CN111142534B - 一种智能车横纵向综合轨迹跟踪方法及控制*** - Google Patents
一种智能车横纵向综合轨迹跟踪方法及控制*** Download PDFInfo
- Publication number
- CN111142534B CN111142534B CN202010005289.1A CN202010005289A CN111142534B CN 111142534 B CN111142534 B CN 111142534B CN 202010005289 A CN202010005289 A CN 202010005289A CN 111142534 B CN111142534 B CN 111142534B
- Authority
- CN
- China
- Prior art keywords
- wheel
- longitudinal
- vehicle
- optimal
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000009795 derivation Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000015220 hamburgers Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种智能车横纵向综合轨迹跟踪方法及控制***,包括如下步骤:建立纵向、横向和横摆三个方向的车辆动力学模型,根据车辆动力学模型得到预测轨迹;根据参考轨迹和预测轨迹的差值,确定目标函数和约束条件,求解得出最优前轮转角和车轮最优滑移率,通过神经网络建立车轮动态右逆模型;所述车轮动态右逆模型根据传感器检测的轮心纵向速度和车轮转速和车轮最优滑移率,输出车轮转矩;将最优前轮转角和车轮转矩输入被控车辆,通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。本发明将横向控制与纵向控制通过轮胎转角和滑移率结合起来,摆脱了通过解耦法分别控制带来的跟踪偏差问题。
Description
技术领域
本发明涉及智能汽车或者无人汽车领域,特别涉及一种智能车横纵向综合轨迹跟踪方法及控制***。
背景技术
现有的智能汽车轨迹跟踪研究,一般是通过将汽车的横向运动和纵向运动通过解耦的方式,分别独立设计横向控制器和纵向控制器,这种控制方法忽略了智能汽车的横纵向耦合关系,比如在设计横向控制器时,将纵向运动相关的变量作为常数,这明显与实际不符,纵向速度的变化会引起横向控制中的某些参数发生变化,从而导致跟踪不精确。而横纵向综合控制比较常见的控制方法是在轨迹跟踪的同时加入直接横摆力矩控制(DYC),通过将直接横摆力矩分配到四个车轮,从而实现四轮独立驱动,但是在分配的过程中,会存在轮胎力冗余的现象,导致轮胎力没有得到充分利用。这些问题是轨迹跟踪研究中急需解决的问题。
发明内容
针对现有技术中存在的不足,本发明提供了一种智能车横纵向综合轨迹跟踪方法及控制***,将横向控制与纵向控制通过轮胎转角和滑移率结合起来,摆脱了通过解耦法分别控制带来的跟踪偏差问题。
本发明是通过以下技术手段实现上述技术目的的。
一种智能车横纵向综合轨迹跟踪方法,包括如下步骤:
建立纵向、横向和横摆三个方向的车辆动力学模型,根据车辆动力学模型得到预测轨迹;
根据参考轨迹和预测轨迹的差值,确定目标函数和约束条件,求解得出最优前轮转角δ′f和车轮最优滑移率si,des,i为车轮序号;
通过神经网络建立车轮动态右逆模型;所述车轮动态右逆模型根据传感器检测的轮心纵向速度vi和车轮转速ωi和车轮最优滑移率si,des,输出车轮转矩Ti;
将最优前轮转角δ′f和车轮转矩Ti输入被控车辆,通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。
进一步,建立纵向、横向和横摆三个方向的车辆动力学模型,根据车辆动力学模型得到预测轨迹,具体为:
所述车辆动力学模型的控制变量为u=(δf,si)T;
将所述车辆动力学模型离散化得***状态空间表达式:
其中:δf为前轮转角;si为车轮滑移率;vx为车辆纵向速度;vy为车辆横向速度;X为车辆纵向位置;Y为车辆横向位置;是车辆航向角;为车辆横摆角速度;xt为t时刻的状态量;xt-1为t-1时刻的状态量;ut为t时刻的控制变量,yt为t时刻的输出变量。
进一步,所述目标函数具体为:
