CN114245334B - 融合可计算误差地图和灰狼优化的超宽带室内定位算法 - Google Patents
融合可计算误差地图和灰狼优化的超宽带室内定位算法 Download PDFInfo
- Publication number
- CN114245334B CN114245334B CN202111544118.7A CN202111544118A CN114245334B CN 114245334 B CN114245334 B CN 114245334B CN 202111544118 A CN202111544118 A CN 202111544118A CN 114245334 B CN114245334 B CN 114245334B
- Authority
- CN
- China
- Prior art keywords
- base station
- uwb
- error
- wolf
- coordinates
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及无线电磁波传播及超宽带室内定位领域,具体涉及融合可计算误差地图和灰狼优化的超宽带室内定位算法,其包括包括以下步骤:S1.将待定位室内地图根据UWB信号穿墙数量划分成多个区域及细粒度网格,并根据所提出的每个区域的测距误差公式计算出每个UWB基站与每个网格中心坐标之间的测距误差模型,从而形成每个UWB基站的误差地图;S2.基于细粒度网格结合灰狼优化算法设置初始狼的坐标,利用改进的灰狼优化算法对UWB标签的位置进行准确估计。本发明有效提升了超宽带室内定位技术在室内复杂环境中的定位精度。
Description
技术领域
本发明涉及无线电磁波传播及超宽带室内定位领域,具体涉及融合可计算误差地图和灰狼优化的超宽带室内定位算法。
背景技术
随着互联网技术的不断发展,基于位置的服务受到了广泛的关注和研究,如面向日趋严峻的老龄化问题的室内服务机器人、面向快速高效无人搬运的室内物流搬运车、面向生产人因学分析的室内工人轨迹分析等等实际应用中,如何提升定位***在室内多墙体环境中的定位精度是亟待解决的问题。因超宽带技术较其他室内定位技术有极大的带宽和极低的传输功率,而被广泛看好并采用。
但现有超宽带技术的定位精度往往依赖于对超宽带标签初始位置的粗略估计,另外,即使超宽带信号具有较强的穿墙能力,但是面对室内定位场景中的多墙体对信号的遮挡,超宽带信号在穿墙时仍存在难以量化的信号衰减和失真,这使得在该场景下的定位误差模型难以被准确估计。以上因素导致了利用有限的超宽带设备,在多墙体的实际室内定位场景中定位***精度不高。
同时既有的消除遮挡的超宽带室内定位算法,往往需要已知超宽带标签的初始位置,然后去计算其遮挡误差,再根据遮挡误差修正测距值,从而计算得到最终的超宽带标签的估计位置。然而,目前计算超宽带标签的初始位置是基于遮挡情况下的距离估计得到的,这个估计得到的初始位置包含了明显的误差,会导致计算其遮挡误差也存在明显的错误,因此,研究一种不需要知道超宽带标签初始位置的室内定位算法,对于室内定位***的精度提升来说是非常重要的。
发明内容
本发明的目的在于提供融合可计算误差地图和灰狼优化的超宽带室内定位算法,解决现有技术中提升存在多个遮挡物的室内定位***的精度,并且克服现有技术在解决该问题时需要知道UWB标签初始位置的缺点的问题。
本发明的目的通过以下述技术方案来实现,融合可计算误差地图和灰狼优化的超宽带室内定位算法,其特征在于,包括以下步骤:S1、将待定位室内地图根据UWB信号穿墙数量划分成多个区域及细粒度网格,并根据所提出的每个区域的测距误差公式计算出每个UWB基站与每个网格中心坐标之间的测距误差模型,从而形成每个UWB基站的误差地图;S2、基于细粒度网格结合灰狼优化算法设置初始狼的坐标,并利用改进的灰狼优化算法目标函数对UWB标签的位置进行准确估计。
需要说明的是:本申请采用上述步骤可以精细化定位准确度,细化定位的区域,提高室内定位准确度。
所述S1包括以下子步骤:S11、已知二维室内定位平面其中R是实数集,且中的点的笛卡尔坐标横轴方向最大值为X,纵轴方向最大值为Y,在该定位平面中存在墙体的个数为W,其中是自然数集;并且,在该定位平面中已部署I个固定的UWB基站和一个可移动的UWB标签,其中UWB基站的坐标为xi=[xi,yi]T,UWB标签的真实坐标为xp=[x,y]T;根据UWB基站和UWB标签在信号传输时在室内要穿过的墙体的数量组合将室内区域划分为若干个区域,记为Ui,j,其中下标i代表第i个基站,j代表第j个区域;S12、将每个基站的所有区域Ui,j划分成细粒度网格,记为Gi,j,(x,y),其中下标i代表第i个基站,j代表第j个区域,(x,y)代表细粒度网格的中心坐标,其中细粒度网格尺寸根据精度需求可以划分为10厘米×10厘米至100厘米×100厘米不等;S13、根据Ui,j区域的测距误差模型计算出UWB基站与细分网格Gi,j,(x,y)中心坐标之间的测距误差,记为Ei,j,(x,y);将计算得到的测距误差保存到N×X×Y的三维矩阵中,该三维矩阵即为本发明所提出的误差地图。
