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！

龙图腾网获悉云南自由贸易试验区苇航智能科技有限责任公司申请的专利一种低代码机械臂任务配置解析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：CN119115937B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202411271519.3，技术领域涉及：B25J9/16；该发明授权一种低代码机械臂任务配置解析方法是由邹欣珏;黄渊海;刘强设计研发完成，并于2024-09-11向国家知识产权局提交的专利申请。

本一种低代码机械臂任务配置解析方法在说明书摘要公布了：本发明一种低代码机械臂任务配置解析方法，通过读取用户编写的任务配置信息，利用解析引擎转换为结构化格式文件，形成树形结构的任务描述；通过语义分析与层级关系识别算法明确各状态模块间的逻辑关联；借助机器学习预测状态模块行为，构建符合树形拓扑结构的数据模型，支持任务序列的动态调整；通过智能推荐系统用于评估节点的重要性并自动补充默认值，结合深度学习与自然语言处理技术，自动检测并修正配置信息中的错误，生成的数据结构直接用于指导机械臂执行任务，允许通过可视化工具监控执行状态，确保任务按预定顺序进行，面对异常情况时能迅速作出反应。此方法显著提高了任务配置的效率与准确性，增强了机械臂系统的智能化水平。

本发明授权一种低代码机械臂任务配置解析方法在权利要求书中公布了：1.一种低代码机械臂任务配置解析方法，其特征在于，包括以下步骤：S1：读取由用户通过图形化界面和自然语言形式编写的低代码任务配置信息，所述配置信息通过基于语义理解和机器学习模型的解析引擎自动转换为标准化的YAML或JSON格式的文件，该文件采用树形拓扑结构来描述机械臂任务，每个节点代表一个状态模块；S2：通过语义分析模块识别语义单元，利用层级关系识别算法解析配置信息中的层级结构，识别节点之间的逻辑关联，确认状态模块的具体内容；S3：利用机器学习模型预测状态模块的行为模式，通过历史任务配置数据训练的机器学习模型预测每个状态模块的行为模式，根据历史数据，模型预测出‘抓取门板’的最优路径和速度，并通过递归或迭代的方式构建内部数据结构，将所述配置信息中的层级关系映射至满足树形拓扑结构的软件数据结构中，同时支持动态调整任务序列，以增强配置的灵活性；S4：在解析过程中，采用智能推荐系统检测节点的必要性和可选性，对于必要节点，确保存在且设置了相应的信息；对于可选节点，智能推荐系统根据上下文环境自动填充合理的默认值，确保解析过程的鲁棒性；S5：利用深度学习技术检测配置信息中的语法错误和逻辑错误，结合自然语言处理技术进行自动化的错误修正和提供修正建议，增强解析过程的可靠性；S6：完成解析后，将生成的内部数据结构传入执行逻辑，支持通过可视化工具实时监控任务执行状态，确保机械臂能够按照预定的顺序和依赖关系执行任务，遇到异常情况时通过智能决策系统快速响应并采取相应的处理措施；所述读取由用户通过图形化界面和自然语言形式编写的低代码任务配置信息具体的包括以下步骤：S1.1：启动自然语言处理模块，对用户输入的自然语言描述进行初步解析，提取出描述中的关键词汇“移动到”、“抓取”、“释放”动作指令及其参数，用于构建初步的任务意图模型；S1.2：利用语义理解模型，对提取出的关键词汇进行语义解析，理解词汇在特定上下文中的含义，将其映射到对应的机械臂动作上；所述语义理解模型对关键词汇描述不够精确的情况下，通过上下文推断关键词汇正确的含义；S1.3：将解析结果整合成标准化的YAML或JSON格式的文件，文件中的节点均包含了完整的状态模块信息，层级关系清晰明确，便于后续的解析引擎进行进一步处理；所述S3中机器学习模型具体的包括以下步骤：S3.11：收集整理历史任务配置数据，所述历史任务配置数据包括成功执行的任务配置和实际运行结果；通过历史任务配置数据形成机械臂任务行为模式的数据集，作为训练机器学习模型的基础；S3.12：通过监督学习方法训练机器学习模型；所述机器学习模型输入为状态模块的描述信息，输出为预测的行为模式；所述训练过程中，模型学习到不同配置信息与实际行为模式之间的映射关系，根据输入的状态模块的描述信息，预测出预测的行为模式；S3.13：在解析过程中，将状态模块的描述信息输入到训练好的机器学习模型中，机器学习模型根据经验和规律，预测状态模块的行为模式，并转换为内部数据结构的一部分。

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云南自由贸易试验区苇航智能科技有限责任公司，其通讯地址为：650500 云南省昆明市呈贡县洛羊街道办事处云南海归创业园1幢438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”。