示教数据想申专利，交底书里最容易被漏掉的四样东西
作者：成都余行专利代理事务所 算法专利团队
示教数据是具身智能领域最特殊的资产。它不像结构专利那样有清晰的图纸，也不像纯算法专利那样有一套可以逐行描述的公式。它的核心价值藏在“怎么采、怎么标、怎么训、怎么用”这条链里，而这条链上的大多数环节，研发人员默认它是“内部 know-how”，不会主动写进交底书。
等到申请提交、审查员发出公开不充分的通知，才发现缺的恰恰是这些“默认不用写”的东西。这篇文章把示教数据类交底书最容易被漏掉的四样东西逐一拆开，每一件都给出“为什么审查员需要它”和“交底书里应该怎么写”。
第一样：输入数据的来源与采集条件
漏掉的典型表现： 交底书里写“采集人类示教数据，训练机器人执行抓取任务”。至于谁采集、用什么设备采集、在什么工况下采集、采样频率多少、数据维度是什么，一概没有。
为什么审查员需要它： 示教数据的专利，技术方案的起点就是数据本身。如果数据来源和采集条件不清楚，审查员无法判断两件事：第一，这个数据是不是“技术数据”而非任意数据；第二，权利要求中“基于示教数据训练”这一步骤，是否有可复现的实现基础。公开不充分的质疑，往往从这里开始。
交底书里应该怎么写：
- 采集设备：动捕系统、遥操作主手、VR手柄、视觉相机、力觉传感器，具体到型号或类型；
- 采集对象：人类操作者的动作空间、关节映射方式、是否有触觉反馈；
- 采集工况：任务类型（抓取、装配、拧螺丝）、物体属性（刚性/柔性、重量范围）、环境条件（光照、桌面摩擦）；
- 数据规格：采样频率、数据维度（关节角度、末端位姿、力/力矩、视觉帧）、单次示教时长、有效样本数量级；
- 预处理：滤波方式、时间对齐方法、异常帧剔除规则。
这些内容不需要全部写进权利要求，但说明书里必须有。它们构成“本领域技术人员能够实现”的基础。缺了采集条件，审查员会问：你說的示教数据到底是什么数据？怎么得到的？换一个人能不能复现？
第二样：标注规则与数据筛选标准
漏掉的典型表现： 交底书写“对示教数据进行标注，得到训练样本”，标注什么、谁标、按什么标准标、标错了怎么处理，全部省略。
为什么审查员需要它： 示教数据的标注规则直接决定了模型学到什么。如果标注规则不清楚，权利要求中“标注后的训练样本”就是一个黑箱。更关键的是，标注规则往往是创新点所在——比如“按接触力峰值时刻对齐”“按抓取成功/失败二分类标注”“按轨迹平滑度筛选有效示教”，这些规则本身可能构成区别技术特征。不写，等于把创新点藏了起来。
交底书里应该怎么写：
- 标注对象：是标注动作类别、抓取点位、力控阶段，还是成功/失败标签；
- 标注粒度：帧级、片段级还是整条轨迹级；
- 标注规则：判定标准是什么，边界情况怎么处理（比如“接近成功但滑脱”算不算成功）；
- 标注一致性：几个人标、一致性怎么校验、分歧怎么裁决；
- 数据筛选：哪些示教被丢弃、丢弃标准是什么（抖动过大、超时、碰撞）。
这里有一个实务判断：如果标注规则写不清楚，审查员不仅质疑公开充分，还可能质疑权利要求得不到说明书支持。 因为权利要求里写了“基于标注样本训练”，说明书却没说怎么标，保护范围就落空了。
第三样：模型结构与训练条件
漏掉的典型表现： 交底书只写“采用神经网络对示教数据进行模仿学习”，网络结构、损失函数、训练超参数、训练/验证集划分一律不写。
为什么审查员需要它： 示教数据类申请经常落入“算法特征+数据特征”的组合。审查员判断创造性时，需要知道模型结构是否与数据特性相匹配。比如，时序示教数据用Transformer还是LSTM，损失函数用行为克隆损失还是逆强化学习目标，这些选择直接影响技术效果。如果交底书只写“神经网络”，审查员无法评估技术贡献在哪里。
交底书里应该怎么写：
- 模型类型与结构：输入输出维度、层数/模块组成、是否有注意力机制或时序建模模块；
- 损失函数：行为克隆、对比学习、逆强化学习奖励回归，具体形式；
- 训练条件：学习率、批大小、训练轮次、优化器、是否冻结部分层；
- 数据划分：训练/验证/测试集如何划分，是否按任务或按操作者划分；
- 训练与推理的差异：推理时是否使用在线观测、是否有人工干预回退机制。
不需要把代码级的细节全部搬进去，但足以让本领域技术人员选择相同类型的模型并复现训练过程，是公开充分的基本线。如果模型结构本身不是创新点，可以写得概括一些；如果模型与数据的配合方式是创新点，就必须写清楚。
第四样：模型输出与执行机构之间的映射关系
漏掉的典型表现： 交底书写“模型输出动作指令，控制机器人完成抓取”，至于动作指令是什么形式、怎么映射到关节、有没有安全约束和回退策略，没有交代。
为什么审查员需要它： 这是示教数据类申请最容易断裂的一环。前面数据、标注、训练都写了，最后一步“输出到机器人”却只有一句话。审查员会问：模型输出的是末端位姿还是关节力矩？怎么从模型输出得到驱动器指令？有没有限幅、平滑、碰撞检测？如果这些没有，技术方案就没有闭环，容易被认定为“算法到执行器之间缺少技术实现手段”。
交底书里应该怎么写：
- 输出形式：末端位姿增量、关节目标角度、关节力矩、抓取力设定值；
- 映射方式：逆运动学求解、阻抗控制参数映射、直接力矩映射；
- 执行约束：力矩上限、速度限幅、加速度平滑、工作空间边界；
- 安全与回退：置信度低于阈值时是否切换规则控制、是否请求人工接管、碰撞检测后的停止策略；
- 执行反馈：是否将执行结果回传用于在线调整或数据回流。
这一部分写清楚，示教数据类申请才具备“算法—数据—执行”的完整因果链，客体论证和技术效果论证才有落脚点。
一个对照：漏掉四样东西的交底书 vs. 补全后的交底书
补全前：
采集人类示教数据，标注后训练神经网络，模型输出动作指令控制机器人完成装配任务，提高装配成功率。
补全后（示例性节选）：
通过遥操作主手采集人类操作者执行轴孔装配的示教轨迹，采样频率100Hz，记录末端六维力/力矩、关节角度和视觉帧；按接触力首次超过5N的时刻对齐各次示教，按“孔轴对准—接触—插入—到位”四阶段进行片段级标注，由两名操作者独立标注、分歧由第三人裁决；采用时序卷积网络作为策略模型，输入为最近10帧的力/力矩与末端位姿，输出为末端位姿增量，损失函数为行为克隆损失加接触力预测辅助损失；训练集与验证集按操作者划分以避免数据泄漏；推理时将位姿增量经逆运动学转换为关节目标角度，经力矩限幅和平滑滤波后输出至关节驱动器，当策略置信度低于0.6时切换至阻抗控制回退策略。
补全后的文本并没有增加新的发明点，只是把原本留在研发人员脑子里的四样东西写进了说明书。它带来的是：公开充分的基础有了，权利要求的支撑有了，答复审查意见时手里有材料了。
动笔前的自检清单
写示教数据类交底书之前，用八个问题过一遍：
- 数据是谁采的、用什么设备、在什么工况下采的？
- 采样频率、数据维度、样本数量级写了吗？
- 标注对象、标注粒度、标注规则、一致性校验写了吗？
- 哪些数据被丢弃、丢弃标准是什么？
- 模型结构、损失函数、训练超参数写了吗？
- 训练/验证/测试集怎么划分的？
- 模型输出是什么形式、怎么映射到执行器？
- 有没有限幅、平滑、回退和安全策略？
八个问题里如果有三个以上答不上来，这份交底书大概率会在公开充分或支持性上收到审查意见。建议在提交前先补一轮。
回到开头
示教数据类专利的难点不在于算法有多新，而在于创新散落在数据链的各个环节，交底书却常常只写了“采集—训练—执行”三个词。四样东西——采集条件、标注规则、训练条件、执行映射——本质上是在回答同一个问题：这条数据链从人类动作到机器人动作，每一步是不是可复现、可验证、可支撑权利要求的。
把这四样写进交底书，不是为了迎合审查，而是为了让专利文件真正承载你在数据链上积累的技术资产。
延伸工具：《示教数据专利交底书自检表》——按采集、标注、训练、执行映射四个维度逐项自查，附补全前后对照示例。可在网站工具页获取。
本文展示交底书撰写方法与公开充分性的实务思路，不构成对授权结果的承诺。具体案件需结合完整说明书、权利要求和审查意见判断。
