### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **A《直接公开》** | [0069]-[0071]段，图3C，表3，表4。例如：“In one embodiment, there are five important objects on a robot sensor field with different colors or color combinations: our goal, opponent's goal, ball, teammate and opponent. The visual system can use six neuronal color groups, each of them having a preferred color... All the connections in the processing stream can be topographical.” | 对比文件公开了在机器人传感场中识别多个重要目标（如球、己方球门、对方球门、队友、对手），并利用具有特定颜色偏好的神经元群组进行视觉处理。这些对象群组（Object Areas）从颜色和边缘神经元群组接收拓扑输入，从而将不同的目标映射到神经网络中不同的、特定的位置（即对象区域）。这构成了将多个目标映射到目标地图中不同位置的技术方案，被直接公开。 |
| **B《直接公开》** | [0069]-[0071]段，[0042]段。例如：“The visual object recognition can be based on color information, tuned self-excitation, and cross inhibition between the object groups and shape information.” 以及关于Darwin++：“Darwin++ is a hybrid model that combines probabilistic localization algorithms with the ability of the brain region called the hippocampus to encode information about location.” | 对比文件中的视觉系统处理来自机器人摄像头的图像，识别目标在机器人视野（视觉场）中的位置，这是基于机器人自身视角的自我中心式参考系。此外，Darwin++系统通过定位算法和海马体模型对机器人在环境中的位置进行编码和估计。这公开了目标地图包含空间环境中相对于机器人设备的多个位置，被直接公开。 |
| **C《直接公开》** | [0069]-[0071]段，表3，表4，[0042]段。例如：“These object groups can receive their topographical inputs from one or more color neuronal groups.” 以及表3中列出了“Object Areas (5): Ball, OurGoal, TheirGoal, Teammate, Opponent”，其尺寸为20x20个神经元单元。 | 对比文件明确描述了每个目标（如球、球门）由一个专门的神经元区域（对象区域）表示，该区域由多个神经元单元构成，其活动代表了该目标在视觉场中的存在和位置。这直接对应于“每个位置由所述人工神经网络中的神经元表示”，被直接公开。 |
| **D《直接公开》** | [0080]段（原则1和3），[0030]-[0033]段，[0126]段。例如：“The amount of activity in a neuronal group can cause a non-neural controller to make a decision.”，“Non-neural controllers can create temporary connections between neuronal groups.” 以及关于基于时间差（TD）学习修改连接权重的描述。 | 对比文件描述了通过神经元群组的活动水平来触发非神经控制器做出决策（如选择目标），并且非神经控制器可以动态创建神经元群组之间的临时连接来引导行为。同时，系统采用基于值信号的时间差学习规则，根据经验动态修改突触连接权重（即“失衡量”），从而改变机器人的行为策略，例如使其趋向奖励或避开惩罚。这等同于通过控制神经网络连接的失衡量来动态修改目标选择函数，进而使机器人设备偏向或偏离候选目标移动，被直接公开。 |
| **E《直接公开》** | [0030]-[0033]段，[0126]段，[0071]段。例如：“Value dependent connections can learn according to: Δcij(t+1)=η·Si(t)·Sj(t)·BCM(Si(t))·(V(t)−V(t−1))” 和 “Inhibitory connections make the system more robust: Object groups that should not be in the same place in the visual field can have inhibitory connections to each other.” | 对比文件公开了“值依赖”连接的可塑性规则，其中连接权重的改变取决于一个值信号V(t)，该信号指示环境中的显著事件（如奖励或惩罚）。这实质上是一种基于“偏置准则”（即值信号代表的奖惩）来激励（增强）或抑制（减弱）连接的技术手段。此外，对象群组之间明确设置了相互抑制的连接，以在视觉处理中实现偏向。因此，该特征被直接公开。 |
| **F《直接公开》** | [0069]-[0071]段，表3，表4。例如：“Each of the six color neuronal groups can have activity proportional to how close an image matches its preferred color... For example, for a picture with a red ball on a green grass, the activities of the red group can be almost everywhere approximately zero (silent) except on coordinates where the ball is.” | 在对比文件中，特定的对象神经元群组（例如“Ball”区域）的激活，直接表征了该目标（例如红色的球）在视觉场景中的位置。因此，这些神经元所代表的位置即对应于候选目标（球）的位置。该特征被直接公开。 |
| **G《隐含公开》** | [0029]表1，[0108]段，图8B。例如：“The modeled hippocampus can contain areas analogous to entorhinal cortex (ECIN, ECOUT), dentate gyrus (DG), the CA3 subfield, and the CA1 subfield. These areas can contain interneurons that cause feedback inhibition (e.g. CA3→CA3FB→CA3), feedforward inhibition (e.g. DG→CA3FF→CA3)...” | 对比文件在其神经网络模型（特别是海马体模型）中明确包含了中间神经元（interneurons），例如反馈抑制和前馈抑制中间神经元，它们耦合在主要神经元群（如CA3与CA3之间、DG与CA3之间）的通路中。虽然对比文件未明确将这些中间神经元用于“目标选择函数”的动态修改，但其揭示了在人工神经网络中使用中间神经元来调节连接（特别是抑制性连接）的基本结构。同时，对比文件详细描述了突触可塑性机制，可用于修改连接权重。本领域技术人员基于这些公开内容，能够合理推断出：为了动态调整目标选择，可以采用耦合在输入和输出神经元之间的中间神经元，并通过修改这些中间神经元的兴奋性或其突触权重功效来实现选择函数的动态修改。因此，该特征被隐含公开。 |
| **H《直接公开》** | [0075]段，[0126]段。例如：“Action selection can use information from the neural visual areas representing target objects to make these decisions. It also can use non-neurally processed information from IR sensors.” 和 “Activity in the simulated value systems can signal the occurrence of salient sensory events experienced by the SS-BBD and this activity contributes to the modulation of connection strengths...” | 对比文件明确描述了行动选择模块不仅利用神经视觉区域的信息，还利用来自红外（IR）传感器的非神经处理信息来做出决策。此外，模拟价值系统的活动由外部感官事件（如触发IR传感器）驱动，并进而调控连接强度。这清楚地公开了通过外部输入（传感器数据、奖励信号）来动态修改系统行为或连接权重，即动态修改选择函数的一种方式。该特征被直接公开。 |
| **I《直接公开》** | [0030]-[0033]段，[0157]-[0165]段，[0124]段。例如：“In brain-based devices some connections can modify their strength depending on the experience of the device.” 和关于神经元模型的描述中，参数如增益因子g可以调节输出。基底前脑（BF）区域提供节律性抑制以调节海马体区域兴奋性。 | 对比文件的核心内容之一就是突触可塑性，即根据经验动态修改突触连接权重的功效（如BCM规则、TD学习规则）。此外，神经元模型本身包含可调节其兴奋性的参数（如公式中的增益g），并且有专门的神经调节系统（如基底前脑）动态影响神经元的兴奋水平。因此，“动态地修改神经元的可兴奋性”和“动态地修改突触权重的功效”这两者均被对比文件直接公开。 |
| **J《直接公开》** | 表2和表4，以及全文多处描述连接。例如：表2中列出“V1-color→V2/4-color”（从输入区域到处理区域的连接）和“CA3→CA1”（海马体内部神经元之间的连接）。 | 对比文件的神经网络架构表中详尽列出了各种类型的突触连接，其中包括从感觉输入层到神经处理区域的连接（输入突触），以及各神经处理区域内部或之间的连接（神经元之间的连接）。这明确公开了突触权重针对至少输入突触和神经元之间的连接。该特征被直接公开。 |
| **K《隐含公开》** | [0126]段（回报），[0078]段（行为状态），[0084]段（任务），[0085]段（事件）。例如：基于时间差（TD）的学习规则涉及奖励/惩罚信号（回报）；系统定义了多种“行为”（Behaviors）如“Find Object”、“Track Object”（行为状态）；系统有更高层的“玩法”（Plays）如“Chase”、“Pass”（所指派的任务）；以及通过语音命令切换玩法（选择任务的事件）。 | 对比文件公开了机器人的行为选择和学习受到多种因素影响：1）基于奖励和惩罚信号的学习（涉及“回报”）；2）根据当前执行的行为状态（如寻找或跟踪）进行决策；3）执行不同的高层任务（“plays”）；4）响应外部事件（如语音命令）切换任务。虽然未使用“回报的抑制”、“时间段”、“时间复用函数”等目标专利中的具体表述，但“回报”作为影响学习的核心因素已被公开。本领域技术人员基于对比文件公开的基于回报的学习和任务/行为切换框架，能够合理推断出目标选择函数可以基于包括回报、行为状态、任务、事件等在内的多种准则或其组合来构建。因此，该特征被隐含公开。 |
| **L《隐含公开》** | [0084]段，[0085]段。例如：“Plays can be a higher level of control than behaviors... Other basic plays in the repertoire can be Shoot, Run Upfield...” 和 “...upon receiving the command immediately executes the correct play.” | 对比文件提到了机器人有一系列不同的“玩法”（Plays）作为高层任务，并可通过事件（如语音命令）在不同玩法间切换。同时，对比文件的神经网络本身具备可塑性，是动态的。虽然未明确记载每个任务对应一个完全独立的人工神经网络，但本领域技术人员基于“不同任务需要不同控制策略”的常识，结合对比文件中神经网络可动态修改的特性，有可能推理出可以通过配置或切换不同的神经网络（可以是静态预设或动态演化的）来对应不同任务这一技术方案。根据宽松的隐含公开判断标准，该特征被隐含公开。 |
| **M《直接公开》** | [0030]-[0033]段，[0126]段。例如：“Value dependent connections can learn according to: Δcij(t+1)=η·Si(t)·Sj(t)·BCM(Si(t))·(V(t)−V(t−1))” | 对比文件中值依赖连接的学习规则明确显示，连接权重的改变量（Δcij）取决于突触后神经元活动Si(t)、突触前神经元活动Sj(t)以及值信号的变化V(t)-V(t-1)。神经元活动Si和Sj可视为神经网络内部状态，由输入驱动并可能影响输出；值信号V(t)则常与外部输入（如传感器检测到的奖励）相关。因此，该规则本质上是基于对神经网络的输入（通过值信号和影响神经元活动的感官输入）和/或神经网络的输出/状态（通过神经元活动）来控制连接权重（失衡量）。该特征被直接公开。 |
<<<A>>><<<B>>><<<C>>><<<D>>><<<E>>><<<F>>><<<H>>><<<I>>><<<J>>><<<M>>><<<g>>><<<k>>><<<l>>>