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！

龙图腾网获悉长春工业大学申请的专利基于GAT-LSTM时空特征融合的协作机器人无传感器碰撞检测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：CN121374645B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511951203.3，技术领域涉及：B25J9/16；该发明授权基于GAT-LSTM时空特征融合的协作机器人无传感器碰撞检测方法是由胡艳娟;周游;潘雷霆;林洁琼;谷岩;张炜设计研发完成，并于2025-12-23向国家知识产权局提交的专利申请。

本基于GAT-LSTM时空特征融合的协作机器人无传感器碰撞检测方法在说明书摘要公布了：本发明提供一种基于GAT‑LSTM时空特征融合的协作机器人无传感器碰撞检测方法，所属技术领域为机器人碰撞检测技术领域。其特征在于该方法将机器人关节电机的电流、位置和速度时间序列数据建模为图结构，通过图注意力网络GAT提取关节间空间拓扑特征，长短期记忆网络LSTM学习电流信号的长期时间依赖，实现时空特征的深度融合。基于预测电流与实际电流的残差，结合动态阈值策略进行碰撞判断。本发明通过深度挖掘机器人本体数据，实现了机器人自身无外置传感器即可完成机器人自身是否发生碰撞感知的能力，极大降低了安全部署的成本以及系统复杂度，为协作机器人在更多的场景下安全可靠的融入现有智能设备带来新的技术方式。

本发明授权基于GAT-LSTM时空特征融合的协作机器人无传感器碰撞检测方法在权利要求书中公布了：1.一种基于GAT‑LSTM时空特征融合的协作机器人无传感器碰撞检测方法，其特征在于，包括以下步骤： 步骤S10，收集协作机器人的本体传感器各关节的时间序列数据，包括关节电机电流、关节位置及关节速度，其中表示采样时刻； 步骤S20，以所述时间序列数据为基础，构建机器人关节时空图结构； 步骤S30，在预训练的 GAT‑LSTM 混合预测模型中输入所述图结构，在下一时刻输出各关节的预测电流值； 步骤S40，计算预测电流值与实际电流值之间的残差； 步骤S50，基于所述残差与预设的动态阈值进行比较，判定是否发生碰撞；进一步，在步骤S20中所述的构建机器人关节时空图结构，过程具体如下： 步骤S201，将每个关节在每一时刻的电机电流、关节位置及关节速度分别作为节点，构成多层节点集合； 步骤S202，以机器人关节连接顺序为基础，构建关节节点顺序图； 步骤S203，根据各个节点序列间的Pearson相关系数建立相关图，该相关系数计算公式为： ； 其中，表示节点与节点之间的Pearson相关系数，表示样本个数，在时刻对于某节点而言其样本值为，在时刻对于某节点而言其样本值为，是一个遍历集合  中两个目标节点的临时变量；设定一个阈值，当，，则在这两个节点之间建立连接，形成有向边； 步骤S204，取关节节点顺序图和相关性图的并集作为最终图结构，其中为边集合； 进一步，在步骤S30中所述的GAT‑LSTM混合预测模型，构建过程具体如下： 步骤S301，建立预测模型的网络结构，为预测模型的神经网络信息； 步骤S302，构建GAT神经网络模型，以图结构数据中具有空间特征的节点集合作为输入，其中为节点数，为每个节点的特征数，；输出经过空间特征增强的节点嵌入向量序列； 步骤S303，构建LSTM神经网络模型，接收来自GAT层的节点嵌入向量序列，每个LSTM单元通过其遗忘门、输入门、输出门机制，学习对应关节电流演变的长短期时间依赖关系，最终输出融合了时空特征的隐藏状态； 步骤S304，构建模型输出层，通过全连接网络将 LSTM 层的隐藏状态融合时空特性映射到下一时刻的所有关节电流预测值： ； 其中，表示在时间步的预测输出向量，权重矩阵将高维隐状态进行线性变换后压缩到目标输出维度上，而偏置项起到非线性补偿的作用。

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长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055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。