对比文件名称：2012-12-11_US8332070B_发明授权_US08332070B2 Learning and use of schemata in robotic devices
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
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：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》** | [0044] “...a schema is characterized by the goal which the application of such a generic behavior entails.” （图式以应用此类通用行为所达成的目标为特征。）<br>[0066] “...the following schemata are stored... ReachToObject, whose goal is to reach to an object using the robot's arm...” （...存储了以下图式...ReachToObject，其目标是使用机器人的手臂到达一个物体...）<br>[0072] “a. An input from the goal setting module sets the ReachToObject state to ‘active’, i.e. the robots high-level goal is to reach toward an object detected via the sensory input...” （a. 来自目标设定模块的输入将ReachToObject状态设置为‘激活’，即机器人的高层目标是朝向通过感官输入检测到的物体...） | 对比文件公开了一种机器人系统，其通过“图式（schema）”来表征和实现目标导向行为。图式被定义为具有特定目标（goal）的通用行为序列（见[0044]）。例如，系统存储有“ReachToObject”图式，其目标就是让机器人伸手够物（见[0066]）。在运行中，目标设定模块会激活特定的图式（如ReachToObject），从而为机器人设定了要达成的目标（见[0072]）。这表明对比文件中的机器人设备会基于某种准则（即图式所定义的预期结果或任务）来选择并致力于一个目标。虽然对比文件未明确使用“从多个目标中选择”的表述，但其系统显然能够（例如通过目标设定模块）从存储的多个图式中选择一个来执行，这隐含了为机器人选择目标的过程。因此，本领域技术人员可以从对比文件合理推断出技术特征A的内容。 | ||||
| **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，**《未公开》** | [0087] “...units distributed in a 2-dimensional map represent schemata.” （...分布在二维地图中的单元代表图式。）<br>[0109] 图9展示了“Schemata Map Activity”（图式地图活动）。 | 对比文件确实公开了一个二维（2D）的“图式地图（schemata map）”，其中的单元代表不同的图式（行为/目标）（见[0087]，图9）。然而，根据目标专利说明书[0105]-[0109]段，其“目标地图”特指一种空间位置表示（例如，地点单元的2D网格），其中单元的活动指示该空间位置是感兴趣的目标，且该地图的坐标是基于机器人当前位置的自我中心式参考系。对比文件的“图式地图”虽然也是2D网格，但其单元代表的是抽象的行为模式或目标（如“伸手”、“注视”），而非物理空间中的位置。图式地图的拓扑结构用于保持行为相似性（见[0088], [0124]），而非直接映射物理空间坐标。因此，对比文件未公开“每个目标对应于目标地图（一种空间位置表示）中的不同位置”这一技术特征。 | ||||
| **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》** | [0087] “...units distributed in a 2-dimensional map represent schemata.” （...分布在二维地图中的单元代表图式。）<br>[0120] “We used 100 units equally distributed on a 10×10 grid for the schemata map.” （我们使用了100个均匀分布在10×10网格上的单元作为图式地图。）<br>[0088] “Secondly, the Forward Model module is implemented by a single recurrent neural network (RNN).” （其次，前向模型模块由一个递归神经网络（RNN）实现。）<br>[0090] “Lastly, the Schemata Recognizer is implemented as an additional RNN.” （最后，图式识别器被实现为另一个RNN。） | 对比文件明确公开了其系统包含人工神经网络（如RNN）（见[0088], [0090]），并且存在一个由“单元（units）”组成的二维地图（见[0087], [0120]）。在人工神经网络的语境下，这些构成地图的“单元”就是人工神经元。因此，对比文件直接公开了“每个位置对应于人工神经网络中的神经元”这一技术特征。 | ||||
| **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》** | [0098]-[0108] 描述了“Population Readout Mechanism”（群体读出机制）。其中，图式地图的单元通过具有兴奋性和抑制性权重的侧向连接相互作用（见等式(5)-(7)）。<br>等式(5)：`w_{i,j}^* = exp[ - ( | p_j - p_i | / (2σ_*))^2 ]`，其中*代表“exc”或“inh”。<br>等式(6)、(7)：描述了通过迭代应用兴奋性和抑制性连接，使地图活动松弛为平滑峰值的过程。 | 对比文件确实公开了在神经地图（图式地图）的单元之间存在抑制性连接（`w_{i,j}^{inh}`），并且这些连接会影响单元的活动（见[0098]-[0108]）。然而，这些抑制性连接的作用是实现“群体读出机制”，目的是将输入活动转化为平滑、局部的峰值，以便于后续处理（例如提取峰值位置作为前向/逆模型的输入）（见[0097], [0109]图9）。该机制并未被描述为用于“设置失衡”以“选择目标”。具体而言，对比文件未公开为了选择一个特定目标（神经元），而通过从该目标神经元到其他非目标神经元输出抑制性权重来有意地偏置网络竞争。其抑制是全局性的、用于规范化的，而非为了在多个候选目标中实现基于特定准则（如距离）的选择性偏置。因此，对比文件未公开技术特征D。 | ||
| **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》** | [0047] “...given a situation defined by the state variables and a schema, an Inverse Model module 2 computes and issues motor commands which are suitable for reaching the schema's goal...” （...给定由状态变量和图式定义的情境，逆模型模块2计算并发出适合达到图式目标的电机命令...）<br>[0072]-[0077] 描述了机器人通过图式分解和逆模型生成电机命令，最终移动到目标物体位置的过程。 | 对比文件明确公开了机器人设备通过逆模型（Inverse Model）生成电机命令，从而移动以达到目标位置（例如，伸手够到物体）（见[0047], [0072]-[0077]）。但是，实现这一移动的机制是基于逆模型对传感器数据和当前激活图式的处理，并输出电机命令。这与技术特征E所描述的机制截然不同。技术特征E要求机器人的移动决策源于通过“失衡”修改神经元之间的“相对激活”，使得目标神经元比非目标神经元更活跃，从而触发移动。对比文件完全没有描述这种基于神经元间相对激活竞争来选择目标并触发移动的机制。其移动是由逆模型模块直接计算得出的，而非神经元活动竞争结果的直接体现。因此，对比文件未公开技术特征E。 | ||||
| **技术特征F**：其特征在于，每个目标是空间目标。**《直接公开》** | [0066] “ReachToObject, whose goal is to reach to an object using the robot's arm...” （ReachToObject，其目标是使用机器人的手臂到达一个物体...）<br>[0068] “Many ReachToPosXYZ schemata, each of them having the goal to reach to a certain 3D position in space” （许多ReachToPosXYZ图式，每一个的目标都是到达空间中的某个特定3D位置。） | 对比文件中描述的多个图式的目标，例如“到达一个物体”或“到达空间中的某个特定3D位置”，明确涉及物理空间中的位置。因此，这些目标是空间目标。对比文件直接公开了技术特征F。 | ||||
| **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。**《未公开》** | 无相关引用。 | 在对比文件的整个说明书中，均未提及基于“目标的活跃量概率”进行目标选择。目标的选择是通过目标设定模块输入、图式识别或图式层次分解来实现的，与概率无关。因此，对比文件未公开技术特征G。 | ||||
| **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》** | [0072] c. “Given the object's actual position in camera coordinates as well as the actual camera joint angles ... the GazeAtObject schema decomposes its goal insofar as it activates a specific GazeAtPosXY schema whose goal is to change the gaze position to a certain position (the position where the object is currently located).” （给定物体在相机坐标系中的实际位置以及实际的相机关节角度...GazeAtObject图式分解其目标，激活一个特定的GazeAtPosXY图式，其目标是将注视位置改变到某个位置（物体当前所在的位置）。） | 对比文件在描述目标选择或图式分解时，确实会考虑空间信息，例如物体的当前位置（见[0072]c）。然而，这并不等同于将“目标与机器人设备之间的空间距离”作为一项选择准则。在对比文件的示例中，系统选择“GazeAtPosXY”图式是因为需要注视物体所在的位置，这是一个绝对位置或相对方向，而非基于距离比较的选择准则（如“选择最近的目标”）。目标专利说明书[0100]-[0102]段明确强调了基于距离（如最靠近机器人）的选择准则，而对比文件未描述此类准则。因此，对比文件未公开技术特征H。 | ||||
| **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》** | [0098]-[0108] 描述了图式地图单元之间的“lateral connections”（侧向连接）（包括兴奋性和抑制性）。<br>[0088] “...the state variables x(t) and the schemata map activity s(t) serve as input to the RNN...” （...状态变量x(t)和图式地图活动s(t)作为RNN的输入...）——这描述了神经元输入。 | 对比文件明确公开了神经网络中存在“侧向连接（lateral connections）”（见[0098]-[0108]），以及将数据（如状态变量、地图活动）作为“输入（input）”提供给神经网络（如RNN）（见[0088]），这对应于“神经元输入”。因此，对比文件直接公开了技术特征I中“侧向连接”和“神经元输入”这两种连接类型，即公开了“其组合中的至少一者”。 |
<<<C>>><<<F>>><<<I>>><<<a>>>