**对比文件名称**：发明申请_WO2012161597A2 METHOD AND APPARATUS FOR PROVIDING ACCURATE LOCALIZATION FOR AN INDUSTRIAL VEHICLE
**目标专利名称**：用于利用语义信息来导航机器人设备的系统和方法
**本次调用的模型名称**：DeepSeek-R1
**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 |
| **特征A：一种改善导航的方法**<br>**直接公开** | [0005] “...a method and apparatus for providing accurate localization for an industrial vehicle.” （一种为工业车辆提供精确定位的方法和装置。）<br>[p0011] “Various embodiments of the present invention generally include a method and apparatus for providing accurate localization of an industrial vehicle...” （本发明的各个实施例通常包括一种为工业车辆提供精确定位的方法和装置...） | 对比文件明确公开了一种用于工业车辆的精确定位方法，其目的是提高导航的准确性。这与目标专利中“改善导航的方法”这一主题特征在类别和目的上完全相同。因此，该技术特征被直接公开。 |
| **特征B：由机器人设备中的处理器发起与语义信息提取相关联的预先确定的时间段的开始**<br>**未公开** | 无对应内容。 | 对比文件描述了一个持续运行的定位和映射系统，其传感器数据处理（如激光扫描）是基于事件（如接收到传感器消息，见图8、9、11）或固定采样周期触发的，但并未公开一个专为“语义信息提取”而发起的、具有明确“开始”和“结束”的“预先确定的时间段”。对比文件中的“时间段”概念（如扫描时间Ts 502，图5）是针对单次传感器数据采集的持续时间，而非用于累积语义信息的周期性学习时段。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **特征C：在所述预先确定的时间段期间检测指示一个或多个传感器的传感器不可靠性的不利事件**<br>**未公开** | 无对应内容。 | 对比文件确实处理传感器数据中的误差和失真（例如，图5、6中因车辆运动导致的运动失真，[0050]段中的系统延迟），并通过滤波器（如EKF）进行校正和融合以提高定位精度。然而，这种处理是针对所有传感器数据的通用数据融合和误差校正过程，目的是获得更优的定位估计，而非专门“检测”并“记录”那些指示特定传感器“不可靠性”的“不利事件”。对比文件没有识别并标记特定传感器在特定时间或地点性能下降的“事件”的概念。因此，该技术特征未被公开。 |
| **特征D：响应于检测到指示所述一个或多个传感器的传感器不可靠性的所述不利事件：识别所述预先确定的时间段的当前时隙**<br>**未公开** | 无对应内容。 | 由于对比文件未公开“预先确定的时间段”（特征B）和基于传感器不可靠性的“不利事件”（特征C），因此自然也不存在响应于此种事件而“识别当前时隙”的操作。该技术特征未被公开。 |
| **特征E：识别所述机器人设备的当前估计的位置和方向**<br>**直接公开** | [0028] “Using a filter (e.g., an Extended Kalman Filter (EKF)), the mobile computer 104 models the position of the vehicle in the two-dimensional plane (i.e. the (x, y) coordinates and the heading of the vehicle 102) as a probability density.” （使用滤波器（例如扩展卡尔曼滤波器），移动计算机104将车辆在二维平面中的位置（即车辆102的(x, y)坐标和航向）建模为概率密度。）<br>[0042] “...the vehicle state information 318 includes an estimate of vehicle position (x, y location and orientation)...” （车辆状态信息318包括车辆位置（x，y 位置和方向）的估计...）<br>[0055] “The vehicle state 418... includes data indicating vehicle position (e.g., coordinates for x, y and orientation)...” （车辆状态418...包括指示车辆位置的数据（例如，x，y坐标和方向）...） | 对比文件明确且反复描述了通过滤波器（如EKF）持续估计和更新工业车辆的位置（x, y）和方向（航向）。这是其实现精确定位的核心。这与目标专利中“识别机器人设备的当前估计的位置和方向”的技术特征完全相同。因此，该技术特征被直接公开。 |
| **特征F：基于所述当前时隙以及所述机器人设备的所述当前估计的位置和方向，记录对针对所述一个或多个传感器存储的语义信息的更新**<br>**未公开** | 无对应内容。 | 对比文件没有“语义信息”这一概念。它存储的是原始的或校正后的传感器数据（如激光扫描数据、里程计数据）、提取的环境特征以及通过滤波器估计的车辆状态。它不会基于“时隙”和“姿势”来记录和更新用于表征传感器性能模式的“语义信息”。因此，该技术特征未被公开。 |
| **特征G：以及在所述预先确定的时间段的结束以后基于所记录的语义信息针对机器人设备的位置和方向识别不利事件的模式。**<br>**未公开** | 无对应内容。 | 该特征依赖于前述的“预先确定的时间段”、“语义信息”和“不利事件”的记录。由于对比文件均未公开这些前提特征，因此也就不存在基于记录的语义信息在时段结束后识别不利事件“模式”（即传感器性能在时间和空间上的规律）的步骤。该技术特征未被公开。 |
| **特征H：响应于确定所述预先确定的时间段已经结束：基于存储的语义信息，针对每个传感器来识别在所述机器人设备的局部环境内的低性能的任何空间区域；以及当所述机器人设备在识别的低性能的空间区域处时，调整应用于来自所述传感器的测量的权重因子。**<br>**未公开** | 无对应内容。 | 对比文件虽然使用滤波器（如EKF）融合多传感器数据，其滤波器本身会基于测量模型和噪声统计为不同传感器的数据分配“权重”（或信任度），但这是一种基于实时测量不确定性的、全局性的、算法内在的权重分配，并非基于预先学习到的、与特定“空间区域”相关联的“语义信息”来动态调整权重。对比文件没有识别传感器“低性能空间区域”并据此调整权重的机制。因此，该技术特征未被公开。 |
| **特征I：响应于确定所述预先确定的时间段已经结束：基于相应的语义信息，针对每个传感器来识别低性能的任何时间；以及在识别的低性能的时间期间，调整应用于来自每个传感器的测量的所述权重因子。**<br>**未公开** | 无对应内容。 | 与特征H类似，对比文件没有基于“语义信息”识别传感器“低性能的任何时间”的概念，也没有基于这种时间模式动态调整传感器权重的机制。其数据处理是连续和实时的，不依赖于历史性能模式的时间段分析。因此，该技术特征未被公开。 |
| **特征J：针对每个传感器来识别低性能的任何空间区域包括：确定针对所述传感器所述存储的语义信息指示针对所述机器人设备的特定姿势的不利事件发生的数量是满足还是超过第一事件门限。**<br>**未公开** | 无对应内容。 | 该特征是实现特征H的具体方式。由于对比文件没有“语义信息”、“不利事件”、“特定姿势”下的“事件数量”以及“事件门限”这些概念，因此该具体实现方式也未被公开。 |
| **特征K：针对每个传感器来识别低性能的任何时间包括：确定所述存储的语义信息指示在特定时隙期间不利事件发生的数量是满足还是超过第二事件门限。**<br>**未公开** | 无对应内容。 | 该特征是实现特征I的具体方式。由于对比文件没有“语义信息”、“不利事件”、“特定时隙”下的“事件数量”以及“事件门限”这些概念，因此该具体实现方式也未被公开。 |
| **特征L：还包括针对每个传感器：获得通过预处理器操作针对所述传感器来输出的经处理的测量；获得所述机器人设备的所述当前估计的位置和方向；以及确定在通过所述经处理的测量来指示的姿势与所述当前估计的位置和方向之间的差异是满足还是超过特定于传感器的门限。**<br>**直接公开** | [0028] “The odometry data is used for updating the predicted position of the vehicle, and the environmental features extracted from the laser scan can be compared with a known map which includes known environmental features and/or a list of dynamic environmental features maintained by the filter to correct for error in the vehicle position.” （里程计数据用于更新车辆的预测位置，并且从激光扫描中提取的环境特征可以与已知地图进行比较，该地图包括已知的环境特征和/或由滤波器维护的动态环境特征列表，以校正车辆位置中的误差。）<br>[0055] “The filter 414 compares extracted features from the corrected sensor data with known mapped environment features and/or integrates sensor data and corrects the position prediction to account for an incorrect estimation and/or observed environment features uncertainty and updates the vehicle state 418.” （滤波器414将来自校正后传感器数据的提取特征与已知的映射环境特征进行比较，和/或集成传感器数据并校正位置预测，以考虑不正确的估计和/或观察到的环境特征不确定性，并更新车辆状态418。）<br>图10描述了提取环境特征（1004）并与已知特征列表（1008）在滤波器（1010）中进行比较的过程。 | 对比文件公开了完整的定位流程：1. 从传感器（如激光扫描仪）获取数据并处理/提取特征（相当于“经处理的测量”）。2. 通过滤波器获得当前估计的位置和方向（车辆状态）。3. 将提取的特征与地图中的已知特征进行比较。这个“比较”本质上就是在评估传感器测量（通过提取的特征体现）所指示的车辆位置/姿势与滤波器当前估计的位置/方向之间的一致性。如果差异大（即匹配度低），则表明传感器观测存在较大误差或不确定性，滤波器会据此“校正位置预测”。虽然对比文件没有明确使用“特定于传感器的门限”这一表述，但滤波器的数据关联和更新过程在数学上等效于在判断差异是否超过一个由测量噪声协方差等参数决定的、隐含的“门限”。因此，该技术特征所描述的核心步骤已被直接公开。 |
| **特征M：检测指示所述一个或多个传感器的传感器不可靠性的所述不利事件还包括响应于接收到异常数据测量确定检测到所述不利事件。**<br>**隐含公开** | [0040] “The sensor measurement data 316 includes an aggregation of the sensor data... The aggregated sensor data may include information associated with static and/or dynamic environmental features. In some embodiments, the sensor measurement data 316 is corrected with respect to time and/or motion distortion...” （传感器测量数据316包括传感器数据的聚合...聚合的传感器数据可以包括与静态和/或动态环境特征相关联的信息。在一些实施例中，传感器测量数据316针对时间和/或运动失真进行校正...）<br>[0048] “...the correction module 408 processes one or more sensor input data messages and examines observed sensor data therein. The correction module 408 eliminates motion and/or time distortion artifacts prior to the data being processed by the filter 414.” （校正模块408处理一个或多个传感器输入数据消息并检查其中的观察到的传感器数据。校正模块408在数据被滤波器414处理之前消除运动和/或时间失真伪影。） | 对比文件公开了对传感器数据进行“校正”（correct）以消除“失真伪影”（distortion artifacts）的步骤。这些“失真伪影”（如因车辆运动导致激光扫描数据扭曲）本质上就是传感器数据中的“异常”或不可靠部分。系统识别并处理这些异常数据，目的是防止它们影响定位精度。虽然对比文件没有明确将这些校正过程标记为“检测到不利事件”，但对于本领域技术人员而言，执行数据校正的前提必然是识别出数据中存在需要校正的异常或不理想状况。因此，可以确定对比文件隐含公开了“响应于接收到异常数据测量确定检测到所述不利事件”这一技术特征。 |
| **特征N：与语义信息提取相关联的所述预先确定的时间段是在时间服务器上配置的，所述时间服务器维持针对所述预先确定的时间段的时隙的设置。**<br>**未公开** | 无对应内容。 | 对比文件提及“优先级队列”（priority queue 310）用于按获取时间存储传感器消息，也提到了传感器数据具有“获取时间戳”（acquisition time stamp）。但这是一种用于保证数据处理时序正确的通用数据缓冲机制，并非用于配置和管理一个专用于“语义信息提取”的、具有“时隙”的“预先确定的时间段”的“时间服务器”。因此，该技术特征未被公开。 |
| **特征O：识别所述机器人设备的所述当前估计的位置和方向包括：获得来自所述机器人设备上的定位操作的输出，所述定位操作是作为同时定位和测绘(SLAM)过程的一部分来执行的。**<br>**隐含公开** | [0028] 描述了使用EKF进行定位，并将提取的环境特征与已知地图/动态特征列表进行比较以校正位置。<br>[0055] “The filter 414 compares extracted features from the corrected sensor data with known mapped environment features...”<br>[0059] “The EKF 710 is an Extended Kalman Filter that, given measurements associated with the matching features and a previous vehicle position, provides a most likely current vehicle position. The dynamic map manager 712 maintains an up-to-date dynamic map of dynamic environment features used for localization that are not found in a-priori static map.” （EKF 710是一个扩展卡尔曼滤波器，给定与匹配特征和先前车辆位置相关的测量，它提供最可能的当前车辆位置。动态地图管理器712维护用于定位的动态环境特征的最新动态地图，这些特征在先验静态地图中找不到。）<br>[0083] “The filter 1010 may cause extracted environment features 1004 that do not appear in the known feature list 1008 to be added to, or in the case of negative observation, removed from a list of known dynamic environment features associated with a map...” | 对比文件公开的系统执行了典型的SLAM核心功能：1. **定位**：使用EKF持续估计车辆位置和方向（特征E）。2. **测绘**：维护和更新已知环境特征地图，包括静态特征和动态特征（[0059], [0083]），即构建和更新地图。3. **同时性**：定位过程依赖于与地图特征的匹配，而地图（特别是动态部分）又根据新的传感器观测（定位的结果）进行更新。这构成了一个“同时定位和测绘”的循环。虽然对比文件未明确使用“SLAM”这一术语，但其描述的技术方案完全符合SLAM的实质和定义。因此，本领域技术人员能够直接且毫无疑义地确定，对比文件中获得当前估计位置和方向的“定位操作”是作为SLAM过程的一部分执行的。该技术特征被隐含公开。 |
| **特征P：所述机器人设备是地面运载工具，并且所述机器人设备的所述一个或多个传感器包括：至少一个图像传感器、至少一个惯性测量单元(IMU)传感器和至少一个运动反馈传感器。**<br>**直接公开** | [0020] “Sensor array 108 includes various types of sensors, such as laser range finders, encoders, ultrasonic range finders, cameras, pressure transducers, compass, accelerometers, gyroscopes, inertial measurement units (IMUs), and/or the like.” （传感器阵列108包括各种类型的传感器，例如激光测距仪、编码器、超声波测距仪、相机、压力传感器、罗盘、加速度计、陀螺仪、惯性测量单元（IMU）等。）<br>[0033] “Exemplary embodiments of the forklift 200 typically include a planar laser scanner 204 attached to each side and/or an encoder 206 attached to each wheel 208. In other embodiments, the forklift 200 includes a camera 202, and/or a planar laser scanner 204 and/or the encoder 206. Encoders 206 determine motion data related to vehicle movement.” （叉车200的示例性实施例通常包括附着在每一侧的平面激光扫描仪204和/或附着在每个车轮208上的编码器206。在其他实施例中，叉车200包括相机202、和/或平面激光扫描仪204和/或编码器206。编码器206确定与车辆运动相关的运动数据。）<br>叉车（forklift 200）是典型的地面运载工具。 | 对比文件明确公开了应用该方法的设备是地面运载工具“叉车”（forklift）。同时，其传感器阵列明确包括了“相机”（图像传感器）、“IMU”、“编码器”（一种运动反馈传感器，用于测量车轮旋转）。因此，该技术特征被直接公开。 |
| **特征Q：针对所述一个或多个传感器存储的所述语义信息是以数据结构表示的，所述数据结构提供在所述预先确定的时间段的每个时隙期间，针对所述机器人设备的每个姿势的不利事件发生的数量。**<br>**未公开** | 无对应内容。 | 对比文件没有“语义信息”的概念，也没有基于“时隙”和“姿势”来统计“不利事件发生数量”的数据结构。其存储的数据结构是“优先级队列”（用于缓存传感器消息）、“地图数据”（存储环境特征）和“车辆状态信息”。因此，该技术特征未被公开。 |
<<<A>>><<<E>>><<<L>>><<<m>>><<<o>>><<<P>>>