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！

龙图腾网获悉江苏拓邮信息智能技术研究院有限公司申请的专利一种基于时频小波变换和图网络的机器人轨迹预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：CN121048642B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511609420.4，技术领域涉及：G01C21/20；该发明授权一种基于时频小波变换和图网络的机器人轨迹预测方法是由聂友军;韩敏设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本一种基于时频小波变换和图网络的机器人轨迹预测方法在说明书摘要公布了：本发明属于轨迹预测技术领域，公开了一种基于时频小波变换和图网络的机器人轨迹预测方法，包括步骤1采集具身感知数据，步骤2获取高质量的多维度历史轨迹数据；步骤3将多维度历史轨迹数据映射成特征信息矩阵并生成图结构，步骤4获取潜在时空演变特征；步骤5解码器将潜在时空演变特征转换成小波系数，步骤6对小波系数进行传递，以学习时空维度上的局部判别过渡模式，分别得到重构的轨迹信号和预测目标值。本申请能够充分挖掘开放环境下机器人运动所涉及的时空依赖性，以应对复杂数据关系带来的挑战，并在非对称编码器‑解码器架构的基础上引入了小波注意力模块，有助于补充监督信息，显著提高模型预测性能。

本发明授权一种基于时频小波变换和图网络的机器人轨迹预测方法在权利要求书中公布了：1.一种基于时频小波变换和图网络的机器人轨迹预测方法，其特征在于：机器人轨迹预测方法通过预测系统实现，具体的所述机器人轨迹预测方法包括以下步骤： 步骤1、采集具身感知数据：通过机器人在物理世界中移动并与开放环境的动态交互，采集具身感知数据，所述具身感知数据包括激光雷达、相机、GPS、IMU的数据； 步骤2、对步骤1获取的具身感知数据进行预处理，获取高质量的多维度历史轨迹数据； 步骤3、使用预测系统的一维CNN将步骤2获取的多维度历史轨迹数据映射成特征信息矩阵，并设计图构造器生成面向特征信息矩阵的图结构； 步骤4、将步骤3生成的图结构和特征信息矩阵输入至预测系统的图注意力层中，捕捉空间耦合关系，并利用预测系统的多层门控循环单元提取时间维度信息，得到潜在时空演变特征； 步骤5、预测系统的解码器将步骤4求得的潜在时空演变特征转换成具有多尺度分辨率的小波系数，捕捉非平稳抖动，具体包括以下步骤： 步骤5.1、使用解码器生成小波系数，每个子解码器生成分级小波系数： ， 其中，表示分级小波系数的索引，表示子解码器的总数； 步骤5.2、运用小波注意力模块对潜在时空演变特征进行加权，求得增强的时空特征： ， ， ， 其中，、、和均表示加权矩阵，表示过渡时空特征，表示线性整流函数，返回以输入元素为对角线的矩阵，表示注意力分数，加权过程由跳跃连接执行； 步骤5.3、小波注意力模块使用卷积运算来提取增强时空特征的上下文嵌入： ， 其中，高通滤波器和低通滤波器将上下文嵌入分解为多尺度特征，第层的高通滤波器和低通滤波器的输出为和； 步骤5.4、根据小波注意力模块和多维度历史轨迹数据的属性确定上下文嵌入的长度，使用对称扩展来保证上下文嵌入边界处的连续性： ， 其中，表示第层上下文嵌入的长度，，，表示高通滤波器长度的一半，表示向下取整操作； 步骤5.5、通过单层门控循环单元建模上下文嵌入，得到小波嵌入，将小波嵌入馈送至全连接网络，产生解码器生成的小波系数： ， 其中，表示层；表示全连接网络； 步骤6、使用预测系统的逆小波变换模块对具有多尺度分辨率的小波系数进行传递，以学习时空维度上的局部判别过渡模式，分别得到重构的轨迹信号和预测目标值，具体包括以下步骤： 步骤6.1、直接重构小波系数，促使解码器学习不同尺度下的时频表示，计算编码器生成的小波系数与真实的小波系数之间的均方误差和，小波损失函数为： ， ， 其中，是第个子解码器输出的第个变量的第个元素的估计值，是多维度历史轨迹数据直接经小波变换分析技术得到的第个变量的第个元素的基础真值，表示生成的小波系数与真实的小波系数之间的总均方误差和，表示第次分解的均方误差和，表示子解码器的索引，表示子解码器的总数，表示历史轨迹数据的维度，表示第层上下文嵌入的长度； 步骤6.2、逆小波变换模块对小波系数进行反向变换，从而重构轨迹信号，小波系数矩阵集被转换为的轨迹序列； 步骤6.3、重构滤波器迭代地组合低频和高频系数对，直到在时域中恢复出轨迹信号： ， 其中，表示逆小波变换运算，用于裁剪由于信号扩展而产生的冗余片段，、和均表示小波系数，表示重构的多维度轨迹数据即重构信号； 步骤6.4、计算重构信号与真实信号之间的差异： ， 步骤6.5、复用逆小波变换模块，将小波系数矩阵集转换为的关键属性变量，即得到相应的预测值，计算预测损失函数为： ， 其中，表示轨迹预测值的维度，表示真实轨迹值； 步骤6.6、联合、、损失函数，端到端地训练一维CNN、图注意力层和解码器，总体的损失函数为： ， 其中，和均表示折衷因子，在每一个训练回合结束后，更新模型的权重。

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江苏拓邮信息智能技术研究院有限公司，其通讯地址为：210012 江苏省南京市雨花台区凤信路6号金证南京科技园6号楼401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。