**对比文件名称**：2013-01-29_US8364311B_发明授权_US08364311B2 Driver assistance system or robot with dynamic attention module
**目标专利名称**：动态空间目标选择 CN106796667B
**本次调用的模型名称**：专利创造性评估模型
### 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 |
| **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，《隐含公开》** | [0050] “Each feature map concentrates on a certain feature such as oriented contrast edges or optic flow, for example. The dorsal attention sub-system integrates the feature map to a single saliency map sdorsal... from which it then computes a certain 2D position pFoA in image coordinates... This 2D position pFoA represents the current focus of attention of the system...” | 对比文件公开了计算一个二维显著图（saliency map），该图指示了图像中不同位置的显著性。系统从中计算出一个焦点位置（pFoA）。显著图中的每个位置都可以被视为对应一个潜在的“目标”（例如，汽车、行人、球等视觉刺激）。因此，本领域技术人员可以理解，对比文件隐含了将多个潜在目标（即显著图中的各个高显著性位置）映射到一个二维地图（显著图）中的不同位置。 |
| **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，《隐含公开》** | [0055] “...at least one vision sensor, which captures an image... The image processing module processes an output signal of the vision sensor in order to generate a plurality of two-dimensional feature maps f.” 结合图5和图6，该系统安装在车辆或机器人上。 | 对比文件系统使用视觉传感器（如摄像头）监控环境（例如车辆前方空间）。所生成的二维特征图及显著图，其坐标系是相对于该视觉传感器（即安装在车辆/机器人上的传感器）的。因此，这些地图中的位置代表了空间环境中相对于机器人/车辆设备的多个位置。本领域技术人员能够毫无疑义地得出此结论。 |
| **C. 每个位置由所述人工神经网络中的神经元表示，《隐含公开》** | [0004] “...a vision-based dynamic attention system...” 以及 [0043] “The basic structure of the proposed system architecture is depicted in FIG. 1. It consists of five sub-systems...” 这些子系统通常由软件/硬件实现，可涉及神经网络模型。 | 对比文件描述了一个基于视觉的动态注意力“系统”。虽然未明确声明每个位置由一个“神经元”表示，但在神经网络技术领域，将二维特征图或显著图中的每个像素或区域视为由神经网络中的一个处理单元（可抽象为“神经元”）来表示，是常见的技术手段。例如，特征提取和显著性计算常通过卷积神经网络等实现。因此，本领域技术人员可以合理推断，对比文件隐含了每个位置由人工神经网络中的（一个或多个）神经元表示的技术方案。 |
| **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，《隐含公开》** | [0066]-[0071] “...the system also knows from experience how to express the object category ‘car’ in terms of the various feature maps... The resulting top-down feature weights modulate the way the dorsal attention combines the feature maps... the system's focus of attention is indeed on the car in front.” 以及 [0070] “The interrupt stops the current task... the balance between top-down and bottom-up saliency is shifted... the system's focus of attention is redirected to the ball.” 结合 [0112] “...generates an output signal for an actuator of the vehicle, such as, e.g., steering, breaking means and/or accelerating means.” | 对比文件公开了通过调整自上而下（top-down）特征权重（wjTD）来调制背侧注意力子系统整合特征图的方式，从而改变系统的注意力焦点（pFoA）。这实质上是动态修改了“选择”注意力焦点的函数（即目标选择函数）。当检测到意外刺激（如球）时，系统通过中断信号改变自上而下和自下而上显著性的平衡，从而将注意力重定向到新目标。最终，系统生成信号控制车辆执行器（转向、制动等），这相当于使机器人设备（车辆）偏向（接近或关注）或偏离（避开）候选目标移动。因此，该特征被对比文件隐含公开。 |
| **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，《隐含公开》** | [0066] “...the system also knows from experience... which features are characteristic for the object category ‘car’ and which are not. The resulting top-down feature weights modulate the way the dorsal attention combines the feature maps...” 以及 [0091] “...the wjTD are not constant but can be dynamically changed at runtime... indicate the extent to which the different fj are characteristic for the expected object category cexpected.” | 对比文件明确公开了“自上而下的特征权重（wjTD）”，这些权重根据当前任务或期望的对象类别（如“汽车”）动态调整。权重的大小决定了对应特征图对最终显著性的贡献程度，这实质上就是基于“任务”或“期望”这一偏置准则，来激励（增大权重）或抑制（减小权重）来自特定特征图的连接（输入）。因此，该技术特征被直接公开。 |
