技术特征描述及公开性判断

对比文件原文引用

公开性论述

**技术特征A**：确定所述地图的多个体素中的每个体素的占用程度。<br>**《直接公开》**

说明书第\[0082\]段：“An occupancy grid can be used to combine multiple readings from multiple sensors at multiple locations into a single grid-based representation, **where the value of each cell represents the probability that the corresponding location in space is occupied.**”<br>说明书第\[0108\]段：“The LPS can be stored as an occupancy grid... **Each grid cell stores a weighted sum of evidence for/against an obstacle in that grid cell.**”

对比文件明确公开了使用“占用网格（occupancy grid）”或“局部感知空间（LPS）”来表示环境地图，其中每个网格单元（cell）的值代表了该空间位置被占用的概率或证据权重。这直接对应于目标专利中“体素（voxel）”的概念及其“占用程度”的确定。两者在整体技术方案中的作用相同，都是将环境离散化为网格单元并评估其被障碍物占据的可能性，为后续的导航或规划提供基础环境模型。

**技术特征B**：其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的。<br>**《隐含公开》**

说明书第\[0082\]段：“An occupancy grid can be used to **combine multiple readings from multiple sensors at multiple locations** into a single grid-based representation...”<br>说明书第\[0108\]段：“Typically, an LPS will represent the obstacles detected over the previous 5-30 seconds.”

对比文件虽未明确使用“测量锥（sensor cone）”和“时间步阶”的表述，但其占用网格/LPS是通过整合来自多个传感器（如UWB雷达、LIDAR、立体视觉）在多个位置（即不同时间）的读数来构建的（第\[0082\]段）。UWB雷达等传感器具有特定的视野范围（如40°×40°，第\[0036\]段），其每次测量本质上覆盖一个空间锥形区域。LPS存储了过去一段时间（5-30秒）的检测数据（第\[0108\]段），这隐含了基于时间序列的测量积累。因此，对本领域技术人员而言，对比文件公开的“整合多传感器、多位置读数以更新网格单元占用值”的技术手段，必然隐含了“基于传感器测量锥内的、在不同时间收集的测量来确定体素（网格单元）占用程度”这一技术特征。两者作用相同，都是利用传感器的空间感知数据来增量式地构建和更新环境地图。

**技术特征C**：其中每个体素的占用程度表示在所述体素的空间上的占用比率。<br>**《隐含公开》**

说明书第\[0082\]段：“...where the value of each cell **represents the probability that the corresponding location in space is occupied.**”<br>说明书第\[0108\]段：“Each grid cell stores **a weighted sum of evidence for/against an obstacle** in that grid cell.”

对比文件将每个网格单元的值描述为“被占用的概率”或“支持/反对存在障碍物的加权证据和”。概率值或证据权重是占用可能性的一种量化表示，其本质是描述该单元空间被障碍物占据的比率或程度（例如，概率1.0表示完全被占，0.0表示完全空闲，中间值表示部分占用或不确定）。虽然未直接使用“占用比率”的措辞，但“概率”和“加权证据和”是本领域用于表示空间占用程度的常用且等效的数学描述方式。因此，该特征被对比文件隐含公开，其作用与目标专利相同，均为地图提供连续、概率化的占用信息，而非简单的二元（占用/空闲）判断。

**技术特征D**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《直接公开》**

说明书第\[0085\]段：“Occupancy grids can rely on **statistical sensor models (e.g., based on Bayesian probability) to update the corresponding cell probabilities** for each input sensor reading... The present invention contemplates developing and applying **a Bayesian sensor model** suitable for the precision expected from UWB radar.”

对比文件明确公开了占用网格依赖基于贝叶斯概率的统计传感器模型来更新每个单元的概率（第\[0085\]段）。贝叶斯更新正是用于计算和更新概率分布函数（PDF）的核心方法。对比文件明确提出了为UWB雷达开发和应用贝叶斯传感器模型，这直接对应于“确定占用程度的概率分布函数（PDF）”。该特征在对比文件中的作用与在目标专利中相同，都是为每个空间单元（体素）建立并维护一个概率分布，以量化其占用状态的不确定性，为后续的增量更新和决策提供概率基础。

**技术特征E**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《直接公开》**

同技术特征D的引用。

同技术特征D的论述。对比文件直接公开了基于贝叶斯概率模型来确定和更新网格单元（体素）的占用概率，即确定了其占用程度的PDF。

**技术特征F**：基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图。<br>**《隐含公开》**

说明书第\[0083\]段：“The occupancy grid mapping software can **continuously add new obstacle locations (as determined by the current data) to the map as the remote vehicle moves through the world.**”<br>说明书第\[0085\]段：“Occupancy grids can rely on statistical sensor models (e.g., based on Bayesian probability) **to update the corresponding cell probabilities for each input sensor reading.**”

对比文件描述了占用网格映射软件随着车辆移动，持续根据当前（新的）传感器数据向地图中添加新的障碍物位置（第\[0083\]段），并利用统计（贝叶斯）传感器模型根据每个输入的传感器读数更新单元概率（第\[0085\]段）。这描述了一个增量更新的过程：地图（由各单元的PDF构成）在初始确定后，随着新的测量数据（后续测量）的到来而被持续更新。虽然未明确使用“增量贝叶斯更新”这一术语，但“基于贝叶斯概率模型，用每个新读数更新单元概率”这一技术手段，对本领域技术人员而言，就是标准的“增量贝叶斯更新”方法的体现。其作用与目标专利完全相同，都是使地图能够动态、增量地适应新的感知信息，提高地图的准确性和实时性。

**技术特征G**：以及基于经更新的地图来为所述自主设备规划路线。<br>**《直接公开》**

说明书第\[0092\]-\[0095\]段：描述了使用向量场直方图（VFH）和缩放向量场直方图（SVFH）技术进行障碍物避让行为。例如，第\[0094\]段：“Once the VFH has determined which headings are open and which are blocked, the remote vehicle can **pick a heading closest to its desired heading toward its target/waypoint and move in that direction.**”<br>说明书第\[0100\]段：“The bins containing obstacle distances can used to create the occupancy grid...”，以及后续关于利用该网格进行避障的描述。

对比文件详细公开了基于占用网格（即地图）和局部感知空间（LPS）来执行障碍物避让行为（第\[0092\]-\[0095\]段，第\[0113\]段）。障碍物避让是路线规划的核心组成部分。具体地，VFH/SVFH算法根据地图（或LPS）中障碍物的概率分布，计算哪些方向是开放的，并选择最接近目标方向的开放方向行进（第\[0094\]段），这直接实现了基于地图的局部路线规划或路径选择。因此，对比文件直接公开了基于更新后的地图（占用网格/LPS）为自主车辆（远程车辆）规划路线的技术特征。两者作用相同，都是利用环境地图信息来指导自主设备的运动决策。

技术特征描述及公开性质

对比文件原文引用

公开性论述

**A. 确定所述地图的多个体素中的每个体素的占用程度；** <br>**《直接公开》**

说明书第[0077]段：“Each cell 314 of the variance occupancy grid map 310b contains the accumulated height variance of the 3D point cloud data 452 falling within that cell 314 as well as the accumulated mean, minimum, and maximum values of the cloud points 452 in the area of the variance occupancy grid map 310b. The ‘variance’ is used as the occupancy or intensity values stored in the variance occupancy grid map 310b.”

对比文件明确公开了“方差占据栅格地图”（variance occupancy grid map），该地图由单元格（cells）构成，每个单元格存储了落入其中的3D点云数据的高度方差（height variance），该方差被用作占据值（occupancy values）。这直接对应于目标专利中“确定每个体素的占用程度”的技术特征。在对比文件中，单元格（cell）即相当于目标专利中的体素（voxel），而计算并存储高度方差的过程就是确定该单元格/体素占用程度的过程。

**B. 其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的；** <br>**《隐含公开》**

1. 说明书第[0070]段：“The feature tracker 320 and the stereo processor 330 both receive image data 302 from imaging sensors, such as the stereo cameras 420 and/or the 3D imaging sensor(s) 450 of the sensor system 400.” <br>2. 说明书第[0078]段：“The occupancy grid model 332 accumulates 3D point cloud data 452 having x, y, and z coordinates from the imaging sensor(s) 420, 450 by receiving cloud points in cells 314 occupying the corresponding x, y values of the cloud points 454.” <br>3. 说明书第[0054]段：“If any of the sensors 410, 420, 450 has a limited field of view, the controller 500 or the sensor system 400 can actuate the sensor 410, 450 in a side-to-side scanning manner to create a relatively wider field of view...”

对比文件虽未明确使用“传感器测量锥”这一术语，但本领域技术人员可以毫无疑义地确定，其成像传感器（如相机420、3D成像传感器450）必然具有一个有限的视场（field of view），该视场在三维空间中即构成一个测量锥。对比文件公开了传感器在不同时间（即多个时间步阶）收集图像数据和点云数据（第[0070]段），并且占据栅格地图的单元格会根据点云的x,y坐标累积落入其中的点（第[0078]段）。这意味着，只有那些位于传感器当前视场（测量锥）内，并且其投影落入特定单元格的点云数据，才会对该单元格的占据值（如高度方差）作出贡献。这与目标专利中“基于体素是否落入测量锥中而对占用程度作出贡献的测量来确定占用程度”的技术手段在实质上相同，都是利用传感器视场内的测量数据来更新对应空间单元的占据状态。

**C. 其中每个体素的占用程度表示在所述体素的空间上的占用比率；** <br>**《隐含公开》**

说明书第[0077]段：“Each cell 314 of the variance occupancy grid map 310b contains the accumulated height variance of the 3D point cloud data 452 falling within that cell 314 as well as the accumulated mean, minimum, and maximum values of the cloud points 452...”

对比文件公开的“高度方差”（height variance）以及累积的平均、最小、最大值，是用于表征单元格内空间被点云占据情况的统计量。虽然未直接使用“占用比率”这一表述，但本领域技术人员能够理解，这些统计量（特别是高度方差）反映了单元格在垂直方向（z轴）上被物体占据的“稠密”或“稀疏”程度，即一种对空间占用比例的量化描述。这与目标专利中“占用程度表示在体素空间上的占用比率”所要表达的技术内涵是一致的，都是对单元内空间被占据情况的一种连续或概率化的度量，而非简单的二元（占用/空闲）判断。

**D. 确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)；** <br>**《直接公开》**

1. 说明书第[0071]段：“The SLAM controller 350 uses a Rao-Blackwellized Particle Filter 352 (e.g., with inverse-depth parameterization) having a set 345 of particles 3401-n that represent hypotheses of a pose or position 342 of the robot 100 in its environment...” <br>2. 说明书第[0094]段：“The SLAM controller 350 provides an estimated location x, y, z of each landmark feature 424 and a corresponding uncertainty that is based on the parameters used for estimating the landmark location, which provides a covariance estimate.” <br>3. 说明书第[0082]段：“The robot motion model 360 may be a Gaussian error model centered on a travel vector... where one standard deviation of the Gaussian curve equals noise.”

对比文件明确公开了使用Rao-Blackwellized粒子滤波器（一种实现贝叶斯滤波的算法）进行同步定位与建图。粒子滤波器中的每个粒子（particle）都携带一个关于机器人位姿和地图的假设。地图（如特征地图、占据栅格地图）的状态（包括占据状态）是以概率分布的形式存在的，体现在不同粒子的不同假设中。此外，对比文件还明确提到了对地标位置估计的“不确定性”（uncertainty）和“协方差估计”（covariance estimate），以及用于机器人运动估计的“高斯误差模型”（Gaussian error model）。这些均属于概率分布函数（PDF）的具体应用和体现。因此，对比文件直接公开了为目标专利中“体素”（对应对比文件中的地图单元格或特征点）的某种状态（如位置、占据程度）确定概率分布函数（PDF）的技术特征。

**E. 确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)；** <br>**《直接公开》**

同技术特征D的引用。

此特征与特征D在目标专利权利要求中文字表述完全一致。基于相同的理由，对比文件直接公开了为地图元素（单元格、特征）的状态确定概率分布函数（PDF）的技术手段。粒子滤波器框架、协方差估计和高斯误差模型共同构成了对状态（包括占据状态）的概率分布描述。

**F. 基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图；** <br>**《隐含公开》**

1. 说明书第[0088]段：“As the SLAM controller 350 receives sensor data from the sensor system 400, the particles 340n update their hypotheses of the robot position 342 based on the sensor data. Each particle 340 is scored or receives a weight 346 based on the accuracy of its robot position 342 with respect to the sensor data.” <br>2. 说明书第[0090]段：“When the sensor system 400 acquires sensor data from multiple sensors at different times, the SLAM controller 350 may update the maps 310a-c and assess a particle weight 346 for each particle 340 for the sensor data at a given time point, and then successively again at subsequent time points.” <br>3. 说明书第[0099]段：“The SLAM controller 350 may update the particles 340n in a probabilistic manner using a robot motion model 360.”

对比文件详细描述了粒子滤波器的工作流程：系统持续接收新的传感器数据（后续测量），然后基于这些新数据更新每个粒子的状态假设（包括其关联的地图），并重新评估粒子的权重。这个过程在概率机器人学中公知是贝叶斯滤波的近似实现，其核心就是利用新的观测数据（似然）来更新先验概率分布（先验），得到后验概率分布（后验），这正是“增量贝叶斯更新”。虽然对比文件未明确使用“增量贝叶斯更新”这一术语，但本领域技术人员能够直接且毫无疑义地从其描述的粒子滤波器“接收新数据->更新粒子状态和权重”的迭代过程中，确定其必然包含了基于后续测量对概率分布（由粒子集表示）进行增量式贝叶斯更新的技术实质。

**G. 以及基于经更新的地图来为所述自主设备规划路线。** <br>**《直接公开》**

1. 说明书第[0051]段：“Simultaneous localization and mapping (SLAM) is a technique the robot 100 may use to build up a map (e.g., an occupancy map) within an unknown environment... while at the same time keeping track of its current location.” <br>2. 说明书第[0084]段：“The robot controller 500 can use the position hypothesis of the selected particle(s) 340n and its associated maps 310 to determine a way point for issuing a drive command to the drive system 200. In other words, the robot controller 500 uses the maps 310 of the selected particle 340n to navigate at that given moment in time.”

对比文件明确阐述了SLAM技术的目的就是同时构建地图并跟踪位置，以用于机器人导航。说明书第[0084]段更是直接指出，机器人控制器使用所选粒子的关联地图来确定路径点（way point）并向驱动系统发出驱动命令，即利用地图进行导航（navigate）。导航必然包含路径或路线规划。因此，对比文件直接公开了基于（更新后的）地图为自主设备（机器人）规划路线的技术特征。

技术特征描述

对比文件原文引用

公开性论述

**技术特征A**：确定所述地图的多个体素中的每个体素的占用程度。

无对应原文。

对比文件未公开“体素”概念，也未公开对地图（环境）进行体素化划分并确定每个体素占用程度的技术方案。对比文件中的状态向量 `s(t)` 是用于记录时间上下文信息的表示（参见说明书第[0067]段），并非对三维空间进行离散化单元（体素）划分后的占用状态描述。因此，该技术特征未被公开。

**技术特征B**：其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的。

无对应原文。

对比文件虽然描述了使用传感器输入 `x(t)` 来更新状态 `s(t)`（参见说明书第[0067]段，式1和式3），但并未涉及“传感器测量锥”这一概念，也未公开根据体素是否落入测量锥来筛选对确定该体素占用程度有贡献的测量数据的方法。该特征限定了占用程度数据来源的具体筛选机制，对比文件未公开此机制。

**技术特征C**：其中每个体素的占用程度表示在所述体素的空间上的占用比率。

无对应原文。

对比文件未公开“体素”概念，因此也不可能公开体素占用程度的具体含义（如占用比率）。对比文件中的状态 `s(t)` 是时间上下文的向量表示，其数值含义并非空间单元的占用比例。因此，该技术特征未被公开。

**技术特征D**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。

对比文件提到了概率模型，例如：“The state transition function ƒ and the decision function g can be based on probability distributions provided below to take into account the uncertainty in states, observations and actions: Prob(s(t+1)=s′\

s(t)=s,x(t)=x) and Prob(a(t+1)=a\

s(t+1)=s′), where Prob ( ) denotes the probability.”（说明书第[0067]段）

对比文件公开了在状态转移和动作生成中使用概率分布来考虑不确定性。然而，该概率分布描述的是状态 `s(t)` 和动作 `a(t)` 的转移或生成概率，并非目标专利中针对“体素占用程度”这一特定物理量所定义的概率分布函数（PDF）。目标专利的PDF用于量化体素占用程度估计的置信水平，而对比文件的概率模型用于决策过程中的状态预测和行为选择，二者作用对象和技术目的均不相同。因此，对比文件未公开本技术特征。

**技术特征E**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。（注：权利要求中D和E重复，此处按一项处理）

（同技术特征D引用）

（同技术特征D论述）

**技术特征F**：基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图。

对比文件描述了增量学习过程：“The machine learns while performing... The system accepts a continuous, unsegmented sensory input stream on-line.”（说明书第[0063]段）。状态更新函数 `b(t+1)=ƒt(b(t),x(t))` 也体现了增量更新（说明书第[0062]段，式1）。

对比文件公开了系统在线接受连续的传感器输入流并进行增量学习，其状态更新是增量的。然而，对比文件未公开其增量更新过程是“贝叶斯更新”。其更新规则（如最近邻匹配、基于概率模型的更新）并未被描述为贝叶斯定理的应用。更重要的是，该增量更新的对象是“状态”或“大脑” `b(t)`，而非目标专利中针对“体素占用程度的PDF”。因此，对比文件未公开本技术特征。

**技术特征G**：以及基于经更新的地图来为所述自主设备规划路线。

对比文件中的动作生成函数 `gt` 可以生成效应器的控制信号 `a(t+1)`（说明书第[0062]段，式2），这可以视为一种基于当前状态的“行动”。

对比文件公开了基于当前状态或“大脑”表示生成动作。然而，该动作生成是为了实现学习或与环境的交互，其目的并非专门用于“为自主设备规划路线”。目标专利中的路线规划是建立在具有概率置信度的体素地图之上的特定应用。对比文件没有生成此类地图，因此其动作生成不能等同于基于更新后的体素概率地图进行路线规划。该技术特征未被公开。

技术特征描述与公开性判断

对比文件原文引用

公开性论述

**技术特征A**：确定所述地图的多个体素中的每个体素的占用程度。 <br>**公开性判断**：未公开

无对应原文。

目标专利的技术特征A涉及将环境划分为体素（voxel）并确定每个体素的“占用程度”（occupancy level）。对比文件US7447593B2的核心内容是路径规划，其处理的环境信息是基于障碍物（或需避让区域）的**概率分布**（probability distribution），例如第[0030]段描述了障碍物的概率密度函数。对比文件通篇未提及“体素”（voxel）这一将空间离散化的网格单元概念，也未提及对每个单元“占用程度”的确定。对比文件中的概率分布描述的是障碍物位于空间中某一点或区域的**可能性**，而非描述一个固定划分的单元被占据的**比率或程度**。两者技术手段和作用不同：目标专利的特征A是为构建基于体素的概率地图做准备；对比文件中的概率分布是直接用于评估路径碰撞风险的输入信息。因此，对比文件未公开技术特征A。

**技术特征B**：其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的。 <br>**公开性判断**：未公开

无对应原文。

技术特征B限定了确定体素占用程度的具体方法，即依赖传感器测量，且测量数据的选择标准是体素是否位于当前测量的“传感器测量锥”（sensor cone）内。对比文件确实提及使用传感器数据来更新环境信息（例如第[0151]段），但其更新的是障碍物的概率分布模型，而非体素的占用程度。更重要的是，对比文件中完全没有出现“传感器测量锥”这一概念，也没有描述根据一个空间锥体范围来筛选相关测量数据以更新特定空间单元状态的技术手段。该特征在目标专利中用于增量式、选择性地更新体素状态，是其实施方案的关键细节。对比文件未公开此技术特征。

**技术特征C**：其中每个体素的占用程度表示在所述体素的空间上的占用比率。 <br>**公开性判断**：未公开

无对应原文。

技术特征C进一步定义了“占用程度”的含义，即空间占用比率。这强调了体素状态是一个连续量（如从0到1），而非简单的二元（占用/空闲）状态。对比文件中描述的概率分布（如第[0030]段的φ_O），其含义是障碍物位于某处的概率，并非一个空间单元内部被占据的比率。例如，一个概率为0.5的点，并不意味着该点有50%的物质填充，而是表示有50%的信心认为障碍物中心位于此点。两者在数学和物理含义上均不相同。该特征在目标专利中用于支持更精细的地图表示，对比文件未公开此概念。

**技术特征D**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。 <br>**公开性判断**：未公开

对比文件多处提及概率分布函数（PDF），例如：<br>1. 第[0030]段：“probability density function φ_O: (R, T)→R”用于描述障碍物的位置分布。<br>2. 第[0130]段：“The integral (or sum of values over the domain) of a probability distribution function (PDF) has a value of one.”

虽然对比文件广泛使用了概率分布函数（PDF）的概念，但其PDF描述的对象是**障碍物的位置或状态**（例如，敌舰在某个时间出现在某个位置的概率）。而目标专利的技术特征D，其PDF描述的对象是**每个体素自身的占用程度**（即该体素被占据的比率这个随机变量的分布）。两者PDF描述的主体和物理意义完全不同。在目标专利中，体素占用程度的PDF用于量化地图本身的不确定性；在对比文件中，障碍物位置的PDF用于量化环境认知的不确定性。因此，对比文件未公开“体素占用程度的PDF”这一特定技术特征。

**技术特征E**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。 <br>**公开性判断**：未公开

（同技术特征D引用）

技术特征E与技术特征D的文字描述完全相同，可能为权利要求撰写中的重复。基于与技术特征D相同的理由，对比文件未公开此特征。

**技术特征F**：基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图。 <br>**公开性判断**：未公开

对比文件提到了根据新信息更新概率知识，例如：<br>1. 第[0056]段第2点：“Further information that is obtained from sensors or other sources may indicate that a branch thought to be clear from contact actually is not. New information on the location of known obstacles may come to light.”<br>2. 第[0090]-[0092]段描述了路径的自动更新条件，其中第[0090]段提到“using updated situational knowledge”。

技术特征F限定了使用“增量贝叶斯更新”这一具体算法来更新体素占用程度的PDF。对比文件确实提到了根据新的传感器信息更新对环境的认知（第[0056]段），并且其整体框架基于概率推理，本领域技术人员可以理解其隐含了使用贝叶斯方法进行更新的可能性。**然而**，对比文件明确公开的更新对象是**障碍物的位置概率分布**（用于评估路径风险），而非**体素占用程度的PDF**（用于构建地图）。此外，对比文件没有明确记载“增量贝叶斯更新”这一具体技术术语。虽然从广义的概率更新角度看，两者有相似之处，但因其作用的对象（障碍物位置 vs. 体素占用状态）和所属的技术方案环节（环境威胁评估 vs. 地图构建）根本不同，不能认为对比文件隐含公开了应用于“体素占用程度PDF”的“增量贝叶斯更新”。因此，该技术特征未被公开。

**技术特征G**：以及基于经更新的地图来为所述自主设备规划路线。 <br>**公开性判断**：隐含公开

对比文件的核心就是基于概率信息进行路径规划：<br>1. 第[0008]段：“The output paths satisfy the constraints. Paths can also contain information about probability of contact ... along the path as well as a confidence level in the assessment.”<br>2. 第[0111]段：“Candidate new nodes are not added to the tree unless the probability of contact is determined to be below a (parameter) threshold...”<br>3. 第[0115]段：“After the tree is built, either a ‘best’ path to the goal or a ‘best’ partial path is found.”

技术特征G要求基于更新后的地图进行路线规划。对比文件整个发明的目的就是为车辆（自主设备）规划路线（第[0003]段），并且其规划过程明确依赖于不断更新的概率信息（如障碍物位置分布）。虽然对比文件中将其更新的信息称为“概率分布”或“情境知识”而非“地图”，但其在系统中实际起到的作用与目标专利中“经更新的地图”相同，即：为路径规划算法提供当前环境的空间占用与不确定性信息。对于本领域技术人员而言，在对比文件公开的“基于更新的概率信息进行路径规划”的基础上，能够直接且毫无疑义地确定其必然包含了“基于经更新的（概率）信息来规划路线”这一技术特征。因此，该技术特征被对比文件隐含公开。

技术特征描述及公开性判断

对比文件原文引用

公开性论述

**技术特征A**：确定所述地图的多个体素中的每个体素的占用程度。<br>**《隐含公开》**

说明书第[0007]段：“These representations, or maps, range from low-level metric maps, such as landmark maps and **occupancy grids**...”<br>说明书第[0054]段：“In the formulation of the present invention, some prior knowledge about map m is assumed to be available...” 以及后续关于地图m和观测zti的描述。

对比文件公开了使用“占用网格(occupancy grids)”作为地图表示的一种方式。占用网格的本质是将环境划分为离散单元（即体素），并记录每个单元的占用状态。对比文件通篇描述的地图构建过程（如通过扫描获取表面点位置，构建地图m）即是在确定这些网格单元（体素）是否被物体表面占据。因此，对比文件隐含公开了“确定地图的多个体素中的每个体素的占用程度”这一技术特征。该特征在对比文件中用于构建环境的空间模型，与目标专利中为生成环境地图而确定体素占用状态的作用相同。

**技术特征B**：其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的。<br>**《隐含公开》**

说明书第[0054]段：“For example, a mobile robot equipped with LIDAR may take a finite number of measurements or ‘observations’ while the robot is in motion.”<br>说明书第[0080]-[0089]段描述了观测模型h(xt, mi)，其中zti为传感器在机器人位姿xt时对特征mi的观测（如距离和角度），这隐含了传感器具有特定的测量范围（即测量锥）。公式(34)体现了在特定位置和方向上的测量。

对比文件明确描述了机器人在运动过程中（多个时间步阶）使用传感器（如LIDAR）收集多次测量（观测）。虽然未明确使用“测量锥”一词，但其观测模型（如公式(27)和(34)）描述了传感器在特定位置和方向上对环境中点的测量，这必然对应一个有效的空间感知范围，该范围可理解为“传感器测量锥”。地图的构建（即确定体素占用）正是基于这些在不同时间、不同位姿下收集的测量数据。因此，对比文件隐含公开了基于多个时间步阶的、在传感器有效测量范围内的测量来确定占用程度。该特征在对比文件中用于增量式地构建和更新地图，与目标专利中利用测量数据确定体素占用程度的作用相同。

**技术特征C**：其中每个体素的占用程度表示在所述体素的空间上的占用比率。<br>**《未公开》**

无对应原文。对比文件提及的“occupancy grids”是现有技术中的常见概念，通常表示每个网格单元是“被占用”或“空闲”的二元状态。

对比文件虽然提到了“占用网格(occupancy grids)”，但并未进一步描述其每个单元的占用状态是连续的“占用比率”。在对比文件的具体实施方式中，地图由点特征（mi）或通过先验模型平滑后的表面点构成，关注的是点的精确位置而非体素内部的连续占用比例。目标专利强调的“占用比率”是一个表示体素内空间被占据比例的连续量，这与对比文件中隐含的二元占用或精确表面点表示有本质区别。因此，该技术特征未被对比文件公开。

**技术特征D**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《未公开》**

说明书第[0021]-[0026]段介绍了SLAM问题的概率公式，如公式(3): p(x1:t, m\

u1:t, z1:t, c1:t)=...，其中包含运动模型p(xt\

xt-1, ut)和观测模型p(zti\

xt, m, cti)的概率分布。

对比文件确实在SLAM框架下使用了概率模型，但其概率分布函数（PDF）是针对机器人的位姿轨迹(x1:t)和地图特征(m)的联合后验概率，或者针对运动模型、观测模型的噪声。这些PDF并非目标专利所特指的、针对**每个体素占用程度**这一具体变量的概率分布函数。目标专利的PDF用于量化每个体素被占据的置信度（均值和方差），而对比文件的概率模型主要用于状态估计和数据关联。两者作用对象和目的不同。因此，该技术特征未被对比文件公开。

**技术特征E**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《未公开》**

同上（技术特征D）。

同技术特征D的论述。对比文件未公开针对体素占用程度的PDF。

**技术特征F**：基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图。<br>**《未公开》**

说明书第[0021]-[0026]段提到了贝叶斯滤波公式。说明书第[0133]-[0140]段描述了通过优化负对数后验概率E(x0:t, m)来求解最大后验概率(MAP)估计，这是一个批处理优化过程（“full SLAM problem”）。

对比文件虽然在其概率SLAM模型中运用了贝叶斯原理，但其具体实施方式（如Algorithm 1）是通过迭代最近点（ICP）预处理后，使用非线性共轭梯度法**一次性优化**所有位姿和地图参数（批处理）。这不同于目标专利强调的“增量贝叶斯更新”——即在获得**后续测量**后，对**已存在的体素占用程度PDF**进行递推式更新。对比文件的方法并非针对体素PDF的增量更新。因此，该技术特征未被对比文件公开。

**技术特征G**：以及基于经更新的地图来为所述自主设备规划路线。<br>**《未公开》**

说明书第[0005]段：“Maps are often used for robot navigation, such as for localization, and in many other application areas.”

对比文件仅泛泛提及构建的地图可用于机器人导航等应用，但并未具体描述任何基于所构建地图进行路线规划的步骤、方法或装置。目标专利要求保护的技术方案明确将“基于更新后的地图规划路线”作为最终步骤，这是一个具体的技术特征。对比文件未公开这一具体技术手段。因此，该技术特征未被对比文件公开。