Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 宁德极臻科技有限公司赵钿获国家专利权

宁德极臻科技有限公司赵钿获国家专利权

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!

龙图腾网获悉宁德极臻科技有限公司申请的专利一种基于大数据和人工智能的机器人测试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:CN120901980B

龙图腾网通过国家知识产权局官网在2026-01-27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:202511417495.2,技术领域涉及:B25J9/16;该发明授权一种基于大数据和人工智能的机器人测试方法及系统是由赵钿;肖俊达设计研发完成,并于2025-09-30向国家知识产权局提交的专利申请。

一种基于大数据和人工智能的机器人测试方法及系统在说明书摘要公布了:本申请公开了一种基于大数据和人工智能的机器人测试方法及系统,具体涉及机器人测试技术领域,所所述测试方法包括以下步骤:S1.构建多模态测试数据采集框架,实时采集机器人在测试过程中的多维度数据;S2.对采集的多模态数据进行预处理;S3.构建改进的深度神经网络模型;S4.优化测试覆盖度;S5.采用动态权重融合算法对多个评估模型的输出结果进行集成,得到最终测试结论;S6.根据测试结论生成机器人性能优化建议,该一种基于大数据和人工智能的机器人测试方法及系统,采用多模态数据采集和融合技术,全面捕捉机器人的运行状态,提高了测试的全面性,相比单一模态数据,多模态数据融合使测试准确率得到提高。

本发明授权一种基于大数据和人工智能的机器人测试方法及系统在权利要求书中公布了:1.一种基于大数据和人工智能的机器人测试方法,其特征在于,所述测试方法包括以下步骤: S1.构建多模态测试数据采集框架,实时采集机器人在测试过程中的多模态数据; S2.对采集的多模态数据进行预处理,包括数据清洗、数据标准化和特征提取; S3.构建改进的深度神经网络模型,对机器人的功能和性能进行评估; S4.基于强化学习算法生成自适应测试用例,优化测试覆盖度; 所述S3中的改进的深度神经网络模型包括: 改进的卷积神经网络,用于处理机器人的视觉传感器数据; 改进的循环神经网络,用于处理机器人的时序运动数据; 注意力机制融合模块,用于整合不同模态数据的特征; 其中,改进的卷积神经网络即MC-CNN针对机器人视觉数据处理,引入可变形卷积核的改进卷积神经网络对不规则特征进行捕捉,具体策略为:可变形卷积的输出特征映射计算公式为:,其中为输出特征映射在位置的值;为卷积核大小;为第个卷积权重;为输入特征映射;,为可学习的偏移量参数,通过额外的卷积层预测得到:,其中为偏移量预测卷积层的权重,为激活函数,采用tanh函数将偏移量限制在范围内; 所述改进的循环神经网络即MB-GRU针对机器人运动数据的时序特性采用双向门控循环单元即GRU的改进循环神经网络,捕捉过去和未来的时序依赖关系,具体策略为: MB-GRU由前向GRU和后向GRU组成,前向GRU从序列开始到结束处理数据,后向GRU从序列结束到开始处理数据,最终将两个方向的隐藏状态拼接作为输出; 单个GRU单元的更新公式为: 更新门控制是否更新隐藏状态,具体为:; 重置门控制是否忽略历史隐藏状态,具体为:; 候选隐藏状态,具体为:; 最终隐藏状态,具体为:; 其中,为更新门;为重置门;为当前隐藏状态;为sigmoid激活函数;为元素级乘法;、、分别输入作用于更新门、重置门和候选隐藏状态的权重矩阵;、分别为历史隐藏状态作用于更新门和重置门的权重矩阵;为经过重置门过滤的历史状态作用于候选隐藏状态的权重矩阵;、、分别为更新门、重置门和候选隐藏状态的偏置向量; 双向GRU的输出为: 前向GRU隐藏状态; 后向GRU隐藏状态; 拼接前向和后向隐藏状态:; 其中为前一时刻的前向隐藏状态;为后一时刻的后向隐藏状态; 所述注意力机制融合模块即AMFM整合不同模态数据的特征学习不同模态特征的权重,且注意力机制融合模块具体策略为: 设经过特征提取后得到个模态的特征向量,且,其中表示第个模态的特征向量;为特征向量的维度,表示维度的实数向量; 注意力机制融合过程为: 特征映射:将不同维度的模态特征映射到同一维度空间:,其中和为可学习参数,为统一的特征维度;为第个模态特征经过映射后的输出特征向量;为第个模态的原始特征向量;为权重矩阵;为一个维的偏置向量;表示维的实数向量; 注意力权重计算:基于特征与上下文向量的相似度计算权重,具体为:,其中为第个模态特征的注意力权重;为可学习的上下文向量;为余弦相似度函数; 特征融合:加权求和得到最终的融合特征,具体为:; 特征增强:通过残差连接和非线性变换增强融合特征,具体为:,其中,为残差连接特征;和为可学习参数; S5.采用动态权重融合算法对改进的深度神经网络模型的输出结果进行集成,得到最终测试结论; S6.根据测试结论生成机器人性能优化建议。

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宁德极臻科技有限公司,其通讯地址为:352000 福建省宁德市东侨经济开发区福宁北路66号1梯315室;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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。