CN110738223A - 一种激光雷达的点云数据聚类方法及装置 - Google Patents
一种激光雷达的点云数据聚类方法及装置 Download PDFInfo
- Publication number
- CN110738223A CN110738223A CN201810793107.4A CN201810793107A CN110738223A CN 110738223 A CN110738223 A CN 110738223A CN 201810793107 A CN201810793107 A CN 201810793107A CN 110738223 A CN110738223 A CN 110738223A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grids
- window
- clustering
- grid
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及数据处理技术领域,特别是一种激光雷达的点云数据聚类方法及装置。通过获取原始的点云,并将该点云映射至设定的坐标系中;对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;针对窗口内存在含有点云的栅格,通过判断窗口内的每个栅格被标记的情况给予栅格赋标签值,对含有相同标签值相同的集合进行合并,实现了点云数据的快速聚类,解决了现有聚类方法直接对所有数据进行处理导致的处理速度较慢造成实时性较差的问题。
Description
技术领域
本发明涉及数据处理技术领域,特别是一种激光雷达的点云数据聚类方法及装置。
背景技术
激光雷达具有测距精确,能够以距离、方位等信息准确呈现物体轮廓等优点,被广泛应用在自动驾驶领域,其中激光线束、水平分辨率、垂直分辨率等物理参数,直接影响了其所输出点云的密度和物体轮廓的完整程度,多线束、高分辨率的激光雷达输出的点云密度大,对于物体轮廓的检测完整度高,有利于后续对于物体的识别及跟踪,但是其输出的点云数量巨大,对于后续数据处理的软硬件能力要求高。
利用激光雷达对目标物进行识别及跟踪,往往需要首先对点云进行聚类,对不同目标物区分处理,因此在对大量点云进行聚类处理时,既要达到预期效果,又要满足实时性要求,常用的聚类方法,例如划分聚类、层次聚类、密度聚类、模型聚类等,不同的聚类方法适用场景不同,针对激光雷达点云,既要满足对大量数据聚类后的准确性,又要满足实时性要求,对后续的数据处理具有关键作用和重大意义。
有中国专利公布号为CN104298998A的专利文献公开了一种3D点云的数据处理方法,其中的3D点云中的地面滤波方法通过构建3D栅格地图和拟合地平面曲线完成,数据结构简单,得到的地平面曲线精确可靠,滤波效果和实时性非常好;提出的分割方法采用柱坐标栅格地图中的搜索窗口聚类方法,大大缩减了聚类过程的计算量,实时性好,聚类结果精确;提出的训练样本标记方法将点云分割结合适当的显示和存储方法而形成,易于实现,可以在每帧点云数据中标记多个类别的样本,大大提高了样本的标记效率。但是其中通过搜索窗口对窗口内的每一个点云根据距离阈值进行标记并聚类,得到聚类后的点云块,这种对所有点云点进行处理的方式虽然能够得到较为准确的结果,但是同时处理所有点云点会导致处理速度较慢,进而导致数据处理的实时性较差,影响车辆行驶安全。
发明内容
本发明的目的是提供一种激光雷达的点云数据聚类方法及装置,用以解决现有聚类方法直接对所有数据进行处理导致的处理速度较慢造成实时性较差的问题。
为了实现点云数据的快速聚类,使其更好的适用于自动驾驶车辆等实时性要求较高的领域,解决现有聚类方法直接对所有数据进行处理导致的处理速度较慢造成实时性较差的问题,本发明提供一种激光雷达的点云数据聚类方法,包括以下步骤:
1)获取原始的点云,并将该点云映射至设定的坐标系中;
2)对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;
3)判断窗口内是否存在含有点云的栅格,若是,则判断窗口内的每个栅格是否均被标记,若均未被标记,则用未出现过的标签值赋值该窗口内含有点云的栅格,并将标签值作为一个新的集合后,执行步骤5);
4)若同时存在标记过的栅格和未标记的含有点云的栅格,则以窗口中最小的栅格标签值赋予所有未标记的含有点云的栅格,并判断此时窗口中所有栅格的标签值是否一致,若一致,则执行步骤5),若不一致,则将此时窗口内的标签值作为一个新的集合并执行步骤5);
5)判断扫描是否结束,若是,则对含有相同标签值的集合进行合并,剩余集合的数量即为聚类数量。
进一步地,步骤2)中栅格化处理为根据点云映射至坐标系中的边界范围确定的点云空间,以坐标轴横向设定步长和坐标轴纵向设定步长,将所述点云空间分割成栅格,并将点云对应的相应的栅格中。
进一步地,标签值采用从小到大依次进行赋值。
进一步地,所述设定的坐标系为与大地平面重合的平面坐标系。
