“本体很漂亮，专利很单薄”：人形机器人企业最高频的四个布局盲区

作者：成都余行专利代理事务所 算法专利团队

上一篇文章讲的是五层布局框架——本体结构、关节模组、灵巧手末端、感知控制算法、场景作业方法。框架搭起来之后，最常见的问题变成了：每一层到底容易漏什么？

这篇文章把五层框架落到地面，集中讲四个高频盲区。它们不是理论上的可能性，而是我们在实际企业盘点中反复见到的结构性问题。四个盲区有一个共同特征：技术研发本身做得不差，但确权动作没跟上，或者写出来的专利没有覆盖真正值钱的部分。

盲区一：只保护了外形与自由度，构型的“参数空间”留在了外面

典型表现： 企业花大价钱打磨构型，申请了外观设计，也申请了“一种人形机器人”的发明专利，但权利要求里写的是“头部、躯干、双臂、双腿，所述双臂通过肩关节与躯干连接”——结构描述完整，参数一个没有。

为什么是盲区： 构型创新的排他价值，往往不在“有没有这个结构”，而在关节行程范围、连杆长度比、重心位置、折叠态与展开态的尺寸关系。这些东西不写进权利要求，竞争对手把关节角度改几度、连杆缩短几厘米，就可能绕开。更麻烦的是，构型参数恰恰是研发过程中反复试出来的东西，交底书里通常只有最终方案的工程图，没有参数范围的论证过程。

补法： 在发明专利的从属权利要求中补参数范围，在说明书里给出参数选择的依据和效果。如果已经提交，用系列申请或分案覆盖构型变体。外观设计和实用新型可以继续做，但发明专利的权利要求里必须出现参数限定，否则构型保护只有“形”没有“界”。

盲区二：算法写成了数学方法，客体关成了第一道坎

典型表现： 感知融合、步态规划、力控算法都有研发，也提交了发明专利，但权利要求读起来是“建立模型→构造约束→求解→输出控制量”，传感器和执行器只在说明书里提了一句，权利要求里没有物理约束。

为什么是盲区： 这类申请在审查中大概率收到“智力活动规则”或“数学方法”的客体质疑。更隐蔽的代价是：即使答复后授权，权利要求里的技术特征仍然偏薄，创造性论证时缺少与现有技术的实质区分，维权时也容易因为“硬件不同”被绕开。企业通常以为自己“有算法专利”，但真正能用的、能主张的，可能只有一部分。

补法： 对存量算法申请做一次客体风险筛查，重点看三件事：权利要求里有没有物理约束、有没有传感器—执行器的因果链、效果数据是不是物理指标。对增量申请，在交底书阶段就要求研发提供“算法—硬件绑定图”，把物理约束写进权利要求，而不是留到答复阶段补救。这一条在第一篇和第二篇里已经展开，这里只做盲区标记。

盲区三：示教数据、仿真数据、真机数据留在了服务器里，没有变成专利

典型表现： 企业积累了大量遥操作示教数据、仿真环境中的失败样本、真机运行日志，研发用它训练模型、调参数，效果不错。但问“这些数据有没有对应的专利申请”，回答通常是“数据怎么申专利”或者“这是内部数据不方便公开”。

为什么是盲区： 数据本身不能直接申专利，但数据驱动的算法成果可以通过方法专利获得排他权。更关键的是，示教数据的采集条件、标注规则、训练与执行的映射关系，往往是企业真正的差异化所在——同样的模型结构，别人拿不到你的示教数据，也复现不了你的标注规则。这些东西如果不确权，等于把技术壁垒留在了服务器里，竞争对手用公开数据集加类似模型就可能追上来。

补法： 把数据链拆成四段——采集条件、标注规则、训练条件、执行映射——每一段问一句“这一段有没有可能构成区别技术特征”。有，就写成方法专利；没有，至少在说明书里写清楚，作为后续申请的公开基础。第四篇给了完整的交底书自检清单，这里不重复。

盲区四：场景作业方法被当成“客户的事”或“know-how不便公开”

典型表现： 机器人在焊接、装配、巡检、物流场景中跑得不错，现场工艺参数调得很细，但专利清单里找不到一件“场景作业方法”的申请。问原因，两种回答最常见：“场景是客户定的，我们只提供本体”或者“工艺参数是核心竞争力，申请专利等于公开”。

为什么是盲区： 场景作业方法恰恰是五层中最被低估的一层。同一台硬件，在不同场景中的作业方法可以形成独立的排他空间，而且这类专利更贴近客户的实际使用方式，许可和维权时更容易比对。至于“公开等于泄密”的担心，需要区分：核心工艺参数可以保留在说明书里作为实施例，权利要求主张的是“在什么条件下按什么规则调整”的方法结构，不是把调参配方全部交出去。不申请的风险更大——竞争对手在同样场景中摸索出类似方法并申请专利，反过来可能限制你的客户使用。

补法： 从已交付项目中挑出三个典型场景，每个场景梳理“感知—判断—执行”的作业流程，把工艺参数写成范围而不是点值，把人工经验写成可执行的判断规则。一件场景作业方法专利的价值，可能高于十件结构实用新型，因为它直接对应客户的使用方式和许可谈判中的筹码。

四个盲区的共同根源：确权动作没有跟上研发节奏

四个盲区看起来分散，根源是同一个：研发在往前跑，确权动作是按“有空再整理”的节奏做的。 构型参数在工程图里，没进权利要求；算法在代码里，交底书写成了数学描述；数据在服务器里，没人想到它可以是方法专利的素材；场景工艺在交付文档里，被当成了售后资料。

结果是：技术积累不薄，专利清单不短，但拆开看，真正覆盖核心竞争力的申请占比不高。这就是“本体很漂亮，专利很单薄”的结构性原因——不是没有申请，是申请没有落在值钱的位置上。

一份盲区自检：四个问题，每个问题三个追问

在下一批申请规划之前，用四个问题过一遍，每个问题往下追三层：

问题一：构型专利有没有参数边界？

• 追问1：发明专利权利要求里有没有关节行程、连杆比、重心位置的数值范围？
  
• 追问2：有没有覆盖折叠态/展开态、不同负载版本的变体？
  
• 追问3：参数范围有没有对应的效果数据支撑？
  

问题二：算法专利能不能过客体关？

• 追问1：权利要求删掉“机器人”三个字后，方案是否仍然完整成立？
  
• 追问2：有没有物理约束写进权利要求，而不只是说明书？
  
• 追问3：效果数据是物理指标还是算法指标？
  

问题三：数据资产有没有转化为方法专利？

• 追问1：示教数据的采集条件和标注规则，有没有写进任何一件申请的说明书？
  
• 追问2：训练条件与执行映射，有没有构成区别技术特征的可能？
  
• 追问3：如果明天有竞争对手用公开数据训练类似模型，你的专利能不能挡住？
  

问题四：场景作业方法有没有独立申请？

• 追问1：已交付的三个典型场景，各自有没有方法专利申请？
  
• 追问2：工艺参数写成了范围还是点值？
  
• 追问3：权利要求主张的是方法结构，还是把核心配方全部公开了？
  

十二个追问里如果有六个以上答不上来，说明四个盲区里至少有两个是真实存在的。

补盲区的优先级：先补“最空且最值钱”的

如果四个盲区同时存在，不建议平均用力。优先级建议是：场景作业方法 → 数据链方法专利 → 算法客体整改 → 构型参数补充。

场景层优先，因为竞争密度最低、撰写门槛不高、与客户使用方式最贴近。数据链其次，因为它是算法差异化的真正来源，而且很多素材已经在手边。算法客体整改是存量工作，按风险高低排序处理。构型参数补充工作量最小，可以在系列申请中顺带完成。

这个顺序不是绝对的，取决于企业的技术路线和商业节奏。但有一个原则是通用的：先补那些“竞争对手最容易绕开、而你手里已经有素材”的位置。 盲区的代价不是数量少，是关键位置上没有筹码。

回到标题

“本体很漂亮，专利很单薄”不是一句调侃，而是行业里大量企业的真实结构。漂亮的本体背后，构型参数没进权利要求，算法写成了数学方法，数据留在服务器里，场景工艺当成了售后资料。四个盲区合起来，就是五层布局里最值钱的三层——大脑层、场景层、数据链——的确权缺口。

补盲区不需要推倒重来，需要的是在下一批申请规划里，把确权动作往前挪一步：交底书阶段多问一句“物理约束在哪”，申请阶段多写一段“参数范围”，盘点阶段多看一眼“场景方法有没有独立申请”。挪一步，结构就会不一样。

延伸工具：《人形机器人专利布局盲区自检表》——按构型参数、算法客体、数据链确权、场景作业方法四个维度逐项追问，附十二个追问的判定标准和补法建议。可在网站工具页获取。

本文展示专利布局结构分析方法，不构成对授权结果或商业决策的承诺。具体布局策略需结合企业技术路线、产品规划和竞争态势判断。