CN107423840A - 一种基于蚁群粒子群算法的机器人路径规划融合算法 - Google Patents
一种基于蚁群粒子群算法的机器人路径规划融合算法 Download PDFInfo
- Publication number
- CN107423840A CN107423840A CN201710270484.5A CN201710270484A CN107423840A CN 107423840 A CN107423840 A CN 107423840A CN 201710270484 A CN201710270484 A CN 201710270484A CN 107423840 A CN107423840 A CN 107423840A
- Authority
- CN
- China
- Prior art keywords
- particle
- ant colony
- grid
- path planning
- barrier
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 88
- 238000002156 mixing Methods 0.000 title claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims abstract description 18
- 230000006698 induction Effects 0.000 claims abstract description 11
- 239000003016 pheromone Substances 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了人工智能技术领域的一种基于蚁群粒子群算法的机器人路径规划融合算法,该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下:S1:初始设定:初始化格栅格点信息素,以格栅的左端顶部为初始原点,横向为X轴、纵向为Y轴,将蚁群粒子均置于格栅的初始原点,每个粒子均有独自的编号,每个格栅的格点具有感应点,感应点与粒子上的感测端相适配;S2:设置目的地和障碍物:根据需要设定目的地,并在格栅格点上分布障碍物,障碍物随机分布,该基于蚁群粒子群算法的机器人路径规划融合算法,方便找出最优路径,减少搜寻时间,增加使用的便携性。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种基于蚁群粒子群算法的机器人路径规划融合算法。
背景技术
随着机器人技术的不断进步,机器人学科越来越具有强大的生命力,智能机器人系统越来越得到人们的青睐。机器人路径规划是机器人技术中一个重要研究领域,同时受到了很多研究者的关注,并取得了一系列重要成果。目前已存在许多优化算法用来解决该问题,但某些算法存在一定的局限性。蚁群算法自20世纪90年代创立以来,在路径规划等方面发展迅速。
机器人路径规划问题是指在有障碍物的工作环境中,如何寻找一条从给定起点到终点的较优的运动路径,使机器人在运动过程中能安全、无碰撞地绕过所有的障碍物,且所走路径最短。
蚁群算法(Ant Colony Optimization,ACO)是一种仿生型优化算法,由意大利学者Dorigo M.Maniezzo V和Colorni A于20世纪90年代初提出,蚁群算法主要是通过蚂蚁群体之间的信息传递而达到最优的目的,已经用该方法求解了TSP问题、指派问题、路径规划问题等,并取得了一系列较好的结果。但是蚁群算法的初期信息素匮乏,求解速度较慢。粒子群优化算法(Particle Sawrm Optimization,PSO)是一种新的随机搜索算法,具有很强的全局搜索能力,是由Eberhart和Kennedy于1995年提出的,它是基于群体智能理论的优化方法,通过群体中粒子间的合作与竞争产生群体智能指导优化搜索,粒子群算法已广泛用于函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。但是粒子群算法反馈信息利用不充分,求解到一定范围时,易陷入局促最优。
发明内容
本发明的目的在于提供一种基于蚁群粒子群算法的机器人路径规划融合算法,以解决上述背景技术中提出的粒子群算法反馈信息利用不充分,求解到一定范围时,易陷入局促最优的问题。
为实现上述目的,本发明提供如下技术方案:一种基于蚁群粒子群算法的机器人路径规划融合算法,该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下:
S1:初始设定:初始化格栅格点信息素,以格栅的左端顶部为初始原点,横向为X轴、纵向为Y轴,将蚁群粒子均置于格栅的初始原点,每个粒子均有独自的编号,每个格栅的格点具有感应点,感应点与粒子上的感测端相适配;
S2:设置目的地和障碍物:根据需要设定目的地,并在格栅格点上分布障碍物,障碍物随机分布;
S3:开始测试:每个粒子作为一个单独个体存在,每个粒子的具有不同的行走路径思考方式,行走时,粒子的计时器开始计时,每通过一个格栅的格点粒子的计数器增加一;
S4:结果记录:粒子到达目的地后,粒子的计时器与计数器停止工作,粒子将计时器与计数器的数据以及粒子本身的编号上传,当所有的粒子通过目的地后,测试结束;
S5:选取最优路径:根据步骤S4中采集到的各个粒子的行走时间数据和计数器数据进行列表,行走时间反应粒子的到达目的地的时间,计数器数据体现粒子的行走距离,列表为两组表,第一组表的排序依据为行走时间由短到长,第二组表的排序依据为行走距离由短到长,根据设定需求值,选取最佳路径。
优选的,所述S1中蚁群粒子的数量为n,粒子的编号为ni。
优选的,所述步骤S2中的障碍物不能将初始原点与目的地隔断。
优选的,所述步骤S2中具有障碍物的格栅格点与粒子上的感测端无法识别,粒子认定其为不能通过。
优选的,所述粒子的感应点测定方向为上、下、左、右、左上、左下、右上、右下,且测定为同时扩散测定,测定距离为一个单元格点。
与现有技术相比,本发明的有益效果是:该基于蚁群粒子群算法的机器人路径规划融合算法,方便找出最优路径,减少搜寻时间,增加使用的便携性。
附图说明
图1为本发明格栅格点及其障碍物图;
图2为本发明工作流程图。
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。
请参阅图1-2,本发明提供一种技术方案:一种基于蚁群粒子群算法的机器人路径规划融合算法,该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下:
S1:初始设定:初始化格栅格点信息素,以格栅的左端顶部为初始原点,横向为X轴、纵向为Y轴,将蚁群粒子均置于格栅的初始原点,每个粒子均有独自的编号,每个格栅的格点具有感应点,感应点与粒子上的感测端相适配;
S2:设置目的地和障碍物:根据需要设定目的地,并在格栅格点上分布障碍物,障碍物随机分布;
S3:开始测试:每个粒子作为一个单独个体存在,每个粒子的具有不同的行走路径思考方式,行走时,粒子的计时器开始计时,每通过一个格栅的格点粒子的计数器增加一;
S4:结果记录:粒子到达目的地后,粒子的计时器与计数器停止工作,粒子将计时器与计数器的数据以及粒子本身的编号上传,当所有的粒子通过目的地后,测试结束;
S5:选取最优路径:根据步骤S4中采集到的各个粒子的行走时间数据和计数器数据进行列表,行走时间反应粒子的到达目的地的时间,计数器数据体现粒子的行走距离,列表为两组表,第一组表的排序依据为行走时间由短到长,第二组表的排序依据为行走距离由短到长,根据设定需求值,选取最佳路径。
其中,所述S1中蚁群粒子的数量为n,粒子的编号为ni,所述步骤S2中的障碍物不能将初始原点与目的地隔断,所述步骤S2中具有障碍物的格栅格点与粒子上的感测端无法识别,粒子认定其为不能通过,所述粒子的感应点测定方向为上、下、左、右、左上、左下、右上、右下,且测定为同时扩散测定,测定距离为一个单元格点。
实施例:
选取蚂蚁粒子的数量n=40,蚂蚁粒子的编号为n1-n40,设定目的地点为m(23,31),将40只蚂蚁粒子同时放在初始原点O处,根据最先达到的蚂蚁粒子上传的数据信息,并采用该蚂蚁粒子的路径作为最优路径。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于蚁群粒子群算法的机器人路径规划融合算法,其特征在于,该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下:
S1:初始设定:初始化格栅格点信息素,以格栅的左端顶部为初始原点,横向为X轴、纵向为Y轴,将蚁群粒子均置于格栅的初始原点,每个粒子均有独自的编号,每个格栅的格点具有感应点,感应点与粒子上的感测端相适配;
S2:设置目的地和障碍物:根据需要设定目的地,并在格栅格点上分布障碍物,障碍物随机分布;
S3:开始测试:每个粒子作为一个单独个体存在,每个粒子的具有不同的行走路径思考方式,行走时,粒子的计时器开始计时,每通过一个格栅的格点粒子的计数器增加一;
S4:结果记录:粒子到达目的地后,粒子的计时器与计数器停止工作,粒子将计时器与计数器的数据以及粒子本身的编号上传,当所有的粒子通过目的地后,测试结束;
S5:选取最优路径:根据步骤S4中采集到的各个粒子的行走时间数据和计数器数据进行列表,行走时间反应粒子的到达目的地的时间,计数器数据体现粒子的行走距离,列表为两组表,第一组表的排序依据为行走时间由短到长,第二组表的排序依据为行走距离由短到长,根据设定需求值,选取最佳路径。
2.根据权利要求1所述的一种基于蚁群粒子群算法的机器人路径规划融合算法,其特征在于:所述S1中蚁群粒子的数量为n,粒子的编号为ni。
3.根据权利要求1所述的一种基于蚁群粒子群算法的机器人路径规划融合算法,其特征在于:所述步骤S2中的障碍物不能将初始原点与目的地隔断。
4.根据权利要求1所述的一种基于蚁群粒子群算法的机器人路径规划融合算法,其特征在于:所述步骤S2中具有障碍物的格栅格点与粒子上的感测端无法识别,粒子认定其为不能通过。
5.根据权利要求1所述的一种基于蚁群粒子群算法的机器人路径规划融合算法,其特征在于:所述粒子的感应点测定方向为上、下、左、右、左上、左下、右上、右下,且测定为同时扩散测定,测定距离为一个单元格点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270484.5A CN107423840A (zh) | 2017-04-24 | 2017-04-24 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270484.5A CN107423840A (zh) | 2017-04-24 | 2017-04-24 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423840A true CN107423840A (zh) | 2017-12-01 |
Family
ID=60423901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710270484.5A Pending CN107423840A (zh) | 2017-04-24 | 2017-04-24 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423840A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345008A (zh) * | 2018-09-17 | 2019-02-15 | 摩佰尔(天津)大数据科技有限公司 | 自动排船方法 |
CN109397294A (zh) * | 2018-12-05 | 2019-03-01 | 南京邮电大学 | 一种基于ba-abc融合通信算法的机器人协作定位方法 |
CN112238456A (zh) * | 2020-10-10 | 2021-01-19 | 江西洪都航空工业集团有限责任公司 | 一种基于蚁群算法的料片分拣路径规划方法 |
CN112238452A (zh) * | 2019-07-19 | 2021-01-19 | 顺丰科技有限公司 | 机械臂路径规划方法、装置、工控设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090149990A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for performing path planning of mobile robot |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
-
2017
- 2017-04-24 CN CN201710270484.5A patent/CN107423840A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090149990A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for performing path planning of mobile robot |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
段爱玲等: "新的融合算法在机器人路径规划中的应用", 《计算机工程与应用》 * |
王宪等: "基于蚁群粒子群融合的机器人路径规划算法", 《计算机系统应用》 * |
邓高峰等: "一种障碍环境下机器人路径规划的蚁群粒子群算法", 《控制理论与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345008A (zh) * | 2018-09-17 | 2019-02-15 | 摩佰尔(天津)大数据科技有限公司 | 自动排船方法 |
CN109397294A (zh) * | 2018-12-05 | 2019-03-01 | 南京邮电大学 | 一种基于ba-abc融合通信算法的机器人协作定位方法 |
CN112238452A (zh) * | 2019-07-19 | 2021-01-19 | 顺丰科技有限公司 | 机械臂路径规划方法、装置、工控设备及存储介质 |
CN112238452B (zh) * | 2019-07-19 | 2022-06-03 | 顺丰科技有限公司 | 机械臂路径规划方法、装置、工控设备及存储介质 |
CN112238456A (zh) * | 2020-10-10 | 2021-01-19 | 江西洪都航空工业集团有限责任公司 | 一种基于蚁群算法的料片分拣路径规划方法 |
CN112238456B (zh) * | 2020-10-10 | 2023-03-07 | 江西洪都航空工业集团有限责任公司 | 一种基于蚁群算法的料片分拣路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423840A (zh) | 一种基于蚁群粒子群算法的机器人路径规划融合算法 | |
CN112734324B (zh) | 基于蚁群算法和改进型遗传算法的仓储物流agv路径规划算法 | |
CN106185145B (zh) | 智能分拣仓储系统 | |
CN106323293B (zh) | 基于多目标搜索的两群多向机器人路径规划方法 | |
CN105059811B (zh) | 一种仓储系统及其控制方法 | |
CN106598043A (zh) | 面向多个动态目标的并联机器人高速拾取路径优化方法 | |
CN206108122U (zh) | 智能分拣仓储系统 | |
Wang et al. | Frontier-based multi-robot map exploration using particle swarm optimization | |
CN103699136B (zh) | 基于蛙跳算法的智能家庭服务机器人系统及服务方法 | |
CN109292343A (zh) | 基于仓储机器人的多层穿梭车仓储输送系统及输送方法 | |
AU2022204569B2 (en) | Method for multi-agent dynamic path planning | |
CN109176522A (zh) | 一种固废分拣机器人设备及其运动控制方法 | |
CN114545833B (zh) | 一种基于物联网技术的设施农业智能交互处理系统 | |
CN109459032A (zh) | 移动机器人定位方法、导航方法和网格地图建立方法 | |
Mann et al. | Combinatorial optimization and performance analysis of a multi-arm cartesian robotic fruit harvester—extensions of graph coloring | |
Wang et al. | Metrics for evaluating social conformity of crowd navigation algorithms | |
CN106126888A (zh) | 一种基于自组织编队行为的集群机器人轨迹跟踪方法 | |
CN104950892B (zh) | 一种机器人的行走控制系统及方法 | |
CN108214446A (zh) | 一种移动机器人以及移动机器人系统 | |
CN109772713A (zh) | 物品拣选方法及系统 | |
JP7308482B2 (ja) | 収穫ロボットシステム | |
US20220397911A1 (en) | Transport device, control method, and recording medium on which control program is recorded | |
CN110214590A (zh) | 蔬菜立体栽培智能物流工作方法 | |
CN112352530B (zh) | 一种自动除草机器人的工作路径优化方法 | |
CN104828657A (zh) | 用于板材生产线的智能出库装置和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |