CN103278151B - 一种动态烟羽环境下多机器人协作搜索气味源方法 - Google Patents
一种动态烟羽环境下多机器人协作搜索气味源方法 Download PDFInfo
- Publication number
- CN103278151B CN103278151B CN201310064462.5A CN201310064462A CN103278151B CN 103278151 B CN103278151 B CN 103278151B CN 201310064462 A CN201310064462 A CN 201310064462A CN 103278151 B CN103278151 B CN 103278151B
- Authority
- CN
- China
- Prior art keywords
- particle
- robot
- plume
- odor source
- environmental monitoring
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 118
- 239000002245 particle Substances 0.000 claims abstract description 198
- 238000012544 monitoring process Methods 0.000 claims abstract description 75
- 230000007613 environmental effect Effects 0.000 claims abstract description 64
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000000750 progressive effect Effects 0.000 claims abstract description 7
- 239000007921 spray Substances 0.000 claims abstract description 5
- 230000004888 barrier function Effects 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000203 mixture Substances 0.000 description 8
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 6
- 230000004807 localization Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明涉及一种动态烟羽环境下多机器人协作搜索气味源方法,以工作空间的几何中心作为共同顶点,将整个工作空间划分为多个子区域,并在每个子区域随机分配一个机器人,所有机器人在其对应的扇形子区域中工作空间中的每个机器人执行烟羽发现策略;当工作空间中的一个机器人测得烟羽气味时,随即将率先发现烟羽的机器人作为环境监测粒子,用来监测环境中烟羽的变化以及判定粒子群是否发现气味源;其他机器人作为搜索粒子,并采用异步并行粒子群进化的多机器人协作搜索方法完成来确定气味源所在范围;根据确定的气味源的范围,作为环境监测粒子的机器人采用逐步前进法逐渐靠近气味源,当所述作为环境监测粒子的机器人所测气体浓度值大于预先设定值,且探测气味是以定向气流的形式喷出,则锁定气味源。
Description
技术领域
本发明涉及机器人群体智能领域,特别涉及一种动态烟羽环境下多机器人协作搜索气味源方法。
背景技术
机器人气味寻源问题,又称机器人主动嗅觉,是指使用移动机器人,以自主的方式来实现发现、跟踪烟羽并最终确定气味源位置的过程。它广泛存在于生产生活各个方面,如火灾报警、违禁物品检查、有害气体泄漏检测和反恐排爆等。
受自然界中生物利用气味信息完成觅食和求偶等活动的启发,自上世纪90年代开始,学者们尝试采用结合气味传感器的移动机器人进行气味寻源。目前,针对单个机器人,已经给出了很多的气味源搜索策略或方法,代表方法如2006年1月出版的期刊《机器人》第1期“主动嗅觉研究现状”一文提到的逆风搜索法、逐步前进法、Z字形接近法和外螺旋法等,以及中国发明专利“室内环境下机器人自主搜寻气味源”(授权公告号:CN100585332C,授权公告日:2010年1月27日)提出的柔性追踪和涡旋线法,等等。
由于多机器人系统具有鲁棒性强、搜索效率高和可扩展等优势,近年来逐渐代替单机器人成为搜索危险气味源的主要工具。根据采用方式的不同,现有方法或策略可以分为三类:其一,对单机器人搜索策略的扩展。如2003年4月出版的期刊《Robotica》第4期“Swarmroboticodorlocalization:off-lineoptimizationandvalidationwithrealrobots”一文中提出的基于螺旋搜索的群机器人气味源定位法。该类方法缺乏机器人之间的有效协作机制,搜寻速度较慢;其二,基于机器人采样点的气味源概率分布估计法。该类方法根据机器人采样点上气体的浓度值,不断更新气味源位置的概率分布,并以此产生新的机器人位置。代表方法如中国发明专利“一种多机器人系统合作定位危险气味源方法”(公开号:CN102034030A,公开日:2011年4月27日)给出的多机器人系统协作定位气味源的方法,以及2011年3月出版的期刊《中南大学学报(自然科学版)》第3期“粒子群优化的多机器人协作定位方法”一文中给出的结合粒子群优化的粒子滤波法。该类方法虽有其独到的一面,但对于环境中烟羽动态变化的情况,由于无法准确估计气味源位置的概率分布,通常难以得到理想结果。
其三,基于群体智能的方法。通常单个自然生物是不够智能的,但是整个生物群体却表现出处理复杂问题的能力。受此启发,近几年有些学者借鉴粒子群进化方法引导多个机器人进行气味寻源。所提主要方法包括:2005年召开的国际会议《ProceedingsIEEESensors》中“Distributedodorsourcelocalization”一文提出的带电粒子群优化方法;2008年8月出版的期刊《武汉理工大学学报》第15期“基于粒子群优化的多机器人合作目标搜索算法”一文中提出的改进标准粒子群优化方法;2011年7月召开的国际会议《IEEECongressonEvolutionaryComputation》中“Modifiedparticleswarmoptimizationforodorsourcelocalizationofmulti-robot”一文提出的基于风向角的多机器人粒子群搜索方法等。该类技术成果为多机器人气味源搜索提供了新的解决方法,但是,应当指出,现有方法仍然存在如下问题:(1)多数方法考虑烟羽分布静止不变的情况。然而,受自然风和障碍物等因素的影响,实际环境中烟羽的分布通常动态变化。对于这种情况,已有方法很难得到理想的结果;(2)现有方法皆采用同步并行方式更新机器人的位置,即所有机器人到达目标位置后方可同时产生新的目标位置。实际上,受移动距离、速度、障碍物和地貌等因素的影响,机器人到达目标位置的时间花费存在很大差异,因此,采用同步更新方式必定造成机器人资源的浪费。
发明内容
本发明的目的是针对上述问题,提出一种动态烟羽环境下多机器人协作搜索气味源方法,它是一种多机器人自主搜索气味源的方法,可用于有障碍物且烟羽动态变化等实际环境。
为实现上述目的,本发明提供了一种动态烟羽环境下多机器人协作搜索气味源方法,该方法包括:
以工作空间的几何中心作为共同顶点,将整个工作空间划分为多个扇形子区域,并在每个子区域随机分配一个机器人,所有机器人在其对应的扇形子区域中同时执行烟羽发现策略;其中,工作空间内的所有机器人构成一个粒子群;
当工作空间中一个机器人测得烟羽气味时,随即将该机器人作为环境监测粒子,用来监测环境中烟羽的变化以及判定粒子群是否发现气味源;其他机器人作为搜索粒子,并采用异步并行粒子群进化的多机器人协作搜索方法来确定气味源所在范围;
根据确定的气味源的范围,作为环境监测粒子的机器人采用逐步前进法逐渐靠近气味源,当所述作为环境监测粒子的机器人所测气体浓度值大于预先设定值,且探测气味是以定向气流的形式喷出,则锁定气味源。
可选的,在本发明一实施例中,所述异步并行粒子群进化的多机器人协作搜索方法包括:
设定粒子Xi当前位置为其个体引导者,粒子群发现的最优位置为其全局引导者,初始化粒子位置的更新次数t=1;其中,Xi表示第i个粒子;
根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置;其中,所述全局引导者和个体引导者的高斯采样公式为:
其中,t表示该粒子更新的次数;Xi(t)=(xi,1(t),xi,2(t))和Xi(t+1)=(xi,1(t+1),xi,2(t+1))分别为第t次和第t+1次更新后粒子Xi的位置;U(a,b)为均值和方差分别为a和b的高斯分布函数;Pi(t)=(pi,1(t),pi,2(t))和Gi(t)=(gi,1(t),gi,2(t))分别为第t次更新后粒子Xi的个体引导者和全局引导者;δ∈[0,1]为一局部扰动;j∈{1,2}为工作空间的维数;rand为[0,1]之间随机数;
判断粒子Xi的先前位置Xi(t)与新生位置Xi(t+1)之间有无障碍物;若不存在障碍物,则直接驱动机器人移向新生粒子位置;若存在障碍物,则以当前位置为起点,采用人工势场法引导机器人移向新生位置;
粒子Xi移向新生位置后,采用携带的气味传感器测量当前位置上气体的浓度值,并将测量值作为粒子Xi在当前位置上的适应值;
粒子Xi广播当前所在位置以及该位置上气体的浓度值信息,即粒子Xi的位置及适应值;
更新粒子Xi的个体引导者和全局引导者;
所述环境监测粒子监测环境中烟羽的变化;若粒子Xi收到所述环境监测粒子发送的烟羽变化的警告,则设置粒子Xi的个体引导者为粒子Xi的当前位置,即Pi(t+1)=Xi(t+1);若粒子Xi没有收到所述环境监测粒子发送的烟羽变化的警告,则粒子Xi判断是否收到环境监测粒子广播的终止命令;如果粒子Xi没有收到终止命令,则转至所述根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置的步骤,且t=t+1;如果粒子Xi收到终止命令,则确定了气味源的范围。
可选的,在本发明一实施例中,所述更新粒子Xi的个体引导者步骤包括:
如果粒子Xi在新生位置Xi(t+1)上的适应值大于个体引导者Pi(t)的适应值,那么,设置新生位置Xi(t+1)作为粒子新的个体引导者,即Pi(t+1)=Xi(t+1);否则,保持个体引导者不变,即Pi(t+1)=Pi(t)。
可选的,在本发明一实施例中,所述更新粒子Xi的全局引导者步骤包括:
比较粒子Xi接收到的最新N-1个位置信息,从中选择具有最大气体浓度的位置作为其全局引导者,其中,N等于机器人的数目,减去的1为环境监测机器人。
可选的,在本发明一实施例中,所述采用人工势场法引导机器人移向新生位置之前还包括:机器人对障碍物的边界进行膨胀。
可选的,在本发明一实施例中,所述环境监测粒子监测环境中烟羽的变化包括:
环境监测粒子由当前位置逐渐移向目标位置Yk+1;
在移向目标位置Yk+1的过程中,环境监测粒子以固定频率接收邻域粒子的广播信息;如果在某一时刻接受到了一个广播信息(Xj,f(Xj)),且有f(Xj)>f(Yk+1),则设置Xj为环境监测粒子下一步探测的新的目标位置;否则,环境监测粒子重新测量所到达目标位置Yk+1上气体的浓度值,如果满足:
则认为烟羽分布发生变化;其中,Xj和f(Xj)分别为当前时刻第j个粒子的位置,以及该位置上气体的浓度值;f(Yk+1)为位置Yk+1上气体的浓度值。
可选的,在本发明一实施例中,所述环境监测粒子判定粒子群是否发现气味源包括:
统计当前控制周期内环境监测粒子到达过的目标位置信息{Yk+1,Yk+2,…,Yx+m}和{f(Yk+1),f(Yk+2),…,f(Yk+m)};其中,{Yk+1,Yk+2,…,Yk+m}为目标位置的位置信息,{f(Yk+1),f(Yk+2),…,f(Yx+m)}为相应目标位置的气体浓度信息;
根据目标位置信息判断粒子群是否发现气味源;其中,当粒子位置的变化范围小于阈值ε1,即
max(d(Yk+i,Yk+j)|i,j=1,2,…,m)<ε1
同时,粒子所测气体浓度的平均值大于阈值ε2,即
d(Yk+i,Yk+j)表示Yk+i到Yk+j的距离,ε1取值2R~5R,ε2取为气体浓度最高值的90~95%,则认为粒子群已经发现气味源。
可选的,在本发明一实施例中,在烟羽发现阶段多个机器人同时在不同的扇形子区域中执行边界折回的Z字形烟羽发现策略。
可选的,在本发明一实施例中,所述将整个工作空间划分为多个区域的步骤包括:
根据环境地图,确定工作空间的几何中心点Q;
以点Q为共同起点,每旋转度做一条射线,将工作空间划分为N个扇形子区域,其中,N为机器人数目。
上述技术方案具有如下有益效果:
(1)针对气味源搜索不同阶段的任务需要,完成了多种搜索策略的有机结合。烟羽发现阶段采用多个机器人同时搜索不同的扇形子区域,显著提高了发现烟羽的速度;烟羽跟踪阶段使用多个机器人协作搜索气味源,充分发挥了多个机器人系统搜索速度快、鲁棒性好的优势;而气味源确认阶段采用已经成熟的单机器人定位方法,既避免了粒子群进化后期收敛速度慢、机器人相互碰撞的不足,又提高了定位结果的可靠性。
(2)相对单个机器人,采用多机器人协作机制搜索气味源,效率更高,鲁棒性更好。一方面,在多机器人系统中,机器人之间通过不断交换信息,优势信息得到了充分利用,机器人搜索效率更高;另一方面,由于每个机器人仍作为独立的智能体存在,因此,在单个机器人失误的情况下多机器人系统仍可成功找到气味源。
(3)相对已有基于粒子群进化的多机器人气味源搜索方法,本发明采用异步并行方式更新每个机器人的位置,克服了同步并行方式带来的木桶效应(即整个系统的效率由最差机器人决定),机器人资源的利用效率更高。
(4)适用性强。现有文献中提到的方法多是针对烟羽分布静止不变的环境。本发明从实际出发,针对更为普遍的烟羽动态变化的环境提出了一套完整的多机器人协作搜寻方法。由于静态烟羽环境可以看作是动态烟羽环境的一个特例,因此,该方法同样适用于烟羽分布静止不变的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提出的一种动态烟羽环境下多机器人协作搜索气味源方法流程图;
图2为本发明提出的一种动态烟羽环境下多机器人协作搜索气味源方法中采用的异步并行粒子群进化的多机器人协作搜索方法流程图;
图3为本发明实施例中多机器人气味源搜索方法流程图;
图4为本发明实施例中工作区扇形子区域划分方法示意图;
图5为本发明实施例中粒子进化的流程图;
图6为本发明实施例中实验环境的可视图;
图7为本发明实施例中异步并行方式下在100秒时所得搜索结果图;
图8为本发明实施例中同步并行方式下在100秒时所得搜索结果图;
图9为本发明实施例中加入40%故障率后起始阶段的一次搜索过程及其结果图;
图10为本发明实施例中加入40%故障率后40秒的一次搜索过程及其结果图;
图11为本发明实施例中加入40%故障率后80秒的一次搜索过程及其结果图;
图12为本发明实施例中加入40%故障率后120秒的一次搜索过程及其结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明提出的一种动态烟羽环境下多机器人协作搜索气味源方法流程图。该方法包括:
步骤101:以工作空间的几何中心作为共同顶点,将整个工作空间划分为多个扇形子区域,并在每个子区域随机分配一个机器人,所有机器人在其对应的扇形子区域中同时执行烟羽发现策略;其中,工作空间内的所有机器人构成一个粒子群;
步骤102:当工作空间中一个机器人测得烟羽气味时,随即将该机器人作为环境监测粒子,用来监测环境中烟羽的变化以及判定粒子群是否发现气味源;其他机器人作为搜索粒子,并采用异步并行粒子群进化的多机器人协作搜索方法来确定气味源所在范围;
步骤103:根据确定的气味源的范围,作为环境监测粒子的机器人采用逐步前进法逐渐靠近气味源,当所述作为环境监测粒子的机器人所测气体浓度值大于预先设定值,且探测气味是以定向气流的形式喷出,则锁定气味源。
如图2所示,为本发明提出的一种动态烟羽环境下多机器人协作搜索气味源方法中采用的异步并行粒子群进化的多机器人协作搜索方法流程图。所述异步并行粒子群进化的多机器人协作搜索方法包括:
步骤201:设定粒子Xi当前位置为其个体引导者,粒子群发现的最优位置为其全局引导者,初始化粒子位置的更新次数t=1;其中,Xi表示第i个粒子;
步骤202:根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置;其中,所述全局引导者和个体引导者的高斯采样公式为:
其中,t表示该粒子更新的次数;Xi(t)=(xi,1(t),xi,2(t))和Xi(t+1)=(xi,1(t+1),xi,2(t+1))分别为第t次和第t+1次更新后粒子Xi的位置;U(a,b)为均值和方差分别为a和b的高斯分布函数;Pi(t)=(pi,1(t),pi,2(t))和Gi(t)=(gi,1(t),gi,2(t))分别为第t次更新后粒子Xi的个体引导者和全局引导者;δ∈[0,1]为一局部扰动;j∈{1,2}为工作空间的维数;rand为[0,1]之间随机数;
步骤203:判断粒子Xi的先前位置Xi(t)与新生位置Xi(t+1)之间有无障碍物;若不存在障碍物,则直接驱动机器人移向新生粒子位置;若存在障碍物,则以当前位置为起点,采用人工势场法引导机器人移向新生位置;
步骤204:粒子Xi移向新生位置后,采用携带的气味传感器测量当前位置上气体的浓度值,并将测量值作为粒子Xi在当前位置上的适应值;
步骤205:粒子Xi广播当前所在位置以及该位置上气体的浓度值信息,即粒子Xi的位置及适应值;
步骤206:更新粒子Xi的个体引导者和全局引导者;
步骤207:所述环境监测粒子监测环境中烟羽的变化;若粒子Xi收到所述环境监测粒子发送的烟羽变化的警告,则设置粒子Xi的个体引导者为粒子Xi的当前位置,即Pi(t+1)=Xi(t+1);若粒子Xi没有收到所述环境监测粒子发送的烟羽变化的警告,则粒子Xi判断是否收到环境监测粒子广播的终止命令;如果粒子Xi没有收到终止命令,则转至所述根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置的步骤,且t=t+1;如果粒子Xi收到终止命令,则确定了气味源的范围。
可选的,在本发明一实施例中,所述更新粒子Xi的个体引导者步骤包括:
如果粒子Xi在新生位置Xi(t+1)上的适应值大于个体引导者Pi(t)的适应值,那么,设置新生位置Xi(t+1)作为粒子新的个体引导者,即Pi(t+1)=Xi(t+1);否则,保持个体引导者不变,即Pi(t+1)=Pi(t)。
可选的,在本发明一实施例中,所述更新粒子Xi的全局引导者步骤包括:
比较粒子Xi接收到的最新N-1个位置信息,从中选择具有最大气体浓度的位置作为其全局引导者,其中,N等于机器人的数目,减去的1为环境监测机器人。
可选的,在本发明一实施例中,所述采用人工势场法引导机器人移向新生位置之前还包括:机器人对障碍物的边界进行膨胀。
可选的,在本发明一实施例中,所述环境监测粒子监测环境中烟羽的变化包括:
环境监测粒子由当前位置逐渐移向目标位置Yk+1;
在移向目标位置Yk+1的过程中,环境监测粒子以固定频率接收邻域粒子的广播信息;如果在某一时刻接受到了一个广播信息(Xj,f(Xj)),且有f(Xj)>f(Yk+1),则设置Xj为环境监测粒子下一步探测的新的目标位置;否则,环境监测粒子重新测量所到达目标位置Yk+1上气体的浓度值,如果满足:
则认为烟羽分布发生变化;其中,Xj和f(Xj)分别为当前时刻第j个粒子的位置,以及该位置上气体的浓度值;f(Yk+1)为位置Yk+1上气体的浓度值。
可选的,在本发明一实施例中,所述环境监测粒子判定粒子群是否发现气味源包括:
统计当前控制周期内环境监测粒子到达过的目标位置信息{Yk+1,Yk+2,…,Yk+m}和{f(Yk+1),f(Yk+2),…,f(Yk+m)};其中,{Yk+1,Yk+2,…,Yk+m}为目标位置的位置信息,{f(Yk+1),f(Yk+2),…,f(Yk+m)}为相应目标位置的气体浓度信息;
根据目标位置信息判断粒子群是否发现气味源;其中,当粒子位置的变化范围小于阈值ε1,即
max(d(Yk+1,Yk+j)|i,j=1,2,…,m)<ε1
同时,粒子所测气体浓度的平均值大于阈值ε2,即
d(Yk+1,Yk+j)表示Yk+1到Yk+j的距离,ε1取值2R~5R,ε2取为气体浓度最高值的90~95%,则认为粒子群已经发现气味源。
可选的,在本发明一实施例中,多个机器人同时在不同的扇形子区域中执行边界折回的Z字形烟羽发现策略。
可选的,在本发明一实施例中,所述将整个工作空间划分为多个区域的步骤包括:
根据环境地图,确定工作空间的几何中心点Q;
以点Q为共同起点,每旋转度做一条射线,将工作空间划分为N个扇形子区域,其中,N为机器人数目。
实施例:
如图3所示,为本发明实施例中多机器人气味源搜索方法流程图。本发明将气味源搜寻过程分为烟羽发现、烟羽跟踪和气味源确认等三个阶段;三个阶段采用不同的搜索策略,三种搜索策略有机结合,最终锁定气味源。
1)烟羽发现阶段
将整个工作空间划分为多个扇形子区域,并在每个子区域中随机分配一个机器人。在没有测得任何气味信息的情况下,所有机器人在其对应的子区域中执行遇边界折回的Z字形烟羽发现策略。若某一机器人测得烟羽气味,则进入烟羽跟踪阶段。
如图4所示,为本发明实施例中工作区扇形子区域划分方法示意图。扇形子区域划分方法:子区域的数目等于机器人的数目,具体划分方法如下:首先,根据环境地图,确定工作空间的几何中心(确定大体位置即可),假设为点Q;接着,以点Q为共同起点,每旋转度做一条射线,将工作空间划分为N个扇形子区域,其中,N为机器人数目。图4展示了N=8时子区域的划分结果。
烟羽发现策略:在相应的扇形子区域,随机设置对应机器人的位置,并执行遇边界折回的Z字形烟羽发现策略。遇边界折回的Z字形烟羽发现策略可参见2006年第2期《IEEETransactionsonRobotics》中“Moth-inspiredchemicalplumetracingonanautonomousunderwatervehicle”一文,本发明不做解释。
2)烟羽跟踪阶段
如图5所示,为本发明实施例中粒子进化的流程图。本阶段执行基于异步并行粒子群进化的多机器人协作搜索方法。设定烟羽发现阶段中率先发现烟羽的机器人作为环境监测粒子,剩余机器人作为搜索粒子,并采用异步并行方式完成粒子群的进化。以第i个粒子Xi为例,表现为每个搜索粒子分别执行下述循环步骤:
步骤1:初始化。设定粒子当前位置为其个体引导者,当前位置上机器人所测气体浓度值作为粒子的适应值;粒子目前为止接收到的最优位置为其全局引导者;设置粒子位置的更新次数t=1。
步骤2:采用关于全局引导者和个体引导者的高斯采样公式,产生新的粒子位置:
其中,t表示该粒子更新的次数;Xi(t)=(xi,1(t),xi,2(t))和Xi(t+1)=(xi,1(t+1),xi,2(t+1))分别为第t次和第t+1次更新后粒子Xi的位置;U(a,b)为均值和方差分别为a和b的高斯分布函数;Pi(t)=(pi,1(t),pi,2(t))和Gi(t)=(gi,1(t),gi,2(t))分别为第t次更新后粒子Xi的个体引导者和全局引导者;δ∈[0,1]为一局部扰动;j∈{1,2}为工作空间的维数;rand为[0,1]之间随机数。如果产生的新位置落于障碍物之中,则设置障碍物上距离该位置最近的边界点作为粒子的新位置。
步骤3:判断粒子Xi的先前位置Xi(t)与新生位置Xi(t+1)之间有无障碍物。若不存在障碍物,则直接驱动机器人移向新生粒子位置;若存在障碍物,则以当前位置为起点,采用人工势场法引导机器人移向新生位置。为使机器人与障碍物之间保持一个安全距离(≥声纳传感器的盲区),机器人规划路径之前需对障碍物的边界进行膨胀。
人工势场法可参见1985年召开的国际会议《IEEEConferenceonRoboticsandAutomation》中“Real-timeobstacleavoidanceformanipulatorsandmobilerobots”一文,本发明不做解释。
步骤4:当粒子Xi到达新生位置后,采用携带的气味传感器测量当前位置上气体的浓度值,并将测量值作为粒子Xi在当前位置上的适应值;
步骤5:粒子Xi广播当前所在位置,以及该位置上气体的浓度值信息,即粒子Xi的位置及适应值。
步骤6:更新粒子Xi的个体引导者和全局引导者。粒子的个体引导者取粒子目前为止所发现的具有最大适应值(即气体浓度值)的位置,其更新方法如下:如果粒子Xi在新生位置Xi(t+1)上的适应值大于个体引导者Pi(t)的适应值,那么,设置新生位置Xi(t+1)作为粒子新的个体引导者,即Pi(t+1)=Xi(t+1);否则,保持个体引导者不变,即Pi(t+1)=Pi(t)。
粒子的全局引导者为目前为止邻域粒子发现的最好位置,其更新方法如下:比较粒子Xi接收到的最近N-1个位置信息,从中选择具有最大气体浓度的位置作为其全局引导者,其中,N等于机器人的数目,减去的1为环境监测机器人。
步骤7:环境变化监测及其响应策略。当粒子Xi收到烟羽变换的警告时,为防止历史信息误导粒子的进化方向,执行下述响应策略:重新设置它的个体引导者为当前位置,即取Pi(t+1)=Xi(t+1)。
步骤8:终止条件判断。如果收到环境监测机器人广播的停止命令,则停止更新过程;否则,t=t+1,返回步骤2。
环境监测粒子的一个功能是监测环境中烟羽的变化情况,具体实施方式如下:
设置率先发现烟羽的机器人为环境监测粒子,该机器人所在位置XN为环境监测粒子的起始位置,即Y0=XN。不失一般性,假设目前粒子已经位于某一目标位置为Yk,而等待重复检测气体浓度值的新的目标位置为Yk+1,那么,环境监测粒子不断循环执行下述步骤:
步骤1:环境监测粒子由当前位置逐渐移向目标位置Yk+1。如果当前位置与目标位置Yk+1之间不存在障碍物,则直接驱动机器人移向目标位置;若存在障碍物,则采用人工势场法引导机器人移向目标位置Yk+1。
步骤2:在移向目标位置Yk+1的过程中,环境监测粒子始终以固定频率接收邻域粒子的广播信息。如果在某一时刻接受到了一个广播信息,不妨设为第j个粒子的广播信息(Xj,f(Xj)),且有f(Xj)>f(Yk+1),那么,舍弃尚未到达的目标位置Yk+1,设置Xj为环境监测粒子下一步探测的新的目标位置,即Yk+2=Xj,并转入步骤1;否则,转入步骤3。其中,Xj和f(Xj)分别为当前时刻第j个粒子的位置,以及该位置上气体的浓度值;f(Yk+1)为位置Yk+1上气体的浓度值。
步骤3:重新测量所到达目标位置上气体的浓度值,如果满足
则认为烟羽分布发生变化,该粒子随即广播烟羽变换的警告信息。
环境监测粒子的另一个功能是判断粒子群是否发现气味源,具体实施方式如下:统计当前控制周期内环境监测粒子到达过的目标位置,不妨设为集合{Yk+1,Yk+2,…,Yk+m},以及它们的气体浓度值,不妨设为{f(Yk+1),f(Yk+2),…,f(Yk+m)}。如果同时满足:
条件1:该粒子位置的变化范围小于阈值ε1,即
max(d(Yk+i,Yk+j)|i,j=1,2,…,m)<ε1
条件2:该粒子所测气体浓度的平均值大于阈值ε2,即
则认为粒子群已经发现气味源,环境监测粒子随即发送停止命令给每个粒子,粒子群停止进化。其中,d(Yk+i,Yk+j)表示Yk+i到Yk+j的距离,ε1取值2R~5R,ε2取为气体浓度最高值的90~95%。
3)气味源确认阶段
气味源确认阶段的任务是准确定位气味源的位置。为克服粒子群进化后期收敛速度慢、机器人相互碰撞的不足,提高定位结果的可靠性,本阶段选择成熟的单机器人气味源定位方法,确定气味源的位置,实现方式如下:选定环境监测机器人作为执行对象,采用典型的逐步前进法引导该机器人逐渐靠近气味源;如果环境监测机器人所测气体浓度值大于预先设定值,且探测气味是以定向气流的形式喷出,则认为已经锁定气味源,该机器人广播气味源的位置。
逐步前进法可参见1994年11月出版的期刊《SensorsandActuatorsA:Physical》第2期中“Studyofautonomousmobilesensingsystemforlocalizationofodorsourceusinggassensorsandanemometricsensors”一文,本发明不做解释。
应用例
仿真环境:如图6所示,为本发明实施例中实验环境的可视图。使用国际上普遍使用的Fluent流体力学软件构建如下实验环境:一个50×50m2的工作环境,2个宽10m的进风口(即图6中的Inlet1与Inlet2),一个宽10m的出风口(即图6中的Out),一个100ppm浓度的乙醇气味源。2个进风口的位置分别为(x=[10,20],y=50)与(x=[30,40],y=50),出风口位置为(x=[20,30],y=0);Inlet1和Inlet2的风速皆为1.0m/s;乙醇源的位置是(25,40)。图6展示了上述环境的可视图,其中,箭头表示风向,白色线越密集表明风速越大;环境中颜色越亮,表明乙醇气体浓度越大;白色实心图形是障碍物。
对本发明方法进行仿真,并针对所得结果分析其性能。仿真采用8个机器人组成的多机器人系统,每个机器人设定相同的移动速度1m/s;每种分析均仿真50次。
A:异步并行方式的分析
本发明的主要优点是采用异步并行方法完成粒子群的进化。实际应用中障碍物和地貌等因素会造成机器人移动速度的差异,而移动速度和路径长度的不同势必造成机器人搜索进度的不一致。本发明在仿真中加入±0.2内的随机速度偏差,以模拟障碍物和地貌等因素对机器人速度的影响。
以本发明所提方法为框架,在相同的初始条件下将同步并行和异步并行两种方式分别用于粒子群的进化,如图7所示,为本发明实施例中异步并行方式下在100秒时所得搜索结果图;如图8所示,为本发明实施例中同步并行方式下在100秒时所得搜索结果图;图7和图8分别展示了两种方式下本发明方法在100秒时所得搜索结果,其中“◆”表示机器人。对比图7和图8可见,当异步并行方式成功找到气味源时,同步并行方式中多数机器人仍然远离气味源,异步并行方式所需搜索时间明显小于同步并行方式。
B:鲁棒性分析
实际工作中机器人发生故障在所难免。本发明在仿真中为机器人设置一定的故障率,以模拟实际应用场合中各种不测情况。如图9所示,为本发明实施例中加入40%故障率后起始阶段的一次搜索过程及其结果图;如图10所示,0为本发明实施例中加入40%故障率后40秒的一次搜索过程及其结果图;如图11所示,为本发明实施例中加入40%故障率后80秒的一次搜索过程及其结果图;如图12所示,为本发明实施例中加入40%故障率后120秒的一次搜索过程及其结果图。从图9、图10、图11和图12可知,尽管搜索过程中有4个机器人因为故障相继退出,但是本发明方法最终仍然发现了气味源,表现出了较好的鲁棒性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种动态烟羽环境下多机器人协作搜索气味源方法,其特征在于,该方法包括:
以工作空间的几何中心作为共同顶点,将整个工作空间划分为多个子区域,并在每个子区域随机分配一个机器人,所有机器人在其对应的子区域中同时执行烟羽发现策略;其中,工作空间内的所有机器人构成一个粒子群;
工作空间中一个机器人测得烟羽气味,将率先发现烟羽的机器人作为环境监测粒子来监测环境中烟羽的变化以及判定粒子群是否发现气味源;其他机器人作为搜索粒子采用异步并行粒子群进化的多机器人协作搜索方法完成来确定气味源的范围;
根据确定的气味源的范围,作为环境监测粒子的机器人采用逐步前进法逐渐靠近气味源,当所述作为环境监测粒子的机器人所测气体浓度值大于预先设定值,且探测气味是以定向气流的形式喷出,则锁定气味源;
其中,所述异步并行粒子群进化的多机器人协作搜索方法包括:
设定粒子Xi当前位置为个体引导者,粒子群发现的最优位置为全局引导者,初始化粒子位置的更新次数t=1;其中,Xi表示第i个粒子;
根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置;其中,所述全局引导者和个体引导者的高斯采样公式为:
其中,t表示该粒子更新的次数;Xi(t)=(xi,1(t),xi,2(t))和Xi(t+1)=(xi,1(t+1),xi,2(t+1))分别为第t次和第t+1次更新后粒子Xi的位置;U(a,b)为均值和方差分别为a和b的高斯分布函数;Pi(t)=(pi,1(t),pi,2(t))和Gi(t)=(gi,1(t),gi,2(t))分别为第t次更新后粒子Xi的个体引导者和全局引导者;d∈[0,1]为一局部扰动;j∈{1,2}为工作空间的维数;rand为[0,1]之间随机数;
判断粒子Xi的先前位置Xi(t)与新生位置Xi(t+1)之间有无障碍物;若不存在障碍物,则直接驱动机器人移向新生粒子位置;若存在障碍物,则以当前位置为起点,采用人工势场法引导机器人移向新生位置;
粒子Xi移向新生位置后,采用携带的气味传感器测量当前位置上气体的浓度值,并将测量值作为粒子Xi在当前位置上的适应值;
粒子Xi广播当前所在位置以及该位置上气体的浓度值信息,即粒子Xi的位置及适应值;
更新粒子Xi的个体引导者和全局引导者;
所述环境监测粒子监测环境中烟羽的变化;若粒子Xi收到所述环境监测粒子发送的烟羽变化的警告,则设置粒子Xi的个体引导者为粒子Xi的当前位置,即Pi(t+1)=Xi(t+1);若粒子Xi没有收到所述环境监测粒子发送的烟羽变化的警告,则粒子Xi判断是否收到环境监测粒子广播的终止命令;如果粒子Xi没有收到终止命令,则转至所述根据全局引导者和个体引导者的高斯采样公式产生新的粒子位置的步骤,且t=t+1;如果粒子Xi收到终止命令,则确定了气味源的范围。
2.根据权利要求1所述的方法,其特征在于,所述更新粒子Xi的个体引导者和全局引导者步骤包括:
如果粒子Xi在新生位置Xi(t+1)上的适应值大于个体引导者Pi(t)的适应值,那么,设置新生位置Xi(t+1)作为粒子新的个体引导者,即Pi(t+1)=Xi(t+1);否则,保持个体引导者不变,即Pi(t+1)=Pi(t)。
3.根据权利要求1所述的方法,其特征在于,所述更新粒子Xi的个体引导者和全局引导者步骤包括:
比较粒子Xi接收到的最新N-1个位置信息,从中选择具有最大气体浓度的位置作为其全局引导者,其中,N等于机器人的数目,减去的1为环境监测粒子。
4.根据权利要求1所述的方法,其特征在于,所述采用人工势场法引导机器人移向新生位置之前还包括:机器人对障碍物的边界进行膨胀。
5.根据权利要求1所述的方法,其特征在于,所述环境监测粒子监测环境中烟羽的变化包括:
环境监测粒子由当前位置逐渐移向目标位置Yk+1;在移向目标位置Yk+1的过程中,环境监测粒子以固定频率接收邻域粒子的广播信息;如果在某一时刻接受到了一个广播信息(Xj,f(Xj)),且有f(Xj)>f(Yk+1),则设置Xj为环境监测粒子下一步探测的新的目标位置;否则,环境监测粒子重新测量所到达目标位置Yk+1上气体的浓度值,如果满足:
则认为烟羽分布发生变化;其中,Xj和f(Xj)分别为当前时刻第j个粒子的位置,以及该位置上气体的浓度值;f(Yk+1)为位置Yk+1上气体的浓度值。
6.根据权利要求1所述的方法,其特征在于,所述环境监测粒子判定粒子群是否发现气味源包括:
统计当前控制周期内环境监测粒子到达过的目标位置信息{Yk+1,Yk+2,…,Yk+m}和{f(Yk+1),f(Yk+2),…,f(Yk+m)};其中,{Yk+1,Yk+2,…,Yk+m}为目标位置的位置信息,{f(Yk+1),f(Yk+2),…,f(Yk+m)}为相应目标位置的气体浓度信息;
根据目标位置信息判断粒子群是否发现气味源;其中,当粒子位置的变化范围小于阈值ε1,即
max(d(Yk+i,Yk+j)|i,j=1,2,…,m)<ε1
同时,粒子所测气体浓度的平均值大于阈值ε2,即
d(Yk+i,Yk+j)表示Yk+i到Yk+j的距离,ε1取值2R~5R,ε2取为气体浓度最高值的90~95%,则认为粒子群已经发现气味源。
7.根据权利要求1所述的方法,其特征在于,所述工作空间中的每个机器人执行的烟羽发现策略为遇边界折回的Z字形烟羽发现策略。
8.根据权利要求1所述的方法,其特征在于,所述将整个工作空间划分为多个区域的步骤包括:
根据环境地图,确定工作空间的几何中心点Q;
以点Q为共同起点,每旋转度做一条射线,将工作空间划分为N个扇形子区域,其中,N为机器人数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310064462.5A CN103278151B (zh) | 2013-02-28 | 2013-02-28 | 一种动态烟羽环境下多机器人协作搜索气味源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310064462.5A CN103278151B (zh) | 2013-02-28 | 2013-02-28 | 一种动态烟羽环境下多机器人协作搜索气味源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103278151A CN103278151A (zh) | 2013-09-04 |
CN103278151B true CN103278151B (zh) | 2015-11-11 |
Family
ID=49060739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310064462.5A Expired - Fee Related CN103278151B (zh) | 2013-02-28 | 2013-02-28 | 一种动态烟羽环境下多机器人协作搜索气味源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103278151B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007763B (zh) * | 2014-06-13 | 2016-05-18 | 重庆大学 | 一种固定式电子鼻节点与移动机器人协作搜寻气味源方法 |
CN104142383B (zh) * | 2014-07-31 | 2015-09-30 | 天津大学 | 基于信息融合的分层渐进烟羽跟踪方法 |
CN105022406B (zh) * | 2015-06-29 | 2017-10-27 | 徐州工程学院 | 基于改进细菌觅食算法的多机器人协作气味源定位方法 |
CN105301203B (zh) * | 2015-11-27 | 2016-12-28 | 中国矿业大学 | 一种基于烟花算法的气味源定位方法 |
CN106680430B (zh) * | 2016-12-27 | 2021-01-05 | 台州市吉吉知识产权运营有限公司 | 利用手机寻找气味来源的方法及基于该方法的手机 |
CN106777322A (zh) * | 2017-01-07 | 2017-05-31 | 珠海市魅族科技有限公司 | 信息推送方法及系统 |
CN106951956A (zh) * | 2017-03-14 | 2017-07-14 | 中国矿业大学 | 一种基于果蝇优化算法的多机器人气味源定位方法 |
CN106918367B (zh) * | 2017-04-26 | 2022-11-04 | 河北工业大学 | 一种机器人主动搜寻定位气味源的方法 |
CN109669446B (zh) * | 2017-10-13 | 2022-04-15 | 苏州宝时得电动工具有限公司 | 回归引导线寻找方法、装置和自动移动设备 |
CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
CN108958028A (zh) * | 2018-05-24 | 2018-12-07 | 大连理工大学 | 基于改进粒子群算法的群机器人协同搜索方法 |
CN109164214B (zh) * | 2018-09-13 | 2021-04-13 | 潘小乐 | 一种边界污染源快速映射定位及强度反演系统及方法 |
CN109540141B (zh) * | 2018-11-23 | 2019-10-22 | 北京科技大学 | 一种污染源定位移动机器人及污染源定位方法 |
CN109460064B (zh) * | 2019-01-03 | 2019-11-15 | 中国人民解放军战略支援部队航天工程大学 | 基于虚拟势场函数的无人机集群区域覆盖方法及其装置 |
CN109676611B (zh) * | 2019-01-25 | 2021-05-25 | 北京猎户星空科技有限公司 | 多机器人协同服务方法、装置、控制设备及系统 |
CN109946432B (zh) * | 2019-01-30 | 2020-09-25 | 中国地质大学(武汉) | 一种基于改进细菌趋化算法的二维水污染源定位方法 |
EP3770586B1 (de) * | 2019-07-26 | 2021-11-10 | Currenta GmbH & Co. OHG | Verfahren und vorrichtung zur qualitätsüberwachung und feststellung einer kontamination eines raums |
CN110488837B (zh) * | 2019-08-28 | 2022-07-01 | 哈尔滨工业大学 | 一种气体源伪源确认方法 |
CN111190420B (zh) * | 2020-01-07 | 2021-11-12 | 大连理工大学 | 一种多移动机器人在安防领域中协作搜索与围捕方法 |
CN112966803B (zh) * | 2021-02-02 | 2022-06-07 | 同济大学 | 一种基于粒子群算法的多智能体协同目标搜索方法 |
CN117870696B (zh) * | 2024-03-13 | 2024-05-24 | 之江实验室 | 一种基于感知信息融合的路径导航方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034030A (zh) * | 2010-12-28 | 2011-04-27 | 杭州电子科技大学 | 一种多机器人系统合作定位危险气味源方法 |
CN102169346A (zh) * | 2011-02-18 | 2011-08-31 | 杭州电子科技大学 | 一种协调多机器人系统的智能控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2245858B1 (en) * | 2008-02-13 | 2018-04-11 | Seegrid Corporation | Distributed multi-robot system |
-
2013
- 2013-02-28 CN CN201310064462.5A patent/CN103278151B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034030A (zh) * | 2010-12-28 | 2011-04-27 | 杭州电子科技大学 | 一种多机器人系统合作定位危险气味源方法 |
CN102169346A (zh) * | 2011-02-18 | 2011-08-31 | 杭州电子科技大学 | 一种协调多机器人系统的智能控制方法 |
Non-Patent Citations (3)
Title |
---|
A Particle Filtering Method for Odor-Source Localization in Wireless Sensor Network with Mobile Robot;ZHANG Yong etc;《Proceedings of the 29th Chinese Control Conference》;20100731;第4821-4825页 * |
基于粒子群优化的多机器人合作目标搜索算法;雷斌等;《武汉理工大学学报》;20090831;第31卷(第15期);第73-76页 * |
多机器人烟羽跟踪算法实验研究;杨卫星;《中国优秀硕士学位论文全文数据库信息科技辑》;20120215(第2期);正文第2-6,9-11,27-29,32-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103278151A (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278151B (zh) | 一种动态烟羽环境下多机器人协作搜索气味源方法 | |
Clark et al. | Mobile robotic sensors for perimeter detection and tracking | |
Robin et al. | Multi-robot target detection and tracking: taxonomy and survey | |
Song et al. | Persistent awareness coverage control for mobile sensor networks | |
Milford et al. | RatSLAM: a hippocampal model for simultaneous localization and mapping | |
Luber et al. | People tracking with human motion predictions from social forces | |
Svenstrup et al. | Trajectory planning for robots in dynamic human environments | |
CN103472850B (zh) | 一种基于高斯分布预测的多无人机协同搜索方法 | |
Yu et al. | Probabilistic path planning for cooperative target tracking using aerial and ground vehicles | |
CN105425820A (zh) | 一种针对具有感知能力的运动目标的多无人机协同搜索方法 | |
Ardiyanto et al. | Real-time navigation using randomized kinodynamic planning with arrival time field | |
CN109407097A (zh) | 一种车辆可行驶区域的检测方法及装置 | |
Bayoumi et al. | Speeding up person finding using hidden Markov models | |
Jain et al. | Comparative study of frontier based exploration methods | |
CN103260238A (zh) | 无线传感器网络中基于速度采样区的移动节点定位方法 | |
Ali et al. | GP-Frontier for local mapless navigation | |
Heidari et al. | Improved black hole algorithm for efficient low observable UCAV path planning in constrained aerospace | |
Baranzadeh | A decentralized control algorithm for target search by a multi-robot team | |
Gong et al. | Robot path planning in uncertain environments based on particle swarm optimization | |
Teraoka et al. | Potential game based distributed control for voronoi coverage problems with obstacle avoidance | |
Spears et al. | Multi-robot chemical plume tracing | |
Dobrokhodov et al. | Aqua-Quad-solar powered, long endurance, hybrid mobile vehicle for persistent surface and underwater reconnaissance, part II-onboard intelligence | |
Zhao et al. | TDLE: 2-D LiDAR Exploration With Hierarchical Planning Using Regional Division | |
Meng et al. | Route planning for unmanned aerial vehicle based on rolling RRT in unknown environment | |
Chung et al. | Slammot-sp: simultaneous slammot and scene prediction |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151111 Termination date: 20160228 |