CN102692223B - 用于wsn/ins组合导航的多级非线性滤波器的控制方法 - Google Patents

用于wsn/ins组合导航的多级非线性滤波器的控制方法 Download PDF

Info

Publication number
CN102692223B
CN102692223B CN201210213414.3A CN201210213414A CN102692223B CN 102692223 B CN102692223 B CN 102692223B CN 201210213414 A CN201210213414 A CN 201210213414A CN 102692223 B CN102692223 B CN 102692223B
Authority
CN
China
Prior art keywords
ins
wsn
navigation
error
wave filter
Prior art date
Application number
CN201210213414.3A
Other languages
English (en)
Other versions
CN102692223A (zh
Inventor
陈熙源
徐元
李庆华
Original Assignee
东南大学
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 东南大学 filed Critical 东南大学
Priority to CN201210213414.3A priority Critical patent/CN102692223B/zh
Publication of CN102692223A publication Critical patent/CN102692223A/zh
Application granted granted Critical
Publication of CN102692223B publication Critical patent/CN102692223B/zh

Links

Abstract

一种用于WSN/INS组合导航的多级非线性滤波器的控制方法,属于多传感器数据融合领域。本发明是在WSN/INS组合导航模型中使用两组滤波器。一组滤波器(滤波器1)对WSN测量的载体在两个方向(东向和北向)的位置和速度做预估,用预估的速度计算这一时刻载体运动的航向角并输入到下一滤波器中。另一组滤波器(滤波器2)则对每个时刻INS测量的载体在两个方向的位置误差、速度误差和航向角进行预估。INS测量位置、速度信息与预估出的位置误差、速度误差作差,最终得到最优的导航信息。该方法通过两组滤波器的设计,将传统INS航向角的误差由累积误差转变为随机误差,使滤波精度得到明显的提高。

Description

用于WSN/1 NS组合导航的多级非线性滤波器的控制方法

技术领域 [0001]

[0002] 本发明涉及一种用于WSN/INS组合导航的多级非线性滤波器的控制方法,属于多 传感器数据融合领域。

背景技术 [0003]

[0004] 全球定位系统(Global positioning systems, GPS)和惯性导航系统(Inertial navigation system, INS)均为目前应用最广泛的导航系统之一。其中GPS能够提供精确 地,具有持续稳定导航精度的导航信息,但是在室内、高层建筑密集的市区、矿井、隧道等环 境下,GPS信号失锁,不能进行定位。INS虽然具有全自主、运动信息全面、短时、高精度的优 点,虽然可以实现自主导航,但误差随时间积累,长航时运行条件下将导致导航精度严重下 降。因此,INS对GPS导航信息的补偿只能是短期补偿,而目前最为常用的GPS/INS组合导 航系统的导航精度依赖于GPS的导航精度,在GPS长时间失锁的情况下,组合导航系统无法 提供高精度的导航信息。

[0005] 近年来,无线传感器网络(Wireless Sensors Network, WSN)以其低成本、低功耗 和低系统复杂度的特点在短距离定位领域表现出很大的潜力。WSN为在无 GPS信号地区,即 所谓的"盲区"时,如室内、高层建筑密集的市区、矿井、隧道等环境下未知节点定位提供了 可能。但由于WSN采用的通信技术通常为短距离无线通信技术(如ZigBee、WIFI等),因此若 想完成长距离的目标跟踪定位,需要大量的网络节点共同完成,这增加了 WSN的网络负担。 除此之外,WSN只能提供位置和速度信息,不能提供全面的运动信息。

[0006] 为了在GPS长失锁环境下得到长时间的稳定的导航信息,许多学者提出将WSN定 位技术引入到低成本的INS系统中,构建WSN/INS组合导航系统,如东南大学Y. Xu,虽然这 一组合方式很好的解决了地下密闭环境下的长距离目标跟踪和导航设备成本高的问题,但 是由于现有的低成本INS技术,使得INS系统测量得到的信息(如航向角,加速度信息)准确 性大大降低,再加上INS系统本身的误差累积现象,使得低成本INS技术难以提供稳定的导 航信息。

发明内容 [0007]

[0008] 为了解决低成本INS出现的累积误差的情况,本发明提出了一种用于WSN/INS组 合导航的多级非线性滤波器的控制方法,通过预估WSN测量的每一时刻的速度信息构建载 体的航向角信息,将INS测量的航向角的累积误差转为随机误差,使滤波精度得到明显的 提1¾。

[0009] 本发明为解决其技术问题采用如下技术方案:

[0010] 一种用于WSN/INS组合导航的多级非线性滤波器的控制方法,包括下列步骤:

[0011] (1)组合方法将导航过程分为培训过程和自适应补偿过程两部分,将有WSN信号 的导航过程称为培训过程,只有INS信号的导航过程称之为自适应补偿过程;

[0012] (2)在培训过程中,在本地相对坐标系中通过构建两个滤波器将INS和WSN进行数 据融合;

[0013] (3)构建扩展卡尔曼滤波器1的系统方程,该系统方程以WSN每一时刻两个方向的 位置

Figure CN102692223BD00061

、速度

Figure CN102692223BD00062

作为系统状态变量,滤波器的系统方程如式(1)所示,其中

Figure CN102692223BD00063

为采样周期,

Figure CN102692223BD00064

为系统噪声,

[0014]

Figure CN102692223BD00065

(1)

[0015] 扩展卡尔曼滤波器1的观测方程以每个时刻未知节点与参考节点之间的距离

Figure CN102692223BD00066

为观测量,于此同时,将载体速度传感器测量的载体的速度也作为观测量构建滤波器 的观测方程,滤波器的观测方程如式(2)所示,

[0016]

Figure CN102692223BD00067

(2)

[0017] 其中,

Figure CN102692223BD00068

为RN节点在相对坐标系中的位置,

Figure CN102692223BD00069

为观测噪声;

[0018] (4)构建扩展卡尔曼滤波器2的系统方程,该系统方程以INS每一时刻两个方向, 即东向和北向的位置误差

Figure CN102692223BD000610

、载体的前向和横向速度误差

Figure CN102692223BD000611

、前向和横 向加速度计误差

Figure CN102692223BD000612

和航向角

Figure CN102692223BD000613

作为状态变量,滤波器的系统方程如式(3)所 示,其中Γ2为采样周期,

Figure CN102692223BD000614

为系统噪声,

[0019]

Figure CN102692223BD00071

(3)

[0020] 通过INS测量每个时刻未知节点在x和y方向,即东向和北向的位置,将得到的 位置信息与参考节点的位置信息通过距离公式计算出INS测量得到的未知节点和第i个 RN节点之间的距离

Figure CN102692223BD00072

,通过WSN中包含的超声测距模块测量出未知节点和第i个RN节 点之间的距离

Figure CN102692223BD00073

,将

Figure CN102692223BD00074

的平方与

Figure CN102692223BD00075

的平方作差,差值定义为

Figure CN102692223BD00076

,在此基础上,以

Figure CN102692223BD00077

作为滤波器的观测量;与此同时,将INS测量的载体在两个方向的速度与 滤波器1输出的最优速度预估作差,将差值也作为滤波器的观测量,同时,将滤波器1中得 到的航向角也作为观测量,通过上述的观测量构建观测方程,

[0021] 滤波器观测方程如式(4)所示:

Figure CN102692223BD00078

[0022] (4)

[0023] 其中,

Figure CN102692223BD00079

为参考节点在相对坐标系中的位置,

Figure CN102692223BD000710

Figure CN102692223BD00081

[0024] (5)在滤波器进行数据滤波的过程中,将扩展卡尔曼滤波器2得到的这一时刻最 优的误差估计与时间加入到BP神经网络算法中,通过人工智能算法构建INS预估的相对导 航信息随时间偏差的模型;

[0025] (6)若未知节点离开搭建有WSN的区域进入自适应补偿阶段,在这一阶段,组合导 航系统获取不到WSN测量的相对导航信息,只能依靠 MINS系统完成这一部分的自主导航, INS利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿,得到最优的导 航信息。

[0026] 本发明的有益效果如下:

[0027] 1、能满足地面城市交通、狭长隧道、小型智能机器人等中低精度的定位和定向的 要求。

[0028] 2、提出了 WSN/INS组合导航的多级非线性滤波模型,在局部滤波器中,使用以每 一时刻WSN测量的BN节点在大地相对坐标系中X (东向)和y (北向)方向的位置和速度为 系统状态变量,以WSN中包含的超声测距模块测量出BN节点和第i个RN节点之间的距离 和未知节点载体上的速度传感器测量的速度(载体实际速度)为观测量,对WSN测量的 载体在两个方向(东向和北向)的位置和速度做预估,用预估的速度计算这一时刻载体运动 的航向角。这一航向角用以替代INS本身的航向角,局部滤波器预估出的航向角误差为随 机误差,而INS自身预估的航向角为累积误差,因此本发明的优点在于将航向角的累积误 差转化为随机误差,减少了 INS测量误差的时漂现象。

附图说明 [0029]

[0030] 图1为用于WSN/INS组合导航的多级非线性滤波器的系统示意图。

[0031] 图2为用于WSN/INS组合导航的多级非线性滤波器的控制方法示意图。

[0032] 图3为本发明的方法流程图。

[0033] 图4为实施例的参考节点、未知节点分布。

具体实施方式 [0034]

[0035] 下面结合附图对本发明创造做进一步详细说明。

[0036] 如图1所示,一种用于WSN/INS组合导航的多级非线性滤波器的系统,包括参考 (RN)节点部分和未知(BN)节点部分,参考节点部分由参考节点无线网络接收模块、超声测 距模块和时间同步模块组成;未知节点部分由未知节点无线网络接收模块、INS导航模块、 中央数据处理模块组成。

[0037] 如图2所示,在WSN/INS组合导航模型中使用两组滤波器。一组滤波器(EKF1)以 WSN每一时刻两个方向的位置

Figure CN102692223BD00082

、速度

Figure CN102692223BD00083

作为系统状态变量,滤波器的系统方 程如式(1)所示,其中巧为采样周期,

Figure CN102692223BD00084

为系统噪声。

[0038]

Figure CN102692223BD00091

(1)

[0039] EKF1的观测方程以每个时刻未知节点与参考节点之间的距离

Figure CN102692223BD00092

为观测量,于 此同时,将载体速度传感器测量的载体的速度也作为观测量构建滤波器的观测方程,滤波 器的观测方程如式(2)所示,

[0040]

Figure CN102692223BD00093

(2)

[0041] 其中,

Figure CN102692223BD00094

为RN节点在相对坐标系中的位置,

Figure CN102692223BD00095

为观测噪声。

[0042] 另一组滤波器(EKF 2),该系统方程以INS每一时刻两个方向,即东向和北向的 位置误差

Figure CN102692223BD00096

、载体的前向和横向速度误差

Figure CN102692223BD00097

、前向和横向加速度计误差

Figure CN102692223BD00098

和航向角

Figure CN102692223BD00099

作为状态变量,滤波器的系统方程如式(3)所示,其中

Figure CN102692223BD000910

为采样周 期,

Figure CN102692223BD000911

为系统噪声,

[0043]

Figure CN102692223BD000912

(3)

[0044] 通过INS测量每个时刻未知节点在x和y方向,即东向和北向的位置,将得到的 位置信息与参考节点的位置信息通过距离公式计算出INS测量得到的未知节点和第i个 RN节点之间的距离

Figure CN102692223BD00101

,通过WSN中包含的超声测距模块测量出未知节点和第i个RN节 点之间的距离

Figure CN102692223BD00102

,将

Figure CN102692223BD00103

的平方与

Figure CN102692223BD00104

的平方作差,差值定义为

Figure CN102692223BD00105

在此基础上,以

Figure CN102692223BD00106

作为滤波器的观测量;与此同时,将INS测量的载体的在两个方向的速度 与滤波器1输出的最优速度预估作差,将差值也作为滤波器的观测量,同时,将滤波器1中 得到的航向角也作为观测量,通过上述的观测量构建观测方程,

[0045] 滤波器观测方程如式(4)所示:

Figure CN102692223BD00107

[0046] (4)

[0047] 其中,

Figure CN102692223BD00108

为参考节点在相对坐标系中的位置,

Figure CN102692223BD00109

Figure CN102692223BD001010

[0048] 在滤波器进行数据滤波的过程中,将扩展卡尔曼滤波器2得到的这一时刻最优的 误差估计与时间加入到BP神经网络算法中,通过人工智能算法构建INS预估的相对导航信 息随时间偏差的模型,若未知节点离开搭建有WSN的区域进入自适应补偿阶段,在这一阶 段,组合导航系统获取不到WSN测量的相对导航信息,只能依靠 MINS系统完成这一部分的 自主导航,INS利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿,得到 最优的导航信息。

[0049] WSN/INS组合导航的多级非线性滤波器的控制方法流程如图3所示,图4给出了实 施例的参考节点、未知节点分布的环境及按图3流程得到的BN节点沿着图示的轨迹运动。 方法的具体步骤如下:

[0050] (1)通过WSN模块中附带的载体速度计测量得到的载体的在某一时刻的速度 为24. 4194m/s,在这一时刻BN节点周围的RN节点坐标分别为(120,48. 6764),( 125, 50. 4963),(130,52.3161),(125,40.4963) (m)。上述信息通过扩展卡尔曼滤波器1得到 数据为(125. 9841,46. 3180,22. 8992,8. 73615),通过预估得到的最优的两个方向的速度信 息,得到这一时刻载体的航向角信息为北偏东69. 1179度。

[0051] (2) INS采集加表信息,在采集到加表信息之后进行解算,获得某一时刻通过INS 测量得到的BN的位置信息为(113. 3593,55. 6551)(m),载体的前向和横向速度信息为 (21. 9607,10. 8944)(m/s)。将上述信息与(1)中测量的信息同时输入到扩展卡尔曼滤波器 2中,得到这一时刻的INS的位置误差预估为(-12. 7502,9.6947) (m)。将这一时刻内INS 本身测出的导航信息减去主滤波器的最优误差估计,最后得到修正后的结果(126. 1095, 45. 9604) (m)。

Claims (1)

1. 一种用于WSN/INS组合导航的多级非线性滤波器的控制方法,其特征在于,包括下 列步骤: (1) 组合方法将导航过程分为培训过程和自适应补偿过程两部分,将有WSN信号的导 航过程称为培训过程,只有INS信号的导航过程称之为自适应补偿过程; (2) 在培训过程中,在本地相对坐标系中通过构建两个滤波器将INS和WSN进行数据融 合; (3) 构建扩展卡尔曼滤波器1的系统方程,该系统方程以WSN每一时刻两个方向的位置
Figure CN102692223BC00021
、速度
Figure CN102692223BC00022
作为系统状态变量,滤波器的系统方程如式(1)所示,其中
Figure CN102692223BC00023
为采 样周期,£^,,为系统噪声,
Figure CN102692223BC00024
(1) 扩展卡尔曼滤波器1的观测方程以每个时刻未知节点与参考节点之间的距离:
Figure CN102692223BC00025
为 观测量,与此同时,将载体速度传感器测量的载体的速度也作为观测量构建滤波器的观测 方程,滤波器的观测方程如式(2)所示,
Figure CN102692223BC00026
(2) 其中,
Figure CN102692223BC00027
为RN节点在相对坐标系中的位置,
Figure CN102692223BC00028
为观测噪声; (4) 构建扩展卡尔曼滤波器2的系统方程,该系统方程以INS每一时刻两个方向,即东 向和北向的位置误差
Figure CN102692223BC00029
、载体的前向和横向速度误差
Figure CN102692223BC000210
、前向和横向加 速度计误差
Figure CN102692223BC000211
和航向角
Figure CN102692223BC000212
作为状态变量,滤波器的系统方程如式(3)所示,其 中
Figure CN102692223BC000213
为采样周期,
Figure CN102692223BC000214
为系统噪声, (3)
Figure CN102692223BC00031
通过INS测量每个时刻未知节点在x和y方向,即东向和北向的位置,将得到的位置 信息与参考节点的位置信息通过距离公式计算出INS测量得到的未知节点和第i个RN 节点之间的距离
Figure CN102692223BC00032
,通过WSN中包含的超声测距模块测量出未知节点和第i个RN节 点之间的距离
Figure CN102692223BC00033
,将
Figure CN102692223BC00034
的平方与
Figure CN102692223BC00035
的平方作差,差值定义为
Figure CN102692223BC00036
,在此基础上,以
Figure CN102692223BC00037
作为滤波器的观测量;与此同时,将INS测量的载体在两个方向的速度与 滤波器1输出的最优速度预估作差,将差值也作为滤波器的观测量,同时,将滤波器1中得 到的航向角也作为观测量,通过上述的观测量构建观测方程, 滤波器观测方程如式(4)所示:
Figure CN102692223BC00038
(4) 其中,
Figure CN102692223BC00039
为参考节点在相对坐标系中的位置,
Figure CN102692223BC000310
Figure CN102692223BC00041
(5) 在滤波器进行数据滤波的过程中,将扩展卡尔曼滤波器2得到的这一时刻最优的 误差估计与时间加入到BP神经网络算法中,通过人工智能算法构建INS预估的相对导航信 息随时间偏差的模型; (6) 若未知节点离开搭建有WSN的区域进入自适应补偿阶段,在这一阶段,组合导航 系统获取不到WSN测量的相对导航信息,只能依靠 INS系统完成这一部分的自主导航,INS 利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿,得到最优的导航信 肩、。
CN201210213414.3A 2012-06-27 2012-06-27 用于wsn/ins组合导航的多级非线性滤波器的控制方法 CN102692223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210213414.3A CN102692223B (zh) 2012-06-27 2012-06-27 用于wsn/ins组合导航的多级非线性滤波器的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210213414.3A CN102692223B (zh) 2012-06-27 2012-06-27 用于wsn/ins组合导航的多级非线性滤波器的控制方法

Publications (2)

Publication Number Publication Date
CN102692223A CN102692223A (zh) 2012-09-26
CN102692223B true CN102692223B (zh) 2014-10-08

Family

ID=46857834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210213414.3A CN102692223B (zh) 2012-06-27 2012-06-27 用于wsn/ins组合导航的多级非线性滤波器的控制方法

Country Status (1)

Country Link
CN (1) CN102692223B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2996302B1 (fr) * 2012-10-01 2014-10-17 Snecma METHOD AND SYSTEM FOR MULTI-SENSOR MEASUREMENT
CN103065037B (zh) * 2012-11-13 2015-10-07 杭州电子科技大学 非线性系统基于分散式容积信息滤波的目标跟踪方法
CN103033186B (zh) * 2012-12-30 2015-04-01 东南大学 一种用于水下滑翔器的高精度组合导航定位方法
CN105144663A (zh) * 2013-03-15 2015-12-09 德纳有限公司 使用多级网络的用于数据收集与分析的系统和方法
CN103471595B (zh) * 2013-09-26 2016-04-06 东南大学 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法
CN103674059A (zh) * 2013-11-11 2014-03-26 北京航天控制仪器研究所 一种基于外测速度信息的sins水平姿态误差修正方法
CN103983263A (zh) * 2014-05-30 2014-08-13 东南大学 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法
CN104270119B (zh) * 2014-09-22 2017-05-17 武汉理工大学 基于非线性未知随机偏差的两阶段容积卡尔曼滤波方法
CN104316058B (zh) * 2014-11-04 2017-01-18 东南大学 一种采用交互多模型的移动机器人wsn/ins组合导航方法
CN104374389B (zh) * 2014-12-10 2017-04-05 济南大学 一种面向室内移动机器人的imu/wsn组合导航方法
CN105259902B (zh) * 2015-09-06 2018-10-12 江苏科技大学 水下机器人惯性导航方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0442672A2 (en) * 1990-02-16 1991-08-21 Raytheon Company Combined sensor guidance system
CN102494685A (zh) * 2011-11-14 2012-06-13 东南大学 用于wsn/ins高精度实时组合导航的h无穷信息融合方法
CN102494684A (zh) * 2011-11-11 2012-06-13 东南大学 一种基于wsn/mins组合导航的导航信息无偏紧组合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8473207B2 (en) * 2008-10-21 2013-06-25 Texas Instruments Incorporated Tightly-coupled GNSS/IMU integration filter having calibration features

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0442672A2 (en) * 1990-02-16 1991-08-21 Raytheon Company Combined sensor guidance system
CN102494684A (zh) * 2011-11-11 2012-06-13 东南大学 一种基于wsn/mins组合导航的导航信息无偏紧组合方法
CN102494685A (zh) * 2011-11-14 2012-06-13 东南大学 用于wsn/ins高精度实时组合导航的h无穷信息融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《基于Kalman滤波器的INS/WSN紧组合导航系统模型》;徐元等;《东南大学学报》;20111215;第27卷(第4期);384-387 *
《基于扩展卡尔曼滤波器的INS/WSN无偏紧组合方法》;徐元等;《中国惯性技术学报》;20120615;第20卷(第3期);292-295 *
徐元等.《基于Kalman滤波器的INS/WSN紧组合导航系统模型》.《东南大学学报》.2011,第27卷(第4期),384-387.
徐元等.《基于扩展卡尔曼滤波器的INS/WSN无偏紧组合方法》.《中国惯性技术学报》.2012,第20卷(第3期),292-295.

Also Published As

Publication number Publication date
CN102692223A (zh) 2012-09-26

Similar Documents

Publication Publication Date Title
US9488480B2 (en) Method and apparatus for improved navigation of a moving platform
Qian et al. An improved indoor localization method using smartphone inertial sensors
CN103197279B (zh) 一种移动目标协同定位系统的定位方法
CN103424114B (zh) 一种视觉导航/惯性导航的全组合方法
JP6072266B2 (ja) 移動端末及び移動端末位置情報取得方法
Xu et al. UWB-based indoor human localization with time-delayed data using EFIR filtering
US8957812B1 (en) Position tracking system and method using radio signals and inertial sensing
CN102829777B (zh) 自主式水下机器人组合导航系统及方法
Georgy et al. Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation
CN105607104B (zh) 一种基于gnss与ins的自适应导航定位系统及方法
CN103217157B (zh) 一种惯导/里程计自主组合导航方法
CN101858748B (zh) 高空长航无人机的多传感器容错自主导航方法
CN103776453B (zh) 一种多模型水下航行器组合导航滤波方法
CN102419180B (zh) 一种基于惯性导航系统和wifi的室内定位方法
CN102519450B (zh) 一种用于水下滑翔器的组合导航装置及方法
CN102508278B (zh) 一种基于观测噪声方差阵估计的自适应滤波方法
CN106225784B (zh) 基于低成本多传感器融合行人航位推算方法
CN104061934A (zh) 基于惯性传感器的行人室内位置跟踪方法
Fakharian et al. Adaptive Kalman filtering based navigation: An IMU/GPS integration approach
CN105547288A (zh) 一种煤矿井下移动设备自主定位的方法及系统
CN102506857B (zh) 一种基于双imu/dgps组合的相对姿态测量实时动态滤波方法
CN102445200B (zh) 微小型个人组合导航系统及其导航定位方法
CN103759730B (zh) 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法
US8548731B2 (en) Navigation method, navigation system, navigation device, vehicle provided therewith and group of vehicles
CN106908759A (zh) 一种基于uwb技术的室内行人导航方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model