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！

龙图腾网获悉南京大学申请的专利一种基于点云数据的自监督学习场景流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：CN115392449B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202110566905.5，技术领域涉及：G06N3/0895；该发明授权一种基于点云数据的自监督学习场景流方法是由武港山;程诚;鲁涛;王利民设计研发完成，并于2021-05-24向国家知识产权局提交的专利申请。

本一种基于点云数据的自监督学习场景流方法在说明书摘要公布了：一种基于点云数据的自监督学习场景流方法，利用点云数据本身的特性来构建数据项约束与平滑项约束，用这两种约束来评估两帧点云的相似性，并以此误差来训练一个的自监督网络，用于得到场景流。本发明利用点云数据内部的约束来评估运动后的第二帧点云与预测的第二帧点云的相似性，从而预测出场景流，相比现在的方法，或利用有标签的点云数据进行有监督的学习，或通过具有深度信息的2.5D或3D图像数据把2D光流转换到3D中来解决这个问题，本发明直接消费点云数据并用自监督的深度学习方法学习场景流。本发明方法很好的考虑了点云数据本身的特性，对此建立起数据项约束；除此之外本发明也考虑了场景级点云数据局部的刚体性，建立了平滑项约束。

本发明授权一种基于点云数据的自监督学习场景流方法在权利要求书中公布了：1.一种基于点云数据的自监督学习场景流方法，其特征是利用点云数据本身的特性来构建数据项约束与平滑项约束，用这两种约束来评估运动后的第二帧点云与预测的第二帧点云的相似性，并以此误差来训练一个的自监督网络，用于依据点云预测得到场景流； 自监督网络的主干网络采用FlowNet3D，首先利用迭代最近点算法ICP生成粗糙的场景流作为标签，为自监督网络做有监督的预训练，然后通过预训练的网络来生成场景流flow，把flow与运动的第一帧点云相加得到预测的运动后的第二帧点云，接着通过数据项约束和平滑项约束来评估和真实的运动后的第二帧点云的相似性，利用评估的误差来作为网络的损失函数，训练直至网络收敛，得到预测的场景流； 数据项约束具体为：将离散点云转换为连续空间，以使离散点之间的相似性变为两个连续实体之间的相似性，在每个点周围设置检测点以检测局部密度，检测点组合描述了局部环境的特征，并且空间位置反映在检测点的中心，包括四个阶段：局部采样，检测点的生成，投影，相似度测量： 步骤1.1局部采样，随着预训练提供的粗糙的场景流，把第一帧点云变换到新的位置, 为了获得在中的点的局部结构，从合成的第二帧中采样点集，这些点满足:，然后使用相同的中心点和半径r，从第二帧点云P2中采样点集合，相同的中心确保了空间位置的一致性；步骤1.2 检测点的生成，上一步采样得到的点集反映了中心点的空间局部结构，设置检查点，用来测量物体表面的分布方式，以中心点为中心r为半径的球形空间内的每个点由球形坐标ρ，θ，φ来定位，其中ρ∈[0, r]，θ∈[0, 2π，φ∈[0, π]，并且把维度一划分成 a 个部分，维度二划分成 b 个部分，维度三划分成 c 个部分，形成i‑th,j‑th,k‑th这样的点，并通过以下的公式定位： 得到所有的坐标以后，并且移除重复的点，得到一系列的检测点集合； 步骤1.3投影，对于中的每个点进行两次采样过程，在第一次采样阶段，样本中心预测合成的第二帧中的每个点，对应的邻居点也位于预测的第二帧中，结果集表示为，在第二次采样阶段，样本中心也是预测合成的第二帧中的每个点，但在真实的第二帧中找寻对应的邻居点，结果集为，假设每个点都根据距离远近来表示影响的大小，那么每个检测点从接收到的总体影响数值如下： 其中表示采样点与检测点的空间欧氏距离，经过投影，得到 Wp′ 和 Wp，分别表示对于合成得到的第二帧和真实的第二帧的检测结果； 步骤1.4相似度测量，经过上述步骤，物体潜在的表面的局部结构用存储在检测点中的数值表示出来，数值较高的点表示它距离潜在的真实表面越近，同时，一个采样点发出的最大值和最小值为1.0 和，这个差距对采样密度敏感，采用如下的余弦相似性度量来减轻采样密度的影响，得到数据项约束： ； 平滑项约束有两种：局部运动一致性和局部结构一致性，

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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”。

以上内容由龙图腾AI智能生成。