CN108393883A - 一种表面改性机器人关节空间轨迹优化的方法 - Google Patents
一种表面改性机器人关节空间轨迹优化的方法 Download PDFInfo
- Publication number
- CN108393883A CN108393883A CN201810031479.3A CN201810031479A CN108393883A CN 108393883 A CN108393883 A CN 108393883A CN 201810031479 A CN201810031479 A CN 201810031479A CN 108393883 A CN108393883 A CN 108393883A
- Authority
- CN
- China
- Prior art keywords
- joint
- modified
- robot
- track
- acceleration
- 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
Links
Classifications
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种表面改性机器人关节空间轨迹优化的方法,包括以下步骤;S1:建立表面改性机器人模型;S2:确定表面改性轨迹参数,其中,表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以及表面改性的时间长度;S3:轨迹点采样,在表面改性的轨迹上等时间间隔选取参考点;S4:根据选取的参考点进行逆运动学求解,得到表面改性机器人的关节加速度解的集合;S5:根据表面改性机器人的关节加速度解的集合,使用遗传算法求出机器人的关节加速度的最优解。
Description
技术领域
本发明涉及表面改性机器人对材料表面改性的领域,尤其涉及一种表面 改性机器人关节空间轨迹优化的方法。
背景技术
在实际表面改性工作过程中,表面改性机器人工作基面上的轨迹已知, 所以表面改性机器人的轨迹规划主要是针对关节空间中的轨迹规划,以使机 器人的末端运动轨迹与已知的工作基面轨迹相吻合。
关节空间中的轨迹规划针对表面改性机器人的每一个运动关节选取一定 的关节位置点,一般包含起始点、终点和中间点,然后通过构造光滑函数来 连接这些点,以描述每个关节的运动情况。由于表面改性机器人的冗余特性, 其在关节空间有无数多个优化逆解,使得表面改性机器人关节空间运动特性 非常复杂,所以表面改性机器人末端的运动路径很难描述。
发明内容
本发明要解决的技术问题是提供一种表面改性机器人关节空间轨迹优化 的方法,其能够提高表面改性机器人关节空间运动的稳定性和末端执行器运 动的准确性。
为解决上述问题,本发明的技术方案为:
一种表面改性机器人关节空间轨迹优化的方法,包括以下步骤;
S1:建立表面改性机器人模型;
S2:确定表面改性轨迹参数,
其中,所述表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以 及表面改性的时间长度;
S3:轨迹点采样,
在所述表面改性的轨迹上等时间间隔选取参考点;
S4:根据选取的所述参考点进行逆运动学求解,得到所述表面改性机器 人的关节加速度解的集合;
S5:根据所述表面改性机器人的关节加速度解的集合,使用遗传算法求 出所述机器人的关节加速度的最优解。
根据本发明一实施例,所述步骤S5包括,
S51:确认基因的编码方式,
将所述关节加速度解的浮点数形式变为二进制形式,根据加速度约束以 及所述表面改性机器人的性能约束得到所述表面改性机器人的各个关节的加 速度值的允许范围[ai,bi],设相应的精度为ki,根据下式确定所述遗传算 法中的基因中的所述各个关节对应的加速度二进制串的长度ni,
其中,1≤i≤itotal,i为所述表面改性机器人的关节的编号, itotal为所述表面改性机器人的关节的总数;
所有关节的加速度组成变量所述变量对应的二进制串总的长度为一个染色体的长度,见下 式:
所述变量对应的二进制串就构成了一个个体的完 整染色体;
相应的解码就是将上述过程反向操作;
其中,为编号为i的关节的加速度值;
S52:初始化种群,
对每个所述关节随机选取相应允许范围内的加速度值,然后对选取的每 个所述关节的加速度值进行组合,形成多个个体样本,组成种群,所述种群 作为遗传算法的训练数据;
S53:分别对所述种群中的每个个体样本的染色体以及经所述遗传算法训 练之后得到的个体进行轨迹拟合,得到拟合曲线;
所述轨迹拟合的时间长度等于所述表面改性的时间长度;
选取若干不同时间点对应的拟合曲线上的特征点,通过运动学正解得到 对应时间点的所述表面改性机器人的末端位姿;
其中,所述表面改性机器人的末端位姿由下式表示:
S54:建立适应度函数;
S55:仿真分析;
利用软件进行仿真,研究所述遗传算法的迭代次数、所述适应度函数之 间的关系,寻找出最优的拟合曲线,所述最优的拟合曲线对应的关节加速度 组合即所述机器人的关节加速度的最优解。
根据本发明一实施例,在所述表面改性的轨迹上,与所述选取的若干不 同时间点对应的同一时间点,对应一个期望位姿式:
所述适应度函数定义为:
其中,式中F是由线性拉伸评价函数构造出的适应度函数;是体现 位姿偏差的评价函数,fitmax代表的最大值;fitavg是的平均值,c 表示最佳个体复制数量,取值根据群体规模确定,
Numb为选取的若干不同时间点的个数,pq、nq、oq、aq、pm、nm、om、 am为矩阵Tq、Tm中对应的列向量。
根据本发明一实施例,所述步骤S53包括,
S531:对所述种群P中的每个个体样本的染色体以及经所述遗传算法训 练之后得到的个体的染色体进行解码,得到新的关节的加速度组成变量
其中,为编号为i的关节的新的加速度值;
S532:
根据所述新的关节的加速度组成变量分别对所述表面改性机器人的每个 关节进行轨迹拟合,得到对应关节的拟合曲线,
其中,每个关节的拟合时间长度等于所述表面改性的时间长度;
S533:
在所述对应关节的拟合曲线上选取所述若干不同时间点对应的特征点;
S534:
不同关节的拟合曲线上的相同时间点的特征点通过运动学正解得到对应 时间点的所述表面改性机器人的末端位姿。
根据本发明一实施例,所述种群的规模取20~100。
本发明由于采用以上技术方案,使其与现有技术相比具有以下的优点和 积极效果:
本发明的一种表面改性机器人关节空间轨迹优化的方法,对表面改性机 器人关节空间内进行轨迹规划,保证了表面改性机器人关节运行的平稳性, 同时利用遗传算法对轨迹规划中的参数进行优化,通过运动学正解得到表面 改性机器人末端运动轨迹,然后和工作基面上的期望轨迹进行对比,使得关 节空间正解到末端笛卡尔坐标系时,表面改性机器人末端的轨迹和基面上的 期望轨迹之间相差较小,实现了对表面改性机器人关节空间轨迹的优化。
附图说明
图1为本发明的表面改性机器人关节空间轨迹优化的方法的流程图;
图2为本发明的表面改性机器人关节空间轨迹优化的方法中表面改性 机器人的建模示意图;
图3为本发明的表面改性机器人关节空间轨迹优化的方法中适应度函 数与遗传算法的迭代次数的关系图;
图4为飞机S形进气道轨迹仿真验证图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种表面改性机器人关节空 间轨迹优化的方法作进一步详细说明。根据下面说明和权利要求书,本发明 的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式,仅用以 方便、明晰地辅助说明本发明的实施例。
参看图1,一种表面改性机器人关节空间轨迹优化的方法,包括以下步 骤;
S1:建立表面改性机器人模型;
参看图2,所述表面改性机器人模型为七自由度执行机器人模型,第一 关节为移动关节,其余为转动关节。
S2:确定表面改性轨迹参数,
其中,表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以及表 面改性的时间长度,可以理解,表面改性轨迹参数均由实际情况确定;
S3:轨迹点采样,
在表面改性的轨迹上等时间间隔选取参考点;
S4:根据选取的参考点进行逆运动学求解,得到表面改性机器人的关节 加速度解的集合;
S5:根据表面改性机器人的关节加速度解的集合,使用遗传算法求出机 器人的关节加速度的最优解。
进一步地,步骤S5包括,S51:确认基因的编码方式,
将关节加速度解的浮点数形式变为二进制形式,根据加速度约束以及表 面改性机器人的性能约束得到表面改性机器人的各个关节i的加速度的允 许范围[ai,bi],设相应的精度为ki根据式(1)确定遗传算法中的基因中的 各个关节对应的加速度二进制串的长度ni,
其中,1≤i≤itotal,i为表面改性机器人的关节的编号,itotal为表 面改性机器人的关节的总数,在本实施例中itotal=7;
所有关节的加速度组成变量变量对应的二进制串总的长度为一个染色体的长度, 见式(2):
变量对应的二进制串就构成了一个个体的完整染 色体式(3):
相应的解码就是将上述过程反向操作;
其中,为编号为i的关节的加速度值;
S52:初始化种群,
对每个关节随机选取相应允许范围内的加速度值,然后对选取的每个关 节的加速度值进行组合,形成多个个体样本,组成种群P,种群P作为遗传 算法的训练数据,
其中,pM为个体样本,M为种群的规模;
具体地,种群的规模M取20~100。
S53:分别对种群P中的每个个体样本的染色体以及经遗传算法训练之后 得到的个体进行轨迹拟合,得到拟合曲线;
轨迹拟合的时间长度等于表面改性的时间长度;
选取若干不同时间点对应的拟合曲线上的特征点,通过运动学正解得到 对应时间点的表面改性机器人的末端位姿;
其中,表面改性机器人的末端位姿由式(5)表示:
具体地,步骤S53包括,
S531:对种群P中的每个个体样本的染色体以及经遗传算法训练之后得 到的个体的染色体进行解码,得到新的关节的加速度组成变量
其中,为编号为i的关节的新的加速度值;
S532:
根据新的关节的加速度组成变量分别对表面改性机器人的每个关节 进行轨迹拟合,得到对应关节的拟合曲线,
其中,每个关节的拟合时间长度等于表面改性的时间长度;
S533:
在对应关节的拟合曲线上选取若干不同时间点对应的特征点;
S534:
不同关节的拟合曲线上的相同时间点的特征点通过运动学正解得到对应 时间点的表面改性机器人的末端位姿。
S54:建立适应度函数;
具体地,在表面改性的轨迹上,,结合步骤S532、S533,可以理解,每 个关节的拟合时间的长度均等于表面改性的时间长度,与选取的若干不同时 间点对应的同一时间点,对应一个期望位姿式(6):
适应度函数定义为:
其中,式(7)中F是由线性拉伸评价函数构造出的适应度函数;是 体现位姿偏差的评价函数,如式(8)所示;fitmax代表的最大值;fitavg是的平均值,c表示最佳个体复制数量,取值根据群体规模确定,本 实施例中取c=2;
Numb为选取的若干不同时间点的个数,pq、nq、oq、aq、pm、nm、om、 am为矩阵Tq、Tm中对应的列向量。
S55:仿真分析;
参看图3,利用软件进行仿真,研究遗传算法的迭代次数与适应度函数 之间的关系,寻找出最优的拟合曲线,最优的拟合曲线对应的关节加速度组 合即机器人的关节加速度的最优解。
为了验证本发明的表面改性机器人关节空间轨迹优化的方法的合理性, 以飞机S形进气道为例进行仿真来分析拟合轨迹与期望轨迹的逼近程度,参 看图4,从仿真结果可以看出拟合轨迹与期望轨迹高度吻合,说明了本发明 所用方法的合理性。
本发明的一种表面改性机器人关节空间轨迹优化的方法,对表面改性机 器人关节空间进行轨迹规划,保证了表面改性机器人关节运行的平稳性,同 时利用遗传算法对轨迹规划中的参数进行优化,使得关节空间正解到末端笛 卡尔坐标系时,表面改性机器人的末端工作轨迹和工作基面上的期望轨迹之 间相差较小,由仿真结果可以看出,表面改性机器人末端运动非常符合期望 轨迹的要求。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于 上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利 要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (5)
1.一种表面改性机器人关节空间轨迹优化的方法,其特征在于,包括以下步骤;
S1:建立表面改性机器人模型;
S2:确定表面改性轨迹参数,
其中,所述表面改性轨迹参数包括表面改性的轨迹、表面改性的速度以及表面改性的时间长度;
S3:轨迹点采样,
在所述表面改性的轨迹上等时间间隔选取参考点;
S4:根据选取的所述参考点进行逆运动学求解,得到所述表面改性机器人的关节加速度解的集合;
S5:根据所述表面改性机器人的关节加速度解的集合,使用遗传算法求出所述机器人的关节加速度的最优解。
2.如权利要求1所述表面改性机器人关节空间轨迹优化的方法,其特征在于,所述步骤S5包括,
S51:确认基因的编码方式,
将所述关节加速度解的浮点数形式变为二进制形式,根据加速度约束以及所述表面改性机器人的性能约束得到所述表面改性机器人的各个关节的加速度值的允许范围[ai,bi],设相应的精度为ki,根据下式确定所述遗传算法中的基因中的所述各个关节对应的加速度二进制串的长度ni,
其中,1≤i≤itotal,i为所述表面改性机器人的关节的编号,itotal为所述表面改性机器人的关节的总数;
所有关节的加速度组成变量所述变量对应的二进制串总的长度为一个染色体的长度,见下式:
所述变量对应的二进制串就构成了一个个体的完整染色体;
相应的解码就是将上述过程反向操作;
其中,为编号为i的关节的加速度值;
S52:初始化种群,
对每个所述关节随机选取相应允许范围内的加速度值,然后对选取的每个所述关节的加速度值进行组合,形成多个个体样本,组成种群,所述种群作为遗传算法的训练数据;
S53:分别对所述种群中的每个个体样本以及经所述遗传算法训练之后得到的个体进行轨迹拟合,得到拟合曲线;
所述轨迹拟合的时间长度等于所述表面改性的时间长度;
选取若干不同时间点对应的拟合曲线上的特征点,通过运动学正解得到对应时间点的所述表面改性机器人的末端位姿;
其中,所述表面改性机器人的末端位姿由下式表示:
S54:建立适应度函数;
S55:仿真分析;
利用软件进行仿真,研究所述遗传算法的迭代次数、所述适应度函数之间的关系,寻找出最优的拟合曲线,所述最优的拟合曲线对应的关节加速度组合即所述机器人的关节加速度的最优解。
3.如权利要求2所述表面改性机器人关节空间轨迹优化的方法,其特征在于,
在所述表面改性的轨迹上,与所述选取的若干不同时间点对应的同一时间点,对应一个期望位姿式:
所述适应度函数定义为:
其中,式中F是由线性拉伸评价函数构造出的适应度函数;是体现位姿偏差的评价函数,fitmax代表的最大值;fitavg是的平均值,c表示最佳个体复制数量,取值根据群体规模确定;
Numb为选取的若干不同时间点的个数,pq、nq、oq、aq、pm、nm、om、am为矩阵Tq、Tm中对应的列向量。
4.如权利要求2所述表面改性机器人关节空间轨迹优化的方法,其特征在于,所述步骤S53包括,
S531:对所述种群中的每个个体样本的染色体以及经所述遗传算法训练之后得到的个体的染色体进行解码,得到新的关节的加速度组成变量
其中,为编号为i的关节的新的加速度值;
S532:
根据所述新的关节的加速度组成变量分别对所述表面改性机器人的每个关节进行轨迹拟合,得到对应关节的拟合曲线,
其中,每个关节的拟合时间长度等于所述表面改性的时间长度;
S533:
在所述对应关节的拟合曲线上选取所述若干不同时间点对应的特征点;
S534:
不同关节的拟合曲线上的相同时间点的特征点通过运动学正解得到对应时间点的所述表面改性机器人的末端位姿。
5.如权利要求2所述表面改性机器人关节空间轨迹优化的方法,其特征在于,所述种群的规模取20~100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031479.3A CN108393883B (zh) | 2018-01-12 | 2018-01-12 | 一种表面改性机器人关节空间轨迹优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031479.3A CN108393883B (zh) | 2018-01-12 | 2018-01-12 | 一种表面改性机器人关节空间轨迹优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108393883A true CN108393883A (zh) | 2018-08-14 |
CN108393883B CN108393883B (zh) | 2021-03-16 |
Family
ID=63094862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031479.3A Active CN108393883B (zh) | 2018-01-12 | 2018-01-12 | 一种表面改性机器人关节空间轨迹优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108393883B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109910012A (zh) * | 2019-04-03 | 2019-06-21 | 中国计量大学 | 一种基于遗传算法的机械臂轨迹规划优化方法 |
CN110405765A (zh) * | 2019-07-29 | 2019-11-05 | 苏州工业职业技术学院 | 带有冗余自由度的等离子体喷枪机器人正交试验方法 |
CN113799125A (zh) * | 2021-09-02 | 2021-12-17 | 迅立达智能装备制造科技有限公司 | 一种多关节机械臂的轨迹规划系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019096A (zh) * | 2012-11-23 | 2013-04-03 | 北京理工大学 | 一种基于加速度优化的仿人机器人逆动力学控制器 |
CN104020773A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工业大学 | 一种基于控制周期自适应时钟同步的加速度最优空间机器人在线轨迹规划方法 |
JP2016034669A (ja) * | 2014-08-01 | 2016-03-17 | 株式会社デンソーウェーブ | ロボットの制御装置及び制御方法 |
CN106773739A (zh) * | 2017-02-28 | 2017-05-31 | 山东大学 | 基于遗传混沌优化算法的机器人轨迹规划方法 |
CN107199569A (zh) * | 2017-06-22 | 2017-09-26 | 华中科技大学 | 一种基于关节能量均衡分配的关节机器人轨迹规划方法 |
-
2018
- 2018-01-12 CN CN201810031479.3A patent/CN108393883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019096A (zh) * | 2012-11-23 | 2013-04-03 | 北京理工大学 | 一种基于加速度优化的仿人机器人逆动力学控制器 |
CN104020773A (zh) * | 2014-06-13 | 2014-09-03 | 哈尔滨工业大学 | 一种基于控制周期自适应时钟同步的加速度最优空间机器人在线轨迹规划方法 |
JP2016034669A (ja) * | 2014-08-01 | 2016-03-17 | 株式会社デンソーウェーブ | ロボットの制御装置及び制御方法 |
CN106773739A (zh) * | 2017-02-28 | 2017-05-31 | 山东大学 | 基于遗传混沌优化算法的机器人轨迹规划方法 |
CN107199569A (zh) * | 2017-06-22 | 2017-09-26 | 华中科技大学 | 一种基于关节能量均衡分配的关节机器人轨迹规划方法 |
Non-Patent Citations (1)
Title |
---|
张魁仓: "基于预定轨迹的机械手最优关节加速度研究", 《中国优秀硕士论文电子期刊网》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109910012A (zh) * | 2019-04-03 | 2019-06-21 | 中国计量大学 | 一种基于遗传算法的机械臂轨迹规划优化方法 |
CN109910012B (zh) * | 2019-04-03 | 2020-12-04 | 中国计量大学 | 一种基于遗传算法的机械臂轨迹规划优化方法 |
CN110405765A (zh) * | 2019-07-29 | 2019-11-05 | 苏州工业职业技术学院 | 带有冗余自由度的等离子体喷枪机器人正交试验方法 |
CN113799125A (zh) * | 2021-09-02 | 2021-12-17 | 迅立达智能装备制造科技有限公司 | 一种多关节机械臂的轨迹规划系统 |
CN113799125B (zh) * | 2021-09-02 | 2022-12-06 | 迅立达智能装备制造科技有限公司 | 一种多关节机械臂的轨迹规划系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108393883B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108393883A (zh) | 一种表面改性机器人关节空间轨迹优化的方法 | |
Zalzala et al. | Genetic algorithms in engineering systems | |
CN109702744A (zh) | 一种基于动态系统模型的机器人模仿学习的方法 | |
CN108858198A (zh) | 一种基于模拟退火遗传算法的机械臂路径规划方法 | |
CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
CN109901397A (zh) | 一种使用粒子群优化算法的机械臂逆运动学方法 | |
CN108427282A (zh) | 一种基于示教学习的机器人逆运动学求解方法 | |
CN107367938A (zh) | 一种用于机械臂时间最优轨迹规划方法 | |
CN104678766B (zh) | 仿人机械臂飞行球体作业最优击球构型一种求取方法 | |
CN114926023A (zh) | 一种基于改进海鸥优化算法的柔性作业车间调度方法 | |
CN111047002B (zh) | 一种基于bp神经网络的校直行程预测方法 | |
Liu et al. | Revolver: Continuous evolutionary models for robot-to-robot policy transfer | |
CN108664021A (zh) | 基于遗传算法和五次多项式插值的机器人路径规划方法 | |
ES2885077A1 (es) | Metodo para determinar un modelo de agarre de mano | |
CN115213898A (zh) | 一种基于逆解多目标优化的焊接机器人笛卡尔空间轨迹规划方法 | |
CN115098978A (zh) | 一种基于rbf神经网络改进牛顿迭代算法的正向运动学分析方法 | |
CN114329825A (zh) | 改进的Stewart并联机构正运动学参数求解方法 | |
CN112428267B (zh) | 一种快速求解冗余自由度机器人逆解的方法 | |
CN111002302A (zh) | 结合高斯混合模型和动态系统的机械臂抓取轨迹规划方法 | |
Chu et al. | Comparison of deep reinforcement learning algorithms in a robot manipulator control application | |
Cheng et al. | Enhancing dexterity in robotic manipulation via hierarchical contact exploration | |
CN110405765A (zh) | 带有冗余自由度的等离子体喷枪机器人正交试验方法 | |
CN113434982B (zh) | 一种电力智能仿生攀爬机器人的运动学逆解方法 | |
Yin et al. | Trajectory generation with spatio-temporal templates learned from demonstrations | |
CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 |
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 |