对比文件名称：发明申请_US20090150024A1 Location range setting apparatus, control method and controller for apparatus mounted in mobile object, and automotive air conditioner and control method for the same
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；《隐含公开》 | [0066] “The control information correcting unit 64 has at least one probabilistic model associated with a specific setting operation, and calculates the recommended probability of the specific setting operation by inputting the state information into the probabilistic model.”<br>[0067] “The controller 60 stores the state information, etc. at periodic intervals of time. Alternatively, each time the occupant operates the automotive air conditioner 1, the controller 60 stores the kind of the operation performed and the various kinds of information obtained at the time of the operation.”<br>[0088] “each time the setting of the automotive air conditioner 1 is changed, the learned information accumulating subunit 661 stores the acquired state information ... as learned information DAk in the storage unit 61.” | 对比文件公开了控制器60周期性地或在用户操作时获取并存储状态信息（包括位置信息等）作为学习数据DAk。这些数据对应于车辆在不同时间点（即不同行程）的行驶状态。虽然对比文件未明确使用“第一行程”和“第一组对象数据”的表述，但其“存储每次操作时获取的各种信息”以及“将获取的状态信息作为学习数据DAk存储”的技术内容，对于本领域技术人员而言，隐含公开了接收对应于一次行程（或一个数据采集事件）的一组数据。在对比文件中，该数据用于构建概率模型以预测用户操作；在目标专利中，用于聚类和地图构建。两者作用虽最终应用目的不同（空调控制 vs 地图构建），但在“接收并利用多组行程数据”这一数据处理的基本步骤上是相似的。 |
| B: 接收对应于第二行程的第二组对象数据；《隐含公开》 | [0067] “When such information has been stored a predetermined number of times, the controller 60 generates a probabilistic model through statistical learning.”<br>[0088] “The learned information DAk is stored by being associated with the setting operation number k and the occupant's ID.” | 对比文件公开了控制器60会多次存储状态信息（即对应于多次行程或操作事件的数据），当存储达到预定次数时，用于通过统计学习生成概率模型。这隐含了接收对应于第二行程（即另一次数据采集事件）的第二组数据。其作用与特征A类似，是积累多组数据以进行后续学习/处理的基础步骤。 |
| 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；《未公开》 | 无对应原文。 | 对比文件未公开计算两组数据之间“相似性度量”的技术特征。对比文件的聚类过程（见下文特征G、O、P的论述）是基于数据点之间的物理距离（如欧氏距离、沿道路的最短路径距离）进行分组，并未公开计算一个表征两组数据整体相似程度的“度量”（metric）这一中间步骤或概念。目标专利的相似性度量是用于后续聚类的关键输入，而对比文件是直接基于距离阈值进行聚类判断。 |
| 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；《未公开》 | 无对应原文。 | 由于特征C未公开，因此依赖于特征C的该具体限定也未被公开。对比文件虽然计算距离（如[0096]计算欧氏距离Udij，[0107]计算道路段间距离Ldij），但这是聚类过程中的直接计算，并非作为独立的“相似性度量”来指示两组数据点之间的距离。 |
| 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；《未公开》 | 无对应原文。 | 对比文件公开了聚类（clustering），但其聚类并非基于“相似性度量”，而是基于直接计算的距离与预设阈值的比较（见[0096]-[0098], [0107]-[0109]）。因此，该技术特征未被公开。 |
| 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；《隐含公开》 | [0094] “the clustering subunit 662 performs clustering on the vehicle location information in two stages... Then, the clustering subunit 662 determines the class of the vehicle location so as to be able to address ... the case where the vehicle location corresponding to a specific situation is distributed over a wide range.”<br>[0109] “the clustering subunit 662 can differentiate that specific segment from other regions.” | 对比文件公开了聚类子单元662对车辆位置信息进行聚类，以确定对应于特定情况的车辆位置类别，并将特定路段与其他区域区分开来。这一聚类过程本质上就是将来自不同时间（可视为不同行程）的、相关联的位置数据点（即“对象”）分组到同一个簇中，从而将它们关联起来，认为它们属于同一类别（如“公司停车场”、“某国道段”）。在对比文件中，聚类的作用是识别用户可能执行特定操作（如开启内循环）的位置范围；在目标专利中，聚类的作用是关联来自不同行程的同一物理对象（如交通标志）的观测数据。两者在“通过聚类实现数据关联”这一技术手段上具有相似性。 |
| G: 所述聚类包括使用所述相似性度量来执行分层聚类；《未公开》 | 无对应原文。 | 对比文件确实执行了分层聚类（hierarchical clustering），例如先进行窄范围聚类，再进行宽范围聚类（见[0094], [0100]）。然而，其实施方式是基于直接的距离计算和阈值比较（如最近邻法），并未使用如目标专利所定义的“相似性度量”作为分层聚类的依据。因此，该技术特征未被公开。 |
| 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；《直接公开》 | [0096] “the clustering subunit 662 ... calculates the Euclidean distance Udij between the vehicle locations ... (step S201). Next, the clustering subunit 662 checks whether or not the minimum value Udijmin of the Euclidean distance is smaller than or equal to a first distance Td1 (step S202).”<br>[0107] “the clustering subunit 662 ... calculates along the shortest route the distance Ldij between the specific road segments ... (step S207). ... checks whether or not the minimum value Ldijmin ... is smaller than or equal to a second distance Td2 (step S208).”<br>[0100] “Here, the first distance Td1 can be set, for example, to 300 m. ... the second distance Td2 can be set, for example, to 1.5 km.” | 对比文件明确公开了在两个聚类阶段使用不同的距离参数：第一阶段（窄范围聚类）使用第一距离Td1（例如300米）作为阈值判断欧氏距离；第二阶段（宽范围聚类）使用第二距离Td2（例如1.5公里）作为阈值判断道路段间距离。这直接公开了使用物理距离作为在不同聚类步骤中不同的参数。在对比文件中，不同距离参数用于区分不同空间尺度（点状区域 vs 线状道路）的聚类；在目标专利中，不同距离参数用于在分层聚类中逐步精细化对象簇。两者作用相似，都是通过调整距离参数来控制聚类的粒度。 |
| I: 和基于所述至少一个对象簇来产生地图数据；《未公开》 | 无对应原文。 | 对比文件公开了基于聚类结果确定车辆位置范围（[0101]-[0103]），并用于构建概率模型以控制空调。但并未公开基于对象簇来“产生地图数据”。目标专利的地图数据是指包含对象位置信息的绘图数据，用于导航或定位。对比文件的技术方案不涉及创建此类地图数据。 |
| J: 其中所述相似性度量基于对象类型；《未公开》 | 无对应原文。 | 对比文件未公开“相似性度量”，更未公开该度量基于对象类型。其聚类仅针对车辆位置信息（坐标或关联的道路段）。 |
| K: ，其中针对标志对象类型确定所述相似性度量，；《未公开》 | 无对应原文。 | 对比文件未涉及“标志对象类型”。 |
| 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，；《未公开》 | 无对应原文。 | 对比文件未涉及“标志数据”。其数据主要是车辆位置、时间、传感器信息等。 |
| 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；《未公开》 | 无对应原文。 | 对比文件未涉及“标志”或“来自不同行程的标志的点”。 |
| 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，；《未公开》 | 无对应原文。 | 对比文件未涉及“车道标记数据”。 |
| O: 其中执行分层聚类包括执行多个不同的聚类步骤；《直接公开》 | [0094] “the clustering subunit 662 performs clustering on the vehicle location information in two stages, first by classifying the information into narrow-range clusters and then by classifying it into wide-range clusters.”<br>[0100] “In the above embodiment, clustering has been performed in two stages, the narrow-range clustering stage and the wide-range clustering stage” | 对比文件明确公开了聚类子单元662分两个阶段执行聚类：首先是窄范围聚类，然后是宽范围聚类。这直接公开了执行多个不同的聚类步骤。在对比文件中，多步骤聚类用于处理不同空间分布特征的位置数据；在目标专利中，多步骤聚类用于逐步精细化对象关联。两者作用相似。 |
| 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；《未公开》 | [0096]-[0098], [0107]-[0109] (具体引用见特征H) | 对比文件公开了第一聚类步骤基于第一距离参数Td1（如300米），第二聚类步骤基于第二距离参数Td2（如1.5公里）。然而，在对比文件中，第二距离参数Td2（1.5公里）**大于**第一距离参数Td1（300米）。这与目标专利中“第二距离参数小于第一距离参数”的限定正好相反。因此，该技术特征未被公开。 |
| 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；《未公开》 | 无对应原文。 | 对比文件公开的聚类方法是基于距离的层次聚类（如最近邻法）或k-means方法（见[0142]），未公开执行“谱聚类”（spectral clustering）。 |
| 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；《未公开》 | 无对应原文。 | 对比文件未公开“捆绑调整”（bundle adjustment）。其优化体现在概率模型参数的构建上，与目标专利中优化相机位姿和地标位置的捆绑调整不同。 |
| S: 其中在一或多个关联块中的每一个内执行聚类；《未公开》 | 无对应原文。 | 对比文件未公开在“关联块”（association tiles）内执行聚类的技术特征。其聚类是基于所有学习数据进行的。 |
| 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；《未公开》 | 无对应原文。 | 对比文件未公开“产生地图数据”，因此也不存在基于对象簇细化地图数据。 |
| 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；《未公开》 | 无对应原文。 | 对比文件未公开“产生地图数据”，因此也不存在传输地图数据到车辆。 |
| V: 其中所述对象数据包括对象位姿信息；《未公开》 | 无对应原文。 | 对比文件中的对象数据（即状态信息/学习数据）主要包括车辆位置坐标、时间、传感器读数等，未包含目标专利中所指的对象的“位姿信息”（pose information，通常包含位置和方向，如6自由度位姿）。 |
<<<H>>><<<O>>><<<F>>><<<a>>><<<b>>>