对比文件名称：2015-10-28_CN103116354B_发明授权_CN103116354B 一种双足机器人实时步态轨迹生成方法
目标专利名称：208动态空间目标选择CN106796667B
本次调用的模型名称：GPT-4
根据对目标专利说明书和对比文件说明书的深入分析，现创建特征比对表格如下：
### 特征比对表格
| 技术特征描述与公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A《隐含公开》**<br>包括：将多个目标中的每个目标映射到目标地图中的不同位置， | 说明书第[0052]-[0057]段：“左腿脚掌轨迹的映射函数设计为：...式中，`PLx`和`PLz`分别为左腿脚掌轨迹在X轴方向和Z轴方向的位置信息...右腿脚掌轨迹的映射函数为：...式中，`PRx`和`PRz`分别为右腿脚掌轨迹在X轴方向和Z轴方向的位置信息...”。 | **隐含公开**：对比文件公开了将神经元振荡网络的输出信号（`r1`, `r2`, `r3`, `r4`）通过映射函数实时映射为双足机器人的脚掌轨迹位置（`PLx`, `PLz`, `PRx`, `PRz`）。这实质上是一种将抽象的神经信号（可视为“候选目标”的神经表示）映射到物理空间（机器人脚掌的运动轨迹位置）的过程。虽然对比文件映射的是“脚掌轨迹点”而非目标专利中用于选择的“空间目标”，但其“将神经活动映射到空间位置”的核心技术手段是相同的。本领域技术人员可以从对比文件的映射方法中合理推断出，类似的映射关系可用于将代表不同目标的神经活动映射到目标地图中的不同位置。 |
| **技术特征B《隐含公开》**<br>所述目标地图包括空间环境中相对于机器人设备的位置的多个位置， | 说明书第[0052]-[0057]段：“左腿脚掌轨迹的映射函数设计为：...右腿脚掌轨迹的映射函数为：...” 以及图4所示的脚掌轨迹。 | **隐含公开**：对比文件生成的脚掌轨迹（`PLx`, `PLz`, `PRx`, `PRz`）是相对于机器人身体（重心）坐标系的位置（参见图4，轨迹是机器人脚掌相对于其身体的运动路径）。这构成了一个基于机器人自身参考系的“空间环境”表示。虽然对比文件未明确使用“目标地图”这一术语，但其生成的轨迹点集合，本质上是机器人运动规划所关注的、相对于机器人自身的一系列空间位置。本领域技术人员可以理解，这种基于机器人相对位置的空间位置集合，在功能上等同于目标专利中“目标地图”所包含的“相对于机器人设备的位置的多个位置”。 |
| **技术特征C《直接公开》**<br>每个位置由所述人工神经网络中的神经元表示 | 说明书第[0044]-[0049]段：“振荡神经元单元的模型为：... `ri = -u{e}i + u{f}i` ... `ri`为第`i`个振荡单元的输出...” 以及第[0052]-[0057]段，通过映射函数将`r1`, `r2`, `r3`, `r4`映射为具体的位置坐标。 | **直接公开**：对比文件明确公开了由神经元振荡网络（一种人工神经网络）中的振荡单元（神经元）产生输出信号`ri`，并且这些输出信号`ri`通过映射函数直接决定了机器人脚掌在空间中的具体位置（如`PRx = Ax * r1 + X0`）。因此，每个输出位置（`PLx`, `PLz`等）都是由特定神经元（或神经元单元）的输出`ri`来“表示”或决定的。这与目标专利中“每个位置由神经元表示”的技术特征在手段和作用上完全相同。 |
| **技术特征D《隐含公开》**<br>以及通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动， | 说明书第[0003]、[0009]、[0067]-[0070]段：“建立反馈回路；通过机器人自身的传感器检测环境信息，由反馈控制器反馈至脚掌轨迹生成器和三维重心轨迹生成器，对脚掌轨迹和重心轨迹进行实时调节，得到具有环境适应性的步态轨迹。” “反馈信息能反映行走地面的状况和脚掌与地面的接触情况，将这一信息耦合到振荡神经元网络，进而在线调整机器人的重心轨迹发生器和脚掌轨迹发生器，可以得到具有环境适应性的步态轨迹。” | **隐含公开**：对比文件公开了通过反馈回路，根据传感器检测的环境信息（如地面状况、身体姿态、ZMP），动态调整（修改）神经元振荡网络的参数或输入（`Feed{e,f}`），从而实时改变生成的脚掌和重心轨迹。修改轨迹即修改了机器人的移动路径。虽然对比文件的目的在于生成稳定、适应环境的“步态轨迹”，而目标专利在于“修改目标选择函数”，但两者在更高层级的作用都是“动态地影响或决定机器人的移动方向或目标”。本领域技术人员可以从对比文件“通过反馈动态修改轨迹以引导机器人移动”的技术手段中，合理推断出类似的方法可以用于“动态修改目标选择函数以引导机器人偏向或偏离某个目标移动”。 |
| **技术特征E《直接公开》**<br>所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接， | 说明书第[0044]-[0049]段：“振荡神经元单元的模型为：... `wfe`为神经元的相互抑制系数... `wij`为神经元`j`与神经元`i`间的连接权重...”。 以及第[0050]段：“设置耦合权重矩阵`Wij = (wij)4×4 (wij = -1, (i≠j))`”。 | **直接公开**：对比文件明确公开了神经元模型中的“相互抑制系数`wfe`”和神经元之间的“连接权重`wij`”。通过设置这些权重（如`wij = -1`），实现了神经元之间的相互抑制连接。调整这些权重的大小和符号（正为激励，负为抑制），就是基于某种准则（如全抑制耦合）来“激励或抑制至神经元的连接”。这直接公开了“失衡量”基于准则（此处为全抑制耦合结构）来“抑制连接”的技术特征。虽然对比文件未明确提及“偏置准则”，但其设置的权重矩阵本身就是一种实现特定功能（全抑制）的准则。 |
