对比文件名称：发明申请_US20150285639A1 METHOD AND SYSTEM FOR CROWD SENSING TO BE USED FOR AUTOMATIC SEMANTIC IDENTIFICATION
特征比对表格：
| 技术特征描述 | 对比文件原文引用 | 公开性论述 |
| **A 接收对应于第一行程的第一组对象数据；** <br>《直接公开》 | [0039] “The trace information data collection module 502 collects time-stamped and location-stamped traces along with sensor measurements.” <br> [0040] “To get the location information, Map++ is generic enough to either use GPS coordinates or other energy efficient localization systems...” | 对比文件公开了收集来自用户（即行程）的带有时间和位置戳的轨迹数据（即对象数据）。这对应于接收来自第一行程的第一组对象数据。 |
| **B 接收对应于第二行程的第二组对象数据；** <br>《直接公开》 | [0039] “The trace information data collection module 502 collects time-stamped and location-stamped traces along with sensor measurements.” <br> [0046] “Map++ uses a tree-based classifier 516, 526 to identify the different semantics.” (基于收集的多个用户数据进行分类) | 对比文件系统基于众包（crowdsensing），必然涉及收集来自多个用户/行程的数据。其分类和聚类操作（如[0046]所述）隐含了需要接收至少两组不同行程的数据作为输入。因此，接收对应于第二行程的第二组对象数据是直接公开的。 |
| **C 确定所述第一组对象数据与所述第二组对象数据之间的相似性度量；** <br>《未公开》 | 无直接对应原文。对比文件使用分类器（如[0046], [0055], [0061]表I, II）和聚类算法（如[0046] DBSCAN）处理数据，但未描述计算两组数据之间“相似性度量”的步骤。 | 对比文件通过决策树分类器基于预设规则（如信号强度下降、加速度方差等）识别语义特征，并通过DBSCAN基于空间密度对检测到的特征位置进行聚类。这些过程不涉及计算两组原始对象数据之间的相似性度量（例如，距离函数）。分类是基于特征与规则的匹配，聚类是基于特征点的空间邻近性，而非预先计算一个表征两组数据整体相似性的度量值。因此，该特征未被公开。 |
| **D 其中所述相似性度量指示至少一个对象的所述第一组对象数据的点与所述第二组对象数据的点之间的距离；** <br>《未公开》 | 无直接对应原文。 | 由于技术特征C（相似性度量）未被公开，作为其具体内容的技术特征D自然也未被公开。对比文件中未提及计算不同行程数据点之间距离以作为相似性度量。 |
| **E 基于所述相似性度量来聚类所述至少一个对象的所述第一组对象数据和所述第二组对象数据，以产生至少一个对象簇；** <br>《隐含公开》 | [0046] “It uses density-based clustering algorithms (DBSCAN). ... The resulting clusters represent map features.” <br> [0047] “When a new semantic is discovered, if there is a discovered map feature within its neighborhood, we add it to the cluster and update its location.” | 对比文件公开了使用DBSCAN算法对检测到的语义特征位置进行空间聚类，以形成代表地图特征的簇。虽然其聚类直接依据是数据点的空间位置密度（距离），而非一个预先计算的、独立的“相似性度量”，但聚类这一行为本身是公开的。对于本领域技术人员而言，基于数据点之间的距离进行聚类，本质上就是隐含了以距离作为相似性判据（一种最基础的相似性度量）来进行聚类。在对比文件中，聚类的作用是将不同行程中检测到的同一物理对象（如隧道口、桥梁端点）关联起来，这与目标专利中为解决“跨行程对象关联”问题所起的作用相同。因此，该技术特征被隐含公开。 |
| **F 所述聚类用于将所述第一组对象数据的对象与所述第二组对象数据中的对象进行关联；** <br>《直接公开》 | [0047] “When a new semantic is discovered, if there is a discovered map feature within its neighborhood, we add it to the cluster and update its location. Otherwise, a new cluster is created to represent the new road feature.” | 对比文件明确描述了将新发现的语义特征与现有簇（由先前行程数据形成）进行关联（添加到现有簇）的过程。这直接公开了聚类用于关联不同行程数据中的对象。 |
| **G 所述聚类包括使用所述相似性度量来执行分层聚类；** <br>《未公开》 | [0046] “It uses density-based clustering algorithms (DBSCAN).” | 对比文件明确记载使用的聚类算法是DBSCAN，这是一种密度聚类算法，而非分层聚类（Hierarchical Clustering）。两者是不同的聚类方法。因此，该特征未被公开。 |
| **H 使用物理距离作为针对两个或更多个聚类水平和/或步骤而不同的参数；** <br>《未公开》 | 无直接对应原文。 | 对比文件未提及分层聚类，也未提及在多个聚类水平或步骤中使用不同的距离参数。DBSCAN算法使用固定的邻域半径参数。因此，该特征未被公开。 |
| **I 和基于所述至少一个对象簇来产生地图数据；** <br>《直接公开》 | [0046] “The resulting clusters represent map features.” <br> [0047] “The location of the newly discovered semantics is the weighted mean of the points inside their clusters. ... To reduce outliers, a semantic is not physically added to the map until the cluster size reaches a certain threshold.” | 对比文件直接公开了聚类结果代表地图特征，并根据簇内数据计算特征位置来更新地图。这即是基于对象簇产生地图数据。 |
| **J 其中所述相似性度量基于对象类型；** <br>《未公开》 | 无直接对应原文。 | 对比文件未公开“相似性度量”，更未公开该度量基于对象类型。其分类和聚类过程虽然针对不同道路语义特征（对象类型），但分类是基于不同的决策树规则，聚类是基于统一的空间密度，并未根据对象类型调整或采用不同的相似性度量计算方式。因此，该特征未被公开。 |
| **K ，其中针对标志对象类型确定所述相似性度量，；** <br>《未公开》 | 无直接对应原文。对比文件提到了“traffic signs”（[0055]段），但检测方式是使用决策树分类器，而非计算相似性度量。 | 理由同J。对比文件未公开针对特定对象类型（如标志）确定相似性度量的技术手段。 |
| **L 其中所述第一组对象数据和所述第二组对象数据包括标志数据，；** <br>《直接公开》 | [0055] “...stop signs...” (作为可检测的语义特征之一) | 对比文件将交通标志（如停止标志）列为可通过传感器数据检测的语义特征。因此，其收集和处理的对象数据中包括标志数据。 |
| **M 并且其中所述相似性度量指示来自不同行程的标志的点之间的距离；** <br>《未公开》 | 无直接对应原文。 | 理由同C、D、K。对比文件未公开针对标志数据计算跨行程点之间距离作为相似性度量的技术手段。 |
| **N 其中所述第一组对象数据和所述第二组对象数据包括车道标记数据，；** <br>《直接公开》 | [0054] “Similar to others, crosswalks 618 and number of lanes can be detected from pedestrian traces. The number of lanes is detected using the ratio between road width and average lane width.” | 对比文件公开了可以从行人轨迹中检测车道数量（number of lanes），这隐含了其处理的数据中包含与车道标记相关的信息（用于计算车道宽度和数量）。因此，对象数据包括车道标记数据。 |
| **O 其中执行分层聚类包括执行多个不同的聚类步骤；** <br>《未公开》 | 无直接对应原文。 | 对比文件未公开执行分层聚类，因此也不可能公开分层聚类的具体步骤包括多个不同的聚类步骤。 |
| **P 其中第一聚类步骤包括基于第一距离参数来聚类，并且第二聚类步骤包括基于第二距离参数来聚类，其中所述第二距离参数小于所述第一距离参数；** <br>《未公开》 | 无直接对应原文。 | 理由同O、H。对比文件未公开分层聚类及其中使用不同距离参数的多个步骤。 |
| **Q 其中聚类所述第一组对象数据和所述第二组对象数据包括执行谱聚类；** <br>《未公开》 | [0046] “It uses density-based clustering algorithms (DBSCAN).” | 对比文件明确记载使用的聚类算法是DBSCAN，而非谱聚类（Spectral Clustering）。因此，该特征未被公开。 |
| **R 其进一步包括基于所述至少一个对象簇来执行捆绑调整；** <br>《未公开》 | 无直接对应原文。 | 对比文件全文未提及“捆绑调整”（Bundle Adjustment）。其地图生成过程仅限于对检测到的特征点进行空间聚类和平均定位，没有涉及对传感器位姿（如相机位姿）和地标位置进行联合优化调整的步骤。因此，该特征未被公开。 |
| **S 其中在一或多个关联块中的每一个内执行聚类；** <br>《未公开》 | 无直接对应原文。 | 对比文件未提及将地图区域划分为“关联块”（association tiles）并在每个块内独立执行聚类的技术手段。其DBSCAN聚类是在整个数据集的空间范围内进行的。因此，该特征未被公开。 |
| **T 其中产生所述地图数据包含基于所述至少一个对象簇来细化地图数据；** <br>《隐含公开》 | [0047] “The location of the newly discovered semantics is the weighted mean of the points inside their clusters. ... When a new semantic is discovered, if there is a discovered map feature within its neighborhood, we add it to the cluster and update its location.” | 对比文件公开了通过计算簇内点的加权平均来更新语义特征的位置，并将新数据与现有簇合并以更新位置。这个过程可以视为对地图数据（具体是地标位置）的一种“细化”（refining）。虽然其细化手段相对简单（加权平均），而非目标专利中可能更复杂的优化，但“基于对象簇来细化地图数据”这一上位概念已被隐含公开。两者在整体技术方案中都是为了提高地图数据的准确性。 |
| **U 其进一步包括将所产生的地图数据传输到至少一个车辆；** <br>《未公开》 | 无直接对应原文。 | 对比文件描述了众包收集数据并在云端更新地图，但未提及将更新后的地图数据传输回车辆或其他终端用户。其侧重点在于地图的构建与更新，而非分发。因此，该特征未被公开。 |
| **V 其中所述对象数据包括对象位姿信息；** <br>《隐含公开》 | [0039] “collects time-stamped and **location-stamped** traces” <br> [0047] “The **location** of the newly discovered semantics...” | 对比文件明确其收集和处理的数据包含位置信息（location）。在测绘和地图构建领域，对象的位置信息是对象位姿（pose）信息的重要组成部分（平移部分）。虽然对比文件未明确提及对象的朝向（旋转部分），但对于许多地图语义特征（如隧道入口、减速带）而言，其位置信息是核心的位姿信息。因此，对于本领域技术人员而言，对比文件公开的包含位置信息的对象数据，隐含了其包含对象位姿信息（至少是位置部分）。这与目标专利中对象位姿信息所起的基础定位作用是一致的。 |
<<<A>>><<<B>>><<<F>>><<<I>>><<<L>>><<<N>>><<<e>>><<<t>>><<<v>>>