JP2019010967A - 自動制御装置およびその制御方法 - Google Patents
自動制御装置およびその制御方法 Download PDFInfo
- Publication number
- JP2019010967A JP2019010967A JP2017128910A JP2017128910A JP2019010967A JP 2019010967 A JP2019010967 A JP 2019010967A JP 2017128910 A JP2017128910 A JP 2017128910A JP 2017128910 A JP2017128910 A JP 2017128910A JP 2019010967 A JP2019010967 A JP 2019010967A
- Authority
- JP
- Japan
- Prior art keywords
- scene
- individual
- learning
- determination
- learning progress
- 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.)
- Granted
Links
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
この種の自動運転技術では、移動体のECUが、様々なシーンにおける運転者の個体特性を学習し、運転者の個体特性に近い自動運転を行うことで、運転者に違和感を与えないようにしている。
よって、この自動制御装置では、運転者の個体特性の学習完了の判断が遅れる結果、個体特性の自動運転への反映が遅れてしまう。また、この自動制御装置では、運転者の個体特性の学習が不十分な状態で、当該個体特性を自動運転に反映させてしまう恐れがあり、この場合、運転者に違和感を与えてしまうという問題がある。
以下の説明では、自動制御装置1を、車両などの移動体(図示せず)の自動運転に適用した場合を例示して説明する。
図1は、実施の形態にかかる自動制御装置1を説明するブロック図である。
図1に示すように、自動制御装置1は、シーン判定基準データベース10と、シーン判定部11と、個体認証部12と、過去情報データベース13と、個体特性学習部14と、手動操作推定部15と、学習進捗度判定部16と、制御部17と、を有している。
なお、個体特性(操作特性)の学習は周知の機械学習、ディープラーニングなどの手法を用いることができる。
例えば、学習進捗度判定部16は、前述した比較結果の差分Rが所定の閾値Rth以下の場合(R≦Rth)、学習進捗度が高い(学習完了)と判定し、差分Rが閾値Rthよりも大きい場合(R>Rth)、学習進捗度が低い(学習未完了)と判定し、この学習進捗度の判定結果を制御部17に出力する。
初めに、シーン判定部11は、所定のシーン(例えば、カーブシーン)に含まれる少なくとも2以上の不連続な第1シーン(例えば、緩やかなカーブシーン)と、第2シーン(例えば、交差点シーン)とを判定する。
次に、自動制御装置1における個体適応制御の処理を説明する。
図2は、個体適応制御のフローチャートである。
ここで、自動運転の許可は、種々の方法が考えられるが、運転者が、自動運転モードを設定するスイッチをON操作することで設定される。
次に、過去情報データベース13の更新処理を説明する。
図3は、過去情報データベース13の更新処理のフローチャートである。
次に、シーン判定基準データベース10の更新処理を説明する。
自動制御装置1では、運転者の個体特性の学習効率Kが著しく低いシーンがある場合、シーン判定基準データベース10に記憶された当該シーンを他のシーンに変更して、シーン判定基準データベース10の更新を行う。
図4は、シーン判定基準データベース10の更新処理のフローチャートである。
これにより、自動制御装置1では、学習効率Kの著しく低いシーンを見直し、又は削除することで、シーン判定基準データベース10内のシーンを、より適切なものに更新することができる。
ここで、個別の運転者(個体)におけるシーン判定基準の再学習は、ステップS304のシーン判定基準の再学習と同じ処理(方法)で行われる。
次に、ステップS304(ステップS306)で説明した、シーン判定基準の再学習の処理を説明する。
図5は、シーン判定基準の再学習の処理のフローチャートである。
図6は、シーン判定基準の再学習の方法を説明する概念図である。
なお、実施の形態では、学習進捗度判定部16において、直線シーンBの学習効率Kは高いと判定したので、移動体のECUにおいて直線シーンBの再分類は実施されない。
次に、個体特性学習部14において、運転者の個体特性を学習(個体特性モデルの生成)する処理を説明する。
図7は、個体特性学習処理のフローチャートである。