需要说明的是,根据本申请的误差区域划分方式及基于细粒度网格的误差地图计算方式,可以有效区别于现有技术简单地对室内定位环境中的UWB测距误差的近似等效计算,也可以较好地区别现有技术在建立指纹库过程中大量的先验知识采集工作,明显提高了超宽带技术在室内多墙体环境中的定位精准度和实际施工效率。
需要说明的是,采用多区域细化的定位计算,可以将定位误差由多个大单元细化为小单元,提高定位精度。
所述S2包括以下子步骤:S21、根据TOA测距方法,分别测得每个UWB基站与UWB标签之间的测距距离记作S22、设置二维室内定位平面中,第k只狼的初始坐标为xk=[xk,yk]T,其中k∈{1,2,3,...,K},K表示狼的总数,同时,设置迭代次数t=0,0≤t<T,T表示最大迭代次数;S23、计算第k只狼的拟合度计算得到K只狼的拟合度集合其中依据以下公式组:
其中,和表示第k只狼和第i个基站之间的欧几里得距离及第k只狼和第i个基站之间的修正距离,表示第k只狼和第i个基站之间的测距误差,该测距误差可以从S1.3步骤中得到的Ei,j,(x,y)中读取;S24、将K只狼的拟合度集合进行排序,保留最小拟合度的三只狼,{xa,xb,xc};S25、更新所有狼的坐标xk=[xk,yk]T,直到迭代次数t达到了最大迭代次数T停止,其中依据以下公式组:
需要说明的是,采用上以上步骤进行UWB标签的坐标估计和测定,可以避免现有技术的定位精度受UWB标签粗略的初始位置估计的影响,有效提升定位***的可靠性,同时改进的灰狼优化算法可以提高室内定位过程中的坐标估计准确度,提升了***在室内多墙体复杂环境中的定位精度。
本发明与现有技术相比,具有如下的优点和有益效果:
1.本申请采用上述步骤可以在不增加现场部署工作量的前提下较准确地计算出每个室内区域的测距误差模型,提高室内多墙体复杂环境定位的可操作性;
2.采用细粒度网格对误差区域进行进一步划分,同时结合不同室内区域的误差模型对细粒度网格中心坐标的误差模型进行计算,建立了准确的误差地图,直接提高了定位精度;
3.根据本申请的误差地图计算及改进的灰狼优化,可以有效区别于现有技术简单地对室内定位环境中的UWB测距误差的近似等效计算,也较好地避免了现有技术获得高精度时需要大量采集先验知识的工作量,同时摆脱了现有技术的定位结果受标签粗略的初始坐标估计的束缚和影响,从而显著提高了超宽带技术在室内多墙体环境中的定位精度。
附图说明
图1为本发明算法计算流程图;
图2为本发明定位***部署示意图;
图3为本发明UWB基站AN1误差区域划分及细粒度网格示意图;
图4为本发明定位场景示意图;
图5为本发明累计误差分布图。
具体实施方式
请一并参考说明附图1-附图5,本实施例提供了融合可计算误差地图和灰狼优化的超宽带室内定位算法,该融合可计算误差地图和灰狼优化的超宽带室内定位算法主要用于解决现有技术在存在多个遮挡物的室内环境中的定位***的精度,并且克服现有技术在解决该问题时需要知道UWB标签初始位置的缺点以及需要现场采集大量先验知识的不足,该定位算法已经处于实际使用阶段。
本发明的具体实施方式如下:融合可计算误差地图和灰狼优化的超宽带室内定位算法,其特征在于,包括以下步骤:S1、将待定位室内地图根据UWB信号穿墙数量划分成多个区域及细粒度网格,并根据所提出的每个区域的测距误差公式计算出每个UWB基站与每个网格中心坐标之间的测距误差模型,从而形成每个UWB基站的误差地图;S2、基于细粒度网格结合灰狼优化算法设置初始狼的坐标,并利用改进的灰狼优化算法目标函数对UWB标签的位置进行准确估计。所述S1包括以下子步骤:S11、已知二维室内定位平面其中R是实数集,且中的点的笛卡尔坐标横轴方向最大值为X,纵轴方向最大值为Y,在该定位平面中存在墙体的个数为W,其中是自然数集;并且,在该定位平面中已部署I个固定的UWB基站和一个可移动的UWB标签,其中UWB基站的坐标为xi=[xi,yi]T,UWB标签的真实坐标为xp=[x,y]T;根据UWB基站和UWB标签在信号传输时在室内要穿过的墙体的数量组合将室内区域划分为若干个区域,记为Ui,j,其中下标i代表第i个基站,j代表第j个区域;S12、将每个基站的所有区域Ui,j划分成细粒度网格,记为Gi,j,(x,y),其中下标i代表第i个基站,j代表第j个区域,(x,y)代表细粒度网格的中心坐标,其中细粒度网格尺寸根据精度需求可以划分为10厘米×10厘米至100厘米×100厘米不等;S13、根据Ui,j区域的测距误差模型计算出UWB基站与细分网格Gi,j,(x,y)中心坐标之间的测距误差,记为Ei,j,(x,y);将计算得到的测距误差保存到N×X×Y的三维矩阵中,该三维矩阵即为本发明所提出的误差地图。在二维室内定位平面中,以UWB基站为端点,向四周发射射线,若两条射线穿过的墙体是相同的,则两条射线指向同一个区域,整个二维室内定位平面最多可以被划分为个区域,其中w为第w个墙体。所述S2包括以下子步骤:S21、根据TOA测距方法,分别测得每个UWB基站与UWB标签之间的测距距离记作S22、设置二维室内定位平面中,第k只狼的初始坐标为xk=[xk,yk]T,其中k∈{1,2,3,...,K},K表示狼的总数,同时,设置迭代次数t=0,0≤t<T,T表示最大迭代次数;S23、计算第k只狼的拟合度计算得到K只狼的拟合度集合其中依据以下公式组:
其中,和表示第k只狼和第i个基站之间的欧几里得距离及第k只狼和第i个基站之间的修正距离,表示第k只狼和第i个基站之间的测距误差,该测距误差可以从S1.3步骤中得到的Ei,j,(x,y)中读取;S24、将K只狼的拟合度集合进行排序,保留最小拟合度的三只狼,{xa,xb,xc};S25、更新所有狼的坐标xk=[xk,yk]T,直到迭代次数t达到了最大迭代次数T停止,其中依据以下公式组:
具体为:根据说明附图2所示,在一个常见的三室一厅户型图,存在三个固定的内墙,在这样的场景中部署室内定位***往往需要至少3个固定位置的UWB基站和1个可移动的UWB标签。UWB基站和UWB标签之间使用UWB技术的双边测距方法不断地进行实时测距。但是,UWB基站和UWB标签之间的UWB信号传播存在多个墙体遮挡,此时的测距值是不准确的,且测距误差是不易被量化的,导致对UWB标签的坐标估计存在较大误差。根据说明附图3所示,在一个一般化三室一厅室内实地场景中,根据以UWB基站1为端点发出的射线穿透墙体的数量组合将整个室内区域划分为6个区域,分别记为并进一步将整个室内区域划分成10×10厘米的网格,此处,发明人采用定位误差来评价定位性能。并分别采用本发明算法、原始三边定位算法、未改进的灰狼优化算法,在相同的场景进行对比实验,从表中可以看出,与其他方法相比,本发明所提出的算法的均值、标准差和均方根误差都是最小的。本发明所提出的算法的均值为22.28厘米,将三边定位算法的误差降低了约61.5%,同时相较于未改进的灰狼优化算法的定位误差均值45.94厘米,本发明算法的定位误差均值仅为22.28厘米。此外,本算法的定位误差标准差也是最低的,达到了9.87厘米。均方根误差表征了计算值与真实值直接的偏差,采用本发明算法,均方根误差降至17.23厘米。图5进一步给出了三种定位算法的累积误差分布图,从图中可以看出本发明的算法性能表现优于三边定位算法,也优于未改进的灰狼优化算法,本发明的累计误差是最小的。实验结果表明,该方法在室内多墙体定位环境中有效降低了定位误差,即提高了超宽带***的定位精度,对定位性能是有效的。
表三种算法的定位误差结果对比
根据上表可以明确得出,本发明算法的均方根误差远远低于现有技术的三边定位以及未改进的灰狼优化算法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.融合可计算误差地图和灰狼优化的超宽带室内定位算法,其特征在于,包括以下步骤:
S1、将待定位室内地图根据UWB信号穿墙数量及组合划分成多个区域及进一步划分为细粒度网格,并根据所提出的每个区域的测距误差公式计算出每个UWB基站与每个网格中心坐标之间的测距误差,从而形成每个UWB基站的误差地图;
S2、基于细粒度网格结合灰狼优化算法设置初始狼的坐标,在无需获知UWB标签初始位置的情况下,并利用改进的灰狼优化算法目标函数对UWB标签的位置进行准确估计;
所述S1包括以下子步骤:
S11、已知二维室内定位平面 其中R是实数集,且中的点的笛卡尔坐标横轴方向最大值为X,纵轴方向最大值为Y,在该定位平面中存在墙体的个数为W,其中是自然数集;并且,在该定位平面中已部署I个固定的UWB基站和一个可移动的UWB标签,其中UWB基站的坐标为xi=[xi,yi]T,UWB标签的真实坐标为xp=[x,y]T;根据UWB基站和UWB标签在信号传输时在室内要穿过的墙体的数量组合将室内区域划分为若干个区域,记为Ui,j,其中下标i代表第i个基站,j代表第j个区域;
S12、将每个基站的所有区域Ui,j划分成细粒度网格,记为Gi,j,(x,y),其中下标i代表第i个基站,j代表第j个区域,(x,y)代表细粒度网格的中心坐标,其中细粒度网格尺寸根据精度需求可以划分为10厘米×10厘米至100厘米×100厘米不等;
S13、根据Ui,j区域的测距误差公式计算出UWB基站与细分网格Gi,j,(x,y)中心坐标之间的测距误差,记为Ei,j,(x,y);将计算得到的测距误差保存到N×X×Y的三维矩阵中,该三维矩阵即为误差地图,其中下标i代表第i个基站,j代表第j个区域,(x,y)代表细粒度网格的中心坐标;
所述S2包括以下子步骤:
S25、更新所有狼的坐标xk=[xk,yk]T,直到迭代次数t达到了最大迭代次数T停止,其中依据以下公式组:
其中,xk(t+1)表示第k只狼在第t+1次迭代中的坐标;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544118.7A CN114245334B (zh) | 2021-12-16 | 2021-12-16 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111544118.7A CN114245334B (zh) | 2021-12-16 | 2021-12-16 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114245334A CN114245334A (zh) | 2022-03-25 |
CN114245334B true CN114245334B (zh) | 2023-01-24 |
Family
ID=80757067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111544118.7A Active CN114245334B (zh) | 2021-12-16 | 2021-12-16 | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114245334B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861528B (zh) * | 2022-04-18 | 2024-04-16 | 湖北工业大学 | 一种基于改进灰狼算法的无线电能传输***参数优化方法 |
CN114859291A (zh) * | 2022-07-07 | 2022-08-05 | 广东师大维智信息科技有限公司 | 狭长空间定位方法、计算机可读存储介质及计算机设备 |
CN117500045B (zh) * | 2023-12-29 | 2024-03-15 | 环球数科集团有限公司 | 一种ldsw超低功耗人工智能通讯定位*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645666A (zh) * | 2012-05-11 | 2012-08-22 | 常熟南师大发展研究院有限公司 | Uwb与gps室内外定位切换方法 |
CN103889051A (zh) * | 2014-02-18 | 2014-06-25 | 北京工业大学 | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 |
CN113316084A (zh) * | 2021-06-25 | 2021-08-27 | 长春工业大学 | 一种基于rssi的灰狼优化差分修正质心定位算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017218960B2 (en) * | 2016-08-24 | 2018-12-13 | Shang Hai Pan Shi Tou Zi Guan Li You Xian Gong Si | Map generation system and method |
CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
CN113378272B (zh) * | 2021-06-11 | 2022-06-07 | 西南交通大学 | 用于构建多墙体遮挡下超宽带测距误差模型的方法及*** |
-
2021
- 2021-12-16 CN CN202111544118.7A patent/CN114245334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645666A (zh) * | 2012-05-11 | 2012-08-22 | 常熟南师大发展研究院有限公司 | Uwb与gps室内外定位切换方法 |
CN103889051A (zh) * | 2014-02-18 | 2014-06-25 | 北京工业大学 | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 |
CN113316084A (zh) * | 2021-06-25 | 2021-08-27 | 长春工业大学 | 一种基于rssi的灰狼优化差分修正质心定位算法 |
Non-Patent Citations (1)
Title |
---|
基于地图匹配的室内TDOA定位算法误差分析和校正;周巘;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20210115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114245334A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114245334B (zh) | 融合可计算误差地图和灰狼优化的超宽带室内定位算法 | |
CN109275093B (zh) | 基于uwb定位与激光地图匹配的定位方法和移动终端 | |
CN108802674B (zh) | 一种针对直接定位的联合搜索方法及装置 | |
CN105676181B (zh) | 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法 | |
CN106019217A (zh) | 基于aoa的二维无线传感器网络半定规划定位方法 | |
Gan et al. | Deep learning for weights training and indoor positioning using multi-sensor fingerprint | |
CN110174643A (zh) | 一种无需噪声功率信息的基于到达时间差的定位方法 | |
CN103338516A (zh) | 一种基于总体最小二乘的无线传感器网络两步定位方法 | |
CN112986906B (zh) | 一种半正定规划的rss-toa联合定位方法 | |
CN105072581A (zh) | 一种基于路径衰减系数建库的室内定位方法 | |
KR20120115895A (ko) | 수신신호강도의 거리추정방식에 의거하여 4개 이상의 앵커노드를 이용한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체 | |
CN110673181B (zh) | 一种基于网格能量遍历搜索的gnss干扰源定位方法 | |
CN110954865A (zh) | 一种基于电离层信息的短波时差定位方法 | |
CN101977068A (zh) | 不需目标仰角参数对目标来波方向进行快速测定的方法 | |
CN105974362B (zh) | 一种联合估计信号参数和位置的高精度被动定位方法 | |
CN1235429C (zh) | 一种位置估计方法 | |
Xie et al. | Weighted centroid localization for wireless sensor networks | |
CN105445732B (zh) | 在密集杂波条件下利用多径观测的目标航迹初始化方法 | |
CN109901154A (zh) | 基于递推rtht-tbd的自适应调整方法 | |
CN104050254B (zh) | 利用室内数据构建3d室内特征库的方法 | |
CN115914355A (zh) | 一种适用于室内室外联合定位连接物联网方法 | |
CN109932690A (zh) | 一种基于接收信号强度的多目标水声定位方法 | |
CN107682822B (zh) | 一种基于电磁场强度的压缩感知室外定位方法 | |
CN104036136A (zh) | 一种基于rssi的近距离精确定位方法 | |
CN103487784B (zh) | 一种基于信号到达时间的定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |