对比文件名称：2012-10-18_US2012265482A_发明申请_US20120265482A1 DEVICE POSITION ESTIMATES FROM MOTION AND AMBIENT LIGHT CLASSIFIERS
目标专利名称：运动方向确定CN106462237B
模型名称：gpt-4o
## 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：通过一或多个处理器获得移动装置在一或多个方向中的每一者上的加速度数据** <直接公开> | [0005] “Motion sensors, such as accelerometers, magnetometers, and gyroscopes, are capable of recording the movements and orientation of the device.”<br>[0019] “Additionally, on-board motion sensors 112 are included in the mobile device 100. The motion sensors 112 may include, e.g., three-axis magnetometers and/or linear accelerometers and/or gyroscopes...” | 对比文件明确公开了移动装置包含运动传感器，如加速度计（accelerometers），其能够记录装置的移动和定向。获得加速度数据是使用此类传感器的直接且必然的结果，因此本领域技术人员能够毫无疑义地得出该技术特征。 |
| **B：其中获得所述加速度数据涉及从所述移动装置的一或多个传感器接收所述加速度数据** <直接公开> | [0019] “The light sensors 111 and the motion sensors 112 are each capable of providing information...”<br>[0032] “The feature extractor 132 computes a feature vector for, e.g., every one second of raw data from the motion sensors 112.” | 对比文件明确说明了从移动装置的运动传感器（如加速度计）接收原始数据（raw data），用于后续处理。这直接公开了从传感器接收加速度数据。 |
| **C：经由所述一或多个处理器至少部分地基于所述加速度数据识别所述移动装置的使用情况** <隐含公开> | [0027] “The orientation based position detector 122 may be used to classify both motion state and position of the mobile device 100.”<br>[0032] “The feature extractor 132 computes a feature vector... from the motion sensors 112... A number of features are extracted from the raw motion sensor data.”<br>[0050]-[0053] 描述了使用高斯混合模型（GMM）基于特征向量计算每个类别的似然值，从而进行分类。 | 对比文件公开了基于运动传感器（包括加速度计）数据，提取特征（如标准偏差、平均俯仰、平均横滚等），并使用分类器（如贝叶斯分类器、GMM）来识别移动装置的运动状态（如行走、跑步）和设备位置（如口袋、手中）。设备位置和运动状态的组合即对应于目标专利中定义的“使用情况”（即携带方式或移动方式）。虽然对比文件未使用“使用情况”这一术语，但其技术实质是基于传感器数据识别装置的状态和位置，本领域技术人员能够合理推断出该特征。 |
| **D：所述使用情况对应于正携带所述移动装置的方式或携带所述移动装置的行人正移动的方式中的至少一者** <直接公开> | [0020] “...the position of the device with respect to the user, e.g. device is in the users hand, pants pocket, shirt pocket, backpack, purse, resting on a desk, etc. . . .”<br>[0027] “...classify both motion state and position of the mobile device 100.”<br>[0072] “Examples of motion state include walk, run, sit, stand, and fiddle, and examples of device position include shirt pocket, pant pocket, hand, bag, holster, desk, and jacket pocket.” | 对比文件明确列举了设备相对于用户的位置（如手中、裤子口袋、衬衫口袋）和用户的运动状态（如行走、跑步、坐着、站着）。这些直接对应于“携带移动装置的方式”和“行人正移动的方式”。 |
| **E：经由所述一或多个处理器基于经识别使用情况而选择一或多个参数的集** <未公开> | 无相关引用。 | 对比文件公开了使用预训练模型（如GMM）对特征进行分类，模型的参数（均值、协方差等）是预先训练好的。但未公开根据实时识别出的“使用情况”（类别）去“选择”一个对应的参数集。目标专利强调基于识别出的具体使用情况（如电话模式、口袋中）动态选择或调整参数集（如相位偏移、时间窗），而对比文件是使用固定的模型参数对所有输入数据进行分类判断，没有揭示基于识别结果选择不同参数集的技术手段。因此，该特征未被公开。 |
| **F：其中所述参数的集包括所述加速度数据的垂直分量和水平分量之间的相位偏移，并且其中第一使用情况的相位偏移不同于第二使用情况的相位偏移** <未公开> | 无相关引用。 | 对比文件虽然提取了多种特征（如平均俯仰、平均横滚、θ、φ等）用于分类，但从未提及“加速度数据的垂直分量和水平分量之间的相位偏移”这一特定参数，更未提及不同使用情况（类别）对应不同的相位偏移值。该特征是目标专利中用于优化运动方向计算的关键参数，在对比文件中找不到任何直接或间接的教导。 |
| **G：经由所述一或多个处理器基于所述加速度数据及对应于所述经识别使用情况的相应的参数集来计算所述移动装置相对于坐标系统的经估计运动方向** <未公开> | [0039] “When the user is walking or running, the direction of highest energy in this plane will typically correspond to the direction of motion, and hence this eigen-vector should point in this direction.”<br>[0040]-[0045] 描述了通过特征分解计算特征向量v，并由此得到角度θ和φ，以表征设备相对于运动方向的定向。 | 对比文件确实在特征提取过程中，通过对加速度数据矩阵进行特征分解，估计出与运动方向相关的特征向量。然而，该计算是作为用于设备位置/运动状态分类的一个“特征”（即θ和φ角），其输出本身是用于分类的中间量。对比文件的最终输出是“设备位置估计”（如口袋、手中）和“运动状态”（如行走、跑步），而不是目标专利所声称的、相对于坐标系统（如ENU）的“经估计运动方向”（即对地运动向量M）。目标专利的计算运动方向是为了行人航位推算等导航目的，而对比文件的目的在于识别设备被携带的模式。两者目的和输出不同。此外，对比文件也未结合前述特征E和F中提到的“基于使用情况选择的参数集”来进行此计算。因此，该特征未被公开。 |
| **H：确定针对所述经估计运动方向的可靠性度量** <直接公开> | [0028] “The orientation based position detector 122 may compute a confidence metric...”<br>[0064]-[0068] 详细描述了置信度度量CM和CP的计算方法，基于两个最可能子类的对数似然值之差。 | 对比文件明确公开了为分类决策（包括设备位置和运动状态）计算置信度度量（confidence metric），该度量用于指示决策的可靠性。这与目标专利中为估计的运动方向确定可靠性度量，在技术构思和作用上相同，都是评估估计结果的可靠程度。 |
| **I：以及根据所述可靠性度量是否超过阈值来控制所述移动装置的网络接口** <未公开> | 无相关引用。 | 对比文件虽然计算了置信度度量，但未提及任何基于该度量控制网络接口（如GPS接收器）的操作。其应用场景涉及控制设备访问时间、资源管理、调整铃声等（见[0078]），与控制网络接口以节省功耗的目的不同。该特征未被公开。 |
| **J：所述网络接口经配置以与全球定位系统、卫星导航系统或其他定位或导航系统进行通信** <未公开> | 无相关引用。 | 对比文件未提及任何与GPS、卫星导航系统或其他定位系统通信的网络接口。 |
| **K：其中所述控制涉及在所述可靠性度量超过阈值的情况下关闭所示网络接口** <未公开> | 无相关引用。 | 理由同特征I和J，对比文件未公开该技术手段。 |
| **L：其中识别使用情况包含将所述加速度数据与多个预定义使用情况的加速度特性相比较并选择所述预定义使用情况中为最佳匹配的一者，其中所述预定义使用情况中的每一者与相应的一或多个参数的集存储在一起或与相应的一或多个参数的集链接** <隐含公开> | [0050]-[0053] “The feature vectors may be modeled, e.g., using a Gaussian Mixture Model (GMM), which are stored in a database 136... For each class ωi,j a likelihood value is computed from f(A).”<br>[0069] “The parameters of the GMM stored in database 136 may be learned offline from training data.” | 对比文件公开了使用预训练的GMM模型来分类。每个类别（class ωi,j，对应于特定的运动状态和设备位置的组合，即“使用情况”）都有其对应的GMM模型参数（先验概率、均值向量、协方差矩阵），这些参数被存储在数据库136中。在识别时，提取的加速度特征向量f(A)会与这些预存储的模型进行比较（计算似然值），并选择似然值最高的类别作为最佳匹配。虽然对比文件未明确使用“与参数集链接”的表述，但其技术实质是每个预定义类别都与一组预存储的模型参数相关联，并在识别时使用这些参数进行计算和匹配。本领域技术人员能够合理推断出该特征。 |
| **M：其中所述多个预定义使用情况包含：其中所述移动装置处于电话模式的使用情况** <未公开> | 无相关引用。 | 对比文件公开的预定义设备位置包括“hand”（手中），但“电话模式”通常特指移动装置被握在耳边进行通话的使用情景，这与一般意义上的“拿在手中”在设备定向、遮挡情况等方面可能存在差异。对比文件并未具体区分或定义“电话模式”这一使用情况。 |
| **N：其中所述移动装置在口袋中的使用情况** <直接公开> | [0020] “...pants pocket, shirt pocket...”<br>[0072] “examples of device position include shirt pocket, pant pocket...” | 对比文件明确将“裤子口袋”（pant pocket）和“衬衫口袋”（shirt pocket）列为预定义的设备位置，直接公开了该使用情况。 |
| **O：及其中所述移动装置被拿于手中的使用情况** <直接公开> | [0020] “...device is in the users hand...”<br>[0072] “examples of device position include... hand...” | 对比文件明确将“手中”（hand）列为预定义的设备位置，直接公开了该使用情况。 |
| **P：其中所述多个预定义使用情况包含：其中所述移动装置被拿于用户前方的手中的使用情况** <未公开> | 无相关引用。 | 对比文件虽然提到了“手中”（hand），但并未进一步区分为“用户前方的手”或“用户侧面的手”等具体姿势。该特征未被公开。 |
| **Q：其中所述移动装置随着用户行走被拿于所述用户侧面的手中的使用情况** <未公开> | 无相关引用。 | 对比文件未具体定义“随着用户行走被拿于用户侧面的手中”这一细分使用情况。 |
| **R：及其中所述移动装置随着用户跑步被拿于所述用户的侧面的手中的使用情况** <未公开> | 无相关引用。 | 对比文件未具体定义“随着用户跑步被拿于用户的侧面的手中”这一细分使用情况。 |
| **S：其进一步包含检测所述移动装置何时处于电话模式中，其中识别所述使用情况还基于所述移动装置是否处于所述电话模式中** <未公开> | 无相关引用。 | 对比文件未涉及检测“电话模式”以及基于此模式来辅助识别使用情况的技术内容。 |
| **T：其进一步包含确定所述移动装置相对于携带所述移动装置或所述移动装置所附接到的用户的位置，其中识别所述使用情况还基于所述移动装置的所述位置** <直接公开> | [0005] “...infer the position of a device with respect to the user...”<br>[0020] “The light sensors 111 and the motion sensors 112 are each capable of providing information with respect to the position of the mobile device 100 relative to a user.”<br>整个文件的核心就是确定设备相对于用户的位置（如口袋、手中、包里）。 | 对比文件的整个发明目的和技术方案就是确定移动装置相对于用户的位置（device position）。这个确定的位置信息本身就是其分类输出的一部分，并且用于后续应用。因此，识别使用情况（在对比文件中体现为分类）必然基于所确定的设备位置。该特征被直接公开。 |
| **U：其进一步包含基于所述加速度数据或其它定向数据识别所述移动装置相对于所述坐标系统的定向** <直接公开> | [0036]-[0038] 描述了使用加速度计数据计算平均俯仰（pitch）和平均横滚（roll）以确定设备相对于重力的定向。<br>[0039]-[0045] 描述了通过对加速度数据矩阵进行特征分解，得到特征向量v，进而计算角度θ和φ，以表征设备相对于运动方向的定向。 | 对比文件明确公开了基于加速度数据，计算设备的俯仰、横滚角（相对于重力坐标系），以及相对于估计运动方向的θ和φ角。这直接对应于识别移动装置相对于（重力或运动方向）坐标系统的定向。 |
| **V：其中识别所述使用情况还至少部分地基于所述定向** <直接公开> | [0032] “Another example of a simple feature is the orientation of the mobile device 100. When a user is sitting with the device in a pant pocket, the mobile device 100 will typically be lying flat, whereas when the user stands up the mobile device 100 will be vertical.”<br>[0037] “The average pitch (ap), and average roll (ar) described below, are useful for discriminating between sitting and standing when the device is in the pant pocket (and to a lesser degree, hand) and for determining device position.” | 对比文件明确指出设备的定向（如俯仰、横滚）是用于区分不同运动状态（坐/站）和设备位置（如口袋、手中）的关键特征之一。因此，识别使用情况（设备位置和运动状态）至少部分地基于定向，被直接公开。 |
| **W：其中计算所述移动装置相对于所述坐标系统的所述经估计运动方向还至少部分地基于所述定向** <隐含公开> | [0039]-[0045] 描述的特征提取过程：通过对加速度数据矩阵进行特征分解，得到特征向量v，该向量指向水平面内能量最高的方向，即运动方向。计算θ和φ角需要用到这个特征向量v。而特征分解的输入是加速度数据，其本身就包含了设备的定向信息（因为加速度测量值是在设备坐标系下的）。 | 对比文件中计算用于分类的特征θ和φ时，隐含地进行了运动方向的估计（特征向量v的方向）。这个估计过程是基于加速度数据矩阵，而该矩阵的数值受到设备自身定向（在设备坐标系下测量）的影响。因此，可以合理推断，对运动方向的估计至少部分地基于设备的定向。虽然对比文件的直接目的是提取分类特征而非输出运动方向，但该计算过程在技术原理上隐含了基于定向信息估计运动方向。 |
| **X：其中所述定向数据包含陀螺仪数据及磁力计数据中的一者或两者** <直接公开> | [0005] “Motion sensors, such as accelerometers, magnetometers, and gyroscopes...”<br>[0019] “The motion sensors 112 may include, e.g., three-axis magnetometers and/or linear accelerometers and/or gyroscopes...” | 对比文件明确列举了运动传感器包括磁力计（magnetometers）和陀螺仪（gyroscopes）。这些传感器可用于提供定向数据。因此，该特征被直接公开。 |
| **Y：其进一步包含追踪由携带所述移动装置或所述移动装置所附接到的个人所走过的步数** <未公开> | 无相关引用。 | 对比文件虽然能够识别“行走”（walk）这种运动状态，但并未公开任何具体追踪或计数用户步数的技术手段或功能模块。目标专利中追踪步数可能用于确定时间窗长度等参数，这在对比文件中没有体现。 |
<<<A>>><<<B>>><<<D>>><<<H>>><<<N>>><<<O>>><<<T>>><<<U>>><<<V>>><<<X>>>
<<<c>>><<<l>>><<<w>>>