# 特征比对分析
**对比文件名称**：2013-05-22_CN103116354A_发明公开_CN103116354A 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
## 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**：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，<br>**未被公开** | 对比文件[0046]-[0057]描述了利用振荡神经元单元的输出信号，通过映射函数生成机器人的脚掌轨迹（如左腿轨迹 $\text{Foot}_{Lx} = A_x r_2 + X_0$, $\text{Foot}_{Lz} = A_z r_4 + Z_0$）。 | **未被公开**。对比文件公开的是将神经振荡器的输出信号“映射”为机器人脚掌在运动空间中的连续轨迹点，这是一种**运动指令生成**过程。而目标专利的“映射”是指将空间环境中的**候选目标**对应到目标地图（一种空间位置表示）中的不同位置，这是一种**环境表征和目标位置标定**过程。两者目的和作用完全不同，对比文件未涉及对多个离散目标进行地图定位。 |
| **技术特征B**：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，<br>**未被公开** | 对比文件[0061]-[0064]描述了生成机器人三维重心轨迹CoMx, CoMy, CoMz，这些轨迹是相对于机器人自身坐标系的。 | **未被公开**。对比文件生成的重心或脚掌轨迹是机器人**自身运动部件**（重心、脚掌）将要到达的**路径点**，属于自我中心式的运动规划。目标专利的“目标地图”是表示外部空间中**候选目标**相对于机器人位置的分布图，用于**选择决策**。对比文件未公开这种用于目标选择的外部环境空间位置地图。 |
| **技术特征C**：每个位置由所述人工神经网络中的神经元表示<br>**未被公开** | 对比文件中，振荡神经元单元的输出信号（如r1, r2, r3, r4）经过映射函数计算后得到位置坐标（如脚掌位置、重心位置）。 | **未被公开**。在对比文件中，神经元的**输出信号**经过数学变换后**计算得出**位置坐标，神经元本身并不“表示”一个静态的位置。在目标专利中，说明书[0101]明确指出“该网格中的每个单元的位置可被映射到物理空间中的位置。单元的属性可由该单元的活跃性（诸如尖峰发放速率）来指示”，即神经元（单元）的**状态（活跃性）直接指示**了其对应位置是否存在目标。两者机制和作用不同，对比文件未公开由神经元状态直接表征空间位置的映射关系。 |
| **技术特征D**：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，<br>**未被公开** | 对比文件[0067]-[0069]及图7描述了通过传感器检测环境信息，经反馈控制器调节脚掌和重心轨迹生成器，以得到具有环境适应性的步态轨迹。 | **未被公开**。对比文件动态调节的目的是使机器人**运动轨迹适应环境**（如地面不平），实现稳定行走，属于**运动控制环的反馈调节**。目标专利动态修改“目标选择函数”的目的是使机器人的**决策**（选择哪个目标）产生偏向或偏离，属于**决策层的偏置控制**。两者修改的对象（运动轨迹 vs. 选择函数）、目的（运动适应性 vs. 决策偏向）及技术领域（运动控制 vs. 目标选择）均不相同。 |
| **技术特征E**：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，<br>**隐含公开 (e)** | 1. 对比文件[0011]：振荡神经元单元模型中包含“$w_{fe}$为神经元的相互抑制系数”。<br>2. 对比文件[0011]及[0067]：“$Feed_{\{e,f\}}$为反馈输入信号”，并通过反馈回路实时调节轨迹。 | **隐含公开**。对比文件公开了神经元之间存在抑制性连接（系数$w_{fe}$），并且可以通过外部反馈信号（$Feed$）来影响神经元的活动。虽然对比文件未明确使用“偏置准则”这一术语，但其反馈调节的本质是基于环境传感器信息（一种外部准则）来改变神经网络的输入，从而**激励或抑制**相关神经通路以调整输出。本领域技术人员可以合理推断，这种基于外部信息（准则）来激励或抑制连接的思想，可以用于实现某种“偏置”。尽管对比文件中的“偏置”是针对运动生成，而目标专利是针对目标选择，但“基于准则激励或抑制连接”这一**技术手段**已被对比文件部分公开。 |
| **技术特征F**：所述神经元代表与所述候选目标相对应的位置。<br>**未被公开** | （同特征C论述）对比文件中神经元输出用于计算运动轨迹点，不代表候选目标的位置。 | **未被公开**。理由同特征C。对比文件的神经元活动代表的是**周期性运动指令的相位和幅值**，而非某个**候选目标的空间存在性**。目标专利中神经元代表的是目标地图中一个可能被目标占据的**位置**，其活跃性指示了该位置作为候选目标的“可能性”或“价值”。两者代表的内容和所起的作用根本不同。 |
| **技术特征G**：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。<br>**未被公开** | 对比文件描述了全向耦合的振荡神经元网络（见图2、5），其连接通过权重矩阵$W_{ij}$定义，但未提及在每对输入输出神经元之间存在“中间神经元”。动态修改涉及反馈信号$Feed$和可能的参数优化，但未明确指向修改“中间神经元的可兴奋性”或“突触权重的功效”。 | **未被公开**。对比文件公开的是一种直接耦合的振荡神经元网络结构，没有描述或暗示在连接通路中引入“中间神经元”作为仲裁或调节单元。目标专利说明书[0113]-[0115]及图8详细描述了通过中间神经元（如816, 818）来仲裁抑制，并通过修改其可兴奋性或突触功效来动态修改选择函数。这是一个特定的、结构化的技术特征，对比文件完全没有涉及。 |
| **技术特征H**：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。<br>**隐含公开 (h)** | 对比文件[0067]-[0069]：“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”。 | **隐含公开**。对比文件明确公开了利用来自传感器的**外部输入**（环境信息），通过反馈控制器，对轨迹生成器（即神经网络的功能）进行**动态的、实时的修改**。尽管修改的具体对象（轨迹生成 vs. 目标选择函数）不同，但“使用外部输入来实现动态修改”这一**上位概念或技术手段**已被对比文件明确公开。本领域技术人员可以毫无困难地从对比文件公开的内容中推理出这一手段。 |
| **技术特征I**：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。<br>**隐含公开 (i)** | 1. 对比文件[0011]：神经元模型包含参数如自抑制系数$\beta$、相互抑制系数$w_{fe}$、时间常数$T_r$, $T_a$等，这些参数影响神经元动态特性。<br>2. 对比文件[0070]-[0087]：采用多目标进化算法对系统参数（包括神经元模型参数、连接权重、反馈增益等）进行优化。 | **隐含公开**。对比文件公开的神经元模型具有可调参数（如$\beta$, $w_{fe}$），这些参数的改变实质上会**动态修改神经元的响应特性（可视为一种可兴奋性）和连接的功效**。虽然对比文件主要描述通过离线进化算法优化这些参数，但优化本身即是对这些特性的“修改”，且目的是为了获得更好的动态性能。说明书[0070]也提及在仿真和实际环境中可根据情况进行“微调”，这暗示了参数可调。本领域技术人员可以合理推断，这些决定神经元和连接特性的参数是可以被动态修改的，以实现对网络输出的动态控制。 |
| **技术特征J**：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。<br>**直接公开 (J)** | 对比文件[0011]明确记载：“$w_{ij}$为神经元j与神经元i间的连接权重”。 | **直接公开**。对比文件明确无误地公开了人工神经网络中神经元之间存在具有权重的连接（$w_{ij}$）。这直接对应于目标专利权利要求中的“神经元之间的连接”及其权重。本领域技术人员能够毫无疑义地得出该技术特征。 |
| **技术特征K**：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。<br>**未被公开** | 对比文件未提及任何与“目标选择函数”相关的内容。其反馈调节基于传感器信息（身体姿态、ZMP稳定裕量）以适应行走环境。 | **未被公开**。目标专利中的“目标选择函数”及其所基于的“回报的抑制”、“行为状态”、“任务”等具体准则，是用于**空间目标决策**的特定逻辑。对比文件涉及的完全是**运动生成与稳定性控制**领域，其反馈准则（如姿态角、ZMP）是为了保障运动本身的安全与稳定，与目标选择的决策逻辑无任何关联。对比文件未公开，也无法隐含推理出这些用于目标选择的具体准则。 |
| **技术特征L**：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。<br>**未被公开** | 对比文件仅涉及一个用于步态生成的神经元振荡网络，未提及多个网络、多个任务或网络在静态/动态方面的划分。 | **未被公开**。该特征涉及多任务、多网络架构的选择与配置。对比文件的技术方案始终围绕单一的步态生成任务和实现该任务的单一网络结构，完全没有涉及该特征。 |
| **技术特征M**：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。<br>**隐含公开 (m)** | 对比文件[0067]-[0069]及图7：基于传感器（系统的外部输入）检测到的信息，以及生成的轨迹和稳定性信息（可视为系统输出或状态），通过反馈控制器，调节轨迹生成器（即调节神经网络的功能）。 | **隐含公开**。对比文件公开了完整的反馈控制回路：传感器检测环境信息和机器人状态（可视为对系统的广义“输入”及“输出/状态”的观测），这些信息被用于计算反馈信号，进而调节神经网络（轨迹生成器）的参数或输入。这实质上就是“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”所述网络的功能。尽管控制的目标（失衡量 vs. 轨迹生成）不同，但“基于输入/输出来控制网络”这一**控制逻辑和架构**已被对比文件公开。本领域技术人员可以推理出这一控制方法。 |
## 结论
根据以上比对分析：
- **技术特征J** 被对比文件**直接公开**。
- **技术特征E, H, I, M** 被对比文件**隐含公开**。
- 其余技术特征（A, B, C, D, F, G, K, L）既未被直接公开，也未被隐含公开。
<<<J>>><<<e>>><<<h>>><<<i>>><<<m>>>