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！

龙图腾网获悉无锡灵奕智能科技有限公司;东华大学申请的专利一种基于特征差异化学习神经网络模型的机器人标定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：CN119407782B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411688292.2，技术领域涉及：B25J9/16；该发明授权一种基于特征差异化学习神经网络模型的机器人标定方法是由张洁;廖鑫婷;汪俊亮;严树设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本一种基于特征差异化学习神经网络模型的机器人标定方法在说明书摘要公布了：本发明提供了一种基于特征差异化学习神经网络模型的机器人标定方法，该方法通过可信特征判别卷积神经网络、特征差异化学习策略和基于视锥‑链接动态图的三维边框预测网络对机器人作业参照物进行标定。本发明结合多模态视觉信息数据，构建了可信特征判别卷积神经网络、特征差异化学习策略和基于视锥‑链接动态图的三维边框预测网络，解决现存机器人标定方法易受多形态参照物和随机噪声影响的问题，以提高大规模生产环境下机器人标定精度。

本发明授权一种基于特征差异化学习神经网络模型的机器人标定方法在权利要求书中公布了：1.一种基于特征差异化学习神经网络模型的机器人标定方法，其特征在于，包括以下步骤： 步骤1：搭建机器人双目视觉信息采集装置后，采集多模态视觉信息，构建训练集和测试集，用于后续标定模型训练和测试； 步骤2：构建可信特征判别卷积神经网络，该可信特征判别卷积神经网络包括特征提取模块、证据建模模块、证据融合模块和输出模块，其中： 特征提取模块用于提取输入图像中作业参照物特征； 证据建模模块基于证据理论，将特征提取模块提取的特征及其系数转化为检测的支持证据，并根据证据的权重将其关联特征划分为可信特征或不可信特征； 证据融合模块基于证据理论，利用可信特征的证据权重和不可信特征的证据权重，计算所有可信特征对检测结果的支持度和所有不可信特征对检测结果的补集的支持度； 输出模块将提取的特征转化为预测参照物类别和位置信息； 步骤3：根据步骤2的可信特征判别卷积神经网络，构建可信损失函数，引入不确定度惩罚因子，增加低不确定的检测误差学习成本，同时降低高不确定性识别的学习成本，以指导网络在训练过程中关注可信特征学习，并忽略不可信特征学习； 步骤4：训练可信特征判别卷积神经网络： 将步骤1获得的二维图像数据训练集，结合步骤2构建的可信特征判别卷积神经网络和步骤3建立的特征差异化学习策略，训练可信特征判别卷积神经网络，并保存最优的网络模型； 步骤5：检测二维图像中作业参照物的边框： 利用步骤4中训练好的可信特征判别卷积神经网络，输出二维图像数据集中作业参照物的二维边框，并保存标签文件，然后再把二维边框区域投射到步骤1中获取的三维点云当中，形成视锥候选区域，将视锥候选区域经过二进制序列化和反序列化后保存二维边框的标签； 步骤6：构建基于视锥-链接动态图的三维边框预测网络： 采用链接动态图网络，基于视锥点云候选区域，提取点与点之间的关联特征，并输出每个点属于参照物的概率，根据获得的参照物概率，利用T-Net网络和PointNet网络预测参照物的三维边界框； 步骤7：训练基于视锥-链接动态图的三维边框预测网络： 利用视锥点云候选区域的点云训练基于视锥-链接动态图的三维边框预测网络，并保存最优的训练模型； 步骤8：测试集标定： 利用步骤4训练好的可信特征判别卷积神经网络，和步骤7中基于视锥-链接动态图的三维边框预测网络，在步骤1中三维点云数据测试集和二维图像数据测试集上，进行作业参照物的测试标定。

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无锡灵奕智能科技有限公司;东华大学，其通讯地址为：214028 江苏省无锡市新吴区菱湖大道111-2号软件园飞鱼座A302室—J38；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。