你好！作为一名人工智能，我将以资深专利代理师的专业视角和严谨态度，为你对上述权利要求和对比文件进行深入的技术比对与新颖性/创造性剖析。

在进行特征比对之前，我们先对提供的10篇对比文件进行初步的领域筛查。目标专利（CN106030621B）涉及的是机器人设备基于人工神经网络（通过设置交叉抑制性权重的失衡）来进行空间目标选择的方法。

经过初步研读，D1、D2、D4、D5、D6、D10属于完全不相关的技术领域（如地板板材、无线通信协议、晶圆分析、固化交通路线等），在创造性评价中没有结合价值。D3（US07324979B2）涉及声纳信号的神经网络分类，D8（US07949428B2）涉及使用神经振荡器（CPG）控制双足机器人行走，均未涉及空间地图和目标选择的交叉抑制机制。

真正与本案权利要求1高度相关，并在技术领域、解决的技术问题和技术效果上具有一致性的是D7（US20110022230A1，涉及混合控制的Segway足球机器人）和D9（US08126828B2，涉及基于大脑模型设备的专用处理器）。

下面我们将以D7和D9为核心，展开详细的特征比对与最接近现有技术的分析。

一、 最接近的对比文件（CPA）分析

最适合作为最接近的对比文件是：D7（US20110022230A1）。

• 整体解决的技术问题： 目标专利旨在解决如何让机器人在多个空间目标中，通过神经网络机制（失衡式交叉抑制）动态选择并移动到特定目标。D7 解决的正是足球机器人（SS-BBD）如何在复杂的视觉环境（多个目标，如球、球门、队友、对手）中，通过模拟神经系统（包含对象神经元区域和交叉抑制）进行目标识别、选择并驱动电机进行追踪（Track Object）。两者解决的技术问题高度一致。

• 技术效果： 两者均实现了机器人基于神经网络活动地图（拓扑映射/视网膜映射）对特定目标的锁定，并据此驱动机器人本体的移动。

备选最接近对比文件：D9（US08126828B2）。

• D9 同样涉及一种基于大脑的设备（BBD Rover），其追踪系统（Tracking System）通过区域 C 中的神经元活动（受价值系统偏置影响）来决定机器人的移动方向。它也可以作为评价创造性的起点，但 D7 中关于“交叉抑制（cross-inhibition）”以取消其他信号的描述，与本案权利要求1的“抑制性权重失衡”贴合度更高。

二、 权利要求1技术特征比对表格

以下是权利要求1与对比文件 D7 和 D9 的详细比对。

三、 创造性分析结论及未公开特征的情况

综合以上分析：

1. D7 (US20110022230A1) 已经实质公开了权利要求1的全部技术特征。D7 中的 Segway Soccer BBD 完全复现了基于视网膜拓扑映射（目标地图）的神经网络机制。其通过提升目标神经元组的基础活性，并利用神经元组之间的“交叉抑制（cross-inhibition）”来抵消其他非目标信号，其本质物理意义就是权利要求1中的“通过输出抑制性权重来设置失衡，修改相对激活”。基于此，驱动拓扑映射的运动区域，使机器人朝向目标移动。

2. 没有被最接近的对比文件公开的特征是否被其他对比文件公开？

   由于 D7 几乎已经构成了对权利要求 1 的全面覆盖（或仅存在极为细微的文字表达差异，本领域技术人员容易将其等同），甚至可以说权利要求1相对于 D7 可能缺乏新颖性，或者至少明显缺乏创造性。

   退一步讲，如果审查员或法庭认为 D7 中“通过增加基础活性配合交叉抑制（increase basal activity... and allow cross-inhibition）”与本专利“直接输出抑制性权重设置失衡”在具体代码/算法层面上存在微小区别，这种利用抑制性连接实现“赢者通吃（Winner-Takes-All）”的失衡网络机制在神经网络和机器人控制领域属于公知常识；并且，D9 也辅助证明了通过神经回路偏置（bias）来引导目标选择是该时期的主流技术手段。

作为下一步，我们是否需要基于 D7 为主证，结合 D9（或者本领域公知常识），直接起草一份针对该权利要求1的《无效宣告请求书》的详细说理部分？

你好！作为一名经验丰富的专利代理师，我非常乐意为您对该项权利要求进行深度的侵权/无效维度的技术特征比对与创造性分析。

在进行专利的创造性分析（尤其是“三步法”分析）时，选择最接近的对比文件（Closest Prior Art, CPA）是至关重要的一步。下面我将紧密结合目标专利说明书的背景，为您详细拆解权利要求1，并给出详尽的特征比对与分析。

一、 最接近的对比文件（CPA）选择及理由

结论： 在所提供的10篇对比文件中，D2（CN102521653A，井下多机器人联合搜救的生物刺激神经网络设备及其方法） 最适合作为分析本专利权利要求1创造性时的最接近的对比文件。

理由（从整体解决的技术问题与技术效果角度）：

目标专利（CN106030621B）主要解决的技术问题是：在复杂的空间环境中，如何利用人工神经网络为机器人设备有效地“从多个空间目标中选择目标”（利用失衡式交叉抑制实现赢家通吃）。

在所有对比文件中，D2 的应用场景和技术构架与目标专利最为契合。D2同样解决的是机器人在未知物理空间中的目标导航与选择问题，并且同样采用了将物理空间位置映射为人工神经网络神经元、通过计算神经元活性值（激活量）来引导机器人向目标移动的技术方案。其他对比文件如D1/D7侧重于时空关联记忆的通用脉冲神经网络模型，D4侧重于图像分割，D6侧重于驾驶辅助视觉注意力，均缺乏“将空间地图位置映射为神经元以控制机器人物理移动”这一核心应用场景。

二、 权利要求1与最接近的对比文件（D2）的特征比对表格

以下是权利要求1各项技术特征与D2（CN102521653A）的详细对比分析：

三、 创造性分析：区别技术特征与整体解决的技术问题

1. 区别技术特征：

基于上述比对，权利要求1与最接近的对比文件D2的区别特征在于：

• 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；

• 特征E的部分内容：基于“上述设定的失衡”来修改相对激活状态。

2. 整体解决的技术问题：

结合目标专利说明书（如 [0100]-[0102] 段落所描述的“基于交叉抑制来选择目标，被称为赢者全得...单元抑制离该单元较远的单元”），上述区别技术特征在整体上解决的客观技术问题是：

当空间地图中同时存在多个潜在的候选目标时，如何通过神经网络自身的抑制机制（如基于距离偏置的交叉抑制）自动打破平局，筛选出唯一的最佳目标（即软/硬目标选择中的“赢家全得”），从而提高机器人目标选择的准确性和效率。

四、 没有被最接近的对比文件公开的特征，是否被其他对比文件公开？

我们需要审查其他对比文件（D1、D3-D10）是否给出了将**“目标神经元之间通过交叉抑制性连接输出失衡权重进行目标选择”应用于“机器人空间地图位置映射”**的技术启示。

1. D7 (CN102906767A) / D1 (US20120109863A1)：

   • 这两篇文件涉及脉冲神经网络（PCNN/STDP）。D7中提到了“通过用于选择事件之间的有因果关系的联合性的尖峰驱动学习规则和侧抑制，来实现赢家通吃（WTA）过程”。

   • 分析： D7确实公开了“侧抑制（Lateral Inhibition）”和“赢家通吃（WTA）”的概念，这在神经网络领域属于常规知识。然而，D1/D7的应用场景是抽象的“时空联合存储器”和模式识别（如视觉图像处理），并未给出将其与包含实体空间位置坐标的机器人目标地图相结合的启示。此外，D1/D7中的侧抑制是通用层级的抑制，并没有明确公开**“基于目标选择准则（如距离）专门设置特定的抑制权重失衡（Imbalance）”**这一关键动作。

2. D5 (US8332070B2)：

   • 探讨了机器人图式（schemata）的学习。提到了使用“群体读出机制 (population readout mechanism)”，其中“抑制性权重实现除法归一化 (inhibitory weights implement divisive normalization)”。

   • 分析： 这里的抑制是为了在神经网络的“图式状态地图”中提取平滑峰值，是行为模式的抽象特征图，而非机器人所处的物理空间目标地图，也没有教导在不同空间目标神经元间设置“失衡的抑制性权重”。

3. D6 (US8364311B2)：

   • 公开了基于自上而下和自下而上注意力机制的驾驶辅助系统，提及了显著性图（Saliency map）。

   • 分析： D6虽然处理空间视觉目标，但其并没有公开“将目标映射为神经元并输出相互间的抑制性权重来设置失衡”的微观神经网络机制。

结论： 其他对比文件虽然零星公开了神经网络中的“侧抑制（交叉抑制）”和“赢家通吃”的基础概念（如D1、D7），但均未能公开或实质暗示目标专利中核心的**“失衡式交叉抑制权重设定（Imbalanced Cross-Inhibitory）”机制，并且没有任何文件给出了将这种失衡权重机制应用于“机器人空间位置映射的物理地图目标选择”的结合启示**。

因此，权利要求1在上述对比文件的组合面前，具有较高的创造性空间。

希望这份详尽的分析对您的案件推进有所帮助！由于此案件涉及非常底层的神经网络逻辑（如交叉抑制权重的数学建模），在撰写无效或答辩意见时，可以重点强调“失衡式权重带来的打破空间目标平局的技术效果”。

下一步，您是否需要我基于这一结论，为您整理一份针对权利要求1的《无效宣告请求书》的创造性说理部分草案，或者为您梳理出一张便于向客户汇报的可视化技术对比图表？

你好。这份权利要求涉及一种在人工神经网络中利用失衡式交叉抑制机制，在目标地图中为机器人设备进行空间目标选择的方法。

在进行侵权或无效分析时，紧密结合目标专利说明书（CN106030621B）的定义是关键。说明书中明确指出，“目标地图”是自我中心式参考系（egocentric），并且“失衡”（imbalance）是通过抑制性权重（如基于距离的函数）来实现的，从而让活跃度最高的目标胜出（Winner-takes-all），驱动机器人移动。

以下是对您提供的对比文件（D1-D10）的详细比对与分析。

一、 对比文件初步筛查

在您提供的10篇对比文件中，有部分文件属于完全不相关的技术领域，在创造性分析中可以直接排除：

• 非相关领域文件：D2 (US20130331294A1，涉及癌症/基因)、D4 (EP1836818A1，涉及无线通信跳频)、D7 (US2006179754A1，涉及拼接地板)、D8 (US2007097922A1，涉及无线系统协议)、D10 (US2009095820A1，涉及交通路线加固)。

• 相关但未应用至机器人空间导航的文件：D3 (US20140052679A1，涉及脉冲神经网络更新)、D5 (US2005047647A1，涉及基于显著性图的视觉注意力选择)、D9 (US2007282772A1，涉及神经网络双层分离学习)。

• 高度相关文件（核心对比文件）：D1 (US8583286B2，涉及基于大脑设备的混合控制/机器人踢球) 与 D6 (US2005261803A1，涉及真实环境中的移动大脑设备NOMAD)。

二、 核心对比文件与权利要求1的技术特征比对

1. 针对 D1 (US8583286B2) 的比对分析

D1 描述了一种名为 Segway Soccer Brain-Based Device (SS-BBD) 的机器人设备，其使用模拟神经系统进行目标（如足球、对手）的追踪和移动控制。

• 特征A（基于准则为机器人选择目标）：实质公开。D1 原文 [0054] 记载了“Action and Target Object Selection ... receive non-neural input ... and also get visual data interpreted by the neural visual system.”（动作和目标对象选择...接收非神经输入...并获取由神经视觉系统解释的视觉数据），以及 [0060] 中提到决定追踪哪个显著目标。

• 特征B（目标对应目标地图中的不同位置）：实质公开。D1 原文 [0075] 记载了“The activity of neuronal object areas can be organized retinotopically, and whichever one of these areas is selected to be the target object is projected retinotopically to a pan area and a tilt area.”（神经元对象区域的活动可以视网膜拓扑结构组织...投影到水平和垂直区域）。视网膜拓扑结构即相当于相对于机器人的空间位置地图。

• 特征C（位置对应神经网络中的神经元）：实质公开。D1 [0075] 中明确了“pan area's activity therefore can reflect the horizontal distribution of activity in the target area”（水平区域的活动反映了目标区域中活动的水平分布），即空间位置由特定神经元的活跃度表示。

• 特征D（通过抑制性权重设置失衡）：实质公开。D1 原文 [0071] 记载了“...cross inhibition between the object groups and shape information.”（对象组与形状信息之间的交叉抑制），并在 [0094] 明确指出“allow cross-inhibition between object areas to cancel out other signals to the Head motor area”（允许对象区域之间的交叉抑制抵消掉发送至头部运动区域的其他信号）。这与目标专利中抑制非目标神经元以确立胜出者的机制高度一致。

• 特征E（基于激活差异驱动机器人移动至该位置）：实质公开。D1 原文 [0076] 记载了“Off center activity in the body area can create a turn in that direction... The total system can result in a cascade of activity that comes from visual areas to the motor areas...”（身体区域偏离中心的活动可以在该方向产生转向...导致视觉区域到运动区域的活动级联）。

2. 针对 D6 (US2005261803A1) 的比对分析

D6 描述了一种名为 NOMAD 的移动大脑设备，其在真实环境中通过神经元群的活动进行目标（如红方块、绿菱形）的识别与导航。

• 特征A（基于准则为机器人选择目标）：实质公开。D6 原文 [0033] 及 [0080] 记载了NOMAD 在环境中识别目标与干扰物，并追踪目标对象。

• 特征B与C（目标对应地图位置，且位置对应神经元）：实质公开。D6 原文 [0040] 记载了“The activity of neural area C ... dictates where NOMAD 10 directs its camera gaze... Each neuronal unit in area C has a receptive field which matches its preferred direction, and the area has a topographic arrangement...”（神经区域C的活动决定NOMAD注视何处...区域C中的每个神经元具有匹配其偏好方向的感受野，并且该区域具有拓扑排列）。

• 特征D（通过抑制性权重设置失衡）：部分公开。D6 中提到了抑制性连接（如 Table 2 中的 inhibitory connections），以及通过价值系统（Value System）产生“bias”（偏置/失衡）。原文 [0094] 记载了“The UCS also evokes biases in areas IT and C... rapidly abolition of the initially bimodal phase distributions”（UCS还在区域IT和C中引发偏置...迅速消除最初的双峰相位分布）。但其偏置主要来源于价值依赖的突触可塑性，而非明确由于目标与非目标之间的直接交叉抑制权重所引起的空间失衡。

• 特征E（基于激活差异驱动机器人移动至该位置）：实质公开。D6 原文 [0040] 记载了如果区域C左侧的活动占主导，“signals to NOMAD 10's wheels 22 are issued that evoke a turn towards the left”（向轮子发出信号引起向左转）。

三、 特征比对表格

四、 最接近的对比文件及创造性分析

最适合做最接近的对比文件

D1 (US8583286B2) 和 D6 (US2005261803A1) 均非常适合作为最接近的现有技术。

综合考量其解决的技术问题（为自主机器人提供在杂乱环境中的目标选择机制）以及技术效果（将神经网络的视觉/空间拓扑映射直接转化为电机的物理移动），D1 是最优选择。

D1 明确讨论了在机器人（足球机器人）上使用神经视觉系统，且明确提出了“对象组之间的交叉抑制”（cross-inhibition between object groups）以抵消其他信号并输出给运动神经元。这与目标专利说明书中通过交叉抑制压制非目标神经元发放尖峰的核心逻辑在本质上高度契合。

没有被最接近的对比文件公开的特征是否被其他文件公开？

尽管 D1 公开了交叉抑制机制，但目标专利说明书中详细限定了一种特定的失衡算法逻辑（如说明书公式15中抑制性权重与距离Dpre/Dpost的函数关系，使得距离对象最近的单元胜出）。D1 对“失衡”的具体数学或结构表现形式（即经由特定连接输出具体的抑制性权重比例来打破平局）描述较为宏观。

