CN115585807B - 基于机器学习的gnss/ins组合导航方法 - Google Patents
基于机器学习的gnss/ins组合导航方法 Download PDFInfo
- Publication number
- CN115585807B CN115585807B CN202211587677.0A CN202211587677A CN115585807B CN 115585807 B CN115585807 B CN 115585807B CN 202211587677 A CN202211587677 A CN 202211587677A CN 115585807 B CN115585807 B CN 115585807B
- Authority
- CN
- China
- Prior art keywords
- data
- gnss
- ins
- imu
- machine learning
- 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
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种基于机器学习的GNSS/INS组合导航方法,从GNSS信号源接收GNSS信号,生成GNSS数据,INS***耦合到GNSS接收器,用IMU传感器生成IMU信号,生成IMU数据,将IMU数据与GNSS数据集成,并根据集成的IMU数据和GNSS数据生成INS数据;获取由GNSS接收器生成的地理位置数据以及除地理位置数据之外的辅助数据;以辅助数据训练机器学习模型,以基于残差和卫星方向信息预测定位误差;输出表示机器学习模型的训练版本的机器学习模型的数据表示。提高了应用的可靠性、数据的可靠性以及信号处理的鲁棒性,为用户提供全时段、全方位、全空间的GNSS/INS组合导航服务。
Description
技术领域
发明涉及计算机领域,具体涉及机器学习领域,并且更具体地涉及一种基于机器学习的GNSS/INS组合导航方法。
背景技术
全球导航卫星***GNSS接收器广泛用于提供自主地理空间定位,集成化的进步导致GNSS接收器可以作为集成电路(IC),例如作为单芯片片上***(SOC)。它们的低成本和广泛的可用性使得GNSS接收器的普遍适用较高,该适用性不仅在如导航定位等专业领域,而且体现在如智能电话、平板设备、照相机等消费领域中。全球导航卫星***的例子包括但不限于GPS,GLONASS和北斗。
然而,由于卫星的多径传播,GNSS接收器容易出现定位误差,该现象也被称为“多径接收”,当GNSS接收器跟踪多径信号时,例如通过近距离建筑物反射发射的无线电信号,GNSS接收器可能以错误的方式估计到发射卫星的距离。这种现象特别存在于城市环境中,其中可能妨碍到卫星的视线(LOS),并且由GNSS接收器接收的几个无线电信号可以是多径信号。
已经研究了几种技术解决方案以缓解多径问题,包括在***级提供更好的多径抑制的无线电信号的设计,以及在接收器侧的专用信号处理技术。这些方法的主要缺点包括增加了GNSS接收器的复杂性,因此增加了成本。
机器学习是一种广泛应用的人工智能技术,在生成机器学习模型时,不同的装备参数组合导致机器学习模型的不同学习效果。目前,通常按照一定的步长搜索一定范围内的所有模型参数组合,依次训练和验证分别对应于模型参数组合的机器学习模型,即以串行方式进行训练和验证,并根据验证结果确定最优模型参数组合。
发明内容
旨在为解决包括背景中提及的至少一种的技术问题,本发明旨在提供一种基于机器学习的GNSS/INS组合导航方法,可发挥出每个定位***的优势,提高了应用的可靠性、数据的可靠性以及信号处理的鲁棒性,为用户提供全时段、全方位、全空间的GNSS/INS组合导航服务。
一种基于机器学习的GNSS/INS组合导航方法,包括:
GNSS接收器,被配置为在耦合到GNSS接收器的天线处从GNSS信号源接收GNSS信号,响应于GNSS信号生成GNSS数据,将GNSS数据传送到INS***;
INS***,被配置为耦合到GNSS接收器,用IMU传感器生成IMU信号,响应IMU信号生成IMU数据,在INS***的导航处理单元中将IMU数据与GNSS数据集成,并根据集成的IMU数据和GNSS数据生成INS数据;
机器学习步骤包括:获取由GNSS接收器生成的地理位置数据以及除地理位置数据之外的辅助数据,辅助数据包括与卫星相关联的残差RES、指示卫星相对于GNSS接收器的方向的卫星方向信息AZ、EL;使用辅助数据训练机器学习模型,以基于残差和卫星方向信息预测定位误差;输出表示机器学习模型的训练版本的机器学习模型的数据表示。
所述组合导航方法的一个具体实施例中,获得所述GNSS接收器的参考数据TP,其中所述参考数据表示所述GNSS接收器的参考地理位置。
