CN107424426A - 一种基于深度学习的物流路径规划方法 - Google Patents

一种基于深度学习的物流路径规划方法 Download PDF

Info

Publication number
CN107424426A
CN107424426A CN201710555838.0A CN201710555838A CN107424426A CN 107424426 A CN107424426 A CN 107424426A CN 201710555838 A CN201710555838 A CN 201710555838A CN 107424426 A CN107424426 A CN 107424426A
Authority
CN
China
Prior art keywords
vehicle
crossing
real
logistics
picture frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710555838.0A
Other languages
English (en)
Other versions
CN107424426B (zh
Inventor
赵学健
赵胜
孙知信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710555838.0A priority Critical patent/CN107424426B/zh
Publication of CN107424426A publication Critical patent/CN107424426A/zh
Application granted granted Critical
Publication of CN107424426B publication Critical patent/CN107424426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于深度学习的物流路径规划方法，快速引入道路路***通实时情况，并能够基于此实时进行车辆最优路径的规划，其中，采用卷积神经网络的方法来实现交通视频中车辆目标的识别，并通过车辆间的bounding‑box的坐标来计算车辆间的拥堵情况，可以实时地获取当前交通中车况信息；如此根据实时获取到的交通信息，并综合车辆达到该路口的时间代价因素，来规划车辆的最优路径，可以为物流车辆规划一条高效的运输路径，提高了路径划化的效率。

