决策算法场景化布局：将“数学方法”转化为“专利资产”的核心密码
——当你的算法专利不再被驳回，“场景绑定”才是突围的关键
“我们开发了一套世界领先的机器人决策算法，投入了数百万研发经费，但提交专利申请后，审查员说这属于‘数学方法’，不属于‘技术方案’。”
这是无数AI算法企业研发负责人和技术专利工程师的共同痛点——深度学习、强化学习、优化算法等高价值创新成果，在专利审查中常被视为“数学方法”或“抽象规则”，从而被驳回或要求大幅缩小保护范围。
如何将“数学方法”转化为可保护的“技术方案”，是算法类专利布局的最大难题。
人形机器人“大脑”的核心竞争力在于决策算法，而决策算法的专利价值取决于能否成功“场景化”——将通用算法与具体应用场景、物理实体、实际技术问题紧密结合。
一、为什么算法专利容易被驳回？
中国《专利法》第25条规定，“智力活动的规则和方法”不授予专利权。审查指南进一步明确：如果权利要求涉及“数学方法”本身，且没有与技术特征相结合，则不属于可授予专利权的客体。
算法专利被驳回的“高危信号”：
- 权利要求中只有数学公式、计算步骤，没有提及任何物理实体或技术手段
- 说明书只描述了算法的数学推导，没有说明解决了什么“技术问题”
- 输入和输出都是抽象的数据，没有与传感器、执行器等物理设备关联
- 没有说明该算法在特定技术场景中产生了什么“技术效果”
当审查员看到一份算法专利申请时，他的第一反应往往是：“这是数学，不是技术。”
而破解这一困境的唯一方法，就是“场景绑定”。
二、什么是“场景化”布局？
“场景化”布局的核心策略是将算法与具体的技术应用场景、物理实体、实际技术问题紧密结合，使审查员能够清晰地识别出“这是一个技术方案，而不仅仅是一个数学方法”。
“场景绑定”的四个核心技巧：
技巧一：在权利要求中明确“技术目的”。
不要把权利要求写成“一种基于深度强化学习的路径规划方法”，而要写成“一种用于人形机器人动态避障的深度强化学习路径规划方法”。“用于人形机器人动态避障”这个技术目的，将算法与具体应用场景绑定，体现了技术性。
技巧二：将算法步骤与物理实体或传感器数据关联。
将算法的输入、输出、中间变量与具体的物理量挂钩。不要只写“接收输入图像”，要写“接收机器人摄像头采集的RGB-D图像”；不要只写“输出动作”，要写“输出机器人关节角度指令”。
技巧三：引入“硬件-软件协同”特征。
在权利要求中加入硬件限定，如“在机器人边缘计算单元上执行”“利用机器人的惯性测量单元（IMU）数据”。这种方法将算法“锚定”在具体硬件上，大大降低了被认定为纯数学方法的概率。
技巧四：在说明书中明确“技术问题”和“技术效果”。
在背景技术部分，明确指出“现有技术存在什么技术缺陷”；在有益效果部分，提供定量或定性的技术效果数据，如“本方法将动态环境下的避障成功率从82%提升至96%”。
三、五大高价值场景方向
决策算法的“场景化”布局，需要选择正确的落地场景。以下是五大高价值布局方向：
方向一：复杂环境下的长时序任务规划。
人形机器人在真实世界中面临的任务往往具有长时序、多步骤、动态变化的特点。专利方向包括基于大语言模型的子任务分解与排序（通过few-shot学习适配特定家庭环境）、动态重规划与异常处理（基于反事实推理的失败原因诊断）、部分计划复用。LLM与机器人结合目前专利数量尚少，且中国企业与全球头部机构处于同一起跑线。
方向二：人机协作中的意图理解与共享决策。
专利方向包括人类意图识别与行为预测（基于Transformer的多模态意图融合、层级化意图表示、不确定性下的意图预测）、人机联合决策的透明化与可解释性（决策理由的自然语言生成、可视化决策路径、交互式澄清）。自指余行模型的意义绑定可引入“人类意图对齐”约束，使机器人优先响应对人类最有价值的意图。
方向三：安全约束下的决策与控制。
人形机器人在人类环境中运行，安全是不可逾越的红线。专利方向包括安全屏障函数（CBF）与强化学习融合（安全动作修正、端到端CBF学习、多约束优先级仲裁）、伦理决策框架与价值对齐（效用论伦理决策量化、人类价值观偏好学习、伦理决策可审计性）。CBF与RL融合目前全球相关专利不足200件，是差异化布局的绝佳窗口。
方向四：太空任务专属决策算法。
太空任务对决策算法提出了独特要求——资源极度受限、通信延迟高、环境极端。专利方向包括资源受限下的长期任务自主调度（基于资源预算的在线任务调度、能源感知任务规划）、地外环境不确定性建模与鲁棒规划、跨通信周期的任务记忆与状态恢复。全球相关专利不足50件，中国企业若能抢先布局，不仅可服务于国家航天战略，还可通过HRPP专利池实现军民融合技术转化。
方向五：自指余行模型的场景化决策。
自指余行模型是专知智库提出的革命性认知架构，其意义绑定机制可直接解决价值对齐问题——机器人决策严格受意义约束限制。专利方向包括基于意义绑定的安全约束决策、太空极端场景下的意义保持（通信中断时机器人坚守人类价值观）、深海/灾区场景中的人机协同决策。
四、实战案例：从被驳回到授权
案例背景： 某机器人算法公司开发了一种基于强化学习的灵巧手抓取方法，首次提交时审查员以“属于智力活动规则”为由驳回。
原权利要求： “一种基于深度强化学习的抓取策略训练方法。”
修改策略： 将权利要求改为“一种用于人形机器人灵巧手抓取未知物体的深度强化学习方法，其特征在于：所述方法利用机器人腕部六维力传感器的反馈信号作为奖励函数的一部分，并在仿真环境中预训练后迁移到真实机器人。”
补充实验数据： 在说明书中补充对比实验——在50种未知物体上，本发明抓取成功率为91%，基线方法（传统几何分析）仅为68%。
结果： 该专利经过两次答辩后获得授权，并通过HRPP专利池许可给三家机器人公司，年许可费超过80万元。
五、自指余行模型的场景化优势
自指余行模型在场景化决策中展现出独特优势：
优点一：意义绑定场景适配。 在不同场景中，只需调整意义约束即可改变决策逻辑，无需重新训练模型。例如，在家庭场景中绑定“安全第一”，在工业场景中绑定“效率优先”。
优点二：低参数边缘部署场景。 在太空、深海等通信受限场景中，自指余行模型无需云端依赖，可在边缘设备独立运行，保持类人水平的决策质量。
优点三：伦理看门狗的场景安全。 无论场景如何变化，伦理看门狗独立监控决策是否偏离绑定意义，确保机器人行为始终在安全边界内。
相关专利方向：
- 一种面向家庭服务场景的基于意义绑定的机器人安全决策方法
- 一种用于太空机器人的自指余行自主决策系统
- 一种基于意义绑定的多场景自适应机器人伦理决策引擎
六、立即行动：决策算法专利布局优先级
第一优先级（立即布局）：
- 安全约束下的决策与控制（CBF+RL融合，专利空白大，市场需求明确）
- 基于LLM的长时序任务分解与规划（技术前沿，竞争尚未饱和）
- 自指余行模型的场景化意义绑定决策（差异化优势明显）
第二优先级（1年内布局）：
- 人机协作意图理解与共享决策（标准化潜力高）
- 太空任务专属决策算法（专利极少，战略价值高）
- 动态重规划与异常处理（实用性强，商业化路径清晰）
第三优先级（2年内布局）：
- 多机器人协同决策（市场尚未成熟，可先做预研保留技术交底书）
- 元认知驱动的主动探索决策（前沿方向，可提前储备）
???? 关于《人形机器人“大脑”专利布局指南》
本白皮书由自指余行论研究中心、专知智库定义者战略咨询指导，成都余行专利代理事务所联合HRPP人形机器人专利池、专知智库OPC研究院共同发布，系统梳理了决策算法场景化专利布局的完整方法论。
获取方式：
- 官网：www.hrpp.org.cn | www.zzzk.org.cn
- 电话：028-84400310
- 微信：a84400310
- 邮箱：1448661055@qq.com
成都余行专利代理事务所（普通合伙）· HRPP人形机器人专利池
2026年7月