所述组合导航方法的一个具体实施例中,对于地理位置数据和参考数据的相应实例,确定定位误差作为计算的地理位置和参考地理位置之间的差值。
所述组合导航方法的一个具体实施例中,所述地理位置数据表示由GNSS接收器计算得到的地理位置。
所述组合导航方法的一个具体实施例中,残差RES是伪距残差或者从由GNSS接收器执行的卡尔曼滤波获得的创新残差。
所述组合导航方法的一个具体实施例中,所述卫星方向信息包括所述卫星在所计算的地理位置处在天空中的方位角AZ和仰角EL。
所述组合导航方法的一个具体实施例中,所述方法包括将方位角AZ、仰角EL和残差RES表示为表示球坐标系中的球坐标的数据元组。
所述组合导航方法的一个具体实施例中,还包括将所述球坐标转换为以地球为中心的地球固定坐标系中的笛卡尔坐标,其中所述笛卡尔坐标用于所述机器学习模型的训练。
所述组合导航方法的一个具体实施例中,还包括耦合到所述GNSS接收器和所述INS***并且被配置为集成所述INS数据和所述GNSS数据的积分滤波器。
所述组合导航方法的一个具体实施例中,INS***还被配置为:将INS数据传送到GNSS接收器;并将INS数据与GNSS信号集成以生成GNSS数据。
所述组合导航方法的一个具体实施例中,所述导航处理单元被配置为在信号域中集成IMU数据和GNSS数据。
所述组合导航方法的一个具体实施例中,当GNSS数据在位置域中时,集成在IMU处理器中生成具有INS集成的松散耦合GNSS。
所述组合导航方法的一个具体实施例中,当GNSS数据在测量域中时,集成在IMU处理器中生成与INS集成紧密耦合的GNSS。
所述组合导航方法的一个具体实施例中,当GNSS数据在信号域中时,集成在IMU处理器中生成具有INS集成的超紧耦合GNSS。
所述组合导航方法的一个具体实施例中,其中IMU传感器可配置为增强IMU传感器性能(精度、动态、可用性等),特别是对于低成本和小尺寸MEMSIM。
基于机器学习的GNSS/INS组合导航***,包括:
GNSS接收器,被配置为在耦合到GNSS接收器的天线处从GNSS信号源接收GNSS信号,响应于GNSS信号生成GNSS数据,将GNSS数据传送到INS***;
INS***,被配置为耦合到GNSS接收器,用IMU传感器生成IMU信号,响应IMU信号生成IMU数据,在INS***的导航处理单元中将IMU数据与GNSS数据集成,并根据集成的IMU数据和GNSS数据生成INS数据;
积分滤波器,被配置为耦合到GNSS接收器和INS***,且能集成所述INS数据和所述GNSS数据;
所述***运行时执行前述所述方法。
本发明的有益效果包括:提供了一种基于机器学***,有效地提高惯导***的性能和精度,为用户提供全时段、全方位、全空间的GNSS/INS组合导航服务。
附图说明
旨在为使得本领域技术人员更加迅速明确的了解本申请的上述和/或其他目的、特征、优点与实例,提供了部分附图,应当指出的是,构成本申请的说明书附图、示意性实施例及其说明用来提供对本申请的进一步理解,并不构成对本申请的不当限定。
图1是本申请实施例中机器学习模型的训练和验证操作的流程图。
具体实施方式
实施例1:
提供一种基于机器学习的GNSS/INS组合导航***,其特征在于包括:
GNSS接收器,被配置为在耦合到GNSS接收器的天线处从GNSS信号源接收GNSS信号,响应于GNSS信号生成GNSS数据,将GNSS数据传送到INS***;
INS***,被配置为耦合到GNSS接收器,用IMU传感器生成IMU信号,响应IMU信号生成IMU数据,INS***的导航处理单元在信号域中集成IMU数据与GNSS数据,并根据集成的IMU数据和GNSS数据生成INS数据;还被配置为将INS数据传送到GNSS接收器,并将INS数据与GNSS信号集成以生成GNSS数据
积分滤波器,被配置为耦合到GNSS接收器和INS***,且能集成所述INS数据和所述GNSS数据。
当GNSS数据在位置域中时,集成在IMU处理器中生成具有INS集成的松散耦合GNSS。
所述组合导航***中,当GNSS数据在测量域中时,集成在IMU处理器中生成与INS集成紧密耦合的GNSS。
所述组合导航***中,当GNSS数据在信号域中时,集成在IMU处理器中生成具有INS集成的超紧耦合GNSS。
所述组合导航***中,其中IMU传感器可配置为增强IMU传感器性能(精度、动态、可用性等),特别是对于低成本和小尺寸MEMSIM。
实施例2:
在前述实施例的基础上,提供基于机器学习的GNSS/INS组合导航方法,具体包括下述步骤。
获得所述GNSS接收器的参考数据TP,其中所述参考数据表示所述GNSS接收器的参考地理位置。
确定定位误差作为计算的地理位置和参考地理位置之间的差值。
所述地理位置数据表示由GNSS接收器计算得到的地理位置。
残差RES是伪距残差或者从由GNSS接收器执行的卡尔曼滤波获得的创新残差。
所述卫星方向信息包括所述卫星在所计算的地理位置处在天空中的方位角AZ和仰角EL。
所述方法包括将方位角AZ、仰角EL和残差RES表示为表示球坐标系中的球坐标的数据元组。训练数据可以包括数据元组,每个数据元组由方位角AZ、仰角EL和残差RES组成,这些数据元组又可以被认为表示球坐标系中的坐标或向量。即,仰角和方位角可以指示到卫星的方向,其单位以度表示,而残差可以指示伪距在到卫星的方向上的误差,其单位以米表示,从而指示朝向卫星或远离卫星的幅度。
还包括将所述球坐标转换为以地球为中心的地球固定坐标系中的笛卡尔坐标,其中所述笛卡尔坐标用于所述机器学习模型的训练。对于训练来说,方位角AZ、仰角EL和残差RES的获得是有益的,其中表示的数据元素具有相同的物理意义。这样的表示可以通过将方位角、仰角和残差转换成以地球为中心的笛卡尔坐标来获得,而若以地球固定(ECEF)坐标系例如XYZ坐标系来表示,那么在这种情况下,所有元素可以具有相同的物理意义,例如米,公里等。
获取由GNSS接收器生成的地理位置数据以及除地理位置数据之外的辅助数据,辅助数据包括与卫星相关联的残差RES、指示卫星相对于GNSS接收器的方向的卫星方向信息AZ、EL;使用辅助数据训练机器学习模型,以基于残差和卫星方向信息预测定位误差;输出表示机器学习模型的训练版本的机器学习模型的数据表示。
所述机器学习模型可用于在操作期间校正GNSS接收器的输出,更具体地,通过将机器学习模型应用于辅助数据以获得计算地理位置的定位误差,来校正计算地理位置,而定位误差可以被用作计算地理位置的校正项,并且可以被应用于计算地理位置,以产生校正的地理位置,该校正的地理位置可以比最初计算的地理位置更准确,其意义是指与实际地理位置偏差较小的地理位置,即相对于实际地理位置具有较小的定位误差。
如图1所示,进一步的优化方案还包括如下步骤。
机器学习模型通过以下步骤生成:基于验证分数确定与要生成的机器学习模型相对应的最佳模型参数组合,并生成与最佳模型参数结合相对应的机器学习模式。
机器学习模型的一些可选模式还包括:使用Hadoop分布式计算框架的Map-Reduce模型中的Map任务执行训练和验证操作,以及使用分布式计算框架Hadoop的MapReduce模式中的Reduce任务执行模型生成操作。
机器学习模型的训练和验证可以使用Hadoop分布式计算框架的Map-Reduce模型来执行。可以使用Hadoop中的Map任务执行训练和验证操作,并且可以使用Hadoop中的Reduce任务执行模型生成操作。
确定与要生成的机器学***均参数值;使用所述平均参数值作为参考模型参数值;以及基于参考模型参数值确定与要生成的机器学***均值,并且用户根据参考模型参数值确定要生成的机器学习模型对应的最佳模型参数组合。
提供了一种基于机器学***,有效地提高惯导***的性能和精度,为用户提供全时段、全方位、全空间的GNSS/INS组合导航服务。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本发明未尽事宜均为公知技术。
Claims (2)
1.基于机器学习的GNSS/INS组合导航方法,其特征在于包括:
GNSS接收器在耦合到GNSS接收器的天线处从GNSS信号源接收GNSS信号,响应于GNSS信号生成GNSS数据,将GNSS数据传送到INS***;
INS***耦合到GNSS接收器,用IMU传感器生成IMU信号,响应于IMU信号生成IMU数据,INS***的导航处理单元在信号域中将IMU数据与GNSS数据集成,并根据集成的IMU数据和GNSS数据生成INS数据;INS***还将INS数据传送到GNSS接收器,并将INS数据与GNSS信号集成以生成GNSS数据;
积分滤波器耦合到所述GNSS接收器和所述INS***,集成所述INS数据和所述GNSS数据;
所述组合导航方法执行下述机器学习步骤:获取由GNSS接收器生成的地理位置数据以及除地理位置数据之外的辅助数据,其中,所述地理位置数据表示由GNSS接收器计算得到的地理位置,所述辅助数据包括与卫星相关联的残差RES、指示卫星相对于GNSS接收器的方向的卫星方向信息,所述残差RES是从由GNSS接收器执行的卡尔曼滤波获得的创新残差,所述卫星方向信息包括所述卫星在所计算的地理位置处在天空中的方位角AZ和仰角EL;使用辅助数据训练机器学习模型,以基于残差和卫星方向信息预测定位误差,其中,将方位角AZ、仰角EL和残差RES表示为表示球坐标系中的球坐标的数据元组,将所述球坐标转换为以地球为中心的地球固定坐标系中的笛卡尔坐标用于所述机器学习模型的训练,所述定位误差为由GNSS接收器计算得到的地理位置和所述GNSS接收器的参考地理位置之间的差值,所述定位误差用作由GNSS接收器计算得到的地理位置的校正项;输出表示机器学习模型的训练版本的机器学习模型的数据表示。
2.基于机器学习的GNSS/INS组合导航***,其特征在于包括:
GNSS接收器,被配置为在耦合到GNSS接收器的天线处从GNSS信号源接收GNSS信号,响应于GNSS信号生成GNSS数据,将GNSS数据传送到INS***;
INS***,被配置为耦合到GNSS接收器,用IMU传感器生成IMU信号,响应于IMU信号生成IMU数据,在INS***的导航处理单元中将IMU数据与GNSS数据集成,并根据集成的IMU数据和GNSS数据生成INS数据;
积分滤波器,被配置为耦合到GNSS接收器和INS***,集成所述INS数据和所述GNSS数据;
所述***运行时执行权利要求1所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587677.0A CN115585807B (zh) | 2022-12-12 | 2022-12-12 | 基于机器学习的gnss/ins组合导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587677.0A CN115585807B (zh) | 2022-12-12 | 2022-12-12 | 基于机器学习的gnss/ins组合导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115585807A CN115585807A (zh) | 2023-01-10 |
CN115585807B true CN115585807B (zh) | 2023-08-15 |
Family
ID=84783346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211587677.0A Active CN115585807B (zh) | 2022-12-12 | 2022-12-12 | 基于机器学习的gnss/ins组合导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115585807B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
CN109459776A (zh) * | 2018-10-08 | 2019-03-12 | 上海交通大学 | 基于gnss信号非连续跟踪的gnss/ins深组合导航方法 |
CN111580144A (zh) * | 2020-05-07 | 2020-08-25 | 西北工业大学 | 一种mins/gps超紧组合导航***设计方法 |
CN112595313A (zh) * | 2020-11-25 | 2021-04-02 | 北京海达星宇导航技术有限公司 | 基于机器学习的车载导航方法、装置和计算机设备 |
CN115166804A (zh) * | 2022-07-05 | 2022-10-11 | 常熟理工学院 | 基于机器学习进行量测噪声预测的gnss/ins紧组合定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100815152B1 (ko) * | 2006-11-07 | 2008-03-19 | 한국전자통신연구원 | 다중 필터 융합을 이용한 복합 항법 장치 및 이를 이용한항법 정보 제공 방법 |
US11604287B2 (en) * | 2018-08-09 | 2023-03-14 | Apple Inc. | Machine learning assisted satellite based positioning |
-
2022
- 2022-12-12 CN CN202211587677.0A patent/CN115585807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
CN109459776A (zh) * | 2018-10-08 | 2019-03-12 | 上海交通大学 | 基于gnss信号非连续跟踪的gnss/ins深组合导航方法 |
CN111580144A (zh) * | 2020-05-07 | 2020-08-25 | 西北工业大学 | 一种mins/gps超紧组合导航***设计方法 |
CN112595313A (zh) * | 2020-11-25 | 2021-04-02 | 北京海达星宇导航技术有限公司 | 基于机器学习的车载导航方法、装置和计算机设备 |
CN115166804A (zh) * | 2022-07-05 | 2022-10-11 | 常熟理工学院 | 基于机器学习进行量测噪声预测的gnss/ins紧组合定位方法 |
Non-Patent Citations (1)
Title |
---|
白军祥等编著.《康佳卫星数字彩色电视机电路分析与故障检修》.辽宁科学技术出版社,2000,11-12页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115585807A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200158883A1 (en) | Systems and methods for reduced-outlier satellite positioning | |
CN102326092B (zh) | 用于组合使用标准rtk***与全球载波相位差分定位***的导航接收器和方法 | |
US8768617B2 (en) | Method and system for a data interface for aiding a satellite positioning system receiver | |
CN109313272B (zh) | 使用速度积分的改进gnss接收器 | |
US8630804B2 (en) | Method for geolocating an object by multitelemetry | |
US10989817B2 (en) | Enhanced UWB and GNSS position measurement system | |
US11624838B2 (en) | System and method for providing GNSS corrections | |
CN109839650B (zh) | 一种无人机兼容rtk定位方法、***、设备和存储介质 | |
CN110320536B (zh) | 卫星定位参数校准方法、装置、终端设备及存储介质 | |
US20230184956A1 (en) | System and method for correcting satellite observations | |
US11693120B2 (en) | System and method for providing GNSS corrections | |
KR20110135809A (ko) | 무선 ap를 이용한 정밀 측위 장치 및 방법 | |
US9720071B2 (en) | Mitigating effects of multipath during position computation | |
KR102031838B1 (ko) | 위성항법 시스템의 보정정보를 처리하는 장치 및 방법 | |
US20240027625A1 (en) | Real-time kinematic (rtk) and differential global navigation satellite system (dgnss) corrections using multiple reference stations | |
US5890090A (en) | Half-dead-reckoning capable GPS navigation receiver | |
CN114174870A (zh) | 用于确定描述至少一个特定于环境的gnss曲线的模型的方法 | |
CN113917509B (zh) | 一种双差模糊度固定方法、设备以及可读存储介质 | |
WO2020008791A1 (ja) | 測位システム、測位装置およびセンタ装置 | |
CN115585807B (zh) | 基于机器学习的gnss/ins组合导航方法 | |
Zhang et al. | GNSS position-aided delay-locked loops for accurate urban navigation | |
RU2379702C1 (ru) | Способ нахождения охранного предела с компенсацией на задержки вычисления | |
Trinklein | Post processing of multiple GPS receivers to enhance baseline accuracy | |
CN116907470A (zh) | 创建环境模型的方法 | |
Lin et al. | A New GPS Position Correction Method Based on |
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 |