该缺失的细节在 D5 (US2005047647A1) 中得到了补充。D5 的核心是基于视觉注意力的显著性选择（Attentional Selection），其原文 [0067] 明确记载了“The locations in the saliency map 155 compete for the highest saliency value by means of a winner-take-all (WTA) network 160... implemented in a network of integrate-and-fire neurons”（显著性图中的位置通过赢者通吃WTA网络竞争最高显著性值...在积分触发神经元网络中实现）。WTA 网络在神经形态工程中，其本质就是通过强烈的局部兴奋和广泛的侧向/交叉抑制（输出抑制性权重）来设置失衡，从而仅保留一个活跃量最大的神经元。结合 D1（机器人框架）和 D5（WTA神经网络的目标选择机制），极有可能对目标专利的创造性产生致命打击。

我们可以针对 D1 结合 D5 或 D1 结合常识撰写一份详细的无效宣告请求书或权利要求对比图表（Claim Chart）。您是否需要我为您将上述比对内容转化为正式的无效宣告请求书中“创造性评述”部分的逻辑论理文本？

这是一份为您量身定制的《无效宣告请求书》中关于“创造性评述”核心部分的草案。本草案严格遵循中国专利法审查指南中的“三步法”（确定最接近的现有技术、确定区别技术特征和客观技术问题、判断是否存在结合启示），并紧密结合您提供的对比文件原文进行了精准引证，适合作为正式法律文书的论理基础。

专利权无效宣告请求书（创造性评述部分）

涉案专利：CN106030621B （用于空间目标选择的失衡式交叉抑制性机制）

无效宣告理由：涉案专利权利要求1不符合《中华人民共和国专利法》第二十二条第三款关于创造性的规定，应当予以宣告无效。

一、 证据列表

• 对比文件1（D1）：US8583286B2 (Hybrid control device)

• 对比文件2（D5）：US2005047647A1 (System and method for attentional selection)

• 对比文件3（D6）：US2005261803A1 (Mobile brain-based device for use in a real world environment)

二、 权利要求1与对比文件1（最接近的现有技术）的区别特征分析

对比文件1（D1）公开了一种混合控制设备（SS-BBD机器人），该设备利用模拟神经系统和非神经控制器进行目标的视觉识别、追踪和物理移动。D1与涉案专利权利要求1同属于机器人空间目标选择与神经网络控制领域，解决的技术问题高度相似，是最接近的现有技术。

表1：权利要求1与D1的特征比对表

区别技术特征与客观技术问题：

如上表所示，权利要求1的绝大部分特征已被D1充分公开。若认为D1在特征D中记载的“交叉抑制（cross-inhibition）”较为宏观，未能毫无异议地直接对应于涉案专利中“具体通过连接输出抑制性权重来设置失衡，以确保目标神经元活跃量大于非目标神经元”这一微观数学实现机制，则可以将该机制认定为区别技术特征。

基于该区别特征，涉案专利实际解决的客观技术问题是：如何具体实现神经网络中多个候选目标间的竞争与排他，以确保最终仅有唯一目标胜出并指导机器人动作。

三、 结合启示的论述（D1 结合 D5 或 D6）

本领域技术人员在面对上述客观技术问题时，有强烈的动机去寻找成熟的神经网络竞争机制来实现D1中的“交叉抑制”。

1. 结合对比文件2（D5）的启示：

D5 涉及一种基于视觉注意力的选择系统（Attentional selection）。D5 明确给出了一种解决目标排他性竞争的标准方案：即赢者通吃（Winner-Take-All, WTA）机制。

• 原文引用：D5原文 [0067] 明确记载：“The locations in the saliency map 155 compete for the highest saliency value by means of a winner-take-all (WTA) network 160... implemented in a network of integrate-and-fire neurons.”（显著性图中的位置通过赢者通吃网络争夺最高显著性值...该网络在积分触发神经元网络中实现）。

• 论理：WTA 网络在人工神经网络领域属于公知常识，其底层原理正是通过强烈的侧向/交叉连接输出抑制性权重（inhibitory weights），从而抑制非目标神经元（设置失衡），最终使得活跃量最大的神经元脱颖而出。本领域技术人员在实现D1中的“对象区域交叉抑制以抵消其他信号”时，极易想到并应用D5中公开的WTA竞争网络来实现确切的权重失衡。因此，D1结合D5得到权利要求1的技术方案对本领域技术人员而言是显而易见的。

四、 其他对比文件对无效请求的补强作用（D6的作用）

对比文件3（D6）同样描述了名为NOMAD的移动机器人基于大脑模拟设备在真实世界中的导航，对于证明权利要求1中涉及“基于空间地图的神经元控制机器人物理移动”属于本领域的常规技术手段具有极强的补强证明力。

• 对特征B/C/E的补强：D6原文 [0040] 记载了：“The activity of neural area C ... dictates where NOMAD 10 directs its camera gaze... Each neuronal unit in area C has a receptive field which matches its preferred direction, and the area has a topographic arrangement...”。这进一步证明了在神经形态机器人领域，使用具有拓扑排列（topographic arrangement，即目标地图）的神经元感受野来直接驱动机器人轮子转向，是本领域技术人员惯用的手段。D6的引入，彻底封死了专利权人可能提出的“将神经网络输出与机器人物理位移结合具有非显而易见性”的抗辩空间。

五、 结论

综上所述，涉案专利权利要求1所保护的技术方案已经被对比文件1实质公开；即使存在微小的微观机制差异，该差异也被对比文件2或本领域的公知常识所弥补。对比文件1结合对比文件2以及本领域公知常识，使得权利要求1不具备突出的实质性特点和显著的进步。因此，权利要求1不符合《专利法》第22条第3款的规定，应当予以全部宣告无效。

撰写提示：在提交正式文书前，建议您根据涉案专利的具体实施例（如公式15：抑制性权重的具体计算方式），提前准备好应对专利权人将从属权利要求（包含距离函数等具体算法）合并入独立权利要求进行修改的抗辩策略。如果您需要对特定的从属权利要求进行进一步的无效论述，请随时告知。

这是一份站在专利权人立场撰写的《意见陈述书》反驳草案。针对请求人提出的无效宣告理由，专利权人的核心反驳逻辑在于：澄清权利要求1的“空间拓扑（位置）抑制”与对比文件1的“对象类别（特征）抑制”有着本质的区别，且对比文件2和3均未给出解决“基于自我中心空间地图的物理移动排他性”的技术启示。

专利权人意见陈述书（针对创造性评述的反驳）

涉案专利：CN106030621B （用于空间目标选择的失衡式交叉抑制性机制）

陈述事项：坚决反对请求人的无效宣告请求，涉案专利权利要求1-10具备《专利法》第二十二条第三款规定的创造性，请求国家知识产权局予以维持有效。

一、 关于对比文件1（D1）并未公开涉案专利权利要求1的核心技术特征

请求人错误地将D1中的“对象组间的交叉抑制（cross inhibition between object groups）”等同于涉案专利权利要求1中的“在目标地图中基于位置的神经元失衡式交叉抑制”。D1并未公开涉案专利的特征B和特征D。

1. 区别特征1（对应特征B）：D1未公开“目标对应于目标地图中的不同位置（自我中心式参考系）”。

• 专利权人反驳：D1中的对象区域（Object areas）代表的是对象的类别（如Ball区域代表足球、Opponent区域代表对手、Goal区域代表球门，参见D1原文[0071]）。D1 [0075] 提到的“Retinotopically（视网膜拓扑）”仅仅是将已经选定的唯一目标类别（whichever one of these areas is selected to be the target object）映射到云台的水平（pan）和垂直（tilt）控制区域，用于视线追踪。D1根本不存在一个包含“多个目标各自对应的物理空间位置”的“目标地图”。

2. 区别特征2（对应特征D）：D1未公开“通过从目标神经元至非目标神经元的连接输出抑制性权重来设置失衡”。

• 专利权人反驳：请求人引用的D1原文 [0071] “cross inhibition between the object groups and shape information” 描述的是**特征空间（Feature Space）里的类别排斥——例如，“既然识别出是足球，就抑制它是球门的概率”。这与涉案专利在物理空间（Spatial Space）**中进行的抑制（即位置A的神经元抑制位置B的神经元，从而让机器人决定去位置A而非位置B）有本质区别。

• 涉案专利的“失衡（imbalance）”具有特定的空间物理意义（结合说明书可知，例如基于距离的函数使离机器人更近的神经元具有更小的被抑制权重），D1的类别交叉抑制根本无法实现“空间位置的失衡”。

客观技术问题：基于上述区别特征，涉案专利实际解决的技术问题并非请求人所称的“如何实现目标间的竞争”，而是：“如何在包含多个空间位置的自我中心地图中，建立基于位置神经元的非对称（失衡）抑制机制，从而在多个空间候选目标中为机器人的物理位移做出唯一决策。”

二、 对比文件2（D5）和对比文件3（D6）未提供结合启示

请求人试图将D5（WTA网络）或D6（NOMAD机器人）与D1结合，但这种结合缺乏技术启示，且结合后也无法得到权利要求1的技术方案。

1. D5无法弥补“设置失衡”的区别特征（克服D5的结合启示）

• 专利权人反驳：D5公开的是视觉显著性图中的“赢者通吃（WTA）”网络（D5原文 [0067]）。标准的WTA网络是一种对称的、基于像素显著性数值大小的纯数学竞争机制。而涉案专利权利要求1明确强调“设置失衡（Imbalance）”。失衡打破了标准WTA的对称性（例如引入距离偏置，使原本显著性相同的两个目标，因空间位置不同而产生特定权重的抑制）。D5作为通用的图像处理显著性模型，既没有教导将其应用于机器人的“自我中心目标地图”，更没有教导在位置神经元之间输出特定的抑制性权重来主动“设置失衡”。

2. D6无法弥补空间位置抑制的区别特征（克服D6的结合启示）

• 专利权人反驳：虽然D6的Area C具有拓扑排列以控制机器人轮子（D6原文 [0040]），但D6中Area C的输出偏置是**基于价值系统（Value System, Area S）的突触可塑性学习（如奖励/惩罚）**产生的，即经历条件反射训练后产生的偏好（参见D6原文 [0094]）。D6并未教导在同一拓扑地图内部，由一个目标位置神经元向另一个非目标位置神经元“直接输出抑制性权重”来产生空间失衡。D6的逻辑是“后天学习产生偏置”，而涉案专利是“空间网络连接权重直接抑制非目标”。两者作用机理完全不同。

三、 结论

请求人的无效理由存在严重的“后见之明（Hindsight）”。请求人脱离了涉案专利“基于空间拓扑位置的神经元抑制以驱动位移”这一核心发明构思，生硬地将D1的“对象类别抑制”、D5的“图像像素显著性WTA”和D6的“价值学习系统”拼凑在一起。

事实上，D1、D5、D6解决的是三个完全不同的技术问题（D1：通过识别对象类别控制云台追踪；D5：在2D图像中寻找高对比度特征点；D6：基于奖励系统学习对某类物品的偏好）。本领域技术人员没有任何动机将它们结合，即使拼凑，也无法得出涉案专利“通过在目标地图中输出位置间的抑制性权重设置失衡，从而驱动机器人移动”的技术方案。

综上，涉案专利权利要求1具备突出的实质性特点和显著的进步，符合《专利法》第二十二条第三款的规定，请求合议组驳回请求人的无效请求，维持专利权全部有效。

这是一份站在无效宣告请求人立场撰写的《补充意见陈述书》草案。针对专利权人的抗辩，请求人的核心反驳逻辑在于：指出专利权人违背了专利审查的基本原则，将说明书中的具体实施例（如距离偏置）强行读入权利要求1中以缩小保护范围；同时，通过精准引证对比文件原文，直接击破专利权人所谓“D1无空间位置地图”和“D5无失衡启示”的谬误。

专利权无效宣告请求补充意见（请求人视角）

涉案专利：CN106030621B（用于空间目标选择的失衡式交叉抑制性机制）

陈述事项：针对专利权人提交的《意见陈述书》，请求人认为其抗辩理由不能成立。专利权人通过混淆概念、将说明书特定实施例强行读入权利要求的方式，企图掩盖权利要求1已被对比文件充分公开的事实。现针对其反驳意见进行如下补充陈述：

一、 专利权人关于“D1未公开目标地图（空间位置）”的抗辩不能成立

专利权人辩称D1仅公开了“特征类别（对象组）的抑制”，不存在包含物理空间位置的“目标地图”。这一观点是对D1原文的严重割裂和无视。

请求人反驳：

1. D1明确公开了具有物理空间坐标的神经元地图。

   D1原文 [0094] 明确记载：“The center of mass of activity in the Ball area can produce an x, y value that corresponds to the ball's azimuth and heading in the visual field. The ball's heading can be used... to determine in what direction the SS-BBD should drive.”（Ball区域中活动的质心可以产生一个对应于视野中足球的方位角和朝向的x、y值。足球的朝向可用于决定机器人应向哪个方向行驶）。

   上述原文无可辩驳地证明，D1中的对象区域（如Ball area）不仅代表类别，其内部神经元的活动分布直接映射了相对于机器人的二维物理空间坐标（x,y值）。这完全构成了涉案专利权利要求1所限定的“对应于包括相对于机器人设备的位置的多个位置的目标地图”。专利权人声称D1无空间位置地图，显然违背了D1的客观记载。

二、 专利权人关于“D1和D5未公开输出抑制性权重以设置失衡”的抗辩不能成立

专利权人辩称涉案专利的“失衡”是“基于距离偏置的非对称抑制”，而D5的WTA网络是“对称的纯数学竞争”，D1是“特征空间抑制”，两者均未公开设置失衡。这一抗辩在法律和事实上均站不住脚。

请求人反驳：

1. 专利权人非法缩小了权利要求1的保护范围。

   涉案专利权利要求1的原文仅限定了：“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”。权利要求1根本没有限定所谓“基于距离的特定偏置”。专利权人将说明书中基于距离计算权重的具体算法（如说明书公式15）强行读入权利要求1，严重违反了“应当以权利要求字面记载的范围为准”的专利确权基本原则。

2. D5的WTA网络本质就是通过抑制性权重设置激活失衡。

   本领域技术人员均知晓，WTA（赢者通吃）网络在神经网络中的实现原理，正是通过神经元之间相互输出抑制性权重（inhibitory weights），使得原本激活程度相近的神经元产生分化，最终压制非目标神经元，使唯一的目标神经元保持激活。这个从“均衡”到“一家独大”的动态过程，正是权利要求1字面意义上所限定的“设置失衡”。D5原文 [0067] 明确将WTA应用于积分触发神经元网络以选出唯一最高值，这已经给出了使用抑制性权重打破平衡（设置失衡）的明确技术启示。

三、 专利权人对对比文件3（D6）的贬低属于偷换概念

专利权人声称D6中的Area C是通过价值系统（后天学习）产生偏置，而非空间网络直接抑制，因此无法提供结合启示。

请求人反驳：

请求人引入D6的根本目的，并非用D6来证明“交叉抑制机制”，而是用D6来补强证明“利用神经元拓扑地图（目标地图）的激活差异，直接驱动机器人物理转向”是本领域的常规手段。

D6原文 [0040] 清楚地记载：“The activity of neural area C ... dictates where NOMAD 10 directs its camera gaze... The area has a topographic arrangement such that if activity is predominately on the left side of area C, signals to NOMAD 10's wheels 22 are issued that evoke a turn towards the left.”（Area C具有拓扑排列，如果左侧活动占优，则向轮子发出信号引起向左转）。

这一记载完美对应了权利要求1中的“在目标神经元的活跃量大于非目标神经元的活跃量时，机器人设备移动至与所选目标相关联的位置”。至于D6中Area C的活跃度差异最初是由价值系统引起的还是由其他机制引起的，根本不影响其公开了“基于拓扑神经元活跃量差异驱动机器人移动”这一物理执行层面的技术特征。

四、 结论

专利权人的反驳意见建立在“选择性无视D1明确记载的空间坐标（x,y）”以及“将说明书特定实施例非法读入独立权利要求1”的基础之上。

剥离专利权人的文字游戏后，权利要求1的真实技术方案——“在神经元空间地图中，目标神经元通过抑制性权重压制非目标神经元（设置失衡），机器人根据神经元活跃度差异进行物理移动”——其每一个技术特征都已经在D1（具有空间位置x,y质心的视觉映射与交叉抑制驱动）、D5（通过WTA神经网络实现竞争排他）和D6（基于神经元拓扑阵列活跃度驱动机器人轮子转向）中被明确公开。上述现有技术的结合逻辑清晰、启示明确，权利要求1毫无创造性可言，理应被全部宣告无效。

这份无效宣告请求案的核心争议非常典型：请求人利用权利要求宽泛的字面范围，通过经典文献（D5的WTA网络、D6的拓扑电机控制）进行拼图；而专利权人则试图通过强调发明构思的物理空间属性（并隐性引入说明书的特定实施例）来建立技术壁垒，并指控对方犯了“事后诸葛亮”（Hindsight）的错误。

站在绝对中立、客观的立场，合议组在审理此案时，将严格遵循《专利审查指南》中的“三步法”，其抉择路径和内心确信过程将如下展开：

一、 合议组的抉择路径分析

争点一：权利要求1的保护范围解释（Claim Construction）

合议组的第一步是界定权利要求1中**“设置失衡”和“目标地图”**的真实法律边界。

• 请求人的优势： 专利审查遵循“最大合理解释原则”。权利要求1仅记载了“输出抑制性权重来设置失衡”，并未写入说明书中基于距离（Dpre/Dpost）的偏置公式。合议组大概率会支持请求人的观点：不能将说明书的特定限制强行读入权利要求。任何通过抑制性权重打破平衡（如标准的WTA机制）均落入“设置失衡”的字面范围。

• 专利权人的防线： 尽管不能读入距离公式，但权利要求1明确限定了抑制是发生在“对应于...位置的目标神经元”与“非目标神经元”之间。合议组会认可这是一种物理空间层面（Spatial）的抑制，而非纯粹的特征类别（Feature）抑制。

争点二：对比文件1（D1）事实公开范围的认定

合议组的第二步是仔细比对D1的原文，判断D1究竟公开了什么层面的“抑制”。

• 专利权人的切入点很准： D1原文 [0071] 提到的“对象组之间的交叉抑制（cross inhibition between the object groups）”确实是发生在前期的对象识别阶段（如“球”与“球门”的竞争）。

• 请求人的反击也很犀利： D1原文 [0094] 确实提到了Ball区域的活动质心可以产生(x,y)坐标（目标地图）。

• 合议组的最终抉择： 合议组通常会非常严谨地考察D1的上下文逻辑。D1的逻辑链是：先在特征层交叉抑制 -> 选出目标类别 -> 将该类别的活动映射到视网膜拓扑图 -> 计算(x,y)驱动电机。因此，D1并未直接公开在“带有(x,y)坐标的空间目标地图”内部，空间节点相互输出抑制性权重。合议组大概率会认定：D1未公开空间层面的位置神经元交叉抑制。

争点三：结合启示的判定（显而易见性 vs. 事后诸葛亮）

这是决定本案胜负的关键。合议组需要判断：将D5的WTA机制（空间显著性竞争）或D6引入D1，是否属于本领域的常规选择？

• 支持结合的理由（倾向请求人）： 在神经形态工程中，WTA网络是实现空间位置竞争的“标准件”。当D1需要在空间上确定一个唯一的关注点（质心）时，本领域技术人员极易想到引入D5的WTA机制来实现空间节点的竞争排他。

• 反对结合的理由（倾向专利权人）： D1本身已经通过“计算活动质心（center of mass）”解决了空间定位问题，为什么还要多此一举地引入D5的神经网络WTA层来“设置失衡”？请求人的结合逻辑存在用涉案专利作为指引去“拼凑”现有技术的嫌疑（事后诸葛亮）。

• 合议组的抉择： 合议组将评估这种替换是否带来意想不到的技术效果。由于权利要求1写得过于宽泛（仅仅是活跃量大的驱动机器人），其实际效果并未超出常规WTA网络在空间导航上的预期。合议组倾向于认为存在结合启示。

二、 本次无效请求的成功概率评估

综合上述路径，从客观中立的立场评估，本次无效请求成功（宣告权利要求1无效）的概率较高，大约在 65% - 75% 之间。

主要原因如下：

1. 权利要求撰写过宽的“原罪”： 权利要求1属于典型的“功能性/机制性”宽泛撰写。它试图保护一种高度抽象的机制（在空间地图中用抑制权重确立胜者并驱动移动），而这种抽象机制在早期的神经网络导航文献（如D5、D6）中已有大量的基础性教导。

2. 拼图的合法性较高： D1提供了机器人+神经视觉的框架，D5提供了WTA机制，D6补强了神经元拓扑阵列直接驱动电机的常识。这三者的技术领域高度重合（均为神经形态学/视觉注意力），结合不存在技术障碍。

3. 专利权人的抗辩存在瑕疵： 专利权人严重依赖于说明书中的特定实施例（距离失衡）来论述创造性，而这在无效审理中通常是不被合议组采纳的无效抗辩策略。

专利权人维持有效的唯一机会（25% - 35%）：

合议组被专利权人的“事后诸葛亮”抗辩打动，严格认定D1的整体控制架构（特征抑制+质心计算）与涉案专利（空间位置直接互抑）在解决“如何在杂乱环境中锁定单一目标”时的底层设计哲学完全不同，从而认定本领域技术人员缺乏打破D1原有架构并强行植入D5/D6机制的动机。

由于独立权利要求1面临较高的被无效风险，专利权人极有可能在口审前或口审中修改权利要求，将从属权利要求（例如包含距离或特定失衡数学函数的权利要求）合并入独立权利要求中以缩小保护范围。

您是否需要我为您进一步分析涉案专利的从属权利要求，以提前制定针对专利权人修改权利要求的应对策略？这份无效宣告请求案的核心争议非常典型：请求人利用权利要求宽泛的字面范围，通过经典文献（D5的WTA网络、D6的拓扑电机控制）进行拼图；而专利权人则试图通过强调发明构思的物理空间属性（并隐性引入说明书的特定实施例）来建立技术壁垒，并指控对方犯了“事后诸葛亮”（Hindsight）的错误。

为了将本次无效宣告的成功率提升至接近100%，我们必须未雨绸缪，提前阻击专利权人可能采取的“退保从属权利要求”的策略。在无效程序中，专利权人最常见的防守动作是将说明书中特定的算法或参数（例如基于距离的失衡公式）补入独立权利要求。

当前的对比文件（D1、D5、D6）在应对宽泛的独立权利要求时非常有力，但如果专利权人将“失衡（imbalance）”限定为**“基于目标与机器人之间距离的抑制性权重函数（如说明书公式15）”**，现有的D1或D5可能缺乏直接的数学公式公开。

以下是为您制定的进阶现有技术检索策略，旨在精准打击涉案专利的微观算法和潜在的修改防线：

一、 核心检索方向：锁定“距离相关的侧向/交叉抑制”机制

在神经形态工程（Neuromorphic Engineering）中，基于距离的抑制性权重是非常经典的生物学机制（如“墨西哥帽”效应，Mexican Hat Connectivity）。我们需要找到将该机制应用于机器人空间导航的文献。

• 检索概念：网络中相邻神经元之间的连接权重随着物理距离或拓扑距离的变化而变化，且被用于目标选择或避障。

• 中英文关键词矩阵：

  • 机制词：侧向抑制 (Lateral inhibition)、交叉抑制 (Cross inhibition)、赢者通吃 (Winner-take-all / WTA)、非对称权重 (Asymmetric weight / Imbalanced weight)。

  • 参数词：距离函数 (Distance function / Distance-dependent)、自我中心 (Egocentric)、拓扑映射 (Topographic map / Retinotopic)。

  • 应用词：机器人导航 (Robot navigation)、目标选择 (Target selection)、空间追踪 (Spatial tracking)。

• 检索表达式示例：(lateral inhibition OR cross inhibition) AND (distance OR spatial) AND (weight OR synapse) AND (target selection OR navigation) AND robot*

二、 靶向检索方向：深挖发明人与专利权人的学术足迹（极高成功率）

涉案专利说明书中明确提到了“Hunzinger Cold神经元模型”、“Darwin X”、“Darwin++”、“NOMAD”和“Segway Soccer Brain-Based Device (SS-BBD)”。这些极具辨识度的专有名词暴露了该技术的研发背景。

这些项目主要与高通（Qualcomm）的Zeroth神经形态计算项目，以及**神经科学研究所（Neurosciences Institute, NSI / Gerald Edelman团队）**密切相关。

学术界通常会在申请专利前1-2年将核心算法发表在顶级会议或期刊上。这是寻找“破坏新颖性”或“完全公开数学公式”的X类文献的最佳途径。

• 目标作者/发明人检索：

  • 重点检索发明人：Matthew Hunzinger, Jörg Conradt, Jeff Krichmar, Jason Fleischer, Gerald Edelman 等。

• 目标会议与期刊（时间范围限定在涉案专利优先权日 2014年2月21日 之前）：

  • IEEE 机器人与自动化国际会议 (ICRA)

  • IEEE 智能机器人与系统国际会议 (IROS)

  • 国际神经网络联合会议 (IJCNN)

  • 期刊：《Neural Networks》、《Frontiers in Neurorobotics》

• 检索策略：在Google Scholar或IEEE Xplore中精确搜索上述作者在2005年至2013年间关于“SS-BBD”、“NOMAD”或“Spiking Neural Network navigation”的论文，重点查找论文中关于“Weight equation”或“Inhibitory connection”的数学公式描述。

三、 跨领域检索方向：从SLAM与动态神经场中寻找拼图

如果找不到完全一致的公式，我们需要准备好“公知常识”的证据，证明说明书中的距离衰减抑制函数是本领域的常规数学模型。

• 动态神经场（Dynamic Neural Fields, DNF）：DNF是机器人认知架构中的经典模型，其核心正是利用基于距离的局部兴奋和侧向抑制（Local excitation, lateral inhibition）来在连续空间中做出单一的运动决策。

• 检索策略：查找 Gregor Schöner 或 Wolfram Erlhagen 在2010年左右关于“Dynamic Neural Fields for Robot Navigation”的教程或综述文章。这些文章通常会给出完整的数学积分公式，完美覆盖涉案专利中的“距离产生抑制失衡”的逻辑，可以作为极强的公知常识证据或结合对比文件。

四、 专利分类号（IPC/CPC）精准过滤

在进行上述关键词检索时，使用以下分类号进行降噪，可以大幅提高检索效率：

• G06N 3/04：计算模型；人工神经网络的架构。

• G06N 3/008：基于生物学模型的计算（直接对应脉冲神经网络和大脑模拟设备）。

• G05D 1/02：陆地车辆的位置控制或航迹控制（对应机器人物理移动）。

• B25J 9/16：机器人控制系统。

通过上述策略，我们主要防范的是专利权人将权利要求缩限至特定的公式或距离判定逻辑。如果您需要，您可以安排检索人员按照“发明人/NSI学术论文”这条线索优先开掘，这通常是攻破此类前沿交叉学科专利的捷径。

需要我为您预先起草一份针对“抑制性权重距离函数”的备用创造性评述逻辑吗？