CN103268403A - 一种基于容积强跟踪信息滤波器的目标跟踪方法 - Google Patents

一种基于容积强跟踪信息滤波器的目标跟踪方法 Download PDF

Info

Publication number
CN103268403A
CN103268403A CN2013101490319A CN201310149031A CN103268403A CN 103268403 A CN103268403 A CN 103268403A CN 2013101490319 A CN2013101490319 A CN 2013101490319A CN 201310149031 A CN201310149031 A CN 201310149031A CN 103268403 A CN103268403 A CN 103268403A
Authority
CN
China
Prior art keywords
matrix
information
state
expression
calculate
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
Application number
CN2013101490319A
Other languages
English (en)
Other versions
CN103268403B (zh
Inventor
葛泉波
姚树鹤
文成林
管冰蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Flexible Electronics Technology of THU Zhejiang
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310149031.9A priority Critical patent/CN103268403B/zh
Publication of CN103268403A publication Critical patent/CN103268403A/zh
Application granted granted Critical
Publication of CN103268403B publication Critical patent/CN103268403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。本发明包括估计一步预测目标状态
Figure 2013101490319100004DEST_PATH_IMAGE002
，迭代计算伪观测矩阵
Figure 2013101490319100004DEST_PATH_IMAGE004
、新息矩阵
Figure DEST_PATH_IMAGE006
、信息矩阵
Figure DEST_PATH_IMAGE008
及信息状态向量
Figure DEST_PATH_IMAGE010
，计算目标状态的最优线性估计
Figure DEST_PATH_IMAGE012
及其误差协方差
Figure DEST_PATH_IMAGE014
。本发明衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。

Description

一种基于容积强跟踪信息滤波器的目标跟踪方法
技术领域
本发明属于非线性系统的目标跟踪领域，特别涉及一种基于容积强跟踪信息滤波器的目标跟踪方法。
背景技术
非线性滤波是信号处理、目标跟踪和控制领域方面的热门话题之一，特别是，在卡尔曼滤波框架下的非线性滤波研究仍然是一个很火的问题，在近年来受到了越来越多的关注和研究。
卡尔曼滤波器（KF）最初是由R.E Kalman处理线性动态系统的状态估计时提出来的。随后，相继提出了扩展的卡尔曼滤波器（EKF），把KF的的应用延伸到非线性系统。因为使用泰勒展开公式将原系统线性化，EKF的性能并不理想，尤其是，雅可比矩阵的计算严重限制了EKF的应用。无味滤波（UKF）通过无味转换，虽然能明显改善EKF的性能，但是，在维数灾难的情况下，UKF的使用仍然有限制。此后，容积卡尔曼滤波器和相应平方根容积卡尔曼滤波器（SCKF）相继被提出来解决这个问题。很快，容积信息滤波器（CIF）和平方容积信息滤波器（SRCIF）也相继给出。
这些非线性滤波器一般都要求已知的，精确的系统参数，并且没有状态的突变等等。一旦这些情况出现了，当前的非线性滤波器就不能很好的工作。另外，当增益矩阵趋于连续时，一旦出现状态突变，这些卡尔曼滤波器就会丢失自适应功能。在EKF的基础上，强跟踪滤波（STF）理论就被建立起来用以诊断过程系统中的错误，并且获得了广泛的应用，通过计算衰减系数它可以自动调节预测误差协方差，就获得了所谓的强跟踪功能，随后，STF用来让SCKF具有强跟踪能力。但是仍然有一个问题，就是在估计衰减系数的时候，量测方程的雅可比矩阵需要计算出来。这很复杂，很容易导致计算问题。
发明内容
为了应对非线性系统状态突变以及不精确系统模型的情况，在本发明中，将强跟踪滤波（STF）技术应用到容积信息滤波器（CIF），在CIF预测误差协方差求解公式中引入了衰减因子                                               
Figure 2013101490319100002DEST_PATH_IMAGE002
（本发明中下标
Figure 2013101490319100002DEST_PATH_IMAGE004
表示时间），提出了一种基于容积信息滤波器的容积强跟踪信息滤波器（CSTIF）。本发明是CIF改进形式，包括估计一步预测目标状态
Figure 2013101490319100002DEST_PATH_IMAGE006
（本发明中下标
Figure 2013101490319100002DEST_PATH_IMAGE008
表示用
Figure 2013101490319100002DEST_PATH_IMAGE010
时刻的目标信息估计第
Figure 428433DEST_PATH_IMAGE004
时刻的目标信息），迭代计算伪观测矩阵、新息矩阵
Figure 2013101490319100002DEST_PATH_IMAGE014
、信息矩阵
Figure 2013101490319100002DEST_PATH_IMAGE016
及信息状态向量
Figure 2013101490319100002DEST_PATH_IMAGE018
，计算目标状态的最优线性估计
Figure 2013101490319100002DEST_PATH_IMAGE020
（下标
Figure 2013101490319100002DEST_PATH_IMAGE022
表示该值即为第时刻的最优估计值）及其误差协方差，具体内容如下：
步骤1 估计一步预测目标状态
Figure 626775DEST_PATH_IMAGE006
。        
步骤2 迭代计算伪观测矩阵
Figure 959667DEST_PATH_IMAGE012
、新息矩阵、信息矩阵
Figure 471868DEST_PATH_IMAGE016
及信息状态向量；迭代过程如下：
I）设置循环控制变量
Figure 2013101490319100002DEST_PATH_IMAGE026
的初值，令，同时令
Figure 2013101490319100002DEST_PATH_IMAGE030
 （上标1表示第1次迭代时的值），并且给出迭代次数
Figure 2013101490319100002DEST_PATH_IMAGE032
的值，迭代循环开始。
II）如果
Figure 2013101490319100002DEST_PATH_IMAGE034
，且
Figure 581479DEST_PATH_IMAGE030
，则
Figure 2013101490319100002DEST_PATH_IMAGE036
和
Figure 2013101490319100002DEST_PATH_IMAGE038
可以直接使用公式计算，并且跳到IX）。
III）估计衰减因子
Figure 2013101490319100002DEST_PATH_IMAGE040
（上标
Figure 63407DEST_PATH_IMAGE026
表示第
Figure 994454DEST_PATH_IMAGE026
次迭代时的值）。
IV）计算状态预测误差协方差
Figure 2013101490319100002DEST_PATH_IMAGE042
。
V）估计信息矩阵
Figure 2013101490319100002DEST_PATH_IMAGE044
及信息状态向量。
VI）计算观测值预测
Figure 2013101490319100002DEST_PATH_IMAGE048
和新息
Figure 2013101490319100002DEST_PATH_IMAGE050
。
VII）计算状态和观测值的交叉协方差
Figure 2013101490319100002DEST_PATH_IMAGE052
（下标
Figure 2013101490319100002DEST_PATH_IMAGE054
表示用时刻的目标信息估计第
Figure 987260DEST_PATH_IMAGE004
时刻的状态和观测值的交叉协方差）。
VIII）计算伪观测矩阵
Figure 2013101490319100002DEST_PATH_IMAGE056
。
IX）如果
Figure 2013101490319100002DEST_PATH_IMAGE058
，让；然后跳到III）,否则X）。
X）令。
步骤3计算目标状态最优线性估计及其误差协方差
Figure DEST_PATH_IMAGE064
。
本发明有益效果：衰减因子可以由伪测量矩阵的迭代计算获得，而不用计算雅可比矩阵。同时，通过引入基于最新更新的时变衰减因子，CSTIF具有强跟踪能力，并且在跟踪目标状态突变及系统模型不精确的情况下，还具有不错的鲁棒性。
附图说明
   图1为 CSTIF流程图。
具体实施方式
下面首先为跟踪目标的运动状态建立模型，其次给出容积信息滤波器的滤波公式，最后基于目标模型和容积信息滤波器的滤波公式，介绍本发明的实施过程。
1系统建模
给出如下非线性系统动态模型
Figure DEST_PATH_IMAGE066
                      
其中
Figure DEST_PATH_IMAGE068
是时间指数，
Figure DEST_PATH_IMAGE070
表示系统状态（
Figure DEST_PATH_IMAGE072
为
Figure DEST_PATH_IMAGE074
维列向量全集），
Figure DEST_PATH_IMAGE076
是观测列向量，
Figure DEST_PATH_IMAGE078
以及
Figure DEST_PATH_IMAGE080
都是可微函数，
Figure DEST_PATH_IMAGE082
和都是均值为零的高斯白噪声，
即
Figure DEST_PATH_IMAGE086
其中
Figure DEST_PATH_IMAGE088
为求均值运算，、
Figure DEST_PATH_IMAGE092
是已知的，分别为和的方差，初始状态为
Figure DEST_PATH_IMAGE098
，其均值和方差分别为
Figure DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE102
，并且和
Figure DEST_PATH_IMAGE104
无关。
2 给出容积信息滤波器的具体滤波公式
时间更新
1）评估信息矩阵
Figure 190271DEST_PATH_IMAGE016
和信息状态向量
Figure 557799DEST_PATH_IMAGE018
                   
Figure DEST_PATH_IMAGE106
                   （1）
在这，如果让（上标指
Figure 674790DEST_PATH_IMAGE010
时刻）是观测值
Figure DEST_PATH_IMAGE110
（
Figure DEST_PATH_IMAGE112
）的集合，就有
                               （2）
                    
Figure DEST_PATH_IMAGE116
                （3）  
                     
Figure DEST_PATH_IMAGE118
                （4）
其中
Figure DEST_PATH_IMAGE120
，
Figure DEST_PATH_IMAGE122
是点集
Figure DEST_PATH_IMAGE124
的第
Figure DEST_PATH_IMAGE126
列。
量测更新
2）计算容积点
Figure DEST_PATH_IMAGE128
和传播的容积点
Figure DEST_PATH_IMAGE130
Figure DEST_PATH_IMAGE132
              
Figure DEST_PATH_IMAGE134
               （5）
3）估计观测值预测
Figure DEST_PATH_IMAGE136
                                    （6）
4）计算交叉协方差
Figure DEST_PATH_IMAGE140
                 
Figure DEST_PATH_IMAGE142
               （7）
5）评估信息状态贡献矩阵
Figure DEST_PATH_IMAGE144
和它的相关信息矩阵
Figure DEST_PATH_IMAGE146
                  
Figure DEST_PATH_IMAGE148
             （8）
其中， 和
Figure 822351DEST_PATH_IMAGE096
分别是伪测量矩阵和新息矩阵，并且有
                    
Figure DEST_PATH_IMAGE152
                 （9）
6）计算估计信息矩阵
Figure DEST_PATH_IMAGE154
和信息状态向量
                                   （10）
7）计算状态最优线性估计和它的误差协方差矩阵
Figure 489403DEST_PATH_IMAGE024
                  
Figure DEST_PATH_IMAGE160
                   （11）
3基于目标模型和容积信息滤波器详述容积强跟踪信息滤波器的滤波公式
对于容积信息滤波器，附加衰减因子
Figure 93691DEST_PATH_IMAGE002
修正后的状态预测误差协方差是，
         
Figure DEST_PATH_IMAGE162
           （12）
Figure DEST_PATH_IMAGE164
的迭代计算公式如下，
                           （13）
其中
Figure DEST_PATH_IMAGE168
为迭代次数，
Figure DEST_PATH_IMAGE170
，
Figure DEST_PATH_IMAGE172
是求矩阵的迹，且有
               
Figure DEST_PATH_IMAGE174
              （14）
                                 （15）
其中，
Figure DEST_PATH_IMAGE178
，并且
Figure DEST_PATH_IMAGE180
。和
Figure DEST_PATH_IMAGE184
分别是新息矩阵和伪测量矩阵，并且在第
Figure DEST_PATH_IMAGE186
次迭代中引入。所以新的容积信息滤波器就称作容积强跟踪信息滤波器（CSTIF），具体步骤如下（参见图1）：
步骤1 用公式（4）和（3）估计一步预测目标状态
Figure 504598DEST_PATH_IMAGE006
；
步骤2 迭代计算伪观测矩阵
Figure 940258DEST_PATH_IMAGE012
、新息矩阵
Figure 649588DEST_PATH_IMAGE014
、信息矩阵及信息状态向量
Figure 420415DEST_PATH_IMAGE018
，计算过程如下；
I）设置循环控制变量的初值
Figure 710582DEST_PATH_IMAGE028
，同时令
Figure 590814DEST_PATH_IMAGE030
，并且给出迭代次数的值，迭代循环开始；
II）如果，且，则
Figure 842574DEST_PATH_IMAGE036
和
Figure 705488DEST_PATH_IMAGE038
可以直接使用等式（1）-（7）和（9）计算获得，并且跳到IX）；
III）使用等式（13）-（15）估计衰减因子
Figure 867479DEST_PATH_IMAGE040
；
IV）计算状态预测误差协方差
Figure 866659DEST_PATH_IMAGE042
；
           
Figure DEST_PATH_IMAGE188
      （16）
V）估计信息矩阵及信息状态向量
               
Figure DEST_PATH_IMAGE190
               （17）
VI）计算观测值预测
Figure 342268DEST_PATH_IMAGE048
和新息
Figure 461534DEST_PATH_IMAGE050
；
                             （18）
其中
                                  （19）
VII）计算状态和观测值的交叉协方差
Figure 464256DEST_PATH_IMAGE052
；
         
Figure DEST_PATH_IMAGE196
             （20）
VIII）计算伪观测矩阵
                   
Figure DEST_PATH_IMAGE198
                   （21）
IX）如果
Figure DEST_PATH_IMAGE200
，让
Figure 171269DEST_PATH_IMAGE060
；然后跳到III），否则X）；
迭代结束。
X）令
Figure 675063DEST_PATH_IMAGE062
；
步骤3 根据等式（8），（10），（11）计算目标状态最优线性估计及其误差协方差
Figure 914414DEST_PATH_IMAGE064
。

Claims (1)

1. 一种基于容积强跟踪信息滤波器的目标跟踪方法，其特征在于该方法包括以下步骤：
步骤1 估计一步预测目标状态                                               
Figure 2013101490319100001DEST_PATH_IMAGE002
，其中
Figure 2013101490319100001DEST_PATH_IMAGE004
表示时间；     
步骤2 迭代计算伪观测矩阵
Figure 2013101490319100001DEST_PATH_IMAGE006
、新息矩阵
Figure 2013101490319100001DEST_PATH_IMAGE008
、信息矩阵
Figure 2013101490319100001DEST_PATH_IMAGE010
及信息状态向量
Figure 2013101490319100001DEST_PATH_IMAGE012
；迭代计算过程如下：
I）设置循环控制变量
Figure 2013101490319100001DEST_PATH_IMAGE014
的初值，令
Figure DEST_PATH_IMAGE016
，同时令
Figure DEST_PATH_IMAGE018
 ，并且给出迭代次数的值，迭代循环开始；其中上标1表示第1次迭代时的值，
Figure DEST_PATH_IMAGE022
表示衰减因子；
II）如果
Figure DEST_PATH_IMAGE024
，且
Figure 951380DEST_PATH_IMAGE018
，则
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
直接使用公式计算，并且跳到IX）；
III）估计衰减因子
Figure DEST_PATH_IMAGE030
，其中上标
Figure 151548DEST_PATH_IMAGE014
表示第
Figure 521350DEST_PATH_IMAGE014
次迭代时的值；
IV）计算状态预测误差协方差
Figure DEST_PATH_IMAGE032
；
V）估计信息矩阵
Figure DEST_PATH_IMAGE034
及信息状态向量;
VI）计算观测值预测
Figure DEST_PATH_IMAGE038
和新息
Figure DEST_PATH_IMAGE040
；
VII）计算状态和观测值的交叉协方差
Figure DEST_PATH_IMAGE042
，其中下标
Figure DEST_PATH_IMAGE044
表示用
Figure DEST_PATH_IMAGE046
时刻的目标信息估计第
Figure 975727DEST_PATH_IMAGE004
时刻的状态和观测值的交叉协方差，
Figure DEST_PATH_IMAGE048
表示状态，
Figure DEST_PATH_IMAGE050
表示观测值；
VIII）计算伪观测矩阵
Figure DEST_PATH_IMAGE052
；
IX）如果
Figure DEST_PATH_IMAGE054
，另自加1；然后跳到III）,否则跳到X）；
X）令；
步骤3计算目标状态最优线性估计
Figure DEST_PATH_IMAGE058
及其误差协方差。
CN201310149031.9A 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法 Active CN103268403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310149031.9A CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310149031.9A CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN103268403A true CN103268403A (zh) 2013-08-28
CN103268403B CN103268403B (zh) 2016-05-18

Family

ID=49012031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310149031.9A Active CN103268403B (zh) 2013-04-25 2013-04-25 一种基于容积强跟踪信息滤波器的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN103268403B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331902A (zh) * 2014-10-11 2015-02-04 深圳超多维光电子有限公司 目标跟踪方法、跟踪装置和3d显示方法及显示装置
CN108710295A (zh) * 2018-04-20 2018-10-26 浙江工业大学 一种基于渐进容积信息滤波的机器人跟随方法
CN111506873A (zh) * 2020-04-13 2020-08-07 深圳埃瑞斯瓦特新能源有限公司 基于扩展卡尔曼滤波算法的非线性系统参数估计方法
WO2020223889A1 (zh) * 2019-05-07 2020-11-12 深圳大学 模糊模型粒子滤波方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999696A (zh) * 2012-11-13 2013-03-27 杭州电子科技大学 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999696A (zh) * 2012-11-13 2013-03-27 杭州电子科技大学 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN103065307A (zh) * 2012-12-25 2013-04-24 上海交通大学 非精确配准下sar/spot图像的区域融合检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
屈剑锋等: "无线传感器网络下的并行粒子滤波目标跟踪算法", 《电子科技大学学报》, vol. 40, no. 2, 30 March 2011 (2011-03-30), pages 231 - 236 *
李国伟等: "基于IMM-SCKF-STF的机动目标跟踪算法", 《微电子学与计算机》, vol. 29, no. 10, 5 October 2012 (2012-10-05), pages 128 - 132 *
王月领等: "嵌入卡尔曼预测器的粒子滤波目标跟踪算法", 《计算机应用研究》, vol. 27, no. 2, 15 February 2010 (2010-02-15), pages 468 - 471 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331902A (zh) * 2014-10-11 2015-02-04 深圳超多维光电子有限公司 目标跟踪方法、跟踪装置和3d显示方法及显示装置
CN104331902B (zh) * 2014-10-11 2018-10-16 深圳超多维科技有限公司 目标跟踪方法、跟踪装置和3d显示方法及显示装置
CN108710295A (zh) * 2018-04-20 2018-10-26 浙江工业大学 一种基于渐进容积信息滤波的机器人跟随方法
CN108710295B (zh) * 2018-04-20 2021-06-18 浙江工业大学 一种基于渐进容积信息滤波的机器人跟随方法
WO2020223889A1 (zh) * 2019-05-07 2020-11-12 深圳大学 模糊模型粒子滤波方法、装置、设备及存储介质
CN111506873A (zh) * 2020-04-13 2020-08-07 深圳埃瑞斯瓦特新能源有限公司 基于扩展卡尔曼滤波算法的非线性系统参数估计方法

Also Published As

Publication number Publication date
CN103268403B (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN103927436A (zh) 一种自适应高阶容积卡尔曼滤波方法
CN103033186B (zh) 一种用于水下滑翔器的高精度组合导航定位方法
CN110289989B (zh) 一种基于容积卡尔曼滤波算法的分布式状态估计方法
CN104992164B (zh) 一种动态振荡信号模型参数辨识方法
CN103268403A (zh) 一种基于容积强跟踪信息滤波器的目标跟踪方法
CN103389094B (zh) 一种改进的粒子滤波方法
CN113204038B (zh) 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器
CN102999696B (zh) 噪声相关系统基于容积信息滤波的纯方位跟踪方法
CN101876546A (zh) 基于小波阈值去噪和far模型的mems陀螺数据处理方法
CN102795323B (zh) 一种基于ukf的水下机器人状态和参数联合估计方法
CN109582916A (zh) 一种基于观测噪声方差未知的自适应卡尔曼滤波方法
CN110987068A (zh) 一种多传感器综合控制系统数据融合方法
CN111444474B (zh) 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN109188422B (zh) 一种基于lu分解的卡尔曼滤波目标跟踪方法
CN109341690A (zh) 一种鲁棒高效的组合导航自适应数据融合方法
CN103312297B (zh) 一种迭代扩展增量卡尔曼滤波方法
CN114139109A (zh) 一种目标跟踪方法、系统、设备、介质及数据处理终端
CN112632454B (zh) 一种基于自适应卡尔曼滤波算法的mems陀螺滤波方法
CN109582915B (zh) 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法
CN115047505B (zh) 基于载波相位差分辅助的gnss定位方法及导航方法
CN115580261A (zh) 基于鲁棒策略和动态增强ckf结合的状态估计方法
CN103092814A (zh) 一种测量数据通用最小二乘平差方法
CN107966697B (zh) 一种基于渐进无迹卡尔曼的移动目标跟踪方法
CN103235886A (zh) 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法
CN104320108A (zh) 基于ahcif的集中式测量值加权融合方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191220

Address after: 310016 room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zhiduo Network Technology Co., Ltd

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: Hangzhou Electronic Science and Technology Univ

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201202

Address after: 314000 Floor 15 of Block B of Zhejiang Tsinghua Yangtze River Delta Research Institute, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: INSTITUTE OF FLEXIBLE ELECTRONICS TECHNOLOGY OF THU, ZHEJIANG

Address before: 310016 room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.