**对比文件名称**：发明公开 US2014350839A1 Simultaneous Localization And Mapping For A Mobile Robot
**特征比对表格**
| 技术特征描述及公开性质 | 对比文件原文引用 | 公开性论述 |
| **A. 确定所述地图的多个体素中的每个体素的占用程度；** <br>**《直接公开》** | 说明书第[0077]段：“Each cell 314 of the variance occupancy grid map 310b contains the accumulated height variance of the 3D point cloud data 452 falling within that cell 314 as well as the accumulated mean, minimum, and maximum values of the cloud points 452 in the area of the variance occupancy grid map 310b. The ‘variance’ is used as the occupancy or intensity values stored in the variance occupancy grid map 310b.” | 对比文件明确公开了“方差占据栅格地图”（variance occupancy grid map），该地图由单元格（cells）构成，每个单元格存储了落入其中的3D点云数据的高度方差（height variance），该方差被用作占据值（occupancy values）。这直接对应于目标专利中“确定每个体素的占用程度”的技术特征。在对比文件中，单元格（cell）即相当于目标专利中的体素（voxel），而计算并存储高度方差的过程就是确定该单元格/体素占用程度的过程。 |
| **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》** | 1. 说明书第[0070]段：“The feature tracker 320 and the stereo processor 330 both receive image data 302 from imaging sensors, such as the stereo cameras 420 and/or the 3D imaging sensor(s) 450 of the sensor system 400.” <br>2. 说明书第[0078]段：“The occupancy grid model 332 accumulates 3D point cloud data 452 having x, y, and z coordinates from the imaging sensor(s) 420, 450 by receiving cloud points in cells 314 occupying the corresponding x, y values of the cloud points 454.” <br>3. 说明书第[0054]段：“If any of the sensors 410, 420, 450 has a limited field of view, the controller 500 or the sensor system 400 can actuate the sensor 410, 450 in a side-to-side scanning manner to create a relatively wider field of view...” | 对比文件虽未明确使用“传感器测量锥”这一术语，但本领域技术人员可以毫无疑义地确定，其成像传感器（如相机420、3D成像传感器450）必然具有一个有限的视场（field of view），该视场在三维空间中即构成一个测量锥。对比文件公开了传感器在不同时间（即多个时间步阶）收集图像数据和点云数据（第[0070]段），并且占据栅格地图的单元格会根据点云的x,y坐标累积落入其中的点（第[0078]段）。这意味着，只有那些位于传感器当前视场（测量锥）内，并且其投影落入特定单元格的点云数据，才会对该单元格的占据值（如高度方差）作出贡献。这与目标专利中“基于体素是否落入测量锥中而对占用程度作出贡献的测量来确定占用程度”的技术手段在实质上相同，都是利用传感器视场内的测量数据来更新对应空间单元的占据状态。 |
| **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>**《隐含公开》** | 说明书第[0077]段：“Each cell 314 of the variance occupancy grid map 310b contains the accumulated height variance of the 3D point cloud data 452 falling within that cell 314 as well as the accumulated mean, minimum, and maximum values of the cloud points 452...” | 对比文件公开的“高度方差”（height variance）以及累积的平均、最小、最大值，是用于表征单元格内空间被点云占据情况的统计量。虽然未直接使用“占用比率”这一表述，但本领域技术人员能够理解，这些统计量（特别是高度方差）反映了单元格在垂直方向（z轴）上被物体占据的“稠密”或“稀疏”程度，即一种对空间占用比例的量化描述。这与目标专利中“占用程度表示在体素空间上的占用比率”所要表达的技术内涵是一致的，都是对单元内空间被占据情况的一种连续或概率化的度量，而非简单的二元（占用/空闲）判断。 |
| **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>**《直接公开》** | 1. 说明书第[0071]段：“The SLAM controller 350 uses a Rao-Blackwellized Particle Filter 352 (e.g., with inverse-depth parameterization) having a set 345 of particles 3401-n that represent hypotheses of a pose or position 342 of the robot 100 in its environment...” <br>2. 说明书第[0094]段：“The SLAM controller 350 provides an estimated location x, y, z of each landmark feature 424 and a corresponding uncertainty that is based on the parameters used for estimating the landmark location, which provides a covariance estimate.” <br>3. 说明书第[0082]段：“The robot motion model 360 may be a Gaussian error model centered on a travel vector... where one standard deviation of the Gaussian curve equals noise.” | 对比文件明确公开了使用Rao-Blackwellized粒子滤波器（一种实现贝叶斯滤波的算法）进行同步定位与建图。粒子滤波器中的每个粒子（particle）都携带一个关于机器人位姿和地图的假设。地图（如特征地图、占据栅格地图）的状态（包括占据状态）是以概率分布的形式存在的，体现在不同粒子的不同假设中。此外，对比文件还明确提到了对地标位置估计的“不确定性”（uncertainty）和“协方差估计”（covariance estimate），以及用于机器人运动估计的“高斯误差模型”（Gaussian error model）。这些均属于概率分布函数（PDF）的具体应用和体现。因此，对比文件直接公开了为目标专利中“体素”（对应对比文件中的地图单元格或特征点）的某种状态（如位置、占据程度）确定概率分布函数（PDF）的技术特征。 |
| **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>**《直接公开》** | 同技术特征D的引用。 | 此特征与特征D在目标专利权利要求中文字表述完全一致。基于相同的理由，对比文件直接公开了为地图元素（单元格、特征）的状态确定概率分布函数（PDF）的技术手段。粒子滤波器框架、协方差估计和高斯误差模型共同构成了对状态（包括占据状态）的概率分布描述。 |
| **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>**《隐含公开》** | 1. 说明书第[0088]段：“As the SLAM controller 350 receives sensor data from the sensor system 400, the particles 340n update their hypotheses of the robot position 342 based on the sensor data. Each particle 340 is scored or receives a weight 346 based on the accuracy of its robot position 342 with respect to the sensor data.” <br>2. 说明书第[0090]段：“When the sensor system 400 acquires sensor data from multiple sensors at different times, the SLAM controller 350 may update the maps 310a-c and assess a particle weight 346 for each particle 340 for the sensor data at a given time point, and then successively again at subsequent time points.” <br>3. 说明书第[0099]段：“The SLAM controller 350 may update the particles 340n in a probabilistic manner using a robot motion model 360.” | 对比文件详细描述了粒子滤波器的工作流程：系统持续接收新的传感器数据（后续测量），然后基于这些新数据更新每个粒子的状态假设（包括其关联的地图），并重新评估粒子的权重。这个过程在概率机器人学中公知是贝叶斯滤波的近似实现，其核心就是利用新的观测数据（似然）来更新先验概率分布（先验），得到后验概率分布（后验），这正是“增量贝叶斯更新”。虽然对比文件未明确使用“增量贝叶斯更新”这一术语，但本领域技术人员能够直接且毫无疑义地从其描述的粒子滤波器“接收新数据->更新粒子状态和权重”的迭代过程中，确定其必然包含了基于后续测量对概率分布（由粒子集表示）进行增量式贝叶斯更新的技术实质。 |
| **G. 以及基于经更新的地图来为所述自主设备规划路线。** <br>**《直接公开》** | 1. 说明书第[0051]段：“Simultaneous localization and mapping (SLAM) is a technique the robot 100 may use to build up a map (e.g., an occupancy map) within an unknown environment... while at the same time keeping track of its current location.” <br>2. 说明书第[0084]段：“The robot controller 500 can use the position hypothesis of the selected particle(s) 340n and its associated maps 310 to determine a way point for issuing a drive command to the drive system 200. In other words, the robot controller 500 uses the maps 310 of the selected particle 340n to navigate at that given moment in time.” | 对比文件明确阐述了SLAM技术的目的就是同时构建地图并跟踪位置，以用于机器人导航。说明书第[0084]段更是直接指出，机器人控制器使用所选粒子的关联地图来确定路径点（way point）并向驱动系统发出驱动命令，即利用地图进行导航（navigate）。导航必然包含路径或路线规划。因此，对比文件直接公开了基于（更新后的）地图为自主设备（机器人）规划路线的技术特征。 |
<<<A>>><<<D>>><<<E>>><<<G>>><<<b>>><<<c>>><<<f>>>