Description

一种基于深度学习的物流路径规划方法
技术领域
本发明涉及一种基于深度学习的物流路径规划方法，属于物流路径规划技术领域。
背景技术
随着公共交通运输业和电子商务的快速发展，物流运输业已经成为新的经济增长点，人们在享受物流行业带来的便利的同时，也收到物流配送延迟等问题的困扰。其根本原因是物流车辆在物流运输过程中常常收到交通状况等因素的影响，不能及时获知前方交通状况，从而导致物流配送环节中超时配送问题的出现，因此，如何提前将物流车辆将要经过路段的交通信息同步给物流车辆，并给物流车辆推荐最佳路径方案成为当前研究的热点之一。
Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。但是Dijkstra算法的计算复杂度较高，执行效率低，在实际应用中无法很好得到很好的应用。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的物流路径规划方法，快速引入道路路***通实时情况，并能够基于此实时进行车辆最优路径的规划，提高路径划化效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于深度学习的物流路径规划方法，用于针对物流车辆由起点至终点的路线进行实时规划，包括如下步骤：
步骤A. 物流车辆由起点准备出发，将起点作为物流车辆的当前位置，并进入步骤B；
步骤B. 获得当前位置至终点的各条导航规划路线，并进入步骤C；
步骤C. 计算获得物流车辆由当前位置分别沿各条导航规划路线行驶至第一个路口的时长，并进入步骤D；
步骤D. 分别获得各条导航规划路线中第一个路口的拥堵系数，并进入步骤E；
步骤E. 分别计算当前位置分别沿各条导航规划路线行驶至第一个路口的时长，与对应第一个路口的拥堵系数之和，作为各条导航规划路线的代价，并进入步骤F；
步骤F. 选择最小代价所对应的导航规划路线作为当前行驶路线，通知物流车辆沿当前行驶路线进行行驶，同时实时获得物流车辆的定位信息，当物流车辆行驶通过当前行驶路线中第一个路口时，进入步骤G；
步骤G. 以物流车辆的定位信息更新物流车辆的当前位置，判断当前位置是否为终点，是则物流路线规划结束；否则返回步骤B。
作为本发明的一种优选技术方案：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过深度学习方法针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。
作为本发明的一种优选技术方案：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过卷积神经网络针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。
作为本发明的一种优选技术方案：所述步骤D中，分别针对各条导航规划路线，按如下步骤，分别获得各条导航规划路线中第一个路口的拥堵系数；
步骤D1. 提取导航规划路线中第一个路口的实时交通图像帧，并进入步骤D2；
步骤D2. 采用经过预设车辆训练集训练过的卷积神经网络，针对实时交通图像帧进行识别，获得实时交通图像帧中各个车辆图像区，并分别针对各个车辆图像区设定bounding-box框，然后进入步骤D3；
步骤D3. 针对实时交通图像帧中的各个车辆，分别定义车辆所对应的拥堵系数，然后分别针对实时交通图像帧中的各个车辆，若车辆所对应bounding-box框未与其前方或后方中任意车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为0；若车辆所对应bounding-box框与其前方或后方中任意一个车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为1；若车辆所对应bounding-box框与其前方、后方车辆所对应bounding-box框均相交，则设定该车辆的拥堵系数为2，进而分别获得各个车辆所对应拥堵系数值，然后进入步骤D4；
步骤D4. 根据实时交通图像帧中各个车辆所对应拥堵系数值，以及车辆数，获得所有车辆所对应的平均拥堵系数值，作为该实时交通图像帧的拥堵系数，即该第一路口的拥堵系数。
本发明所述一种基于深度学习的物流路径规划方法采用以上技术方案与现有技术相比，具有以下技术效果：本发明设计的一种基于深度学习的物流路径规划方法，快速引入道路路***通实时情况，并能够基于此实时进行车辆最优路径的规划，其中，采用卷积神经网络的方法来实现交通视频中车辆目标的识别，并通过车辆间的bounding-box的坐标来计算车辆间的拥堵情况，可以实时地获取当前交通中车况信息；如此根据实时获取到的交通信息，并综合车辆达到该路口的时间代价因素，来规划车辆的最优路径，可以为物流车辆规划一条高效的运输路径，提高了路径划化的效率。
附图说明
图1是本发明所设计一种基于深度学习的物流路径规划方法的应用架构示意图；
图2是本发明所设计物流路径规划方法中步骤D的示意图；
图3是本发明设计卷积神经网络中bounding-box框示意图；
图4是本发明应用实施例中bounding-box应用示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本专利是在传统的Dijkstra算法思想基础上，使用卷积神经网络的方法来提取物流车辆将要经过的路口的交通信息，计算出车辆通过各个路口预计花费的时间代价，并从中挑选出最短时间消耗的方案推荐给物流车辆，以此来解决物流***中物流配送超时的问题。
如图1所示，本发明设计了一种基于深度学习的物流路径规划方法，用于针对物流车辆由起点至终点的路线进行实时规划，包括如下步骤：
步骤A. 物流车辆由起点准备出发，将起点作为物流车辆的当前位置，并进入步骤B。
步骤B. 获得当前位置至终点的各条导航规划路线，并进入步骤C。
步骤C. 计算获得物流车辆由当前位置分别沿各条导航规划路线行驶至第一个路口的时长，并进入步骤D。
卷积神经网络（Convolutional Neural Network ,CNN）是人工神经网络中的一种，它由多层的神经网络构成，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。因此，采用基于卷积神经网络的方法可以快速识别每个路口的车辆目标的相关信息，然后可以进一步地提取该路口实时交通情况的信息，从而可以有效地进行车辆的最优路径规划。
步骤D. 分别针对各条导航规划路线，如图2所示，按如下步骤D1至步骤D4，通过深度学习方法中的卷积神经网络针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数，并进入步骤E。
步骤D1. 提取导航规划路线中第一个路口的实时交通图像帧，并进入步骤D2。
步骤D2. 采用经过预设车辆训练集训练过的卷积神经网络，针对实时交通图像帧进行识别，获得实时交通图像帧中各个车辆图像区，并分别针对各个车辆图像区设定bounding-box框，然后进入步骤D3。
步骤D3. 针对实时交通图像帧中的各个车辆，分别定义车辆所对应的拥堵系数，然后分别针对实时交通图像帧中的各个车辆，若车辆所对应bounding-box框未与其前方或后方中任意车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为0；若车辆所对应bounding-box框与其前方或后方中任意一个车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为1；若车辆所对应bounding-box框与其前方、后方车辆所对应bounding-box框均相交，则设定该车辆的拥堵系数为2，进而分别获得各个车辆所对应拥堵系数值，然后进入步骤D4。
实际应用中，如图3和图4所示，若车辆所对应bounding-box框未与其前方或后方中任意车辆所对应bounding-box框相交，该车辆的拥堵系数为0，即表示该车辆未与其它车辆近距离行驶，此时道路行驶畅通；若车辆所对应bounding-box框与其前方或后方中任意一个车辆所对应bounding-box框相交，该车辆的拥堵系数为1，即表示该车辆与前方车辆近距离行驶，或者该车辆的后方车辆与该车辆近距离行驶，此时道路较为拥挤；若车辆所对应bounding-box框与其前方、后方车辆所对应bounding-box框均相交，该车辆的拥堵系数为2，即表示该车辆与其前方、后方车辆均近距离行驶，此时道路严重拥挤。
步骤D4. 根据实时交通图像帧中各个车辆所对应拥堵系数值，以及车辆数，获得所有车辆所对应的平均拥堵系数值，作为该实时交通图像帧的拥堵系数，即该第一路口的拥堵系数。
步骤E. 分别计算当前位置分别沿各条导航规划路线行驶至第一个路口的时长，与对应第一个路口的拥堵系数之和，作为各条导航规划路线的代价，并进入步骤F。
步骤F. 选择最小代价所对应的导航规划路线作为当前行驶路线，通知物流车辆沿当前行驶路线进行行驶，同时实时获得物流车辆的定位信息，当物流车辆行驶通过当前行驶路线中第一个路口时，进入步骤G。
步骤G. 以物流车辆的定位信息更新物流车辆的当前位置，判断当前位置是否为终点，是则物流路线规划结束；否则返回步骤B。
上述技术方案所设计基于深度学习的物流路径规划方法，快速引入道路路***通实时情况，并能够基于此实时进行车辆最优路径的规划，其中，采用卷积神经网络的方法来实现交通视频中车辆目标的识别，并通过车辆间的bounding-box的坐标来计算车辆间的拥堵情况，可以实时地获取当前交通中车况信息；如此根据实时获取到的交通信息，并综合车辆达到该路口的时间代价因素，来规划车辆的最优路径，可以为物流车辆规划一条高效的运输路径，提高了路径划化的效率。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于深度学习的物流路径规划方法，用于针对物流车辆由起点至终点的路线进行实时规划，其特征在于，包括如下步骤：
步骤A. 物流车辆由起点准备出发，将起点作为物流车辆的当前位置，并进入步骤B；
步骤B. 获得当前位置至终点的各条导航规划路线，并进入步骤C；
步骤C. 计算获得物流车辆由当前位置分别沿各条导航规划路线行驶至第一个路口的时长，并进入步骤D；
步骤D. 分别获得各条导航规划路线中第一个路口的拥堵系数，并进入步骤E；
步骤E. 分别计算当前位置分别沿各条导航规划路线行驶至第一个路口的时长，与对应第一个路口的拥堵系数之和，作为各条导航规划路线的代价，并进入步骤F；
步骤F. 选择最小代价所对应的导航规划路线作为当前行驶路线，通知物流车辆沿当前行驶路线进行行驶，同时实时获得物流车辆的定位信息，当物流车辆行驶通过当前行驶路线中第一个路口时，进入步骤G；
步骤G. 以物流车辆的定位信息更新物流车辆的当前位置，判断当前位置是否为终点，是则物流路线规划结束；否则返回步骤B。
2.根据权利要求1所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过深度学习方法针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。
3.根据权利要求2所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别提取各条导航规划路线中第一个路口实时交通图像帧，通过卷积神经网络针对交通图像帧中车辆进行识别，从而分别获得各条导航规划路线中第一个路口的拥堵系数。
4.根据权利要求3所述一种基于深度学习的物流路径规划方法，其特征在于：所述步骤D中，分别针对各条导航规划路线，按如下步骤，分别获得各条导航规划路线中第一个路口的拥堵系数；
步骤D1. 提取导航规划路线中第一个路口的实时交通图像帧，并进入步骤D2；
步骤D2. 采用经过预设车辆训练集训练过的卷积神经网络，针对实时交通图像帧进行识别，获得实时交通图像帧中各个车辆图像区，并分别针对各个车辆图像区设定bounding-box框，然后进入步骤D3；
步骤D3. 针对实时交通图像帧中的各个车辆，分别定义车辆所对应的拥堵系数，然后分别针对实时交通图像帧中的各个车辆，若车辆所对应bounding-box框未与其前方或后方中任意车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为0；若车辆所对应bounding-box框与其前方或后方中任意一个车辆所对应bounding-box框相交，则设定该车辆的拥堵系数为1；若车辆所对应bounding-box框与其前方、后方车辆所对应bounding-box框均相交，则设定该车辆的拥堵系数为2，进而分别获得各个车辆所对应拥堵系数值，然后进入步骤D4；
步骤D4. 根据实时交通图像帧中各个车辆所对应拥堵系数值，以及车辆数，获得所有车辆所对应的平均拥堵系数值，作为该实时交通图像帧的拥堵系数，即该第一路口的拥堵系数。
CN201710555838.0A 2017-07-10 2017-07-10 一种基于深度学习的物流路径规划方法 Active CN107424426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710555838.0A CN107424426B (zh) 2017-07-10 2017-07-10 一种基于深度学习的物流路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710555838.0A CN107424426B (zh) 2017-07-10 2017-07-10 一种基于深度学习的物流路径规划方法

Publications (2)

Publication Number Publication Date
CN107424426A true CN107424426A (zh) 2017-12-01
CN107424426B CN107424426B (zh) 2020-07-07

Family

ID=60427793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710555838.0A Active CN107424426B (zh) 2017-07-10 2017-07-10 一种基于深度学习的物流路径规划方法

Country Status (1)

Country Link
CN (1) CN107424426B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806243A (zh) * 2018-04-24 2018-11-13 东南大学 一种基于Zynq-7000的交通流量信息采集终端
CN109341710A (zh) * 2018-08-30 2019-02-15 上海大学 不确定环境的交通网上快速抵达目的地的动态规划法
CN111768629A (zh) * 2019-11-04 2020-10-13 北京京东乾石科技有限公司 车辆调度方法、装置和***
CN112735129A (zh) * 2020-12-25 2021-04-30 北京中交兴路信息科技有限公司 货车停车调度的方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08261781A (ja) * 1995-03-24 1996-10-11 Alpine Electron Inc 車載用ナビゲーション装置
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置
CN106096756A (zh) * 2016-05-31 2016-11-09 武汉大学 一种城市交通路网动态实时多路口路径选择方法
CN106447071A (zh) * 2016-07-25 2017-02-22 浙江大学 一种应用于视频监控场景的路径预测方法
CN106548645A (zh) * 2016-11-03 2017-03-29 济南博图信息技术有限公司 基于深度学习的车辆路径寻优方法及***
CN106643764A (zh) * 2016-12-02 2017-05-10 南宁学院 一种物流路径生成方法
CN106920417A (zh) * 2015-12-24 2017-07-04 北京奇虎科技有限公司 一种车辆路径规划***及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08261781A (ja) * 1995-03-24 1996-10-11 Alpine Electron Inc 車載用ナビゲーション装置
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置
CN106920417A (zh) * 2015-12-24 2017-07-04 北京奇虎科技有限公司 一种车辆路径规划***及方法
CN106096756A (zh) * 2016-05-31 2016-11-09 武汉大学 一种城市交通路网动态实时多路口路径选择方法
CN106447071A (zh) * 2016-07-25 2017-02-22 浙江大学 一种应用于视频监控场景的路径预测方法
CN106548645A (zh) * 2016-11-03 2017-03-29 济南博图信息技术有限公司 基于深度学习的车辆路径寻优方法及***
CN106643764A (zh) * 2016-12-02 2017-05-10 南宁学院 一种物流路径生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张湘博等: "基于深度学习的物流配送路径优化算法的研究", 《现代计算机(专业版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806243A (zh) * 2018-04-24 2018-11-13 东南大学 一种基于Zynq-7000的交通流量信息采集终端
CN109341710A (zh) * 2018-08-30 2019-02-15 上海大学 不确定环境的交通网上快速抵达目的地的动态规划法
CN111768629A (zh) * 2019-11-04 2020-10-13 北京京东乾石科技有限公司 车辆调度方法、装置和***
CN111768629B (zh) * 2019-11-04 2022-04-12 北京京东乾石科技有限公司 车辆调度方法、装置和***
CN112735129A (zh) * 2020-12-25 2021-04-30 北京中交兴路信息科技有限公司 货车停车调度的方法及装置

Also Published As

Publication number Publication date
CN107424426B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN107424426A (zh) 一种基于深度学习的物流路径规划方法
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
CN104658297B (zh) 一种基于Sarsa学习的中心式动态路径诱导方法
CN108335497B (zh) 一种交通信号自适应控制***及方法
CN110443173B (zh) 一种基于帧间关系的视频实例分割方法及***
CN108873905A (zh) 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质
CN106910351A (zh) 一种基于深度强化学习的交通信号自适应控制方法
CN107240252B (zh) 一种交叉口的主动式车辆调度方法
CN103092949B (zh) 一种在浮动车轨迹融合中复合路口的识别与构建方法
CN107577981A (zh) 一种道路交通标识识别方法及装置
CN108831168A (zh) 一种基于关联路口视觉识别的交通信号灯控制方法与***
CN104867329A (zh) 一种车联网车辆状态预测方法
CN109959388A (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN107507430A (zh) 一种城市路***通控制方法及***
CN110334838A (zh) 基于蚁群算法和遗传算法的agv小车协同调度方法及***
CN107134137A (zh) 一种考虑实时信息的动态路径选择方法
CN107563543A (zh) 一种基于群体智能的城市交通优化服务方法与***
CN107246878A (zh) 一种导航路径的确定方法、装置及汽车
CN110490978A (zh) 基于混合现实技术的实景骑行训练方法
CN108510739A (zh) 一种道路交通状态识别方法、***及存储介质
CN104477217B (zh) 具有单一尽头车场城轨线路的列车运行周转方法
CN110363986A (zh) 一种基于车车博弈与行车势场力的集中式合流区车辆速度优化方法
CN105023231B (zh) 基于视频识别和手机gps的公交数据获取方法
CN107677287A (zh) 基于卷积神经网络的自动导航小车***及小车循线方法
Lam et al. Autonomous vehicle public transportation system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant