CN120258037A 一种基于多源异构数据融合与动态建立知识图谱方法 （大连理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120258037A(43)申请公布日2025.07.04

(21)申请号202510308128.2

(22)申请日2025.03.17

(71)申请人大连理工大学

地址116024辽宁省大连市甘井子区凌工

路2号

GO6N

GO6N

3/0442(2023.01)

3/092(2023.01)

(72)发明人赵旭东张霄刘洋岳明

许锋德

(74)专利代理机构辽宁鸿文知识产权代理有限

公司21102专利代理师潘迅

(51)Int.CI.

GO6N3/008(2023.01)

GO6N5/022(2023.01)

GO6F18/21(2023.01)

GO6N5/04(2023.01)

权利要求书4页说明书10页附图4页

(54)发明名称

开始感知多源数据多源数据融合构建知识图谱

开始

感知多源数据

多源数据融合

构建知识图谱

是否重构

N

训练优化

结束

(57)摘要

CN120258037A一种基于多源异构数据融合与动态建立知识图谱方法，属于智能机器人系统领域。首先，进行多源异构数据融合，构建分布式卡尔曼滤波网络，分别针对不同传感器设计滤波器，实现数据时空对齐；采用改进D-S证据理论进行冲突检测与消解，通过置信度评估模型动态调整融合权重；其次，构建动态知识图谱，建立包含环境实体、时空关系、概率推理的三层图谱结构；设计事件触发式增量更新算法，当环境变化度超过阈值时启动局部重构，引入LSTM记忆网络来增强时序推理能力；最后，构建基于动态知识图谱的强化学习模型，设计多目标奖励函数，最后训练至模型收敛。本发明通过EKF/UKF组合滤波定位误差降低，通过冲突消解机制，降低多传感器数据空

CN120258037A

CN120258037A权利要求书1/4页

2

1.一种基于多源异构数据融合与动态建立知识图谱方法，其特征在于，所述方法首先，进行多源异构数据融合，构建分布式卡尔曼滤波网络，分别针对不同传感器设计滤波器，实现数据时空对齐；同时采用改进D-S证据理论进行冲突检测与消解，通过置信度评估模型动态调整融合权重；其次，构建动态知识图谱，建立包含环境实体、时空关系、概率推理的三层图谱结构；设计事件触发式增量更新算法，当环境变化度超过阈值时启动局部重构，并且引入LSTM记忆网络来增强时序推理能力；最后，构建基于动态知识图谱的强化学习模型，设计多目标奖励函数，最后训练至模型收敛。

2.根据权利要求1所述的一种基于多源异构数据融合与动态建立知识图谱方法，其特征在于，所述方法具体包括以下步骤：

步骤S1:多源异构数据融合；

步骤S1.1:将激光雷达、视觉传感器和IMU三种传感器安装在全向移动机器人上，分别获取激光雷达数据、视觉数据、IMU数据；

步骤S1.2:进行多源异构数据的时间同步，对不同传感器的时空基准进行统一；

步骤S1.3:对于视觉数据采用无迹卡尔曼滤波UKF,利用Sigma点采样保持旋转运动的非线性特性，得到六自由度的位姿估计；

所述无迹卡尔曼滤波UKF通过Sigma点采样传递非线性特性，视觉数据通过Sigma点传播，能够准确估计全向移动机器人旋转角速度；

步骤S1.4:提出一种改进的冲突消解机制：首先通过评估传感器数据的不确定性，动态调整两者在融合中的贡献权重，当IMU预测误差增大时自动增加视觉数据的影响，反之在视觉传感器受干扰时强化IMU数据的作用；

为了评估传感器数据的不确定性，定义置信度评估模型：

(4)

其中，C表示传感器i时刻的置信度；Acc;为传感器历史精度，可通过离线标定获得；Rel为设备可靠性系数，内部是基于故障率统计的；tde1ay为数据延迟时间；t=100ms为最大允许延迟；置信度受到三个因素的影响：分别是历史精度、设备健康度、数据延迟率；

步骤S2:动态知识图谱增量构建；

融合后的多源数据需转化为可推理的环境知识，包含实体关系、概率推理和历史记忆的三层图谱结构，并通过事件触发机制实现更新；具体如下：

步骤S2.1:构建实体关系；

定义动态知识图谱基础层表示实体关系，具体为：

G?=V,E,V={vIv?=(位置，类型，置信度)},E={e:;le=(距