CN112068121A - 基于随机有限集的编队目标跟踪方法 - Google Patents
基于随机有限集的编队目标跟踪方法 Download PDFInfo
- Publication number
- CN112068121A CN112068121A CN202010940642.5A CN202010940642A CN112068121A CN 112068121 A CN112068121 A CN 112068121A CN 202010940642 A CN202010940642 A CN 202010940642A CN 112068121 A CN112068121 A CN 112068121A
- Authority
- CN
- China
- Prior art keywords
- target
- echo
- formation target
- phd
- filtering
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于随机有限集的编队目标跟踪方法,包括:对编队目标中的成员状态进行IMM预测,获得包含预测成员状态和预测PHD的预测集,并计算编队目标的几何中心;将几何中心与通过雷达获取的目标回波进行关联判断,获得关联目标回波和/或未关联目标回波,其中:利用关联目标回波和预测集获取包含更新成员状态和更新PHD的更新集,以实现航迹维持;利用未关联目标回波建立新的编队目标。本发明解决了航迹和回波之间的循环判断带来的组合***问题,不需要对每个航迹‑回波组合都进行精细化关联;提升了航迹稳定性;且当目标之间出现遮挡、漏检等现象时目标个数仍会保持,不会随着后验PHD的变化而波动,有利于航迹维持。
Description
技术领域
本发明属于雷达数据处理技术领域,具体涉及一种基于随机有限集的编队目标跟踪方法。
背景技术
杂波背景下的雷达目标编队飞行,会造成目标检测回波众多,且回波信息之间也可能会产生串扰现象,进而会导致目标跟踪不稳定和跟踪精度下降问题。目前对于多目标跟踪的研究通常采用基于数据关联框架的编队目标跟踪方法,其核心思想是把多目标“解耦”成多个单目标跟踪。由于回波密集,该种方法不得不精细化航迹与回波之间的阈值门限来使航迹和自身的回波相关联,由此产生的问题是:组合***现象降低了实时性,且算法复杂度也较高。
发明内容
为克服上述现有技术的缺点,提高编队目标跟踪的稳健性和跟踪精度,本发明公开了一种基于随机有限集的编队目标跟踪方法,包括:对编队目标中的成员状态进行IMM(交互式多模型)预测,获得包含预测成员状态和预测PHD(概率假设密度)的预测集,并计算所述编队目标的几何中心;将所述几何中心与通过雷达获取的目标回波进行关联判断,获得关联目标回波和/或未关联目标回波,其中:利用所述关联目标回波和所述预测集获取包含更新成员状态和更新PHD的更新集,以实现航迹维持;利用所述未关联目标回波建立新的编队目标。
优选地,对编队目标中的成员状态进行IMM预测的算法包括但不限于α-β滤波、KF滤波(普通卡尔曼滤波)、EKF滤波(扩展卡尔曼滤波)、UKF滤波(无迹卡尔曼滤波)、CKF滤波(容积卡尔曼滤波)、PF滤波(粒子滤波)。
优选地,所述成员状态包括但不限于目标的相对距离、相对速度、绝对距离、绝对速度、加速度、角度。
优选地,通过如下方式获得预测PHD:Dk|k-1(xk|z1:k-1)=∫Ps,k·fk|k-1(xk|xk|k-1)·Dk-1(xk-1|z1:k-1)dxk-1+γk(xk)
其中,xk为k时刻编队目标中的成员状态;z1:k-1为k时刻之前所有的关联目标回波;Dk(xk)为k时刻编队目标更新PHD的一阶统计矩,也称为强度函数;Dk|k-1(xk|z1:k-1)为编队目标从k-1时刻到k时刻的预测PHD;fk|k-1为k-1时刻到k时刻的状态转移概率;Ps,k为成员存活概率;γk为调节因子。
优选地,通过加权和的方式计算所述编队目标的几何中心。
优选地,在将所述几何中心与通过雷达获取的目标回波进行关联判断时,如果所述几何中心与目标回波在预设关联阈值内,则判定所述目标回波为关联目标回波;如果所述几何中心与目标回波不在预设关联阈值内,则判定所述目标回波为未关联目标回波。
优选地,所述关联阈值包括但不限于距离阈值、角度阈值、速度阈值。
优选地,通过滤波更新算法利用所述关联目标回波和所述预测集中的预测成员状态获取更新成员状态,所述滤波更新算法包括但不限于α-β滤波、KF滤波、EKF滤波、UKF滤波、CKF滤波、PF滤波。
优选地,通过如下方式获得更新PHD:
其中,Pd,k为目标探测概率;κk为杂波概率;gk(z|xk)为似然概率,表示成员状态和关联目标回波之间的契合程度。
优选地,根据预测集中的预测PHD和更新集中的更新PHD获得编队目标的估计成员个数,并按照预定规则筛选出与所述估计成员个数对应的更新成员状态和更新PHD。
优选地,当编队目标中存在未更新的成员状态时,将预测集中与对应成员的预测成员状态作为输出。
优选地,当存在关联目标回波未被用于更新筛选出的更新成员状态时,将该关联目标回波作为新成员添加到所述编队目标中。
与现有技术相比,本发明的优点在于:本发明将交互式多模型(IMM)算法与高斯混合概率假设密度滤波(GMPHD)算法结合起来,避免了对所有目标和回波组合都进行循环关联判断,大大降低了目标跟踪的计算量,避免了航迹和回波之间循环判断导致的组合***问题;建立随机有限集内成员的更新机制,当目标之间出现遮挡、漏检等现象时目标个数仍会保持,目标个数不会随着后验PHD的变化导致波动,从而有利于航迹维持。本发明最适用于机载雷达目标跟踪的场景,也可应用于其它平台雷达对目标跟踪的数据处理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明为了更清楚地说明本发明实施例或现有技术中的技术方案,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于随机有限集的编队目标跟踪方法的流程图;
图2为本发明实施例的编队目标与回波关联示意图。
具体实施方式
下面结合具体实施例来进一步描述本发明,本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的,并不对本发明的范围构成任何限制。本领域技术人员应该理解的是,在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换,但这些修改和替换均落入本发明的保护范围内。
在本实施例的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。
此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
如图1所示,本发明公开了一种基于随机有限集的编队目标跟踪方法,具体步骤如下:
步骤100:对编队目标中成员状态进行IMM预测,获得预测成员状态和预测PHD。IMM预测算法包括但不限于α-β滤波、KF滤波、EKF滤波、UKF滤波、CKF滤波、PF滤波。
应用公式(1)对编队目标中的PHD进行预测:
Dk|k-1(xk|z1:k-1)=∫Ps,k·fk|k-1(xk|xk|k-1)·Dk-1(xk-1|z1:k-1)dxk-1+γk(xk) (1)
其中,xk为k时刻编队目标中的成员状态;z1:k-1为k时刻之前所有的关联目标回波;Dk(xk)为k时刻编队目标更新PHD的一阶统计矩,也称为强度函数;Dk|k-1(xk|z1:k-1)为编队目标从k-1时刻到k时刻的预测PHD;fk|k-1为k-1时刻到k时刻的状态转移概率;Ps,k为成员存活概率;γk为调节因子。
预测集包含预测成员状态xk和预测PHDDk|k-1(xk|z1:k-1)。
步骤102:通过加权和的方式计算编队目标的几何中心。
步骤104:将几何中心与通过雷达获取的目标回波进行关联判断,获得关联目标回波和/或未关联目标回波。本实施例关联示意图如图2所示,O1和O2分别代表RFS1和RFS2的几何中心,r1和r2分别代表RFS1和RFS2的阈值门限,m1和m2为回波。RFS1为随机有限集1,RFS2为随机有限集2。
其中,m1处于RFS1的阈值门限内,因此m1与RFS1关联,m1对RFS1作更新PHD处理;m2同时处于RFS1和RFS2的阈值门限内,因此m2与RFS1和RFS2都关联,m2对RFS1和RFS2都作更新PHD处理。
对于未关联目标回波执行步骤106,对于关联目标回波执行步骤108。
步骤106:利用未关联目标回波建立新的编队目标,并将位置上相距较近的未关联目标回波归入同一个编队目标中。
步骤108:利用关联目标回波和编队目标的预测集来获得包括更新成员状态和更新PHD的更新集,具体步骤如下:
(1)根据滤波更新算法对预测集中成员状态进行滤波,得到更新成员状态;
(2)应用公式(2)计算预测集的更新PHD:
其中,Pd,k为目标探测概率;κk为杂波概率;gk(z|xk)为似然概率,表示成员状态和关联目标回波之间的契合程度。
步骤110:应用公式(3)对预测PHD和更新PHD进行积分获得编队目标的估计成员个数,并按照预定规则筛选出与估计成员个数对应的更新成员状态和更新PHD。
预定规则如下:
(1)当编队目标中存在未更新的成员状态时,将预测集中与对应成员的预测成员状态作为输出,预测PHD保持上一帧结果;
(2)当存在关联目标回波未被用于更新筛选出的更新成员状态时,先判断在该关联目标回波周围一定范围内是否有成员存在,若没有成员存在,则将该关联目标回波作为新成员添加到所述编队目标中。
上述实施例提供的基于随机有限集的编队目标跟踪方法,采用交互式多模型(IMM)算法与高斯混合概率假设密度滤波(GMPHD)算法结合的方式,避免了对所有目标和回波组合都进行循环关联判断,降低了目标跟踪的计算量,提升了雷达多目标跟踪的稳健性和跟踪精度。建立了随机有限集内成员的更新机制,可以同时完成多目标的个数估计及状态更新,从而有利于航迹维持。
实施例2
在另一实施例中,公开了一种基于随机有限集的编队目标跟踪方法,具体步骤如下:
(1)假设当前有1个编队目标,将其记作RFS1。RFS1内部包含2个成员,其状态分别为T1[87050,200,1.204,0.104]、T2[87310,204,1.213,0.092]。状态的4个信息分别表示目标距离、径向速度、方位角和俯仰角,单位分别为m、m/s、rad和rad。2个状态的PHD分别为1.12、1.08。
(2)雷达辐射电磁波,获取当前时刻目标的回波集合S。假设当前获得3个测量,分别为S1[87095,201,1.2,0.1]、S2[87100,205,1.21,0.102]和S3[87800,202,1.205,0.09]。
(3)初始化目标运动模型及模型概率、测量噪声水平、马尔科夫概率转移矩阵、探测概率、目标幸存概率、新生概率强度函数、杂波概率,初始化参数设置如下:
(4)预测集由T1、T2预测而来,预测状态记为P1、P2。预测PHD为:
Dk|k-1(xk|z1:k-1)=∫Ps,k·fk|k-1(xk|xk|k-1)·Dk-1(xk-1|z1:k-1)dxk-1+γk(xk)
有Dk|k-1(T1)=1.12×Ps,k=1.064;Dk|k-1(T2)=1.08×Ps,k=1.026。
(5)将RFS1预测之后,判断回波与RFS1是否关联。根据上述回波位置,S1和S2与RFS1关联,将进行PHD处理。S3不与RFS1关联,故以S3新建一个编队目标,记作RFS2。RFS2中包含1个目标。
(6)更新集由2个回波(S1、S2)分别与2个状态(T1、T2)做滤波更新得到,状态分别记为P3、P4、P5、P6,故预测和更新集共6个状态,强度函数分别记为D1~D6,计算公式如下:
D1=(1-Pd,k)Dk|k-1(T1)=0.05×1.064,为0.0532;
D2=(1-Pd,k)Dk|k-1(T1)=0.05×1.026,为0.0513;
假设D3、D4、D5、D6经计算分别为0.93、0.05、0.14、0.95。
(7)将D1~D6累加后四舍五入得到估计成员个数为2,并根据强度函数由大到小排序后提取前2个状态,分别是P3、P6。
(8)将T1的状态更新为P3,T1的强度函数为D1+D3=0.93+0.0532,为0.9832。将T2的状态更新为P6,T2的强度函数为D2+D6=0.95+0.0513,为1.0013。
(9)将RFS1的2个成员和RFS2中1个成员输出,此次处理完成。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于随机有限集的编队目标跟踪方法,包括:
对编队目标中的成员状态进行IMM预测,获得包含预测成员状态和预测PHD的预测集,并计算所述编队目标的几何中心;
将所述几何中心与通过雷达获取的目标回波进行关联判断,获得关联目标回波和/或未关联目标回波,其中:利用所述关联目标回波和所述预测集获取包含更新成员状态和更新PHD的更新集,以实现航迹维持;利用所述未关联目标回波建立新的编队目标。
2.根据权利要求1所述的编队目标跟踪方法,其中,对编队目标中的成员状态进行IMM预测的算法包括但不限于α-β滤波、KF滤波、EKF滤波、UKF滤波、CKF滤波、PF滤波。
3.根据权利要求1或2所述的编队目标跟踪方法,其中,所述成员状态包括但不限于目标的相对距离、相对速度、绝对距离、绝对速度、加速度、角度。
4.根据权利要求1所述的编队目标跟踪方法,其中,通过如下方式获得预测PHD:Dk|k-1(xk|z1:k-1)=∫Ps,k·fk|k-1(xk|xk|k-1)·Dk-1(xk-1|z1:k-1)dxk-1+γk(xk)
其中,xk为k时刻编队目标中的成员状态;z1:k-1为k时刻之前所有的关联目标回波;Dk(xk)为k时刻编队目标更新PHD的一阶统计矩,也称为强度函数;Dk|k-1(xk|z1:k-1)为编队目标从k-1时刻到k时刻的预测PHD;fk|k-1为k-1时刻到k时刻的状态转移概率;Ps,k为成员存活概率;γk为调节因子。
5.根据权利要求1所述的编队目标跟踪方法,其中,通过加权和的方式计算所述编队目标的几何中心。
6.根据权利要求1或5所述的编队目标跟踪方法,其中,在将所述几何中心与通过雷达获取的目标回波进行关联判断时,如果所述几何中心与目标回波在预设关联阈值内,则判定所述目标回波为关联目标回波;如果所述几何中心与目标回波不在预设关联阈值内,则判定所述目标回波为未关联目标回波。
7.根据权利要求6所述的编队目标跟踪方法,其中,所述关联阈值包括但不限于距离阈值、角度阈值、速度阈值。
8.根据权利要求1所述的编队目标跟踪方法,其中,通过滤波更新算法利用所述关联目标回波和所述预测集中的预测成员状态获取更新成员状态,所述滤波更新算法包括但不限于α-β滤波、KF滤波、EKF滤波、UKF滤波、CKF滤波、PF滤波。
10.根据权利要求1所述的编队目标跟踪方法,其中,根据预测集中的预测PHD和更新集中的更新PHD获得编队目标的估计成员个数,并按照预定规则筛选出与所述估计成员个数对应的更新成员状态和更新PHD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940642.5A CN112068121A (zh) | 2020-09-09 | 2020-09-09 | 基于随机有限集的编队目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940642.5A CN112068121A (zh) | 2020-09-09 | 2020-09-09 | 基于随机有限集的编队目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112068121A true CN112068121A (zh) | 2020-12-11 |
Family
ID=73663058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010940642.5A Withdrawn CN112068121A (zh) | 2020-09-09 | 2020-09-09 | 基于随机有限集的编队目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112068121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470070A (zh) * | 2021-06-24 | 2021-10-01 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景目标跟踪方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699964A (zh) * | 2016-02-29 | 2016-06-22 | 无锡南理工科技发展有限公司 | 一种基于汽车防撞雷达的道路多目标跟踪方法 |
CN107092808A (zh) * | 2014-09-18 | 2017-08-25 | 中国人民解放军海军航空工程学院 | 一种编队目标合并机动模式下的跟踪方法 |
CN107703504A (zh) * | 2017-10-12 | 2018-02-16 | 中国电子科技集团公司第二十九研究所 | 一种基于随机集的多点定位目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN110308442A (zh) * | 2019-06-10 | 2019-10-08 | 南京理工大学 | 强杂波环境下相控阵雷达的gm-phd目标跟踪方法 |
-
2020
- 2020-09-09 CN CN202010940642.5A patent/CN112068121A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092808A (zh) * | 2014-09-18 | 2017-08-25 | 中国人民解放军海军航空工程学院 | 一种编队目标合并机动模式下的跟踪方法 |
CN105699964A (zh) * | 2016-02-29 | 2016-06-22 | 无锡南理工科技发展有限公司 | 一种基于汽车防撞雷达的道路多目标跟踪方法 |
CN107703504A (zh) * | 2017-10-12 | 2018-02-16 | 中国电子科技集团公司第二十九研究所 | 一种基于随机集的多点定位目标跟踪方法 |
CN109633589A (zh) * | 2019-01-08 | 2019-04-16 | 沈阳理工大学 | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 |
CN110308442A (zh) * | 2019-06-10 | 2019-10-08 | 南京理工大学 | 强杂波环境下相控阵雷达的gm-phd目标跟踪方法 |
Non-Patent Citations (6)
Title |
---|
DANIEL CLARK 等: "Group Target Tracking with the Gaussian Mixture Probability Hypothesis Density Filter", 《2007 3RD INTERNATIONAL CONFERENCE ON INTELLIGENT SENSORS, SENSOR NETWORKS AND INFORMATION》 * |
严康 等: "多机动目标跟踪的IMM-GMPHD滤波算法", 《计算技术与自动化》 * |
杜明洋 等: "群目标跟踪关键技术研究进展", 《电光与控制》 * |
秦卫华 等: "基于交互多模型的高机动群目标跟踪技术", 《现代导航》 * |
耿文东: "基于群目标几何中心的群起始算法研究", 《***工程与电子技术》 * |
郝燕玲 等: "基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用", 《***工程理论与实践》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470070A (zh) * | 2021-06-24 | 2021-10-01 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景目标跟踪方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901153B (zh) | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 | |
Kirubarajan et al. | Probabilistic data association techniques for target tracking in clutter | |
CN110542885B (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
CN108303684B (zh) | 基于径向速度信息的地基监视雷达多目标跟踪方法 | |
CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
CN108344981B (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN106405537B (zh) | 基于位置信息和多普勒信息的雷达航迹起始方法 | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN106934324A (zh) | 基于简化多假设算法的雷达数据关联方法 | |
Baser et al. | A novel auxiliary particle PHD filter | |
Kwon et al. | A robust mobile target localization method for cooperative unmanned aerial vehicles using sensor fusion quality | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN115061139A (zh) | 一种面向智能驾驶车辆的多传感器融合方法及*** | |
CN111007880B (zh) | 一种基于汽车雷达的扩展目标跟踪方法 | |
CN112068121A (zh) | 基于随机有限集的编队目标跟踪方法 | |
CN117075631A (zh) | 基于无人机集群目标的检测跟踪识别方法 | |
CN113296089B (zh) | 用于多预警机目标跟踪***的lmb密度融合方法及装置 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
Solonar et al. | General construction principles and performance features of trajectory processing by data from one radar data source | |
CN108490465B (zh) | 基于时频差与测向的地面同频多运动辐射源跟踪方法及*** | |
CN108322933B (zh) | 一种节点加速梯度下降定位方法 | |
CN110057353A (zh) | 一种基于通信信号辅助下的中断航迹关联的方法 | |
CN114488104B (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN107561506A (zh) | 一种多级虚警概率联合递推目标检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201211 |