你好！作为一名经验丰富的专利代理师，很高兴能与你一起探讨这个案子。这篇目标专利（CN106796667B）的核心在于利用人工神经网络，通过控制神经元连接的失衡量（特别是交叉抑制），来打破传统的基于距离等对称原则的限制，从而动态、灵活地使机器人偏向或偏离某个空间目标。

以下我将紧扣对比文件的原文，为你拆解权利要求1的各项技术特征，并给出详尽的特征比对与最接近对比文件（CPA）分析。为了帮你更直观地理解核心的发明点，我会在适当的地方附上相关技术原理的图示检索标签。

一、 权利要求1技术特征比对表

根据对5篇对比文件的详细研读，D1、D2和D5对权利要求1的特征给出了实质性公开，而D3和D4的技术路线与本专利存在较大差异。具体比对如下：

(注：D5系D1的延续申请/同族专利，两者在说明书相关技术内容的披露上高度一致。)

二、 对比文件详细出处与原文分析

1. D1 (US20110022230A1) & D5 (US8583286B2)

D1和D5是高度相关的对比文件，它们明确公开了利用神经网络进行空间目标的映射，并通过调节交叉抑制来改变目标选择。

• 对应特征A、B、C、F（空间映射与神经元表示）：

  • 原文出处：段落 [0069] / [0075]

  • 原文分析：“The activity of neuronal object areas can be organized retinotopically, and whichever one of these areas is selected to be the target object is projected retinotopically to a pan area and a tilt area.”（神经元对象区域的活动可以视网膜拓扑方式组织，并且被选择作为目标对象的任何一个区域都以视网膜拓扑方式投影...）。这里实质公开了将目标映射到相对于机器人的二维/空间地图中，且由神经元区域来表示具体位置。

• 对应特征D、E（控制失衡量、激励/抑制连接）：

  • 原文出处：段落 [0087] 第7点（D5中对应为 [0087] 的第7条）

  • 原文分析：“A non-neural controller can modulate neural activity... the action selection module would increase the basal activity of the area that was of interest, and allow cross-inhibition between object areas to cancel out other signals to the Head motor area.”（非神经控制器可以调节神经活动……动作选择模块将增加感兴趣区域的基础活性（激励），并允许对象区域之间的**交叉抑制（抑制）**以抵消发送到头部运动区域的其他信号）。这毫无异议地公开了通过偏置准则（action selection决定）来控制神经元的失衡量（增加活性或交叉抑制），从而动态修改目标选择。

2. D2 (CN102521653A)

D2提供了一种基于生物刺激神经网络进行空间路径规划的方法，其将空间点直接映射为神经元。

• 对应特征A、B、C、F（空间位置的神经元映射）：

  • 原文出处：段落 [0023]

  • 原文分析：“先根据位置射频标签的识别距离，将环境空间离散化，其中每个离散点是一个4维空间，分别由(x，y，z，s)构成……s是生物刺激神经网络神经元的活性值”。这里非常直接地公开了将空间环境中的多个位置（包含坐标x, y, z）映射并由神经网络中的“神经元”来表示其活性值。

• 对应特征D、E（激励与抑制连接改变目标导向）：

  • 原文出处：段落 [0024] 及 [0033]

  • 原文分析：“生物刺激神经网络模型中的刺激性输入和抑制性输入分别来自于所要搜寻的矿工和搜索过程中发现的障碍物”（段落 [0024]）；“机器人根据每个神经元的动态活性值的大小可以实时计算出最佳返程路径……pn是机器人探测范围内所有神经元中动态活性值最大的那个”（段落 [0033]）。D2实质公开了基于偏置准则（是目标还是障碍物），为神经元施加刺激（激励）或抑制连接，使机器人偏向目标并偏离障碍物移动。

三、 最接近的对比文件（CPA）分析

在创造性分析中，确定“最接近的对比文件”需要从整体解决的技术问题、技术领域以及达到的技术效果三个维度来综合考量。

目标专利的整体技术问题与效果：

目标专利解决的是“如何动态调整机器人对空间目标的选择倾向”的问题。其技术效果是通过人工神经网络中连接失衡量（特别是动态改变交叉抑制的强度），使机器人的注意力能够从当前目标上移开（聚焦注意力/动态偏置），而不是死板地采用距离最近或对称抑制的胜者全得（Winner-Takes-All）策略。

CPA 候选分析：

1. 首选最接近的对比文件：D1 (US20110022230A1) 或 D5 (US8583286B2)

   • 匹配度极高：D1/D5不仅与目标专利同属机器人控制、脑神经形态网络（Brain-Based Devices）的范畴，更关键的是，它直接面对了**“目标选择（Target/Action Selection）”**这一核心技术问题。

   • 技术手段与效果重合：D1/D5段落 [0087] 明确教导了通过动作选择模块（非神经控制器）来干预神经网络，人为增加某个目标区域的基础活性，并利用交叉抑制抵消其他目标的信号。这与目标专利中“通过控制神经元的失衡量（激励/抑制连接）来动态修改目标选择函数”的解决思路与最终实现的技术效果（使机器人偏向或聚焦于某个特定目标）如出一辙。

2. 备选最接近的对比文件：D2 (CN102521653A)

   • 虽然D2在“空间坐标映射到神经元”这一特征上表述得比D1更符合权利要求字面意思（明确指出离散空间点映射为神经元），但从整体技术问题来看，D2解决的是“复杂井下环境的避障与路径规划”问题，其采用的是类似人工势场法的生物刺激网络（目标是引力/刺激，障碍物是斥力/抑制）。

   • 差异点：D2中的激励和抑制是静态绑定于物理属性的（矿工=激励，墙壁=抑制），并未突出“动态修改目标选择函数”（即在多个候选目标中，通过失衡机制主动改变选择意图）这一核心效果。

