对比文件名称：2012-02-28_US8126828B_发明授权_US08126828B2 Special purpose processor implementing a synthetic neural model of the human brain
目标专利名称：用于空间目标选择的失衡式交叉抑制性机制 CN106030621B
本次调用的模型名称：特征比对与公开性判断模型
### 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 |
| **技术特征A**：包括：至少部分地基于目标选择准则从所述多个目标中为机器人设备选择目标，《隐含公开》 | [0095] “The mobile device can become conditioned through the learning experience to prefer one target object, e.g. the red diamond, over multiple distracters or non-target objects such as the red square and a green diamond of a scene in its vision.” （移动设备可以通过学习经验被条件化，从而偏爱一个目标对象，例如其视野场景中的红色菱形，而不是多个干扰物或非目标对象，例如红色正方形和绿色菱形。） | 对比文件公开了移动设备（BBD，即一种机器人设备）在其环境中移动，并可以从多个对象（红色菱形、红色正方形、绿色菱形）中通过学习偏好一个目标对象（红色菱形）。这个过程隐含了“从多个目标中为机器人设备选择目标”这一技术特征。虽然对比文件强调是通过学习形成偏好，但该偏好形成的结果就是基于某种内部准则（通过学习获得的偏好）进行了选择。 |
| **技术特征B**：所述多个目标中的每个目标对应于包括相对于所述机器人设备的位置的多个位置的目标地图中的不同位置，《隐含公开》 | [0094] “The neural model can include a number of neural areas labeled according to the analogous cortical and subcortical regions of the human brain. Thus, FIG. 1C shows respective neural areas labeled as V1, V2, V4, IT, S, A-left, Mic-left, A-right, Mic-right and C, whose activity controls the tracking of a BBD.” （神经模型可以包括许多根据类似人脑的皮层和皮层下区域标记的神经区域。因此，图1C显示了分别标记为V1、V2、V4、IT、S、A-left、Mic-left、A-right、Mic-right和C的神经区域，它们的活动控制着BBD的跟踪。）<br>[0097] “Visual images from a camera can be filtered for color and edges and the filtered output directly influences neural activity in area V1. V1 can be divided into subregions (not shown) each having neuronal units that respond preferentially to green (V1-green), red (V1-red), horizontal line segments (V1-horizontal), vertical line segments (V1-vertical), 45-degree lines (V1-diagonal-right), and 135-degree lines (V1-diagonal-left).” （来自相机的视觉图像可以被过滤以提取颜色和边缘，过滤后的输出直接影响区域V1的神经活动。V1可以分为子区域（未示出），每个子区域包含优先对绿色（V1-green）、红色（V1-red）、水平线段（V1-horizontal）、垂直线段（V1-vertical）、45度线（V1-diagonal-right）和135度线（V1-diagonal-left）做出反应的神经元单元。）<br>[0099] “Each neuronal unit in area C can have a receptive field which matches its preferred direction, and the area has a topographic arrangement such that if activity is predominately on the left side of area C, signals to the BBD wheels are issued that evoke a turn towards the left.” （区域C中的每个神经元单元可以具有与其偏好方向相匹配的感受野，并且该区域具有拓扑排列，因此如果活动主要在区域C的左侧，则向BBD车轮发出信号，引发向左转。） | 对比文件描述了神经模型处理来自相机的视觉输入，其中视觉区域（如V1）的神经元对特定特征（颜色、方向）有选择性响应，这隐含了对视觉场景中不同位置的编码。更重要的是，区域C具有拓扑排列，其神经元活动对应于特定的方向（如左/右），这实质上构成了一种空间映射，其活动控制着BBD的转向。当存在多个视觉目标（如红色菱形、红色正方形）时，它们必然对应于视觉场景中的不同位置，而这些位置信息通过视觉处理通路（V1→V2→V4→IT等）被处理，并最终影响区域C的活动。因此，本领域技术人员可以合理推断，多个目标中的每个目标对应于神经模型中某种形式的“位置”表示（尽管对比文件没有明确使用“目标地图”这一术语），并且该表示是相对于BBD（机器人设备）的，因为BBD的移动会改变其视觉输入。 |
| **技术特征C**：并且每个位置对应于人工神经网络中的神经元，《直接公开》 | [0094] “The neural model can include a number of neural areas...”（神经模型可以包括许多神经区域...）<br>[0097] “each having neuronal units that respond preferentially to...”（每个都包含优先对...做出反应的神经元单元。）<br>[0103] “In one embodiment, a neuronal unit within a neural area V1, V2, etc. of the neural model 12 is simulated by a mean firing rate model.” （在一个实施例中，神经模型12的神经区域V1、V2等内的神经元单元通过平均发放率模型来模拟。） | 对比文件明确且反复地描述了其系统包含“神经模型”（neural model），该模型由多个“神经区域”（neural areas）组成，每个区域包含许多“神经元单元”（neuronal units）。这些神经元单元是人工神经网络的基本组成部分。因此，对比文件直接公开了使用人工神经网络（神经元单元）来构建系统。结合对特征B的论述，每个位置信息由具有特定感受野或拓扑排列的神经元（单元）活动来编码，因此“每个位置对应于人工神经网络中的神经元”这一特征被直接公开。 |
| **技术特征D**：通过经由从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重来设置失衡，《未公开》 | [0095] “A projection can be... (4) ‘inhibitory,’...” （投影可以是...(4)“抑制性的”，...）<br>[0107] “A voltage independent connection is such that if a pre-synaptic neuron is firing at a high rate, then a post-synaptic neuron connected to it via the synapse will fire at a high rate. A voltage dependent connection is different... The voltage-dependent connection, no matter how active the pre-synaptic neuron is, would have no effect on the post-synaptic neuron if the latter were not above the threshold value.” （电压独立连接是指，如果突触前神经元以高速率发放，那么通过突触与之连接的突触后神经元也将以高速率发放。电压依赖连接则不同...无论突触前神经元多么活跃，如果突触后神经元未高于阈值，电压依赖连接都不会对突触后神经元产生影响。）<br>[0111] “Connections marked with ‘intra’ denote those within a visual sub-area and connections marked with ‘inter’ denote those between visual sub-areas. Inhibitory ‘inter’ projections connect visual sub-areas responding to shape only or to color only...” （标记为“内部”的连接表示视觉子区域内的连接，标记为“之间”的连接表示视觉子区域之间的连接。抑制性“之间”投影连接仅对形状或仅对颜色做出响应的视觉子区域...） | 对比文件确实公开了神经网络中存在抑制性连接（inhibitory projections），并且这些连接会影响神经元活动。然而，目标专利的技术特征D明确限定了设置失衡的具体方式：“通过经由从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重”。这意味着失衡的设置是**有方向性和目的性**的：从（已确定的）“目标神经元”指向“非目标神经元”，目的是为了偏置选择。对比文件虽然描述了广泛的抑制性连接（如表2中的V2→V2(intra)等），但这些连接是作为网络固有解剖结构的一部分，用于一般的信号处理（如特征分离、竞争），并未描述为了执行“从多个目标中选择一个”这一特定任务，而**动态地或专门地**配置从“目标神经元”到“非目标神经元”的抑制性权重以创建“失衡”。对比文件中的选择或偏好形成（如[0095]）是通过**可塑性学习**（[0113] Synaptic Plasticity）修改连接权重来实现的，这是一个缓慢的、经验依赖的过程，而非权利要求D所描述的、作为一种机制来设置即时选择偏置的“输出抑制性权重以设置失衡”。因此，该技术特征未被对比文件公开。 |
| **技术特征E**：以及至少部分地基于所述失衡来修改所述目标神经元与所述非目标神经元之间的相对激活，以使得在所述目标神经元的活跃量大于所述非目标神经元的活跃量时所述机器人设备移动至所述目标地图中与所选目标相关联的位置。《未公开》 | [0099] “The activity of neural area C (analogous to the superior colliculus) can dictate where the BBD directs its camera gaze. Tracking in the BBD can be achieved by signals to wheels or tracks based on the vector summation of the activity of the neuronal units in area C. Each neuronal unit in area C can have a receptive field which matches its preferred direction, and the area has a topographic arrangement such that if activity is predominately on the left side of area C, signals to the BBD wheels are issued that evoke a turn towards the left.” （神经区域C（类似于上丘）的活动可以决定BBD将其相机注视指向何处。BBD中的跟踪可以通过向车轮或履带发出基于区域C中神经元单元活动的矢量和的信号来实现。区域C中的每个神经元单元可以具有与其偏好方向相匹配的感受野，并且该区域具有拓扑排列，因此如果活动主要在区域C的左侧，则向BBD车轮发出信号，引发向左转。）<br>[0113] “Synaptic strengths are subject to modification according to a synaptic rule that depends on the phase and activities of the pre- and post-synaptic neuronal units.” （突触强度根据取决于突触前和突触后神经元单元的相位和活动的突触规则进行修改。） | 对比文件公开了神经区域C的活动决定BBD的运动方向（移动至某个位置），且区域C的活动是由其神经元群体的相对激活模式（如左侧活动更强则向左转）决定的。这隐含了“修改神经元之间的相对激活以使得机器人设备移动至某个位置”。然而，该技术特征E与特征D紧密关联，它要求这种相对激活的修改是“至少部分地基于所述失衡”的。如前所述，对比文件并未公开特征D所述的“设置失衡”的具体机制。虽然对比文件中存在可塑性学习，但该学习是修改连接权重，其目的是为了形成长期的感知类别或行为偏好（[0095], [0113]），而非作为“基于失衡修改相对激活”这一即时选择机制的一部分。因此，特征E中限定的“基于所述失衡”这一特定因果关系未被对比文件公开。 |
| **技术特征F**：其特征在于，每个目标是空间目标。《直接公开》 | [0095] “...prefer one target object, e.g. the red diamond, over multiple distracters or non-target objects such as the red square and a green diamond of a scene in its vision.” （...偏爱一个目标对象，例如其视野场景中的红色菱形，而不是多个干扰物或非目标对象，例如红色正方形和绿色菱形。）<br>[0099] “...causing the BBD to orient towards a sound source. Neural area V4 projects topographically to area C, its activity causing the BBD to center its gaze on a visual object (e.g. a red triangle).”（...导致BBD朝向声源。神经区域V4以拓扑方式投射到区域C，其活动导致BBD将其注视中心对准一个视觉对象（例如红色三角形）。） | 对比文件明确描述了BBD在其真实世界环境中与视觉对象（如红色三角形、红色正方形）和声源进行交互。这些对象和声源都存在于物理空间中，因此是“空间目标”。该特征被直接公开。 |
| **技术特征G**：其特征在于，所述目标选择准则至少部分地基于每个目标的活跃量概率。《隐含公开》 | [0103] “In one embodiment, a neuronal unit within a neural area V1, V2, etc. of the neural model 12 is simulated by a mean firing rate model. The state of each neuronal unit is determined by both a mean firing rate variable (σ) and a phase variable (P). The mean firing rate variable of each neuronal unit corresponds to the average activity or firing rate of a group of roughly 100 neurons during a time period of approximately 100 milliseconds.” （在一个实施例中，神经模型12的神经区域V1、V2等内的神经元单元通过平均发放率模型来模拟。每个神经元单元的状态由平均发放率变量（σ）和相位变量（P）两者决定。每个神经元单元的平均发放率变量对应于大约100个神经元在大约100毫秒时间段内的平均活动或发放率。） | 目标专利中的“活跃量”对应于神经元的激活水平。对比文件中的神经元单元使用“平均发放率”（mean firing rate）模型，该发放率本质上是一种随时间平均的活性概率或强度度量。当BBD基于神经活动（例如区域C的活动模式）选择目标时，这种选择在底层可被视为基于相关神经元群体发放率（即“活跃量概率”）的决策。因此，本领域技术人员可以合理推断，目标选择准则至少部分地基于神经元所表征的目标的神经活性（即“活跃量概率”）。该特征被隐含公开。 |
| **技术特征H**：其特征在于，所述选择目标选择准则至少部分地基于所述目标与所述机器人设备之间的空间距离。《未公开》 | 无相关内容。 | 对比文件描述了BBD基于视觉特征（颜色、形状）和听觉刺激来选择和定向目标，也描述了通过学习形成对特定特征组合（如红色菱形）的偏好。然而，在对比文件的整个说明书中，没有任何部分提及将“目标与机器人设备之间的空间距离”作为选择准则。选择是基于对象的感知特征（如[0095]中的“red diamond”）或通过学习建立的类别，而非基于几何距离。因此，该技术特征未被对比文件公开。 |
| **技术特征I**：其特征在于，所述连接是第一输入层连接、神经元输入、侧向连接、或其组合中的至少一者。《直接公开》 | [0097] “Visual images from a camera can be filtered for color and edges and the filtered output directly influences neural activity in area V1.” （来自相机的视觉图像可以被过滤以提取颜色和边缘，过滤后的输出直接影响区域V1的神经活动。）<br>[0104] “In one embodiment, synaptic connections between neuronal units, both within a given neural area, e.g. V1 or C, and between neural areas, e.g. V2→V4 or C→V4, are set to be either voltage-independent or voltage-dependent, either phase-independent or phase-dependent, and either plastic or non-plastic.” （在一个实施例中，神经元单元之间的突触连接，无论是在给定神经区域内（例如V1或C），还是在神经区域之间（例如V2→V4或C→V4），被设置为电压独立或电压依赖、相位独立或相位依赖、以及可塑或非可塑的。）<br>表2中列出了大量的投影（Projection）类型，包括区域内（intra）和区域间（inter）的连接。 | 对比文件明确描述了神经网络中广泛存在的各种连接：1) 传感器（相机）到输入神经区域（V1）的连接，这对应于“第一输入层连接”或“神经元输入”；2) 同一神经区域内部神经元之间的连接，这对应于“侧向连接”；3) 不同神经区域之间的连接。因此，权利要求中限定的连接类型（第一输入层连接、神经元输入、侧向连接或其组合）在对比文件中被直接且充分地公开。 |
<<<C>>><<<F>>><<<I>>><<<a>>><<<b>>><<<g>>>