**对比文件名称**：2013-05-22_CN103116354A_发明公开_CN103116354A 一种双足机器人实时步态轨迹生成方法
**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**：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，<br>**判断结果：未公开** | 未直接引用相关内容。对比文件涉及机器人步态轨迹生成，其“目标”意指行走动作或轨迹点本身，而非从多个空间目标中进行选择。 | 目标专利中，机器人需要从多个目标（例如图5、图8中的目标606、608、610、808等）中基于准则选择一个作为移动目的地。对比文件中的机器人基于振荡神经元网络生成步态轨迹以实现行走，其“目标”是完成行走这一动作或生成具体的轨迹坐标点，并非从多个待选的空间目标中择一。两者“目标”的概念和作用完全不同。因此，本领域技术人员无法从对比文件中直接或隐含地得出“为机器人设备从多个目标中选择一个目标”的技术方案。 |
| **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，<br>**判断结果：未公开** | 说明书第[0051]-[0057]段、图4：“左腿脚掌轨迹的映射函数设计为：... `X_l(t)=X_0+A_x*r_2(t)`... `Z_l(t)=Z_0+A_z*r_4(t)`... 右腿脚掌轨迹的映射函数为：... `X_r(t)=X_0+A_x*r_1(t)`... `Z_r(t)=Z_0+A_z*r_3(t)`...” | 目标专利的“目标地图”（如图5、图8）是一个包含多个位置的表示，每个位置对应一个潜在的“目标”，且该地图是相对于机器人位置的（自我中心式参考系）。对比文件中，通过映射函数将振荡神经元的输出信号`r_i(t)`转换为脚掌在X轴和Z轴的位置坐标（`X_l(t)`, `Z_l(t)`等）。这些坐标是随时间连续变化的轨迹点，用于指导机器人脚部运动。虽然这些坐标构成了空间中的位置，但其作用是定义一条连续的、周期性的运动路径，而非构成一个包含多个待选目标位置的静态或半静态“地图”。两者在技术构思和作用上存在本质差异。 |
| **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<br>**判断结果：未公开** | 说明书第[0044]-[0049]段：“振荡神经元单元的模型为：... `r_i = -u_{ei} + u_{fi}`...” | 目标专利中，目标地图中的每个位置明确对应一个人工神经网络中的特定神经元（例如图8中的单元802、804、806、808等），该神经元的激活状态代表该位置是否有目标及其选择优先级。对比文件公开了由振荡神经元单元（人工神经元）组成的网络，其输出信号`r_i`被映射为空间坐标。然而，这里的神经元输出`r_i`是一个随时间振荡的连续信号，其作用是生成轨迹，而不是静态地代表地图中某个固定位置的状态。一个神经元（单元）的输出直接决定了轨迹上无数个连续点的坐标，这与“一个位置对应一个神经元”的固定映射关系不同。因此，对比文件未公开该特征。 |
| **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<br>**判断结果：未公开** | 说明书第[0044]-[0049]段、图2：“... `w_{ij}`为神经元j与神经元i间的连接权重... 四个振荡单元全向耦合，如果设置振荡单元间的耦合关系为全抑制耦合，例如，设置耦合权重矩阵`W_{ij}=(w_{ij})_{4×4}(w_{ij}=-1, (i≠j))`...” | 目标专利的核心在于通过设置神经元间连接权重的“失衡”（例如，式15），使得代表较近目标的神经元能更强地抑制代表较远目标的神经元，从而在竞争中胜出（图7、图8）。对比文件确实公开了神经元单元之间存在连接权重`w_{ij}`，且可以设置为抑制性的（`w_{ij} = -1`）。然而，对比文件中设置抑制性权重的目的是为了让四个振荡单元产生具有固定相位差（如π/2，π）的周期性输出信号（图3），以合成协调的步态轨迹。这种“抑制”是为了产生稳定的振荡模式，而非为了基于某种“选择准则”（如距离）在多个候选者中“偏置”或“选择”出一个胜利者。对比文件完全没有提及基于选择函数（如距离）来有差别地设置连接权重（即“失衡”）以实现目标选择。因此，该特征未被公开。 |
| **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。<br>**判断结果：未公开** | 说明书第[0051]-[0066]段、图4、图6：“...经过映射函数的变换(`r_1>0, r_3>0`)，对应得到脚掌轨迹如图4所示... 通过调制模型中的可调参数，可以实时改变机器人的三维重心轨迹。” | 目标专利中，通过失衡机制修改神经元间的相对激活（尖峰发放速率），使得被选中的“目标神经元”最活跃，进而驱动机器人移动到该神经元对应的地图位置。这是一个“选择-驱动移动”的过程。对比文件中，机器人移动（行走）是基于振荡神经元网络直接生成的、连续的脚掌和重心轨迹（CoMx, CoMy, CoMz）。机器人的运动是跟踪这些预设或实时调制的轨迹，而非基于对多个神经元活跃量的比较并选择最活跃者所对应的位置。两者实现机器人移动的机制原理不同。对比文件未公开基于神经元活跃量比较来选择移动目的地的技术方案。 |
| **技术特征F**：其特征在于，每个目标是空间目标。<br>**判断结果：未公开** | （同特征B引用） | 目标专利明确限定“每个目标是空间目标”，强调了目标的空间属性。对比文件生成的脚掌轨迹点(`X(t)`, `Z(t)`)和重心轨迹点(`CoMx`, `CoMy`, `CoMz`)确实是在三维空间中的坐标。然而，如特征A和B所述，这些坐标点是运动轨迹的组成部分，其作用是定义运动路径，而不是从多个候选者中被选出的、作为移动终点的“空间目标”。因此，该限定特征未被公开。 |
| **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。<br>**判断结果：未公开** | 无相关引用。 | 目标专利说明书第[0119]段提到选择准则可基于“目标的概率”（例如尖峰发放概率）。对比文件全文未涉及任何基于概率的目标选择机制。因此，该特征既未被直接公开，也无法从对比文件已公开的内容中合理推断得出。 |
| **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。<br>**判断结果：未公开** | 无相关引用。 | 目标专利说明书第[0102]-[0118]段、图5-图8及式15详细描述了基于目标与机器人距离的选择准则及失衡式交叉抑制实现方式。对比文件涉及机器人行走轨迹生成，但未提及根据目标与机器人的空间距离来从多个目标中进行选择。因此，该特征未被公开。 |
| **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。<br>**判断结果：《直接公开》** | 说明书第[0044]-[0049]段、图2：“... `w_{ij}`为神经元j与神经元i间的连接权重... 四个振荡单元全向耦合...” | 目标专利中，用于输出抑制性权重以设置失衡的“连接”可以是多种类型，其中包括“侧向连接”。对比文件图2和文字描述明确示出并说明了四个振荡神经元单元之间通过连接权重`w_{ij}`相互耦合。这种在同一神经网络层内部的神经元之间的相互连接，在本领域通常被称为“侧向连接”(lateral connection)。因此，对比文件直接公开了技术特征I中“侧向连接”这一具体的连接类型。尽管该连接在对比文件中的作用（产生振荡相位）与在目标专利中的作用（设置选择失衡）不同，但其作为“侧向连接”这一结构特征已被公开。 |
<<<I>>>