其中,Np为预测时域;Nc为控制时域,Q为输出量的权重,R为控制量的权重;yref为参考轨迹;
所述约束条件具体为:
xt=f(xt-1,ut)
yt=h(xt)
umin<u<umax
ymin<y<ymax
其中,umin为控制量的下限;umax为控制量的上限;ymin为输出量的下限;ymax为输出量的上限。
进一步,通过非线性规划求解器求解所述目标函数的最小值,计算得到控制时域内最优的决策变量,所述最优的决策变量为最优前轮转角δ′f和车轮的最优滑移率si,des。
进一步,建立车轮动态右逆模型具体为:
考虑车轮动力学模型:Fx=f(s,γ,Fz),
其中:Fx为轮胎纵向力;
Fz为轮胎垂向载荷;
γ为轮胎外倾角;
Iz为车辆绕Z轴的转动惯量;
r为车轮有效半径;
根据车轮动态模型,假设外倾角为0,轮胎载荷不变,确定车轮右逆模型为:
建立训练样本集通过BP神经网络进行训练,确定BP神经网络的各层权重矩阵;其中BP神经网络为3层网络,输入节点数为6个,输出节点为1个,隐含层节点数为12个,隐含层神经元函数使用S型函数f(x)=(ex-e-x)/(ex+e-x),输出层的神经元采用线性变换函数。
一种智能车横纵向综合轨迹跟踪方法的控制***,包括车轮动态右逆模型、求导模块和模型预测控制器;
所述模型预测控制器根据输入的参考轨迹和被控车辆状态量,输出最优前轮转角δ′f和车轮的最优滑移率si,des;车轮的最优滑移率si,des分别输入车轮动态右逆模型和求导模块;
通过传感器将被控车辆的车轮转速ωi和轮心纵向速度vi分别输入车轮动态右逆模型和求导模块,所述求导模块根据车轮的最优滑移率si,des、车轮转速ωi和轮心纵向速度vi计算输出车轮的最优滑移率的一阶导数据轮心纵向速度的一阶导数和车轮转速的一阶导数并输入车轮动态右逆模型;
被控车辆根据车轮的转矩Ti和最优前轮转角δ′f改变状态量。
本发明的有益效果在于:
1.本发明所述的智能车横纵向综合轨迹跟踪方法及控制***,将横向控制与纵向控制通过轮胎转角和滑移率结合起来,摆脱了通过解耦法分别控制带来的跟踪偏差问题。
2.本发明所述的智能车横纵向综合轨迹跟踪方法及控制***,建立模型预测控制器,在纵向速度的跟踪方面考虑了以滑移率作为最优控制量,弥补了现有关于纵向控制研究不考虑纵向滑移率的不足之处。
3.本发明所述的智能车横纵向综合轨迹跟踪方法及控制***,建立模型预测控制,可以显式的添加各种约束,因此方便将轮胎的侧偏角和滑移率约束在线性范围内,从而可以简化轮胎动力学模型,从而提高控制器计算速度,保证实时性。
4.本发明所述的智能车横纵向综合轨迹跟踪方法及控制***,通过神经网络建立的车轮动态逆模型可以充分的力用轮胎力,降低了直接横摆力矩分配过程中的冗余现象,保证了在各种工况下的跟踪性能。
附图说明
图1为本发明所述的智能车横纵向综合轨迹跟踪方法及控制***的控制原理图。
图2为本发明所述的模型预测控制器的控制原理图。
图3为本发明所述的车轮动态右逆模型的控制原理图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种智能车横纵向综合轨迹跟踪方法,包括如下步骤:
S01:对智能汽车动力学进行简化,建立纵向、横向和横摆三个方向的车辆动力学模型,其中的轮胎力采用伯格哈特轮胎模型进行计算:
所述车辆动力学模型的控制变量为u=(δf,si)T;
将所述车辆动力学模型离散化得***状态空间表达式:
其中:δf为前轮转角;si为车轮滑移率;vx为车辆纵向速度;vy为车辆横向速度;X为车辆纵向位置;Y为车辆横向位置;是车辆航向角;为车辆横摆角速度;xt为t时刻的状态量;xt-1为t-1时刻的状态量;ut为t时刻的控制变量,yt为t时刻的输出变量。
S02:如图2所示,根据参考轨迹和预测轨迹的差值,确定目标函数和约束条件,求解得出最优前轮转角δ′f和车轮最优滑移率si,des,i为车轮序号;
所述目标函数具体为:
其中,Np为预测时域;Nc为控制时域,Q为输出量的权重,R为控制量的权重;yref为参考轨迹;
所述约束条件具体为:
xt=f(xt-1,ut)
yt=h(xt)
umin<u<umax
ymin<y<ymax
其中,umin为控制量的下限;umax为控制量的上限;ymin为输出量的下限;ymax为输出量的上限。
通过非线性规划求解器求解该目标函数的最小值,并计算得到控制时域内最优的决策变量最优前轮转角δ′f和四个车轮的最优滑移率si,des,其中最优前轮转角可以直接作用给被控车辆,而所得到的最优滑移率还需输入到车轮动态右逆模型,计算出对应的车轮转矩然后再作用给被控对象。
S03:通过神经网络建立车轮动态右逆模型;所述车轮动态右逆模型根据传感器检测的轮心纵向速度vi和车轮转速ωi和车轮最优滑移率si,des,输出车轮转矩Ti;
建立车轮动态右逆模型具体为:
其中Fx为轮胎纵向力,可以由轮胎动力学模型计算得到:Fx=f(s,γ,Fz)
其中Fz为轮胎垂向载荷,γ为轮胎外倾角,s为纵向滑移率,可以由下式计算:
通过上述分析,假设外倾角为0,轮胎载荷不变,确定四个车轮右逆模型如图3所示,输入变量都为轮胎纵向滑移率si(i=1,2,3,4)、纵向滑移率的一阶导数据轮心纵向速度vi(i=1,2,3,4)、轮心纵向速度的一阶导数车轮转速ωi(i=1,2,3,4)和车轮转速的一阶导数输出变量都为四个车轮的转矩Ti(i=1,2,3,4);
采用BP神经网络加积分器构造四个轮胎动态的右逆模型,所述的BP神经网络的参数确定方法为将车轮的转矩Ti加到智能汽车原模型的输入端;采集激励信号轮胎纵向滑移率si、轮心纵向速度vi、车轮转速ωi;对得到的轮胎纵向滑移率si、轮心纵向速度vi、车轮转速ωi分别求一阶导数和用构成的训练样本集对四个BP神经网络进行训练,从而确定BP神经网络的各层权重矩阵;其中BP神经网络为3层网络,输入节点数为6个,输出节点为1个,隐含层节点数为12个,隐含层神经元函数使用S型函数f(x)=(ex-e-x)/(ex+e-x),输出层的神经元采用线性变换函数。
S04:将最优前轮转角δ′f和车轮转矩Ti输入被控车辆,车载传感器测量此时的汽车状态量再返回模型预测控制器和车轮动态右逆模型,从而形成完整的闭环控制。
一种智能车横纵向综合轨迹跟踪方法的控制***,包括车轮动态右逆模型、求导模块和模型预测控制器;
所述模型预测控制器根据输入的参考轨迹和被控车辆状态量,输出最优前轮转角δ′f和车轮的最优滑移率si,des;车轮的最优滑移率si,des分别输入车轮动态右逆模型和求导模块;
通过传感器将被控车辆的车轮转速ωi和轮心纵向速度vi分别输入车轮动态右逆模型和求导模块,所述求导模块根据车轮的最优滑移率si,des、车轮转速ωi和轮心纵向速度vi计算输出车轮的最优滑移率的一阶导数据轮心纵向速度的一阶导数和车轮转速的一阶导数并输入车轮动态右逆模型;
所述车轮动态右逆模型根据车轮的最优滑移率si,des、车轮转速ωi、轮心纵向速度vi、车轮的最优滑移率的一阶导数据轮心纵向速度的一阶导数和车轮转速的一阶导数输出车轮的转矩Ti;被控车辆根据车轮的转矩Ti和最优前轮转角δ′f改变状态量。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (4)
1.一种智能车横纵向综合轨迹跟踪方法,其特征在于,包括如下步骤:
建立纵向、横向和横摆三个方向的车辆动力学模型,根据车辆动力学模型得到预测轨迹;
根据参考轨迹和预测轨迹的差值,确定目标函数和约束条件,求解得出最优前轮转角δ′f和车轮最优滑移率si,des,i为车轮序号;其中,所述目标函数具体为:
其中,Np为预测时域;Nc为控制时域,Q为输出量的权重,R为控制量的权重;yref为参考轨迹;
所述约束条件具体为:
xt=f(xt-1,ut)
yt=h(xt)
umin<u<umax
ymin<y<ymax
其中,umin为控制量的下限;umax为控制量的上限;ymin为输出量的下限;ymax为输出量的上限;
通过神经网络建立车轮动态右逆模型,具体为:
建立车轮动力学模型:Fx=f(s,γ,Fz),
其中:Fx为轮胎纵向力;
Fz为轮胎垂向载荷;
γ为轮胎外倾角;
Iz为车辆绕Z轴的转动惯量;
r为车轮有效半径;
根据车轮动态模型,假设外倾角为0,轮胎载荷不变,确定车轮右逆模型为:
建立训练样本集通过BP神经网络进行训练,确定BP神经网络的各层权重矩阵;其中BP神经网络为3层网络,输入节点数为6个,输出节点为1个,隐含层节点数为12个,隐含层神经元函数使用S型函数f(x)=(ex-e-x)/(ex+e-x),输出层的神经元采用线性变换函数;
所述车轮动态右逆模型根据传感器检测的轮心纵向速度vi和车轮转速ωi和车轮最优滑移率si,des,输出车轮转矩Ti;
将最优前轮转角δ′f和车轮转矩Ti输入被控车辆,通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。
