**对比文件名称**：US2017217390A1_Description_20251229_2131
**目标专利名称**：交通工具进入检测
**本次调用的模型名称**：DeepSeek-R1
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：一种用于事件状态检测的方法**<br>**判断结果：隐含公开 (a)** | [0017] The method of sensor module operation includes: operating a stand-alone sensor module in a mid-power mode in response to determining a driving state predictive of a driving event (e.g., prediction of a first trigger event); operating the sensor module in a high-power mode in response to occurrence of the first trigger event (e.g., receipt of a first trigger); and operating the sensor module in a low-power mode in response to occurrence of a second trigger event. | 对比文件公开了一种车辆传感器模块的操作方法，该方法包括：响应于确定预测驾驶事件的驾驶状态，操作传感器模块进入中功率模式；响应于第一触发事件的发生，操作传感器模块进入高功率模式；以及响应于第二触发事件的发生，操作传感器模块进入低功率模式。该方法本质上是一种基于传感器信号和状态预测来检测和响应特定事件（如倒车事件）的方法。虽然其应用场景（车辆电源管理、辅助驾驶）与目标专利（用户进入交通工具检测）不同，但作为一项“用于事件状态检测的方法”，其方法框架（接收信号、判断状态、触发响应）是相同或实质相同的。因此，对于本领域技术人员而言，可以从对比文件中确定存在一种“用于事件状态检测的方法”，该技术特征被隐含公开。 |
| **技术特征B：在计算设备处接收多个传感器信号**<br>**判断结果：直接公开 (B)** | [0025] The sensor module of the system functions to sample sensor measurements indicative of the vehicle environment and/or vehicle operation... The sensor module can include a set of sensors (e.g., one or more sensors), a processing module (processing unit), a communication module, and a power storage system. [0032] Examples of sensors that can be included in the set of sensors include: cameras... temperature sensors, pressure sensors, proximity sensors... light sensors, audio sensors (e.g., microphones), accelerometers, gyroscopes, IMUs, or any other suitable set of sensors. | 对比文件直接且明确地公开了传感器模块包含一组传感器，用于对车辆环境和/或车辆操作进行采样测量。该模块包含处理模块（即计算设备），用于接收和处理来自这些多个传感器的信号。例如，列举的传感器包括摄像头、温度传感器、音频传感器（麦克风）、加速度计、陀螺仪等。这直接对应于在计算设备处接收来自多个传感器的信号。该特征在对比文件中用于感知车辆状态以进行电源管理，与目标专利中用于检测用户动作的作用虽然具体目的不同，但“接收多个传感器信号”这一基础步骤是相同的。 |
| **技术特征C：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率**<br>**判断结果：未公开** | [0048] The driving event can be predicted probabilistically (e.g., wherein the probability of a reverse event occurring is determined, given combination of factor values), deterministically... or determined in any other suitable manner. The factor combinations to be considered, probability determination algorithms, score calculation algorithms, factor weights, and/or any other suitable prediction variable can be received from a user, learned and iteratively updated (e.g., using machine learning techniques), or otherwise determined. | 对比文件提到了可以概率性地预测驾驶事件（如倒车事件），并且提到概率确定算法、因子权重等可以通过机器学习技术学习和迭代更新。这暗示了可能使用某种学习模型。然而，对比文件并未明确、具体地公开使用“人工神经网络”这一特定模型来“针对多个时间区间中的每个时间区间确定子事件状态的概率”。其预测的对象是宏观的“驾驶事件”（如倒车），而非目标专利中更细粒度的“子事件状态”（如步行、停止、开门等）序列。虽然“机器学习技术”是一个宽泛的上位概念，可能涵盖神经网络，但本领域技术人员无法从对比文件中确定必然使用了“人工神经网络”，更无法确定其以“针对多个时间区间”的方式来确定“子事件状态”的概率。该特征未被公开。 |
| **技术特征D：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态**<br>**判断结果：未公开** | [0017] ...operating the sensor module in a high-power mode in response to occurrence of the first trigger event (e.g., receipt of a first trigger)... [0055] Operating the sensor module in a high-power mode S200 functions to confer new capabilities upon the old vehicle. S200 is preferably performed in response to receiving a trigger S220 (e.g., detecting an occurrence of a trigger event)... | 对比文件公开了基于触发事件（如检测到倒车档位选择）来检测事件（如倒车事件）并作出响应（切换至高功率模式）。然而，这种检测是基于直接的信号或状态判断（如来自车辆总线的档位信号），而非基于如目标专利所述的“子事件状态的概率”并通过“状态序列模型”（如隐马尔可夫模型）来推导出最终的事件状态。对比文件未公开“状态序列模型”这一特定技术手段。因此，该特征未被公开。 |
| **技术特征E：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。**<br>**判断结果：未公开** | (参见对特征C和D的分析) | 该特征依赖于特征C（确定子事件状态概率）和特征D（使用状态序列模型）。由于对比文件既未公开使用人工神经网络确定子事件状态的概率，也未公开使用状态序列模型，因此更不可能公开“基于对所述概率的确定来检测所述子事件状态的序列”这一具体操作。该特征未被公开。 |
| **技术特征F：检测所述事件状态包括检测用户进入交通工具。**<br>**判断结果：未公开** | [0045] In one variation of Block S120, the driving state can be user presence. In a first example of this variation, the driving state can be determined when a hub and/or sensor module accelerometer and/or microphone provides signals indicative of user presence (e.g., car door slam, user‘s voice above a certain acoustic level, etc.). | 对比文件提到了可以检测“用户存在”（user presence）作为驾驶状态，例如通过加速度计或麦克风检测到关门声或用户声音。这类似于检测用户接近或进入车辆的一个瞬间动作。然而，目标专利的“检测用户进入交通工具”是一个更复杂、包含多个子事件（如步行、停止、开门、坐下、关门）的完整过程或事件状态。对比文件仅提及检测表明用户存在的单一信号，并未公开检测一个完整的“进入”事件序列或状态。因此，该特征未被公开。 |
| **技术特征G：所述多个传感器信号包括音频信号和至少一个运动传感器信号。**<br>**判断结果：直接公开 (G)** | [0032] Examples of sensors that can be included in the set of sensors include: ... audio sensors (e.g., microphones), accelerometers, gyroscopes, IMUs... | 对比文件在列举传感器类型时，明确包括了音频传感器（例如麦克风）和运动传感器（例如加速度计、陀螺仪、IMU）。这直接公开了传感器信号包括音频信号和至少一种运动传感器信号。该特征在对比文件中用于检测用户存在、车辆运动等，与目标专利中用于融合判断用户动作的作用虽最终目的不同，但信号类型相同。 |
| **技术特征H：所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。**<br>**判断结果：直接公开 (H)** | [0032] Examples of sensors that can be included in the set of sensors include: ... accelerometers, gyroscopes, IMUs... | 对比文件明确列举了加速度计（accelerometers）和陀螺仪（gyroscopes）作为运动传感器的例子。IMU（惯性测量单元）通常包含加速度计和陀螺仪，可能还包含磁力计。这直接公开了运动传感器信号包括加速度计和/或陀螺仪信号。虽然磁力计未被明确列出，但“至少一者”的要求已被满足。 |
| **技术特征I：所述多个传感器信号包括运动传感器信号。**<br>**判断结果：直接公开 (I)** | [0032] Examples of sensors that can be included in the set of sensors include: ... accelerometers, gyroscopes, IMUs... | 如对特征G和H的论述，对比文件直接公开了传感器集合中包含运动传感器（如加速度计、陀螺仪），因此必然包括运动传感器信号。 |
| **技术特征J：所述多个传感器信号包括音频信号。**<br>**判断结果：直接公开 (J)** | [0032] Examples of sensors that can be included in the set of sensors include: ... audio sensors (e.g., microphones)... | 对比文件明确列举了音频传感器（例如麦克风），因此必然包括音频信号。 |
| **技术特征K：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。**<br>**判断结果：未公开** | (参见对特征C的分析) | 对比文件未提及使用“卷积神经网络（CNN）”来确定状态概率，也未提及使用“深度神经网络（DNN）”来融合概率。其关于概率预测和机器学习的描述是笼统的，并未具体公开CNN和DNN这两种特定的神经网络架构及其在信号处理和概率融合中的具体应用方式。该特征未被公开。 |
| **技术特征L：所述CNN包括三个神经网络层。**<br>**判断结果：未公开** | 无对应内容 | 由于特征K（CNN）未被公开，其具体层数结构更无从谈起。该特征未被公开。 |
| **技术特征M：所述DNN包括单个神经网络层。**<br>**判断结果：未公开** | 无对应内容 | 由于特征K（DNN）未被公开，其具体层数结构更无从谈起。该特征未被公开。 |
| **技术特征N：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。**<br>**判断结果：未公开** | 无对应内容 | 对比文件未提及“状态序列模型”，更未具体公开“隐马尔科夫模型（HMM）”或“隐半马尔科夫模型（HSMM）”这两种特定模型。该特征未被公开。 |
| **技术特征O：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。**<br>**判断结果：未公开** | [0072] Returning the sensor module to operation in the mid-power mode S400... In one example, the sensor module is returned to the ready mode in response to the reverse event ending... | 对比文件提到了事件（如倒车事件）有开始和结束，这隐含了事件具有时间跨度或历时。然而，目标专利强调基于“子事件状态的序列”和“每个子事件状态的历时”来检测最终事件状态，这是一个更精细的、基于时间序列模型的分析过程。对比文件仅描述了基于单一触发事件的开始和结束进行状态切换，并未公开对多个子事件构成的序列及其各自历时进行分析以检测上层事件状态的技术手段。该特征未被公开。 |
| **技术特征P：所述子事件状态的序列包括含15个子事件状态的序列。**<br>**判断结果：未公开** | 无对应内容 | 对比文件未提及任何关于“15个子事件状态”的具体数量信息。该特征未被公开。 |
| **技术特征Q：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。**<br>**判断结果：未公开** | [0048] ...operating the sensor module in the mid-power mode when a threshold probability (e.g., a predetermined threshold probability...) is less than the probability of the driving event occurring... | 对比文件提到了使用“阈值概率”来判断是否预测到驾驶事件，并据此操作传感器模块。这涉及概率与阈值的比较，可类比为一种“置信水平”的判断。然而，对比文件中的“概率”是针对宏观驾驶事件（如倒车）的预测概率，并非目标专利中通过“状态序列模型”对最终事件状态输出的“置信水平”。且对比文件未公开“状态序列模型”。因此，该特征未被公开。 |
| **技术特征R：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。**<br>**判断结果：隐含公开 (r)** | [0033] The processing module of the sensor module preferably functions to process the sensor measurements... [0067] Generating the information set based on the data set S320 and/or modifying the data set can include: removing a portion of the data set; determining a visual, auditory, or other user-perceptible representation of the data set; summarizing the data set; incorporating additional information... altering all or a portion of one or more of the images... | 对比文件公开了处理传感器测量值，并基于数据集合成信息集。处理过程包括移除部分数据、确定数据的表示形式、总结数据、修改图像等。这些操作（如图像修改、数据总结）在本领域中可以理解为一种“特征提取”过程，即从原始传感器数据中提炼出更有用的信息。虽然对比文件未明确使用“特征提取”一词，但对于本领域技术人员而言，为了进行后续的事件预测或信息生成，从原始传感器信号中提取表征其特性的信息（即特征）是常规且必要的技术步骤。因此，该技术特征被隐含公开。 |
| **技术特征S：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。**<br>**判断结果：直接公开 (S)** | [0042] Examples of user devices include smartphones, tablets, laptops, smartwatches (e.g., wearables), vehicle navigation and/or media systems, or any other suitable user device. [0045] ...the driving state can be determined when a user presence is detected (e.g., when the user device connects to the hub or vehicle, etc.). | 对比文件明确将智能手机、智能手表（即可穿戴设备）等列为“用户设备”的示例。并且，用户设备的状态（如连接状态、传感器测量值）被用作确定驾驶状态的依据。这意味着用户设备（即可穿戴或移动设备）的传感器信号可以被系统接收和处理。因此，该特征被直接公开。 |
| **技术特征T：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。**<br>**判断结果：隐含公开 (t)** | [0044] Determining the driving state S120 can be based on sensor data... The data used to determine the driving state can be collected or sampled by the sensor module; the control center; the vehicle; the user device;... | 对比文件描述了用于确定驾驶状态的数据可以来自传感器模块、控制中心、车辆、用户设备等多个源。为了基于这些多源数据进行一致的分析和预测，本领域技术人员必然需要对这些来自不同设备、可能具有不同时间戳的传感器信号进行时间同步，以确保数据在时间上对齐。这是多传感器数据融合领域的公知常识和基础步骤。虽然对比文件未明确描述“时间同步”这一具体操作，但其技术方案必然以时间同步的数据为前提。因此，该特征被隐含公开。 |
| **技术特征U：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。**<br>**判断结果：未公开** | 无对应内容 | 对比文件未提及对传感器信号进行“重采样”以统一采样率的操作。时间同步不一定涉及改变原始信号的采样率，可以通过时间戳对齐来实现。而“重采样”是一个特定的信号处理步骤，用于将不同采样率的信号转换到同一采样率。本领域技术人员无法从对比文件中确定这一技术手段。该特征未被公开。 |
| **技术特征V：基于对所述事件状态的检测来执行动作。**<br>**判断结果：直接公开 (V)** | [0017] ...operating the sensor module in a high-power mode in response to occurrence of the first trigger event... [0064] The method can additionally include transmitting an information set based on the data set to a user device S300, which functions to deliver information determined by the vehicle sensor system to the user device. | 对比文件明确公开了在检测到触发事件（即事件状态）后，执行相应的动作，例如将传感器模块切换到高功率模式，或者向用户设备传输基于数据集的信息集。这直接对应于“基于对事件状态的检测来执行动作”。 |
| **技术特征W：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。**<br>**判断结果：直接公开 (W)** | [0064] ...transmitting an information set based on the data set to a user device S300, which functions to deliver information determined by the vehicle sensor system to the user device. [0067] ...controlling the user device to provide information to the user S340. The information provided to the user is preferably information based on the information set... | 对比文件公开了向用户设备传输信息集，并控制用户设备向用户提供信息。这直接对应于“为用户显示信息”。虽然未明确提及“激活导航系统”或“向交通工具传送指示”，但“执行动作包括以下至少一者”的要求已被满足（“为用户显示信息”）。因此，该特征被直接公开。 |
| **技术特征X：所述多个传感器信号包括至少两种不同类型的传感器信号。**<br>**判断结果：直接公开 (X)** | [0032] Examples of sensors that can be included in the set of sensors include: cameras (e.g., stereoscopic cameras...), temperature sensors, pressure sensors, proximity sensors..., light sensors, audio sensors (e.g., microphones), accelerometers, gyroscopes, IMUs... | 对比文件列举的传感器类型多样，明确包括视觉传感器（摄像头）、音频传感器（麦克风）、运动传感器（加速度计、陀螺仪）等截然不同的类型。这直接公开了传感器信号包括至少两种不同类型的传感器信号。 |
<<<B>>><<<G>>><<<H>>><<<I>>><<<J>>><<<S>>><<<V>>><<<W>>><<<X>>><<<a>>><<<r>>><<<t>>>