これにより、個体特性学習部14は、シーンの切り換わりがないと判定して場合でも、移動体が所定走行距離(又は所定走行時間)経っていると判断した場合には、シーンの切り換わり判断と同様に、個体特性モデルの生成を行う。
次に、学習進捗度判定部16において、個体特性の学習が完了したか否かの判断の一例を説明する。
図8は、学習進捗度判定部16における個体特性の学習完了の判断処理のフローチャートである。
一方、学習進捗度判定部16は、学習完了状態への移行が許可されていない判定した場合(ステップS609:No)、ステップS611に進んで、学習進捗度を「学習未完」に設定して処理を終了する。
図9は、学習進捗度に基づいて、学習完了状態への移行許可を判断する一例を説明する図である。
なお、差分Rではなく、差分Rを累積した値(累積差分)、又はこの差分R又は累積差分を走行距離で割った値を用いてもよく、また、これらの平均値を用いてもよい。
具体的には、カーブシーンの学習進捗度は、1度目のカーブシーンが終了する時刻t1において一段階上昇するが、学習完了移行許可の閾値(図中の破線)は超えない。そして、カーブシーンの学習進捗度は、2度目のカーブシーンが終了する時刻t3において、さらに一段階上昇し、学習完了移行許可の閾値(図中の破線)を超える。
なお、実施の形態では、自動制御装置1は、個体特性学習部14での学習結果(生成された個体特性モデル)に基づく個体適応制御が、移動体(車両)の自動運転において安全か否かを判定する安全判定部20を、さらに有している。
図10は、安全判定部20を説明するブロック図である。
これにより、走行模擬部22では、所定のシーンにおいて危険事象が発生した場合、当該運転者の個体特性モデルがどのような運転を行うのかという走行シミュレーションが実施される。
図11は、危険事象判定部による危険事象発生の判断の一例を説明する図であり、同図の上段は、時刻と先行車両の速度との関係を示す図であり、同図の下段は、時刻と先行車両との車間距離を示す図である。
なお、図11の下段において、危険事象を適切に回避した場合を実践で示し、危険事象を回避できない場合を破線で示す。
これは安全検証用シナリオデータベース21に記憶されているシナリオデータであり、この場合の危険事象は、自車両が先行車両に衝突する可能性がるほど接近(許容最短車間距離Lthよりも近くに接近)することである。
例えば、ドローンの飛行を地形や気象条件、飛行目的といったシーンに合わせて効率的に自動運転させるために、操作者の手動操作を学習する個体適応制御にも適用できる。
(1)車両などの移動体(機器)の操作を行う運転者(個体)を認証する個体認証部12と、移動体が置かれているシーンを判定するシーン判定部11と、運転者の個体特性を学習する個体特性学習部14と、運転者の個体特性に基づいて、運転者による移動体の手動操作を推定する手動操作推定部15と、シーン判定部11で判定された所定のシーンにおいて、運転者の個体特性に基づいて手動操作推定部15で推定した推定手動操作情報(推定手動操作)と、当該運転者による移動体の実際の手動操作情報51(手動操作)とを比較して、所定のシーンにおける学習進捗度を判定する学習進捗度判定部16と、シーン判定部11で判定された所定のシーンごとの学習進捗度の判定結果に基づいて、運転者の個体特性に適応した自動制御の実施または不実施を、シーンごとに決定する制御部17と、を有する構成とした。
よって日常的に危険操作を行うような運転者の個体特性を学習してしまった場合でも、個体適応制御を実施しないことにより、移動体が危険な状態になることを防止できる。
このように構成すると、学習進捗度の低いシーンを見直して、新たなシーンに再分類することで、再分類した新たなシーンでの学習を効率的に行うことができる。また、学習進捗度の著しく低いシーンを再分類して更新することで、データベースのメモリ容量の無駄をなくし、維持・管理コストの最適化を行うことができる。
シーン判定基準データベース10は、他のシーン(例えば、緩やかなカーブシーンと急なカーブシーン)における、学習進捗度の判定結果が所定の閾値以上である場合、他のシーン(例えば、緩やかなカーブシーンと急なカーブシーン)を所定のシーン(例えば、カーブシーン)に置き換えて記憶する構成とした。
なお、前述した実施の形態では、学習効率Kの著しく低い所定のシーンを細分化して、新たなシーンに再分類する場合を例示して説明したが、これに限定されるものではない。例えば、細分化された2以上のシーンを纏めて大分類のシーンに再分類してもよい。
また、シーンの学習効率Kに関わらず、一のシーンと他のシーンが一致すると判定された場合には、一つのシーンに再分類しても良い。
図12は、シーン一致度検証部30を説明するブロック図である。
ここで、走行シーンシナリオは、車両などの移動体が走行する道路の所定のシーンと、移動体が当該所定のシーンを走行する際の環境情報を含んだ情報(シナリオ)である。
次に、第2の実施の形態にかかる自動制御装置1Aを説明する。
第2の実施の形態にかかる自動制御装置1Aを、介護を必要としている者(以下、要介護者又は見守り対象者という)の見守り介護システムにおいて、当該介護システムの個体特性の学習に適用した場合を例示して説明する。
図13は、第2の実施の形態にかかる自動制御装置1Aを説明するブロック図である。なお、前述した実施の形態と同様の構成については、同一の番号を付し、必要に応じて説明する。
図13に示すように、自動制御装置1Aでは、要介護者環境情報53が、シーン判定部11に入力されるようになっている。
要介護者環境情報53は、要介護者(見守り対象者)の周囲の情報(気象、位置、要介護者が興味を示している物体情報など)の外部環境情報と、要介護者の生体情報や移動速度などの内部環境情報が含まれる。
危険事象判定部18は、現在の要介護者環境情報53と、個体特性学習部14で生成された個体特性モデルと、が入力されている。危険事象判定部18は、これらの入力された要介護者環境情報53と、個体特性モデルとから危険事象の有無の判断や、危険事象の発生確率の推定を行う。
次に、第2の実施の形態にかかる自動制御装置1Aにおける個体適応制御の流れを説明する。
図14は、個体適応制御の流れを説明するフローチャートである。
制御許可の判定は、介護者の見守り介護システムの起動スイッチのON/OFFを基準に行ってもよく、見守り介護システムの電源のON/OFFを基準に行ってもよい。
次に、過去情報データベース13の更新処理を説明する。
図15は、過去情報データベース13の更新処理のフローチャートである。
なお、前述した要介護者の危険事象の学習において、学習進捗度判定部16で危険事象を判断した結果の差分の算出にあたり、介護者が近くにいるか、見守り介護システムにより介護者にアラートを出したときの介護者の判断との差分に基づいて重みを付けるようにしてもよい。
これにより、介護者が危険事象を認知できなかった際に、見守り介護システムが、危険ではなかったと誤って学習してしまうことを防ぐことができる。
図16は、重み決定処理のフローチャートである。
要介護者(見守り対象者)に対して、これまで介護者が付き添えない場合には、危険事象の発生を防止するために要介護者の行動を制限する必要があった。しかし、前述した見守り介護システムは、介護者の代わりに要介護者の個々の能力に合った安全な範囲での行動か否かを判定することができる。
この結果、介護者の負担を軽減しつつ、要介護者の行動範囲、可能性を増加させて、要介護者の生活の質向上を図ることができる。
Claims (11)
- 機器の操作を行う個体を認証する個体認証部と、
前記機器が置かれているシーンを判定するシーン判定部と、
前記個体の個体特性を学習する個体特性学習部と、
前記個体の個体特性に基づいて、前記個体による前記機器の手動操作を推定する手動操作推定部と、
前記シーン判定部で判定された所定のシーンにおいて、前記個体の個体特性に基づいて前記手動操作推定部で推定した推定手動操作と、当該個体による前記機器の実際の手動操作とを比較して、前記所定のシーンにおける学習進捗度を判定する学習進捗度判定部と、
前記シーン判定部で判定された前記所定のシーンごとの前記学習進捗度の判定結果に基づいて、前記個体の個体特性に適応した自動制御の実施または不実施を、前記シーンごとに決定する制御部と、を有する自動制御装置。 - 前記個体の個体特性に適応した自動制御により前記機器を操作した場合に、前記機器が安全な状態を保てるか否かを判定する安全判定部を、さらに有し、
前記制御部は、
前記安全判定部により、前記機器が安全な状態を保てると判定された場合にのみ、前記個体の個体特性に適応した自動制御を実施する請求項1に記載の自動制御装置。 - 前記シーン判定部は、前記所定のシーンに含まれる少なくとも2以上の不連続な第1シーンと、第2シーンとを判定し、
前記制御部は、
前記学習進捗度判定部により、前記少なくとも2以上の不連続な前記第1シーンと、前記第2シーンにおける学習進捗度の判定結果が何れも学習完了状態であると判定された場合に、前記個体の個体特性に適応した自動制御を実施する請求項2に記載の自動制御装置。 - 前記シーン判定部は、前記所定のシーンに含まれる互いに所定距離離れた第3シーンと、第4シーンとを判定し、
前記制御部は、
前記学習進捗度判定部により、前記所定のシーンにおいて、互いに所定距離離れた前記第3シーンと、前記第4シーンにおける学習進捗度の判定結果がいずれも学習完了状態であると判定された場合に、前記個体の個体特性に適応した自動制御を実施する請求項2に記載の自動制御装置。 - 前記機器が置かれているシーンを複数記憶するシーン判定基準データベースを、さらに有し、
