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！

龙图腾网获悉哈尔滨理工大学;常州铭赛机器人科技股份有限公司申请的专利基于Transformer模型的端到端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：CN120125625B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510189406.7，技术领域涉及：G06T7/33；该发明授权基于Transformer模型的端到端点云配准方法及系统是由李东洁;吴越;李长峰;陈辉;曲东升;邓立为;于智龙;张富越;梁雨;宋翟设计研发完成，并于2025-02-20向国家知识产权局提交的专利申请。

本基于Transformer模型的端到端点云配准方法及系统在说明书摘要公布了：基于Transformer模型的端到端点云配准方法及系统，涉及工业3D视觉技术领域，针对现有技术在低重叠率下配准的准确率低的问题，本申请采用重采样点卷积网络ResampleKPConv作为主干，提高了模型在低重叠率下配准的性能。并且设计了一个可以融合增强相邻点的邻域信息的GNF特征融合模块，它位于瓶颈层，能增强网络在面对稀疏和噪声数据时的鲁棒性。最后本申请利用8层TransformerEncoder网络将源点云和目标点云的信息进行更加深度的交互，从而能够获得更加准确的条件特征，最后根据简单的Mlp输出就可以提高点云配准在低重叠率下的精度，并可以有效减小随机旋转误差和平移误差。

本发明授权基于Transformer模型的端到端点云配准方法及系统在权利要求书中公布了：1.基于Transformer模型的端到端点云配准方法，其特征在于包括以下步骤： 步骤一：针对源关键点0xi和目标关键点0yi分别进行深层次特征提取，得到源无条件特征和目标无条件特征； 步骤二：将源关键点0xi、目标关键点0yi、源无条件特征和目标无条件特征输入GNF特征融合模块，得到融合后的特征； 所述GNF特征融合模块具体执行如下步骤： 步骤二一：利用K-NN分别对源关键点0xi和目标关键点0yi进行处理，并将处理后得到的结果分别与源关键点0xi和目标关键点0yi进行拼接后，依次经过归一化、降维、激活函数以及最大池化处理，得到第一阶段源特征描述1xi和第一阶段目标特征描述1yi，1xi和1yi分别表示为： 其中，hθ表示归一化、降维和激活函数处理，max表示最大池化处理，cat表示拼接操作，设置xi∈Rb表示的是源点云超点集合的特征编码，b表示特征矩阵的维度，i,j∈ε表示源点云超点集合和目标点云超点集合之间的图边信息； 步骤二二：利用K-NN分别对第一阶段源特征描述1xi和第一阶段目标特征描述1yi进行处理，并将处理后得到的结果分别与第一阶段源特征描述1xi和第一阶段目标特征描述1yi进行拼接后，依次经过归一化、降维、激活函数以及最大池化处理，得到第二阶段源特征描述2xi和第二阶段目标特征描述2yi，2xi和2yi分别表示为： 步骤二三：利用多头注意力机制对第二阶段源特征描述2xi和第二阶段目标特征描述2yi进行增强，得到增强特征xiGNF和增强特征yiGNF，xiGNF和yiGNF分别表示为： xiGNF＝2xi+MLP[catSi,vi] yiGNF＝2yi+MLP[catSi,vi] 其中，MLP表示降维，Si和ai表示中间变量，b表示head的数值，表示可学习的权重矩阵，qi表示Query，ki表示Key，vi表示Value； 步骤二四：对xiGNF和yiGNF分别进行归一化和激活函数处理，得到增强特征xi'和增强特征yi'，xi'和yi'分别表示为： xi'＝wθxiGNF yi'＝wθyiGNF 其中，wθ表示归一化和激活函数； 步骤二五：将xi'和yi'进行拼接，得到全连接特征表示为： 步骤二六：将源无条件特征和目标无条件特征进行拼接，得到全连接特征F，F表示为： 步骤二七：将和F进行融合，得到最终融合后的特征表示为： 其中，Sθ表示拆分函数，add表示按照矩阵维度相加； 步骤三：将融合后的特征源关键点和目标关键点在TransformerEncoder中进行交叉编码后，通过三层Mlp网络得到输出的点云刚性变换矩阵和预测的对应位置坐标。

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哈尔滨理工大学;常州铭赛机器人科技股份有限公司，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52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。