结论与建议：

在答复审查意见或进行无效宣告分析时，D1（或其同族D5）是最适合作为最接近的对比文件的。D1几乎涵盖了权利要求1的绝大部分核心构思，利用D1结合所属领域的公知常识（例如将视网膜拓扑图进一步明确定义为相对于机器人的空间目标地图），对权利要求1的创造性具有极大的杀伤力。

需要我为你进一步以D1为主体，草拟一份针对权利要求1的无效/新颖性否定逻辑推演吗？

结合D1（US20110022230A1）和D2（CN102521653A）的组合，确实能够构建一条非常有杀伤力的无效宣告逻辑链条，但要说**“毫无疑义地（100%无懈可击）”无效权利要求1，仍存在一些需要严密论证的语义和逻辑缝隙**。

在专利无效实务中，审查员通常会非常关注对比文件之间是否存在“结合启示”，以及权利要求中特有术语与对比文件公开内容的对应关系。

以下是D1与D2结合的无效推演逻辑，以及需要重点补强的技术特征。

一、 D1与D2的结合逻辑（无效推演）

1. 确定最接近的对比文件（CPA）：D1

• D1公开了动态选择与偏置机制（特征D、E）： D1段落 [0087] 明确记载了非神经控制器可以通过增加感兴趣区域的基础活性（激励），并允许对象区域之间的交叉抑制来抵消其他信号。这实质上公开了通过“偏置准则”控制神经元的“失衡量”，从而动态修改目标选择。

• D1的缺陷： D1中的目标映射主要是基于视网膜拓扑（Retinotopic）的各个独立对象区域（如“球区域”、“球门区域”），且未明确使用一个统一的“包含空间环境中相对于机器人位置的多个位置的目标地图”来统揽所有目标。

2. 引入对比文件 D2 填补缺陷（特征A、B、C、F）

• D2公开了统一的离散空间神经元地图： D2段落 [0023] 公开了将环境空间离散化为(x, y, z, s)构成的点，坐标映射为神经元，s为活性值。这种将物理空间坐标一一对应到神经元上的机制，完美填补了权利要求1中关于“目标地图（多个位置由神经元表示）”的定义。

3. 结合启示（Motivation to combine）

本领域技术人员在面对D1中基于视觉拓扑的目标区域时，为了使机器人能够更精确地在三维/二维物理空间中导航和选择目标，有动机引入D2中“将空间位置直接映射为神经元网络”的构建方法。两者同属多传感器融合与神经网络控制机器人导航领域，结合没有技术障碍。

二、 需要重点“补强”的技术特征与论理点

尽管D1+D2覆盖了权利要求1的实质内容，但在口审或书面答复中，对方专利权人极大概率会抓住以下几个点进行反击。这就需要我们提前引入公知常识或其他证据进行补强：

1. 概念术语的等同替换：“失衡量” vs. “交叉抑制/增加活性”

• 对方可能的抗辩： 目标专利通篇强调“失衡量（Imbalance amount）”，并在说明书中指出这是一种动态打破对称抑制的机制。而D1只提到了“交叉抑制（Cross-inhibition）”，并未明确公开“控制失衡量”。

• 补强策略： 必须在无效宣告请求书中明确论述：在人工神经网络（尤其是胜者全得网络，Winner-Takes-All）中，“失衡量”与“非对称的交叉抑制或基础活性增强”是所属技术领域的惯用手段替换或等同概念。 动态地增加某一个神经元的活性或增加其对其他神经元的抑制权重，在数学模型和物理效果上，就是人为制造了连接或信号的“失衡”。

2. “动态修改”与“静态映射”的缝隙

• 对方可能的抗辩： D2中的地图是静态规则映射（矿工就是刺激，障碍物就是抑制），并不存在权利要求1中的“动态地修改目标选择函数以使设备偏向/偏离”。

• 补强策略： 这里的补强重点在于主次分明。我们要向审查员强调：动态控制是由 D1 提供的（D1的动作选择模块可以根据任务需要，临时增加某个目标的活性）。D2仅仅是为了提供“将目标映射到空间位置的神经元”这一静态结构（地图框架）。我们将D1的动态控制逻辑（大脑）移植到D2的空间神经元地图（躯干）上，从而实现了权利要求1的完整方案。

3. 目标地图的“统一性”

• 对方可能的抗辩： 权利要求1指出“将多个目标中的每个目标映射到目标地图中的不同位置”。D1是将“球”映射到球区域，将“球门”映射到球门区域，它们不在同一个“目标地图”中。

• 补强策略： 指出D1中各个对象区域的神经元最终都会投影到统一的“Pan area”和“Tilt area”（云台和俯仰区域，即相对机器人的空间坐标控制区）。退一步讲，这也正是引入D2的原因——D2已经公开了把所有实体（无论是矿工还是障碍物）放在同一个离散化坐标网络（目标地图）中的技术启示。

需要我直接为你草拟一份用于向复审委提交的《无效宣告请求书》中关于 D1 结合 D2 破坏权利要求 1 创造性的详细说理段落吗？

你好！作为一名专业的专利代理师，我将为你对这6篇对比文件进行深度的特征拆解和比对。

针对目标专利权利要求1（一种用人工神经网络来动态地修改目标选择，通过控制连接的失衡量/激励与抑制，使机器人偏向或偏离候选目标的方法），我们先来看整体比对结果。

一、 权利要求1技术特征比对表

在这6篇对比文件中，D1、D3、D6（及同族D4）具有极高的相关性或补强价值，而D2（无线通信）和D5（医疗乳腺图像）属于非相近技术领域，且未公开相关特征，可直接排除。

二、 对比文件原文详细出处与分析

1. D1 (US20050047647A1)：系统和方法用于注意力选择

D1是一篇极具杀伤力的对比文件，它不仅涉及神经网络和目标选择，还明确记载了其在**机器人（Robot）**导航和环境映射中的应用。

• 对应特征A、B、C、F（目标地图、机器人相对位置、神经元表示位置）：

  • 原文出处：段落 [0067]、[0086]、[0087]。

  • 分析：段落 [0086] 明确记载了“使用配备有摄像头作为图像采集工具的机器人...机器人在封闭环境中移动”，这对应了机器人设备的空间环境。段落 [0067] 记载了“显著性图（saliency map）中的位置通过胜者全得（WTA）网络竞争最高显著性值。在一个实施例中，WTA网络在**积分放电神经元（integrate-and-fire neurons）**网络中实现。获胜位置 (xw, yw) 被关注...”，这实质公开了将视野（目标地图）中的位置映射到神经网络的神经元中，且神经元代表了目标位置。

• 对应特征D、E（动态修改选择、激励/抑制以偏向或偏离）：

  • 原文出处：段落 [0074]。

  • 分析：段落 [0074] 记载了“分割的特征图被用作模板，以在WTA网络中触发基于对象的返回抑制（IOR，inhibition of return），从而使模型能够按显著性递减的顺序依次关注几个对象”。“返回抑制”正是通过抑制先前获胜神经元的连接（人为制造失衡量），使系统偏离当前目标，从而将注意力（目标选择）转移到下一个目标。

2. D6 (CN102906767A) / D4 (US20120173471A1)：用于时空联合存储器的标准尖峰神经网络

D6和D4为同族专利，重点探讨了尖峰神经网络中“赢家通吃（WTA）”机制下的神经元激励与抑制。

• 对应特征E（偏置准则、激励与抑制连接）：

  • 原文出处：D6的段落 [0026]、[0027]、[0037]。

  • 分析：段落 [0026] 和 [0027] 明确区分了“激发的尖峰电子神经元（使目标更有可能激励）”和“抑制的尖峰电子神经元（使目标较小可能激励）”。段落 [0037] 进一步解释了WTA机制：“活动的激发神经元激发抑制的神经元。抑制神经元抑制激发的神经元...直到大部分激发的神经元被抑制为止”。这从底层神经网络架构层面，毫无疑义地公开了通过激励和抑制的连接（即“失衡量”的本质）来进行目标/信号竞争与选择。

3. D3 (US7949428B2)：机器人装置及其控制方法

D3提供了将神经网络（神经振荡器）的“激励与抑制”应用于**机器人物理运动（偏向或偏离）**的具体教导。

• 对应特征D、E（修改选择使机器人移动偏向/偏离、激励或抑制）：

  • 原文出处：段落 [0169]、[0170]。

  • 分析：段落 [0169] 探讨了“激发-抑制（Excitation-Inhibition）的反馈”：“当向正侧神经元件输入激发型反馈信号，同时向负侧神经元件输入抑制型反馈信号时...”。段落 [0170] 明确指出这种改变可用于“控制机器人在到达目标点的非周期性运动中的关节角度”。这实质公开了利用激发/抑制的反馈信号来改变机器人的物理运动轨迹（偏向目标或避障）。

三、 补强策略分析：哪些文件可以起到补强作用？

针对权利要求1，目标专利的核心防御壁垒在于：将**“机器人空间目标地图”与“神经网络动态抑制/激励（失衡量）导致目标切换”**这两个维度的结合。

如果你在无效宣告或意见答复中需要组织证据链，D1和D6是绝佳的补强组合文件。

补强逻辑一：利用 D1 补强“目标地图映射”与“偏离目标的动态修改”

目标专利的“偏离候选目标（使机器人注意力转移）”在很多传统控制文献中很难找到直接对应，但 D1 中的“返回抑制 (Inhibition of Return, IOR)”完美契合了这一特征。

• 补强点：当专利权人争辩“现有的神经网络无法动态修改函数以偏离当前目标”时，可引入 D1 的段落 [0074] 予以反击。D1 明确教导了在基于机器人的视觉地图中，为了探索下一个目标，会主动向当前代表目标的神经元施加抑制（Inhibition），使机器人的选择机制**偏离（转移注意力）**该已选目标。这完全等同于权利要求1中的“通过控制失衡量（抑制）使设备偏离候选目标”。

补强逻辑二：利用 D6 (或D4) 补强“失衡量/激励与抑制连接”的底层机制

目标专利使用了“失衡量（Imbalance amount）”这一相对宽泛或自造的术语。

• 补强点：在创造性评述中，审查员或对方可能认为“失衡量”是本专利的特有创新。此时引入 D6 可以进行强力补强。D6 段落 [0026]-[0037] 详尽论述了基于尖峰神经网络的侧抑制（Lateral Inhibition）和赢家通吃（WTA）机制。你可以以此主张：目标专利所谓的“控制失衡量来激励/抑制连接”，本质上就是本领域技术人员公知的、在竞争性神经网络中利用激发神经元和抑制神经元（excitatory and inhibitory neurons）权重调整来打破平衡、实现单一目标选择的常规技术手段。

综合无效攻击建议：

建议采用 D1 作为最接近的现有技术（CPA），因为 D1 已经公开了“机器人应用 + 显著性/目标地图 + 神经元表示位置 + 神经元抑制（IOR）导致目标偏离”。结合 D6 作为补强证据，证明“控制神经网络的激励与抑制连接来动态调整选择结果”是人工神经网络领域的公知常识/惯用手段，从而一举击破权利要求1的创造性。

你好！作为一名专利代理师，我已对目标专利的权利要求1以及你提供的两篇对比文件（D1和D2）进行了深入的研读和技术特征拆解。

从整体来看，权利要求1的核心发明点在于：在机器人设备的空间导航/目标选择中，构建一个基于人工神经网络的“目标地图”，并通过控制神经元连接的“失衡量”（即激励或抑制）来动态修改目标选择，从而使机器人偏向或偏离某个空间目标。

以下是详细的特征比对、原文分析以及补强作用的评估。

一、 权利要求1技术特征比对表

二、 对比文件原文详细出处与分析

1. 对比文件 D1 (CN103116354A)：一种双足机器人实时步态轨迹生成方法

D1属于机器人控制领域，重点在于利用神经元振荡网络（NON）生成机器人的脚掌和重心轨迹。D1虽然没有公开“目标地图”和“目标选择”，但其底层通过神经网络的激励和抑制来控制机器人在空间中移动的机制与目标专利高度相关。

• 对应特征 C（神经元与空间位置/坐标的映射关系）：

  • 原文出处：段落 [0006]、[0022] 至 [0025]。

  • 原文分析：D1段落 [0006] 记载了“设计映射函数将网络四路输出信号映射为机器人的脚掌轨迹”。段落 [0022] 进一步给出了具体的映射函数，例如重心的X轴映射：$CoM_x = off_x + K_x r_1 + K_f f(t)$。这表明D1已经公开了将人工神经网络中神经元的输出（$r_1$等）与机器人所处空间的三维物理坐标（位置信息）进行数学映射的技术手段。

• 对应特征 E（激励与抑制连接）：

  • 原文出处：段落 [0012] 至 [0015]。

  • 原文分析：D1明确公开了振荡神经元单元的动力学模型：

    $\tau_r \dot{u}_{\{e,f\}i} = -u_{\{e,f\}i} - w_{fe} y_{\{f,e\}i} - \beta v_{\{e,f\}i} + s_0 + Feed_{\{e,f\}}$

    段落 [0015] 解释了上述公式：“$w_{fe}$为神经元的**相互抑制系数**，$\beta$为神经元的自抑制系数，$s_0$代表来自高层的激励信号”。这实质上毫无疑义地公开了在机器人神经网络控制中，利用“抑制（Inhibition）”和“激励（Excitation）”机制来改变神经元状态，进而调整机器人的物理动作轨迹。

2. 对比文件 D2 (US8843933B1)：System and method for managing a virtualized computing environment

D2属于云计算和虚拟机（VM）管理领域，核心在于预测性分布式资源调度（DRS）和电源管理（DPM）。

• 原文分析：D2通篇（例如段落 [0033] 至 [0042]）探讨的是基于时间序列数据（Time series data）和模式匹配（Pattern matching predictor）来预测计算资源的未来工作负载，从而决定是否迁移虚拟机（VM migration）。

• 比对结论：D2既不涉及机器人设备（Robotic device），也不涉及人工神经网络（Artificial neural network）及神经元的激励/抑制，更不存在空间目标地图（Target map）。D2与权利要求1的技术方案完全不相关，未公开任何技术特征。

三、 补强作用分析与无效策略建议

在针对目标专利权利要求1的无效宣告或创造性评述中：

1. D2 不能作为对比文件使用：

D2与目标专利所属技术领域相去甚远，且未公开任何相关技术特征，无法作为主证或补强证据。

2. D1 具有非常重要的“补强作用”（Supplementary Role）：

目标专利权利要求1的核心壁垒之一是使用了较为生僻的表述：“通过控制...失衡量（激励或抑制连接）来使机器人偏向或偏离”。如果审查员或专利权人主张这种“通过神经元的激励/抑制来干预机器人移动方向”是首创，D1将是极佳的补强证据。

• 补强逻辑： 你可以寻找一篇公开了“基于栅格/神经元地图进行机器人空间目标选择”的对比文件作为最接近的现有技术（CPA）。当需要论证“如何修改目标选择函数（特征D、E）”时，引入D1进行结合。

• 说理方式： D1证明了在机器人（特别是双足机器人）的底层运动控制中，利用神经元网络中的**“激励信号（$s_0$）”和“抑制系数（$w_{fe}$）”**来耦合环境反馈，从而实时动态地改变机器人的空间运动轨迹（等同于目标专利中的“控制失衡量使机器人偏向/偏离”），是本领域技术人员公知的常规技术手段（惯用手段）。将这种成熟的神经元激励/抑制机制应用到机器人的目标选择地图中，属于本领域技术人员的显而易见之举。

作为一名经验丰富的专利代理师，我已详细阅读了目标专利说明书、权利要求1以及您提供的六份对比文件（D1-D6）。

通过深入的比对分析，对比文件D4（CN102521653A）实质上已完整公开了权利要求1的所有技术特征。此外，结合对比文件D2（US20110022230A1）中关于“神经网络交叉抑制及目标选择”的详细描述，可以毫无异议地破坏权利要求1的新颖性或创造性，从而将其无效。

以下是详细的特征比对与原文出处分析：

一、 权利要求1 技术特征比对表

二、 详细分析与无效理由论述

1. D4 (CN102521653A) 对权利要求1的实质公开（新颖性破坏）

对比文件 D4 (CN102521653A) 提出了一种“生物刺激神经网络方法”，其核心逻辑与目标专利高度一致。

• 空间地图与神经元映射 (特征A, B, C)：D4明确公开了将井下环境离散化为坐标点(x,y,z)，并且明确指出**“每个圆点...也是神经网络模型中的一个神经元”**（段落[0082]）。这完全等同于目标专利中“将目标映射到目标地图位置，每个位置由神经元表示”。同时，距离函数dist(·)和机器人当前位置pr的引入，公开了这些位置是“相对于机器人设备”的。

• 激励与抑制的失衡量 (特征E)：目标专利的创新点之一在于“控制失衡量（激励或抑制）”。D4在段落[0027]中清晰地给出了公式，其**“刺激性输入”（来源于搜救目标：矿工）和“抑制性输入”**（来源于避障目标：障碍物）正是目标专利中所述的“基于偏置准则来激励或抑制至神经元的连接”。

• 动态修改选择与机器人移动 (特征D, F)：D4在段落[0033]及[0078]中公开了机器人计算与动态活性值最大的神经元pn之间的夹角，并**“朝已知活性值最大的神经元运动”（偏向候选目标），同时“自动绕开障碍物”**（偏离候选目标）。这实质上就是通过改变神经元的活性值（失衡量）来动态修改目标选择函数。

