**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**：264用于空间目标选择的失衡式交叉抑制性机制CN106030621B
**本次调用模型名称**：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**：《直接公开》<br>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 | [0113] “2. Attention systems operating in real-world robots: Invention enables robot to detect unexpected events in its environment even while being absorbed in a task (e.g. person approaching while robot is absorbed in grasping object, . . . ). An embodiment of an autonomous robot provided with such attention system is shown in FIG. 6.” （中文翻译：2. 在现实世界机器人中运行的注意力系统：本发明使机器人能够在专注于一项任务时检测其环境中的意外事件（例如，当机器人专注于抓取物体时有人接近，……）。图6示出了配备有这种注意力系统的自主机器人的一个实施例。） | 对比文件明确公开了其系统可以应用于自主机器人（“autonomous robot”），并且该机器人的注意力系统能够检测环境中的“事件”（如人接近），这些事件对于机器人而言即为其需要关注或处理的“目标”。系统基于某种准则（例如，事件的意外性或行为相关性）来选择这些目标。因此，对比文件直接公开了为机器人设备基于某种准则从多个可能的事件/目标中进行选择。 |
| **技术特征B**：《未公开》<br>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 | [0050] “Each feature map concentrates on a certain feature such as oriented contrast edges or optic flow, for example.”; [0050] “... computes a certain 2D position pFoAεW×H in image coordinates...” （中文翻译：每个特征图集中于某个特征，例如定向对比边缘或光流。……计算图像坐标中的某个2D位置pFoAεW×H……） | 对比文件确实使用了二维的特征图（“feature map”）和显著性图（“saliency map”），这些图可以理解为一种空间地图，其中每个位置（像素）对应一个特征值。然而，这些地图表示的是从传感器（如相机）捕获的图像中的位置，其坐标是图像坐标（image coordinates），而不是目标专利说明书[0106]中定义的“相对于所述机器人设备的位置”的“自我中心式坐标”地图。对比文件的地图是传感器视野的固定表示，而目标专利的地图是围绕机器人当前位置动态变换的自我中心式参考系。两者作用不同：对比文件的地图用于视觉特征分析和注意力聚焦，而目标专利的地图用于表示目标相对于移动机器人的空间关系以进行路径规划。因此，该特征未被公开。 |
| **技术特征C**：《隐含公开》<br>并且每个位置对应于人工神经网络中的神经元 | [0100] “The classifier [17] is assumed to be pre-trained on various object categories...”；结合背景技术可知，分类器常由人工神经网络实现。此外，整个注意力系统是对生物神经系统的计算建模。 | 对比文件描述了包含分类子系统（classification sub-system）的完整计算系统，用于识别对象类别。本领域技术人员公知，此类视觉识别与分类任务通常由人工神经网络（如卷积神经网络）实现。虽然对比文件未明确说明“每个位置对应一个人工神经元”，但其整个系统建立在计算神经科学模型之上，且分类器等模块隐含了神经网络的使用。从广义的“人工神经网络”概念和系统实现角度看，可以合理推断系统处理的特征图、显著性图中的信息是由底层的人工神经网络（或类似的处理单元）编码和处理的，每个处理单元（可类比为神经元）对输入图像的某个区域或特征进行响应。因此，该特征被对比文件隐含公开。 |
| **技术特征D**：《未公开》<br>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 | [0091] “The top-down saliency also combines the feature maps to a single (top-down) saliency map... by computing their weighted sum sdorsalTD=ΣjwjTDfj, where the wjTDε[0,1] are the tope-down feature weights...”； [0093] “The two saliency maps are combined to a single saliency map sdorsal... by computing their weighted sum.” （中文翻译：自上而下的显著性也通过计算它们的加权和sdorsalTD=ΣjwjTDfj将特征图组合成单个（自上而下的）显著性图……，其中wjTDε[0,1]是对应的自上而下的特征权重……。这两个显著性图通过计算它们的加权和来组合成单个显著性图sdorsal。） | 对比文件确实涉及权重的设置与调整（如自上而下权重wjTD），但这些权重用于调制不同**特征通道**（如颜色、边缘）对最终显著性图的贡献，以实现基于任务的注意力引导（见[0066]）。这是一种**特征层面的权重调制**，其作用是增强或抑制某些特征。而目标专利的特征D描述的是在**神经元（或目标单元）层面**，通过**神经元之间的特定连接**（从“目标神经元”到“非目标神经元”）输出**抑制性权重**，以在竞争的目标之间创建“失衡”（imbalance），其直接作用是**抑制其他竞争单元的激活**（见目标专利[0110]）。这是两种完全不同的机制：对比文件是特征选择机制，目标专利是单元间竞争性抑制机制。对比文件没有公开任何通过单元间（对应于空间位置）的抑制性连接来设置失衡以实现“赢者全得”式目标选择的内容。因此，该特征未被公开。 |
| **技术特征E**：《未公开》<br>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。 | [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, stopping the ongoing task...”; [0113] “Invention enables robot to detect unexpected events in its environment...” （中文翻译：当sventral(q*)超过某个阈值时，触发重新定向响应。如果是这样，punexpected被发送到背侧注意力子系统，同时，中断被发送到期望生成子系统，停止正在进行的任务……。本发明使机器人能够检测其环境中的意外事件……） | 对比文件的系统在检测到意外刺激（如滚动的球）时，会触发“重新定向响应”（reorienting response），包括中断当前任务，并将注意焦点引导至意外刺激的位置。这可能导致机器人或车辆采取行动（如刹车或转向以避开球）。然而，这种“行动”的触发是基于**显著性检测、任务中断和注意力转移**的机制。而目标专利的特征E则明确依赖于特征D所定义的**通过连接设置的失衡**来修改神经元间的**相对激活**，最终导致机器人移动。其核心是**通过失衡的交叉抑制使一个目标神经元在激活竞争中胜出**，从而驱动行动。对比文件没有描述这种基于神经元间抑制性失衡的竞争性选择机制来驱动移动。因此，该特征未被公开。 |
| **技术特征F**：《直接公开》<br>其特征在于，每个目标是空间目标。 | [0066] “It is assumed that the system is in a traffic environment...”; [0069] “Now suppose that a ball rolls onto the street...”; [0113] “...person approaching...” （中文翻译：假定系统处于交通环境中……。现在假设一个球滚到街上……。……有人接近……） | 对比文件所描述的实施例均处于空间环境（交通环境、街道），其检测和处理的目标（如汽车、球、行人）都是在物理空间中具有位置和范围的实体，即“空间目标”。这与目标专利说明书[0112]中“目标是空间目标”的描述完全一致。因此，该特征被直接公开。 |
| **技术特征G**：《未公开》<br>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。 | 无相应内容。 | 对比文件中描述的目标选择准则基于任务的关联性（自上而下）、刺激的显著度（自下而上）或意外性（腹侧系统），并未提及基于“目标的活跃量概率”进行选择。目标专利说明书[0119]提及的概率选择准则在对比文件中无对应。因此，该特征未被公开。 |
| **技术特征H**：《隐含公开》<br>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。 | [0066] “...the system also knows from experience how the spatial prior ‘in front’ translates to 2D image space, which affects the saliency map by further increasing the saliency of cars in front while decreasing the saliency of cars in the periphery.” （中文翻译：……系统还根据经验知道空间先验“在前面”如何转换为2D图像空间，这通过进一步增加前方汽车的显著性并降低外围汽车的显著性来影响显著性图。） | 对比文件明确提到“空间先验”（spatial prior），例如“在前面”（in front）。系统利用这一先验来调整显著性图，使得更靠近自身（在“前面”这一空间关系上）的目标（如汽车）获得更高的显著性，从而更可能被选择为注意焦点。虽然这是基于图像空间中的相对位置（如“前方”），而非精确的物理距离计算，但“在前方”这一空间关系本质上隐含了目标与机器人/车辆之间的相对空间距离关系（近 vs 远）。因此，可以合理推断对比文件公开了基于目标与设备间空间关系（隐含了距离）的选择准则。该特征被隐含公开。 |
| **技术特征I**：《未公开》<br>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。 | 对比文件描述了权重（wjBU， wjTD）和连接，但这些是用于特征整合的权重参数，并非目标专利中所特指的、在代表空间位置的神经元或单元之间的、用于实现交叉抑制的物理或逻辑“连接”。目标专利中明确该连接用于输出抑制性权重以设置失衡（见特征D）。对比文件未公开此类具有特定功能的连接类型。 | 该特征是对特征D中“连接”的具体类型的进一步限定。由于特征D所定义的“通过连接输出抑制性权重以设置失衡”这一核心机制本身未被对比文件公开（见特征D论述），因此对该连接具体类型的限定也必然未被公开。对比文件中提到的权重和信号通路不具备此特定功能。 |
<<<A>>><<<F>>><<<c>>><<<h>>>