CN113932812A - 路径规划方法、装置、电子设备和存储介质 - Google Patents

路径规划方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113932812A
CN113932812A CN202111136454.8A CN202111136454A CN113932812A CN 113932812 A CN113932812 A CN 113932812A CN 202111136454 A CN202111136454 A CN 202111136454A CN 113932812 A CN113932812 A CN 113932812A
Authority
CN
China
Prior art keywords
target
node
path planning
heuristic function
workstation
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
Application number
CN202111136454.8A
Other languages
English (en)
Inventor
翁迅
张经天
胡晓
范宏强
张静
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111136454.8A priority Critical patent/CN113932812A/zh
Publication of CN113932812A publication Critical patent/CN113932812A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种路径规划方法、装置、电子设备和存储介质，其中方法包括：获取目标地图；其中，所述目标地图包括货物区域；在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。本发明提供的路径规划方法、装置、电子设备和存储介质，提高了算法搜索效率，进一步减轻了机器人的处理负担。

Description

路径规划方法、装置、电子设备和存储介质
技术领域
本发明涉及机器人技术领域，尤其涉及一种路径规划方法、装置、电子设备和存储介质。
背景技术
随着人工智能和自动化领域的发展，机器人的研究也越来越深入，而机器人作业控制最迫切需要解决的问题是作业环境的理解和作业路径规划。A*(A-Star，A星)算法是一种常用的机器人路径规划方法，是求解静态网络最短路径的一种启发式搜索算法，它结合了迪杰斯特拉算法(Dijkstra算法)的完备性和广度优先算法(Breadth First Search，BFS)的高效性，因此在实际项目中应用广泛。
现有技术中，在机器人行走在货架区和工作站之间的场景下，通常采用A*算法对货架区和工作站中的始末两点进行路径规划，A*算法的启发式函数为h(n)＝C*(|nx-goalx|+|ny-goaly|)，其中，C＝1为单元栅格路径代价，nx为当前栅格的行号，ny为当前栅格的列号，goalx为目标栅格的行号，goaly为目标栅格的列号。
但由于载货架的机器人只能到单向道上行走，所以，对于货架区和工作站中的始末两点来说，始末两点的真实距离会大于或等于两点之间的曼哈顿距离。这样，在采用A*算法进行始末两点之间的路径规划时，就会导致A*算法搜索的无效节点增多，从而降低了算法搜索效率，进一步增大了机器人的处理负担。
发明内容
针对现有技术存在的问题，本发明实施例提供一种路径规划方法、装置、电子设备和存储介质。
本发明提供一种路径规划方法，包括：
获取目标地图；其中，所述目标地图包括货物区域；
在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
根据本发明提供的一种路径规划方法，所述第一启发式函数是基于所述目标节点与所述目标起始交叉点之间的曼哈顿距离，和所述目标起始交叉点与所述目标位置之间的曼哈顿距离之和确定的。
根据本发明提供的一种路径规划方法，所述目标地图还包括工作站区域，所述目标位置包括目标工作站，在所述获取目标地图之后，所述方法还包括：
在确定所述目标节点位于所述工作站区域，且在确定所述目标节点未位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第二启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，过渡节点为从所述货物区域进入所述工作站区域时的入口点；所述第二启发式函数是基于所述目标节点与所述目标过渡节点之间的曼哈顿距离和所述目标过渡节点与所述目标工作站之间的曼哈顿距离之和确定的。
根据本发明提供的一种路径规划方法，在确定所述目标节点位于所述工作站区域时，所述方法还包括：
在确定所述目标节点位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第三启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，所述第三启发式函数是基于所述目标节点与所述目标工作站之间的曼哈顿距离确定的。
根据本发明提供的一种路径规划方法，所述目标路径算法包括抖动因子与目标启发式函数的乘积；其中，所述抖动因子包括大于1的数，所述目标启发式函数包括以下之一：所述第一启发式函数、所述第二启发式函数和所述第三启发式函数。
根据本发明提供的一种路径规划方法，在所述获取目标地图之前，还包括：
在所述目标地图上对每组单向道标识添加对应的起始交叉点；
其中，每组所述单向道标识是根据所有第一单向道标识和所有第二单向道标识划分得到的；所述第一单向道标识为第一方向道路上的标识；所述第二单向道标识为第二方向道路上的标识。
本发明还提供一种路径规划装置，包括：
获取单元，用于获取目标地图；其中，所述目标地图包括货物区域；
第一规划单元，用于在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述路径规划方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述路径规划方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述路径规划方法的步骤。
本发明提供的一种路径规划方法、装置、电子设备和存储介质，在对目标地图上的节点遍历的过程中，在确定与当前节点相邻的目标节点位于货物区域时，根据包括第一启发式函数的目标路径算法对货物区域进行路径规划。该第一启发式函数是基于目标节点、目标位置和目标节点对应的目标起始交叉点共同确定的，由于目标起始交叉点是当前距离指向目标位置方向的单向道最近的点，所以能够弥补直接用目标节点和目标位置确定的曼哈顿距离计算得到的距离误差，从而提高了算法搜索效率，进一步减轻了机器人的处理负担。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的路径规划方法的流程示意图之一；
图2是本发明提供的目标地图的示意图；
图3是本发明提供的路径规划方法的流程示意图之二；
图4是本发明提供的路径规划方法的流程示意图之三；
图5是本发明提供的原始A*算法的搜索过程示意图；
图6是现有技术中路径规划方法的实验结果示意图之一；
图7是本发明提供的采用策略一进行路径规划的实验结果示意图之一；
图8是本发明提供的采用策略二进行路径规划的实验结果示意图之一；
图9是现有技术中路径规划方法的实验结果示意图之二；
图10是本发明提供的采用策略一进行路径规划的实验结果示意图之二；
图11是本发明提供的采用策略二进行路径规划的实验结果示意图之二；
图12是现有技术中路径规划方法的实验结果示意图之三；
图13是本发明提供的采用策略二进行路径规划的实验结果示意图之三；
图14是现有技术中路径规划方法的实验结果示意图之四；
图15是本发明提供的采用策略二进行路径规划的实验结果示意图之四；
图16是本发明提供的路径规划装置的结构示意图；
图17是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
A*算法搜索路径的主要思想是从起点出发遍历周围的可行点，通过一个代价函数对这些可行点进行评估，选出代价最小的点，然后继续从该代价最小的点出发遍历周围的点，不断的迭代，直至将终点囊括进去。通常采用以下公式(1)来表示代价函数：
f(n)＝g(n)+h(n) (1)
其中，f(n)为代价函数，g(n)为从起始节点到节点n的实际代价，h(n)为节点n到终点的预估代价。
在代价函数中，g(n)取决于应用场景中对路径代价的界定，可以是路径长度、行驶时间或者路径长度和行驶时间的组合等，启发式函数h(n)起引导算法往终点方向搜索的作用。理论上说，一个完全正确的启发式函数可以使A*算法快速收敛到最优解，但完全正确的启发式函数是无法得到的，因此启发式函数的选取决定了A*算法的搜索效率和解的质量。
当h(n)的值大于实际代价时，A*算法的搜索范围减小，朝着目标节点的搜索速度加快，这样很可能只得到一条可行路径，但并非是最优路径。在极端情况下，当h(n)的值远大于g(n)时，A*算法将退化成BFS算法；当h(n)的值小于实际代价时，A*算法将扩大可选路径的搜索范围，这样能保证得到的解是最优解，但搜索范围的扩大意味着速度的牺牲。在极端情况下，当h(n)的值远小于g(n)时，A*算法将退化成Dijkstra算法。所以需要根据实际应用场景对h(n)的选择进行权衡，在栅格法建立的环境中，有以下常用启发式函数：
采用以下公式(2)来表示曼哈顿距离h1(n)：
h1(n)＝C*(|nx-goalx|+|ny-goaly|) (2)
采用以下公式(3)来表示对角线距离h2(n)：
Figure BDA0003282571920000061
其中，h1采用以下公式(4)表示，h2采用以下公式(5)表示：
h1＝min(|nx-goalx|,|ny-goaly|) (4)
h2＝|nx-goalx|+|ny-goaly| (5)
采用以下公式(6)来表示欧几里得距离h3(n)：
Figure BDA0003282571920000071
采用以下公式(7)来表示平方后的欧几里得距离h4(n)：
h4(n)＝C*[(nx-goalx)2+(ny-goaly)2] (7)
本发明是基于曼哈顿距离的改进，即是对公式(2)对应的函数h1(n)＝C*(|nx-goalx|+|ny-goaly|)的改进。
下面结合图1-图15描述本发明的路径规划方法。
图1是本发明提供的路径规划方法的流程示意图之一，如图1所示，该方法包括：
步骤110、获取目标地图。
其中，所述目标地图包括货物区域，还包括工作站区域。
具体地，可以事先基于货物摆放位置绘制目标地图，然后将绘制好的目标地图进行存储，机器人在执行工作时，可以直接获取目标地图。
图2是本发明提供的目标地图的示意图，如图2所示，在所述目标地图上对每组单向道标识添加对应的起始交叉点。
其中，每组所述单向道标识是根据所有第一单向道标识和所有第二单向道标识划分得到的；所述第一单向道标识为第一方向道路上的标识；所述第二单向道标识为第二方向道路上的标识。
在图2中，目标地图为栅格地图，分为两个区域，分别为货物区域和工作站区域，填充网格的单元格为过渡节点，填充斜线的单元格为工作站点，过渡节点上方的部分为货物区域(具体货物位置为黑色单元格所指示的位置)，过渡节点下方的部分为工作站区域；每个单向道标识为箭头线，代表机器人的行走方向，每组单向道标识包括一条或者几条单向道标识，起始交叉点采用圆圈加数字的形式表示，例如起始交叉点①、起始交叉点⑧等，从图2中可以看出，起始交叉点为每组箭头线中每个箭头线的末端的集合，在实际应用中，是将每组单向道标识中每个单向道标识所覆盖的单元格的坐标位置与该组单向道标识对应的起始交叉点的坐标位置连接起来，便于后续遍历该组除起始交叉点之外的其他节点时，采用该起始交叉点计算其他节点对应的h值；另外，若第一单向道标识为水平通道上的标识，那么第二单向道标识为垂直通道上的标识，水平通道和垂直通道是每组货物之间形成的通道或者边缘货物外侧的通道；针对于所有水平通道，第一单向道标识的方向间隔相同，例如，在图2中，水平通道共有7条，则第一条、第三条、第五条和第七条水平通道上的单向道标识的方向相同，第二条、第四条和第六条水平通道上的单向道标识的方向相同；针对所有垂直通道，第二单向道标识的方向也是间隔相同，例如，在图2中，垂直通道共有5条，则第一条、第三条和第五条垂直通道上的单向道标识的方向相同，第二条和第四条垂直通道上的单向道标识的方向相同。另外，在工作站区域，也添加有单向道标识，单向道标识的方向具体如图2所示，在此不再赘述。
步骤120、在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划。
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
可选的，所述第一启发式函数是基于所述目标节点与所述目标起始交叉点之间的曼哈顿距离，和所述目标起始交叉点与所述目标位置之间的曼哈顿距离之和确定的。
具体地，目标路径算法为改进后的A*算法，本发明是对原有A*算法的改进，即将原有A*算法中的启发式函数进行了改进，采用改进后的A*算法基于起点对目标地图上的节点进行遍历，具体遍历过程与原有A*算法的流程类似，下面对原有A*算法的流程进行说明：原有A*算法维护两个队列，分别为开放(OPEN)列表和封闭(CLOSED)列表，OPEN列表用于存放算法运行过程中待检测的节点，即算法搜索区域的边界；CLOSED列表用于存放算法运行过程中已检测的节点，即算法搜索区域的内部。原有A*算法的基本流程包括以下步骤S1至步骤S5：
步骤S1、将起点加入OPEN列表，将CLOSED列表初始化为空。
步骤S2、将OPEN列表中f值最小的当前节点从列表中移除，并将当前节点加入CLOSED列表中。
步骤S3、考察所有与当前节点相邻、可达、且不在CLOSED列表中的相邻节点。若相邻节点已存在于OPEN列表中，则计算相邻节点的当前f值，并将相邻节点的当前f值与相邻节点的原有f值进行比较，如果相邻节点的当前f值小于相邻节点的原有f值，说明经由当前节点的路径更优，则更新相邻节点的父节点为当前节点，并更新相邻节点的f、g、h值，反之不做任何操作；若相邻节点不在OPEN列表中，则将相邻节点的父节点设为当前节点，然后计算相邻节点的f值，并加入OPEN列表中。
步骤S4、重复步骤S2和步骤S3，直至终点出现在OPEN列表里，则搜索路径成功。
步骤S5、若重复步骤S2和步骤S3直到OPEN列表为空，终点都没有出现在OPEN列表中，则搜索路径失败。
本实施例中，当前节点的相邻节点采用目标节点来表述，事先存储了启发式函数列表，该启发式函数列表中包含启发式函数与区域的对应关系，在确定目标节点位于货物区域时，则在启发式函数列表中查找货物区域对应的第一启发式函数，进而根据包括第一启发式函数的A*算法对货物区域进行路径规划。优选的，第一启发式函数为目标节点与目标节点对应的目标起始交叉点之间的曼哈顿距离，和该目标起始交叉点与目标位置之间的曼哈顿距离之和，这样就将起点到目标位置的最短路径分为几个部分相加求和，求和结果等于起点到目标位置的实际最短路径长度。之所以能够这样做，是因为每个单向道和工作站的相对位置关系已经确定，如果要去目标位置，机器人必定要先行驶到指向目标位置方向的单向道上，而起始交叉点就是给每个目标节点定位到离该目标节点最近的指向目标位置方向的单向道。
需要说明的是，上述目标位置可以为货物区域中的目标货物位置，也可以为工作站区域中的目标工作站。在目标位置为目标货物位置时，即为机器人从货物区到货物区的行走；在目标位置为目标工作站时，即为机器人从货物区到目标工作站行走。
本发明提供的一种路径规划方法、装置、电子设备和存储介质，在对目标地图上的节点遍历的过程中，在确定与当前节点相邻的目标节点位于货物区域时，根据包括第一启发式函数的目标路径算法对货物区域进行路径规划。该第一启发式函数是基于目标节点、目标位置和目标节点对应的目标起始交叉点共同确定的，由于目标起始交叉点是当前距离指向目标位置方向的单向道最近的点，所以能够弥补直接用目标节点和目标位置确定的曼哈顿距离计算得到的距离误差，从而提高了算法搜索效率，进一步减轻了机器人的处理负担。
基于上述任一实施例，图3是本发明提供的路径规划方法的流程示意图之二，在所述目标地图还包括工作站区域，且所述目标位置包括目标工作站时，如图3所示，所述方法还包括以下步骤：
步骤130、在确定所述目标节点位于所述工作站区域，且在确定所述目标节点未位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第二启发式函数的目标路径算法对所述工作站区域进行路径规划。
其中，过渡节点为从所述货物区域进入所述工作站区域时的入口点；所述第二启发式函数是基于所述目标节点与所述目标过渡节点之间的曼哈顿距离和所述目标过渡节点与所述目标工作站之间的曼哈顿距离之和确定的。
具体地，在目标地图上包括货物区域和工作站区域，且目标位置为目标工作站时，在遍历过程中，若确定目标节点位于工作站区域，还需要进一步根据目标节点的坐标位置确定目标节点是否位于目标工作站和目标工作站对应的目标过渡节点之间的区域，在确定目标节点没有位于目标工作站与目标过渡节点之间的区域时，则说明目标节点还没有到达进入目标工作站的单向道上，此时调用的第二启发式函数为目标节点与目标工作站对应的目标过渡节点之间的曼哈顿距离，和该目标过渡节点与目标工作站之间的曼哈顿距离之和，进一步根据包括第二启发式函数的A*算法对当前剩余的距离目标工作站的路径进行规划。
基于上述任一实施例，图4是本发明提供的路径规划方法的流程示意图之三，如图4所示，所述方法还包括以下步骤：
步骤140、在确定所述目标节点位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第三启发式函数的目标路径算法对所述工作站区域进行路径规划。
其中，所述第三启发式函数是基于所述目标节点与所述目标工作站之间的曼哈顿距离确定的。
具体地，在确定目标节点位于目标工作站与目标过渡节点之间的区域时，则说明目标节点已到达进入目标工作站的单向道上，此时调用的第三启发式函数为目标节点与目标工作站之间的曼哈顿距离，进一步根据包括第三启发式函数的A*算法对当前剩余的距离目标工作站的路径进行规划。
进一步的，所述目标路径算法包括抖动因子与目标启发式函数的乘积。
其中，所述抖动因子包括大于1的数，所述目标启发式函数包括以下之一：所述第一启发式函数、所述第二启发式函数和所述第三启发式函数。
具体地，对于机器人从货物区到货物区的行走场景以及所有实际最短路径长度等于始末两点之间的曼哈顿距离的情况(包括从货物区到目标工作站行走的场景)，虽然原始A*算法中的启发式函数已经等于实际最短路径代价，但是当始末两点之间有多条代价相同的最短路径，而我们只需要其中一条，那么剩余的代价相同的最短路径上的点也相当于无效节点，从而导致原始A*算法的搜索效率低下。图5是本发明提供的原始A*算法的搜索过程示意图，如图5所示，每个加粗的黑色框分别表示原始A*算法的一次主循环，图5中所有用字母标记的单元格表示搜索过程中出现在OPEN列表中的点，网格线标记的单元格表示CLOSED列表中的点，斜线标记的单元格表示当前主循环的当前节点，网点标记的单元格表示当前主循环的相邻节点，未填充之前的白色圆圈表示起点，黑色圆圈表示终点；具体搜索过程如下：
第一次循环时，A1和A2被加入OPEN列表中，A1和A2的f值均为最小f(A1)＝f(A2)＝1+9＝10。
第二次循环时，选择OPEN列表中f值最小的点，此时有两个f值最小的点A1和A2，按照顺序选择A1作为此次循环的当前节点，然后向外延伸得到本次循环的相邻节点B1和B2，接着被加入OPEN列表中，相邻节点B1和B2的f值也均为最小f(B1)＝f(B2)＝2+8＝10。
第三次循环时，选择OPEN列表中f值最小的点，此时有三个f值最小的点A2、B1、B2，按照顺序选择A2作为此次循环的当前节点，然后向外延伸得到本次循环的相邻节点C1，接着被加入OPEN列表中，相邻节点C1的f值也为最小f(C1)＝3+7＝10。
以此类推，直至将终点包含在OPEN列表里。在这个过程中我们可以得到以终点和起点为对角线定点的矩形之间的所有节点都被搜索了一遍，因为他们都是相同最短路径上的节点，而我们只需要其中一条，因此我们可以对此做出适应性改进，使其在搜索过程中只包含一条最短路径周围的节点。
从上面原始A*算法的搜索过程中可以看出，如果我们将距离终点不同的当前节点的相邻节点的f值加一个抖动因子，使得各个循环相同路径代价上的点的f值不同，同时越靠近终点的f值越小，这样的话，算法就会朝着一个方向搜索，而不是遍历始末节点之间相同最短路径上的所有点。所以，本发明将上述实施例得到的启发式函数乘以一个大于1的抖动因子，这样，体现在f值里就是离终点远的相同路径代价点的代价被放大，因此就能将不同远近程度的当前节点的相邻节点区分开来。另外，在实际选择抖动因子时，若抖动因子远大于1，则会导致h(n)远大于真实代价，就可能会失去路径的最优性；若抖动因子太接近1，则减少无效节点的遍历效果不明显，综合考虑，抖动因子可以选取4。
实际应用中，在使用包括第一启发式函数的目标路径算法时，可以进一步给该第一启发式函数乘以抖动因子；在使用包括第二启发式函数的目标路径算法时，可以进一步给该第二启发式函数乘以抖动因子；在使用包括第三启发式函数的目标路径算法时，可以进一步给该第三启发式函数乘以抖动因子。
下面根据实验结果来验证本发明改进后的A*算法的技术效果，为了方便描述，这里将基于第一启发式函数、第二启发式函数和第三启发式函数的目标路径算法进行路径规划称为采用策略一进行路径规划，将基于抖动因子乘以第一启发式函数、抖动因子乘以第二启发式函数、抖动因子乘以第三启发式函数的目标路径算法进行路径规划称为采用策略二进行路径规划。
第一组实验如下：
针对机器人从货物区域行走至工作站区域的场景，图6是现有技术中路径规划方法的实验结果示意图之一，如图6所示，所有网点标记的单元格形成的路径为原始A*算法求解的最短路径，网格标记的单元格为原始A*算法在求解最短路径时遍历的其他点。
针对机器人从货物区域行走至工作站区域的场景，图7是本发明提供的采用策略一进行路径规划的实验结果示意图之一，如图7所示，所有网点标记的单元格形成的路径为采用策略一求解的最短路径，网格标记的单元格为采用策略一求解最短路径时遍历的点。可以看出，图7已经将理论上行不通的点提前减掉，对应到图中表现为图7中网格标记的单元格少于图6中网格标记的单元格，从而提高了算法搜索效率。
针对机器人从货物区域行走至工作站区域的场景，图8是本发明提供的采用策略二进行路径规划的实验结果示意图之一，如图8所示，所有网点标记的单元格形成的路径为采用策略二求解的最短路径，网格标记的单元格为采用策略二求解最短路径时遍历的点。可以看出，策略二在策略一的基础上，删减搜索过程中的最短路径并只保留一条最短路径，对应到图8中表现为大量相同最短路径上的网格标记的单元格比图7中网格标记的单元格减少，从而进一步提高了算法搜索效率。
第二组实验如下：
针对机器人从货物区域行走至工作站区域的场景，图9是现有技术中路径规划方法的实验结果示意图之二，如图9所示，所有网点标记的单元格形成的路径为原始A*算法求解的最短路径，网格标记的单元格为原始A*算法在求解最短路径时遍历的其他点。
针对机器人从货物区域行走至工作站区域的场景，图10是本发明提供的采用策略一进行路径规划的实验结果示意图之二，如图10所示，所有网点标记的单元格形成的路径为采用策略一求解的最短路径，网格标记的单元格为采用策略一求解最短路径时遍历的点。可以看出，图10已经将理论上行不通的点提前减掉，对应到图中表现为图10中网格标记的单元格少于图9中网格标记的单元格，从而提高了算法搜索效率。
针对机器人从货物区域行走至工作站区域的场景，图11是本发明提供的采用策略二进行路径规划的实验结果示意图之二，如图11所示，所有网点标记的单元格形成的路径为采用策略二求解的最短路径，网格标记的单元格为采用策略二求解最短路径时遍历的点。可以看出，策略二在策略一的基础上，删减搜索过程中的最短路径并只保留一条最短路径，对应到图11中表现为大量相同最短路径上的网格标记的单元格比图10中网格标记的单元格减少，从而进一步提高了算法搜索效率。
第三组实验如下：
针对机器人从货物区域行走至货物区域的场景，图12是现有技术中路径规划方法的实验结果示意图之三，如图12所示，所有网点标记的单元格形成的路径为原始A*算法求解的最短路径，网格标记的单元格为原始A*算法在求解最短路径时遍历的点。
针对机器人从货物区域行走至货物区域的场景，图13是本发明提供的采用策略二进行路径规划的实验结果示意图之三，如图13所示，所有网点标记的单元格形成的路径为采用策略二求解的最短路径，网格标记的单元格为采用策略二求解最短路径时遍历的点。可以看出，策略二在策略一的基础上，删减搜索过程中的最短路径并只保留一条最短路径，对应到图13中表现为大量相同最短路径上的网格标记的单元格比图12中网格标记的单元格减少，从而进一步提高了算法搜索效率。
第四组实验如下：
针对机器人从货物区域行走至货物区域的场景，图14是现有技术中路径规划方法的实验结果示意图之四，如图14所示，所有网点标记的单元格形成的路径为原始A*算法求解的最短路径，网格标记的单元格为原始A*算法在求解最短路径时遍历的点。
针对机器人从货物区域行走至货物区域的场景，图15是本发明提供的采用策略二进行路径规划的实验结果示意图之四，如图15所示，所有网点标记的单元格形成的路径为采用策略二求解的最短路径，网格标记的单元格为采用策略二求解最短路径时遍历的点。可以看出，策略二在策略一的基础上，删减搜索过程中的最短路径并只保留一条最短路径，对应到图15中表现为大量相同最短路径上的网格标记的单元格比图14中网格标记的单元格减少，从而进一步提高了算法搜索效率。
需要说明的是，机器人从工作站区域行走至货物区域的场景的路径规划方法，与机器人从货物区域行走至工作站区域的场景的路径规划方法类似，只是机器人从工作站区域行走至货物区域的场景下，不涉及过渡节点，标记的起始交叉点的位置不同，具体可参考机器人从货物区域行走至工作站区域的场景的路径规划方法，本发明在此不再赘述。
下面对本发明提供的路径规划装置进行描述，下文描述的路径规划装置与上文描述的路径规划方法可相互对应参照。
图16是本发明提供的路径规划装置的结构示意图，如图16所示，路径规划装置包括获取单元1610和第一规划单元1620；其中：
获取单元1610，用于获取目标地图；其中，所述目标地图包括货物区域；
第一规划单元1620，用于在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
本发明提供的一种路径规划装置，在对目标地图上的节点遍历的过程中，在确定与当前节点相邻的目标节点位于货物区域时，根据包括第一启发式函数的目标路径算法对货物区域进行路径规划。该第一启发式函数是基于目标节点、目标位置和目标节点对应的目标起始交叉点共同确定的，由于目标起始交叉点是当前距离指向目标位置方向的单向道最近的点，所以能够弥补直接用目标节点和目标位置确定的曼哈顿距离计算得到的距离误差，从而提高了算法搜索效率，进一步减轻了机器人的处理负担。
基于上述任一实施例，所述第一启发式函数是基于所述目标节点与所述目标起始交叉点之间的曼哈顿距离，和所述目标起始交叉点与所述目标位置之间的曼哈顿距离之和确定的。
基于上述任一实施例，所述目标地图还包括工作站区域，所述目标位置包括目标工作站，该装置还包括第二规划单元；
第二规划单元，用于在确定所述目标节点位于所述工作站区域，且在确定所述目标节点未位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第二启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，过渡节点为从所述货物区域进入所述工作站区域时的入口点；所述第二启发式函数是基于所述目标节点与所述目标过渡节点之间的曼哈顿距离和所述目标过渡节点与所述目标工作站之间的曼哈顿距离之和确定的。
基于上述任一实施例，在确定所述目标节点位于所述工作站区域时，该装置还包括第三规划单元；
第三规划单元，用于在确定所述目标节点位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第三启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，所述第三启发式函数是基于所述目标节点与所述目标工作站之间的曼哈顿距离确定的。
基于上述任一实施例，所述目标路径算法包括抖动因子与目标启发式函数的乘积；其中，所述抖动因子包括大于1的数，所述目标启发式函数包括以下之一：所述第一启发式函数、所述第二启发式函数和所述第三启发式函数。
基于上述任一实施例，该装置还包括添加单元；
添加单元，用于在所述目标地图上对每组单向道标识添加对应的起始交叉点；
其中，每组所述单向道标识是根据所有第一单向道标识和所有第二单向道标识划分得到的；所述第一单向道标识为第一方向道路上的标识；所述第二单向道标识为第二方向道路上的标识。
图17是本发明提供的电子设备的实体结构示意图，如图17所示，该电子设备可以包括：处理器(processor)1710、通信接口(Communications Interface)1720、存储器(memory)1730和通信总线1740，其中，处理器1710，通信接口1720，存储器1730通过通信总线1740完成相互间的通信。处理器1710可以调用存储器1730中的逻辑指令，以执行路径规划方法，该方法包括：获取目标地图；其中，所述目标地图包括货物区域；
在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
此外，上述的存储器1730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的路径规划方法，该方法包括：获取目标地图；其中，所述目标地图包括货物区域；
在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的路径规划方法，该方法包括：获取目标地图；其中，所述目标地图包括货物区域；
在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种路径规划方法，其特征在于，包括：
获取目标地图；其中，所述目标地图包括货物区域；
在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
2.根据权利要求1所述的路径规划方法，其特征在于，所述第一启发式函数是基于所述目标节点与所述目标起始交叉点之间的曼哈顿距离，和所述目标起始交叉点与所述目标位置之间的曼哈顿距离之和确定的。
3.根据权利要求1所述的路径规划方法，其特征在于，所述目标地图还包括工作站区域，所述目标位置包括目标工作站，在所述获取目标地图之后，所述方法还包括：
在确定所述目标节点位于所述工作站区域，且在确定所述目标节点未位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第二启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，过渡节点为从所述货物区域进入所述工作站区域时的入口点；所述第二启发式函数是基于所述目标节点与所述目标过渡节点之间的曼哈顿距离和所述目标过渡节点与所述目标工作站之间的曼哈顿距离之和确定的。
4.根据权利要求3所述的路径规划方法，其特征在于，在确定所述目标节点位于所述工作站区域时，所述方法还包括：
在确定所述目标节点位于所述目标工作站与所述目标过渡节点之间的区域的情况下，根据包括第三启发式函数的目标路径算法对所述工作站区域进行路径规划；
其中，所述第三启发式函数是基于所述目标节点与所述目标工作站之间的曼哈顿距离确定的。
5.根据权利要求4所述的路径规划方法，其特征在于，所述目标路径算法包括抖动因子与目标启发式函数的乘积；其中，所述抖动因子包括大于1的数，所述目标启发式函数包括以下之一：所述第一启发式函数、所述第二启发式函数和所述第三启发式函数。
6.根据权利要求1-5任一项所述的路径规划方法，其特征在于，在所述获取目标地图之前，还包括：
在所述目标地图上对每组单向道标识添加对应的起始交叉点；
其中，每组所述单向道标识是根据所有第一单向道标识和所有第二单向道标识划分得到的；所述第一单向道标识为第一方向道路上的标识；所述第二单向道标识为第二方向道路上的标识。
7.一种路径规划装置，其特征在于，包括：
获取单元，用于获取目标地图；其中，所述目标地图包括货物区域；
第一规划单元，用于在确定目标节点位于所述货物区域时，根据包括第一启发式函数的目标路径算法对所述货物区域进行路径规划；
其中，所述目标节点为当前节点的相邻节点，所述第一启发式函数是根据所述目标节点、目标位置和所述目标节点对应的目标起始交叉点确定的；所述目标起始交叉点为当前距离指向所述目标位置方向的单向道最近的点。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述路径规划方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述路径规划方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述路径规划方法的步骤。
CN202111136454.8A 2021-09-27 2021-09-27 路径规划方法、装置、电子设备和存储介质 Pending CN113932812A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111136454.8A CN113932812A (zh) 2021-09-27 2021-09-27 路径规划方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111136454.8A CN113932812A (zh) 2021-09-27 2021-09-27 路径规划方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113932812A true CN113932812A (zh) 2022-01-14

Family

ID=79277050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111136454.8A Pending CN113932812A (zh) 2021-09-27 2021-09-27 路径规划方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113932812A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723154A (zh) * 2022-04-18 2022-07-08 淮阴工学院 一种智慧超市
CN115326057A (zh) * 2022-08-31 2022-11-11 深圳鹏行智能研究有限公司 路径规划方法、装置、机器人以及可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176283A (zh) * 2011-01-07 2011-09-07 重庆大学 一种简化交通路网模型及基于此模型的导航方法
US20130204527A1 (en) * 2010-04-23 2013-08-08 Heiko Schilling Navigation devices and methods carried out thereon
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
US20130253827A1 (en) * 2012-03-26 2013-09-26 Electronics And Telecommunications Research Institute Apparatus for fast path search by learning heuristic function and method thereof
CN109164805A (zh) * 2018-08-29 2019-01-08 广州市君望机器人自动化有限公司 机器人行驶路径的调度方法及装置
CN109420617A (zh) * 2017-08-30 2019-03-05 杭州海康机器人技术有限公司 包裹分拣平台、包裹分拣***、机器人调度方法及装置
CN110637213A (zh) * 2017-05-16 2019-12-31 北京嘀嘀无限科技发展有限公司 用于数字路径规划的***和方法
CN111060109A (zh) * 2020-01-03 2020-04-24 东南大学 一种基于改进a星算法的无人艇全局路径规划方法
CN112665601A (zh) * 2020-12-11 2021-04-16 杭州安恒信息技术股份有限公司 一种路径规划方法、装置、电子设备及可读存储介质
CN112817316A (zh) * 2021-01-04 2021-05-18 浙江大学 一种多机器人路径规划方法及装置
AU2020277094B1 (en) * 2020-03-26 2021-06-03 Commonwealth Scientific And Industrial Research Organisation Path Planning

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130204527A1 (en) * 2010-04-23 2013-08-08 Heiko Schilling Navigation devices and methods carried out thereon
CN102176283A (zh) * 2011-01-07 2011-09-07 重庆大学 一种简化交通路网模型及基于此模型的导航方法
US20130253827A1 (en) * 2012-03-26 2013-09-26 Electronics And Telecommunications Research Institute Apparatus for fast path search by learning heuristic function and method thereof
CN103324982A (zh) * 2013-06-07 2013-09-25 银江股份有限公司 一种基于遗传算法的路径规划方法
CN110637213A (zh) * 2017-05-16 2019-12-31 北京嘀嘀无限科技发展有限公司 用于数字路径规划的***和方法
CN109420617A (zh) * 2017-08-30 2019-03-05 杭州海康机器人技术有限公司 包裹分拣平台、包裹分拣***、机器人调度方法及装置
CN109164805A (zh) * 2018-08-29 2019-01-08 广州市君望机器人自动化有限公司 机器人行驶路径的调度方法及装置
CN111060109A (zh) * 2020-01-03 2020-04-24 东南大学 一种基于改进a星算法的无人艇全局路径规划方法
AU2020277094B1 (en) * 2020-03-26 2021-06-03 Commonwealth Scientific And Industrial Research Organisation Path Planning
CN112665601A (zh) * 2020-12-11 2021-04-16 杭州安恒信息技术股份有限公司 一种路径规划方法、装置、电子设备及可读存储介质
CN112817316A (zh) * 2021-01-04 2021-05-18 浙江大学 一种多机器人路径规划方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LI BOCHEN ET AL.: "Path planning of mobile robots based on an improved A*algorithm", 《PROCEEDINGS OF THE 2020 4TH HIGH PERFORMANCE COMPUTING AND CLUSTER TECHNOLOGIES CONFERENCE 》, pages 49 - 53 *
TANG GANG ET AL.: "Geometric A-Star Algorithm: An Improved A-Star Algorithm for AGV Path Planning in a Port Environment", 《IEEE ACCESS》, vol. 9, 23 April 2021 (2021-04-23), pages 59196 - 59210, XP011851216, DOI: 10.1109/ACCESS.2021.3070054 *
万逸飞;彭力;: "基于协同多目标算法的多机器人路径规划", 信息与控制, no. 02, 15 April 2020 (2020-04-15), pages 15 - 22 *
卫珊;王凌;王斌锐;任海军;杨永帅;刘绪乐;丁沣城;: "A~*算法的改进及其在AGV路径规划中的应用", 自动化仪表, no. 11, pages 54 - 57 *
李永祥;樊阿娇;黄超;茹艳;潘俊方;: "基于A*算法的条件道路选择探究", 无线互联科技, no. 04, pages 129 - 131 *
王月等: "基于改进A*算法的药房机器人路径规划", 《洛阳理工学院学报(自然科学版)》, vol. 31, no. 2, pages 53 - 58 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723154A (zh) * 2022-04-18 2022-07-08 淮阴工学院 一种智慧超市
CN114723154B (zh) * 2022-04-18 2024-05-28 淮阴工学院 一种智慧超市
CN115326057A (zh) * 2022-08-31 2022-11-11 深圳鹏行智能研究有限公司 路径规划方法、装置、机器人以及可读存储介质

Similar Documents

Publication Publication Date Title
CN111504325B (zh) 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法
CN113932812A (zh) 路径规划方法、装置、电子设备和存储介质
CN110006430B (zh) 一种航迹规划算法的优化方法
CN112985405B (zh) 一种机器人全覆盖路径规划方法、装置、设备及介质
CN112783169B (zh) 一种路径规划方法、设备及计算机可读存储介质
CN110456825B (zh) 一种基于改进快速随机搜索树的无人机在线运动规划方法
CN110609572B (zh) 无人机编队信息交互拓扑的启发式优化方法和装置
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
CN115167474A (zh) 一种移动机器人路径规划优化方法
CN116203965A (zh) 一种基于agv的改进蚁群算法的路径规划算法
CN112036537A (zh) 用于平地机导航的三维路径规划方法及***
Ren et al. Cbss: A new approach for multiagent combinatorial path finding
CN114254832A (zh) 一种最优巡查路径的选择方法与终端
Tavakoli et al. A cellular automata based algorithm for path planning in multi-agent systems with a common goal
CN115979295A (zh) 基于几何a星的叉车路径规划方法、***、设备及介质
CN116360437A (zh) 智能机器人路径规划方法、装置、设备及存储介质
Xu et al. A fast traversal heuristic and optimal algorithm for effective environmental coverage
CN115420296A (zh) 基于多分辨率拓扑地图的路径搜索方法及***
Chan et al. Flex distribution for bounded-suboptimal multi-agent path finding
EP2552157B1 (en) Method and apparatus for loop path search in mesh network
CN114281105A (zh) 一种面向变电站巡检的无人机路径规划方法
Uras et al. Subgoal graphs for fast optimal pathfinding
CN112807682A (zh) 路径找寻方法、终端及计算机可读存储介质
Skyler et al. Solving the Watchman Route Problem with Heuristic Search
CN111912407B (zh) 一种多机器人***的路径规划方法

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