| **F. 所述神经元代表与所述候选目标相对应的位置。《隐含公开》** | [0050] “This 2D position pFoA represents the current focus of attention of the system...” 以及 [0066] “...the focus of attention is indeed on the car in front.” [0070] “...the system's focus of attention is redirected to the ball.” | 对比文件中，系统的注意力焦点（pFoA）由显著图中的位置表示，并且该焦点位置对应着具体的候选目标，如“前方的汽车”或“球”。生成该焦点位置的显著图是基于神经元（或处理单元）的活动计算得出的。因此，可以认为代表该焦点位置的神经元（或其活动）对应于候选目标的位置。该特征被隐含公开。 |
| **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。《未公开》** | 对比文件全文未提及“中间神经元”（interneuron）的概念，也未描述在输入和输出神经元对之间插入中间神经元的结构。注意力权重的调整是直接作用于特征图整合过程，而非通过修改中间神经元的属性来实现。 | 对比文件完全没有涉及“中间神经元”这一特定的网络结构元件，也未描述通过修改中间神经元的可兴奋性或与之相关的突触权重来动态修改选择函数。该技术特征在对比文件中既无文字记载，也无法由本领域技术人员通过合理推断得出。 |
| **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。《隐含公开》** | [0070] “The interrupt stops the current task of the system...” 以及 [0111] “A reorienting response is triggered when sventral(q*) exceeds a certain threshold. If so, punexpected is sent to the dorsal attention sub-system and, at the same time, the interrupt is sent to the expectation generation sub-system...” | 对比文件公开了当腹侧注意力子系统检测到意外刺激时，会触发一个“中断（interrupt）”信号。这个中断信号被发送至期望生成子系统，从而停止当前任务并改变自上而下权重的影响。这个“中断”可以被视为一种来自系统内部其他模块（腹侧子系统）的“外部输入”，它动态地修改了系统的注意力选择行为。因此，该特征被隐含公开。 |
| **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。《隐含公开》** | [0091] “...the wjTD are not constant but can be dynamically changed at runtime.” 结合 [0066] “...top-down feature weights modulate the way the dorsal attention combines the feature maps...” | 对比文件明确公开了动态修改“自上而下的特征权重（wjTD）”。在神经网络的语境下，特征权重对应于连接特征图（输入）与显著性计算单元（神经元）的突触的权重。动态修改这些权重，就是动态修改“突触权重的功效”。因此，该技术特征被直接公开。 |
| **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、或其组合的。《隐含公开》** | [0089], [0091] 描述了权重 wjBU 和 wjTD 用于对特征图 fj 进行加权求和以生成显著性图。 | 对比文件中的特征权重（wjBU, wjTD）应用于从特征图（输入）到显著性计算过程的连接。这对应于神经网络中针对“输入突触”的权重。本领域技术人员可以理解这一点。因此，该特征被隐含公开。 |
| **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。《未公开》** | 对比文件提到了基于“任务”（如保持车距）来调整注意力[0066]，但未提及“回报的抑制”、“行为状态”、“时间段”、“时间复用函数”或“从多个任务中选择任务的事件”等具体准则。 | 对比文件仅公开了目标选择（注意力焦点选择）基于当前所指派的任务（例如，跟车任务）。目标专利权利要求K中列举的其他多种具体准则（如回报抑制、行为状态等）在对比文件中均无任何记载或提示。本领域技术人员无法从对比文件中推断出这些特定准则的应用。 |
| **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。《未公开》** | 对比文件描述的是一个统一的系统架构（图1），具有不同的功能子系统（模块）。它没有描述存在多个独立的人工神经网络，每个神经网络对应一个任务，并讨论其静态或动态属性。 | 对比文件没有公开“多个人工神经网络”与“多个任务”之间的一一对应关系，也没有对网络的“静态”或“动态”属性进行区分。该特征在对比文件中完全没有基础。 |
| **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。《隐含公开》** | [0092] “In our case, the wjTD defined by the expectation generation sub-system and indicate the extent to which the different fj are characteristic for the expected object category cexpected.” 以及 [0102] “The expectation generation sub-system generates an expected object category based on the perceived object category or based on a task.” | 对比文件公开了：期望生成子系统基于“感知到的对象类别”（来自分类子系统的输出）或基于“任务”来生成期望对象类别，进而定义自上而下的特征权重（wjTD）。这即是基于人工神经网络的“输出”（感知结果）来控制网络中的失衡量（特征权重）。因此，该特征被隐含公开。 |
<<<e>>><<<i>>>
<<<a>>><<<b>>><<<c>>><<<d>>><<<f>>><<<h>>><<<j>>><<<m>>>