2026年专利代理师资格考试专利代理实务真题与答案

2026年专利代理师资格考试专利代理实务真题与答案第一部分：撰写申请文件及答复审查意见通知书客户“云图科技有限公司”（以下简称“申请人”）打算就其研发的“一种基于边缘计算的智能交通信号协同控制方法及系统”申请发明专利。申请人提供了两份对比文件（对比文件1和对比文件2）以及本发明的技术交底书。假设你是申请人的专利代理师，请根据下述素材完成以下任务：素材一：对比文件1公开日：2024年5月15日相关内容：一种自适应交通信号控制系统，包括中央控制服务器、交通信号控制器和车辆检测器。中央控制服务器周期性地（例如每5分钟）收集各路口的车辆检测器上传的交通流量数据。系统存储有历史交通流量数据库，中央控制服务器利用大数据分析技术，将当前收集的实时流量数据与历史数据库中的同期数据进行比对，预测未来15分钟内的交通流量趋势。根据预测结果，中央控制服务器计算各路口信号灯的绿灯时长，并生成包含相位配时方案的控制指令，通过有线网络将控制指令下发给路口的交通信号控制器，交通信号控制器据此调整信号灯的显示时长。该系统通过引入历史数据预测，能够缓解周期性拥堵，但无法应对突发交通事故等非周期性事件。素材二：对比文件2公开日：2025年2月10日相关内容：一种车路协同紧急车辆优先通行系统。该系统应用于紧急救护车或消防车等特殊车辆上。特殊车辆配备车载终端，当执行紧急任务时，车载终端通过V2X（Vehicle）通信技术向沿途路口的边缘计算节点发送紧急请求信号，该信号包含车辆的位置、速度和行驶方向。路口的边缘计算节点接收到请求信号后，立即向交通信号机发送优先通行指令，强制切换信号灯相位，为紧急车辆开辟绿灯通道。该系统仅针对紧急车辆的优先通行请求进行处理，不涉及常规社会车辆的信号协同控制。素材三：本申请技术交底书发明名称：一种基于边缘计算的智能交通信号协同控制方法及系统技术领域：本发明涉及智能交通技术领域，具体涉及一种利用边缘计算节点实现路口信号协同优化控制的方法及系统。背景技术：随着城市化进程的加快和汽车保有量的增加，城市交通拥堵问题日益严重。传统的交通信号控制主要采用固定配时方案或基于中央服务器的集中式感应控制。固定配时方案灵活性差，无法适应动态变化的交通流；基于中央服务器的集中式控制虽然可以全局优化，但存在通信延迟高、计算负载大、系统可靠性低等问题，一旦中央服务器或通信网络出现故障，整个交通控制系统将瘫痪。此外，现有的车路协同系统多服务于紧急车辆优先通行，未能充分利用车辆上传的实时数据来优化常规社会车辆的通行效率。因此，亟需一种响应速度快、可靠性高且能利用实时车辆数据的交通信号控制方法。发明内容：本发明要解决的技术问题是提供一种基于边缘计算的智能交通信号协同控制方法及系统，以降低通信延迟，提高控制的实时性和可靠性。为实现上述目的，本发明采用如下技术方案：一种基于边缘计算的智能交通信号协同控制方法，包括：步骤S1：路口的边缘计算节点实时接收本路口及相邻路口范围内的车辆终端通过V2X通信上传的车辆状态数据，所述车辆状态数据包括车辆位置、速度、加速度及车辆类型；步骤S2：所述边缘计算节点对接收到的车辆状态数据进行预处理，剔除异常数据，并基于预处理后的数据构建本路口的实时交通流矩阵；步骤S3：所述边缘计算节点将所述实时交通流矩阵输入预置的深度强化学习模型，所述深度强化学习模型根据当前交通流状态及当前信号灯相位，输出当前路口的信号配时参数调整值；步骤S4：所述边缘计算节点根据所述信号配时参数调整值生成本路口的控制指令，并将所述控制指令发送至本路口的交通信号控制器执行；步骤S5：所述边缘计算节点通过边缘节点间的通信链路，将本路口的实时交通流矩阵及信号灯状态同步发送至相邻路口的边缘计算节点，以供相邻路口进行协同决策。进一步地，所述步骤S3还包括：所述深度强化学习模型利用经验回放池进行训练，所述经验回放池中存储有状态-动作-奖励-下一状态的元组，奖励函数的设计综合考虑了车辆平均等待时间、路口通行量及排队长度。进一步地，所述车辆类型包括紧急车辆和社会车辆，当检测到车辆类型为紧急车辆时，所述边缘计算节点触发优先响应机制，直接生成强制切换信号灯相位的控制指令，并中断所述深度强化学习模型的常规运算流程。进一步地，所述步骤S5中，边缘计算节点仅在检测到本路口存在溢出风险时，即排队长度超过预设阈值，才向相邻路口发送协同请求信息，所述协同请求信息包含请求上游路口减少放行速度或请求下游路口增加放行速度的建议。本发明还提供一种基于边缘计算的智能交通信号协同控制系统，包括：车辆终端，用于采集车辆状态数据并通过V2X通信发送；边缘计算节点，部署于各个路口，用于执行上述任一项所述的方法步骤；交通信号控制器，用于接收边缘计算节点的控制指令并控制信号灯动作。有益效果：本发明将计算任务下沉至路口边缘计算节点，无需将海量数据上传至云端，大幅降低了通信带宽占用和响应延迟，实现了毫秒级的实时控制。通过引入深度强化学习模型，系统能够自主学习最优配时策略，适应复杂的非线性交通流。此外，通过相邻路口间的信息同步与协同，有效解决了路口间的交通流溢出问题，提升了区域路网的通行效率。实施例：图1为本发明方法的流程图。图2为系统架构图。实施例1：在城市十字路口部署边缘计算节点。该节点接收半径300米内车辆上传的数据。模型训练阶段，奖励函数R=-w1*T_wait-w2*Queue_len+w3*Flow，其中w1、w2、w3为权重系数。当检测到救护车时，系统立即切换相位。当路口东进口排队长度超过200米时，边缘节点向东侧上游路口发送协同请求，建议上游路口减少绿灯时长。问题一：请根据上述技术交底书，为客户撰写一份发明专利申请的权利要求书。具体要求如下：1.权利要求书应当包括独立权利要求和从属权利要求。2.独立权利要求应当整体上反映发明的技术方案，记载解决技术问题所必需的全部必要技术特征，并合理概括保护范围。3.从属权利要求应当对所引用的权利要求作进一步限定，形成有层次的保护梯队。4.如果认为该申请包含两项以上的发明，应当进行合案申请，并撰写一组独立的权利要求。问题二：假设审查员在审查意见通知书中指出：权利要求1相对于对比文件1（D1）和对比文件2（D2）的结合不具备《专利法》第二十二条第三款规定的创造性。审查员的具体理由为：D1公开了一种自适应交通信号控制系统，其利用中央服务器收集流量数据、预测趋势并下发控制指令（相当于权利要求1的前序部分及步骤S2、S4）。D2公开了利用边缘计算节点接收车辆终端的V2X数据（相当于步骤S1），并利用边缘节点生成控制指令发送给信号机（相当于步骤S4）。本领域技术人员在D1的基础上，为了降低延迟，有动机将D1的中央服务器计算功能替换为D2中公开的边缘计算架构，从而得到权利要求1的技术方案。权利要求1与D1+D2的区别在于：权利要求1限定了“构建实时交通流矩阵”、“输入预置的深度强化学习模型”以及“向相邻节点同步数据”。然而，深度强化学习模型是已知的人工智能算法，将其用于交通控制属于常规算法选择；相邻节点同步数据是为了实现协同，也是分布式控制的常规设计手段。因此，权利要求1不具备突出的实质性特点和显著的进步。请针对上述审查意见，撰写一份意见陈述书。要求：1.清晰地陈述权利要求1相对于对比文件1和对比文件2的结合具备创造性的理由。2.论证逻辑严密，说理充分，能够说服审查员。3.引用对比文件中的具体内容进行对比分析。问题三：申请人希望对技术交底书中记载的“优先响应机制”进行保护，但担心如果直接写入独立权利要求会导致保护范围过窄。请说明在撰写权利要求时，如何处理“紧急车辆优先通行”这一技术特征，以平衡保护范围与授权前景？请简要阐述你的撰写策略及理由。第二部分：无效宣告请求实务案例：请求人“绿城科技”针对专利权人“云图科技有限公司”拥有的专利号为ZL202310XXXXXX.X、名称为“一种交通信号控制方法”的发明专利（以下简称“本专利”）提出无效宣告请求。本专利的权利要求书如下：“1.一种交通信号控制方法，其特征在于，包括：路口控制单元获取当前时刻本路口的车辆排队长度；若所述车辆排队长度超过预设阈值，则生成包含协同控制请求的广播消息；将所述广播消息发送至相邻路口的控制单元；接收相邻路口的控制单元发送的反馈消息，并根据所述反馈消息调整本路口的信号灯配时方案。”请求人提交的证据如下：证据1：CN105XXXXXXA号中国发明专利说明书，公开日：2023年1月5日。证据1公开了一种分布式交通控制方法，具体包括：各路口控制器检测本路口的排队长度（相当于本专利的“获取当前时刻本路口的车辆排队长度”）；当排队长度达到设定值时，向相邻路口发送请求信号（相当于“生成包含协同控制请求的广播消息”并“发送至相邻路口”）；相邻路口根据该请求信号调整自身的配时，并回复确认信息（相当于“反馈消息”）；发起路口根据确认信息记录协同状态。证据1未公开“根据所述反馈消息调整本路口的信号灯配时方案”这一步骤。请求人主张：权利要求1相对于证据1不具备新颖性或创造性，理由是证据1已经公开了权利要求1的大部分特征，区别特征“根据所述反馈消息调整本路口的信号灯配时方案”属于本领域的公知常识，或者属于证据1隐含公开的内容。问题四：假设你作为专利权人的代理师，针对请求人关于权利要求1创造性的无效理由，请撰写一份无效宣告请求答复的主要思路。你需要：1.确定权利要求1与证据1的区别技术特征。2.分析该区别技术特征实际解决的技术问题。3.论证该区别技术特征未被证据1公开，也不属于公知常识，从而具备创造性。4.如果认为存在授权风险，请提出进一步的应对策略（如修改权利要求）。答案部分问题一：权利要求书撰写1.一种基于边缘计算的智能交通信号协同控制方法，其特征在于，包括：步骤S1：路口的边缘计算节点实时接收本路口及相邻路口范围内的车辆终端通过V2X通信上传的车辆状态数据，所述车辆状态数据包括车辆位置、速度、加速度及车辆类型；步骤S2：所述边缘计算节点对接收到的车辆状态数据进行预处理，剔除异常数据，并基于预处理后的数据构建本路口的实时交通流矩阵；步骤S3：所述边缘计算节点将所述实时交通流矩阵输入预置的深度强化学习模型，所述深度强化学习模型根据当前交通流状态及当前信号灯相位，输出当前路口的信号配时参数调整值；步骤S4：所述边缘计算节点根据所述信号配时参数调整值生成本路口的控制指令，并将所述控制指令发送至本路口的交通信号控制器执行；步骤S5：所述边缘计算节点通过边缘节点间的通信链路，将本路口的实时交通流矩阵及信号灯状态同步发送至相邻路口的边缘计算节点，以供相邻路口进行协同决策。2.根据权利要求1所述的方法，其特征在于，所述步骤S3还包括：所述深度强化学习模型利用经验回放池进行训练，所述经验回放池中存储有状态-动作-奖励-下一状态的元组，奖励函数的设计综合考虑了车辆平均等待时间、路口通行量及排队长度。3.根据权利要求1所述的方法，其特征在于，所述车辆类型包括紧急车辆和社会车辆，当检测到车辆类型为紧急车辆时，所述边缘计算节点触发优先响应机制，直接生成强制切换信号灯相位的控制指令，并中断所述深度强化学习模型的常规运算流程。4.根据权利要求1所述的方法，其特征在于，所述步骤S5中，边缘计算节点仅在检测到本路口存在溢出风险时，即排队长度超过预设阈值，才向相邻路口发送协同请求信息，所述协同请求信息包含请求上游路口减少放行速度或请求下游路口增加放行速度的建议。5.一种基于边缘计算的智能交通信号协同控制系统，其特征在于，包括：车辆终端，用于采集车辆状态数据并通过V2X通信发送；边缘计算节点，部署于各个路口，用于执行权利要求1至4中任一项所述的方法步骤；交通信号控制器，用于接收边缘计算节点的控制指令并控制信号灯动作。问题二：意见陈述书意见陈述书正文：关于权利要求1的创造性，申请人认为，权利要求1相对于对比文件1（D1）和对比文件2（D2）的结合具备《专利法》第二十二条第三款规定的创造性。具体理由如下：首先，对比文件1公开的是一种基于中央服务器的集中式交通信号控制系统。其核心技术架构在于：由中央控制服务器收集数据、进行大数据分析预测，并下发控制指令。D1明确指出其依赖于“历史交通流量数据库”和“大数据分析技术”，其计算核心是中央服务器，且控制周期较长（例如每5分钟）。D1并未公开任何关于“边缘计算节点”的内容，也未公开利用“深度强化学习模型”进行实时信号配时调整的技术手段。其次，对比文件2公开的是一种紧急车辆优先通行系统。虽然D2中出现了“边缘计算节点”和“V2X通信”，但其应用场景极其特定，即仅用于处理“紧急车辆”的“优先通行请求”。D2中的边缘计算节点在接收到请求后，仅仅是执行“立即向交通信号机发送优先通行指令，强制切换信号灯相位”这一预设的简单逻辑。D2并未涉及利用边缘节点处理常规社会车辆的交通流数据，更未公开构建“实时交通流矩阵”并输入“深度强化学习模型”进行复杂运算的技术特征。审查员认为本领域技术人员有动机将D1的中央服务器计算功能替换为D2的边缘计算架构。申请人对此不予认同。D1的核心优势在于利用中央服务器的强大算力和全局历史数据进行“预测”，其解决的是周期性拥堵问题；而D2的核心在于利用边缘节点的低延迟特性处理紧急事件。D1并没有给出利用边缘计算节点来替代其核心的“大数据预测”功能的任何技术启示。相反，D1为了实现精准预测，依赖于存储在中央服务器的“历史数据库”，若简单地将计算单元替换为D2中仅具备简单处理能力的边缘节点，将导致D1的预测功能因缺乏历史数据和算力支持而无法实现，这会破坏D1原有的技术效果。因此，D1和D2的结合存在技术障碍。退一步讲，即使假设将D2的边缘节点应用于D1系统，结合后的技术方案与权利要求1仍存在至少以下区别技术特征：1.权利要求1限定了“构建本路口的实时交通流矩阵”，并将其“输入预置的深度强化学习模型”。D1采用的是基于历史数据的“大数据分析技术”，D2采用的是简单的“优先响应逻辑”。两者均未公开“深度强化学习模型”。2.权利要求1限定了“将本路口的实时交通流矩阵及信号灯状态同步发送至相邻路口的边缘计算节点，以供相邻路口进行协同决策”。D1是由中央服务器统一控制，不存在边缘节点之间的协同。D2仅涉及紧急车辆向沿途节点发送请求，并非节点间的双向协同。关于上述区别特征，审查员认为“深度强化学习模型是已知的人工智能算法，将其用于交通控制属于常规算法选择”以及“相邻节点同步数据是分布式控制的常规设计手段”。申请人认为该认定有误。针对区别特征1（深度强化学习模型）：虽然深度强化学习算法本身是已知的数学工具，但在交通信号控制领域，如何构建状态空间（即实时交通流矩阵）、动作空间（信号配时参数调整值）以及奖励函数，以使模型能够收敛并输出最优控制策略，并非显而易见的。D1采用的是基于历史数据的预测模型，这是一种基于规则的或统计学的模型；而本发明采用的是基于实时反馈的深度强化学习模型，这是一种完全不同的控制范式。深度强化学习模型能够处理高维、非线性的实时数据，这是D1的统计模型无法实现的。将深度强化学习模型应用于边缘计算架构下的交通信号协同控制，能够实现毫秒级的自适应响应，这给技术方案带来了意想不到的“实时性”和“自适应性”提升，具备突出的实质性特点。针对区别特征2（相邻节点协同）：在分布式控制系统中，虽然节点间通信是常见的，但具体的协同策略是决定系统性能的关键。权利要求1具体限定了同步的内容是“实时交通流矩阵及信号灯状态”，目的是“供相邻路口进行协同决策”。这种基于实时流矩阵共享的协同机制，使得相邻路口能够感知彼此的拥堵趋势并进行联动调整（如实施例中提到的溢出风险协同），这是D1（集中式）和D2（单点紧急响应）均未实现的技术效果。这种特定的协同设计并非公知常识，其显著提升了区域路网的通行效率，具备显著的进步。综上所述，权利要求1相对于对比文件1和对比文件2的结合具备突出的实质性特点和显著的进步，符合《专利法》第二十二条第三款关于创造性的规定。请求审查员撤销该驳回理由，并继续审查本申请。问题三：撰写策略及理由撰写策略：在撰写独立权利要求（权利要求1）时，不应当将“紧急车辆优先响应机制”写入独立权利要求中，而应当将其作为一个优选的实施例，撰写在从属权利要求中。具体操作如下：1.独立权利要求1仅记载方法的主要流程，包括接收数据、构建矩阵、模型运算、执行控制及常规协同。将“车辆类型”这一特征在独立权利要求中作为一个通用的数据参数保留，但不限定针对特定类型的特殊处理逻辑。2.撰写一项从属权利要求（例如权利要求3），进一步限定“当检测到车辆类型为紧急车辆时，触发优先响应机制，直接生成强制切换信号灯相位的控制指令，并中断所述深度强化学习模型的常规运算流程”。理由：1.保护范围最大化：如果将“紧急车辆优先响应”写入独立权利要求，那么对于不包含紧急车辆检测逻辑，或者仅针对社会车辆进行优化的交通控制系统（例如竞争对手的产品仅用于普通路段），将无法落入权利要求1的保护范围，从而给竞争对手留下规避设计的空间。通过将该从属特征放入从属权利要求，独立权利要求1涵盖了所有基于边缘计算和深度强化学习的信号控制方法，无论其是否处理紧急车辆，保护范围最宽。2.授权前景与稳定性：对比文件2（D2）已经公开了基于边缘计算的紧急车辆优先通行。如果将紧急车辆优先特征写入独立权利要求，审查员很容易引用D2来评述独立权利要求的新颖性或创造性，导致独立权利要求被驳回或保护范围被大幅缩小。将该特征下沉至从属权利要求，可以使独立权利要求与D2的区别更加明显（即独立权利要求强调深度强化学习和常规协同，而非紧急优先），从而更容易利用D1和D2的差异来论证独立权利要求的创造性。3.层次化保护：如果最终独立权利要求因某些非核心特征被无效，从属权利要求可以作为备选的保护方案。将紧急车辆这一特定应用场景作为附加技术特征，形成了一道防线，确保即使核心算法被部分无效，针对紧急车辆场景的改进方案仍能获得保护。问题四：无效宣告请求答复思路1.确定区别技术特征：经对比分析，权利要求1与证据1的区别技术特征在于：“根据所述反馈消息调整本路口的信号灯配时方案”。证据1虽然公开了发送请求和接收反馈，但其仅记载了“发起路口根据确认信息记录协同状态”，并未公开根据反馈消息主动调整“本路口”（即发起