进一步地,所述窗口的大小为N×N的栅格,N为3或5。
本发明还提供一种激光雷达的点云数据聚类装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
1)获取原始的点云,并将该点云映射至设定的坐标系中;
2)对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;
3)判断窗口内是否存在含有点云的栅格,若是,则判断窗口内的每个栅格是否均被标记,若均未被标记,则用未出现过的标签值赋值该窗口内含有点云的栅格,并将标签值作为一个新的集合后,执行步骤5);
4)若同时存在标记过的栅格和未标记的含有点云的栅格,则以窗口中最小的栅格标签值赋予所有未标记的含有点云的栅格,并判断此时窗口中所有栅格的标签值是否一致,若一致,则执行步骤5),若不一致,则将此时窗口内的标签值作为一个新的集合并执行步骤5);
5)判断扫描是否结束,若是,则对含有相同标签值的集合进行合并,剩余集合的数量即为聚类数量。
进一步地,步骤2)中栅格化处理为根据点云映射至坐标系中的边界范围确定的点云空间,以坐标轴横向设定步长和坐标轴纵向设定步长,将所述点云空间分割成栅格,并将点云对应的相应的栅格中。
进一步地,标签值采用从小到大依次进行赋值。
进一步地,所述设定的坐标系为与大地平面重合的平面坐标系。
进一步地,所述窗口的大小为N×N的栅格,N为3或5。
附图说明
图1是一种激光雷达的点云数据聚类方法的流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明提供一种激光雷达的点云数据聚类装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,该处理器执行上述的程序时实现一种激光雷达的点云数据聚类方法,如图1所示,包括以下步骤:
1)获取原始的点云,并将该点云映射至设定的坐标系中。
获取激光雷达原始点云,将其投影到平面坐标系中,其中,点云是激光雷达发射的激光束扫描物体表面并反射回来的原始数据,点云数据主要包括激光束扫描到的物体表面的位置信息,即扫描到的物体表面相对于传感器的纵向距离、横向偏移量及高度。激光雷达可以是1线激光雷达、4线激光雷达、16线激光雷达、32线激光雷达、64线激光雷达或更高线的激光雷达。
平面坐标系是与大地平面重合的平面,因为在智能驾驶中,自车更多关注的是与车辆位于同一行驶平面上的物体状态。
2)对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描。
栅格化处理为根据点云映射至坐标系中的点云空间,以坐标轴横向设定步长和坐标轴纵向设定步长,将点云空间分割成栅格,并将点云对应的相应的栅格中。
其中,点云空间的边界范围是取每个坐标轴上点云映射的最大值和最小值,四个边界值确定的矩形空间即为点云空间,由于每一帧点云分布情况不同,因此形成的点云空间的边界范围是可变的。
栅格的要求可以是坐标轴横向设定步长与坐标轴纵向设定步长相同,也可以不同,若相同,根据实际需求该步长可以为10cm。每个栅格按照点云是否存在来区分,即同一栅格可能包含多个点云,但视为该栅格中存在点云,不关注点云个数,以便减少数据运算量。
窗口的大小为N×M的栅格,N和M代表栅格数,通常我们选取N=M,且为3或5。对栅格进行扫描时以窗口中心为准,在一行中从左向右逐个栅格移动,当一行移动完毕,窗口从下一行最左侧开始,继续向右移动。
3)判断窗口内是否存在含有点云的栅格,若是,则判断窗口内的每个栅格是否均被标记,若均未被标记,则用未出现过的标签值赋值该窗口内含有点云的栅格,并将标签值作为一个新的集合后,执行步骤5)。
标记栅格是对栅格赋予一个标签值,并将该标签值作为一个新的集合,标签值是能够区分每个栅格所属集合的数值,通常使用具有递增关系的数字1、2、3等表示。
4)若同时存在标记过的栅格和未标记的含有点云的栅格,则以窗口中最小的栅格标签值赋予所有未标记的含有点云的栅格,并判断此时窗口中所有栅格的标签值是否一致,若一致,则执行步骤5),若不一致,则将此时窗口内的标签值作为一个新的集合并执行步骤5)。
5)判断扫描是否结束,若是,则对含有相同标签值的集合进行合并,剩余集合的数量即为聚类数量。
例如,标签值为1的为集合X1,标签值为2的为集合X2,标签值为(1和2)的为集合X3,标签值为(1和3)的为集合X4;对含有相同标签值的集合进行合并,是对具有相交元素的集合进行合并,X1、X2、X3、X4可以合并为一个集合,因为X1、X3、X4都含有相交元素,即标签值1,并且X2和X3都含有标签值2。
获取点云边界范围,确定可变空间;对可变空间进行栅格化处理;使用窗口逐行逐列对栅格进行扫描;判断窗口内是否存在含有点云的栅格,若存在,则判断这些栅格是否已经标记过,如果没有标记过,则对这些栅格标记一个新的标签,并将该标签值作为一个新的集合,如果有标记过的栅格,则取这些栅格中标签值的最小值,赋予未标记标签的栅格,同时检查窗口内栅格标签值是否在同一集合中,如果不在,则将这些标签值作为一个新的集合;扫描结束后,对含有同一标签值的集合进行合并,即原有的集合中存在有相交的标签值即可合并为一个集合,最终剩余集合数量即为聚类数量,每个集合中的标签值与每个含有点云的栅格中标记的标签相对应,位于该集合中标签值所对应的栅格即为同一聚类。
以上给出了本发明涉及的具体实施方式,但本发明不局限于所描述的实施方式。在本发明给出的思路下,采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。
Claims (10)
1.一种激光雷达的点云数据聚类方法,其特征在于,包括以下步骤:
1)获取原始的点云,并将该点云映射至设定的坐标系中;
2)对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;
3)判断窗口内是否存在含有点云的栅格,若是,则判断窗口内的每个栅格是否均被标记,若均未被标记,则用未出现过的标签值赋值该窗口内含有点云的栅格,并将标签值作为一个新的集合后,执行步骤5);
4)若同时存在标记过的栅格和未标记的含有点云的栅格,则以窗口中最小的栅格标签值赋予所有未标记的含有点云的栅格,并判断此时窗口中所有栅格的标签值是否一致,若一致,则执行步骤5),若不一致,则将此时窗口内的标签值作为一个新的集合并执行步骤5);
5)判断扫描是否结束,若是,则对含有相同标签值的集合进行合并,剩余集合的数量即为聚类数量。
2.根据权利要求1所述的激光雷达的点云数据聚类方法,其特征在于,步骤2)中栅格化处理为根据点云映射至坐标系中的边界范围确定的点云空间,以坐标轴横向设定步长和坐标轴纵向设定步长,将所述点云空间分割成栅格,并将点云对应的相应的栅格中。
3.根据权利要求1或2所述的激光雷达的点云数据聚类方法,其特征在于,标签值采用从小到大依次进行赋值。
4.根据权利要求3所述的激光雷达的点云数据聚类方法,其特征在于,所述设定的坐标系为与大地平面重合的平面坐标系。
5.根据权利要求4所述的激光雷达的点云数据聚类方法,其特征在于,所述窗口的大小为N×N的栅格,N为3或5。
6.一种激光雷达的点云数据聚类装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
1)获取原始的点云,并将该点云映射至设定的坐标系中;
2)对坐标系中的点云进行栅格化处理,以设定个数的栅格构成的窗口对所有的栅格依次进行扫描;
3)判断窗口内是否存在含有点云的栅格,若是,则判断窗口内的每个栅格是否均被标记,若均未被标记,则用未出现过的标签值赋值该窗口内含有点云的栅格,并将标签值作为一个新的集合后,执行步骤5);
4)若同时存在标记过的栅格和未标记的含有点云的栅格,则以窗口中最小的栅格标签值赋予所有未标记的含有点云的栅格,并判断此时窗口中所有栅格的标签值是否一致,若一致,则执行步骤5),若不一致,则将此时窗口内的标签值作为一个新的集合并执行步骤5);
5)判断扫描是否结束,若是,则对含有相同标签值的集合进行合并,剩余集合的数量即为聚类数量。
7.根据权利要求6所述的激光雷达的点云数据聚类装置,其特征在于,步骤2)中栅格化处理为根据点云映射至坐标系中的边界范围确定的点云空间,以坐标轴横向设定步长和坐标轴纵向设定步长,将所述点云空间分割成栅格,并将点云对应的相应的栅格中。
8.根据权利要求6或7所述的激光雷达的点云数据聚类装置,其特征在于,标签值采用从小到大依次进行赋值。
9.根据权利要求8所述的激光雷达的点云数据聚类装置,其特征在于,所述设定的坐标系为与大地平面重合的平面坐标系。
10.根据权利要求9所述的激光雷达的点云数据聚类装置,其特征在于,所述窗口的大小为N×N的栅格,N为3或5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793107.4A CN110738223B (zh) | 2018-07-18 | 2018-07-18 | 一种激光雷达的点云数据聚类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810793107.4A CN110738223B (zh) | 2018-07-18 | 2018-07-18 | 一种激光雷达的点云数据聚类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738223A true CN110738223A (zh) | 2020-01-31 |
CN110738223B CN110738223B (zh) | 2022-04-08 |
Family
ID=69235566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810793107.4A Active CN110738223B (zh) | 2018-07-18 | 2018-07-18 | 一种激光雷达的点云数据聚类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738223B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239706A (zh) * | 2020-03-30 | 2020-06-05 | 许昌泛网信通科技有限公司 | 一种激光雷达数据处理方法 |
CN113450459A (zh) * | 2020-03-25 | 2021-09-28 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
CN113834494A (zh) * | 2021-10-15 | 2021-12-24 | 珠海一微半导体股份有限公司 | 一种基于模板覆盖的栅格地图处理方法及芯片 |
WO2022141494A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳元戎启行科技有限公司 | 三维点云聚类方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
CN106651894A (zh) * | 2017-01-10 | 2017-05-10 | 重庆大学 | 基于点云和图像匹配的自动化喷涂***坐标变换方法 |
US20170140550A1 (en) * | 2015-11-18 | 2017-05-18 | Symbol Technologies, Llc | Methods and systems for automatic fullness estimation of containers |
CN107167811A (zh) * | 2017-04-26 | 2017-09-15 | 西安交通大学 | 基于单目视觉与激光雷达融合的道路可行驶区域检测方法 |
CN107545272A (zh) * | 2017-03-23 | 2018-01-05 | 北京工业大学 | 一种MapReduce框架下的空间网络对象聚类方法 |
WO2018094141A1 (en) * | 2016-11-17 | 2018-05-24 | Google Llc | Point cloud data compression using a space-filling curve |
CN108109160A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于深度学习的免交互式GrabCut舌体分割方法 |
CN108268447A (zh) * | 2018-01-22 | 2018-07-10 | 河海大学 | 一种藏文命名实体的标注方法 |
-
2018
- 2018-07-18 CN CN201810793107.4A patent/CN110738223B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298998A (zh) * | 2014-09-28 | 2015-01-21 | 北京理工大学 | 一种3d点云的数据处理方法 |
US20170140550A1 (en) * | 2015-11-18 | 2017-05-18 | Symbol Technologies, Llc | Methods and systems for automatic fullness estimation of containers |
WO2018094141A1 (en) * | 2016-11-17 | 2018-05-24 | Google Llc | Point cloud data compression using a space-filling curve |
CN106651894A (zh) * | 2017-01-10 | 2017-05-10 | 重庆大学 | 基于点云和图像匹配的自动化喷涂***坐标变换方法 |
CN107545272A (zh) * | 2017-03-23 | 2018-01-05 | 北京工业大学 | 一种MapReduce框架下的空间网络对象聚类方法 |
CN107167811A (zh) * | 2017-04-26 | 2017-09-15 | 西安交通大学 | 基于单目视觉与激光雷达融合的道路可行驶区域检测方法 |
CN108109160A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于深度学习的免交互式GrabCut舌体分割方法 |
CN108268447A (zh) * | 2018-01-22 | 2018-07-10 | 河海大学 | 一种藏文命名实体的标注方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450459A (zh) * | 2020-03-25 | 2021-09-28 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
CN113450459B (zh) * | 2020-03-25 | 2024-03-22 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
CN111239706A (zh) * | 2020-03-30 | 2020-06-05 | 许昌泛网信通科技有限公司 | 一种激光雷达数据处理方法 |
CN111239706B (zh) * | 2020-03-30 | 2021-10-01 | 许昌泛网信通科技有限公司 | 一种激光雷达数据处理方法 |
WO2022141494A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳元戎启行科技有限公司 | 三维点云聚类方法、装置、计算机设备和存储介质 |
CN113834494A (zh) * | 2021-10-15 | 2021-12-24 | 珠海一微半导体股份有限公司 | 一种基于模板覆盖的栅格地图处理方法及芯片 |
CN113834494B (zh) * | 2021-10-15 | 2024-06-14 | 珠海一微半导体股份有限公司 | 一种基于模板覆盖的栅格地图处理方法及芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN110738223B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738223B (zh) | 一种激光雷达的点云数据聚类方法及装置 | |
CN108228798B (zh) | 确定点云数据之间的匹配关系的方法和装置 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN110163871B (zh) | 一种多线激光雷达的地面分割方法及装置 | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
CN116148808A (zh) | 一种基于点云描述符的自动驾驶激光重定位方法和*** | |
CN113570665A (zh) | 路沿提取的方法、装置及电子设备 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN109978923A (zh) | 一种基于双模板尺度自适应相关滤波目标跟踪方法及*** | |
CN113341396A (zh) | 机器人及其充电桩识别方法和装置 | |
CN114662600B (zh) | 一种车道线的检测方法、装置和存储介质 | |
CN106909869A (zh) | 一种矩阵式二维码的采样网格划分方法及装置 | |
CN111611900A (zh) | 一种目标点云识别方法、装置、电子设备和存储介质 | |
CN115100616A (zh) | 点云目标检测方法、装置、电子设备及存储介质 | |
CN115267722A (zh) | 一种角点提取方法、装置及存储介质 | |
CN108345007B (zh) | 一种障碍物识别方法和装置 | |
CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
CN116681932A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN116012628A (zh) | 一种毫米波雷达点云聚类和多目标识别机器学习方法 | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 | |
CN115760898A (zh) | 一种混合高斯域下道路抛洒物的世界坐标定位方法 | |
CN112950708B (zh) | 一种定位方法、定位装置及机器人 | |
KR102568111B1 (ko) | 도로 경계 추출 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 450061 Yudao Road, Guancheng District, Zhengzhou City, Henan Province Applicant after: Yutong Bus Co.,Ltd. Address before: 450061 Yudao Road, Guancheng District, Zhengzhou City, Henan Province Applicant before: ZHENGZHOU YUTONG BUS Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |