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！

龍圖騰網獲悉長春工業大學申請的專利一種基于風險邊界的大型散料裝備路徑規劃方法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：CN119783780B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202510267413.4，技術領域涉及：G06N5/01；該發明授權一種基于風險邊界的大型散料裝備路徑規劃方法是由李慧;叢鑠灃;譚博文;孟凡榮;羅明月;姜志宇設計研發完成，并于2025-03-07向國家知識產權局提交的專利申請。

本一種基于風險邊界的大型散料裝備路徑規劃方法在說明書摘要公布了：本發明公開了一種基于風險邊界的大型散料裝備路徑規劃方法，該方法涉及機器學習、路徑規劃等領域。首先，利用確定性點云點云獲取環境中的障礙物，計算出在給定風險容忍度下安全區域的邊界，來定義障礙物的風險邊界，通過專家演示學習決策策略訓練神經網絡采樣器。隨后，構建神經成本估計器以從樣本中選擇最佳信息狀態，使用神經網絡遞歸地向起點和目標雙向推進，再基于平方和優化驗證中間連接的碰撞風險。與其他方法相比，本發明不僅可以應用于大型散料裝備的路徑規劃，還可以擴展到其他領域和場景，例如無人駕駛車輛、無人機導航、環境監測等。

本發明授權一種基于風險邊界的大型散料裝備路徑規劃方法在權利要求書中公布了：1.一種基于風險邊界的大型散料裝備路徑規劃方法，其特征在于，包括以下步驟： 步驟一、在不確定環境中，首先使用Gazebo搭建散料裝備環境，然后定義路徑規劃問題，包括安全空間、不確定性的危險環境、安全初始狀態、目標狀態以及可接受的風險水平；具體按照以下步驟實施： 設d＝{2,3}表示大型散料裝備操作的工作空間； 危險區域被描述為坐標位置上的多項式為p∈ε： εobsiωi＝{p∈ε:Pip,ωi≥0}，i＝1,...,n0， 其中，εobsiωi，i＝1,...,n0表示工作空間中的靜態風險區域，是給定的多項式，描述大小、位置或幾何形狀不確定的風險區域； 設為散料裝備構型空間，其中 存在障礙和風險有界xsafe＝x\xobs構型空間，讓xinit和xgoal分別作為安全的啟動配置和目標配置； 散料裝備的目標是找到如下的風險有界路徑： πt:[0,T]→xsafe，π0＝xinit,πT＝xgoal， 其中πt＝[xinit,...,xgoal]表示包含xsafe中的配置并連接xinit和xgoal的有風險路徑； 路徑的位置ψt＝[pinit,...,pgoal]:[0,T]→εsafe給定πt→xsafe，將風險有界最優路徑規劃問題定義為： 約束條件π0＝x0＝xinit,πT＝xn＝xgoal， 其中，代價函數是用歐氏距離測量的路徑長度πt，∑表示所有可行路徑的集合； 表示碰撞風險的概率約束為： 其中ψt表示路徑上的位置序列； 步驟二、創建風險輪廓圖來描述不確定性的危險環境的概率信息，劃分環境為安全區、危險區和風險區，使用神經網絡對點云圖進行編碼，將點云圖轉換成潛在的嵌入表示；具體按照以下步驟實施： 對于每個障礙物，定義一個相關的風險輪廓，表示在該風險水平下，障礙物周圍的安全區域， 風險輪廓定義為以下狀態集： 就安全狀態集的確定性約束近似為： 其中E[Px,ω]表示障礙物在P位置的均值，E[P2x,ω]表示障礙物在P位置下的方差； 集合是原始風險輪廓的一個基于有理多項式的內近似，在風險有界狀態集合方面有了一個確定性約束，由這些狀態組成的結果路徑π保證不大于Δ次碰撞的機會，風險輪廓如下： x0＝xinit,xT∈Xtarget，Xtarget為目標狀態， 步驟三、構建和訓練神經網絡，NNS通過訓練能夠從點云圖中提取潛在嵌入特征，并預測潛在子空間中的狀態分布，使用NCE構建一個神經網絡來評估從當前狀態到目標狀態的成本，并選擇最佳狀態；NNS包括一個障礙編碼器網絡PCnet，以及一個推理網絡Inet；PCnet有四個用于提取潛在嵌入Z的關鍵構建塊，包括變換網絡T-Net、cnn、最大池化層和多層感知器MLP；T-Net是一個迷你網絡，對原始樣本數據執行一定的卷積和全連接操作；NCE由相同的編碼器和用于成本預測的編碼器組成，通過NCE從中迭代尋找成本最低的節點，選擇關鍵狀態； 步驟四、采用雙向搜索策略，結合NNS、NCE、和RA的雙向搜索的路徑規劃方法，即3DNR-RRT，從起點和目標開始，逐步向中間區域推進，用于在不確定環境中實現碰撞規避并找到風險有界的路徑；具體按照以下步驟實施： RA用于驗證路徑π的碰撞風險，給定配置節點πi的位置p，通過SOS條件來驗證兩個先臨界點之間的每條邊的碰撞風險，利用spotless工具箱驗證SOS條件有三個步驟： Step1：替代—給定兩個節點的位置作為線段的端點，將軌跡代入的每一項，得到時間t不確定的多項式P，并導出線性軌跡： {x,y,z,x＝a1t+b1,y＝a2t+b2,z＝a3t+b3}； Step2：列出關于時間t的半代數約束h＝t*1-t，并創建多個乘子變量： S＝v1+v2t+v3t2+v4t3+v5t4+v6t5， 其中vi為自由變量，h為構造和驗證路徑安全性的多項式系數； Step3：使用Mosek解算器用于最小化p-Sh； 采用3DNR-RRT算法，輸入為起始和目標配置對{xinit，xgoal}，風險容忍度Δ，以及風險輪廓及其對應的點云圖PM的所有內部逼近， 首先利用PCnet將PM編碼到編碼為Z的環境中，路徑解π初始化為空，分別創建包含開始狀態的前向節點集Vf和具有目標狀態的后向節點集Vb；Vf和Vb的更新過程是相同的；對于每次迭代，由NNS生成一批樣本Bsample為局部起點，NCE預測Bsample的成本；選擇成本最低的xt1并將其添加到Vf中；如果Vf和Vb中頂部節點的連接滿足SOS條件，則認為找到了包含Vf和Vb樣本的粗全局路徑π；如果不是，則返回空路徑， 在得到π后，使用LSC去除V中的冗余節點，它通過嘗試連接π的非相鄰節點來選擇關鍵節點，若捷徑線位于安全區域內，則移除原來位于兩端之間的節點，剩余的節點成為最終解決方案的一部分，使用RA方法評估路徑π并獲取成功標志succ，風險邊索引Fidx，以及安全節點的全局路徑π， 若路徑成功且風險有界，返回路徑π，否則使用Replan重新規劃風險線段，并使用LSC和RA方法更新路徑，若找到可行路徑返回更新后的路徑π。

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長春工業大學，其通訊地址為：130012 吉林省長春市朝陽區延安大街2055號長春工業大學；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”。