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！

龙图腾网获悉中国科学技术大学申请的专利基于多模态特征解耦技术的机器人抓取稳定性检测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：CN116945234B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202311098569.1，技术领域涉及：B25J19/00；该发明授权基于多模态特征解耦技术的机器人抓取稳定性检测方法是由李骜;方涛;刘伟;王明会设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本基于多模态特征解耦技术的机器人抓取稳定性检测方法在说明书摘要公布了：本发明公开了一种基于多模态特征解耦技术的机器人抓取稳定性检测方法，包括：1.获取视觉和触觉数据；2.对视觉和触觉数据进行预处理；3.设计并构建机器人抓取稳定性检测深度神经网络；4.构造总体损失函数，使用迭代优化的方式进行机器人抓取稳定性训练，并对抓取结果进行分类，从而得到相应的分类结果。本发明能对每个模态的特征进行解耦，保留每个模态数据中与抓取稳定性有关的一致性特征，滤除包含噪声以及其它干扰信息的特异性特征，从而有效提升了机器人稳定抓取检测的性能。

本发明授权基于多模态特征解耦技术的机器人抓取稳定性检测方法在权利要求书中公布了：1.一种基于多模态特征解耦技术的机器人抓取稳定性检测方法，其特征在于，包括如下步骤： 步骤1、数据收集及预处理： 获取任意一个真实机器人在抓取场景下与物体刚接触时的一帧图像数据和触觉数据，并对所述图像数据中包含机械手与物体的区域进行裁剪，得到预处理后的视觉数据，记为； 对所述触觉数据进行平滑滤波后，得到预处理后的触觉数据，记为；将视觉数据或触觉数据，记为任意一个模态数据；将模态数据的抓取稳定性标签记为，； 步骤2、构建机器人抓取稳定性检测的深度神经网络模型，包括：视觉数据特征提取器、触觉数据特征提取器、模态特异性信息过滤模块、交叉重建模块、双线性编码模块、检测模块； 步骤2.1、构建基于ResNet18网络的视觉数据特征提取器，是由个卷积层、个池化层和个全连接层依次组成，设置所有卷积层的步长为，设置所有卷积层和前个全连接层的激活函数均采用ReLU函数，第个全连接层的激活函数采用Softmax函数； 所述视觉数据输入所述深度神经网络模型中，并经过视觉数据特征提取器的处理后，得到包含语义信息的高层视觉特征； 步骤2.2、构建基于FCN网络的触觉数据特征提取器，是由个卷积层和个全连接层依次组成，设置所有卷积层的步长为，设置所有卷积层和前个全连接层的激活函数均采用ReLU函数；第个全连接层的激活函数采用Softmax函数； 所述触觉数据输入所述深度神经网络模型中，并经过触觉数据特征提取器的处理后，得到包含语义信息的高层触觉特征； 步骤3、所述模态特异性信息过滤模块分别对高层视觉特征和高层触觉特征进行处理，得到任一模态数据的模态特异性特征；； 步骤4、所述交叉重建模块对视觉数据和触觉数据进行处理，得到重建后的模态数据； 步骤5、所述双线性编码模块对模态一致性特征进行处理，得到模态数据的模态内特征； 步骤6、所述检测模块包含一个输入层、一个全连接神经网络和输出层，并用于得到检测机器人抓取稳定性的预测概率； 步骤7、模型训练； 步骤7.1、利用式11构建多模态重建损失函数： 11 式11中，表示视觉重建损失函数，表示触觉重建损失函数，并有： 12 式12中，代表L1范数，代表模态数据的维度； 步骤7.2、利用式13构建模态一致性损失函数： 13 式13中，为特征的维度；为视觉模态一致性特征，为触觉模态一致性特征； 步骤7.3、利用式14构建二元交叉熵函数： 14 式14中，是深度神经网络模型的参数集合； 步骤7.4、利用式15得到总的损失函数： 15 式15中，和是权重系数； 步骤7.5、采用Adam优化器对深度神经网络模型进行训练，计算所述总的损失函数以更新模型参数，并在训练过程中采用线性衰减策略调整学习率，直到达到最大训练次数或总的损失函数收敛为止，从而得到训练好的机器人抓取稳定性检测的深度神经网络，用于对机器人抓取数据进行处理，并得到稳定性检测结果。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。