3.根据权利要求1所述的智能车横纵向综合轨迹跟踪方法,其特征在于,通过非线性规划求解器求解所述目标函数的最小值,计算得到控制时域内最优的决策变量,所述最优的决策变量为最优前轮转角δ′f和车轮的最优滑移率si,des。
4.一种根据权利要求1-3任一项所述的智能车横纵向综合轨迹跟踪方法的控制***,其特征在于,包括车轮动态右逆模型、求导模块和模型预测控制器;
所述模型预测控制器根据输入的参考轨迹和被控车辆状态量,输出最优前轮转角δ′f和车轮的最优滑移率si,des;车轮的最优滑移率si,des分别输入车轮动态右逆模型和求导模块;
通过传感器将被控车辆的车轮转速ωi和轮心纵向速度vi分别输入车轮动态右逆模型和求导模块,所述求导模块根据车轮的最优滑移率si,des、车轮转速ωi和轮心纵向速度vi计算输出车轮的最优滑移率的一阶导数据轮心纵向速度的一阶导数和车轮转速的一阶导数并输入车轮动态右逆模型;
被控车辆根据车轮的转矩Ti和最优前轮转角δ′f改变状态量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005289.1A CN111142534B (zh) | 2020-01-03 | 2020-01-03 | 一种智能车横纵向综合轨迹跟踪方法及控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005289.1A CN111142534B (zh) | 2020-01-03 | 2020-01-03 | 一种智能车横纵向综合轨迹跟踪方法及控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111142534A CN111142534A (zh) | 2020-05-12 |
CN111142534B true CN111142534B (zh) | 2022-11-18 |
Family
ID=70523486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005289.1A Active CN111142534B (zh) | 2020-01-03 | 2020-01-03 | 一种智能车横纵向综合轨迹跟踪方法及控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111142534B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580520B (zh) * | 2020-05-15 | 2021-05-11 | 清华大学 | 基于二维码导航的四轮转向agv轨迹纠偏方法 |
CN113296552B (zh) * | 2021-06-23 | 2022-10-28 | 江苏大学 | 一种考虑轮胎纵滑力学特性的汽车纵向速度跟踪控制***的控制方法 |
CN115598983B (zh) * | 2022-10-28 | 2023-06-13 | 湖南大学无锡智能控制研究院 | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
CN117991802B (zh) * | 2024-03-28 | 2024-07-12 | 武汉理工大学 | 考虑车辆预测误差补偿的轨迹跟踪控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN108454623A (zh) * | 2018-01-22 | 2018-08-28 | 大连理工大学 | 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法 |
CN109866752A (zh) * | 2019-03-29 | 2019-06-11 | 合肥工业大学 | 基于预测控制的双模式并行车辆轨迹跟踪行驶***及方法 |
-
2020
- 2020-01-03 CN CN202010005289.1A patent/CN111142534B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN108454623A (zh) * | 2018-01-22 | 2018-08-28 | 大连理工大学 | 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法 |
CN109866752A (zh) * | 2019-03-29 | 2019-06-11 | 合肥工业大学 | 基于预测控制的双模式并行车辆轨迹跟踪行驶***及方法 |
Non-Patent Citations (1)
Title |
---|
"基于增量线性模型预测控制的无人车轨迹跟踪方法";邹凯等;《汽车技术》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111142534A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111142534B (zh) | 一种智能车横纵向综合轨迹跟踪方法及控制*** | |
Lin et al. | Trajectory tracking of autonomous vehicle with the fusion of DYC and longitudinal–lateral control | |
CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
CN108177692B (zh) | 一种电动轮驱动汽车差动助力转向与稳定性协调控制方法 | |
CN107512305A (zh) | 线控转向***及其稳定性控制方法 | |
CN111923908A (zh) | 一种融合稳定性的智能汽车路径跟踪控制方法 | |
WO2023138258A1 (zh) | 一种主动转向和横摆力矩自学习协同控制方法 | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN111267834A (zh) | 一种车辆横摆稳定预测控制方法及*** | |
Kebbati et al. | Lateral control for autonomous wheeled vehicles: A technical review | |
CN111679575B (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
WO2022266824A1 (zh) | 一种转向控制方法及装置 | |
CN112230651A (zh) | 一种基于分层控制理论的分布式无人车路径跟踪控制方法 | |
US11794747B2 (en) | Method for controlling an actuator of a vehicle | |
CN114148403B (zh) | 一种线控转向***多工况稳定性控制方法 | |
CN117518779A (zh) | 一种参数自适应的智能巡逻车高精度轨迹跟踪控制方法 | |
Liikanen et al. | Path-following controller for 4wds hydraulic heavy-duty field robots with nonlinear internal dynamics | |
Zhang et al. | A nonlinear dynamic control design with conditional integrators applied to unmanned skid-steering vehicle | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制*** | |
CN115848162A (zh) | 一种用于六轮独立电驱动无人车辆差动转向的控制方法 | |
CN114896694A (zh) | 一种基于两点预瞄的路径跟踪控制方法 | |
CN114684109A (zh) | 一种电动汽车横摆稳定性控制方法及装置 | |
Zeng et al. | Research on yaw stability control of multi-axle electric vehicle with in-wheel motors based on fuzzy sliding mode control | |
Németh et al. | Analysis of vehicle actuators based on reachable sets |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |