CN112198504A - 一种主被动观测特征交织的融合滤波方法 - Google Patents

一种主被动观测特征交织的融合滤波方法 Download PDF

Info

Publication number
CN112198504A
CN112198504A CN202011048293.2A CN202011048293A CN112198504A CN 112198504 A CN112198504 A CN 112198504A CN 202011048293 A CN202011048293 A CN 202011048293A CN 112198504 A CN112198504 A CN 112198504A
Authority
CN
China
Prior art keywords
observation
active
passive
sensor
substep
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
CN202011048293.2A
Other languages
English (en)
Other versions
CN112198504B (zh
Inventor
陆翔
周恒亮
徐慧
田田
张宁
匡华星
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.)
724th Research Institute of CSIC
Original Assignee
724th Research Institute of CSIC
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 724th Research Institute of CSIC filed Critical 724th Research Institute of CSIC
Priority to CN202011048293.2A priority Critical patent/CN112198504B/zh
Publication of CN112198504A publication Critical patent/CN112198504A/zh
Application granted granted Critical
Publication of CN112198504B publication Critical patent/CN112198504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种主被动观测特征交织的融合滤波方法。针对传统主被动差异维度观测对环境及目标的联合感知能力弱、航迹融合方法多传感器观测目标特征丢失等问题，本发明提出了一种主被动观测特征交织的融合滤波方法，通过采用主被动传感器目标观测特征估计、高可靠主被动野值剔除、目标观测特征交织的高精度融合滤波，解决传统多传感器联合观测存在的高误差野值对关联融合精度的不利影响、融合滤波导致部分传感器的目标特征丢失的问题，有效提升多传感器关联正确率及融合精度。

Description

一种主被动观测特征交织的融合滤波方法
技术领域
本发明涉及一种主被动传感器观测数据融合方法。
背景技术
多传感器数据的高置信度融合是实现多传感器感知数据深度综合、发挥一体化感知效能的关键。在多传感器组成的融合中，有源无源传感器的数据融合(异类传感器)融合是重要而困难的问题。有源雷达能够对运动目标进行精确定位及连续跟踪，但是有源雷达由于需要辐射信号导致其位置容易暴露；无源传感器隐蔽性强，可以获得辐射源的信号特征，易于识别目标，但是数据精度较差。利用主被动传感器所提供的信息的互补性，对观测结果进行联合处理，一方面可以使得无源传感器获取到精确的目标定位信息，以利于目标的隐蔽识别与跟踪；另一方面为有源传感器定位目标提供属性识别信息，利于对重点目标的预警、识别、跟踪。现有传统关联融合方法由于缺乏对异质传感器统计信息的有效准确估计、缺乏有效的输入输出航迹的数据清理方法，使得现有主被动融合技术存在高误差野值对关联融合精度的不利影响、融合滤波导致部分传感器的目标特征丢失的问题等问题，难以满足复杂探测环境下观测信息高可靠融合应用的需求。
发明内容
针对主动传感器与被动传感器测量维数不同，导致无法采用传统基于完整测量的融合方法的问题，本发明给出一种主被动观测特征交织的融合滤波方法，充分利用有源无源传感器对目标运动特征的估计实现对主被动观测数据的有效融合，解决传统航迹融合方法多传感器观测目标特征丢失等问题。
本发明主要包括以下步骤：
步骤一：主动传感器目标运动特征统计特性估计；
步骤二：被动传感器目标运动特征统计特性估计；
步骤三：主动观测量的野值判断：
步骤四：基于被动角度滤波的野值剔除：
步骤五：精确模型融合滤波算法设计。
本发明可有效解决传统多传感器联合观测存在的高误差野值对关联融合精度的不利影响、有效利用差异维传感器观测目标特征进行融合滤波，从而能够有效提升主被动多源传感器融合结果的可靠性。
附图说明
图1为本发明方法步骤简图。
图2为本发明方法具体实施方式示例图。
具体实施方式
本发明提出的一种主被动观测特征交织的融合滤波方法具体包括以下步骤：
步骤一：按照下述子步骤实现主动传感器目标运动特征的统计特性估计：
子步骤1：按照下述公式将主动传感器的观测结果由观测域内极坐标系下用距离ρ、方位θ、俯仰
Figure BDA0002708701930000028
坐标表示，转换为转换域内笛卡尔坐标系下用x、y、z坐标表示：
Figure BDA0002708701930000021
其中，
Figure BDA0002708701930000022
子步骤2：针对第n次观测，按照下述公式，计算主动传感器目标状态估计、主动传感器目标状态估计协方差矩阵：
P(n|n-1)＝A(n-1)P(n-1|n-1)AH(n-1)+Q(n)，
P(n|n)＝[I-K(n)C(n)]P(n|n-1)，
Figure BDA0002708701930000023
其中：
Figure BDA0002708701930000024
Figure BDA0002708701930000025
Figure BDA0002708701930000026
为预先设定的观测扰动量；，
Figure BDA0002708701930000027
Figure BDA0002708701930000031
Figure BDA0002708701930000032
K(n)＝P(n|n-1)CH(n)[C(n)P(n|n-1)CH(n)]-1；
子步骤3：观测域内主动传感器目标状态估计y(k)及观测域内主动传感器观测结果协方差
Figure BDA0002708701930000033
计算方法如下述公式所示：
y(k)＝[g1,g2,g3,g4,g5]′；
Figure BDA0002708701930000034
其中：
Figure BDA0002708701930000035
Figure BDA0002708701930000036
Figure BDA0002708701930000037
Figure BDA0002708701930000038
Figure BDA0002708701930000039
其中
Figure BDA00027087019300000310
表示x、y、z的导数，
Figure BDA00027087019300000311
将主动传感器目标状态估计记为：
Figure BDA00027087019300000312
将主动传感器目标状态估计协方差矩阵记为：
Figure BDA00027087019300000313
步骤二：按照下述子步骤实现被动传感器目标运动特征统计特性估计：
子步骤1：将被动传感器观测结果表示为
Figure BDA0002708701930000041
其中，Xk 本舰为地心－地固坐标系下表示的第n次观测的本舰位置，ζ目标记为：
Figure BDA0002708701930000042
子步骤2：按照下述公式，计算被动传感器目标状态估计、被动传感器目标状态估计协方差矩阵：
1)计算Ei：
Figure BDA0002708701930000043
2)计算Ei,b：
Figure BDA0002708701930000044
其中：
Wk-1＝N(0,Q(T1))
Figure BDA0002708701930000045
Figure BDA0002708701930000046
un-1＝Xn-F(T1)Xo n-1，
T1为本次观测与上次观测的时间差，
Figure BDA0002708701930000047
将笛卡尔坐标系下的坐标转换为修正球坐标系下的坐标，
Figure BDA0002708701930000048
将修正球坐标系下的坐标转换为笛卡尔坐标系下的坐标；
3)计算wi：
Figure BDA0002708701930000051
其中
k为任意值；
4)计算ηn|n-1：
Figure BDA0002708701930000052
5)计算Pn|n-1：
Figure BDA0002708701930000053
6)计算量测预测协方差Sn：
H＝[0,0,0,1,1,0]，
Sn＝HPn|n-1H'+R；
7)计算Kn：
Kn＝Pn|n-1H'Sk -1；
8)计算预处理后被动传感器观测结果ηn|n：
ηn|n＝ηn|n-1+kn(zn-Hηn|n-1)；
9)计算被动传感器观测结果的协方差矩阵Pn|n：
Pn|n＝Pn|n-1-KnSnKn'；
将被动传感器目标状态估计记为：
Figure BDA0002708701930000054
将被动传感器目标状态估计协方差矩阵记为：
Figure BDA0002708701930000055
步骤三：按照如下子步骤执行主动观测量的野值判断：
子步骤1：计算主动观测新息Va(n+1)：
Figure BDA0002708701930000061
其中：
Za(n+1)为主动传感器第n+1次观测结果，Ha(n+1)为主动传感器观测矩阵，
Figure BDA0002708701930000062
为主动观测状态向量的一步预测结果；
子步骤2：计算主动观测新息误差统计特性Fa(n)：
Figure BDA0002708701930000063
Ra(n+1)为主动观测协方差矩阵：
Figure BDA0002708701930000064
Figure BDA0002708701930000065
为主动传感器观测目标方位角度的测量方差；
Figure BDA0002708701930000066
主动传感器观测目标俯仰角度的测量方差；
Figure BDA0002708701930000067
为主动传感器观测目标距离的测量方差
子步骤3：按照如下方法判断主动观测是否为野值点：
若满足：
Figure BDA0002708701930000068
则判断为正常值；
若满足：
Figure BDA0002708701930000069
则判断为野值；
设定C＝5。
步骤四：按照下述子步骤实现基于被动角度滤波的野值剔除：
子步骤1：记录新息
按照如下公式，计算被动传感器观测新息Vp(n+1)：
Figure BDA00027087019300000610
其中，H(n+1)＝[0,0,0,1,1,0]为被动传感器观测矩阵；Z(n+1)为n+1时刻被动传感器观测目标的被动观测向量；
子步骤2：计算被动观测新息的误差统计特性Fp(n+1)：
Fp(n+1)＝H(n+1)P(n+1|n)H′(n+1)+Rp(n+1)，其中，
Rp(n+1)为被动观测协方差矩阵：
Figure BDA0002708701930000071
Figure BDA0002708701930000072
为方位角度测量方差；
Figure BDA0002708701930000073
为俯仰角度测量方差；
子步骤3：按照如下公式执行被动观测结果的野值判断：
若满足：
Figure BDA0002708701930000074
则判断为正常值；
若满足：
Figure BDA0002708701930000075
则判断为野值；
设定C＝5。
步骤五：按照如下方法执行多传感器目标观测特征交织的高精度融合滤波：
将主动传感器目标状态估计记为
Figure BDA0002708701930000076
被动传感器目标状态估计记为
Figure BDA0002708701930000077
主动传感器目标状态估计协方差记为
Figure BDA0002708701930000078
被动传感器目标状态估计协方差记为
Figure BDA0002708701930000079
则有高精度融合滤波结果
Figure BDA00027087019300000710
Figure BDA00027087019300000711

Claims (1)

1.一种主被动观测特征交织的融合滤波方法，其特征在于：
步骤一：按照下述子步骤实现主动传感器目标运动特征的统计特性估计：
子步骤1：按照下述公式将主动传感器的观测结果由观测域内极坐标系下用距离ρ、方位θ、俯仰
Figure FDA0002708701920000019
坐标表示，转换为转换域内笛卡尔坐标系下用x、y、z坐标表示：
Figure FDA0002708701920000011
其中：
Figure FDA0002708701920000012
子步骤2：针对第n次观测，按照下述公式，计算主动传感器目标状态估计、主动传感器目标状态估计协方差矩阵：
P(n|n-1)＝A(n-1)P(n-1|n-1)AH(n-1)+Q(n)；
P(n|n)＝[I-K(n)C(n)]P(n|n-1)；
Figure FDA0002708701920000013
其中：
Figure FDA0002708701920000014
Figure FDA0002708701920000015
Figure FDA0002708701920000016
为预先设定的观测扰动量：
Figure FDA0002708701920000017
Figure FDA0002708701920000018
Figure FDA0002708701920000021
K(n)＝P(n|n-1)CH(n)[C(n)P(n|n-1)CH(n)]-1；
子步骤3：观测域内主动传感器目标状态估计y(k)及观测域内主动传感器观测结果协方差
Figure FDA0002708701920000022
计算方法如下述公式所示：
y(k)＝[g1,g2,g3,g4,g5]′；
Figure FDA0002708701920000023
其中：
Figure FDA0002708701920000024
Figure FDA0002708701920000025
Figure FDA0002708701920000026
Figure FDA0002708701920000027
Figure FDA0002708701920000028
其中
Figure FDA0002708701920000029
表示x、y、z的导数：
Figure FDA00027087019200000210
将主动传感器目标状态估计记为：
Figure FDA00027087019200000211
将主动传感器目标状态估计协方差矩阵记为：
Figure FDA00027087019200000212
步骤二：按照下述子步骤实现被动传感器目标运动特征统计特性估计：
子步骤1：将被动传感器观测结果表示为
Figure FDA00027087019200000213
其中，Xk 本舰为地心－地固坐标系下表示的第n次观测的本舰位置，ζ目标记为：
Figure FDA0002708701920000031
子步骤2：按照下述公式，计算被动传感器目标状态估计、被动传感器目标状态估计协方差矩阵：
1)计算Ei：
Figure FDA0002708701920000032
2)计算Ei,b：
Figure FDA0002708701920000033
其中：
Wk-1＝N(0,Q(T1))
Figure FDA0002708701920000034
Figure FDA0002708701920000035
un-1＝Xn-F(T1)Xo n-1；
T1为本次观测与上次观测的时间差；
Figure FDA0002708701920000036
将笛卡尔坐标系下的坐标转换为修正球坐标系下的坐标；
Figure FDA0002708701920000037
将修正球坐标系下的坐标转换为笛卡尔坐标系下的坐标；
3)计算wi：
Figure FDA0002708701920000038
其中：k为任意值；
4)计算ηn|n-1：
Figure FDA0002708701920000041
5)计算Pn|n-1：
Figure FDA0002708701920000042
6)计算量测预测协方差Sn：
H＝[0,0,0,1,1,0]；
Sn＝HPn|n-1H'+R；
7)计算Kn：
Kn＝Pn|n-1H'Sk -1；
8)计算预处理后被动传感器观测结果ηn|n：
ηn|n＝ηn|n-1+kn(zn-Hηn|n-1)；
9)计算被动传感器观测结果的协方差矩阵Pn|n：
Pn|n＝Pn|n-1-KnSnKn'；
将被动传感器目标状态估计记为：
Figure FDA0002708701920000043
将被动传感器目标状态估计协方差矩阵记为：
Figure FDA0002708701920000044
步骤三：按照如下子步骤执行主动观测量的野值判断：
子步骤1：计算主动观测新息Va(n+1)：
Figure FDA0002708701920000045
其中：Za(n+1)为主动传感器第n+1次观测结果，Ha(n+1)为主动传感器观测矩阵，
Figure FDA0002708701920000051
为主动观测状态向量的一步预测结果；
子步骤2：计算主动观测新息误差统计特性Fa(n)：
Figure FDA00027087019200000512
Ra(n+1)为主动观测协方差矩阵：
Figure FDA0002708701920000052
Figure FDA0002708701920000053
为主动传感器观测目标方位角度的测量方差；
Figure FDA0002708701920000054
主动传感器观测目标俯仰角度的测量方差；
Figure FDA0002708701920000055
为主动传感器观测目标距离的测量方差；
子步骤3：按照如下方法判断主动观测是否为野值点：
若满足：
Figure FDA0002708701920000056
则判断为正常值；
若满足：
Figure FDA0002708701920000057
则判断为野值；
设定C＝5；
步骤四：按照下述子步骤实现基于被动角度滤波的野值剔除：
子步骤1：记录新息；
按照如下公式，计算被动传感器观测新息Vp(n+1)：
Figure FDA0002708701920000058
其中，H(n+1)＝[0,0,0,1,1,0]为被动传感器观测矩阵；Z(n+1)为n+1时刻被动传感器观测目标的被动观测向量；
子步骤2：计算被动观测新息的误差统计特性Fp(n+1)：
Fp(n+1)＝H(n+1)P(n+1|n)H′(n+1)+Rp(n+1)；
其中，Rp(n+1)为被动观测协方差矩阵：
Figure FDA0002708701920000059
Figure FDA00027087019200000510
为方位角度测量方差；
Figure FDA00027087019200000511
为俯仰角度测量方差；
子步骤3：按照如下公式执行被动观测结果的野值判断：
若满足：
Figure FDA0002708701920000061
则判断为正常值；
若满足：
Figure FDA0002708701920000062
则判断为野值；
设定C＝5；
步骤五：按照如下方法执行多传感器目标观测特征交织的高精度融合滤波：
将主动传感器目标状态估计记为
Figure FDA0002708701920000063
被动传感器目标状态估计记为
Figure FDA0002708701920000064
主动传感器目标状态估计协方差记为
Figure FDA0002708701920000065
被动传感器目标状态估计协方差记为
Figure FDA0002708701920000066
则有高精度融合滤波结果
Figure FDA0002708701920000067
Figure FDA0002708701920000068
CN202011048293.2A 2020-09-29 2020-09-29 一种主被动观测特征交织的融合滤波方法 Active CN112198504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011048293.2A CN112198504B (zh) 2020-09-29 2020-09-29 一种主被动观测特征交织的融合滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011048293.2A CN112198504B (zh) 2020-09-29 2020-09-29 一种主被动观测特征交织的融合滤波方法

Publications (2)

Publication Number Publication Date
CN112198504A true CN112198504A (zh) 2021-01-08
CN112198504B CN112198504B (zh) 2022-04-08

Family

ID=74007840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011048293.2A Active CN112198504B (zh) 2020-09-29 2020-09-29 一种主被动观测特征交织的融合滤波方法

Country Status (1)

Country Link
CN (1) CN112198504B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277939A (zh) * 2015-09-30 2016-01-27 深圳大学 用于被动传感器对空观测网的目标引导方法及引导***
CN109116349A (zh) * 2018-07-26 2019-01-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 多传感器协同跟踪联合优化决策方法
CN109521395A (zh) * 2018-09-09 2019-03-26 李涛 基于ut-dc的主被动传感器目标定位方法
CN110286357A (zh) * 2019-07-10 2019-09-27 中国电子科技集团公司第三十六研究所 一种基于水声探测的目标运动定位方法
CN110738275A (zh) * 2019-10-30 2020-01-31 中国人民解放军海军航空大学 基于ut-phd的多传感器序贯融合跟踪方法
CN111008364A (zh) * 2019-12-09 2020-04-14 北京壹氢科技有限公司 一种双观测者协同被动定位方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105277939A (zh) * 2015-09-30 2016-01-27 深圳大学 用于被动传感器对空观测网的目标引导方法及引导***
CN109116349A (zh) * 2018-07-26 2019-01-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 多传感器协同跟踪联合优化决策方法
CN109521395A (zh) * 2018-09-09 2019-03-26 李涛 基于ut-dc的主被动传感器目标定位方法
CN110286357A (zh) * 2019-07-10 2019-09-27 中国电子科技集团公司第三十六研究所 一种基于水声探测的目标运动定位方法
CN110738275A (zh) * 2019-10-30 2020-01-31 中国人民解放军海军航空大学 基于ut-phd的多传感器序贯融合跟踪方法
CN111008364A (zh) * 2019-12-09 2020-04-14 北京壹氢科技有限公司 一种双观测者协同被动定位方法及***

Also Published As

Publication number Publication date
CN112198504B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN108444478B (zh) 一种用于水下航行器的移动目标视觉位姿估计方法
CN103729859B (zh) 一种基于模糊聚类的概率最近邻域多目标跟踪方法
CN107688179B (zh) 基于多普勒信息辅助的综合概率数据互联方法
CN110061716B (zh) 一种基于最小二乘和多重渐消因子的改进kalman滤波方法
KR101628154B1 (ko) 수신 신호 세기를 이용한 다중 표적 추적 방법
CN112146648B (zh) 一种基于多传感器数据融合的多目标跟踪方法
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN115731268A (zh) 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法
CN111999735A (zh) 一种基于径向速度和目标跟踪的动静目标分离方法
CN112328959A (zh) 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN110672103B (zh) 一种多传感器目标跟踪滤波方法及***
CN112666519B (zh) 一种基于广义二阶时延差的水下目标高精度定位方法
CN112034445B (zh) 基于毫米波雷达的车辆运动轨迹跟踪方法和***
CN112198504B (zh) 一种主被动观测特征交织的融合滤波方法
CN108761384A (zh) 一种抗差的传感器网络目标定位方法
CN112986977A (zh) 一种克服雷达扩展卡尔曼航迹滤波发散的方法
CN112255612A (zh) 一种雷达航迹随机抖动性评估方法
CN111693051A (zh) 一种基于光电传感器的多目标数据关联方法
CN110007298B (zh) 一种目标超前预测跟踪方法
CN113280821B (zh) 基于斜率约束和回溯搜索的水下多目标跟踪方法
CN112083410B (zh) 机动目标跟踪方法
CN109856624B (zh) 一种针对单雷达直线航迹线的目标状态估计方法
CN114488104A (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN113933798A (zh) 一种基于相似性原理的全局传感器***误差分区配准算法

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
GR01 Patent grant
GR01 Patent grant