CN116321418B - 一种基于节点构型优选的集群无人机融合估计定位方法 - Google Patents
一种基于节点构型优选的集群无人机融合估计定位方法 Download PDFInfo
- Publication number
- CN116321418B CN116321418B CN202310188403.2A CN202310188403A CN116321418B CN 116321418 B CN116321418 B CN 116321418B CN 202310188403 A CN202310188403 A CN 202310188403A CN 116321418 B CN116321418 B CN 116321418B
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- aerial vehicle
- reference node
- pose
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012883 sequential measurement Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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)
- Position Fixing By Use Of Radio Waves (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于节点构型优选的集群无人机融合估计定位方法,包括:获取参考节点位置和参考节点与被测节点的距离测量值,获得精度最高的参考节点位置与被测节点的距离测量值,输入至融合估计定位模块中进行计算,结合UWB信道特性带来的约束,获得UWB位置信息;计算IMU的加速度和角速度测量值,并通过位姿方程估算出IMU位姿估计信息;将UWB位置信息与所述IMU位姿估计信息的差值作为误差状态数据,并将误差状态数据输入误差状态卡尔曼滤波器中进行滤波处理,将滤波后的结果对IMU传感器误差进行补偿,同时不断输出位姿方程估算的位姿信息结果,确定无人机位置。
Description
技术领域
本发明涉及无人机相对定位设备技术领域,尤其涉及一种基于节点构型优选的集群无人机融合估计定位方法。
背景技术
无人机蜂群更有可能是少量的高成本无人机与大量的低成本无人机组成,在空旷区域使用GNSS提供的绝对位置信息实现定位,但在密集建筑或山区丛林使用会产生遮挡,或者在军事对抗与灾害救援时受恶劣电磁环境与地面参考站被破坏的影响,GNSS精度降低或失效。高成本无人机配备有高精度的惯性导航***,能够在短时间无GNSS信号环境中依然能够获得准确的自身位置。而低成本无人机精简重量降低成本,使用相对定位方法来获取自身相对于高成本无人机的位置。研究相对定位方法则主要是解决在此类场景中低成本无人机自身定位问题,已经成为无人机运动控制、编队规划、任务分配等方面的研究热点。目前已有多类测量传感器和多种相对定位算法,在无人机仓储巡检、无人货运、应急救援等领域得到初步应用。在相对定位传感器中,蓝牙与Wi-Fi覆盖范围大,但精度仅能达到米级;RFID精度较高,但覆盖范围只有十几米;激光雷达精度高、覆盖范围100至200米,但远距离扫描精细度低,且功耗高质量大。UWB技术因为其设备成本低、测距精度高、覆盖范围大、抗干扰能力强、功耗低、可拓展性强等特点,广泛应用于无人***的测量和定位。
UWB技术依靠脉冲编码通信,有着与其他通信方式不同的信道特征与约束。IEEE802.15.4标准希望使用不同的前导码来作为不同设备同时使用信道的区分手段,实际上由于存在少量的互相关,不同的前导码之间会有突破,这意味着不可能实现标准制定者设想的信道区分。因此,常见的为增加接入网络节点数量而使用的频分复用与码分复用,在UWB通信定位中均不能使用。为增加接入节点数量,唯一可以使用的就是对节点进行时分复用。由于信道时分复用,即对节点进行轮询通信。随着接入节点增多,单次轮询通信用时增加,UWB解算位置信息的刷新频率就会下降,造成延迟的误差。因此在使用环境中存在多个节点时,需要选择适当的节点进行通信,在满足定位需求的基础上,完成在线优化选择策略。
四边测量法是基于数学几何定理的一种计算方法,根据空间几何定理可以知道,在三维空间中,待测节点通信半径内至少要存在四个参考节点,这样才可以利用四边测量法来对待测节点进行计算。但是由于UWB单信道限制,被测节点在一个时间片内只能接收一个距离测量值,因此多个测量值是在不同时间片获得。随着被测节点的增加,测量频率降低,解算位置信息就会带来延迟增大。另一方面,在一个定位周期内,无人机集群内部可能产生相对位置的“抖动”——短时间内发生较为剧烈的相对运动(如较大阵风影响等),造成解算出来的定位与实际位置产生偏差,当偏差较大时甚至会影响无人机的运行安全。因此无人机需要一个稳定的相对定位***来提供精确定位信息。
发明内容
为解决上述技术问题,本发明提出了一种最优节点构型在线选择的无人机融合估计定位方法,能够根据无人机蜂群的任务需求,周期性选择定位精度较高的参考节点,依靠IMU对UWB定位周期内被测节点进行高频位姿估计,构建出一个稳定的相对定位***。
为实现上述目的,本发明提供了一种基于节点构型优选的集群无人机融合估计定位方法,包括:
获取参考节点位置和所述参考节点与被测节点的距离测量值,基于几何精度因子的参考节点在线选择策略,获得精度最高的所述参考节点位置与所述被测节点的距离测量值;
基于精度最高的所述参考节点位置与所述被测节点的距离测量值,结合UWB信道特性的约束,获取UWB位置信息;
计算IMU的加速度和角速度测量值,基于加速度和角速度测量值估算IMU位姿估计信息;
将所述UWB位置信息与所述IMU位姿估计信息的差值进行滤波处理,将滤波后的结果对IMU传感器误差进行补偿,同时不断输出补偿后的估算位姿信息结果,确定无人机位置。
优选地,获得精度最高的所述参考节点位置与所述被测节点的距离测量值,包括:
将参考节点无人机与被测节点无人机的UWB设备进行交互,获得所述参考节点位置和所述参考节点与被测节点的距离测量值;
基于几何精度因子的参考节点在线选择策略模块,进行有效距离判断、基于几何精度因子选择最佳构型和几何精度因子计算,输出精度最高的所述参考节点位置值、所述参考节点与被测节点之间的距离值。
优选地,进行所述有效距离判断,包括:
在合法功率内,划定所述UWB的有效通信范围,用于避免因为信号弱而造成通信不断丢包。
优选地,所述基于几何精度因子选择所述最佳构型,包括:
引入几何精度因子GDOP作为评价指标,所述评价指标用于评价定位***构型,判断所述GDOP大小,根据最小GDOP值,选择所述最佳构型;其中,所述几何精度因子GDOP的表达式为:
其中,H为定位的观测矩阵,g11为HTH结果的第一行第一列元素,g22为第二行第二列元素,g33为第三行第三列元素,g44为第四行第四元列元素,为x轴位置的方差,/>为y轴位置的方差,/>为z轴位置的方差,/>为时钟的方差,σ为各个测距过程中相互独立的标准差。
优选地,基于所述几何精度因子进行计算,包括:
采用最大四面体体积法,计算所述GDOP的值,所述最大四面体体积放为:
令则有/>其中:
设n1p,n2p,n3p,n4p分别为参考节点到被测节点的单位矢量,则:
|H|=(n1p-n4p)·[(n2p-n4p)×(n3p-n4p)]=6V
其中,V代表了4个参考节点到被测节点的单位矢量的端点所围成的四面体n1n2n3n4的体积,则有:
由此可知,四面体体积V与GDOP值成反比,A的变化远小于V。
优选地,输出精度最高的所述参考节点位置值、所述参考节点与被测节点之间的距离值,包括:
根据被测节点第一次与所有所述参考节点的轮询数据,获得参考节点的位置、被测节点与参考节点的距离;
其中,所述轮询数据包括对所有参考节点的距离信息轮询,若超过预设距离则删除该节点;对所述参考节点的ID列表与上一次进行轮询后的ID列表相比是否发生变化,若有变化,则重新构建参考节点组合表,若没有变化,则继续使用上次的组合表;
依照所述组合表进行GDOP最大四面体体积替代算法,计算出每种组合的GDOP值,通过所述GDOP值,获得最小的GDOP值对应的参考节点组合,此时启动下一次轮询数据的计时器开始计时,其中,计时的时间长短根据任务需要进行设定;
若未到计时时间,则轮询最小GDOP值对应的参考节点组合,并使用最小二乘定位算法计算位置信息,输出所述UWB位置信息;若到达所述计时时间,则轮询数据,所述计时器重新计时。
优选地,计算所述IMU的加速度和角速度测量值的方法为:
其中,pk∈R3[m],vk∈R3[m/s],qk∈R4[-]表示位姿信息获取***在时刻k的位置、速度和姿态,sk∈R3[m/s2]和ωk∈R3[rad/s]分别表示加速度和角速度。
优选地,所述误差状态数据为:
其中,位置误差δpk和速度误差δvk分别定义为和/>姿态误差向量εk被定义为将姿态向量/>旋转成qk的小欧拉角序列,即/>其中隐函数Γ定义为:
[a]×表示a的斜对称矩阵表示,其中[a]×b=a×b。
与现有技术相比,本发明具有如下优点和技术效果:
本发明能够节省信道容量、控制信息刷新率、改善定位算法性能,为每架无人机提供快速有效的定位方法;
本发明采用UWB与IMU融合估计方法,提高了无人机间相对定位精度,该方法主要包括在线优化选择策略和误差状态融合估计定位两个部分。在线优化选择部分针对“n对1”定位问题,即多个参考节点与一个被测节点的定位问题,分析UWB信道容量约束与有效距离约束,利用GDOP快速选择算法,为达到更少的通信交互,对多节点进行最优化选择机制,研究从多个参考节点中选择最优的4个参考节点,解决了从“n对1”到“4对1”的最优节点构型选择方法。误差状态融合估计定位部分基于误差状态卡尔曼滤波算法,融合IMU数据与UWB最小二乘定位算法的位置信息,无间断获取“4对1”的三维位置信息,使无人机蜂群实现更加可靠的机间定位和接入更多数量的通信节点。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的基于节点构型优选的集群无人机融合估计定位方法流程图;
图2为本发明实施例的在线优化选择策略模型流程图;
图3为本发明实施例的四边测量法示意图;
图4为本发明实施例的UWB与IMU信息融合的相对定位方法流程图;
图5为本发明实施例的无人机搭载硬件设备示意图;
图6为本发明实施例的参考节点无人机分布示意图;
图7为本发明实施例的飞行实验轨迹图;
图8为本发明实施例的飞行实验期间构型排名变化示意图;
图9为本发明实施例的飞行实验期间定位误差变化示意图;
图10为本发明实施例的仿真飞行实验GDOP排名随时间变化示意图;
图11为本发明实施例的实际飞行实验GDOP排名随时间变化示意图;
图12为本发明实施例的被测节点无人机与参考节点无人机的通信情况示意图;
图13为本发明实施例的被测节点无人机选择不同参考节点无人机测距值解算定位的三维误差示意图;
图14为本发明实施例的被测节点无人机选择不同参考节点无人机测距值融合定位的三维误差示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
无人机蜂群中有能获得自身精确位置坐标的无人机被称为参考节点无人机,而运用本***获取相对位置坐标的无人机被称为被测节点无人机。
本发明提出了一种最优节点构型在线选择的无人机融合估计定位方法,如图1,参考节点无人机与被测节点无人机的UWB设备进行交互,获取参考节点位置和被测节点的距离测量值数据后作为输入,进入基于几何精度因子的参考节点在线选择策略模块,根据UWB信道特性带来的约束,提出了有效距离判断、基于几何精度因子的最佳构型选择、快速算法3个子模块,选择出精度较高的参考节点位置和被测节点的距离测量值,送入下一模块,基于误差状态卡尔曼滤波的UWB与IMU融合估计定位模块。UWB位置信息由最小二乘定位算法子模块计算出。IMU的加速度、角速度测量值输入进入位姿方程估算出位姿估计信息。对UWB位置信息与位姿估计信息的差值作为误差状态数据,送入误差状态卡尔曼滤波器中,然后将滤波后的结果对IMU传感器误差进行补偿。同时***不断输出位姿方程估算的位姿信息结果。
(一)基于几何精度因子的参考节点在线选择策略
1.有效距离判断
UWB发射器功率不能无限增大,否则会对电磁环境造成巨大的干扰影响。国际电信联盟要求UWB功率最大41.3dBm/MHz。而在合法功率内,UWB的有效通信范围是有限的,随着距离增大,会因为信号弱而造成通信不断丢包,因而划定有效通信范围是有必要的。
2.基于几何精度因子的最佳构型选择
为了表征节点几何图形结构对定位精度的影响,引入几何精度因子(GeometricDilution of Precision,GDOP)作为评价指标。GDOP反映了由于节点几何关系影响,造成距离测量误差与位置误差间的比例系数,或者说是对测量误差的放大程度,是一种评价定位***构型的常用指标,一般情况下,GDOP值越大,几何构型越差,定位误差越大。
假设定位***的观测方程Y=HX+ε。对于观测矩阵H,假设有i个参考节点(i≥4),坐标为(xi,yi,zi),被测节点的坐标为(x,y,z),di表示被测节点与参考节点的测量距离。令表示参考节点与被测节点连线方向矢量的方向余弦。则观测矩阵可表示为:
由于被测节点最小二乘解可得定位误差的最小二乘解为:
假设参考节点的位置(x,y,z)误差与时钟(t)误差为0,各个测距过程相对独立且方差为σ2,被测节点定位误差的协方差为:
即可写成如下形式:
协方差又可表示为:
上面两式的矩阵元素相等,从而有:
上述表达式被称为GDOP,反映出由于节点的几何关系的影响造成节点测量误差与位置误差的比例系数,与所选坐标系无关。
3.快速算法
在实际应用场景中,参考节点的相对位置变化不剧烈,无需对所有参考节点实时交互,可以定时对所有参考节点进行一次通信交互,选出此时GDOP值最小的4个参考节点,一段时间内只与这4个参考节点实时交互,等待下次对所有参考节点进行通信交互后再选择4个参考节点,如此能大幅提高交互频率。同时当通信交互节点与上次不相同时进行遍历解算,减少遍历解算的计算量。
对最小GDOP法计算采用最大四面体体积法来进行替代。不需要矩阵的求逆,大大减少运算量。
令则有/>其中:
设n1p,n2p,n3p,n4p分别为参考节点到被测节点的单位矢量,则:
|H|=(n1p-n4p)·[(n2p-n4p)×(n3p-n4p)]=6V (9)
其中,V代表了4个参考节点到被测节点的单位矢量的端点所围成的四面体n1n2n3n4的体积,所以有:
由此可知,四面体体积V与GDOP值成反比,由于A的变化远小于V,因此用计算四面体体积V的方法代替直接计算GDOP。
基于几何精度因子的参考节点在线选择策略让被测节点在较多数量参考节点中筛除超距离节点,再通过GDOP优化选择4个节点,并执行一段时间的测量解算出位置信息,而后更新参考节点信息,重复上述过程。其算法流程图如图2所示,算法细节如表1。
表1
首先根据被测节点第一次与所有参考节点的轮询数据,可以获得参考节点的位置、被测节点与参考节点的距离,并根据这些信息运用最小二乘定位算法,计算被测节点的初始位置,该初始位置用于初始化GDOP最大四面体体积替代算法。对所有参考节点的距离信息轮询,若超过适当距离则删除该参考节点。参考节点的ID列表与上次相比是否发生变化,如果变化,重新构建参考节点组合表,没有变化则使用上次的组合表。
依照组合表进行GDOP最大四面体体积替代算法,计算出每种组合的GDOP值。从这些GDOP值里找出最小的GDOP值对应的参考节点组合。判断是否需要重新轮询参考节点的计时器开始计时,若未到时间,则轮询最小GDOP值对应的参考节点组合,并使用最小二乘定位算法计算位置信息,并输出位置信息;若到时间,则再次轮询参考节点,并判断被测节点与参考节点是否超出预定距离。
将选择出的参考节点位置值,以及选择出的参考节点与被测节点之间的距离值输出,传输到下一模块,基于误差状态卡尔曼滤波的UWB与IMU融合估计定位。
(二)基于误差状态卡尔曼滤波的UWB与IMU融合估计定位
由于UWB单信道限制,被测节点在一个时间片内只能接收一个距离测量值,因此多个测量值是在不同时间片获得。随着被测节点的增加,测量频率降低,解算位置信息就会带来延迟增大。另一方面,在一个定位周期内,无人机集群内部可能产生相对位置的“抖动”——短时间内发生较为剧烈的相对运动(如较大阵风影响等),造成解算出来的定位与实际位置产生偏差,当偏差较大时甚至会影响无人机的运行安全。
为了解决顺序测量的时间延迟和周期内定位误差,使用基于误差状态卡尔曼滤波的UWB与IMU融合估计的方法,将UWB定位信息与IMU的位姿估计信息融合,在实现UWB测量周期内,依靠IMU对被测节点进行高频位姿估计,减小因抖动产生的定位误差,构建出一个稳定的相对定位***。如图4所示,***输入为UWB测量值与IMU的加速度与角速度值,基于UWB的定位结果与IMU的位姿推算,输出位姿结果。
1.四边测量最小二乘定位
使用UWB设备的被测节点无人机与每个参考节点无人机通信后,就可以进行四边测量的定位解算,模型如图3所示。已知n个参考节点无人机坐标分别为(xi,yi,zi),i=1,…,n。这些参考节点无人机到被测节点无人机(x,y,z)测距值分别为(d1,…,dn)。其中关系为:
轮流相减消去未知参数x2,y2,z2,可化简为:
由此方程组矩阵表现形式为:
AX=b (13)
其中矩阵方程各个参数为
但由于***存在观测误差ε,观测方程为AX+ε=b,取误差的平方和:
E=|ε|2=εTε=(AX-b)T(AX-b) (17)
对其求导,令导数为零时,误差最小。表达式为:
求解出即可得到被测节点无人机当前坐标的最小二乘解。
具体只需要应用4个参考节点无人机即可计算得出被测节点无人机的位置。
2.IMU位姿解算方法
在数学上,通过IMU获取无人机位姿信息过程可以描述如下。定义位姿信息状态向量和惯性测量输入向量为
这里pk∈R3[m],vk∈R3[m/s],qk∈R4[-]表示位姿信息获取***在时刻k的位置、速度和姿态(四元数表示)。此外,sk∈R3[m/s2]和ωk∈R3[rad/s]分别表示加速度和角速度。惯性位姿方程的离散时间方程由如下差分方程表示:
xk=f(xk-1,uk) (20)
其中:
并且:
这里,Ts表示数据的采样周期,表示方向余弦矩阵(旋转矩阵),它将向量从机体坐标系旋转到导航坐标系。g表示导航坐标系中的重力矢量。本实施例的姿态使用无人机常用的四元数q来进行表示与运算的,相比于欧拉角和方向余弦矩阵,四元数更加稳定。/>
通过公式(21)、(22)与(23)可以根据上一时刻位姿信息与IMU测量的加速度与角速度值,估算出下一时刻的位置、速度、姿态信息。理论上忽略位姿方程的离散化和量化误差,只要IMU测量的加速度和角速度没有误差,惯导***能够完美地跟踪平台的位置、速度和姿态。现实中不存在无误差测量,由于惯导***位姿方程基于前一状态与当前测量输入进行当前状态的解算,测量误差会累积,导致方程解中的位置和速度误差无限制地增长。根据经验,位置误差随时间呈立方增长,并且与陀螺仪测量中的偏差幅度成正比。
3.UWB与IMU误差状态卡尔曼滤波融合定位方法
图4展示了融合无人机IMU和UWB之间具体信息流动的流程。主要思想是在相对定位***中以IMU信息为骨干,高频提供加速度与角速度共6维信息。每当UWB产生位置估计时,计算两个***的位置估计之间的差异并将其用作滤波器的输入,并估计位姿方程信息的误差以及IMU传感器中的误差。然后使用估计的误差来校正位姿信息并校准IMU传感器。
误差状态卡尔曼滤波器使用以下线性状态空间模型来描述IMU测量信号模型:
其中表示测量噪声,假定为具有协方差矩阵Q(1)的加性白噪声,δuk表示缓慢变化的IMU传感器误差,它被建模为随机游走过程:
其中,表示随机游走过程噪声,假设为具有协方差矩阵Q(2)的加性白噪声;假设随机游走过程噪声和测量噪声不相关。
接下来,将真实位姿状态xk和位姿方程估计的之间的误差表示为:
其中位置误差δpk和速度误差δvk分别定义为和/>姿态误差向量εk被定义为将姿态向量/>旋转成qk的小欧拉角序列。即/>其中隐函数Γ定义为:
这里,[a]×表示a的斜对称矩阵表示,其中[a]×b=a×b。
使用公式(27)中定义的误差向量,当输入测量向量时,位姿方程公式(20)中的误差传播对于小的误差扰动可以由线性状态空间模型描述:
zk=F(xk,uk)zk-1+Gk(xk)wk (29)
其中:
状态转移矩阵和噪声增益矩阵定义为:
接下来,UWB位置测量被建模为
其中是具有协方差矩阵R(1)的加性白噪声。位姿误差传播状态空间模型的观测方程可写为
使用由公式(29)和(34)定义的状态空间模型,表2中给出了基于误差状态卡尔曼滤波器的算法,用于实现UWB与IMU融合。
算法的输入为IMU的加速度与角速度,UWB的位置信息。
算法的输出为补偿后的估算位姿信息结果,包含无人机的位置、速度、姿态。
算法开始时需要初始化位姿信息(位置、速度、姿态)、IMU误差状态估计、卡尔曼滤波器状态协方差矩阵,初始化可设置任意值。
使用IMU误差状态估计校准IMU测量值,由此更新位姿信息。同时输出位姿信息结果。
由此更新卡尔曼滤波器状态协方差矩阵。若算法此时未收到新的UWB测量值时返回上一步继续循环。
当算法收到新的UWB测量值,与卡尔曼滤波器状态协方差矩阵,更新卡尔曼滤波器增益。
计算UWB的位置信息与算法此时位姿信息中位置的差值,作为测量向量。
由此更新IMU误差状态估计。
由此更新卡尔曼滤波器状态协方差矩阵。
使用当前误差估计校正位姿信息。返回前面使用IMU误差状态估计校准IMU测量值的步骤继续循环。
表2
在无人机蜂群执行任务期间,其相对于地面的速度可能达到每秒数十米上百米,但个体之间的相对运动速度不大,甚至还会保持相对静止的编队飞行状态。因此本实施例将用固定在地面的UWB设备模拟相对速度为零的参考节点无人机,而用搭载UWB设备的可移动无人机来模拟无人机蜂群中进行相对运动的被测节点无人机。通过这种模拟,来验证无人机蜂群中相对定位的一般规律。
根据参考节点在线选择策略与误差状态融合估计定位方法的理论分析与设计,一是需要通过仿真与实物实验验证在线优化选择的有效性和策略更新时间与无人机飞行速度的相关关系;二是通过无人机飞行数据采集验证误差状态融合估计定位结果的实际精度,并改变UWB定位信息更新频率观察并分析对误差的影响。为此需要构建能够开展对照实验的场地与携带设备的无人机。
实验场地选择在安装有精度亚毫米级的VICON动作捕捉***的实验大厅。整个大厅长16米、宽8米、高6米,能够容纳被测节点无人机进行室内飞行实验。
搭载UWB节点的无人机的结构如图5所示。无人机计算螺旋桨长度与UWB天线长度,其最大机身直径为38cm。飞行平台选择自行搭建的QAV250穿越机机架,CUAV Nora+飞行控制器,Odroid-XU4开发板机载计算机组合而成的无人机。UWB设备使用蓝点无限的BP400模块。以机载计算机Odroid-XU4为核心,分别用串口连接UWB节点与Nora+,从UWB读取测量信息,从Nora+读取加速度与角速度信息,通过ROS整合,计算并记录实验过程中UWB、IMU、VICON***的全部信息。
在室内实验场地布设10个固定的参考节点UWB用来模拟相对运动速度为0的参考节点无人机,分布如图6所示,坐标位置如表3(单位cm)所示:
表3
操控携带被测节点的无人机在此空间内进行了绕场飞行,记录了57秒的内容,最高速度约为1.8m/s,并以80Hz的频率记录位置点信息,其飞行轨迹如图7所示,并展示了不更新节点选择策略后的构型排名变化情况,如图8所示;还以初始最优的1/4/9/10号参考节点无人机的测距值解算定位信息,如图9所示。
在图8中可以看到在飞行开始与结束时的构型较好,同时在图9中可以看到飞行开始与结束时误差较小;而在飞行阶段构型先变差后变好,误差先变大又减小。这是由于起飞点和降落点的位置距离较近,在起飞点选择的构型飞到降落点也依然较为良好。当策略选择在5秒更新一次时,其GDOP排名变化如图10所示,实际飞行实验对比仿真飞行实验如图11所示。能够观察到,实际飞行结果与在仿真实验中的非常相似,符合仿真实验,证明了在线优化选择策略的有效性。
此次实验还记录了与被测节点无人机通信的参考节点无人机情况,在图12展示,带有颜色的为在此时隙与被测节点有通信的参考节点,空白处为无通信,每次通信测距需要占用1个时隙。能够观察到定时策略更新与所有节点通信,其余时间和在线优化选择的4个节点进行通信,这4个节点的选择也是动态变化的。红色虚线方框展示了通信情况与拓扑结构之间的关系,蓝色圆形代表被测节点无人机,红色圆圈与序号代表参考节点无人机以及编号。初始时的拓扑结构如左一红色虚线框内展示的,与所有参考节点进行通信测距。
此次实验记录中,被测节点无人机与10个参考节点无人机共进行了2360次通信测距,与不进行在线优化选择直接与10个参考节点无人机轮流通信测距的5700次相比,时隙占用的比值为2360÷5700≈42.14%。因此能够节省57.86%的时间,达到了节约信道的预期效果。
使用在线优化选择策略后,在0到20秒采用1/4/9/10号参考节点无人机的测距值解算定位信息,在20到25秒采用1/2/7/10号参考节点无人机的测距值解算定位信息,在25到30秒采用3/4/5/10号参考节点无人机的测距值解算定位信息,在30到35秒采用1/3/4/6号参考节点无人机的测距值解算定位信息,在35到40秒采用3/6/7/10号参考节点无人机的测距值解算定位信息,在40到57秒采用6/8/9/10号参考节点无人机的测距值解算定位信息。采用不同组合的参考节点无人机测距值解算定位的三维误差如图13所示。
通过在线优化选择策略,更新被选中的参考节点无人机,实际上相当于选择此后5秒内,使用被选中参考节点无人机的测距值解算位置信息,如图13中的六根虚线箭头所连接的方框,拼接出了UWB在线优化选择策略解算的误差变化。而不同的节点选择,使无人机UWB相对定位的最大误差与平均误差有所变化,如表4。
表4
在线优化选择策略所选择的参考节点,最大误差为119.10cm排名第三,但在平均误差上最小,为22.58cm。随着运动使得所选构型恶化,GDOP值不断变大,解算出的误差也会变大,使得最大误差可能不是最优的情况。
而不同节点选择的定位数据与在线优化选择策略的定位数据进入到基于误差状态卡尔曼滤波的UWB与IMU融合估计定位模块,与同时获得的IMU数据进行融合估计,可以得到误差更小的融合定位结果,其中最大误差与平均误差的信息记录如下表5,同时展示了选择不同的参考节点无人机而在整个运动过程中的误差变化,如图14所示。
表5
在线优化选择策略能够有效的选择当前最优构型,在策略更新前配合IMU的数据融合,使相对定位的最大误差保持在20.74cm。从图14中观察,本示例的方法在策略未更新的时段内会存在比一些参考节点组合的定位结果误差大的情况。在无人机运动时,由于策略更新,没有持续在较差的构型情况,避免出现无法容忍的相对定位最大误差。在线优化选择策略的融合定位结果在最大误差上表现最好,为20.74cm,而在平均误差为9.60cm排名第二。
在本实施例中,使用了所提出的基于最优节点构型在线选择的蜂群无人机融合估计定位方法,及时的节点选择更新,使GDOP值始终保持较小,配合IMU的数据融合,能够为单个无人机提供稳定的相对位置信息。由于基于GDOP优化选择的融合估计定位方法,保证单个无人机相对定位精度,节省对通信信道的占用时间,在信道容量有限的前提下,提高了蜂群数量上限,为服务无人机密集蜂群打下了基础。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于节点构型集群无人机融合估计定位方法,其特征在于,包括:
获取参考节点位置和所述参考节点与被测节点的距离测量值,基于几何精度因子的参考节点在线选择策略,获得精度最高的所述参考节点位置与所述被测节点的距离测量值;
基于精度最高的所述参考节点位置与所述被测节点的距离测量值,结合UWB信道特性的约束,获取UWB位置信息;
计算IMU的加速度和角速度测量值,基于加速度和角速度测量值估算IMU位姿估计信息;
计算所述IMU的加速度和角速度测量值的方法为:
其中,pk∈R3[m],vk∈R3[m/s],qk∈R4[-]表示位姿信息获取***在时刻k的位置、速度和姿态,sk∈R3[m/s2]和ωk∈R3[rad/s]分别表示加速度和角速度;
将所述UWB位置信息与所述IMU位姿估计信息的差值进行滤波处理,将滤波后的结果对IMU传感器误差进行补偿,同时不断输出补偿后的估算位姿信息结果,确定无人机位置。
2.根据权利要求1所述的基于节点构型集群无人机融合估计定位方法,其特征在于,获得精度最高的所述参考节点位置与所述被测节点的距离测量值,包括:
将参考节点无人机与被测节点无人机的UWB设备进行交互,获得所述参考节点位置和所述参考节点与被测节点的距离测量值;
基于几何精度因子的参考节点在线选择策略模块,进行有效距离判断、基于几何精度因子选择最佳构型和几何精度因子计算,输出精度最高的所述参考节点位置值、所述参考节点与被测节点之间的距离值。
3.根据权利要求2所述的基于节点构型集群无人机融合估计定位方法,其特征在于,进行所述有效距离判断,包括:
在合法功率内,划定所述UWB的有效通信范围,用于避免因为信号弱而造成通信不断丢包。
4.根据权利要求2所述的基于节点构型集群无人机融合估计定位方法,其特征在于,所述基于几何精度因子选择所述最佳构型,包括:
引入几何精度因子GDOP作为评价指标,所述评价指标用于评价定位***构型,判断所述GDOP大小,根据最小GDOP值,选择所述最佳构型;其中,所述几何精度因子GDOP的表达式为:
其中,H为定位的观测矩阵,g11为HTH结果的第一行第一列元素,g22为第二行第二列元素,g33为第三行第三列元素,g44为第四行第四元列元素,为x轴位置的方差,/>为y轴位置的方差,/>为z轴位置的方差,/>为时钟的方差,σ为各个测距过程中相互独立的标准差;
对于观测矩阵H,假设有i个参考节点(i≥4),坐标为(xi,yi,zi),被测节点的坐标为(x,y,z),di表示被测节点与参考节点的测量距离;令 表示参考节点与被测节点连线方向矢量的方向余弦。
5.根据权利要求4所述的基于节点构型集群无人机融合估计定位方法,其特征在于,基于所述几何精度因子进行计算,包括:
采用最大四面体体积法,计算所述GDOP的值,所述最大四面体体积放为:
令则有/>其中:
设n1p,n2p,n3p,n4p分别为四个参考节点到被测节点的单位矢量,则:
|H|=(n1p-n4p)·[(n2p-n4p)×(n3p-n4p)]=6V
其中,V代表了4个参考节点到被测节点的单位矢量的端点所围成的四面体n1n2n3n4的体积,则有:
由此可知,四面体体积V与GDOP值成反比,A的变化远小于V。
6.根据权利要求2所述的基于节点构型集群无人机融合估计定位方法,其特征在于,输出精度最高的所述参考节点位置值、所述参考节点与被测节点之间的距离值,包括:
根据被测节点第一次与所有所述参考节点的轮询数据,获得参考节点的位置、被测节点与参考节点的距离;
其中,所述轮询数据包括对所有参考节点的距离信息轮询,若超过预设距离则删除该节点;对所述参考节点的ID列表与上一次进行轮询后的ID列表相比是否发生变化,若有变化,则重新构建参考节点组合表,若没有变化,则继续使用上次的组合表;
依照所述组合表进行GDOP最大四面体体积替代算法,计算出每种组合的GDOP值,通过所述GDOP值,获得最小的GDOP值对应的参考节点组合,此时启动下一次轮询数据的计时器开始计时,其中,计时的时间长短根据任务需要进行设定;
若未到计时时间,则轮询最小GDOP值对应的参考节点组合,并使用最小二乘定位算法计算位置信息,输出所述UWB位置信息;若到达所述计时时间,则轮询数据,所述计时器重新计时。
7.根据权利要求1所述的基于节点构型集群无人机融合估计定位方法,其特征在于,真实位姿状态xk和位姿方程估计的之间的误差为:
其中,位置误差δpk和速度误差δvk分别定义为和/>姿态误差向量εk被定义为将姿态向量/>旋转成qk的小欧拉角序列,即/>为预测的位置、为预测的速度、/>为预测的姿态,pk为位姿信息获取***在时刻k的位置,vk为位姿信息获取***在时刻k的速度,qk为位姿信息获取***在时刻k的姿态;δxk为真实位姿状态xk和位姿方程估计的/>之间的误差;
其中隐函数Γ定义为:
[a]×表示a的斜对称矩阵表示,其中[a]×b=a×b。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188403.2A CN116321418B (zh) | 2023-03-02 | 2023-03-02 | 一种基于节点构型优选的集群无人机融合估计定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188403.2A CN116321418B (zh) | 2023-03-02 | 2023-03-02 | 一种基于节点构型优选的集群无人机融合估计定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116321418A CN116321418A (zh) | 2023-06-23 |
CN116321418B true CN116321418B (zh) | 2024-01-02 |
Family
ID=86800704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310188403.2A Active CN116321418B (zh) | 2023-03-02 | 2023-03-02 | 一种基于节点构型优选的集群无人机融合估计定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116321418B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9651388B1 (en) * | 2007-10-25 | 2017-05-16 | Rockwell Collins, Inc. | System and method for improved simultaneous localization and mapping |
CN106896391A (zh) * | 2017-03-14 | 2017-06-27 | 北京京东尚科信息技术有限公司 | 无人机的定位方法及装置 |
CN107003386A (zh) * | 2015-10-20 | 2017-08-01 | 深圳市大疆创新科技有限公司 | 一种卫星导航测姿方法和装置及无人机 |
CN109141413A (zh) * | 2018-08-06 | 2019-01-04 | 济南大学 | 具有数据缺失uwb行人定位的efir滤波算法及*** |
CN110375730A (zh) * | 2019-06-12 | 2019-10-25 | 深圳大学 | 基于imu和uwb融合的室内定位导航*** |
CN110926460A (zh) * | 2019-10-29 | 2020-03-27 | 广东工业大学 | 一种基于IMU的uwb定位异常值处理方法 |
CN112995898A (zh) * | 2021-03-10 | 2021-06-18 | 南京航空航天大学 | 基于cassa优化的无人机集群置信传播协同定位方法 |
CN113900061A (zh) * | 2021-05-31 | 2022-01-07 | 深圳市易艾得尔智慧科技有限公司 | 基于uwb无线定位与imu融合的导航定位***及方法 |
CN114222243A (zh) * | 2021-11-18 | 2022-03-22 | 浙江水利水电学院 | 一种室内空间定位的uwb基站优化布设方法 |
CN114245316A (zh) * | 2022-01-24 | 2022-03-25 | 浙江正泰中自控制工程有限公司 | 基于uwb定位的基站部署优化方法及*** |
CN114666895A (zh) * | 2022-03-16 | 2022-06-24 | 上海交通大学 | 基于卡尔曼滤波的室内车辆定位方法 |
WO2022146424A1 (en) * | 2020-12-30 | 2022-07-07 | Google Llc | Device tracking with angle-of-arrival data |
CN114739397A (zh) * | 2022-03-28 | 2022-07-12 | 中国矿业大学 | 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法 |
CN114993299A (zh) * | 2022-05-23 | 2022-09-02 | 中国兵器装备集团自动化研究所有限公司 | 一种基于超宽带的无人机辅助定位方法及*** |
KR20220148393A (ko) * | 2021-04-29 | 2022-11-07 | 김현수 | 전파신호 분석기법을 이용한 실내 및 실외 연속 측위가 가능한 복합 측위 시스템 및 방법 |
CN115406444A (zh) * | 2022-08-05 | 2022-11-29 | 重庆邮电大学 | 基于室内停车场定位***的停车与寻车方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11956038B2 (en) * | 2019-07-09 | 2024-04-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Discriminating beams based upon position quality metric for UE localization |
CN113358665A (zh) * | 2021-05-25 | 2021-09-07 | 同济大学 | 一种无人机隧洞缺陷检测方法及*** |
-
2023
- 2023-03-02 CN CN202310188403.2A patent/CN116321418B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9651388B1 (en) * | 2007-10-25 | 2017-05-16 | Rockwell Collins, Inc. | System and method for improved simultaneous localization and mapping |
CN107003386A (zh) * | 2015-10-20 | 2017-08-01 | 深圳市大疆创新科技有限公司 | 一种卫星导航测姿方法和装置及无人机 |
CN106896391A (zh) * | 2017-03-14 | 2017-06-27 | 北京京东尚科信息技术有限公司 | 无人机的定位方法及装置 |
CN109141413A (zh) * | 2018-08-06 | 2019-01-04 | 济南大学 | 具有数据缺失uwb行人定位的efir滤波算法及*** |
CN110375730A (zh) * | 2019-06-12 | 2019-10-25 | 深圳大学 | 基于imu和uwb融合的室内定位导航*** |
CN110926460A (zh) * | 2019-10-29 | 2020-03-27 | 广东工业大学 | 一种基于IMU的uwb定位异常值处理方法 |
WO2022146424A1 (en) * | 2020-12-30 | 2022-07-07 | Google Llc | Device tracking with angle-of-arrival data |
CN112995898A (zh) * | 2021-03-10 | 2021-06-18 | 南京航空航天大学 | 基于cassa优化的无人机集群置信传播协同定位方法 |
KR20220148393A (ko) * | 2021-04-29 | 2022-11-07 | 김현수 | 전파신호 분석기법을 이용한 실내 및 실외 연속 측위가 가능한 복합 측위 시스템 및 방법 |
CN113900061A (zh) * | 2021-05-31 | 2022-01-07 | 深圳市易艾得尔智慧科技有限公司 | 基于uwb无线定位与imu融合的导航定位***及方法 |
CN114222243A (zh) * | 2021-11-18 | 2022-03-22 | 浙江水利水电学院 | 一种室内空间定位的uwb基站优化布设方法 |
CN114245316A (zh) * | 2022-01-24 | 2022-03-25 | 浙江正泰中自控制工程有限公司 | 基于uwb定位的基站部署优化方法及*** |
CN114666895A (zh) * | 2022-03-16 | 2022-06-24 | 上海交通大学 | 基于卡尔曼滤波的室内车辆定位方法 |
CN114739397A (zh) * | 2022-03-28 | 2022-07-12 | 中国矿业大学 | 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法 |
CN114993299A (zh) * | 2022-05-23 | 2022-09-02 | 中国兵器装备集团自动化研究所有限公司 | 一种基于超宽带的无人机辅助定位方法及*** |
CN115406444A (zh) * | 2022-08-05 | 2022-11-29 | 重庆邮电大学 | 基于室内停车场定位***的停车与寻车方法 |
Non-Patent Citations (3)
Title |
---|
Data Fusion of UWB and IMU Based on Unscented Kalman Filter for Indoor Localization of Quadrotor UAV;Weide You et al.;《 IEEE Access》;全文 * |
基于单目视觉与惯导融合的无人机位姿估计;熊敏君;卢惠民;熊丹;肖军浩;吕鸣;;计算机应用(第S2期);全文 * |
多源融合定位算法在巡检无人机上的应用;季俊贇等;《导航定位学报》;第130-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116321418A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11378985B2 (en) | Distributed localization systems and methods and self-localizing apparatus | |
CN108521670B (zh) | 面向多机紧密编队飞行基于uwb通信与定位方法及一体化*** | |
US10732647B2 (en) | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (MAV) | |
KR101905052B1 (ko) | 군집비행의 포메이션을 유지하기 위한 드론 및 그 방법 | |
Coppola et al. | On-board communication-based relative localization for collision avoidance in micro air vehicle teams | |
Benini et al. | An imu/uwb/vision-based extended kalman filter for mini-uav localization in indoor environment using 802.15. 4a wireless sensor network | |
EP3158417B1 (en) | Sensor fusion using inertial and image sensors | |
US20170301111A1 (en) | Sensor fusion using inertial and image sensors | |
Strohmeier et al. | Ultra-wideband based pose estimation for small unmanned aerial vehicles | |
JP7106417B2 (ja) | 飛行計画算出装置及びプログラム | |
Ouyang et al. | Cooperative navigation of UAVs in GNSS-denied area with colored RSSI measurements | |
CN111983660A (zh) | Gnss拒止环境下四旋翼无人机定位***和方法 | |
CN117685953A (zh) | 面向多无人机协同定位的uwb与视觉融合定位方法及*** | |
Scerri et al. | Transitioning multiagent technology to UAV applications. | |
CN116321418B (zh) | 一种基于节点构型优选的集群无人机融合估计定位方法 | |
CN117007040A (zh) | 基于多源信息融合的相对导航方法和装置 | |
Di Franco et al. | Data fusion for relative localization of wireless mobile nodes | |
CN104792336B (zh) | 一种飞行状态测量方法及装置 | |
Tian et al. | Improvement of RSS-based measurement based on adaptive Kalman filter considering the anisotropy on antenna in dynamic environment | |
Whitacre et al. | Cooperative estimation using mobile sensor nodes in the presence of communication loss | |
KR20190073889A (ko) | 비행 모델의 모의자세 추정 장치 및 그 방법 | |
Simsek et al. | Dynamic Artificial Neural Network-Assisted GPS-Less Navigation for IoT-Enabled Drones | |
Mohta | State estimation, control, and planning for a quadrotor team | |
Wu et al. | Uwb-based multi-source fusion positioning for cooperative uavs in complex scene | |
Benini | Localization and Navigation of Autonomous Systems in Complex Scenarios |
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 |