2026年3月专利代理师考试代理实务试题与答案

2026年3月专利代理师考试代理实务试题与答案素材一：客户技术交底书【发明名称】一种基于多源数据融合的智能仓储物流机器人及其控制方法【技术领域】本发明涉及物流自动化技术领域，尤其涉及一种应用于复杂仓储环境的智能物流机器人及其导航控制方法。【背景技术】随着电子商务的飞速发展，智能仓储系统的需求日益增长。现有的仓储物流机器人主要依赖激光雷达（LiDAR）进行SLAM（同步定位与建图）和导航。然而，在玻璃、高反光表面或长直走廊等特征单一的环境中，仅依靠激光雷达容易出现定位漂移或丢失，导致机器人运行不稳定，甚至发生碰撞事故。此外，现有机器人在面对动态障碍物（如工作人员、其他移动设备）时，往往反应滞后，避障路径规划不够平滑，影响运输效率。【发明内容】本发明要解决的技术问题是提供一种基于多源数据融合的智能仓储物流机器人及其控制方法，以提高机器人在复杂环境下的定位精度和动态避障能力。为实现上述目的，本发明采用如下技术方案：一种基于多源数据融合的智能仓储物流机器人，包括：移动底盘，用于承载货物及提供移动动力；激光雷达，设置于所述移动底盘上，用于采集环境轮廓数据；视觉传感器，设置于所述移动底盘上，用于采集环境图像数据；惯性测量单元（IMU），用于采集机器人的运动姿态数据；主控制器，分别与所述激光雷达、视觉传感器及惯性测量单元连接；所述主控制器被配置为执行以下步骤：S1：获取激光雷达采集的环境轮廓数据、视觉传感器采集的环境图像数据以及惯性测量单元采集的运动姿态数据；S2：基于扩展卡尔曼滤波算法，对所述环境轮廓数据、环境图像数据及运动姿态数据进行数据融合，得到机器人的融合位姿估计；S3：根据所述融合位姿估计，利用全局路径规划算法生成目标路径；S4：在沿目标路径移动过程中，基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息，进行局部路径规划与避障控制。进一步地，所述视觉传感器为双目深度相机，设置于移动底盘的前端上方，其视场角覆盖机器人前方0.5米至10米的区域。进一步地，所述主控制器在执行步骤S2时，具体包括：以激光雷达SLAM定位结果作为观测值，以惯性测量单元的运动模型作为预测值，将视觉传感器提供的视觉里程计数据作为辅助观测值，通过扩展卡尔曼滤波算法进行状态更新。进一步地，在步骤S4中，识别动态障碍物信息具体包括：利用深度学习算法对环境图像数据进行语义分割，提取出包含人员和移动设备的像素区域，并结合双目深度相机的深度信息计算动态障碍物的距离和速度。进一步地，所述机器人还包括超声波传感器，设置于移动底盘的四周，用于近距离障碍物检测；所述主控制器还被配置为：当超声波传感器检测到距离小于0.2米的障碍物时，触发紧急制动。本发明还提供一种基于多源数据融合的智能仓储物流机器人的控制方法，包括上述主控制器执行的步骤。【有益效果】本发明通过融合激光雷达、视觉传感器和IMU的数据，利用扩展卡尔曼滤波算法进行位姿估计，有效克服了单一传感器在特征单一环境下的定位缺陷，显著提高了定位精度和鲁棒性。同时，结合深度学习识别动态障碍物，并利用DWA算法进行局部规划，实现了对动态环境的平滑避障，提升了仓储作业的安全性和效率。素材二：对比文件对比文件1（D1）：公开日：2023年5月10日【技术内容】D1公开了一种自主移动机器人，包括移动平台、激光雷达、摄像头和控制器。激光雷达用于构建环境地图并进行定位。摄像头用于识别路标。控制器根据激光雷达的定位信息和摄像头识别的路标位置，校正机器人的全局位置。当检测到障碍物时，机器人采用人工势场法进行路径规划以避开障碍物。D1指出，单纯依赖激光雷达在动态环境中定位精度下降，因此利用视觉路标辅助校正。对比文件2（D2）：公开日：2024年1月15日【技术内容】D2公开了一种基于多传感器融合的车辆导航系统，特别适用于无人驾驶汽车。该系统包括激光雷达、毫米波雷达、IMU和GPS。D2采用扩展卡尔曼滤波（EKF）算法对激光雷达、IMU和GPS的数据进行融合，以获得车辆的高精度位姿。D2还提到，为了处理动态障碍物，系统利用毫米波雷达检测障碍物的相对速度，并基于动态窗口法（DWA）进行局部路径规划，以实现平滑避障。素材三：审查意见通知书审查意见通知书摘录：申请号：20261XXXXXX.X发明名称：一种基于多源数据融合的智能仓储物流机器人及其控制方法审查员指出：权利要求1不具备《专利法》第22条第3款规定的创造性。具体理由如下：权利要求1请求保护一种基于多源数据融合的智能仓储物流机器人。对比文件1（D1）公开了一种自主移动机器人，包括移动平台（相当于移动底盘）、激光雷达、摄像头（相当于视觉传感器）和控制器（相当于主控制器）。D1中控制器利用激光雷达定位，并利用摄像头识别路标辅助校正，这实质上是对激光雷达数据和视觉数据的融合处理。区别技术特征在于：权利要求1还包括了惯性测量单元（IMU），且主控制器被配置为利用扩展卡尔曼滤波算法对激光雷达、视觉及IMU数据进行融合，并利用动态窗口法（DWA）进行局部避障。关于IMU的引入及EKF融合：对比文件2（D2）公开了利用扩展卡尔曼滤波算法对激光雷达、IMU和GPS数据进行融合。虽然D2应用于车辆导航，但将IMU应用于移动机器人以提高定位精度是本领域的公知常识。因此，在D1的基础上结合D2及公知常识得到权利要求1的技术方案对本领域技术人员来说是显而易见的。关于DWA避障：D2公开了在车辆导航中利用动态窗口法（DWA）进行局部路径规划。将D2中的DWA避障策略应用于D1的仓储机器人，以解决避障问题，也是显而易见的。因此，权利要求1不具备突出的实质性特点和显著的进步，不具备创造性。从属权利要求2-5也不具备创造性，理由为：在其引用的权利要求不具备创造性的前提下，其附加技术特征或者被对比文件公开，或者属于本领域的常规技术手段。请申请人陈述意见，必要时修改权利要求书。答题要求第一题：撰写权利要求书请根据客户技术交底书的内容，结合对比文件D1、D2以及审查意见指出的问题，为客户重新撰写一套权利要求书。要求：1.权利要求书应当包括独立权利要求和合理的从属权利要求。2.独立权利要求应当整体反映发明的技术方案，并具备新颖性和创造性，保护范围应当尽可能宽。3.从属权利要求应当对独立权利要求作进一步限定，形成有层次的保护梯队。4.考虑到审查意见中指出的创造性问题，撰写时应重点考虑如何构建与现有技术的区别，确保授权前景。第二题：撰写审查意见答复假设您已经完成了第一题的权利要求书撰写工作。请针对审查意见通知书中的关于原权利要求1创造性的评述，以及您新撰写的独立权利要求，撰写一份审查意见答复正文。要求：1.指出新撰写的独立权利要求与D1、D2的区别。2.论述新独立权利要求具备创造性的理由，重点强调非显而易见性。3.论述从属权利要求的创造性（可选，视字数和策略而定，主要针对独立权利要求进行答复）。4.答复应当逻辑清晰、有理有据，符合专利法实施细则的相关规定。第三题：综合分析题1.客户希望将“利用深度学习算法对环境图像数据进行语义分割”这一技术特征写入权利要求，但担心如果算法细节描述过多会导致保护范围过窄，描述过少可能因公开不充分被驳回。请向客户说明撰写包含算法特征的权利要求时的注意事项及建议策略。2.如果客户在提交申请后，发现D2中其实已经公开了“利用视觉传感器（摄像头）识别动态障碍物”并结合DWA进行避障的技术特征，且该特征对于本发明的创造性贡献度较高，这将对专利申请产生什么影响？作为专利代理师，你应如何应对？2026年3月专利代理师资格考试专利代理实务科目试题参考答案及解析第一题：撰写权利要求书1.一种基于多源数据融合的智能仓储物流机器人，其特征在于，包括：移动底盘，用于承载货物及提供移动动力；激光雷达，设置于所述移动底盘上，用于采集环境轮廓数据；视觉传感器，设置于所述移动底盘上，用于采集环境图像数据；惯性测量单元（IMU），用于采集机器人的运动姿态数据；主控制器，分别与所述激光雷达、视觉传感器及惯性测量单元连接；所述主控制器被配置为执行以下步骤：获取激光雷达采集的环境轮廓数据、视觉传感器采集的环境图像数据以及惯性测量单元采集的运动姿态数据；基于扩展卡尔曼滤波算法，对所述环境轮廓数据、环境图像数据及运动姿态数据进行数据融合，得到机器人的融合位姿估计；根据所述融合位姿估计，利用全局路径规划算法生成目标路径；在沿目标路径移动过程中，基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息，进行局部路径规划与避障控制。2.如权利要求1所述的机器人，其特征在于，所述视觉传感器为双目深度相机，设置于所述移动底盘的前端上方，其视场角覆盖机器人前方0.5米至10米的区域。3.如权利要求1所述的机器人，其特征在于，所述主控制器在执行基于扩展卡尔曼滤波算法进行数据融合时，具体被配置为：以激光雷达SLAM定位结果作为观测值，以惯性测量单元的运动模型作为预测值，将视觉传感器提供的视觉里程计数据作为辅助观测值，通过扩展卡尔曼滤波算法进行状态更新。4.如权利要求1所述的机器人，其特征在于，在基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息进行局部路径规划与避障控制的步骤中，识别动态障碍物信息具体包括：利用深度学习算法对环境图像数据进行语义分割，提取出包含人员和移动设备的像素区域，并结合双目深度相机的深度信息计算动态障碍物的距离和速度。5.如权利要求1所述的机器人，其特征在于，还包括超声波传感器，设置于所述移动底盘的四周，用于近距离障碍物检测；所述主控制器还被配置为：当超声波传感器检测到距离小于0.2米的障碍物时，触发紧急制动。6.一种基于多源数据融合的智能仓储物流机器人的控制方法，其特征在于，包括：获取激光雷达采集的环境轮廓数据、视觉传感器采集的环境图像数据以及惯性测量单元采集的运动姿态数据；基于扩展卡尔曼滤波算法，对所述环境轮廓数据、环境图像数据及运动姿态数据进行数据融合，得到机器人的融合位姿估计；根据所述融合位姿估计，利用全局路径规划算法生成目标路径；在沿目标路径移动过程中，基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息，进行局部路径规划与避障控制。7.如权利要求6所述的方法，其特征在于，所述环境图像数据由双目深度相机采集。8.如权利要求6所述的方法，其特征在于，识别动态障碍物信息具体包括：利用深度学习算法对环境图像数据进行语义分割，提取出包含人员和移动设备的像素区域，并结合双目深度相机的深度信息计算动态障碍物的距离和速度。第二题：撰写审查意见答复意见陈述书申请号：20261XXXXXX.X发明名称：一种基于多源数据融合的智能仓储物流机器人及其控制方法针对审查员于2026年X月X日发出的审查意见通知书，申请人经过认真研究，对权利要求书进行了修改（详见替换页），并对原审查意见中指出的创造性问题陈述如下意见：一、关于修改说明申请人将原权利要求书中的技术特征重新组织和提炼，形成了新的独立权利要求1和6。新的独立权利要求1明确了“基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息”这一技术特征。该修改源于原说明书和权利要求书记载的内容，未超出原说明书和权利要求书记载的范围，符合《专利法》第33条的规定。二、关于新权利要求1的创造性1.权利要求1与对比文件1（D1）的区别技术特征新权利要求1请求保护一种基于多源数据融合的智能仓储物流机器人。对比文件1（D1）公开了一种自主移动机器人，包括移动平台、激光雷达、摄像头和控制器。经对比，权利要求1与D1至少存在如下区别技术特征：（1）权利要求1还包括惯性测量单元（IMU），且主控制器被配置为利用扩展卡尔曼滤波算法对激光雷达、视觉及IMU数据进行融合；（2）权利要求1中，主控制器在沿目标路径移动过程中，基于动态窗口法（DWA）结合所述环境图像数据识别的动态障碍物信息，进行局部路径规划与避障控制。关于区别（1），审查员认为结合D2和公知常识是显而易见的。申请人对此不持异议，但认为即使考虑区别（1）的显而易见性，权利要求1至少具备区别（2）所述的技术特征，而该特征未被D1、D2公开，也非显而易见。2.权利要求1相对于对比文件1、D2及公知常识具备创造性（1）D1未公开区别特征（2）D1虽然公开了摄像头和激光雷达，但其利用摄像头识别路标来校正全局位置，且在避障时采用人工势场法。D1并未公开利用环境图像数据识别动态障碍物，更未公开将识别出的动态障碍物信息与动态窗口法（DWA）结合进行局部路径规划。（2）D2未公开区别特征（2）D2确实公开了动态窗口法（DWA）进行局部路径规划，并且公开了利用毫米波雷达检测动态障碍物。然而，D2并未公开利用“环境图像数据”来识别动态障碍物。D2涉及的是车辆导航，其采用的是毫米波雷达而非视觉传感器来获取障碍物信息。权利要求1限定了“结合所述环境图像数据识别的动态障碍物信息”。这意味着机器人利用视觉传感器（摄像头）采集的图像数据来感知动态障碍物，并将此信息输入到DWA算法中进行规划。D2利用的是毫米波雷达数据。视觉传感器（图像数据）与毫米波雷达在数据类型、处理方式、感知原理上存在本质区别。具体而言，图像数据包含丰富的语义信息（如物体类别、纹理），而毫米波雷达主要提供距离和速度信息。在仓储环境中，利用图像数据可以更好地区分人员、货物等不同类型的动态障碍物，从而实现更智能的避障策略。（3）区别特征（2）的非显而易见性审查员认为将D2中的DWA避障应用于D1是显而易见的。然而，这种结合忽略了传感器类型差异带来的技术障碍。D1使用的是视觉传感器（摄像头），D2使用的是毫米波雷达。如果本领域技术人员想要改进D1的避障性能，直接结合D2的技术手段，应当是沿用D2的传感器配置（即增加毫米波雷达）并使用DWA，或者仅将DWA算法应用于D1现有的激光雷达数据。但是，权利要求1采取了一种特定的技术路径：将“视觉传感器识别动态障碍物”与“DWA”相结合。D2没有教导利用视觉数据进行动态障碍物识别，D1也没有教导利用视觉数据进行动态避障（D1仅用于路标识别）。将视觉数据的语义分割/识别结果与DWA算法结合，需要解决如何将图像识别出的障碍物概率或类别转化为DWA算法所需的代价函数参数，这并非简单的功能叠加。此外，D1中的人工势场法本身也是一种避障算法，本领域技术人员没有强烈的动机将其替换为DWA，特别是当这种替换还需要配合特定的视觉数据处理流程时。因此，权利要求1的技术方案并非D1与D2的简单拼凑。权利要求1利用视觉传感器识别动态障碍物并结合DWA进行规划，在仓储物流机器人的特定应用场景下，提高了对动态障碍物（如工作人员）的识别精度和避障平滑性，取得了预料不到的技术效果。综上所述，新权利要求1相对于对比文件1、D2及本领域的公知常识具备突出的实质性特点和显著的进步，符合《专利法》第22条第3款关于创造性的规定。三、关于从属权利要求2-5的创造性在独立权利要求1具备创造性的前提下，从属权利要求2-5进一步限定了双目深度相机的具体参数、EKF融合的具体步骤、深度学习语义分割的具体应用以及超声波传感器的紧急制动功能。这些附加技术特征或者未被D1、D2公开，或者进一步细化了技术方案，使得保护范围更加清晰，同样具备创造性。恳请审查员在考虑上述意见的基础上，对本申请作出有利的决定。申请人：XXX日期：2026年X月X日第三题：综合分析题1.关于包含算法特征的权利要求撰写注意事项及建议策略在撰写包含“深度学习算法”等技术特征的权利要求时，确实存在保护范围与公开充分性之间的平衡难题。建议如下：（1）功能性限定与具体参数限定的结合：避免在独立权利要求中过于详细地描述算法的内部数学公式、具体网络层数、激活函数类型等细节，这会导致保护范围过窄，竞争对手容易通过修改网络结构（如将卷积层改为全连接层）绕开专利保护。建议在独立权利要求中采用功能性模块或步骤的限定方式，例如“利用深度学习模型对环境图像数据进行语义分割”，或者限定算法的输入和输出，即“输入环境图像数据，输出包含障碍物类别和位置的语义分割图”。（2）在说明书中充分公开具体实施例：为了满足《专利法》第26条第3款（充分公开）的要求，必须在说明书中详细记载至少一种具体的深度学习网络结构（如具体的CNN结构、U-Net等）、训练数据的来源、损失函数的定义等，使得本领域技术人员能够复现该技术方案。说明书中可以提供多种替代实施例（如使用不同的骨干网络），以支持权利要求书的概括或修改需要。（3）使用上位概念：可以使用更上位的术语，如“神经网络模型”、“图像分割算法”等，然后在从属权利要求中逐步限定为“深度学习算法”、“卷积神经网络”等，形成层次化的保护体系。（4）注意“智力活动规则”的问题：确保算法特征与硬件或具体技术领域紧密结合，体现出算法解决了具体的技术问题（如提高避障精度），而非纯粹的数学计算或智力活动规则，以符合客体适格性的要求。2.关于D2公开关键特征的影响及应对策略（1）影响分