前記シーン判定基準データベースは、
前記学習進捗度判定部で判定された前記所定のシーンの学習進捗度の判定結果が、所定の閾値よりも低い場合、または前記学習進捗度判定部で算出された前記所定のシーンの学習効率が、所定の閾値よりも低い場合に、前記所定のシーンを、当該所定のシーンとは異なる他のシーンに変更する請求項2に記載の自動制御装置。 - 前記学習進捗度判定部は、前記変更された後の他のシーンの学習進捗度の判定を、前記変更される前の所定のシーンの学習進捗度の判定に用いた推定手動操作と、前記機器の実際の手動操作とを比較することで行い、
前記シーン判定基準データベースは、前記他のシーンにおける、前記学習進捗度の判定結果が所定の閾値以上である場合、当該他のシーンを前記一のシーンに置き換えて記憶する請求項5に記載の自動制御装置。 - 前記シーン判定基準データベースに含まれる複数のシーンのうち、一のシーンと他のシーンの一致度を検証するシーン一致度検証部を、さらに有し、
前記シーン一致度検証部は、
前記一のシーンにおける前記個体の個体特性から記手動特性推定部により推定された一の推定手動操作を前記他のシーンに適用して、前記学習進捗度判定部により判定された学習進捗度の判定結果と、
前記他のシーンにおける個体の個体特性から前記手動操作推定部により推定された他の推定手動操作を前記一のシーンに適用して、前記学習進捗度により判定された学習進捗度の判定結果と、を比較して、
前記比較結果が、所定の閾値よりも小さい場合、前記一のシーンと前記他のシーンとを共通のシーンに纏めて前記シーン判定基準データベースを更新する請求項6に記載の自動制御装置。 - 機器の操作を行う個体を認証する個体認証工程と、
前記機器が置かれているシーンを判定するシーン判定工程と、
前記個体の個体特性を学習する個体特性学習工程と、
前記個体の個体特性に基づいて、前記個体による前記機器の手動操作を推定する手動操作推定工程と、
前記シーン判定工程で判定された所定のシーンにおいて、前記個体の個体特性に基づいて前記手動操作推定工程で推定した推定手動操作と、当該個体による前記機器の実際の手動操作とを比較して、前記所定のシーンにおける学習進捗度を判定する学習進捗度判定工程と、
前記シーン判定工程で判定された前記所定のシーンごとの前記学習進捗度の判定結果に基づいて、前記個体の個体特性に適応した自動制御の実施または不実施を、前記シーンごとに決定する制御工程と、を有する自動制御装置の制御方法。 - 前記シーン判定工程は、前記所定のシーンに含まれる少なくとも2以上の不連続な第1シーンと、第2シーンとを判定し、
前記制御工程は、
前記学習進捗度判定工程により、前記少なくとも2以上の不連続な前記第1シーンと、前記第2シーンにおける学習進捗度の判定結果が何れも学習完了状態であると判定された場合に、前記個体の個体特性に適応した自動制御を実施する請求項8に記載の自動制御装置の制御方法。 - 前記シーン判定工程は、前記所定のシーンに含まれる互いに所定距離離れた第3シーンと、第4シーンとを判定し、
前記制御工程は、
前記学習進捗度判定工程により、前記所定のシーンにおいて、互いに所定距離離れた前記第3シーンと、前記第4シーンにおける学習進捗度の判定結果がいずれも学習完了状態であると判定された場合に、前記個体の個体特性に適応した自動制御を実施する請求項8に記載の自動制御装置の制御方法。 - 前記機器が置かれているシーンを複数記憶するシーン判定基準データベースを、さらに有し、
前記シーン判定基準データベースに含まれる複数のシーンのうち、一のシーンと他のシーンの一致度を検証するシーン一致度検証工程を、さらに有し、
前記シーン一致度検証工程は、
前記一のシーンにおける前記個体の個体特性から記手動特性推定工程により推定された一の推定手動操作を前記他のシーンに適用して、前記学習進捗度判定工程により判定された学習進捗度の判定結果と、
前記他のシーンにおける個体の個体特性から前記手動操作推定工程により推定された他の推定手動操作を前記一のシーンに適用して、前記学習進捗度により判定された学習進捗度の判定結果と、を比較する比較工程と、
前記比較結果が、所定の閾値よりも小さい場合、前記一のシーンと前記他のシーンとを共通のシーンに纏めて前記シーン判定基準データベースを更新する更新工程と、を有する請求項8に記載の自動制御装置の制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017128910A JP6924629B2 (ja) | 2017-06-30 | 2017-06-30 | 自動制御装置およびその制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017128910A JP6924629B2 (ja) | 2017-06-30 | 2017-06-30 | 自動制御装置およびその制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019010967A true JP2019010967A (ja) | 2019-01-24 |
JP6924629B2 JP6924629B2 (ja) | 2021-08-25 |
Family
ID=65226268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017128910A Active JP6924629B2 (ja) | 2017-06-30 | 2017-06-30 | 自動制御装置およびその制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6924629B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020246075A1 (ja) * | 2019-06-04 | 2020-12-10 | ソニー株式会社 | 行動制御装置と行動制御方法およびプログラム |
JP2021052726A (ja) * | 2019-10-02 | 2021-04-08 | 株式会社クボタ | 作業車両及び作業管理システム |
CN113859246A (zh) * | 2020-06-30 | 2021-12-31 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
JP2022058566A (ja) * | 2021-01-19 | 2022-04-12 | バイドゥ ユーエスエイ エルエルシー | 自律走行車両用動的モデル評価パッケージ |
DE112020007044T5 (de) | 2020-04-09 | 2023-08-17 | Mitsubishi Electric Corporation | Lehrdaten-Erzeugungsvorrichtung und Lehrdaten-Erzeugungsverfahren |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04216107A (ja) * | 1990-12-17 | 1992-08-06 | Nippon Telegr & Teleph Corp <Ntt> | 半自律行動ロボット遠隔操縦方法 |
WO2013018220A1 (ja) * | 2011-08-04 | 2013-02-07 | トヨタ自動車 株式会社 | 車両用情報処理装置及び車両用情報処理方法 |
-
2017
- 2017-06-30 JP JP2017128910A patent/JP6924629B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04216107A (ja) * | 1990-12-17 | 1992-08-06 | Nippon Telegr & Teleph Corp <Ntt> | 半自律行動ロボット遠隔操縦方法 |
WO2013018220A1 (ja) * | 2011-08-04 | 2013-02-07 | トヨタ自動車 株式会社 | 車両用情報処理装置及び車両用情報処理方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020246075A1 (ja) * | 2019-06-04 | 2020-12-10 | ソニー株式会社 | 行動制御装置と行動制御方法およびプログラム |
JP2021052726A (ja) * | 2019-10-02 | 2021-04-08 | 株式会社クボタ | 作業車両及び作業管理システム |
JP7260450B2 (ja) | 2019-10-02 | 2023-04-18 | 株式会社クボタ | 作業車両及び作業管理システム |
DE112020007044T5 (de) | 2020-04-09 | 2023-08-17 | Mitsubishi Electric Corporation | Lehrdaten-Erzeugungsvorrichtung und Lehrdaten-Erzeugungsverfahren |
CN113859246A (zh) * | 2020-06-30 | 2021-12-31 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
CN113859246B (zh) * | 2020-06-30 | 2023-09-08 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
JP2022058566A (ja) * | 2021-01-19 | 2022-04-12 | バイドゥ ユーエスエイ エルエルシー | 自律走行車両用動的モデル評価パッケージ |
JP7345577B2 (ja) | 2021-01-19 | 2023-09-15 | バイドゥ ユーエスエイ エルエルシー | 自律走行車両用動的モデル評価パッケージ |
Also Published As
Publication number | Publication date |
---|---|
JP6924629B2 (ja) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6924629B2 (ja) | 自動制御装置およびその制御方法 | |
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
Noh et al. | Decision-making framework for automated driving in highway environments | |
CN112805198B (zh) | 用于自主驾驶的个人驾驶风格学习 | |
EP3727978B1 (en) | Method and system for ensemble vehicle control prediction in autonomous driving vehicles | |
US12024197B2 (en) | Method and system for dynamically curating autonomous vehicle policies | |
KR102461831B1 (ko) | 자율주행 차량 군집 운행을 위한 비신호 교차로에서의 강화학습기반 통행 개선을 위한 장치 및 방법 | |
CN113811473A (zh) | 自主交通工具*** | |
CN112840350A (zh) | 自动驾驶车辆规划和预测 | |
Butakov et al. | Driving autopilot with personalization feature for improved safety and comfort | |
CN111833597B (zh) | 具有规划控制的交通情形中的自主决策 | |
CN111507372A (zh) | 方法和装置 | |
CN113799797A (zh) | 轨迹规划方法、装置、存储介质及电子设备 | |
CN113370996B (zh) | 自动驾驶换道跟驰决策方法及***、自动驾驶车辆 | |
WO2021129156A1 (zh) | 智能汽车的控制方法、装置和控制*** | |
CN113085873B (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
CN115179959A (zh) | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 | |
CN112829769A (zh) | 自动驾驶车辆的混合规划*** | |
Škugor et al. | Analysis of a game theory-based model of vehicle-pedestrian interaction at uncontrolled crosswalks | |
US12024195B2 (en) | Method and system for predicting behavior of actors in an environment of an autonomous vehicle | |
CN111433566B (zh) | 用于自动驾驶车辆中的似人驾驶车道规划的方法和*** | |
WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
Lidstrom et al. | Model-based estimation of driver intentions using particle filtering | |
CN112068542A (zh) | 一种基于模糊控制的自动驾驶行为规划方法 | |
CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210304 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210802 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6924629 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |