对比文件名称：2015-01-21_CN102521653B_发明授权_CN102521653B 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
目标专利名称：动态空间目标选择CN106796667B
本次调用模型名称：专利创造性评估模型
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A《直接公开》**<br>将多个目标中的每个目标映射到目标地图中的不同位置。 | 【说明书第[0066]段】“基于生物刺激神经网络模型构建实时地图的方法如下，先根据位置射频标签的识别距离，将环境空间离散化，其中每个离散点是一个4维空间，分别由(x，y，z，s)构成，(x，y，z)是该离散点的地理位置坐标，通过射频标签读取；s是生物刺激神经网络神经元的活性值...”<br>【说明书第[0069]-[0070]段】“生物刺激神经网络模型中的刺激性输入和抑制性输入...分别来自于所要搜寻的矿工和搜索过程中发现的障碍物...” | 对比文件公开了构建实时地图，地图由离散点构成，每个点有其地理位置坐标（x，y，z）。这些离散点（即地图中的位置）被映射了不同的“目标”：矿工（刺激性输入源）和障碍物（抑制性输入源）。这与目标专利中将“多个目标”（如候选目标）映射到“目标地图中的不同位置”的技术特征相同。因此，本领域技术人员能够毫无疑义地从对比文件中得出该技术方案。 |
| **技术特征B《隐含公开》**<br>所述目标地图包括空间环境中相对于机器人设备的位置的多个位置。 | 【说明书第[0066]段】“(x，y，z)是该离散点的地理位置坐标，通过射频标签读取...”<br>【说明书第[0072]-[0074]段】“机器人根据每个神经元的动态活性值的大小可以实时计算出最佳返程路径... (θr)t+1是机器人下一步行动的方向角，angle(pr，pn)是计算机器人当前位置pr和神经元pn两点间夹角公式，而pn是机器人探测范围内所有神经元中动态活性值最大的那个...” | 对比文件构建的地图坐标(x，y，z)是绝对的地理位置坐标。然而，在路径计算时，机器人需要知道自身当前位置pr，并计算与目标神经元pn之间的方向角。这意味着，在实际的路径选择和机器人移动决策过程中，机器人必然需要处理目标位置相对于自身当前位置（pr）的关系，即一种相对于机器人设备的空间关系。虽然地图本身是全局坐标系，但机器人在使用该地图进行决策时，隐含地建立了“相对于机器人设备的位置”这一关系。因此，本领域技术人员有可能通过推理，从对比文件的内容中合理推断出该技术特征。 |
| **技术特征C《直接公开》**<br>每个位置由所述人工神经网络中的神经元表示。 | 【说明书第[0066]段】“其中每个离散点是一个4维空间，分别由(x，y，z，s)构成... s是生物刺激神经网络神经元的活性值”。<br>【说明书第[0082]段】“图中的每个圆点代表射频标签的位置，也是神经网络模型中的一个神经元”。 | 对比文件明确且直接地公开了地图中的每个离散点（即每个位置）对应一个神经网络中的神经元，并且该神经元的活性值s是位置状态的一部分。这完全对应于目标专利中“每个位置由所述人工神经网络中的神经元表示”的技术特征。 |
| **技术特征D《隐含公开》**<br>通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动。 | 【说明书第[0066]、[0069]-[0070]段】神经元活性值s的计算公式，其中包含来自矿工（目标）的刺激性输入和来自障碍物的抑制性输入。<br>【说明书第[0072]-[0074]段】机器人选择向动态活性值最大的神经元移动，从而自动绕开障碍物（抑制性区域），快速到达矿工位置（刺激性目标）。 | 对比文件中，机器人的移动方向（即其目标选择函数）由神经元的“动态活性值”决定。该活性值通过公式动态计算，其中刺激性输入（对应“激励”）和抑制性输入（对应“抑制”）共同作用，实质上控制了不同位置神经元之间的相对激活水平（即一种“失衡量”）。这使得机器人“偏向”高活性值位置（矿工）而“偏离”低活性值位置（障碍物）。虽然对比文件未直接使用“失衡量”和“动态地修改目标选择函数”的表述，但其通过神经网络动态计算活性值以引导机器人移动的机制，实质上隐含了通过控制神经网络内部激励与抑制的失衡来动态修改移动选择（目标选择）函数的技术方案。 |
| **技术特征E《直接公开》**<br>所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接。 | 【说明书第[0069]-[0070]段】“生物刺激神经网络模型中的刺激性输入和抑制性输入 和 分别来自于所要搜寻的矿工和搜索过程中发现的障碍物...”。 | 对比文件明确公开了神经网络中神经元活性值的计算依赖于两类输入：来自矿工的“刺激性输入”（即激励）和来自障碍物的“抑制性输入”（即抑制）。这直接对应于目标专利中“基于偏置准则来激励...或抑制...”的技术特征，其中“偏置准则”在此具体化为“存在矿工”和“存在障碍物”。 |
| **技术特征F《直接公开》**<br>所述神经元代表与所述候选目标相对应的位置。 | 【说明书第[0066]、[0082]段】每个神经元代表一个地理位置（射频标签位置）。<br>【说明书第[0069]、[0072]段】矿工所在位置会使其周围神经元的活性值最大，机器人会向该位置移动。 | 对比文件中的神经元代表地图上的具体位置。当某个位置存在矿工（候选目标）时，其对应的神经元或其邻近神经元会具有高活性值，并被机器人选为移动目标。因此，神经元直接或间接地代表了与候选目标（矿工）相对应的位置。该特征被直接公开。 |
| **技术特征G《未公开》**<br>其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。 | 无相应内容。 | 对比文件描述的生物刺激神经网络模型中，神经元的活性值通过一个直接的计算公式更新，该公式汇总了来自其他神经元的连接权值（wij）以及外部刺激/抑制输入。说明书全文均未提及在神经元之间存在“中间神经元”这一结构，也未涉及通过修改此类中间神经元的属性（如可兴奋性）或与之相关的突触权重功效来实现动态修改。该特征未被公开。 |
| **技术特征H《隐含公开》**<br>其特征在于，所述动态地修改包括用外部输入来动态地修改。 | 【说明书第[0069]-[0070]段】“刺激性输入和抑制性输入...分别来自于所要搜寻的矿工和搜索过程中发现的障碍物”。<br>【说明书第[0077]-[0081]段】流程图说明，机器人发现矿工或障碍物时，会更新周围神经元的活性值。 | 对比文件明确说明，神经元活性值的动态更新（即目标选择函数的动态修改）依赖于来自外部环境的输入：矿工和障碍物的信息。这些信息通过公式转化为刺激性输入或抑制性输入，从而动态地修改神经元的活性状态，进而影响机器人的选择。这对应于“用外部输入来动态地修改”的技术手段。 |
| **技术特征I《隐含公开》**<br>其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。 | 【说明书第[0066]段】神经元活性值s的计算公式，涉及连接权值wij、外部输入等。<br>【说明书第[0069]-[0070]段】外部输入（矿工、障碍物）直接影响神经元活性值的计算。 | 对比文件中，神经元的“动态活性值s”是其状态的核心表征，其值的大小直接决定了该位置被机器人选中的可能性。通过外部输入（矿工、障碍物）动态更新s值，实质上就是动态修改了该神经元在目标选择网络中的“可兴奋性”水平。虽然未明确提及修改“突触权重的功效”，但活性值计算本身包含了权值wij的作用，外部输入通过影响活性值，间接地改变了权值在决定最终输出（机器人选择）中的“功效”。因此，本领域技术人员可以合理推断出该技术方案。 |
| **技术特征J《直接公开》**<br>其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合。 | 【说明书第[0066]段】“k表示与该神经元有连接的神经元个数，wij表示连接权值”。 | 对比文件在描述神经元活性值计算公式时，明确提到了“连接权值wij”，这指的是神经元之间的连接权重。这直接公开了“突触权重是至少针对...神经元之间的连接”这一技术特征。 |
| **技术特征K《未公开》**<br>其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。 | 无相应内容。 | 对比文件中机器人的目标选择函数（即向最高活性值位置移动）仅基于当前环境中感知到的矿工和障碍物信息，从而构建活性值地图。说明书全文未提及任何关于“回报的抑制”、“行为状态”、“时间段”、“所指派的任务”、“时间复用函数”或“多任务选择事件”等复杂准则。该特征未被公开。 |
| **技术特征L《未公开》**<br>其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。 | 无相应内容。 | 对比文件仅涉及一个用于井下搜救和返程路径规划的单一生物刺激神经网络模型，未提及多个任务、多个人工神经网络，以及在不同静态或动态网络之间进行切换或对应的技术方案。该特征未被公开。 |
| **技术特征M《隐含公开》**<br>其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。 | 【说明书第[0069]-[0070]段】对神经网络的输入（矿工、障碍物信息）决定了刺激性/抑制性输入的大小。<br>【说明书第[0072]-[0074]段】神经网络的输出（各神经元的动态活性值）被用来计算机器人移动方向，即控制机器人的行为。 | 对比文件的技术方案完整体现了这一特征：首先，神经网络接收外部环境输入（矿工、障碍物），这些输入直接用于计算神经元活性值（即影响网络内部的失衡量）。其次，神经网络的输出（活性值分布）被用于控制机器人的移动选择。整个过程是基于“对人工神经网络的输入”和“来自人工神经网络的输出”来控制网络内部的动态（失衡量）以及最终行为。本领域技术人员能够从该工作流程中合理推断出这一技术特征。 |
<<<A>>><<<C>>><<<E>>><<<F>>><<<J>>><<<b>>><<<d>>><<<h>>><<<i>>><<<m>>>