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！

龙图腾网获悉大连理工大学申请的专利基于多模态大模型的高超声速飞行器模拟飞行试验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：CN120194905B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510686015.6，技术领域涉及：G01M9/06；该发明授权基于多模态大模型的高超声速飞行器模拟飞行试验系统是由王冠;刘凯;安帅斌;刘泓麟;杨峰;王艾雪设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本基于多模态大模型的高超声速飞行器模拟飞行试验系统在说明书摘要公布了：本发明属于高超声速飞行器试验技术领域，涉及一种基于多模态大模型的高超声速飞行器模拟飞行试验系统，包括数据采集与融合系统以及控制系统。通过数据采集与融合系统与跨模态注意力机制，实现对地面试验系统采集的时序数据、环境数据与历史案例库的高效对齐与特征表示，显著提升数据采集与分析的精度。结合硬件系统，确保试验参数的有效性，缩短飞行器设计与验证周期。控制系统通过自然语言指令动态调整试验参数，模型通过语义理解生成结构化控制参数向量，提升飞行器控制系统的性能与稳定性，降低试验操作复杂度，提升用户体验。

本发明授权基于多模态大模型的高超声速飞行器模拟飞行试验系统在权利要求书中公布了：1.一种基于多模态大模型的高超声速飞行器模拟飞行试验系统，包括数据采集与融合系统以及控制系统，其特征在于，具体如下： （1）数据采集与融合系统 由状态采集单元和多模态融合单元组成； 其中，状态采集单元负责实时收集飞行器的状态信息和环境数据，包括空气动力学数据、、、、和，飞行器的运动状态、、、、、、、和以及外部环境条件；采集的数据通过高速传输接口进入多模态融合单元；其中，、、、、和分别为升力、阻力、侧力、滚转力矩、偏航力矩和俯仰力矩；、和分别为速度、航迹倾斜角和航迹偏航角；、和分别为飞行器绕、和轴的角速度；、和分别为俯仰角、滚转角和偏航角； 多模态融合单元包含以下三个模块：时序数据编码模块、图像视频数据编码模块、自然语言与知识库数据编码模块；各模块的数学模型如下： 时序数据编码模块： 定义时序传感器数据为飞行运动状态与空气动力学的多参数融合表征，其中包括空气动力学数据和飞行器的运动状态的时序数据，设飞行器状态时序数据为，式中表示从1到这段时间的采样时序，表示第时刻，为矩阵的维度，表示实数集；采用时间卷积网络提取局部特征，运算中使用的线性整流单元ReLU为深度学习中广泛应用的激活函数，数学定义为，式中表示输入，表示选择最大值；时序数据的编码公式为： ， 式中，表示第层输出特征，表示为第层可学习卷积核权重，表示膨胀系数，表示卷积核宽度，表示第层的偏置项；通过ReLU对卷积结果的逐元素非线性变换，编码模块逐层提取飞行器运动状态与气动参数的时序依赖关系，为后续控制策略生成提供高区分度的特征表示； 图像视频数据编码模块： 风洞流场试验中所采集的动态图像和视频数据，通过分块操作提取局部流场特征；具体地，输入图像张量被均匀划分为个非重叠图像块，每块尺寸为个像素，表示输入图像的水平像素，表示输入图像的垂直像素，表示分块后水平和垂直像素大小；分块过程通过算子实现： ， 式中，表示总分块数，表示实数集；定义矩阵，其中每个图像块可通过线性投影矩阵映射至其他维度，并叠加位置编码以保留空间时序关系，进而形成流场图像编码器的输入向量： ， 其中，表示投影后的向量，表示位置编码；编码器的由多头自注意力MHSA与多层感知机MLP模块堆叠构成；首先，将输入分割为独立注意力头，通过缩放点积注意力加权融合全局特征： ， 对再次处理，通过两层全连接网络进行非线性变换，进一步提取特征： ， 式中，表示MHSA注意力机制的输出，表示图像的输出特征，表示归一化；最终，编码输出与其他数据进行跨模态融合； 自然语言与知识库数据编码模块： 将自然语言指令与结构化知识库数据编码为统一的语义向量空间，实现跨模态语义对齐与；采用BERT模型实现自然语言指令与结构化知识的语义编码；将输入的自然语言指令定义为，其中表示文本指令的第i个词元；通过嵌入Embedding机制为每个词元添加位置信息，并映射成维度为D的向量： ， 式中，表示嵌入矩阵，该矩阵输入至Transformer编码器，提取上下文感知的语义特征： ， 其中，表示注意力机制输出，聚合自然语言指令的语义信息特征； 在完成时序、图像视频、自然语言三模态的独立编码后，通过跨模态交互建模实现特征深度融合；融合过程分为特征拼接与注意力对齐两个阶段；各编码模块的输出特征按物理意义进行维度对齐与拼接，构建联合特征矩阵：， 通过多头注意力机制实现特征空间的对齐：， 式中，，为可学习参数，为隐藏层长度； 将各注意力头输出拼接后经线性变换，生成最终融合特征： ， 其中，为可学习参数，为融合特征； （2）控制系统 基于数据采集与融合系统的多模态数据，控制系统构建状态-动作奖励函数，并利用强化学习算法动态调整伺服电机的控制策略； 控制系统采用的动力学模型具体如下： ， ， ， ， 式中，上标“”表示该变量对时间的导数，、和分别为飞行器在地面坐标系中的位移；、和分别为攻角、侧滑角和倾侧角；、、分别为重力常数、距地心距离、质量，、和分别为、和轴的转动惯量； 动态优化伺服电机的控制策略具体如下：状态空间由融合特征定义，而动作空间则对应控制指令，包括舵机偏转与喷管推力调节量；奖励函数设计以跟踪精度、能耗效率及稳定性为优化目标； 双延迟深度确定性策略梯度TD3网络作为强化学习策略的核心，接受输入并输出控制指令，其数学表达为： ， 式中，表示TD3网络，表示输出的控制指令；将融合特征输入TD3策略网络，更新控制指令，可令舵机、喷管在短时间内调整；该指令通过实时闭环机制驱动舵机与喷管执行动态调整；与此同时，奖励函数与TD3网络的协同工作，通过评估控制指令对系统状态的影响，迭代优化策略网络的参数，从而实现伺服电机控制策略的自适应修正。

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大连理工大学，其通讯地址为：116000 辽宁省大连市甘井子区凌工路2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”。