# 特征比对分析
## 对比文件名称
2013-04-04_US2013086352A_发明申请_US20130086352A1 DYNAMICALLY CONFIGURABLE STORAGE DEVICE
## 目标专利名称
208动态空间目标选择CN106796667B
## 模型名称
gpt-4-turbo-2024-04-09
## 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**：包括：将多个目标中的每个目标映射到目标地图中的不同位置，《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征A涉及将空间目标映射到目标地图的位置，这是机器人导航或空间选择任务的核心。对比文件涉及存储设备资源管理，其“逻辑单元”、“资源”等概念与空间位置、目标地图无关。本领域技术人员无法从对比文件得出将目标映射到地图位置的技术方案。 |
| **技术特征B**：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，《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征B明确限定了目标地图是空间环境中相对于机器人设备的位置，具有自我中心式坐标的特性（参见说明书第[0060]-[0061]段）。对比文件完全没有涉及任何空间环境、机器人设备或位置地图。 |
| **技术特征C**：每个位置由所述人工神经网络中的神经元表示，《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征C明确使用人工神经网络中的神经元来表示位置（参见说明书第[0063]段）。对比文件虽然提到了“控制器”、“任务管理器”、“设备管理器”等，但这些是存储设备控制逻辑的组成部分，并非人工神经网络中的神经元，也不用于表示空间位置。 |
| **技术特征D**：以及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，《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征D的核心是通过控制神经网络连接的失衡来动态修改选择函数，以影响机器人设备的移动偏向。这是典型的神经形态计算在机器人路径选择/目标选择中的应用。对比文件涉及的是根据预测负载动态重新分配硬件/软件资源（如命令队列槽）给逻辑单元，以提高存储设备性能（参见摘要、第[0005]、[0020]段）。两者的技术领域、解决的问题、采用的手段和实现的功能均完全不同。对比文件中的“动态配置”是指资源分配，而非神经网络连接的失衡控制；其“函数”是资源管理逻辑，而非目标选择函数；其目的是优化存储命令处理，而非使机器人偏向移动。 |
| **技术特征E**：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，《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征E中的“失衡量”、“激励”、“抑制”是神经网络中突触连接的特有概念，用于调节神经元活动（参见说明书第[0063]-[0065]、[0071]-[0073]段）。对比文件中的资源分配决策基于“预测的负载”、“参数集”（如正在处理的命令数量、类型等，见第[0020]段），这是一种基于负载预测的资源调度准则，与神经网络中基于偏置准则（如距离、价值、历史访问等，见第[0050]段）来激励或抑制连接的概念有本质区别。 |
| **技术特征F**：所述神经元代表与所述候选目标相对应的位置。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征F是特征C的进一步限定，明确神经元代表的是候选目标的位置。对比文件中的任何组件都不代表空间目标的位置。 |
| **技术特征G**：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。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征G涉及神经网络的具体结构（中间神经元）和调节机制（修改可兴奋性或突触权重功效），这是神经科学和神经形态工程领域的特定技术手段（参见说明书第[0071]-[0073]、[0080]段）。对比文件中的“连接”是指逻辑单元、资源、管理器之间的数据/控制通路，其“动态修改”是指重新分配资源（如队列槽），完全不涉及神经元、中间神经元、可兴奋性、突触权重等概念。 |
| **技术特征H**：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。《隐含公开》 | 第[0018]段：“In some embodiments, the device manager 114 notifies the host device 102 regarding request for allocating supplementary resources from one or more of the logical units 110A-N using events. The host device 102 may grant or deny the allocation of supplementary resources to the one or more of the logical units 110A-N.”<br>（在一些实施例中，设备管理器114使用事件通知主机设备102关于从一个或多个逻辑单元110A-N分配补充资源的请求。主机设备102可以准予或拒绝向一个或多个逻辑单元110A-N分配补充资源。） | 目标专利的技术特征H限定了通过外部输入来动态修改选择函数。对比文件中，设备管理器可以通知主机设备关于资源分配的请求，而主机设备的准予或拒绝决定（即一种外部输入）可以影响最终的资源分配结果（即动态修改了资源配置）。虽然两者应用领域不同（存储资源配置 vs. 神经网络目标选择），但“通过外部输入来动态修改某一函数或配置”这一广义的控制逻辑是相似的。本领域技术人员有可能通过对比文件的内容进行推理，认为存在一种通过外部输入来动态修改（资源配置）的方案。因此，该特征被判断为隐含公开。 |
| **技术特征I**：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。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征I再次强调了在神经网络语境下的具体修改手段（神经元可兴奋性、突触权重）。对比文件完全不涉及这些神经网络特有的概念。其动态修改仅限于硬件/软件资源的分配。 |
| **技术特征J**：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、或其组合的。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征J是对“突触权重”应用对象的进一步限定。对比文件未公开任何关于“突触权重”的内容。 |
| **技术特征K**：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。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征K列举了目标选择函数可能基于的多种具体准则，这些准则与机器人行为、任务上下文密切相关（参见说明书第[0050]、[0091]段）。对比文件中决定资源重新分配（类似于其“配置函数”）的准则是基于对逻辑单元负载的预测（第[0020]段），具体参数包括正在处理的命令数量、类型、已用资源数量等。这与目标专利中基于机器人行为状态、任务事件等的准则有根本不同。 |
| **技术特征L**：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。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征L涉及多个任务与多个人工神经网络的对应关系，以及网络的静态/动态性质。对比文件提到了“多个任务”（可能指不同的存储命令处理任务），但其由“逻辑单元”、“任务管理器”等处理，并非由“人工神经网络”处理。也未提及这些处理单元是静态或动态网络。 |
| **技术特征M**：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。《未公开》 | 对比文件未公开相关内容。 | 目标专利的技术特征M限定了基于神经网络的输入/输出来控制失衡量，这体现了神经网络内部的反馈或自适应调节机制。对比文件中的资源分配决策基于逻辑单元自身的参数（输入）预测负载，然后由设备管理器（控制单元）执行重新分配（输出）。虽然存在“基于输入决定控制”的广义控制逻辑，但对比文件的“输入”是存储命令相关的参数，“控制”对象是资源分配，“输出”是新的资源配置，整个系统并非人工神经网络，控制的对象也非“失衡量”。因此，该特征未被公开。 |
<<<h>>>