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！

龙图腾网获悉湖南大学申请的专利基于不变且独特特征的鲁棒点云配准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：CN119540306B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411603267.X，技术领域涉及：G06T7/33；该发明授权基于不变且独特特征的鲁棒点云配准方法及系统是由余洪山;程攀飞;刘常翔;罗堪;邹艳梅;王静文设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本基于不变且独特特征的鲁棒点云配准方法及系统在说明书摘要公布了：本发明公开了一种基于不变且独特特征的鲁棒点云配准方法及系统，利用深度学习技术构造一个可以训练的特征提取与匹配模型，采用本发明提出的特征提取模块可以帮助网络高效学习局部特征且重点关注周围具有分辨性的标志性特征，从而提高特征匹配准确性和点云配准精度。本发明技术方案可以实现室内外低重叠场景下的高精度配准，具有精度高、鲁棒性强，适用于室内外多种场景等优点。

本发明授权基于不变且独特特征的鲁棒点云配准方法及系统在权利要求书中公布了：1.一种基于不变且独特特征的鲁棒点云配准方法，其特征在于，包括： 步骤1：构造RID-Net模型； 所述RID-Net模型包括相连的特征提取器以及由粗到细的点匹配器，所述特征提取器包括4个AMR模块、全局Transformer模块和4个特征前向传播模块； 4个AMR模块依次相连，最后一个AMR模块与全局Transformer模块相连，每个AMR模块与一个特征前向传播模块进行残差连接，4个特征前向传播模块反向依次相连，第一个特征前向传播模块的输入端和由粗到细的点匹配器的输入端均与全局Transformer模块的输出端与相连，最后一个特征前向传播模块及全局Transformer模块的输出端与由粗到细的点匹配器的输入端相连； 所述AMR模块包括依次相连的Abstract层、基于局部旋转不变位置编码增强的MLP模块以及环形注意力模块； 步骤2：模型训练； 获取某一场景的多对点云数据和对应的相对位姿真值作为训练数据，其中相对位姿真值化为超点匹配关系和稠密点匹配关系；依次将每对点云数据输入构造的RID-Net模型，将RID-Net模型预测得到的每对点云的超点的匹配关系和稠密点的匹配关系，以匹配损失收敛时，得到训练好的RID-Net模型参数； 步骤3：模型配准； 将采集的点云数据输入到训练好的RID-Net模型中，预测两帧点云对应的超点匹配关系和稠密点匹配关系，基于得到的匹配关系通过鲁棒的位姿估计器求解得两帧点云的相对位姿，再将源点云数据通过相对位姿转换到目标点云坐标系下完成配准； 所述基于局部旋转不变位置编码增强的MLP模块具体工作过程如下： 步骤A1：获取每个点的局部邻域点坐标及聚合特征； 每个点的初始特征设为1，每个点的聚合特征是经过Abstract层聚合初始特征得到； 步骤A2：计算每个点的垂直于点的法线的参考轴； 其中，表示在第l层AMR模块上处理的第i个点，Kl表示第l层AMR模块采用的邻域点数，kl表示第l层第kl个邻域点，表示由点指向的向量，表示的第kl个邻域点，表示的邻域点集合，是计算得到的垂直于点法线的向量，r设置为离最远的邻域点的距离，是最终加权获得的第l层垂直于法线的参考轴；每个点的法线记为 步骤A3：基于参考轴和法线，构建每个点和邻域点的高维旋转不变位置编码； 其中，HRIPE表示高维旋转不变位置编码操作，rpe表示旋转不变位置表示；表示点和之间的高维旋转不变位置编码，表示输入的特征维度为5，第l个AMR模块输出的特征维度为Cl的线性层操作，Norm表示归一化操作，表示输入的特征维度为Cl，第l个AMR模块输出的特征维度为Cl的线性层操作； 步骤A4：将每个点的所有邻域点的高维旋转不变位置编码与每个点经过Abstract层降采样且聚合后的采样点特征相加后的前14的通道进行线性变换； 步骤A5：将步骤A4经过线性变换后的结果，采用最大池化层进行特征聚合，再接着采用两个线性层学习更深层的特征； 步骤A6：将步骤A5得到的特征与Abstract层聚合得到的特征进行残差连接，得到更新后的特征，以缓解梯度消失。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路2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”。