CN107480597B - 一种基于神经网络模型的机器人避障方法 - Google Patents

一种基于神经网络模型的机器人避障方法 Download PDF

Info

Publication number
CN107480597B
CN107480597B CN201710585099.XA CN201710585099A CN107480597B CN 107480597 B CN107480597 B CN 107480597B CN 201710585099 A CN201710585099 A CN 201710585099A CN 107480597 B CN107480597 B CN 107480597B
Authority
CN
China
Prior art keywords
robot
neural network
network model
cluster
neuron
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.)
Active
Application number
CN201710585099.XA
Other languages
English (en)
Other versions
CN107480597A (zh
Inventor
翁理国
王颖
夏旻
张冲
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.)
Jiangsu Weiersafu Electrical Technology Co ltd
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201710585099.XA priority Critical patent/CN107480597B/zh
Publication of CN107480597A publication Critical patent/CN107480597A/zh
Application granted granted Critical
Publication of CN107480597B publication Critical patent/CN107480597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Abstract

本发明公开了一种基于神经网络模型的机器人避障方法。当机器人上的红外感应器感应到前方存在障碍物时，机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理；将二值图像进行傅里叶变换，得到频谱图，将频率信号作为神经网络模型的外部输入信号；当外部输入信号输入神经网络模型，左、右兴奋性神经元集群相互竞争，仅二者之一能够在外部刺激输入和内部抑制作用下通过增加自身的活性到达阈值发生脉冲而赢得竞争，而其他集群最终被抑制，最终产生一个向左或向右偏转的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。本发明克服了现有技术存在的缺陷，使机器人能够更加自主地在环境中高速度、高效率地避障。

Description

一种基于神经网络模型的机器人避障方法
技术领域
本发明属于自动控制技术领域，特别涉及了一种基于神经网络模型的机器人避障方法。
背景技术
随着现代传感器技术的不断发展，加之融合了人工智能及多种新兴的计算机技术，如模糊理论、神经网络等等，从而使得机器人也更加智能化和多元化，从而使得机器人的自主完成任务的能力也受到重视和广泛地应用。自主避障技术是移动机器人安全行驶的重要保障，也是研究移动机器人的重要内容。
机器人在不同的环境中进行导航和避障时选择的算法不同，避障算法解决的问题是根据视觉传感器的数据，对静态障碍物、动态障碍物实现躲避，但仍维持向目标方向运动，实时自主导航。避障算法分为传统算法和智能算法，传统算法中有可视图法、栅格法、自由空间法、拓扑法及人工势场法等，智能算法主要有模糊控制法和神经网络法。已有文献对这些方法做了详细的阐述，如：1、通过使用神经网络进行避障的同时与混合智能系统相连接，可以使移动机器人的认知决策避障的能力和人相近；2、神经动力学网络模型，能在动态环境下产生时实的避障轨迹生成等等。
尽管上述现有技术中提供的方法能在静态、动态环境下，产生实时避障轨迹，但机器人的运动速度都比较慢，而且在快速变化的环境下不能恰当地完成动作执行，影响动态环境中其他机器人的行动；而且这些算法会随着输入节点数和隐含层数的增加，结构将变得越来越复杂，网络的收敛速度将会变得很慢，容易陷入局部极小点、网络结构不稳定等。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于神经网络模型的机器人避障方法，克服现有技术存在的缺陷，使机器人能够更加自主地在环境中高速度、高效率地避障。
为了实现上述技术目的，本发明的技术方案为：
一种基于神经网络模型的机器人避障方法，包括以下步骤：
(1)机器人在运动过程中，当设置在机器人上的红外感应器感应到前方存在障碍物时，机器人停止运动，设置在机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理，转化为二值图像；
(2)将二值图像进行傅里叶变换，得到频谱图，将频谱图上的频率信号作为外部输入信号，输入神经网络模型；
(3)所述神经网络模型包括左兴奋性神经元集群和右兴奋性神经元集群，分别对应二值图像的左、右两侧，当外部输入信号输入神经网络模型，会对相互竞争的左兴奋性神经元集群和右兴奋性神经元集群产生刺激，在模型阈值保持不变的情况下，二值图像中存在障碍物的一侧所对应的集群所产生的刺激会大于另一集群，刺激较强的集群会首先到达模型阈值，最终产生一个与障碍物所在位置相反的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。
进一步地，在步骤(1)中，所述二值图像是由0和1组成的二维矩阵。
进一步地，在步骤(2)中，所述傅里叶变换为二维傅里叶变换。
进一步地，所述神经网模型包括4种相互联通的神经元集群：左兴奋性神经元集群EL、右兴奋性神经元集群ER、抑制性神经元集群I和无选择性神经元集群NSE，ER和EL均包含n个兴奋神经元，I包含m个抑制神经元，NSE包含l个兴奋神经元，各神经元通过突触相互联系形成神经回路，每个神经元均受到由NSE引入的呈泊松分布的背景噪声的作用，只有ER和EL中的二者之一能够在外部输入信号的作用下通过增加自身的活性到达模型阈值，并通过与I的相互作用产生脉冲，赢得竞争，而其他集群最终均被抑制。
进一步地，神经元模型采用Integrate-and-fire模型，突触模型采用电导突触模型，则神经网络模型的表达式如下：
式(1)中，Cm、V(t)、Isyn(t)、gL、VL分别为膜电容、膜电位、突触电流、膜电导、静息电位；
Isyn(t)＝Istimulus(t)+Irecurrent(t)+Inoise(t)+IEFS(t) (2)
式(2)中，Istimulus(t)为视觉刺激电流、Irecurrent(t)为电路中其他神经元电流、Inoise(t)为背景噪声电流，IEFS(t)以及为外部输入信号电流；
根据式(1)和(2)，建立外部输入信号电流IEFS(t)与膜电位V(t)的关系，在外部输入信号电流IEFS(t)作用下，ER和EL中的二者之一的膜电位到达阈值电位，赢得竞争。
进一步地，建模三种类型的突触受体：AMPA受体、NMDA受体和GABA受体，则将式(1)所示的神经网络模型的表达式转化为下式：
Figure BDA0001353305220000032
式(3)中，VE为常数，VI为逆转电位，[Mg2+]为细胞外镁浓度，gAMPA为介导神经元信号的AMPA受体电导，gNMDA为介导神经元信号的NMDA受体电导，gGABA为介导神经元信号的GABA受体电导，sAMPA(t)为AMPA受体的门控变量，sNMDA(t)为NMDA受体的门控变量，sGABA(t)为GABA受体的门控变量，sAMPA(t)、sGABA(t)和sNMDA(t)关于时间t的求导如下：
Figure BDA0001353305220000033
Figure BDA0001353305220000041
上式中，τAMPA、τNMDA、τGABA为常数，分别表示AMPA受体、NMDA受体和GABA受体的衰减常数，α为常数，δ(t-tk)为狄拉克函数，tk为突触前脉冲的时间，上标k表示第k个时刻。
采用上述技术方案带来的有益效果：
