**对比文件名称**：US11906625B2_Description_20251231_2026
**目标专利名称**：用于车辆的消息广播
**本次调用的模型名称**：DeepSeek
### **特征比对表格**
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：一种控制车辆的方法，包括：<br>**公开性判断**：**直接公开** | [0016] “A computer-implemented method includes: receiving, by a processing device and from one or more sensors positioned on a vehicle, data indicative of a detected object in an area at least partially surrounding the vehicle; fusing, by the processing device, object proposals of the detected object identified from the received data to form a fused object proposal such that the fused object proposal is representative of the detected object; generating, by the processing device, a track of the detected object, where the track is based on the fused object proposal and updated received data indicative of the detected object; determining, by the processing device, a maneuver class of the detected object, the maneuver class indicative of motion of the detected object and based on the generated track; determining, by the processing device, a plurality of future trajectories for the detected object, the plurality of future trajectories based on the generated track and at least one of a motion model and/or a probabilistic model; and determining, by the processing device, an expected future trajectory of the detected object based on the corresponding maneuver class and the plurality of future trajectories.”<br>**（中文翻译）** 一种计算机实现的方法包括：由处理设备接收来自设置在车辆上的一个或多个传感器的数据，该数据指示在车辆至少部分周围区域中的被检测对象；由处理设备融合从所接收数据中识别的被检测对象的目标提议，以形成融合的目标提议，使得该融合的目标提议代表被检测对象；由处理设备生成被检测对象的轨迹，其中该轨迹基于融合的目标提议和指示被检测对象的更新接收数据；由处理设备确定被检测对象的机动类别，该机动类别指示被检测对象的运动并基于所生成的轨迹；由处理设备确定被检测对象的多个未来轨迹，该多个未来轨迹基于所生成的轨迹以及运动模型和/或概率模型中的至少一个；以及由处理设备基于相应的机动类别和该多个未来轨迹来确定被检测对象的预期未来轨迹。 | 对比文件明确公开了一种计算机实现的“方法”（见段落[0016]），该方法由车辆上的处理设备执行，旨在通过处理传感器数据来跟踪周围对象并预测其运动。这直接对应于目标专利权利要求中的“一种控制车辆的方法”。在对比文件中，该方法用于控制车辆（例如自主或半自主车辆）的感知、跟踪和预测系统，以辅助导航和决策，这与目标专利中“控制车辆”这一上位概念在整体技术方案中的作用（即用于车辆操作和控制）是相同的。因此，技术特征A被直接公开。 |
| **技术特征B**：接收包括用于发送车辆的运动规划的意图消息，<br>**公开性判断**：**未公开** | 对比文件未提及从其他车辆接收包含“运动规划”的“意图消息”。其接收的是来自本车传感器（如相机、LiDAR）的感知数据（见[0016], [0010], [0040]），用于检测和跟踪周围的物体。 | 目标专利的特征B强调接收来自“发送车辆”的、包含该发送车辆自身“运动规划”的“意图消息”，这是一种主动的、V2X（车对万物）通信。对比文件描述的系统是基于本车传感器被动感知环境，并推断周围车辆的运动（轨迹、机动类别），而非接收由其他车辆主动广播的、包含其自身规划的消息。两者在信息来源（主动广播 vs 被动感知）和内容性质（规划意图 vs 推断轨迹）上存在本质区别，因此对比文件既未直接公开也未隐含公开特征B。 |
| **技术特征C**：其中，所述运动规划包括所述发送车辆的轨迹以及与所述发送车辆相关联的一个或多个车辆描述符，并且其中，所述一个或多个车辆描述符包括车辆物理能力，其中，所述车辆物理能力包括转弯半径、车辆最高速度和车辆最大加速度中的至少一项；<br>**公开性判断**：**未公开** | 对比文件虽然提及“轨迹”（track, future trajectory）和“机动类别”（maneuver class），但未提及这些信息作为“车辆描述符”包含在从其他车辆接收的“运动规划”中。对比文件通过传感器数据处理和模型推断得到这些信息（见[0016], [0110]-[0112], [0120]）。 | 特征C限定了“运动规划”的具体内容，包括“轨迹”和“车辆描述符”（如车辆物理能力）。对比文件确实能够通过传感器（如LiDAR）估计车辆尺寸（见[0052]）并通过模型（如运动模型）推断其运动能力（如加速度、速度），但这些信息是本车系统“计算”或“推断”出来的，而非作为“描述符”从外部“接收”的。更重要的是，特征C与特征B紧密关联，是接收到的“意图消息”的内容组成部分。由于特征B未被公开，作为其组成部分的特征C自然也无从谈起。因此，对比文件未公开特征C。 |
| **技术特征D**：对所述意图消息进行解析以识别用于所述发送车辆的所述运动规划；<br>**公开性判断**：**未公开** | 无相关引用。对比文件描述的是对传感器数据进行“融合”（fusing）、“生成”轨迹（generating a track）、“确定”机动类别和未来轨迹（determining），而非对接收到的外部消息进行“解析”。 | 特征D的操作对象是“意图消息”，目的是从中“识别”运动规划。由于对比文件未公开“接收意图消息”（特征B），因此也就不存在后续“解析意图消息”以识别其中运动规划的技术特征。两者技术手段完全不同。 |
| **技术特征E**：以及至少部分地基于所述运动规划来控制所述车辆，包括：至少部分地基于由所述车辆物理能力限制的所述发送车辆的车辆行为模型，来设置针对所述发送车辆的行为预测。<br>**公开性判断**：**隐含公开 (e)** | [0016] “determining, by the processing device, an expected future trajectory of the detected object based on the corresponding maneuver class and the plurality of future trajectories.”<br>[0110] “Constant acceleration (CA): The constant acceleration model maintains estimates of the vehicle position, velocity, and acceleration under the constant acceleration assumption using a Kalman filter. The CA model can be useful for describing freeway motion especially in dense traffic.”<br>[0112] “Constant turn rate and velocity (CTRV): The constant turn rate and velocity model maintains estimates of the vehicle position, orientation, and velocity magnitude under the constant yaw rate and velocity assumption.”<br>[0052] “The vehicle dimensions are calculated based on the extent of the LiDAR points along a given side of the vehicle, and stored for each track separately for later use.”<br>**（中文翻译）** [0016] “由处理设备基于相应的机动类别和该多个未来轨迹来确定被检测对象的预期未来轨迹。” [0110] “恒定加速度（CA）：恒定加速度模型使用卡尔曼滤波器在恒定加速度假设下维护车辆位置、速度和加速度的估计。CA模型可用于描述高速公路运动，尤其是在密集交通中。” [0112] “恒定转弯率和速度（CTRV）：恒定转弯率和速度模型在恒定偏航率和速度假设下维护车辆位置、方向和速度大小的估计。” [0052] “车辆尺寸基于LiDAR点沿车辆给定侧的范围计算，并针对每个轨迹单独存储以供后续使用。” | 特征E的核心是“基于运动规划来控制车辆”，具体方式是利用包含车辆物理能力的模型来“设置行为预测”。对比文件虽然不接收外部的“运动规划”，但其整体技术方案的目的正是“控制车辆”（如辅助驾驶或自动驾驶），具体方式是通过传感器数据建立周围车辆的“轨迹”（track）和“预期未来轨迹”（expected future trajectory），这实质上就是一种“行为预测”。在建立预测时，对比文件明确使用了多种“运动模型”（motion model），如CA模型（涉及加速度）、CTRV模型（涉及转弯率），这些模型内在包含了车辆物理能力的假设（如最大加速度、转弯能力）。同时，系统会计算并存储被跟踪车辆的尺寸（见[0052]），这也可视为一种物理能力信息，可能用于约束预测。虽然对比文件的信息来源是感知推断而非外部接收，但其“基于包含物理能力假设的模型来设置对周围车辆的行为（轨迹）预测，并用于控制本车”这一技术构思与特征E是相通的，作用都是为了更准确地预测他车行为以指导本车控制。因此，本领域技术人员可以从对比文件的内容中合理推断出特征E的技术内容，故认为特征E被隐含公开。 |
| **技术特征F**：根据权利要求1所述的方法，其中，所述一个或多个车辆描述符进一步包括传感器可感知属性。<br>**公开性判断**：**隐含公开 (f)** | [0052] “The vehicle dimensions are calculated based on the extent of the LiDAR points along a given side of the vehicle, and stored for each track separately for later use.”<br>[0040] “To effectively utilize all available sensors, an early fusion or reconciliation of object proposals obtained from each sensor is determined.”<br>**（中文翻译）** [0052] “车辆尺寸基于LiDAR点沿车辆给定侧的范围计算，并针对每个轨迹单独存储以供后续使用。” [0040] “为了有效利用所有可用传感器，确定了从每个传感器获得的目标提议的早期融合或协调。” | 特征F限定车辆描述符还包括“传感器可感知属性”。对比文件中，系统通过传感器（如相机、LiDAR）感知周围车辆，并计算其“尺寸”（dimensions），如[0052]所述。车辆的尺寸（如长、宽、高）是典型的可以通过视觉或激光雷达传感器直接感知的物理属性。虽然对比文件未明确将其称为“传感器可感知属性”或作为“描述符”的一部分，但本领域技术人员能够理解，通过传感器获取并用于后续跟踪和预测的车辆尺寸信息，本质上就是“传感器可感知属性”。该信息在对比文件中的作用是辅助目标跟踪和关联（见[0040]融合提议），与目标专利中作为描述符用于车辆检测和关联的作用类似。因此，特征F被隐含公开。 |
| **技术特征G**：根据权利要求2所述的方法，其中，至少部分地基于所述运动规划来控制所述车辆包括：至少部分地基于所述运动规划来确定用于所述车辆的预期感兴趣区域；以及将检测算法应用于在所述预期感兴趣区域处的接收的传感器数据，以至少部分地基于所述传感器可感知属性来在所述接收的传感器数据中检测所述发送车辆。<br>**公开性判断**：**未公开** | 对比文件描述了使用传感器数据进行目标检测和跟踪，但未提及基于从其他车辆接收的“运动规划”来“确定预期感兴趣区域”。其检测和跟踪是基于当前传感器数据在全视野或通过算法（如MDP）确定的关注区域进行的（见[0038], [0070]）。 | 特征G限定了利用接收到的“运动规划”来缩小传感器检测的“预期感兴趣区域”，并基于此应用检测算法。这是一个具体的技术手段，旨在提高检测效率。对比文件的技术方案完全基于本车传感器对环境的全面感知和数据处理，没有引入外部规划信息来预先划定或聚焦特定的“感兴趣区域”以指导检测。两者在是否利用外部先验信息（运动规划）来优化感知流程上存在根本差异。因此，对比文件未公开特征G。 |
| **技术特征H**：至少部分地基于所接收的运动规划来选择所述检测算法。<br>**公开性判断**：**未公开** | 无相关引用。对比文件未提及根据外部信息“选择检测算法”。其检测算法（如车辆检测器）和跟踪算法（如MDP）可能是预设或基于学习得到的。 | 特征H是特征G的进一步限定，依赖于“所接收的运动规划”。由于对比文件未公开基于外部运动规划来指导检测（特征G未公开），因此这个更具体的“选择检测算法”的特征自然也未被公开。 |
| **技术特征I**：，至少部分地基于所述运动规划来控制所述车辆包括：至少部分地基于所述传感器可感知属性来将车辆检测传感器数据与所述发送车辆进行关联。<br>**公开性判断**：**隐含公开 (i)** | [0040] “To effectively utilize all available sensors, an early fusion or reconciliation of object proposals obtained from each sensor is determined.”<br>[0076]-[0079] 描述了在“lost state”进行数据关联（data association）时，使用包括目标外观、位置、尺寸（高度比）、与检测框重叠度等特征来计算相似度，以决定是否将检测与丢失的目标关联起来。<br>Table 1 列出了用于数据关联的特征，包括高度比（ϕ8, ϕ9）、重叠度（ϕ10）等。<br>**（中文翻译）** [0040] “为了有效利用所有可用传感器，确定了从每个传感器获得的目标提议的早期融合或协调。” | 特征I的核心是“基于传感器可感知属性进行传感器数据关联”。对比文件详细描述了多传感器数据融合（[0040]）以及在目标跟踪过程中进行“数据关联”（data association）的方法（[0076]-[0079]）。在进行关联时，系统使用了多种特征，其中就包括从传感器数据中提取的“传感器可感知属性”，例如车辆的“尺寸”（通过高度比ϕ8, ϕ9体现）和“外观”（通过归一化互相关系数ϕ6, ϕ7体现）。这些属性用于判断不同传感器检测或不同时间点的检测是否属于同一个车辆。这与目标专利中利用“传感器可感知属性”（如颜色、尺寸）来关联传感器数据与特定发送车辆的技术构思和作用是相同的，都是为了提高跟踪和关联的准确性。虽然对比文件没有明确说这些属性来自“发送车辆”的“运动规划”，但其利用传感器感知的属性进行数据关联的本质是相同的。因此，特征I被隐含公开。 |
| **技术特征J**：确定所述发送车辆的行为是否符合所述行为预测；以及响应于确定所述发送车辆的所述行为不符合所述行为预测，至少部分地基于所述车辆物理能力来更新所述行为预测。<br>**公开性判断**：**未公开** | 对比文件描述了使用多种模型（CV, CA, CTRV）预测轨迹，并通过IMM框架交互和加权（[0110]-[0112]），以及通过车辆交互模块（VIM）根据场景全局优化预测（[0116], [0124]-[0128]）。但未描述“确定行为是否符合预测”并“基于车辆物理能力更新预测”这一具体闭环反馈流程。 | 特征J描述了一个动态更新行为预测的特定控制逻辑：比较预测与实际行为，若不符，则利用车辆物理能力更新模型和预测。对比文件虽然使用包含物理能力假设的模型进行预测，并在VIM中考虑车辆间交互来调整预测结果，但其更新机制是基于多模型概率权重（IMM）或全局能量最小化（VIM），而非基于“预测-实际行为比较”这一特定触发条件和“利用物理能力更新”这一特定更新方式。特征J体现了一种更具体、更直接的反馈修正机制，对比文件没有公开这一机制。 |
| **技术特征K**：所述一个或多个车辆描述符进一步包括车辆位置属性。<br>**公开性判断**：**直接公开** | [0016] “generating, by the processing device, a track of the detected object, where the track is based on the fused object proposal and updated received data indicative of the detected object;”<br>[0068] “The last know global position and the currently tracked global position of the target is denoted as xG (t−1) and {circumflex over (x)}G (t), respectively.”<br>Table 1: “ϕ13 Lateral offset between last known global coordinate position of the target and that of the detection”, “ϕ14 Longitudinal offset between last known global coordinate position of the target and that of the detection”.<br>**（中文翻译）** [0016] “由处理设备生成被检测对象的轨迹，其中该轨迹基于融合的目标提议和指示被检测对象的更新接收数据；” [0068] “目标的最后已知全局位置和当前跟踪的全局位置分别表示为 xG (t−1) 和 {circumflex over (x)}G (t)。” 表1：“ϕ13 目标的最后已知全局坐标位置与检测的全局坐标位置之间的横向偏移”，“ϕ14 目标的最后已知全局坐标位置与检测的全局坐标位置之间的纵向偏移”。 | 特征K限定车辆描述符包括“车辆位置属性”。对比文件明确、直接地公开了车辆的位置信息：系统为每个被跟踪目标生成“轨迹”（track），该轨迹包含目标的位置序列（见[0016]）；明确提及“全局位置”（global position）（见[0068]）；并在数据关联特征中使用了“横向偏移”和“纵向偏移”（见表1），这些偏移量正是基于车辆的位置属性计算得出的。车辆的位置（坐标、偏移量）是典型的“车辆位置属性”。在对比文件中，这些位置属性用于目标跟踪、数据关联和运动预测，这与目标专利中位置属性的作用（如用于定位、比较）在技术方案的底层功能上是相似的。因此，技术特征K被直接公开。 |
| **技术特征L**：至少部分地基于所述运动规划来控制所述车辆包括：至少部分地基于所述车辆位置属性来确定所述发送车辆的位置；确定在所述车辆的位置与所述发送车辆的位置之间的比较是否指示误差；以及响应于确定在所述车辆的位置与所述发送车辆的位置之间的所述比较指示误差，来触发对所述车辆的位置的重新计算。<br>**公开性判断**：**未公开** | 对比文件利用本车传感器确定周围车辆的位置（见特征K论述），但未描述将本车位置与通过外部消息获得的他车位置属性进行比较，并根据比较误差触发对本车位置的重新计算。 | 特征L描述了一个利用外部车辆位置信息进行本车定位校准的具体方法。对比文件虽然也处理车辆位置信息，但其目的是跟踪他车和预测他车运动，而非用于校准本车自身的位置。整个技术方案中没有涉及“比较本车与他车位置”以及“触发重新计算本车位置”的流程。这与特征L要解决的技术问题（提高本车定位精度）和采用的技术手段均不相同。 |
| **技术特征M**：至少部分地基于所述运动规划来控制所述车辆包括：确定所述运动规划是否是不安全的；以及响应于确定所述运动规划是不安全的，来向所述发送车辆发送安全警告。<br>**公开性判断**：**未公开** | 对比文件描述了预测周围车辆的轨迹，并评估其可行性（[0016] “feasibility assessment”），以及通过车辆交互模块（VIM）考虑车辆间交互来优化预测（[0116]）。但未描述“确定接收到的运动规划是否不安全”并“向发送车辆发送安全警告”这一基于V2X通信的主动安全协作机制。 | 特征M描述了一种车辆间的协同安全机制：接收方评估发送方的运动规划安全性，并在认为不安全时向发送方反馈警告。对比文件的系统是内向的，专注于通过感知预测环境并优化本车行为。其“可行性评估”是针对预测轨迹在本车环境模型中的可行性，用于内部决策，而非用于判断外部输入的规划是否安全，更没有向规划来源车辆“发送安全警告”这一基于通信的反馈动作。因此，特征M未被公开。 |
<<<A>>><<<e>>><<<f>>><<<i>>><<<K>>>