好的，作为一名资深专利代理师，我将根据您的要求，对目标专利与对比文件进行严谨的创造性评估。
**对比文件名称**：2015-05-07_US2015127149A_发明申请_US20150127149A1 APPARATUS AND METHODS FOR ONLINE TRAINING OF ROBOTS
**目标专利名称**：CN106796667B 动态空间目标选择
**本次调用的模型名称**：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《隐含公开》** | 第[0066]段：“Robotic devices may be trained to perform a target task (e.g., recognize an object, approach a target, avoid an obstacle, and/or other tasks). In some implementations, performing the task may be achieved by the robot by following one of two or more spatial trajectories.” <br> 第[0068]段：“The robot may comprise an adaptive controller configured to generate control commands based on one or more of the teaching signal, sensory input, performance measure associated with the task, and/or other information.” <br> 第[0115]段：“The input signal may comprise a target motion trajectory. The motion trajectory may be used to predict a future state of the robot on the basis of a current state and the target state.” | 对比文件公开了机器人执行目标任务（如接近目标）需要遵循空间轨迹（spatial trajectories），并且控制器基于感官输入（sensory input）生成控制命令。感官输入必然包含环境信息。本领域技术人员知晓，为了实现基于空间的决策（如选择轨迹），一个常见且基本的技术手段是在内部构建一个对环境的空间表示，即“地图”，并将任务相关的实体（如目标、障碍物）映射到该地图的不同位置上，以进行路径规划或目标选择。因此，尽管对比文件未明确记载“将多个目标映射到目标地图”，但为实现其公开的基于空间轨迹的任务执行，本领域技术人员能够毫无困难地推理出需要建立此类空间映射关系。因此，该技术特征被**隐含公开**。 |
| **技术特征B《隐含公开》** | 第[0098]段：“The camera may provide information associated with objects within the field-of-view.” <br> 第[0119]段：“The camera may provide frames of pixels... When the robotic apparatus is in motion... the optical flow estimated from the image data may comprise the self-motion component and the object motion component.” | 对比文件公开了机器人装备有相机，用于获取周围环境信息，并处理光流数据以区分自身运动和物体运动。这表明机器人能够感知环境并确定环境中物体的位置。在机器人领域，为了进行有效的导航和避障，通常需要将感知到的环境信息转换到以机器人自身为参考系的坐标系中，即建立自我中心式（egocentric）的环境表示。这是机器人定位、地图构建和路径规划的基础技术。因此，本领域技术人员能够合理推断，对比文件中机器人用于决策的内部空间表示（地图）必然包含相对于机器人自身位置的多个位置信息。因此，该技术特征被**隐含公开**。 |
| **技术特征C《隐含公开》** | 第[0117]段：“The adaptive controller 802 may comprise a parallel network multiple interconnected neurons.” <br> 第[0061]段：“As used herein, the terms ‘node’, ‘neuron’, and ‘neuronal node’ are meant to refer, without limitation, to a network unit (e.g., a spiking neuron and a set of synapses configured to provide input signals to the neuron) having parameters that are subject to adaptation in accordance with a model.” | 对比文件明确公开了自适应控制器包含由多个互连神经元（神经元）组成的网络。这些神经元是网络的基本处理单元。在神经网络应用于空间信息处理时，一种常规的设计模式是让网络中的不同神经元或神经元群体负责表示（如编码、响应于）环境中的不同空间位置或特征。例如，在卷积神经网络或某些空间注意力模型中，神经元的激活与输入图像的特定区域相关联。本领域技术人员为了实现对比文件公开的基于空间轨迹的选择功能，有动机且能够将人工神经网络中的神经元配置为用于表示环境中的不同位置，这是将神经网络用于空间信息处理的常规技术手段。因此，该技术特征被**隐含公开**。 |
| **技术特征D《隐含公开》** | 第[0066]段：“The teaching input may be configured to strengthen a trajectory selection by the controller such that, based on the first trajectory being selected for a first trial, the first trajectory is more likely to be selected during one or more trials subsequent to the first trial.” <br> 第[0072]段：“The trainer input 246 is configured to ‘follow’ the action selection of the robot.” <br> 第[0077]段：“The learning process of the robot may be configured to assign an increased weight to the action indicated by the training input compared to weight assigned to the action being selected by the predictor...” | 对比文件公开了通过“教学输入”（teaching input）来强化控制器对特定轨迹（即一种“目标选择”）的选择，使得该轨迹在后续尝试中被选择的概率增加（第[0066]段）。这实质上就是通过外部干预来“动态地修改”机器人的选择行为，使其“偏向”于候选目标（轨迹）之一。教学输入通过影响学习过程（如调整权重分配，第[0077]段）来起作用，这与“控制...失衡量”在功能效果上一致，都是通过调整网络内部参数来改变输出函数（选择函数）。因此，本领域技术人员可以合理推断，对比文件中通过教学输入强化特定轨迹选择的过程，即等同于通过控制网络参数（权重/失衡量）来动态修改目标选择函数，以使机器人偏向特定候选目标移动。因此，该技术特征被**隐含公开**。 |
| **技术特征E《隐含公开》** | 第[0077]段：“The learning process of the robot may be configured to assign an increased weight to the action indicated by the training input compared to weight assigned to the action being selected by the predictor...” <br> 第[0061]段：“...a set of synapses configured to provide input signals to the neuron) having parameters that are subject to adaptation...” | 对比文件公开了学习过程会根据教学输入来调整（增加）动作的权重（第[0077]段）。在神经网络中，调整“权重”即是调整连接的强度，权重增加通常起到“激励”该连接通路的作用，而权重减少则起到“抑制”作用。这里的“教学输入”作为外部信号，其目的就是根据“是否与目标轨迹一致”这一**偏置准则**（即训练者的意图），来改变网络内部的权重配置，从而激励或抑制某些连接或神经元的活动，最终影响选择。因此，本领域技术人员能够从对比文件公开的“基于教学输入调整权重”直接且毫无疑义地推导出，该权重调整行为是基于一个外部给定的准则（教学信号）来激励或抑制连接。因此，该技术特征被**隐含公开**。 |
| **技术特征F《隐含公开》** | 同技术特征C的论述。对比文件公开了控制器包含神经元网络，并且该网络用于处理与空间轨迹选择相关的任务。神经元代表位置（技术特征C）是隐含公开的。当这些位置被用于表示“候选目标”时（例如，轨迹的终点或路径上的关键点），那么这些神经元自然就“代表与所述候选目标相对应的位置”。在对比文件图1和描述中，轨迹132、136的终点或方向即可视为候选目标。因此，在技术特征C被隐含公开的基础上，结合对比文件公开的轨迹选择任务，本领域技术人员能够合理推断神经元所代表的位置与候选目标相关联。因此，该技术特征被**隐含公开**。 | |
| **技术特征G《未公开》** | 对比文件全文未提及“中间神经元”（interneuron）在连接结构中的特定作用，也未提及通过修改“中间神经元的可兴奋性”或“中间神经元...突触权重的功效”来动态修改选择函数。对比文件聚焦于通过全局的教学信号和权重调整来影响学习过程，其网络结构是概括性的“互连神经元”（第[0117]段）。目标专利中利用特定结构的中间神经元来实现精细的、局部的交叉抑制和动态偏置，这是一种更具体和特殊的神经网络架构设计。对比文件没有给出任何关于此特定结构或修改方式的启示或暗示。因此，该技术特征既未被直接公开，也未被隐含公开。 | |
| **技术特征H《直接公开》** | 第[0066]段：“The teaching input may be configured to strengthen a trajectory selection by the controller...” <br> 第[0072]段：“At time to in FIG. 2C, the trainer may provide a teaching (shown by symbol ‘X’ 246 in FIG. 2C) indicating to the robot...” | 对比文件明确且多次记载了通过“教学输入”（teaching input）或“训练者输入”（trainer input）来加强或指示轨迹选择。这个“教学输入”显然是由训练者（外部实体）提供的，属于**外部输入**。其作用正是为了“动态地修改”控制器的选择行为（使其更可能选择特定轨迹）。这与目标专利中“用外部输入来动态地修改”的技术特征完全一致。本领域技术人员能够毫无疑义地从对比文件得出该技术方案。因此，该技术特征被**直接公开**。 |
| **技术特征I《隐含公开》** | 第[0077]段：“The learning process of the robot may be configured to assign an increased weight to the action indicated by the training input...” <br> 第[0061]段：“...synapses... having parameters that are subject to adaptation...” <br> 第[0034]段：“...connection efficacy configured to affect operation of the given neuron.” | 对比文件公开了通过学习过程调整“权重”（weight）或“连接功效”（connection efficacy）（第[0077]、[0061]、[0034]段）。调整“突触权重的功效”是神经网络学习中的常规操作，与对比文件公开的内容完全对应。而“动态地修改神经元的可兴奋性”是调节神经元自身放电阈值的另一种常见方式，其与修改输入权重在功能上具有等效性，都是改变神经元对输入响应的难易程度，从而影响网络输出。在对比文件公开了通过调整连接参数（权重）来动态修改选择行为的基础上，本领域技术人员为了实现相同的“动态修改”目的，有动机选择功能上等效的修改神经元可兴奋性的手段。因此，该技术特征被**隐含公开**。 |
| **技术特征J《直接公开》** | 第[0061]段：“...a set of synapses configured to provide input signals to the neuron) having parameters that are subject to adaptation...” <br> 第[0117]段：“...multiple interconnected neurons.” | 对比文件明确公开了“突触”（synapses），其功能是向神经元提供输入信号，并且其参数（即权重）是可适应的。这直接对应于“输入突触”。同时，对比文件也公开了神经元是“互连的”（interconnected），这些互连即构成“神经元之间的连接”。因此，对比文件已经公开了突触权重既针对输入突触，也针对神经元之间的连接。本领域技术人员能够毫无疑义地得出此结论。因此，该技术特征被**直接公开**。 |
| **技术特征K《未公开》** | 对比文件公开的选择依据主要是**外部的教学信号**（第[0066]段）和当前的**感官上下文**（第[0100]段）。目标专利中列举的“回报的抑制”、“对象的行为状态”、“时间段”、“所指派的任务”、“时间复用函数”、“从...多个任务中选择任务的事件”等具体准则，在对比文件中均无任何记载或提示。这些准则反映了目标专利更复杂、更自主的内部决策机制。对比文件未提供任何关于采用这些特定准则来实现目标选择的信息。因此，该技术特征既未被直接公开，也未被隐含公开。 | |
| **技术特征L《未公开》** | 对比文件描述了单一的神经网络控制器（如802）用于在线学习任务。虽然提到了网络可以有不同的配置或状态（第[0138]段提及保存和加载网络配置），但并未公开“多个人工神经网络”与“多个任务”之间明确的“一个任务对应一个网络”的映射关系，也未区分“静态网络或动态网络”。目标专利的这一特征涉及多网络任务切换的架构，对比文件没有相关教导。因此，该技术特征既未被直接公开，也未被隐含公开。 | |
| **技术特征M《隐含公开》** | 第[0066]段：“Based on observing the trajectory choice by the robot, the trainer may provide a teaching input...” <br> 第[0077]段：“The learning process of the robot may be configured to assign an increased weight to the action indicated by the training input...” | 对比文件公开的训练过程是：机器人先做出轨迹选择（**输出**），训练者观察后提供教学输入（**外部输入**），该教学输入进而影响学习过程（如调整权重）。这表明，控制机器人内部参数（即“失衡量”，体现为权重调整）的过程，是基于对机器人**输出**（选择的动作）的观察和评估，并结合了**外部输入**（教学信号）。这完全符合“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...失衡量”的描述。本领域技术人员能够从该交互过程中合理推断出这一控制逻辑。因此，该技术特征被**隐含公开**。 |
### 结论代码
根据上述评估，对比文件直接公开了技术特征H和J，隐含公开了技术特征A、B、C、D、E、F、I、M。技术特征G、K、L未被公开。
因此在回答结尾插入的代码为：<<<H>>><<<J>>><<<a>>><<<b>>><<<c>>><<<d>>><<<e>>><<<f>>><<<i>>><<<m>>>