CN112331034A - 高速列车驾驶员监测、辅助*** - Google Patents
高速列车驾驶员监测、辅助*** Download PDFInfo
- Publication number
- CN112331034A CN112331034A CN202011268523.6A CN202011268523A CN112331034A CN 112331034 A CN112331034 A CN 112331034A CN 202011268523 A CN202011268523 A CN 202011268523A CN 112331034 A CN112331034 A CN 112331034A
- Authority
- CN
- China
- Prior art keywords
- train
- deep learning
- parameters
- module
- driver
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/16—Control of vehicles or other craft
- G09B19/167—Control of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
- G09B5/065—Combinations of audio and video presentations, e.g. videotapes, videodiscs, television systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种高速列车驾驶员监测、辅助***,包括地面监控模块、车载驾驶***、环境传感模块、第一深度学习模块和第二深度学习模块;车载驾驶***与地面监控模块通信连接;环境传感模块与地面监控模块连接;深度学习模块与地面监控模块连接;新驾驶员在实车上操作时,深度学习模块同步进行虚拟驾驶操作,当满足误差条件时,地面监控模块就通过车载驾驶***向驾驶员播报深度学习模块输出的经验驾驶指令,对新驾驶员的操作进行辅助;本发明的有益技术效果是:提出了一种高速列车驾驶员监测、辅助***,该方案能有效提高新驾驶员的实训效率,降低人工占用,而且还能对新驾驶员起到辅助驾驶效果。
Description
技术领域
本发明涉及一种高速列车辅助驾驶技术,尤其涉及一种高速列车驾驶员监测、辅助***。
背景技术
虽然高速列车的自动化程度越来越高,但驾驶员仍是列车驾驶的核心,并且较高的自动化程度,也对驾驶员的个人素质提出了更高的要求,驾驶员除了需要熟悉列车的各种电气性能外,还要能够依据列车的电气特性熟练运用各种操作技巧,尤其是在突发情况或恶劣天气情况下,需要驾驶员具备一定的临机处置能力。
对于新驾驶员而言,由于是新手,操作动作的流畅性欠佳,执行控制中心的指令可能存在滞后,尤其在恶劣天气情况下,新驾驶员的视觉和心理难免将会受到影响,操作动作的流畅性难以得到保证。
在保证驾驶安全的前提下,为了使新驾驶员能够得到实际锻炼,现有技术一般采用老带新的方式来对新驾驶员进行实训,即由经验丰富的老驾驶员带着新驾驶员一起操控列车,这种培训方式需要老驾驶员多次陪同,效率较低、周期较长,且人工占用较大。
发明内容
针对背景技术中的问题,本发明提出了一种高速列车驾驶员监测、辅助***,其创新在于:所述高速列车驾驶员监测、辅助***包括地面监控模块、车载驾驶***、环境传感模块、第一深度学习模块和第二深度学习模块;
所述车载驾驶***与地面监控模块通信连接,驾驶员通过车载驾驶***驾驶列车运行,运行过程中,车载驾驶***能将列车运行参数和驾驶员的操作动作实时发送给地面监控模块;
所述环境传感模块与地面监控模块连接;环境传感模块能通过各种传感器对当前的环境参数进行监测,并将监测到的环境参数实时传输至地面监控模块和车载驾驶***;收到环境参数后,车载驾驶***将环境参数以声、光方式向驾驶员播报;所述环境参数包括降雨参数、能见度参数、温度参数、湿度参数、风向参数、风力参数;
所述第一深度学习模块和第二深度学习模块均与地面监控模块连接;地面监控模块能周期性地根据当前的环境参数对当前天气情况进行识别:如当前天气情况被识别为正常天气,则地面监控模块持续将列车运行参数和环境参数实时传输给第一深度学习模块;如当前天气情况被识别为恶劣天气,则地面监控模块停止向第一深度学习模块传输数据,同时,地面监控模块持续将列车运行参数和环境参数实时传输给第二深度学习模块;
第一深度学习模块能根据列车运行参数和环境参数实时生成第一驾驶指令,并将第一驾驶指令实时传输至地面监控模块;第一驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
