**对比文件名称**：发明公开 US8340818B2 Method of accurate mapping with mobile robots
**特征比对表格**
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 | |||
| **技术特征A**：确定所述地图的多个体素中的每个体素的占用程度。<br>**《隐含公开》** | 说明书第[0007]段：“These representations, or maps, range from low-level metric maps, such as landmark maps and **occupancy grids**...”<br>说明书第[0054]段：“In the formulation of the present invention, some prior knowledge about map m is assumed to be available...” 以及后续关于地图m和观测zti的描述。 | 对比文件公开了使用“占用网格(occupancy grids)”作为地图表示的一种方式。占用网格的本质是将环境划分为离散单元（即体素），并记录每个单元的占用状态。对比文件通篇描述的地图构建过程（如通过扫描获取表面点位置，构建地图m）即是在确定这些网格单元（体素）是否被物体表面占据。因此，对比文件隐含公开了“确定地图的多个体素中的每个体素的占用程度”这一技术特征。该特征在对比文件中用于构建环境的空间模型，与目标专利中为生成环境地图而确定体素占用状态的作用相同。 | |||
| **技术特征B**：其中所述体素的占用程度是根据由传感器在多个时间步阶收集的且基于所述体素是否落入用于当前时间步阶处的测量的传感器测量锥中而对所述体素的占用程度作出贡献的测量来确定的。<br>**《隐含公开》** | 说明书第[0054]段：“For example, a mobile robot equipped with LIDAR may take a finite number of measurements or ‘observations’ while the robot is in motion.”<br>说明书第[0080]-[0089]段描述了观测模型h(xt, mi)，其中zti为传感器在机器人位姿xt时对特征mi的观测（如距离和角度），这隐含了传感器具有特定的测量范围（即测量锥）。公式(34)体现了在特定位置和方向上的测量。 | 对比文件明确描述了机器人在运动过程中（多个时间步阶）使用传感器（如LIDAR）收集多次测量（观测）。虽然未明确使用“测量锥”一词，但其观测模型（如公式(27)和(34)）描述了传感器在特定位置和方向上对环境中点的测量，这必然对应一个有效的空间感知范围，该范围可理解为“传感器测量锥”。地图的构建（即确定体素占用）正是基于这些在不同时间、不同位姿下收集的测量数据。因此，对比文件隐含公开了基于多个时间步阶的、在传感器有效测量范围内的测量来确定占用程度。该特征在对比文件中用于增量式地构建和更新地图，与目标专利中利用测量数据确定体素占用程度的作用相同。 | |||
| **技术特征C**：其中每个体素的占用程度表示在所述体素的空间上的占用比率。<br>**《未公开》** | 无对应原文。对比文件提及的“occupancy grids”是现有技术中的常见概念，通常表示每个网格单元是“被占用”或“空闲”的二元状态。 | 对比文件虽然提到了“占用网格(occupancy grids)”，但并未进一步描述其每个单元的占用状态是连续的“占用比率”。在对比文件的具体实施方式中，地图由点特征（mi）或通过先验模型平滑后的表面点构成，关注的是点的精确位置而非体素内部的连续占用比例。目标专利强调的“占用比率”是一个表示体素内空间被占据比例的连续量，这与对比文件中隐含的二元占用或精确表面点表示有本质区别。因此，该技术特征未被对比文件公开。 | |||
| **技术特征D**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《未公开》** | 说明书第[0021]-[0026]段介绍了SLAM问题的概率公式，如公式(3): p(x1:t, m\ | u1:t, z1:t, c1:t)=...，其中包含运动模型p(xt\ | xt-1, ut)和观测模型p(zti\ | xt, m, cti)的概率分布。 | 对比文件确实在SLAM框架下使用了概率模型，但其概率分布函数（PDF）是针对机器人的位姿轨迹(x1:t)和地图特征(m)的联合后验概率，或者针对运动模型、观测模型的噪声。这些PDF并非目标专利所特指的、针对**每个体素占用程度**这一具体变量的概率分布函数。目标专利的PDF用于量化每个体素被占据的置信度（均值和方差），而对比文件的概率模型主要用于状态估计和数据关联。两者作用对象和目的不同。因此，该技术特征未被对比文件公开。 |
| **技术特征E**：确定所述多个体素中的每个体素的占用程度的概率分布函数(PDF)。<br>**《未公开》** | 同上（技术特征D）。 | 同技术特征D的论述。对比文件未公开针对体素占用程度的PDF。 | |||
| **技术特征F**：基于在确定所述PDF之后所执行的后续测量来对所述PDF执行增量贝叶斯更新以更新所述地图。<br>**《未公开》** | 说明书第[0021]-[0026]段提到了贝叶斯滤波公式。说明书第[0133]-[0140]段描述了通过优化负对数后验概率E(x0:t, m)来求解最大后验概率(MAP)估计，这是一个批处理优化过程（“full SLAM problem”）。 | 对比文件虽然在其概率SLAM模型中运用了贝叶斯原理，但其具体实施方式（如Algorithm 1）是通过迭代最近点（ICP）预处理后，使用非线性共轭梯度法**一次性优化**所有位姿和地图参数（批处理）。这不同于目标专利强调的“增量贝叶斯更新”——即在获得**后续测量**后，对**已存在的体素占用程度PDF**进行递推式更新。对比文件的方法并非针对体素PDF的增量更新。因此，该技术特征未被对比文件公开。 | |||
| **技术特征G**：以及基于经更新的地图来为所述自主设备规划路线。<br>**《未公开》** | 说明书第[0005]段：“Maps are often used for robot navigation, such as for localization, and in many other application areas.” | 对比文件仅泛泛提及构建的地图可用于机器人导航等应用，但并未具体描述任何基于所构建地图进行路线规划的步骤、方法或装置。目标专利要求保护的技术方案明确将“基于更新后的地图规划路线”作为最终步骤，这是一个具体的技术特征。对比文件未公开这一具体技术手段。因此，该技术特征未被对比文件公开。 |
<<<a>>><<<b>>>