本发明借鉴了认知科学和神经生物学中人脑感知决策相关理论，建立基于感知决策的神经网络模型，模拟人脑处理信息和感知决策的过程，使网络不会陷入局部极小点，收敛速度慢等情况，机器人在自主环境中能够高效率、高速度地避障，并根据自身与环境的不断交互来积累经验和发育智能。
本发明通过电导突触模型保证了机器人具有良好的灵活性，使之能够从图像中充分提取障碍物特征，重复率低，速度更快，到达目的地的精度较高。
附图说明
图1是本发明的方法流程图；
图2是本发明的神经网络示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
一种基于神经网络模型的机器人避障方法，如图1所示，具体步骤如下。
步骤1：机器人在运动过程中，当设置在机器人上的红外感应器感应到前方存在障碍物时，机器人停止运动，设置在机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理，转化为二值图像。转化后的二值图像是由0和1组成的二维矩阵，以这种方式操作图像可以更容易识别出图像的结构特征，判断障碍物。
步骤2：将二值图像进行二维傅里叶变换，得到频谱图，将频谱图上的频率信号作为外部输入信号，输入神经网络模型。
步骤3：神经网络模型包括左兴奋性神经元集群和右兴奋性神经元集群，分别对应二值图像的左、右两侧，当外部输入信号输入神经网络模型，会对相互竞争的左兴奋性神经元集群和右兴奋性神经元集群产生刺激，在模型阈值保持不变的情况下，二值图像中存在障碍物的一侧所对应的集群所产生的刺激会大于另一集群，刺激较强的集群会首先到达模型阈值，最终产生一个与障碍物所在位置相反的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障。
在神经系统中，大量神经元通过突触相互联系形成神经回路。本发明的神经网络模型是由4种联通的神经元组成：EL、ER、I、NSE，如图2所示。兴奋性神经元集群ER和EL都包含了n个兴奋神经元，同时获得代表移动到左神经元集群或者右神经元集群的信号的输入且彼此之间相互竞争。抑制性神经元集群I包含了m个抑制神经元，无选择性神经元集群NSE也包含了l个兴奋神经元，模型中突触的连接既有抑制性突触连接也有兴奋性突触连接，这个神经网络模型展示了赢者通吃的竞争模式：只有ER,EL二者之一能够在外部刺激输入和内部抑制作用下通过增加自身的活性到达阈值发生脉冲而赢得这个竞争，而其他的集群最终被抑制，即最终产生一个向左或向右偏转的方向命令。
集群之间的或者神经元单个集群之内的所有突触的连接都是相互的，也就是说源集群中的神经元可以通过突触连接到目标集群的每个神经元，即存在突触效能g。以兴奋性连接为例，对于通过AMPA受体和NMDA受体的信号，突触效能g定义为gAMPA/gNMDA，为常数。模型中的每个神经元受到由NSE神经元引入的的有效的w(Hz)大小的泊松峰值速率的输入作为背景噪声。
神经元模型为Integrate-and-fire(IAF)模型，突触为基于电导的突触模型，因此网络模型为：
Figure BDA0001353305220000051
其中Cm，V(t)，Isyn(t)，gL，VL分别为膜电容，膜电位，突触电流，膜电导，静息电位。当膜电位到达阈值Vth＝-50mv时，神经元放电，其膜电位恢复到重置电位Vreset＝-55mv。
突触电流(Isyn(t))包括视觉刺激(Istimulus(t))、电路中其他神经元电流(Irecurrent(t))、背景噪声(Inoise(t))以及外部输入信号电流(IEFS(t))，即：Isyn(t)＝Istimulus(t)+Irecurrent(t)+Inoise(t)+IEFS(t)。
背景噪声被应用于所有的神经元集群，视觉刺激和外部输入信号仅被应用于EL、ER集群。若要将突触前神经元的信号传递到突触后神经元，且突触间递质的传递必须通过与受体结合，因此根据生物学特性，建模三种类型的突触受体：AMPA受体、NMDA受体、GABA受体，具体模型表达式为：
Figure BDA0001353305220000061
按照神经生物学结论，VE(＝0)，VI(＝-70mV)为逆转电位，[Mg2+](＝1.0mM)为细胞外镁浓度，gAMPA为介导神经元信号的AMPA受体电导，gNMDA为介导神经元信号的NMDA受体电导，gGABA为介导神经元信号的GABA受体电导，sAMPA为AMPA受体的门控变量，sNMDA为NMDA受体的门控变量，sGABA为GABA受体的门控变量，三个受体的门控变量的求导分别为：
Figure BDA0001353305220000062
Figure BDA0001353305220000063
Figure BDA0001353305220000064
τAMPA、τNMDA、τGABA为常数，分别表示AMPA受体、NMDA受体和GABA受体的衰减常数，α为常数，δ(t-tk)为狄拉克函数，tk为突触前脉冲的时间，k表示第k个时刻。注意我们没有模拟NMDA介导的突触的上升时间，因为上升时间(1-2ms)比衰减时间(100ms)小得多，因此,忽视NMDA受体的上升时间没有显著改变动态系统。这样一来，当模型中输入的频率信号的强度左边大于右边时，那么就会使得左边的神经集群的突触的刺激增强，发生脉冲，产生一个相反方向的偏转信号，驱使机器人发生偏转。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (3)

1.一种基于神经网络模型的机器人避障方法，其特征在于，包括以下步骤：
(1)机器人在运动过程中，当设置在机器人上的红外感应器感应到前方存在障碍物时，机器人停止运动，设置在机器人上的图像采集器采集前方图像，并将采集到的图像进行二值化处理，转化为二值图像；
(2)将二值图像进行傅里叶变换，得到频谱图，将频谱图上的频率信号作为外部输入信号，输入神经网络模型；
(3)所述神经网络模型包括左兴奋性神经元集群EL和右兴奋性神经元集群ER，分别对应二值图像的左、右两侧，当外部输入信号输入神经网络模型，会对相互竞争的左兴奋性神经元集群EL和右兴奋性神经元集群ER产生刺激，在模型阈值保持不变的情况下，二值图像中存在障碍物的一侧所对应的集群所产生的刺激会大于另一集群，刺激较强的集群会首先到达模型阈值，最终产生一个与障碍物所在位置相反的偏转信号，机器人根据该偏转信号向不存在障碍物的一侧偏转，从而实现避障；
所述神经网络模型还包括抑制性神经元集群I和无选择性神经元集群NSE，左兴奋性神经元集群EL、右兴奋性神经元集群ER、抑制性神经元集群I和无选择性神经元集群NSE这4种神经元集群相互联通，ER和EL均包含n个兴奋神经元，I包含m个抑制神经元，NSE包含l个兴奋神经元，各神经元通过突触相互联系形成神经回路，每个神经元均受到由NSE引入的呈泊松分布的背景噪声的作用，只有ER和EL中的二者之一能够在外部输入信号的作用下通过增加自身的活性到达模型阈值，并通过与I的相互作用产生脉冲，赢得竞争，而其他集群最终均被抑制；
神经元模型采用Integrate-and-fire模型，突触模型采用电导突触模型，则神经网络模型的表达式如下：
Figure FDA0002242464940000021
式(1)中，Cm、V(t)、Isyn(t)、gL、VL分别为膜电容、膜电位、突触电流、膜电导、静息电位；
Isyn(t)＝Istimulus(t)+Irecurrent(t)+Inoise(t)+IEFS(t) (2)
式(2)中，Istimulus(t)为视觉刺激电流、Irecurrent(t)为电路中其他神经元电流、Inoise(t)为背景噪声电流，IEFS(t)以及为外部输入信号电流；
根据式(1)和(2)，建立外部输入信号电流IEFS(t)与膜电位V(t)的关系，在外部输入信号电流IEFS(t)作用下，ER和EL中的二者之一的膜电位到达阈值电位，赢得竞争；
建模三种类型的突触受体：AMPA受体、NMDA受体和GABA受体，则将式(1)所示的神经网络模型的表达式转化为下式：
Figure FDA0002242464940000022
式(3)中，VE为常数，VI为逆转电位，[Mg2+]为细胞外镁浓度，gAMPA为介导神经元信号的AMPA受体电导，gNMDA为介导神经元信号的NMDA受体电导，gGABA为介导神经元信号的GABA受体电导，sAMPA(t)为AMPA受体的门控变量，sNMDA(t)为NMDA受体的门控变量，sGABA(t)为GABA受体的门控变量，sAMPA(t)、sGABA(t)和sNMDA(t)关于时间t的求导如下：
Figure FDA0002242464940000024
Figure FDA0002242464940000025
上式中，τAMPA、τNMDA、τGABA为常数，分别表示AMPA受体、NMDA受体和GABA受体的衰减常数，α为常数，δ(t-tk)为狄拉克函数，tk为突触前脉冲的时间，上标k表示第k个时刻。
2.根据权利要求1所述基于神经网络模型的机器人避障方法，其特征在于，在步骤(1)中，所述二值图像是由0和1组成的二维矩阵。
3.根据权利要求2所述基于神经网络模型的机器人避障方法，其特征在于，在步骤(2)中，所述傅里叶变换为二维傅里叶变换。
CN201710585099.XA 2017-07-18 2017-07-18 一种基于神经网络模型的机器人避障方法 Active CN107480597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710585099.XA CN107480597B (zh) 2017-07-18 2017-07-18 一种基于神经网络模型的机器人避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710585099.XA CN107480597B (zh) 2017-07-18 2017-07-18 一种基于神经网络模型的机器人避障方法

Publications (2)

Publication Number Publication Date
CN107480597A CN107480597A (zh) 2017-12-15
CN107480597B true CN107480597B (zh) 2020-02-07

Family

ID=60596215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710585099.XA Active CN107480597B (zh) 2017-07-18 2017-07-18 一种基于神经网络模型的机器人避障方法

Country Status (1)

Country Link
CN (1) CN107480597B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109352644B (zh) * 2018-09-14 2021-08-03 天津大学 基于cpg神经元网络的机械臂运动节律控制方法
CN109164812B (zh) * 2018-10-23 2020-04-07 西南交通大学 一种未知环境下移动机器人多行为融合酶数值膜控制方法
CN111190364A (zh) * 2019-12-06 2020-05-22 南京工程学院 一种基于感觉反馈cpg模型的仿生海豚智能控制方法
CN112819142B (zh) * 2021-02-04 2024-01-19 成都市深思创芯科技有限公司 一种短时突触可塑性工作记忆计算系统及方法
CN114037050B (zh) * 2021-10-21 2022-08-16 大连理工大学 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法
CN116382267B (zh) * 2023-03-09 2023-09-05 大连理工大学 一种基于多模态脉冲神经网络的机器人动态避障方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899640A (zh) * 2014-07-21 2015-09-09 徐志强 神经网络的模拟装置及方法
CN105182754A (zh) * 2015-08-18 2015-12-23 淮海工学院 仿生机器人运动控制神经网络的构建方法
US9275326B2 (en) * 2012-11-30 2016-03-01 Brain Corporation Rate stabilization through plasticity in spiking neuron network

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003302422A1 (en) * 2002-05-03 2004-06-18 University Of Southern California Artificial neural systems with dynamic synapses

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275326B2 (en) * 2012-11-30 2016-03-01 Brain Corporation Rate stabilization through plasticity in spiking neuron network
CN104899640A (zh) * 2014-07-21 2015-09-09 徐志强 神经网络的模拟装置及方法
CN105182754A (zh) * 2015-08-18 2015-12-23 淮海工学院 仿生机器人运动控制神经网络的构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于模糊神经网络的移动机器人避障研究";杨小菊等;《电子世界》;20161108;第189-191页 *

Also Published As

Publication number Publication date
CN107480597A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107480597B (zh) 一种基于神经网络模型的机器人避障方法
Gupta et al. Static and dynamic neural networks: from fundamentals to advanced theory
Kositsky et al. Dynamical dimension of a hybrid neurorobotic system
JP2018507467A (ja) コンピュータ・ネットワーク、ネットワークを実装するコンピュータ実装方法、およびコンピュータ・プログラム
Zhang et al. Clustering based kernel reinforcement learning for neural adaptation in brain-machine interfaces
Ebner et al. Lateral information processing by spiking neurons: a theoretical model of the neural correlate of consciousness
Miller et al. Office of Naval Research contributions to neural networks and signal processing in oceanic engineering
Wu et al. Learning mechanisms in networks of spiking neurons
Zhong et al. Robot trajectory prediction and recognition based on a computational mirror neurons model
Liljenström 4711-Is grandma a strange attractor?,”
Bray et al. Real-time human–robot interaction underlying neurorobotic trust and intent recognition
CN109635942B (zh) 一种仿脑兴奋态和抑制态工作状态神经网络电路结构及方法
Azimirad et al. Unsupervised learning of target attraction for robots through Spike Timing Dependent Plasticity
Mi et al. Spatiotemporal information processing with a reservoir decision-making network
Chang et al. A look into feedback neural computation upon collision selectivity
Zins et al. Reproducing Fear Conditioning of Rats with Unmanned Ground Vehicles and Neuromorphic Systems
Liang et al. Robust learning and recognition of visual patterns in neuromorphic electronic agents
Lobov et al. Spiking neurons as universal building blocks for hybrid systems
Wu Research on the Development of Integration of Neuroscience and Artificial Intelligence
CA2898216C (en) Methods and systems for implementing deep spiking neural networks
González-Nalda et al. Topos: generalized Braitenberg vehicles that recognize complex real sounds as landmarks
Arena et al. Integrating high-level sensor features via STDP for bio-inspired navigation
van der Heijden Recurrent Feedback in a Neuron’s Dendrites
Nurutdinov et al. Cerebellum-Inspired Artificial Neural Networks Architecture
Huang et al. Improving learning efficiency of recurrent neural network through adjusting weights of all layers in a biologically-inspired framework

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220822

Address after: No.217, Kaifa West Road, Yangzhou hi tech Industrial Development Zone, Yangzhou City, Jiangsu Province 225000

Patentee after: JIANGSU WEIERSAFU ELECTRICAL TECHNOLOGY Co.,Ltd.

Address before: 210044, No. 219, Ning six road, Pukou District, Jiangsu, Nanjing

Patentee before: Nanjing University of Information Science and Technology