CN113837297A - 一种基于ai的智能驾驶车辆周车的行为预测方法和*** - Google Patents
一种基于ai的智能驾驶车辆周车的行为预测方法和*** Download PDFInfo
- Publication number
- CN113837297A CN113837297A CN202111144946.1A CN202111144946A CN113837297A CN 113837297 A CN113837297 A CN 113837297A CN 202111144946 A CN202111144946 A CN 202111144946A CN 113837297 A CN113837297 A CN 113837297A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- output
- encoder
- prediction
- intelligent
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于AI的智能驾驶车辆周车的行为预测方法,所述方法包括如下步骤:步骤S1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据;步骤S2:对输入的采集数据进行处理;步骤S3:根据处理后的数据,采用具有注意力的编码器‑解码器结构的双向LSTM进行轨迹预测;步骤S4:根据轨迹预测输出智能驾驶车辆周车的预测位置。本发明可以提高预测时间以及预测的准确性;可以提高预测时间以及预测的准确性,对智能车辆周车的轨迹预测具有重要意义。
Description
技术领域
本发明涉及智能驾驶的技术领域,具体地,涉及一种基于AI的智能驾驶车辆周车的行为预测方法和***。
背景技术
智能驾驶作为战略性新兴产业的重要组成部分,发展智能驾驶,对于促进国家科技、经济、社会生活,以及综合国力有着重大的意义,智能驾驶可以弥补人类驾驶员存在的缺陷,实现智能驾驶,可以提高交通效率,保证安全率,缓解劳动力短缺的问题,同时,智能驾驶技术的研究可以增强我国在汽车相关产业方面的核心竞争力,对提升我国的学术以及工业能力具有重大的战略意义。
目标监测和行为预测可以被视为自动驾驶汽车感知***的两个主要功能,虽然它们都依赖于传感器数据,但是前者旨在对自动驾驶汽车周围环境目标进行定位和分类,而后者则提供了对周围物体动力学的理解并预测了它们的未来行为,行为预测在自动驾驶应用中起着关键作用,因为它支持有效的决策,并能够进行风险评估。
LSTM是一种特殊的递归神经网络,能够学习长期依赖,它显示出很强的信息获取能力,并且在处理时间序列时能表现出内在的特征,此外,LSTM能够可靠地预测复杂场景中的轨迹,轨迹属于时间序列问题,因此利用LSTM通过历史运动数据预测未来轨迹是合理的,选择编码器-解码器作为轨迹预测模型的结构,有利于解决不同时间步长的输出不相关的问题,处理seq-seq问题,并且加入注意力机制能提高预测的准确性。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于AI的智能驾驶车辆周车的行为预测方法和***。
根据本发明提供的一种基于AI的智能驾驶车辆周车的行为预测方法,所述方法包括如下步骤:
步骤S1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据;
步骤S2:对输入的采集数据进行处理;
步骤S3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测;
步骤S4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
优选地,所述步骤S2包括:
以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标。
优选地,所述步骤S3包括如下步骤:
步骤S3.1:将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结;
步骤S3.2:将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置;
步骤S3.3:循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息。
优选地,所述编码器的转换过程包括:
输入X={X1,X2,…,Xt},其中Xt={xt,yt},向量X的长度表示可输入信息的长度,(xt,yt)表示t时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置;Xt输入双向LSTM后得到正向的输出为后向的输出为编码器的输出为 表示的是对应元素相加。
优选地,所述解码器的转换过程包括:
输入隐藏信息h*,隐藏信息h*为编码器输出结合注意力后的结果;输出Y={Yt+1,Yt++2,…,Yt+k},其中Yt+k={xt+k,yt+k}表示t+k时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置,下标k表示输出信息的长度;且损失函数其中Y′t+i表示t+i时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的真实位置坐标,k表示输出的预测序列长度。
本发明还提供一种基于AI的智能驾驶车辆周车的行为预测***,所述***包括如下模块:
模块M1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据;
模块M2:对输入的采集数据进行处理;
模块M3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测;
模块M4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
优选地,所述模块M2包括:
以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标。
优选地,所述模块M3包括如下模块:
模块M3.1:将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结;
模块M3.2:将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置;
模块M3.3:循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息。
优选地,所述编码器的转换过程包括:
输入X={X1,X2,…,Xt},其中Xt={xt,yt},向量X的长度表示可输入信息的长度,(xt,yt)表示t时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置;Xt输入双向LSTM后得到正向的输出为后向的输出为编码器的输出为 表示的是对应元素相加。
优选地,所述解码器的转换过程包括:
输入隐藏信息h*,隐藏信息h*为编码器输出结合注意力后的结果;输出Y={Yt+1,Yt++2,…,Yt+k},其中Yt+k={xt+k,yt+k}表示t+k时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置,下标k表示输出信息的长度;且损失函数其中Y′t+i表示t+i时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的真实位置坐标,k表示输出的预测序列长度。
与现有技术相比,本发明具有如下的有益效果:
1、本发明可以提高预测时间以及预测的准确性;
2、本发明可以提高预测时间以及预测的准确性,对智能车辆周车的轨迹预测具有重要意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是一种基于AI的智能驾驶车辆周车的行为预测方法的流程示意图;
图2是轨迹预测模型图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
参照图1,本发明提供一种基于AI的智能驾驶车辆周车的行为预测方法,包括:
步骤1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据。
步骤2:对输入的采集数据进行处理;以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标(X,Y)。
步骤3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测;将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结;将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置;循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息;长短期记忆网络LSTM细胞体的隐细胞数为128个,深层循环神经网络结构包括两个循环层,使用亚当优化器,学习率为α=0.0005。
步骤4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
编码器的转换过程包括:
输入X={X1,X2,…,Xt},其中Xt={xt,yt},向量X的长度表示可输入信息的长度,(xt,yt)表示t时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置;Xt输入双向LSTM后得到正向的输出为后向的输出为编码器的输出为 表示的是对应元素相加。
注意力的结合过程包括:H={h1,h2,…,ht},是编码器的输出,M=tanh(H),wT是需要学习的参数,维度是dW×1,dW表示输入向量的维度,M的维度是dW×T,α=softmax(wTM),τ=HαT,最后与注意力结合后的编码器输出为h*=tanh(τ)。
解码器的转换过程包括:
输入隐藏信息h*,隐藏信息h*为编码器输出结合注意力后的结果;输出Y={Yt+1,Yt++2,…,Yt+k},其中Yt+k={xt+k,yt+k}表示t+k时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置,下标k表示输出信息的长度;且损失函数其中Y′t+i表示t+i时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的真实位置坐标,k表示输出的预测序列长度。
数据集的场景需完整,并且有较高的采样频率;数据集的场景设置在无机动车经常经过,周围的道路是多车道的机动车道路,无其他非机动车。为确保安全,对最高车速要有所限制。
具体来说,信息数据的收集过程如下:通过车载激光雷达获取其他机动车辆相对本车位坐标原点建立坐标系,获取坐标向量。
基于注意力机制的编码器-解码器结构的双向LSTM的轨迹预测,如图2所示,包括:
步骤S10:初始化编码器和解码器网络。
步骤S20:初始化编码器输入X。
步骤S30:获取编码器的输出H;获得解码器的输出Y。
重复步骤S20-S40,得到最终结果。
基于注意力机制的编码器-解码器结构的双向LSTM的轨迹预测的效果可通过下述方法评估:
可采用欧氏度量ε在时域定量评估预测结果的性能,包括:
使用预测位置相对于地面真实(GT)的欧几里德度量,GT由激光雷达生成的。在预测时间步骤t,骑车人的预测位置是(Xpre(t),Ypre(t)),GT位置是XGT(t),YGT(t))。
可以考虑平均欧几里德误差(AEE)的特定预测时间。当给出测试数据中具有特定预测时间的所有预测中的一个时,AEE示出每个时间步的平均值。选定不同预测时间,以评估不同步长的性能。
本发明还提供一种基于AI的智能驾驶车辆周车的行为预测***,所述***包括如下模块:
模块M1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据。
模块M2:对输入的采集数据进行处理;以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标。
模块M3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测。
模块M3.1:将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结。
模块M3.2:将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置。
模块M3.3:循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息。
模块M4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
编码器的转换过程包括:
输入X={X1,X2,…,Xt},其中Xt={xt,yt},向量X的长度表示可输入信息的长度,(xt,yt)表示t时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置;Xt输入双向LSTM后得到正向的输出为后向的输出为编码器的输出为 表示的是对应元素相加。
解码器的转换过程包括:
输入隐藏信息h*,隐藏信息h*为编码器输出结合注意力后的结果;输出Y={Yt+1,Yt++2,…,Yt+k},其中Yt+k={xt+k,yt+k}表示t+k时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的位置,下标k表示输出信息的长度;且损失函数其中Y′t+i表示t+i时刻目标车辆在以本车为坐标原点,行驶方向为y轴的坐标系中的真实位置坐标,k表示输出的预测序列长度。
本发明可以提高预测时间以及预测的准确性;可以提高预测时间以及预测的准确性,对智能车辆周车的轨迹预测具有重要意义。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于AI的智能驾驶车辆周车的行为预测方法,其特征在于,所述方法包括如下步骤:
步骤S1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据;
步骤S2:对输入的采集数据进行处理;
步骤S3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测;
步骤S4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
2.根据权利要求1所述的一种基于AI的智能驾驶车辆周车的行为预测方法,其特征在于,所述步骤S2包括:
以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标。
3.根据权利要求1所述的一种基于AI的智能驾驶车辆周车的行为预测方法,其特征在于,所述步骤S3包括如下步骤:
步骤S3.1:将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结;
步骤S3.2:将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置;
步骤S3.3:循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息。
6.一种基于AI的智能驾驶车辆周车的行为预测***,其特征在于,所述***包括如下模块:
模块M1:对智能驾驶车辆周车的运动信息数据进行采集,得到采集数据;
模块M2:对输入的采集数据进行处理;
模块M3:根据处理后的数据,采用具有注意力的编码器-解码器结构的双向LSTM进行轨迹预测;
模块M4:根据轨迹预测输出智能驾驶车辆周车的预测位置。
7.根据权利要求6所述的一种基于AI的智能驾驶车辆周车的行为预测***,其特征在于,所述模块M2包括:
以智能驾驶车辆自身为坐标原点,行进方向为Y轴正方向,构建坐标系,得到周车出现在智能驾驶车辆周围之后的位置坐标。
8.根据权利要求6所述的一种基于AI的智能驾驶车辆周车的行为预测***,其特征在于,所述模块M3包括如下模块:
模块M3.1:将目标车辆的运动信息输入到编码器中,通过非线性变换,输入序列被转换成中间语义表示,记为Context,Context是隐藏信息的总结;
模块M3.2:将编码器的输出结果结合注意力之后输入到解码器中,解码器使用Context结合注意力之后的向量作为初始状态,得到下一时间步的预测位置;
模块M3.3:循环输入前一步输出的结果获得新的位置,得到轨迹的预测序列,预测未来k个时间步长的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144946.1A CN113837297A (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的智能驾驶车辆周车的行为预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144946.1A CN113837297A (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的智能驾驶车辆周车的行为预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837297A true CN113837297A (zh) | 2021-12-24 |
Family
ID=78967129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144946.1A Pending CN113837297A (zh) | 2021-09-28 | 2021-09-28 | 一种基于ai的智能驾驶车辆周车的行为预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837297A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015842A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** |
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
-
2021
- 2021-09-28 CN CN202111144946.1A patent/CN113837297A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015842A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** |
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
Non-Patent Citations (1)
Title |
---|
CRIS_LEE卡卡卡: "用于关系提取的基于注意力机制的双向LSTM网络[ACL 2016]", pages 1 - 7, Retrieved from the Internet <URL:https://blog.csdn.net/lrs1353281004/article/details/97970659> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Prediction-uncertainty-aware decision-making for autonomous vehicles | |
Dai et al. | Modeling vehicle interactions via modified LSTM models for trajectory prediction | |
Chen et al. | Interpretable end-to-end urban autonomous driving with latent deep reinforcement learning | |
Veres et al. | Deep learning for intelligent transportation systems: A survey of emerging trends | |
Mozaffari et al. | Vehicle speed prediction via a sliding-window time series analysis and an evolutionary least learning machine: A case study on San Francisco urban roads | |
CN109910909B (zh) | 一种多车运动状态的汽车轨迹网联交互式预测方法 | |
CN114495527A (zh) | 一种混合交通环境下网联交叉口车路协同优化方法及*** | |
Wang et al. | An effective dynamic spatiotemporal framework with external features information for traffic prediction | |
CN112015842A (zh) | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** | |
Tang et al. | Trajectory prediction for autonomous driving based on multiscale spatial‐temporal graph | |
Hu et al. | Driver identification using 1D convolutional neural networks with vehicular CAN signals | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
Pisarov | Smart Cars as a Solution for Overpopulation | |
CN113962460B (zh) | 基于时空对比自监督的城市细粒度流量预测方法及*** | |
Shao et al. | Failure detection for motion prediction of autonomous driving: An uncertainty perspective | |
Wu et al. | Graph-based interaction-aware multimodal 2D vehicle trajectory prediction using diffusion graph convolutional networks | |
Li et al. | Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios | |
CN113837297A (zh) | 一种基于ai的智能驾驶车辆周车的行为预测方法和*** | |
US20230169313A1 (en) | Method for Determining Agent Trajectories in a Multi-Agent Scenario | |
CN116795720A (zh) | 一种基于场景的无人驾驶***可信性评价方法及装置 | |
Xing et al. | Learning from the dark side: A parallel time series modelling framework for forecasting and fault detection on intelligent vehicles | |
Klingbeil et al. | Centralized model‐predictive cooperative and adaptive cruise control of automated vehicle platoons in urban traffic environments | |
Farajiparvar et al. | Deep learning techniques for traffic speed forecasting with side information | |
CN115719478A (zh) | 一种独立于无关信息的加速强化学习的端到端自动驾驶方法 | |
Cavanini et al. | A comparative study of driver torque demand prediction methods |
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 |