解，强周期性数据采用64点快速傅里叶变换、弱周期性数据采用32点快速傅里叶变换，提取主频率的幅值和相位特征，与时域特征拼接形成双域特征，将双域特征与多尺度统一特征融合，得到标准化多尺度特征序列； 增强子单元，用于通过改进型MambaFFN模块构成的模态内特征增强分支对每个模态的标准化多尺度特征处理；所述改进型MambaFFN模块包括线性特征增强分支及非线性特征增强分支，两分支输出按模态特征信噪比动态加权融合，得到模态内增强特征； 第二融合子单元，用于构建跨模态关联先验矩阵，所述矩阵元素为各模态间的预设关联强度，将每个模态的模态内增强特征与其他模态的模态内增强特征按关联强度加权求和，得到跨模态关联特征； 第三融合子单元，用于将每个模态的模态内增强特征与跨模态关联特征拼接，输入模态全连接层，将特征维度统一至1024维，输出各模态最终特征序列； 筛选子单元，用于计算各模态特征数据的可信度，基于可信度对各模态特征进行筛选，得到筛选后特征； 第四融合子单元，用于采用动态时间规整算法将所有筛选后特征对齐至统一长度，构建跨模态注意力矩阵，计算任意两个模态特征在每个时间步的关联强度，按关联强度加权融合所有模态特征，得到多模态融合特征； 其中，预处理子单元计算每个模态数据对应的非平稳指标，非平稳指标为不同数据对应不同的非平稳指标，包括但不限于激光雷达数据为方差+趋势项斜率；所述趋势项斜率通过10秒滑动窗口线性回归计算；土壤湿度数据为方差+周期性指标，所述周期性指标通过60秒窗口FFT主频幅值计算；超声波数据为方差+瞬时波动幅度，所述瞬时波动幅度为50ms窗口标准差；图像目标特征数据为方差+目标面积变化率，所述目标面积变化率为相邻帧相对变化； 激光雷达数据校准公式：；其中，为10秒滑动窗口均值；为10秒滑动窗口标准差；为趋势斜率；为当前时间点；、为可学习仿射参数；为校准后的激光雷达数据；为原始激光雷达数据； 土壤湿度数据校准公式：；其中，为主频率，，分别为周期性幅度和相位；、为可学习仿射参数；为校准后的土壤湿度数据；为原始土壤湿度数据；为滑动窗口均值；为滑动窗口标准差； 超声波数据校准公式：；其中，为瞬时波动幅度；为阈值，用于判断是否需要补偿瞬时波动；、为可学习仿射参数；为校准后的超声波数据；为原始超声波数据；为滑动窗口均值；为滑动窗口标准差； 图像数据校准公式：；其中，为目标面积变化率；、为可学习仿射参数；为校准后的图像特征数据；为原始图像特征数据；为滑动窗口均值；为滑动窗口标准差；为目标面积变化率，为时间，用于补偿随时间变化的面积变化； 超声波、激光雷达为高采样率模态；图像采集为中采样率模态；土壤湿度为低采样率模态，将所有模态特征通过线性插值均值池化统一至64个时间步； 对校准后数据进行周期性检测，通过30秒窗口自相关系数判断，0.5为强周期性；强周期性数据采用64点FFT，弱周期性数据采用32点FFT；提取前30%的主频率特征，与时域特征拼接，形成双域特征； 线性特征增强分支：线性层→Sigmoid激活→模态内注意力权重乘法；其中权重；为模态i的注意力权重；为模态i特征的方差； 非线性特征增强分支：线性层→FFN→状态空间模型SSM→模态内注意力权重乘法； 信噪比：；为信噪比；为信号幅值的平均绝对值；为噪声的标准差； 模态内增强特征：；维度为256维；为增强后的模态特征；为线性特征增强分支输出；为非线性特征增强分支输出； 预设关联强度，激光雷达-超声波:0.8,激光雷达-图像:0.7,图像-土壤湿度:0.3,其他:0.2； 跨模态关联特征：；为模态modal的跨模态关联特征；为模态modal的模态内增强特征；为预设关联强度；为其他模态j的模态内增强特征； 拼接模态内增强特征与跨模态关联特征，输入全连接层，输出1024维各模态最终特征序列； 计算各模态特征数据的可信度，训练阶段：基于误差统计计算各模态的实时可信度，公式为：；为模态modal的可信度；为模型预测值；为真实值；推理阶段：基于历史预测不确定性计算可信度，；为历史预测不确定性；将可信度大于0.3的模态特征保留，对低可信度模态进行移动平均滤波，得到筛选后特征； 动态时间规整算法DTW将所有模态特征对齐至100个时间步； 跨模态注意力：；为模态i与j在时间步t的关联强度；、为模态i与j在时间步t的1024维特征； 所述自适应路径规划单元，包括： 