| **技术特征F《未公开》**<br>所述神经元代表与所述候选目标相对应的位置。 | 对比文件未公开相关内容。 | **未公开**：在对比文件中，神经元振荡网络的输出`ri`代表的是机器人脚掌或重心的“轨迹点”，这些点是构成连续运动路径的中间点，其作用是描述机器人肢体或身体本身的运动，而非用于在多个离散的“候选目标”中进行选择。目标专利中的“神经元代表候选目标的位置”，其核心作用在于参与一个竞争性选择过程（胜者全得），以决定机器人下一步要前往的“目标”。两者虽然都关联位置，但所代表的位置在系统中的作用和目的有本质区别：一个是运动执行的点，一个是待选择的目标点。 |
| **技术特征G《未公开》**<br>其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。 | 对比文件未公开相关内容。 | **未公开**：对比文件公开的神经元振荡网络结构是振荡单元之间的直接全向耦合（参见图2、说明书第[0050]段），并未提及在每对连接之间存在“中间神经元”。其动态修改主要通过调整模型参数（如`Tr`, `Ta`, `wfe`, `β`）或反馈输入（`Feed{e,f}`）作用于神经元本身，而不是通过修改一个独立的中间神经元的可兴奋性或它与输入/输出神经元之间的突触权重。目标专利的这一特征涉及特定的网络架构（带中间神经元的侧向抑制）和修改机制，在对比文件中没有对应公开。 |
| **技术特征H《直接公开》**<br>其特征在于，所述动态地修改包括用外部输入来动态地修改。 | 说明书第[0044]-[0049]段：“`Feed{e,f}`为反馈输入信号。” 以及第[0067]-[0070]段：“建立反馈回路；通过机器人自身的传感器检测环境信息，由反馈控制器反馈至...生成器，对...轨迹进行实时调节。” | **直接公开**：对比文件明确且反复公开了通过“反馈输入信号`Feed{e,f}`”来动态修改神经元的行为，进而调整生成的轨迹。这个反馈信号来源于机器人外部的传感器（如加速度计、陀螺仪、压力传感器），是典型的外部输入。这与目标专利中“用外部输入来动态地修改”的技术特征在手段和作用上完全相同。 |
| **技术特征I《直接公开》**<br>其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。 | 说明书第[0084]-[0087]段参数优化部分，以及整体方法中通过调整模型参数（如`Tr`, `Ta`, `wfe`, `β`, `wij`, `s0`等）来改变网络输出和轨迹。 | **直接公开**：对比文件公开的整个方法核心在于优化和调整神经元振荡网络的参数。调整上升时间`Tr`、适应时间`Ta`、自抑制系数`β`、高层激励`s0`等，可以直接影响神经元的内在动态和可兴奋性。调整相互抑制系数`wfe`和连接权重`wij`，就是动态修改突触权重的功效。通过多目标进化算法优化这些参数，正是为了实现动态修改以获得期望的步态。这直接公开了所述技术特征。 |
| **技术特征J《直接公开》**<br>其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合的。 | 说明书第[0044]-[0049]段：“`wij`为神经元`j`与神经元`i`间的连接权重”。 `wfe`是神经元内部屈肌和伸肌之间的“相互抑制系数”，也可视为一种特殊的内部连接权重。`s0`作为高层激励输入，其强度也可视为一种输入权重。 | **直接公开**：对比文件明确公开了“神经元之间的连接权重`wij`”（即侧向连接），也公开了来自高层的激励信号`s0`（可视为一种输入）。因此，其涉及的权重覆盖了“神经元之间的连接”和“输入”。这直接公开了目标专利的技术特征。 |
| **技术特征K《未公开》**<br>其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。 | 对比文件未公开相关内容。 | **未公开**：对比文件中的反馈和调整是基于机器人行走的物理稳定性（身体姿态、ZMP）和地形适应性（坡面、阶梯），属于低层运动控制范畴。目标专利中列举的“回报的抑制”、“行为状态”、“所指派的任务”、“选择任务的事件”等，涉及更高层的认知决策、任务规划、学习和记忆等机制。这些概念在对比文件中完全没有被提及或暗示。两者决定“函数”（轨迹生成 vs. 目标选择）的依据在技术领域和复杂程度上存在显著差异。 |
| **技术特征L《未公开》**<br>其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。 | 对比文件未公开相关内容。 | **未公开**：对比文件仅描述了一个用于生成步态轨迹的神经元振荡网络系统。没有提及存在多个不同的任务，也没有提及不同的任务对应于不同的神经网络，或者网络有静态与动态之分。该特征在对比文件中完全没有依据。 |
| **技术特征M《直接公开》**<br>其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。 | 说明书第[0067]-[0070]段及图7：“通过机器人自身的传感器检测环境信息，由反馈控制器反馈至...生成器，对...轨迹进行实时调节。” 反馈控制是基于传感器输入（对系统的输入）和/或生成的轨迹/稳定裕量（系统的输出表现）来调整网络参数（包括连接权重等失衡量）。 | **直接公开**：对比文件公开的反馈回路明确是基于传感器检测到的环境信息（对机器人/神经网络的输入）以及机器人身体姿态、ZMP信息（可视为系统输出的结果）来调整神经元网络的参数，包括连接权重等。这完全符合“基于对人工神经网络的输入、来自人工神经网络的输出、或其组合中的至少一者来控制人工神经网络中的失衡量”的技术特征。 |
<<<C>>><<<E>>><<<H>>><<<I>>><<<J>>><<<M>>><<<a>>><<<b>>><<<d>>>