对比文件的名称：发明授权_US07512487B1 Adaptive and personalized navigation system
特征比对表格：
| 技术特征描述 | 对比文件原文引用 | 公开性论述 |
| **A: 接收对应于第一行程的第一组对象数据；** <br>《隐含公开》 | [0020] "As a user drives, modelers are employed to develop and maintain attribute models, which effectively capture the driver's personal driving habits and preferences." <br> [0033] "Example input (or otherwise available data) to the learning module 107 includes ... a set of driving sessions..." <br> [0063] "...one 'mini-model' of road speed is constructed for each individual driving session, where a driving session is the interval from turning the engine on to turning it off." | 对比文件公开了从用户的驾驶会话（driving session，即行程）中收集数据以构建模型。接收对应于一个行程的数据是构建模型的基础和前提步骤。在对比文件中，接收驾驶会话数据的作用是用于学习道路属性模型，这与目标专利中接收对象数据用于后续处理（如聚类、绘图）的初始数据获取作用相同。因此，该特征被隐含公开。 |
| **B: 接收对应于第二行程的第二组对象数据；** <br>《隐含公开》 | [0020] "As a user drives, modelers are employed to develop and maintain attribute models..." <br> [0033] "Example input (or otherwise available data) to the learning module 107 includes ... a set of driving sessions..." <br> [0063] "The road speed modeler 201 further defines a similarity metric that measures the degree of similarity between two mini-models of road speed..." | 对比文件明确提到了多个驾驶会话（a set of driving sessions），并且其模型学习和聚类过程需要至少两个驾驶会话的数据进行比较和合并（例如，比较两个mini-model的相似性）。接收对应于第二个行程的数据是进行多行程比较和学习的必然要求。其在对比文件中的作用同样是作为模型学习和聚类的数据源，与目标专利中的作用相同。因此，该特征被隐含公开。 |
| **C: 确定所述第一组对象数据与所述第二组对象数据之间的相似性度量** <br>《直接公开》 | [0020] "The mini-models are merged ('clustered') together if they have similar data, as determined by using a similarity metric." <br> [0063] "The road speed modeler 201 further defines a similarity metric that measures the degree of similarity between two mini-models of road speed by comparing, for example, the smoothed distribution of road speeds on each road segment that is in common between the two models." | 对比文件直接且明确地记载了使用相似性度量（similarity metric）来确定两个迷你模型（每个模型基于一个驾驶会话/行程的数据）之间的相似性。这与目标专利中确定两组对象数据之间相似性度量的特征完全相同。在对比文件中，该相似性度量的作用是判断两个驾驶会话数据模型是否相似，以便决定是否合并（聚类），这与目标专利中为聚类对象数据而计算相似性的作用相同。 |
| **D: 其中所述相似性度量指示至少一个对象的所述第一组对象数据的点与所述第二组对象数据的点之间的距离；** <br>《隐含公开》 | [0063] "...compares two mini-models of road speed by comparing, for example, the smoothed distribution of road speeds on each road segment that is in common between the two models. Two distributions may be compared using any known measure of distribution distance, such as Kullback-Leibler (KL) distance." | 对比文件公开了使用分布距离（如KL距离）来比较两个模型。分布距离本质上是衡量两个数据分布之间的差异或“距离”，这隐含了比较来自两个行程的数据点（如道路速度值）之间的某种聚合距离。虽然对比文件没有明确使用“点之间的距离”这一表述，且其比较的是分布而非具体对象点，但对于本领域技术人员而言，计算分布距离必然基于对构成分布的数据点（如每个路段的多个速度采样点）的差异度量。在对比文件中，该距离度量的作用是量化两个行程数据模型的相似程度，以服务于聚类，这与目标专利中相似性度量用于指示对象数据点之间距离以服务于聚类的作用实质相同。因此，该特征被隐含公开。 |
| **E: 基于所述相似性度量来聚类所述至少一个对象的所述第一组对象数据和所述第二组对象数据，以产生至少一个对象簇** <br>《直接公开》 | [0020] "The mini-models are merged ('clustered') together if they have similar data, as determined by using a similarity metric." <br> [0063] "At each step of HAC, the pair of mini-models that are most similar to each other are identified by the similarity metric. The two mini-models can then be merged by pooling their data." | 对比文件直接记载了基于相似性度量（similarity metric）将迷你模型（每个模型对应一个行程的数据）合并（即聚类）在一起。合并后的模型可以视为一个“簇”，它包含了来自多个行程的聚合数据。这与目标专利中基于相似性度量聚类对象数据以产生对象簇的特征一致。在对比文件中，聚类的作用是将相似的驾驶会话数据分组，以形成代表不同驾驶条件的模型变体，这与目标专利中聚类对象数据以识别和分组对应同一物理对象的观测数据的作用在“数据分组”这一核心功能上相同。 |
| **F: 所述聚类用于将所述第一组对象数据的对象与所述第二组对象数据中的对象进行关联** <br>《隐含公开》 | [0020] "The mini-models are merged ('clustered') together if they have similar data..." <br> [0063] "The two mini-models can then be merged by pooling their data." | 对比文件公开的聚类（合并）操作，其本质是将来自不同行程（第一组数据和第二组数据）的迷你模型关联起来，合并成一个代表共同条件（如雨天、晴天）的模型。这隐含了将不同行程中观测到的、属于同一条件类别的数据关联在一起。虽然对比文件关联的是抽象的“条件”而非具体的物理“对象”（如标志、车道线），但其技术手段（基于相似性聚类以关联不同来源的数据）是相通的。在对比文件中，关联的作用是识别并整合对应于相同驾驶条件的数据，这与目标专利中关联对应于相同物理对象的数据在“跨数据源关联”这一技术构思层面作用相似。因此，该特征被隐含公开。 |
| **G: 所述聚类包括使用所述相似性度量来执行分层聚类** <br>《直接公开》 | [0020] "One algorithm for implementing this clustering is hierarchical agglomerative clustering (HAC)." <br> [0063] "At each step of HAC, the pair of mini-models that are most similar to each other are identified by the similarity metric." | 对比文件明确且直接地记载了使用分层凝聚聚类（HAC），并且该聚类过程使用相似性度量来识别最相似的模型对以进行合并。这与目标专利中“使用相似性度量执行分层聚类”的特征完全一致。在对比文件中，执行分层聚类的作用是逐步合并相似的数据模型以形成最终的条件变体簇，这与目标专利中执行分层聚类以产生对象簇的作用相同。 |
| **H: 使用物理距离作为针对两个或更多个聚类水平和/或步骤而不同的参数** <br>《未公开》 | 无对应原文。对比文件未提及在分层聚类的不同水平或步骤中使用不同的参数，特别是未提及使用“物理距离”作为参数。 | 对比文件虽然公开了分层聚类（HAC），但并未描述在聚类的不同水平或步骤中采用不同的参数（如距离参数）。更未提及使用“物理距离”作为聚类参数。对比文件的相似性度量基于数据分布（如道路速度分布）的差异，而非对象之间的物理空间距离。因此，该特征既未被直接记载，也未被隐含公开。 |
| **I: 基于所述至少一个对象簇来产生地图数据** <br>《未公开》 | 无对应原文。对比文件描述了基于学习到的属性模型来生成路线建议，但并未描述基于聚类产生的“簇”来生成或更新地图数据。地图数据（如道路网络）在对比文件中是预先存储的（见[0031] map data storage 109）。 | 目标专利中的“产生地图数据”特指基于对象簇（如标志、车道线的聚类结果）来生成或细化地图（例如，高精地图）。对比文件中的系统使用学习到的模型来对现有地图上的路线进行评分和选择，但并不生成新的地图数据或基于聚类结果来构建地图。两者的目的和技术手段不同。因此，该特征未被公开。 |
| **J: 其中所述相似性度量基于对象类型** <br>《未公开》 | 无对应原文。对比文件中的相似性度量用于比较道路属性（如速度、安全性）的模型，不涉及“对象类型”（如标志、车道线）的概念。 | 对比文件未提及根据不同的对象类型采用不同的相似性度量。其建模和聚类的对象是抽象的驾驶条件或道路属性，而非具体的、可分类的物理对象（如交通标志、车道标记）。因此，该特征未被公开。 |
| **K: 其中针对标志对象类型确定所述相似性度量** <br>《未公开》 | 无对应原文。对比文件完全不涉及“标志对象类型”。 | 对比文件的技术方案与交通标志无关，因此不可能公开针对标志对象类型的相似性度量。该特征未被公开。 |
| **L: 其中所述第一组对象数据和所述第二组对象数据包括标志数据** <br>《未公开》 | 无对应原文。 | 同特征K，对比文件不涉及标志数据。该特征未被公开。 |
| **M: 并且其中所述相似性度量指示来自不同行程的标志的点之间的距离** <br>《未公开》 | 无对应原文。 | 同特征K、L，对比文件不涉及标志数据或标志点之间的距离。该特征未被公开。 |
| **N: 其中所述第一组对象数据和所述第二组对象数据包括车道标记数据** <br>《未公开》 | 无对应原文。 | 对比文件不涉及车道标记数据。其建模的是道路属性（如速度、安全性），而非车道线几何信息。该特征未被公开。 |
| **O: 其中执行分层聚类包括执行多个不同的聚类步骤** <br>《隐含公开》 | [0020] "One algorithm for implementing this clustering is hierarchical agglomerative clustering (HAC)." <br> HAC算法的本质就是迭代执行多个聚类步骤（每一步合并最相似的两个簇），直到满足停止条件。 | 分层凝聚聚类（HAC）算法本身必然包含执行多个不同的聚类步骤（迭代合并）。对比文件明确采用了HAC，因此隐含公开了“执行多个不同的聚类步骤”这一特征。在对比文件中，多个聚类步骤的作用是逐步构建层次化的聚类结构，这与目标专利中分层聚类步骤的作用相同。 |
| **P: 其中第一聚类步骤包括基于第一距离参数来聚类，并且第二聚类步骤包括基于第二距离参数来聚类，其中所述第二距离参数小于所述第一距离参数** <br>《未公开》 | 无对应原文。对比文件描述了HAC算法，但未提及在算法的不同步骤中使用不同的距离参数（如第一距离参数、第二距离参数）。 | 虽然对比文件公开了HAC（涉及多个步骤），但并未记载在步骤间改变距离参数，特别是未记载第二距离参数小于第一距离参数这种具体设置。HAC通常使用单一的相似性/距离度量进行迭代合并。因此，该特征未被公开。 |
| **Q: 其中聚类所述第一组对象数据和所述第二组对象数据包括执行谱聚类** <br>《未公开》 | 无对应原文。对比文件只提及了分层凝聚聚类（HAC），未提及谱聚类（Spectral Clustering）。 | 对比文件公开的聚类方法是HAC，而非谱聚类。两种是不同的聚类算法。因此，该特征未被公开。 |
| **R: 其进一步包括基于所述至少一个对象簇来执行捆绑调整** <br>《未公开》 | 无对应原文。对比文件不涉及“捆绑调整”（Bundle Adjustment）这一计算机视觉/摄影测量中的特定优化技术。 | 捆绑调整是优化相机参数和3D点位置的技术。对比文件的方案不涉及相机位姿和3D地标点的联合优化，因此未公开此特征。 |
| **S: 其中在一或多个关联块中的每一个内执行聚类** <br>《未公开》 | 无对应原文。对比文件未提及将数据划分为“关联块”并在每个块内独立执行聚类的概念。 | 对比文件的聚类是在所有驾驶会话数据上全局进行的，没有描述基于地理区域或其他划分的块内聚类。因此，该特征未被公开。 |
| **T: 其中产生所述地图数据包含基于所述至少一个对象簇来细化地图数据** <br>《未公开》 | 无对应原文。 | 同特征I，对比文件不涉及基于对象簇生成或细化地图数据。该特征未被公开。 |
| **U: 其进一步包括将所产生的地图数据传输到至少一个车辆** <br>《未公开》 | 无对应原文。对比文件描述的是一个安装在车辆上的导航系统，其地图数据本地存储或使用，未提及将生成的地图数据传输到其他车辆。 | 对比文件未涉及车联网或云端地图数据分发的概念。因此，该特征未被公开。 |
| **V: 其中所述对象数据包括对象位姿信息** <br>《未公开》 | 无对应原文。对比文件中的对象数据是道路属性数据（如速度、安全性评分），不包含对象的位姿（位置和姿态）信息。 | 目标专利的对象位姿信息（如6DOF标志位姿）是用于构建高精地图的几何信息。对比文件处理的是属性数据，而非几何位姿数据。因此，该特征未被公开。 |
<<<C>>><<<E>>><<<G>>>
<<<a>>><<<b>>><<<d>>><<<e>>><<<f>>><<<o>>>