线程创建模块，配置为利用卷积神经网络对田间环境中的关键实体进行识别和标记，为每个实体分配唯一的标识符；并在数字孪生模型中，为每个关键实体创建数字线程链路，实时记录和更新对应每个关键实体的状态信息，包括但不限于位置、形态、速度、方向，并将其同步到对应的数字线程链路中；获取每个关键实体的历史状态数据，包括但不限于位置变化、形态变化和速度变化，分析其运动规律和变化趋势；利用长短期记忆网络构建预测模型，预测其未来短期内的可能状态，包括：利用风速、风向数据结合农作物的物理特性，预测农作物的摆动幅度和方向；分析疑似动物区域的移动轨迹和速度，预测其移动概率和方向；将预测结果以结构化数据形式输出，包括但不限于每个关键实体在未来时间点的位置、形态变化范围信息，为路径规划提供环境辅助数据； 其中，利用长短期记忆网络构建预测模型，包括： 获取模型训练数据集；所述模型训练数据集包括激光雷达数据、超声波数据、土壤湿度数据及图像数据；对所述训练数据集进行特征提取，并将提取的特征进行融合，得到多模态融合特征；构建分层LSTM架构；底层为带时序残差连接的2层双向LSTM，输入最终融合特征捕捉短期细粒度时序依赖，输出底层特征；中层对底层特征执行自适应时频分解，构建时频注意力权重动态融合时域特征与频域特征，输出中层融合特征；上层通过1层全连接层提取共享特征，构建双预测分支； 其中，农作物摆动预测分支输入共享特征与农作物物理特性先验，输出摆动幅度、水平方向角；动物移动预测分支输入共享特征与疑似动物区域特征，输出移动概率、水平移动方向、移动速度；构建多维度损失函数；所述多维度损失函数包括多任务加权损失、模态一致性损失；基于多维度损失函数对模型进行迭代训练，直至训练结果满足要求，得到预测模型； 底层用于特征捕捉，中层用于时频融合，上层用于多任务预测，上中下三层的分层架构；底层为短期时序特征捕捉LSTM层，通过2层双向LSTM，隐藏层维度为1024，dropout率为0.2，对多模态融合特征，捕捉短期的细粒度时序依赖，输出底层特征；同时加入时序残差连接，将输入特征与LSTM输出特征按元素相加：；为底层LSTM输出的特征向量；为2层双向LSTM网络；为多模态融合的最终特征输入； 时域特征采用底层输出,保留时序动态变化；频域特征通过对底层特征进行自适应时频分解，提取频域幅值、相位特征，并通过全局平均池化将维度压缩至1024；时频注意力权重用于平衡时域与频域特征贡献：；为时频注意力权重；为底层LSTM输出的时域特征向量；为频域特征向量；；其中,为频域特征,为Sigmoid激活函数,为输出标量的线性层；输出中层融合特征，计算序列自相关系数对时序依赖强弱进行判断； 上层包括多任务预测头，通过1层全连接层、ReLU激活及批量归一化处理,输出共享特征；双预测分支包括农作物摆动预测分支及动物移动预测分支；农作物摆动预测分支将共享特征及农作物物理特性先验进行拼接后作为输入特征，通过2层全连接层,输出为农作物的摆动幅度及水平方向角；动物移动预测分支将共享特征及疑似动物区域特征进行拼接后作为输入特征，通过2层全连接层，输出为移动概率、水平移动方向及移动速度；在农作物摆动预测分支及动物移动预测分支的全连接层之间加入可学习交互矩阵，对两个分支的隐藏层特征进行约束，，其中，为平衡系数；为可学习交互矩阵；为交互后农作物摆动分支的隐藏层特征；为原始农作物摆动分支隐藏层特征；为动物移动预测分支的隐藏层特征； 多任务加权损失函数，；为多任务加权损失函数；为农作物摆动损失；为动物移动预测损失；农作物摆动损失:采用MSE损失，摆动幅度用MSE，水平方向角用角度周期损失：； 其中，为农作物摆动损失；为预测水平方向角；为真实水平方向角；为时间步数量；为预测的摆动幅度；为真实摆动幅度； 动物移动损失：移动概率用二元交叉熵，移动方向用角度周期损失，移动速度用MSE：；为动物移动预测总损失；为二元交叉熵损失；为预测移动概率；为真实移动概率；为水平移动方向角度周期损失；为预测水平移动方向角；为真实水平移动方向角；为预测移动速度；为真实移动速度； 模态一致性损失：计算各模态特征均值向量的皮尔逊相关系数：；其中，为模态数量；⋅为特征维度均值；为预设关联矩阵；为模态一致性损失；⋅为皮尔逊相关系数；为时间步总数； 多维度损失函数：；为多维度损失；为多任务加权损失；为模态一致性损失。

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洛阳职业技术学院，其通讯地址为：471000 河南省洛阳市伊滨区科技大道6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。