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！

龙图腾网获悉四川酷比通信设备有限公司申请的专利基于深度学习的多模态传感器数据自适应对齐方法及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：CN120822196B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202511339741.7，技术领域涉及：G06F18/25；该发明授权基于深度学习的多模态传感器数据自适应对齐方法及系统是由高嵩;王东设计研发完成，并于2025-09-19向国家知识产权局提交的专利申请。

本基于深度学习的多模态传感器数据自适应对齐方法及系统在说明书摘要公布了：本发明涉及基于深度学习的多模态传感器数据自适应对齐方法及系统，属于多模态数据处理技术领域，包括如下步骤：步骤S1.获取来自多个异构传感器各自的空间点位数据，得到多模态传感器数据集；步骤S2.构建多路径特征提取网络模型，以提取不同模态传感器数据的空间卷积特征表示；步骤S3.采用位置向量特征序列维度规整方式计算出不同模态特征之间的跨模态相关性，基于跨模态相关性动态调整多模态特征在空间位置维度上的对齐偏移量；步骤S4.利用微小位置偏移对齐技术，对多模态数据进行连续位置域的变换，以实现多模态数据的细粒度对齐；本发明的有益效果：动态调整多模态特征在空间位置维度上的对齐偏移量，使得对齐操作能够实时适配数据的动态变化。

本发明授权基于深度学习的多模态传感器数据自适应对齐方法及系统在权利要求书中公布了：1.基于深度学习的多模态传感器数据自适应对齐方法，其特征在于，包括如下步骤： 步骤S1.获取来自多个异构传感器各自的空间点位数据，得到多模态传感器数据集；其中，多个异构传感器包括激光雷达、视觉相机、毫米波雷达和惯性测量单元； 步骤S2.构建多路径特征提取网络模型，以提取不同模态传感器数据的空间卷积特征表示；其中，多路径特征提取网络模型的每个路径采用向量对齐点位卷积网络，以适应不同传感器的位置变化特性，输出各模态数据间的最优位置偏移量； 在所述步骤S2中，所述多路径特征提取网络的工作步骤为： 通过输入层接收不同模态的传感器数据； 路径特征提取方式是，每条路径包含：向量对齐点位卷积层、批归一化层、ReLU激活函数和最大池化层，在各个层中对数据进行特征提取； 通过输出层输出融合后的特征表示和各模态间的最优位置偏移量； 所述不同模态传感器数据的空间卷积特征表示为，输入不同模态的数据后，得到点位卷积计算公式是： ； 其中，为卷积操作后，输出特征在位置处的数值；为卷积核的模态数；为卷积核在模态、通道索引处的调节参数；，分别第模态和第模态，模态范围是[1,]；是输入特征的通道索引，为通道索引总数； 是输入特征在位置、通道索引处的数值； 为位置向量，表示特征位置对应于传感器物理位置信息；为对位置向量的处理函数； 对每个邻域位置，计算卷积核权重×输入特征值，然后把所有的结果相加，再乘以位置函数，让最终结果同时包含输入特征的空间邻域信息和传感器位置信息； 步骤S3.构建动态自适应对齐模型，将提取的空间卷积特征输入至动态自适应对齐模型中，采用位置向量特征序列维度规整方式计算出不同模态特征之间的跨模态相关性，基于跨模态相关性动态调整多模态特征在空间位置维度上的对齐偏移量； 在所述步骤S3中，所述空间位置维度上的对齐偏移量，适用于点对象对齐，核心是求和各维度绝对偏移，结合空间关联度修正，避免单一维度偏移掩盖整体错位： ； 其中，是基础空间对齐偏移量，是最终计算结果，代表对象与在空间中的整体错位程度数值；为基准与目标的空间关联度，为对齐基准对象，为目标对齐对象；为维度的对齐距离；为维度的几何属性修正系数；为目标对象在维度上的特征参数；为对齐基准对象在维度上的特征参数； 为维度偏移，单一维度上，目标对象与基准对象的绝对偏移量，加绝对值是为了消除方向影响，确定偏差大小； 为计算每个维度的修正偏移，突出关键维度，用空间修正适配对象类型，用绝对偏移量化单维偏差； 为求和项，是求和计算每个维度的修正偏移； 点对象对齐，就是求和各维度的修正偏移，结合空间关联度修正，得到空间位置维度上的对齐偏移量，让对齐偏移量更贴合实际影响； 步骤S4.利用微小位置偏移对齐技术，对多模态数据进行连续位置域的变换，以实现多模态数据的细粒度对齐。

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四川酷比通信设备有限公司，其通讯地址为：644000 四川省宜宾市临港经开区港园路西段69号2栋；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。