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！

龙图腾网获悉长春工业大学申请的专利一种基于风险边界的大型散料装备路径规划方法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：CN119783780B 。

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：202510267413.4，技术领域涉及：G06N5/01；该发明授权一种基于风险边界的大型散料装备路径规划方法是由李慧;丛铄沣;谭博文;孟凡荣;罗明月;姜志宇设计研发完成，并于2025-03-07向国家知识产权局提交的专利申请。

本一种基于风险边界的大型散料装备路径规划方法在说明书摘要公布了：本发明公开了一种基于风险边界的大型散料装备路径规划方法，该方法涉及机器学习、路径规划等领域。首先，利用确定性点云点云获取环境中的障碍物，计算出在给定风险容忍度下安全区域的边界，来定义障碍物的风险边界，通过专家演示学习决策策略训练神经网络采样器。随后，构建神经成本估计器以从样本中选择最佳信息状态，使用神经网络递归地向起点和目标双向推进，再基于平方和优化验证中间连接的碰撞风险。与其他方法相比，本发明不仅可以应用于大型散料装备的路径规划，还可以扩展到其他领域和场景，例如无人驾驶车辆、无人机导航、环境监测等。

本发明授权一种基于风险边界的大型散料装备路径规划方法在权利要求书中公布了：1.一种基于风险边界的大型散料装备路径规划方法，其特征在于，包括以下步骤： 步骤一、在不确定环境中，首先使用Gazebo搭建散料装备环境，然后定义路径规划问题，包括安全空间、不确定性的危险环境、安全初始状态、目标状态以及可接受的风险水平；具体按照以下步骤实施： 设d＝{2,3}表示大型散料装备操作的工作空间； 危险区域被描述为坐标位置上的多项式为p∈ε： εobsiωi＝{p∈ε:Pip,ωi≥0}，i＝1,...,n0， 其中，εobsiωi，i＝1,...,n0表示工作空间中的静态风险区域，是给定的多项式，描述大小、位置或几何形状不确定的风险区域； 设为散料装备构型空间，其中 存在障碍和风险有界xsafe＝x\xobs构型空间，让xinit和xgoal分别作为安全的启动配置和目标配置； 散料装备的目标是找到如下的风险有界路径： πt:[0,T]→xsafe，π0＝xinit,πT＝xgoal， 其中πt＝[xinit,...,xgoal]表示包含xsafe中的配置并连接xinit和xgoal的有风险路径； 路径的位置ψt＝[pinit,...,pgoal]:[0,T]→εsafe给定πt→xsafe，将风险有界最优路径规划问题定义为： 约束条件π0＝x0＝xinit,πT＝xn＝xgoal， 其中，代价函数是用欧氏距离测量的路径长度πt，∑表示所有可行路径的集合； 表示碰撞风险的概率约束为： 其中ψt表示路径上的位置序列； 步骤二、创建风险轮廓图来描述不确定性的危险环境的概率信息，划分环境为安全区、危险区和风险区，使用神经网络对点云图进行编码，将点云图转换成潜在的嵌入表示；具体按照以下步骤实施： 对于每个障碍物，定义一个相关的风险轮廓，表示在该风险水平下，障碍物周围的安全区域， 风险轮廓定义为以下状态集： 就安全状态集的确定性约束近似为： 其中E[Px,ω]表示障碍物在P位置的均值，E[P2x,ω]表示障碍物在P位置下的方差； 集合是原始风险轮廓的一个基于有理多项式的内近似，在风险有界状态集合方面有了一个确定性约束，由这些状态组成的结果路径π保证不大于Δ次碰撞的机会，风险轮廓如下： x0＝xinit,xT∈Xtarget，Xtarget为目标状态， 步骤三、构建和训练神经网络，NNS通过训练能够从点云图中提取潜在嵌入特征，并预测潜在子空间中的状态分布，使用NCE构建一个神经网络来评估从当前状态到目标状态的成本，并选择最佳状态；NNS包括一个障碍编码器网络PCnet，以及一个推理网络Inet；PCnet有四个用于提取潜在嵌入Z的关键构建块，包括变换网络T-Net、cnn、最大池化层和多层感知器MLP；T-Net是一个迷你网络，对原始样本数据执行一定的卷积和全连接操作；NCE由相同的编码器和用于成本预测的编码器组成，通过NCE从中迭代寻找成本最低的节点，选择关键状态； 步骤四、采用双向搜索策略，结合NNS、NCE、和RA的双向搜索的路径规划方法，即3DNR-RRT，从起点和目标开始，逐步向中间区域推进，用于在不确定环境中实现碰撞规避并找到风险有界的路径；具体按照以下步骤实施： RA用于验证路径π的碰撞风险，给定配置节点πi的位置p，通过SOS条件来验证两个先临界点之间的每条边的碰撞风险，利用spotless工具箱验证SOS条件有三个步骤： Step1：替代—给定两个节点的位置作为线段的端点，将轨迹代入的每一项，得到时间t不确定的多项式P，并导出线性轨迹： {x,y,z,x＝a1t+b1,y＝a2t+b2,z＝a3t+b3}； Step2：列出关于时间t的半代数约束h＝t*1-t，并创建多个乘子变量： S＝v1+v2t+v3t2+v4t3+v5t4+v6t5， 其中vi为自由变量，h为构造和验证路径安全性的多项式系数； Step3：使用Mosek解算器用于最小化p-Sh； 采用3DNR-RRT算法，输入为起始和目标配置对{xinit，xgoal}，风险容忍度Δ，以及风险轮廓及其对应的点云图PM的所有内部逼近， 首先利用PCnet将PM编码到编码为Z的环境中，路径解π初始化为空，分别创建包含开始状态的前向节点集Vf和具有目标状态的后向节点集Vb；Vf和Vb的更新过程是相同的；对于每次迭代，由NNS生成一批样本Bsample为局部起点，NCE预测Bsample的成本；选择成本最低的xt1并将其添加到Vf中；如果Vf和Vb中顶部节点的连接满足SOS条件，则认为找到了包含Vf和Vb样本的粗全局路径π；如果不是，则返回空路径， 在得到π后，使用LSC去除V中的冗余节点，它通过尝试连接π的非相邻节点来选择关键节点，若捷径线位于安全区域内，则移除原来位于两端之间的节点，剩余的节点成为最终解决方案的一部分，使用RA方法评估路径π并获取成功标志succ，风险边索引Fidx，以及安全节点的全局路径π， 若路径成功且风险有界，返回路径π，否则使用Replan重新规划风险线段，并使用LSC和RA方法更新路径，若找到可行路径返回更新后的路径π。

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长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055号长春工业大学；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”。