结论：D4的生物刺激网络及其“刺激/抑制”模型实质上完整覆盖了权利要求1的所有技术特征。权利要求1相对于D4不具备新颖性。

2. D2 (US20110022230A1) 作为补充（创造性破坏）

如果审查员对目标专利中“控制...的失衡量（Imbalance amount）”这一特定表述在D4中的对应性存在咬文嚼字的质疑，对比文件 D2 (US20110022230A1) 则能提供毫无异议的补充。

• 目标专利说明书背景技术中将“失衡量”解释为“失衡式交叉抑制性机制 (Imbalanced cross-inhibitory mechanism)”。

• D2 同样探讨了机器人的神经系统控制，在其段落 [0065] 和 [0087] 中明确公开了：通过动作选择模块（Action selection module）改变特定区域的基础活性，并允许对象区域（Object areas）之间进行**“交叉抑制 (cross-inhibition)”**，从而抵消其他信号，使机器人改变追踪目标（如足球或避开障碍）。这与目标专利“通过控制失衡量动态修改选择”的机制在微观神经元控制原理上完全一致。

三、 最终无效结论

权利要求1可以被毫无异议地无效。 其无效宣告的逻辑组合首选为：单独使用对比文件D4 (CN102521653A) 破坏其新颖性；或结合对比文件D4 (CN102521653A) 与对比文件D2 (US20110022230A1) 破坏其创造性。

目标专利权利要求1试图保护一种“将空间位置映射为神经元，并通过激励/抑制改变活性值引导机器人移动”的神经网络控制方法，而这一思想及具体实现手段在D4的矿井搜救机器人寻路算法中已被充分、完整地披露。

这份无效宣告请求书的正文论述逻辑已按照标准的专利无效宣告程序规范整理。针对权利要求1，我们以对比文件D4（最接近的现有技术）结合对比文件D2以及本领域公知常识为主线，全面解构目标专利的技术方案，论证其不具备创造性（符合《专利法》第22条第3款的规定）。

专利无效宣告请求书（节选）

无效理由： 权利要求1相对于对比文件D4和对比文件D2的结合，不具备《专利法》第22条第3款规定的创造性。

一、 权利要求1与对比文件D4、D2的技术特征比对表

二、 结合说明书原文的公开性论述

1. 关于目标地图与神经元映射（特征A、B、C、F）

对比文件D4已实质上完全公开了这部分特征。D4在说明书**[0023]至[0029]段明确教导了建立一个包含地理坐标(x, y, z)和神经元活性值s的四维空间。在该空间中，井下环境（即目标地图）被离散化为多个位置，且“每个圆点...也是神经网络模型中的一个神经元”（参见[0082]段）。此外，通过超声波探测范围Rs和机器人当前位置pr的计算（参见[0033]**段），明确了这些位置是相对于机器人设备的空间位置。候选目标（矿工或障碍物）的物理位置直接被映射为该网络中特定神经元的位置。

2. 关于动态修改选择及失衡量控制（特征D、E）

目标专利的核心在于通过“偏置准则”控制神经元的“失衡量（激励或抑制）”，进而动态修改目标选择函数（即让机器人靠近目标或远离障碍物）。

D4在**[0027]段给出了明确的偏置机制：将搜救目标（矿工）作为“刺激性输入（激励）”，将避障目标（障碍物）作为“抑制性输入（抑制）”。在[0033]段中，机器人通过计算相邻神经元的动态活性值，选择向活性值最大的神经元移动（偏向候选目标），并避开活性值最小的神经元（偏离候选目标）。这已经构成了动态目标选择。 同时，目标专利中所谓“控制失衡量（Imbalance amount）”，在神经网络领域的本质即为通过交叉抑制或权重调节打破网络平衡，以选出唯一的目标（胜者全得）。对比文件D2在[0087]段对这一微观机制给出了直接的原文印证：“动作选择模块将增加感兴趣区域的基础活动，并允许对象区域之间的交叉抑制来抵消其他信号”**。D2进一步解释了如何通过调节不同对象（目标）神经元之间的抑制和激励信号分布，来实现对特定目标的跟踪（如“追逐球”）。

三、 对比文件D4与D2的结合启示论述

1. 相同的技术领域与技术问题

D4与D2均属于“利用人工神经网络控制移动机器人进行空间目标识别与导航”的技术领域。目标专利权利要求1试图解决的技术问题是：如何在复杂空间中通过调整神经网络的连接权重（激励/抑制），动态地引导机器人趋向高价值目标并避开非目标。

2. 明确的结合动机

D4从宏观的“空间路径规划”角度，公开了通过神经元活性值（矿工激励、障碍物抑制）来引导机器人运动。而在实际的机器人控制底层执行中，当面临多个相近的候选目标时，不可避免地需要用到目标专利所述的“失衡机制”来打破平局。

D2作为同样利用神经元网络控制机器人的文件，在底层动作选择（Action Selection）层面提供了完美的微观控制方案：利用“交叉抑制（Cross-inhibition）”机制来放大目标信号、抑制非目标信号，从而实现目标选择函数的动态修改。

本领域技术人员在面对D4中“如何更精确地在多个节点间做出非此即彼的移动决策”这一技术需求时，有显而易见的动机引入D2中公开的“交叉抑制/失衡机制”，以实现更加稳健的胜者全得（Winner-Take-All）目标锁定。两者的结合是本领域技术常规的技术演进，不具备突出的实质性特点和显著的进步。

四、 其他对比文件的补强作用

为了进一步夯实目标专利中的“目标选择函数”、“交叉抑制失衡量”等概念为本领域公知常识，其他对比文件可作为强有力的辅助证据：

• 对比文件D1 (US20050047647A1) 对“胜者全得与抑制”的补强：D1在段落**[0067]及[0074]**中详细公开了“胜者全得（WTA）网络”和“对象返回抑制（IOR）”。这证明了在空间目标选择中，利用抑制机制（Inhibition）来使得机器人的注意力偏离已访问目标、偏向新目标，是该领域的常规技术手段，剥夺了目标专利在这方面的创新高度。

• 对比文件D5 (CN102906767A) 对“时空联合网络与侧抑制”的补强：D5在段落**[0038]-[0041]**中公开了通过“前馈（STDP）”和“侧抑制（WTA过程）”来实现目标模式的提取和动态选择。这印证了目标专利中“控制失衡量”或“调节突触连接权重”仅仅是标准尖峰神经网络中成熟的学习和抑制规则。

• 对比文件D6 (CN103116354A) 对“环境反馈调节神经元输出”的补强：D6在**[0050]-[0051]**段公开了振荡神经元网络利用“全抑制耦合”以及“反馈输入信号（Feed）”来在线调节机器人的移动轨迹，进一步证明利用环境偏置准则（激励/抑制）实时修改机器人运动轨迹属于本领域常用的网络拓扑控制方法。

这套论述逻辑形成了一个严密的无效闭环：D4覆盖宏观框架，D2击破核心机制，D1/D5/D6证明其所用手段皆为领域惯用手段。

您需要我为您进一步把这套逻辑细化为针对权利要求中从属权利要求（如果有）的具体无效宣告请求书（Claim Chart）格式吗？

作为专利权人的代理师，面对上述无效宣告请求，我们需要采取“釜底抽薪”的策略，直击请求人逻辑中的根本漏洞：请求人利用了“事后诸葛亮（Hindsight）”的思维，将目标专利中用于“空间注意力偏置（动态目标选择）”的网络连接失衡控制机制，与D4中用于“路径规划（势场梯度）”的静态拓扑网络强行等同。

两者在发明的物理机制、网络拓扑结构以及解决的技术问题上存在本质区别。以下是为您准备的专利权人视角的无效意见答复思路及答辩正文摘要：

专利权人意见陈述书（节选）

答辩核心观点：

权利要求1不仅具备新颖性，也具备突出的实质性特点和显著的进步。对比文件D4公开的是一种基于节点间距离计算的“拓扑路径规划（类人工势场法）”方案，而非“目标选择”方案；其并未公开通过控制神经元连接的失衡量来动态修改目标选择函数。对比文件D2公开的“交叉抑制”主要用于不同行为状态（如追球或避障）的切换，并未给出将其应用于空间目标地图以实现空间注意力偏置的启示。

一、 针对D4破坏新颖性的反驳（特征D、E的比对错误）

请求人将D4中的“生物刺激神经网络”等同于权利要求1，属于对技术特征的严重误读。

1. D4并未公开“动态地修改目标选择函数”

• 目标专利的实质： 权利要求1旨在解决“当存在多个相似候选目标时，如何引导注意力偏置”的问题（例如，两个目标距离相同，但由于某种偏置准则，网络刻意使其中一个神经元胜出）。这是对目标选择函数的动态修改。

• D4的实质： D4公开的是一种基于信号衰减的路径寻找方法。D4在[0023]-[0027]段中，矿工给出固定强度的刺激输入，障碍物给出固定强度的抑制输入，神经元活性值s纯粹是基于这些输入与物理距离计算出的梯度场（类似于重力势场）。机器人只是“顺着梯度爬坡”（寻找活性值最大的一条线移动）。在D4中，根本不存在“在多个目标中进行选择”的选择函数，更不存在对该函数的动态修改。

2. D4并未公开“通过控制至神经元的连接的失衡量（Imbalance Amount）”

• 目标专利的特征： 权利要求1明确限定，是通过控制连接的失衡量来偏置机器人。结合说明书可知，这是通过改变神经元之间相互抑制/激励连接的强度（权重失衡），使得原本可能平局的候选目标产生胜者。

• D4的特征： D4中的连接权值wij是固定的拓扑距离参数，其“刺激”和“抑制”来源于外部矿工或障碍物的物理存在，这只是给神经元注入了不同的输入值，而绝非改变了神经元网络自身连接的“失衡量”。请求人将“具有刺激/抑制的输入”混淆为“控制神经元连接的失衡量”，属于偷换概念。

结论： D4缺少权利要求1的核心特征D和E，权利要求1相对于D4具备新颖性。

二、 针对D4结合D2破坏创造性的反驳（缺乏结合启示）

即使退一步认为D4公开了空间地图，D4与D2的结合也是拼凑的，且不能得出权利要求1的技术方案。

1. 技术领域与解决问题的鸿沟（无结合动机）

D4解决的是矿井下未知环境的“自动寻路（Routing）”问题，其网络需要保持稳定，以便真实反映物理环境的距离梯度。如果在D4的地图中人为引入“连接失衡量（交叉抑制）”，将会扭曲真实的物理距离地图，导致机器人撞墙或迷路。因此，本领域技术人员不但没有动机，反而会刻意避免在D4的路径寻优网络中引入D2的连接失衡机制。

2. D2并未给出修改“空间目标地图”的教导

• D2虽然提到了“交叉抑制”，但如其说明书[0065]-[0087]段所揭示的，D2的神经元代表的是**“对象类别”**（如球、己方球门、敌方球门），其交叉抑制是用于“行为决策（Action Selection）”的逻辑切换（例如决定现在是该“追球”还是该“躲避”）。

• 权利要求1限定的是将目标映射到空间位置（目标地图），对代表空间位置的神经元控制失衡量，以实现“空间注意力聚焦”。D2既没有建立如同权利要求1所述的“空间位置地图”，也没有教导如何在空间相邻的节点间建立并控制失衡的抑制/激励连接。

结论： 面对“如何在空间上对多个相似目标实现注意力偏置”这一技术问题，D4和D2均未给出技术启示，两者的强行结合属于事后诸葛亮，权利要求1具备创造性。

三、 针对其他对比文件（D1/D5/D6）的反驳

• 关于D1： D1使用的是基于图像显著性的视觉模型（Bottom-up visual attention），其“胜者全得”发生在于图像像素特征的提取层，而非权利要求1限定的**“相对于机器人设备的位置目标地图”**。

• 关于D5/D6： D5针对的是时空记忆的存储获取，D6针对的是双足机器人步行姿态（重心、落脚点）的关节振荡控制（CPG网络）。它们均未涉及在含有多个目标的二维/三维空间地图中，通过控制神经元连接失衡量来动态引导设备偏置的机制。这些文件不能证明目标专利的核心发明点为公知常识。

下一步建议：

我们已经从技术机理（寻路梯度场 vs. 空间注意力选择）上将目标专利与D4/D2彻底切分。您是否需要我基于这一答辩思路，进一步为您草拟一份用于向国知局（CNIPA）口审环节提交的多媒体演示大纲（PPT结构），以便更直观地向审查员展示“失衡量机制”与“D4势场法”的动画对比差异？

作为无效宣告请求人，面对专利权人这种试图通过“限缩解释（Narrowing Interpretation）”来脱罪的答辩策略，我们需要针锋相对地指出：专利权人正在向权利要求中读入（Read into）说明书中的特定实施例限制，同时刻意割裂了对比文件之间的内在技术联系。

专利审查和无效程序中，权利要求必须给予其“最宽泛的合理解释（Broadest Reasonable Interpretation）”。基于客观事实，以下是我们驳斥专利权人的核心代理意见：

针对专利权人意见的驳斥陈述（节选）

驳斥核心观点：

专利权人试图将权利要求1中的“目标选择”狭隘地解释为“注意力聚焦”，并将D4的方案贬低为“静态拓扑寻路”，这在权利要求文本层面毫无依据。D4的动态活性值更新实质上就是对目标选择函数的动态修改；同时，D2明确公开了在**空间视网膜映射（Retinotopic Mapping）**中使用交叉抑制失衡来进行目标锁定，两者的结合对于本领域技术人员而言是显而易见的常规技术手段。

一、 驳斥“D4未公开动态修改目标选择函数”

专利权人诡辩： D4是静态物理距离梯度寻路（势场法），不存在“在多个目标中进行选择”，也不存在“动态修改”。

请求人驳斥： 这是对权利要求1的严重限缩以及对D4的误读。

1. D4是典型的动态目标选择： D4在**[0033]段明确指出，神经元pn的动态活性值是实时计算的。随着机器人移动和探测（发现新障碍物或新矿工），各个位置代表神经元的活性值在动态变化**。机器人通过判断哪个神经元的活性值最大来决定下一步走向。这种基于实时环境反馈改变移动权重的机制，完全落入权利要求1“动态地修改目标选择函数以使机器人设备偏向或偏离候选目标地移动”的保护范围。

2. 权利要求1并未限定“注意力偏置”的具体算法： 专利权人所谓“目标专利是解决相似候选目标平局时的偏置”，这是说明书中的特定应用场景，并未写入权利要求1。在权利要求1的宽泛语境下，D4中为了“趋向矿工、避开障碍”而改变神经元活性值，就是对选择函数的动态修改。

二、 驳斥“D4未公开控制连接的失衡量”

专利权人诡辩： D4的权值是固定的，只是输入变了，并未改变网络自身连接的“失衡量”。

请求人驳斥： 专利权人混淆了“连接权重”与“失衡量”的概念。

1. 权利要求字面涵盖广： 权利要求1的用词是“通过控制至所述人工神经网络的神经元的失衡量（imbalance amount）”，并且明确指出“所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接”。

2. D4事实公开： D4在**[0027]段公式中不仅有距离衰减，明确定义了刺激性输入**（激活动态活性值）和抑制性输入（降低动态活性值）。这种在不同空间节点神经元上施加的不对称刺激与抑制，直接导致了网络各节点状态的“失衡（imbalance）”，从而打破了原有的稳态，促使机器人做出偏向性移动。

3. 退一步讲： 即便将“控制失衡量”极其狭隘地理解为“动态修改神经元之间的突触连接权重本身”，这正是我们要结合对比文件D2的根本原因。

三、 驳斥“D4与D2缺乏结合启示（D2非空间地图）”

专利权人诡辩： D2的神经元代表的是“对象类别（Action Selection）”而非空间位置，且将D2引入D4会导致寻路梯度扭曲，无结合动机。

请求人驳斥： 专利权人刻意忽略了D2中关于**空间映射（Spatial Mapping）**的明确技术教导，其认为结合会导致“撞墙”的论断是主观臆断。

1. D2不仅有行为选择，更有明确的空间拓扑映射： D2在**[0069]段明确教导了：“目标对象区域的活动被视网膜映射（retinotopically）到平移和倾斜区域”，“平移区域的活动反映了目标区域中活动的水平分布”。这证明D2的神经网络直接处理空间分布（方位与坐标）**，绝不仅仅是抽象的“对象类别”。

2. 结合动机具有高度的显而易见性： D4解决的是矿井下的目标搜索，当机器人在路口面临左边一个矿工、右边一个矿工（两个活性值相近的目标）时，原有的距离势场法会陷入“局部最优”或“震荡”的平局困境。 此时，本领域技术人员为了解决**“如何稳健地锁定唯一目标”的普遍技术问题，极其自然地会去寻找现有技术。D2在[0086]-[0087]段恰恰提供了标准答案：通过非神经控制器调制神经活动，利用“交叉抑制（cross-inhibition）”**来取消其他信号（产生失衡量），强制选出一个胜者。

3. 结合不会导致系统崩溃： 将D2的交叉抑制失衡机制引入D4的局部节点决策中，只会让机器人在面临多个等价探测方向时更果断地做出选择，而不会扭曲基础的避障物理梯度。专利权人的“撞墙论”违背了神经网络协同控制的常理。

结论：

专利权人的反驳完全建立在对自身权利要求的不当限缩，以及对对比文件D2核心空间映射特征的刻意无视之上。权利要求1的宽泛保护范围已经被D4的动态活性值寻路和D2的交叉抑制空间偏置机制的结合彻底覆盖，理应宣告无效。

下一步建议：

我们已经将专利权人的逻辑漏洞逐一击破。在口审或书面答复中，除了上述逻辑论述，通常还需要准备一份详细的权利要求权利要求字义解释表（Claim Construction Chart），将目标专利说明书中对“失衡量”的宽泛定义提取出来，用以反制专利权人现在的限缩解释。需要我为您梳理并提取目标专利说明书中对我们有利的段落，生成这份字义解释表吗？

作为一名秉持绝对客观中立立场的专利审查人员，我将完全脱离“代理人”或“请求人”的角色代入，严格依照《专利审查指南》中的客观评判标准，为您复盘国家知识产权局复审和无效审理部（原专利复审委员会）合议组在面对此案时的抉择路径，并客观评估本次无效请求的成功概率。

一、 合议组的抉择路径推演

合议组在审理此类案件时，遵循的是“权利要求字面解释（最大合理范围） ➡️ 确定最接近的现有技术 ➡️ 事实比对（新颖性） ➡️ 确定区别技术特征与实际解决的技术问题 ➡️ 寻找结合启示（创造性）”的标准化逻辑。

第一步：权利要求的“最大合理解释”（Claim Construction）

争议焦点： 对特征D中的“失衡量（Imbalance Amount）”和“动态修改目标选择函数”的界定。

• 合议组视角： 合议组会首先审查目标专利的权利要求书。如果权利要求1中没有对“失衡量”进行具体的微观限定（例如没有限定必须是神经元之间的“侧抑制权重动态改变”），合议组将倾向于给予其本领域内的最大合理解释。这意味着，只要是通过打破网络对称性/平衡态来实现目标区分的机制，都有可能被落入该词的解释范围。合议组不会接受专利权人将说明书中特定的“注意力聚焦”实施例强行读入权利要求1的做法。

第二步：新颖性评判（权利要求1 vs. 对比文件D4）

争议焦点： D4的“基于距离衰减的动态活性值”是否等同于“控制神经元的失衡量修改选择函数”。

• 合议组视角： * 肯定部分： D4确实公开了将物理空间映射为神经元节点，且公开了通过“矿工（刺激）”和“障碍物（抑制）”来引导机器人移动。

  • 否定部分： D4的核心机制是“人工势场法”的神经网络化，其神经元活性值是依赖物理距离计算出的梯度场。在严格的新颖性比对（单独对比原则）下，D4并未直接、毫无疑义地公开“改变神经元之间连接的失衡量”。D4中改变的是输入值，而非连接本身的权重失衡。

• 抉择倾向： 合议组大概率会认定权利要求1相对于D4具备新颖性，因为“势场梯度下降”与“神经网络连接失衡”在底层控制机理上仍存在微小但客观的物理差异。

第三步：创造性评判（权利要求1 vs. D4 + D2 + 公知常识）

争议焦点： D4与D2是否存在结合启示？D2的交叉抑制是否能应用于D4的空间地图中？

• 确定区别技术特征： 权利要求1与D4的区别在于：使用了“基于偏置准则控制至神经元连接的失衡量”来动态修改目标选择函数。

• 确定实际解决的技术问题： 当空间地图中存在多个目标节点时，如何打破网络平衡，使机器人能够明确锁定并偏向某一特定候选目标（解决多目标平局/局部最优问题）。

• 判断结合启示（核心环节）：

  • 合议组会审视D2。D2在段落[0087]明确给出了“利用交叉抑制抵消其他信号”的教导，且在段落[0069]提及了“视网膜映射（Retinotopic Mapping）”，证明其处理过空间分布信号。

  • 合议组会认为，在机器人导航与神经网络控制领域，“胜者全得（Winner-Take-All）”和“侧抑制（Lateral Inhibition）”是极其经典的公知常识。当D4的系统面临多个矿工导致活性值相近时，本领域技术人员为了让机器人做出明确的选择，有显而易见的动机引入D2中的“交叉抑制失衡机制”来放大某一目标的信号、抑制其他目标信号。

  • 专利权人所谓的“结合会导致梯度扭曲、撞墙”的抗辩，会被合议组视为对技术手段的主观割裂，因为在局部节点引入竞争机制并不必然摧毁全局避障逻辑。

• 抉择倾向： 合议组大概率会认定D4结合D2，或者D4结合本领域公知常识（WTA侧抑制网络），使得权利要求1不具备创造性。

二、 本次无效请求的成功概率评估

站在绝对客观的立场，基于上述逻辑推演，本次无效宣告请求的综合成功概率评估如下：

• 以“无新颖性”无效权利要求1的概率：低（约 15% - 25%）

  由于“失衡量”一词具有一定的特殊性，且D4的公式明确指向距离函数计算，审查员通常不愿意在存在微小机理差异的情况下草率下发无新颖性结论。

• 以“无创造性”无效权利要求1的概率：极高（约 75% - 85%）

  目标专利的硬伤在于其权利要求1撰写得过于上位（宽泛）。它试图用涵盖整个“空间网络映射+抑制/激励选择”的宏观语言来保护其概念。这种上位概括极其容易被现有技术中的“空间建图（D4）”加“常规神经网络分类/选择机制（D2或公知常识）”的组合拼图所击破。

综合评估结论：

本次无效请求成功（即宣告权利要求1全部无效）的概率非常大。无效请求人的证据链（D4定框架，D2定细节，D1/D5/D6证常识）在逻辑上形成了完整的闭环，非常符合合议组使用“三步法”评价创造性的审查习惯。除非专利权人能够通过修改权利要求，将说明书中极度具体的硬件结构或极为特殊的微观算法公式限制入权利要求1中，否则难以逃脱被“D4+D2”组合无效的命运。

针对上述合议组的客观推演逻辑，您是否需要我为您起草一份模拟的**《无效宣告请求审查决定书（要点模拟版）》**，以便您直观地了解国家知识产权局最终可能下发的官方裁判文书的具体行文措辞与定性结论？