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！

龙图腾网获悉同济大学申请的专利基于图神经网络的机器人感知数据分词表征与学习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：CN119358552B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411363004.6，技术领域涉及：G06F40/289；该发明授权基于图神经网络的机器人感知数据分词表征与学习方法是由蒋烁;刘佳航;何斌;王志鹏;周艳敏;张文博设计研发完成，并于2024-09-27向国家知识产权局提交的专利申请。

本基于图神经网络的机器人感知数据分词表征与学习方法在说明书摘要公布了：本发明涉及一种基于图神经网络的机器人感知数据分词表征与学习方法，包括以下步骤：获取机器人的多种感知数据；根据感知数据的类别进行分词表征；分词表征学习：基于分词表征后的感知数据构建初始特征图；基于自编码器学习特征图的紧凑表示，重建图结构，图结构表示不同节点之间的边的关系；自编码器完成图结构的学习后，固定图结构；将感知数据转化为节点特征向量，并基于学习到的图结构构建特征图，利用图神经网络对各节点特征向量进行数值编码，得到感知数据的高维特征向量表征。与现有技术相比，本发明具有能更好地表达感知数据的复杂性和多维度信息等优点。

本发明授权基于图神经网络的机器人感知数据分词表征与学习方法在权利要求书中公布了：1.一种基于图神经网络的机器人感知数据分词表征与学习方法，其特征在于，包括以下步骤： S1，数据获取：获取机器人的多种感知数据； S2，根据感知数据的类别进行分词表征； S3，分词表征学习： S31，基于分词表征后的感知数据构建初始特征图； S32，基于自编码器学习特征图的紧凑表示，重建图结构，所述图结构表示不同节点之间的边的关系，所述自编码器包括编码器和解码器，其中，所述编码器采用图注意力机制网络，用于将节点特征映射到潜在空间，所述解码器从潜在空间重建原始图结构； 所述基于自编码器学习特征图的紧凑表示，重建图结构，包括以下步骤： 随机掩码：选择部分节点进行掩码，其中，掩码的方式使用随机选择的策略，对于掩码的节点，其特征向量被替换为零向量或者一个特殊的掩码标记； 编码：使用图注意力机制网络作为编码器来对未被掩码的节点进行编码； 解码：解码器接收编码器产生的节点表示以及掩码信息来预测被掩码节点的特征； 损失函数定义：定义均方误差损失函数来衡量解码器输出与实际掩码节点特征之间的差异，并在损失函数中引入实际物理约束； 反向传播与迭代训练：利用损失函数对自编码器模型参数进行梯度下降，以最小化损失，直到模型收敛或达到预定的训练轮次； 利用训练完成的自编码器学习不同种类感知数据在图神经网络上的节点映射，根据感知数据之间的内在联系建立节点之间的连接，形成无向图； S33，自编码器完成图结构的学习后，固定图结构； S34，将感知数据转化为节点特征向量，并基于学习到的图结构构建特征图，利用图神经网络对各节点特征向量进行数值编码，得到感知数据的高维特征向量表征； 所述利用图神经网络对各节点特征向量进行数值编码，得到感知数据的高维特征向量表征的具体步骤如下： 对每个感知数据节点进行初始化，使用多层感知机将原始数值转化为初始节点特征向量； 利用图神经网络的消息传递机制，让每个节点与其相邻节点交换信息，在每一层中，每个节点更新自己的表示，使其包含邻居节点的信息，从而捕获感知数据之间的相互关系； 多次迭代优化：经过图神经网络的多轮迭代，每个节点获得一个新的嵌入向量，所述嵌入向量包含节点本身的特征以及融合的其周围节点的信息，将所述嵌入向量作为学习得到的高维特征向量表示。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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。