第二深度学习模块能根据列车运行参数和环境参数实时生成第二驾驶指令,并将第二驾驶指令实时传输至地面监控模块;第二驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
将驾驶员的操作动作记为实际驾驶指令,将第一驾驶指令和第二驾驶指令记为经验驾驶指令;收到实际驾驶指令和经验驾驶指令后,地面监控模块对实际驾驶指令和经验驾驶指令进行保存,同时,地面监控模块将时序上匹配的实际驾驶指令和经验驾驶指令进行比较,如实际驾驶指令和经验驾驶指令的差值在允许范围内,则地面监控模块不动作,如实际驾驶指令和经验驾驶指令的差值超出允许范围,则地面监控模块将经验驾驶指令传输至车载驾驶***,车载驾驶***将经验驾驶指令以声、光方式向驾驶员播报;
所述第一深度学习模块和第二深度学习模块均采用深度学习神经网络实现;对应第一深度学习模块的深度学习神经网络记为网络一,对应第二深度学习模块的深度学习神经网络记为网络二;网络一根据优秀驾驶员在正常天气条件下的驾驶数据训练而得,网络二根据优秀驾驶员在恶劣天气条件下的驾驶数据训练而得;所述驾驶数据包括列车运行参数和驾驶员的操作动作。
本发明的原理是:新驾驶员在实车上操作时,两个深度学习模块就相当于陪练,即在相同的列车运行参数和环境参数条件下,新驾驶员和深度学习模块同步进行驾驶操作(只是深度学习模块是进行的虚拟操作),如新驾驶员的操作动作和经验驾驶指令的差值在允许范围内,则就让新驾驶员自主进行操作,如新驾驶员的操作动作和经验驾驶指令的差值超出允许范围,则地面监控模块就通过车载驾驶***向驾驶员播报经验驾驶指令,辅助驾驶员对操作进行修正;采用本发明后,新驾驶员上岗实操时,可不用老驾驶员陪同,能有效避免人工占用;并且,由于地面监控模块对实际驾驶指令和经验驾驶指令进行了保存,驾驶操作结束后,我们可通过查询数据,了解到任一时刻、相同条件下的实际驾驶指令和经验驾驶指令,这就使我们可以对新驾驶员的操作进行详细分析,结合新驾驶员的本人感受,就能高效地发现问题,在后期,新驾驶员就可以有针对性地进行训练,从而提高培训效率。
优选地,对网络一进行训练时,将如下15个特征作为网络一的输入特征:列车工况转换点的位置、列车在某位置点之前的历史平均速度、列车在当前采样点的运行速度、列车在某位置点所处坡度值、列车在该点所处坡度段起始位置、列车在该点所处坡度段的终止位置、列车在该点距当前坡度段结束的剩余长度、列车在该点所处坡度段的平均速度、列车在该点所处的最大限速值、列车在该点所处最大限速值的起始位置、列车在该点所处最大限速值的终止位置、列车站间运行总时间、列车型号、列车长度、列车重量;
将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络一的输出特征;
对网络二进行训练时,在前述15个特征的基础上再增加3个特征,一共18个特征作为网络二的输入特征,所增加的3个特征分别为:临时限速值、临时限速起始位置、临时限速终止位置;将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络二的输出特征。
具体实施时,可将优秀驾驶员中前百分之十的人员在正常天气、恶劣天气下的驾驶数据作为训练样本,这些数据可从列车运行监控装置LKJ、列车控制与管理***TCMS设备上获取;将前述驾驶数据分别进行预处理,经过特征选择、数据不均衡处理和数据样本归一化等操作后,制作为两个深度学习神经网络各自训练所需的样本。
本发明的有益技术效果是:提出了一种高速列车驾驶员监测、辅助***,该方案能有效提高新驾驶员的实训效率,降低人工占用,而且还能对新驾驶员起到辅助驾驶效果。
附图说明
图1、本发明的原理示意图。
具体实施方式
一种高速列车驾驶员监测、辅助***,其创新在于:所述高速列车驾驶员监测、辅助***包括地面监控模块、车载驾驶***、环境传感模块、第一深度学习模块和第二深度学习模块;
所述车载驾驶***与地面监控模块通信连接,驾驶员通过车载驾驶***驾驶列车运行,运行过程中,车载驾驶***能将列车运行参数和驾驶员的操作动作实时发送给地面监控模块;
所述环境传感模块与地面监控模块连接;环境传感模块能通过各种传感器对当前的环境参数进行监测,并将监测到的环境参数实时传输至地面监控模块和车载驾驶***;收到环境参数后,车载驾驶***将环境参数以声、光方式向驾驶员播报;所述环境参数包括降雨参数、能见度参数、温度参数、湿度参数、风向参数、风力参数;
所述第一深度学习模块和第二深度学习模块均与地面监控模块连接;地面监控模块能周期性地根据当前的环境参数对当前天气情况进行识别:如当前天气情况被识别为正常天气,则地面监控模块持续将列车运行参数和环境参数实时传输给第一深度学习模块;如当前天气情况被识别为恶劣天气,则地面监控模块停止向第一深度学习模块传输数据,同时,地面监控模块持续将列车运行参数和环境参数实时传输给第二深度学习模块;
第一深度学习模块能根据列车运行参数和环境参数实时生成第一驾驶指令,并将第一驾驶指令实时传输至地面监控模块;第一驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
第二深度学习模块能根据列车运行参数和环境参数实时生成第二驾驶指令,并将第二驾驶指令实时传输至地面监控模块;第二驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
将驾驶员的操作动作记为实际驾驶指令,将第一驾驶指令和第二驾驶指令记为经验驾驶指令;收到实际驾驶指令和经验驾驶指令后,地面监控模块对实际驾驶指令和经验驾驶指令进行保存,同时,地面监控模块将时序上匹配的实际驾驶指令和经验驾驶指令进行比较,如实际驾驶指令和经验驾驶指令的差值在允许范围内,则地面监控模块不动作,如实际驾驶指令和经验驾驶指令的差值超出允许范围,则地面监控模块将经验驾驶指令传输至车载驾驶***,车载驾驶***将经验驾驶指令以声、光方式向驾驶员播报;
所述第一深度学习模块和第二深度学习模块均采用深度学习神经网络实现;对应第一深度学习模块的深度学习神经网络记为网络一,对应第二深度学习模块的深度学习神经网络记为网络二;网络一根据优秀驾驶员在正常天气条件下的驾驶数据训练而得,网络二根据优秀驾驶员在恶劣天气条件下的驾驶数据训练而得;所述驾驶数据包括列车运行参数和驾驶员的操作动作。
进一步地,对网络一进行训练时,将如下15个特征作为网络一的输入特征:列车工况转换点的位置、列车在某位置点之前的历史平均速度、列车在当前采样点的运行速度、列车在某位置点所处坡度值、列车在该点所处坡度段起始位置、列车在该点所处坡度段的终止位置、列车在该点距当前坡度段结束的剩余长度、列车在该点所处坡度段的平均速度、列车在该点所处的最大限速值、列车在该点所处最大限速值的起始位置、列车在该点所处最大限速值的终止位置、列车站间运行总时间、列车型号、列车长度、列车重量;
将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络一的输出特征;
对网络二进行训练时,在前述15个特征的基础上再增加3个特征,一共18个特征作为网络二的输入特征,所增加的3个特征分别为:临时限速值、临时限速起始位置、临时限速终止位置;将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络二的输出特征。
Claims (2)
1.一种高速列车驾驶员监测、辅助***,其特征在于:所述高速列车驾驶员监测、辅助***包括地面监控模块、车载驾驶***、环境传感模块、第一深度学习模块和第二深度学习模块;
所述车载驾驶***与地面监控模块通信连接,驾驶员通过车载驾驶***驾驶列车运行,运行过程中,车载驾驶***能将列车运行参数和驾驶员的操作动作实时发送给地面监控模块;
所述环境传感模块与地面监控模块连接;环境传感模块能通过各种传感器对当前的环境参数进行监测,并将监测到的环境参数实时传输至地面监控模块和车载驾驶***;收到环境参数后,车载驾驶***将环境参数以声、光方式向驾驶员播报;所述环境参数包括降雨参数、能见度参数、温度参数、湿度参数、风向参数、风力参数;
所述第一深度学习模块和第二深度学习模块均与地面监控模块连接;地面监控模块能周期性地根据当前的环境参数对当前天气情况进行识别:如当前天气情况被识别为正常天气,则地面监控模块持续将列车运行参数和环境参数实时传输给第一深度学习模块;如当前天气情况被识别为恶劣天气,则地面监控模块停止向第一深度学习模块传输数据,同时,地面监控模块持续将列车运行参数和环境参数实时传输给第二深度学习模块;
第一深度学习模块能根据列车运行参数和环境参数实时生成第一驾驶指令,并将第一驾驶指令实时传输至地面监控模块;第一驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
第二深度学习模块能根据列车运行参数和环境参数实时生成第二驾驶指令,并将第二驾驶指令实时传输至地面监控模块;第二驾驶指令包括档位调节指令、相应档位运行时间信息和列车速度曲线;
将驾驶员的操作动作记为实际驾驶指令,将第一驾驶指令和第二驾驶指令记为经验驾驶指令;收到实际驾驶指令和经验驾驶指令后,地面监控模块对实际驾驶指令和经验驾驶指令进行保存,同时,地面监控模块将时序上匹配的实际驾驶指令和经验驾驶指令进行比较,如实际驾驶指令和经验驾驶指令的差值在允许范围内,则地面监控模块不动作,如实际驾驶指令和经验驾驶指令的差值超出允许范围,则地面监控模块将经验驾驶指令传输至车载驾驶***,车载驾驶***将经验驾驶指令以声、光方式向驾驶员播报;
所述第一深度学习模块和第二深度学习模块均采用深度学习神经网络实现;对应第一深度学习模块的深度学习神经网络记为网络一,对应第二深度学习模块的深度学习神经网络记为网络二;网络一根据优秀驾驶员在正常天气条件下的驾驶数据训练而得,网络二根据优秀驾驶员在恶劣天气条件下的驾驶数据训练而得;所述驾驶数据包括列车运行参数和驾驶员的操作动作。
2.根据权利要求1所述的高速列车驾驶员监测、辅助***,其特征在于:对网络一进行训练时,将如下15个特征作为网络一的输入特征:列车工况转换点的位置、列车在某位置点之前的历史平均速度、列车在当前采样点的运行速度、列车在某位置点所处坡度值、列车在该点所处坡度段起始位置、列车在该点所处坡度段的终止位置、列车在该点距当前坡度段结束的剩余长度、列车在该点所处坡度段的平均速度、列车在该点所处的最大限速值、列车在该点所处最大限速值的起始位置、列车在该点所处最大限速值的终止位置、列车站间运行总时间、列车型号、列车长度、列车重量;
将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络一的输出特征;
对网络二进行训练时,在前述15个特征的基础上再增加3个特征,一共18个特征作为网络二的输入特征,所增加的3个特征分别为:临时限速值、临时限速起始位置、临时限速终止位置;将档位调节指令、相应档位运行时间信息和列车速度曲线作为网络二的输出特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268523.6A CN112331034A (zh) | 2020-11-13 | 2020-11-13 | 高速列车驾驶员监测、辅助*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268523.6A CN112331034A (zh) | 2020-11-13 | 2020-11-13 | 高速列车驾驶员监测、辅助*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112331034A true CN112331034A (zh) | 2021-02-05 |
Family
ID=74317518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011268523.6A Pending CN112331034A (zh) | 2020-11-13 | 2020-11-13 | 高速列车驾驶员监测、辅助*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112331034A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203858785U (zh) * | 2014-04-04 | 2014-10-01 | 重庆交通大学 | 机动车驾驶员路考监测*** |
CN105261259A (zh) * | 2015-11-26 | 2016-01-20 | 杜霄鹤 | 一种智能车辆驾驶培训*** |
CN105975592A (zh) * | 2016-05-09 | 2016-09-28 | 山东海格尔信息技术股份有限公司 | 一种基于360度全景影像的驾考车、取证***和方法 |
CN106023715A (zh) * | 2016-06-15 | 2016-10-12 | 长安大学 | 基于多gps和角度传感器的驾驶人辅助训练***及其控制算法 |
EP3229219A1 (en) * | 2016-04-04 | 2017-10-11 | The Raymond Corporation | Systems and methods for vehicle simulation |
CN108333959A (zh) * | 2018-03-09 | 2018-07-27 | 清华大学 | 一种基于卷积神经网络模型的机车节能操纵方法 |
WO2019047596A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 一种用于驾驶模式切换的方法和装置 |
-
2020
- 2020-11-13 CN CN202011268523.6A patent/CN112331034A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203858785U (zh) * | 2014-04-04 | 2014-10-01 | 重庆交通大学 | 机动车驾驶员路考监测*** |
CN105261259A (zh) * | 2015-11-26 | 2016-01-20 | 杜霄鹤 | 一种智能车辆驾驶培训*** |
EP3229219A1 (en) * | 2016-04-04 | 2017-10-11 | The Raymond Corporation | Systems and methods for vehicle simulation |
CN105975592A (zh) * | 2016-05-09 | 2016-09-28 | 山东海格尔信息技术股份有限公司 | 一种基于360度全景影像的驾考车、取证***和方法 |
CN106023715A (zh) * | 2016-06-15 | 2016-10-12 | 长安大学 | 基于多gps和角度传感器的驾驶人辅助训练***及其控制算法 |
WO2019047596A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 一种用于驾驶模式切换的方法和装置 |
CN108333959A (zh) * | 2018-03-09 | 2018-07-27 | 清华大学 | 一种基于卷积神经网络模型的机车节能操纵方法 |
Non-Patent Citations (1)
Title |
---|
郭泉成,彭双凌,王翔真: "基于神经网络驾驶员模型的车间AGV控制算法研究", 《电脑知识与技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047271B (zh) | 一种车队管理***及基于其的车队管理方法 | |
CN107331179A (zh) | 一种基于大数据云平台的经济性驾驶辅助***及实现方法 | |
CN107134156A (zh) | 一种基于深度学习的智能交通灯***及其控制交通灯的方法 | |
CN107200017A (zh) | 一种基于深度学习的无人驾驶车辆控制*** | |
CN104590333A (zh) | 一种铁路列车智能操纵优化控制*** | |
CN112046557B (zh) | 一种无人驾驶列车控制***的控制方法 | |
CN109586207A (zh) | 用于电缆检测的智能巡检机器人及其巡检方法 | |
CN112084030B (zh) | 基于云边协同的无人驾驶列车控制***及其控制方法 | |
CN106027792A (zh) | 基于obd终端的智能辅助学车的***及方法 | |
CN109591861A (zh) | 一种实现智能定速和节能驾驶的方法及装置 | |
CN107585155A (zh) | 一种辅助驾驶控制*** | |
CN112331034A (zh) | 高速列车驾驶员监测、辅助*** | |
CN206475931U (zh) | 一种个性化的电动助力转向*** | |
DE102020103124A1 (de) | Verfahren und vorrichtung zur hochauflösenden kartenbasierten fahrzeugsteuerung für unterstütztes fahren | |
CN110865638A (zh) | 一种无人驾驶工程作业设备的遥控控制*** | |
CN107221178A (zh) | 一种基于无人机的交通指挥控制*** | |
CN206848802U (zh) | 一种车辆控制装置 | |
CN112141072A (zh) | 一种路面加速加载试验无人驾驶车 | |
CN207607376U (zh) | 一种基于Arduino的智能车辆监测与控制装置 | |
CN106448332A (zh) | 一种叉车安全防护及智能化培训考试*** | |
CN115716492A (zh) | 一种基于云边架构人机混合驾驶列车的控制方法 | |
CN115503505A (zh) | 一种加权参数粘着控制方法及采用该方法的机车车辆 | |
CN115071792A (zh) | 一种基于边缘计算的弓网在线监测***及方法 | |
CN113965250B (zh) | 一种基于通信中继的灾后无人机勘灾方法 | |
CN110646706B (zh) | 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |