CN108540931B - 一种井下区间分段式视距节点合作定位算法 - Google Patents
一种井下区间分段式视距节点合作定位算法 Download PDFInfo
- Publication number
- CN108540931B CN108540931B CN201810305888.8A CN201810305888A CN108540931B CN 108540931 B CN108540931 B CN 108540931B CN 201810305888 A CN201810305888 A CN 201810305888A CN 108540931 B CN108540931 B CN 108540931B
- Authority
- CN
- China
- Prior art keywords
- node
- positioning
- nodes
- information
- unknown
- 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
Links
- 230000004807 localization Effects 0.000 title 1
- 238000012937 correction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 239000000969 carrier Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 8
- 239000003245 coal Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/10—Position of receiver fixed by co-ordinating a plurality of position lines defined by path-difference measurements, e.g. omega or decca systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种井下区间分段式视距节点合作定位算法，利用LVQ自定义聚类将长距离定位区间分段并将聚类边界信号强度值作为阈值，把已定位出结果的未知节点视为其它未知节点的“虚拟参考节点”，实现所有节点信息相互交流，在节点筛选思想下利用信号状态信息（CSI）寻找视距路径（LOS）节点，将近距离区间内的已定位LOS节点代替远距离区间的参考节点，在改进的三角形加权质心定位算法下进行粗定位并通过坐标修正算法修正位置。本发明定位精度高、提高了定位系统整体稳定性，减小了定位误差，在煤矿井下应用有很好的效果。
Description
技术领域
本发明涉及无线通信技术领域，特别是涉及井下矿用物联网中的分段节点合作定位领域。
背景技术
我国是产煤大国，且多为地下巷道式开采，煤矿井下地质复杂，巷道空间狭长，多种原因导致煤矿井下事故发生，井下人员的定位效果直接影响人员救援的成功率。矿井人员定位对于增强煤矿生产安全及信息化管理有着重要的实用价值，实现以矿用物联网为核心的精确高效的煤矿井下人员定位技术对井下安全生产具有重要的意义，引起学者们极大研究兴趣。
矿井物联网无线定位技术利用无线电磁波在巷道内的传输特性分析目标的位置，目前矿山物联网技术中节点定位因方式简单、实用性高成为常用定位算法之一，但是受长距离时信号干扰多、衰减大的影响定位效果差。无线节点定位方式可分为基于测距定位方式和基于非测距定位方式，基于测距的定位前三种方式具有较高的精度，但是对硬件设备要求高，在煤矿井下人员定位中不能得到实际应用；基于非测距定位能耗低，对硬件要求低，但是对节点密度要求高，在定位节点较少的情形下，定位系统稳定性差，精度不佳。国内外已有不少提高节点定位精度和系统稳定性的算法，但这些算法只利用了未知节点与参考节点之间的信息，忽略使用未知节点相互之间的信息，因此没有解决远距离节点信号衰减的问题。随着矿井物联网技术的普及、无线传感器设备的增多，井下人员、设备、机械都携带有大量节点信息，利用节点之间的信息相互合作定位成为我们研究长距离定位时避免信号衰减较大的新思想。
发明内容
为了克服上述现有技术的不足，本发明提供了一种井下区间分段式视距节点合作定位算法。
本发明所采用的技术方案是：一种井下区间分段式视距节点合作定位算法，包括以下步骤：
a、场景勘测部分：离线阶段采集目标场景的数据信息预处理，然后利用shadowing模型拟合RSSI信号与距离d关系的关系曲线，利用曲线学习向量量化(LVQ)聚类算法自定义聚类数q并确定阈值T；
b、未知节点定位算法部分：在线实测阶段，部署信号发射装置及接受装置，实现未知节点与参考节点之间信息交流，未知节点与已定位未知节点之间信息相互交流，信号发射装置采用商用AP，信号接收装置使用可同时采集RSSI与CSI的微型计算机，微型机内置经过修改驱动的Intel5300网卡；
c、数据预处理：对采集的RSSI信息进行Gauss平滑滤波，剔除异常值；对采集的CSI进行幅值的hampel滤波，滤除同一子载波上偏离CSI向量的离群点：
d、判定未知节点出现的次序：当第一个节点出现时只能选用参考节点信息定位，定位后节点模式转换，发送信号，可作为“虚拟参考节点”辅助其他未知节点定位；其余各未知节点可以利用参考节点和虚拟参考节点信息定位；
e、信息识别：虚拟参考节点是已定位的未知节点，使用虚拟参考节点需要慎重选择，通过CSI信息进行视距路径节点信息识别，将从视距路径节点传输的视距路径RSSI信息选取前N个求均值作为有效定位数据；
f、粗定位：在满足定位条件情况下选用改进的小区域三角形加权质心算法，获得粗定位；
g、精准定位：粗定位后利用横纵坐标修正算法进一步提高定位准确度，之后转入步骤c继续实现场景监测定位。
进一步地，所述步骤a中的shadowing曲线拟合
通过获取环境因子n和在1m处的RSSI作为参数A，其中，参数d表示节点之间的实际距离；参数d0表示在距离为d时的传播损耗，实际测量时一般取置为1m；参数A表示在距离为d0时对应的信号强度值；参数
表示在距离为d处的采集的多组信号强度的平均信号强度值；参数n为路径损耗因子，表示无线信号在空间传输时造成的能量衰减指数。
进一步地，所述步骤b中的未知节点之间信息交流通过对该未知节点设定两种模式：Receiver和Transmitter；未知节点处于待定位阶段在Receiver接收来自其他发射节点的信息对自身定位，一旦定位成功会立即转换模式进行信号发送，帮助其他待定位节点定位。
进一步地，所述步骤e中的视距节点判定将PHY层的CSI作为辅助信号，CSI利用正交频分复用技术(OFDM)将信号调制到不同频率的子载波传输，在接收端可以有效的区分信号的路径，消除多径效应及非视距路径(NLOS)干扰，将虚拟参考节点的CSI信息进行处理，判断视距路径是否存在，若不存在剔除该节点，若存在将远距离时使用的NLOS参考节点用寻找到的近处存在LOS虚拟参考节点代替，选取LOS路径节点信号共同作为定位数据的输入信号，根据幅值大小排序，将前N个数据包中的RSSI取均值计算距离信息。
与现有技术相比，本发明的有益效果是：
1、本发明实现物联网物物相连的理念，未知节点与参考节点信息实时相互交流，在长距离区间定位时定位精度高、整体系统稳定。
2、煤矿井下巷道狭长、环境恶劣，参考节点部署相隔较远，与传统未将定位区间分段、未选择近处虚拟参考节点的定位算法相比，该算法减小了定位误差、提升了定位精度和系统鲁棒性。
附图说明
图1为本发明一种井下区间分段式视距节点合作定位算法的流程图；
图2为本发明区间分段视距节点定位意图。
其中：1-未知节点；2-参考节点。
具体实施方式
为了加深对本发明的理解，下面结合附图和实施例对本发明进一步说明，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
如图1和图2所示，一种井下区间分段式视距节点合作定位算法，包括以下步骤：a、场景勘测部分：在离线阶段采集目标场景的数据信息预处理后利用shadowing模型拟合RSSI信号与距离d关系的关系曲线，利用曲线学习向量量化(LVQ)聚类算法自定义聚类数q并确定阈值T；为了获得分段数及阈值T，利用LVQ聚类设计以信号强度大小为标准自定义最优聚类数算法，聚类算法将已测得的未知节点1到参考节点2不同距离的信号强度作为聚类原始数据，利用LVQ找到一组原型向量刻画聚类结构，形成样本空间的粗划分并确定该划分点的区域界限值作为阈值T。给定样本集λ＝{λ1，λ2，......λh}，λ表示不同距离处的衰减相同信号强度的距离误差，设定样本类别标记yr∈γ，自动聚类数q,初始化原型向量{P1，P2，....，Pq}，设定原型向量类别标记{t1，t2，....，tq}从λ中随机选取样本为λr，
表示样本λr与原型向量
之间距离：
找出与样本xr最近的原型向量
判断
与样本的类别标记yr是否相同，若相同，则原型向量更新为：
将
更新为p′之后，更接近于λr，学得这一组原型向量后，即可对样本空间χ划分，每个原型向量
定义了一个相关区域
由公式(6)计量得出更新的向量类别标记与样本之间距离：
获得
聚类区域，将这些区域的边界信号值作为阈值T。
b、未知节点定位算法部分：在线实测阶段，部署信号发射装置及接受装置，实现未知节点1与参考节点2之间信息交流，及未知节点1与已定位未知节点之间信息相互交流，节点间的相互交流通过将节点模块设置成两种不同的工作模式，未知节点1处于待定位阶段采用Receiver模式接收其他节点发送的信息对自身定位；一旦未知节点1定位成功，立即转换成Transmitter模式发送信号，供其他未知节点1定位使用。信号发射装置采用商用AP，信号接收装置使用可同时采集RSSI与CSI的微型计算机，微型机内置经过修改驱动的Intel5300网卡。
c、数据预处理：对采集的RSSI信息进行Gauss平滑滤波，剔除异常值；对采集的CSI进行幅值的hampel滤波，滤除同一子载波上偏离CSI向量的离群点；
对所采集到的多组数据RSSIw进行高斯滤波处理，假设第n个节点采集数据Q组，将置信区间[μ-σ，μ+σ]内的数据值保留，[μ-σ，μ+σ]之外作为异常值剔除，异常值个数为K，剔除异常值之后的数据记为PSSIp，取均值，得到
将shadowing模型进一步简化成距离d与信号强度
之间公式(6)并拟合出信号强度衰减与距离曲线：
其中A为d0＝1m时的信号强度值，n为路径损耗因子，根据公式(6)计算未知节点1到参考节点2的距离di，m、未知节点1相互之间的距离di，j作为算法使用的数据；
CSI在时域中常用的多径信道描述为公式(7)：
Lp为多径信道数量，αkτk表示第k条路径的幅度和传输时延，通过对CSI逆快速傅里叶变换(TFFT)处理，我们可以获得时域的信道响应(CIR)h(τ)。在典型的LOS和NLOS条件下采集1000个数据包通过IFFT获得CIR进行LOS路径识别。
d、判定未知节点出现的次序：当第一个节点出现时只能选用参考节点2信息定位，定位后节点模式转换，可作为“虚拟参考节点”辅助其他未知节点1定位；其余各未知节点1可以利用参考节点2和虚拟参考节点信息定位。
e、信息识别：虚拟参考节点是已定位的未知节点，使用虚拟参考节点需要慎重选择，通过CSI信息进行视距路径节点信息识别，将从视距路径节点传输的视距路径RSSI信息选取前N个求均值作为有效定位数据。
f、粗定位：在满足定位条件情况下选用改进的小区域三角形加权质心算法，获得粗定位。
g、精准定位：粗定位后利用横纵坐标修正算法进一步提高定位准确度；之后转入步骤c继续实现场景监测定位。
本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。
Claims (4)
1.一种井下区间分段式视距节点合作定位算法，其特征在于：
包括以下步骤：
a、场景勘测部分：离线阶段采集目标场景的数据信息预处理，然后利用shadowing模型拟合RSSI信号与距离d关系的关系曲线，利用曲线学习向量量化(LVQ)聚类算法自定义聚类数q并确定阈值T；
b、未知节点定位算法部分：在线实测阶段，部署信号发射装置及接受装置，实现未知节点与参考节点之间信息交流，未知节点与已定位未知节点之间信息相互交流，信号发射装置采用商用AP，信号接收装置使用可同时采集RSSI与CSI的微型计算机，微型机内置经过修改驱动的Intel5300网卡；
c、数据预处理：对采集的RSSI信息进行Gauss平滑滤波，剔除异常值；对采集的CSI进行幅值的hampel滤波，滤除同一子载波上偏离CSI向量的离群点：
d、判定未知节点出现的次序：当第一个节点出现时只能选用参考节点信息定位，定位后节点模式转换，发送信号，可作为“虚拟参考节点”辅助其他未知节点定位；其余各未知节点可以利用参考节点和虚拟参考节点信息定位；
e、信息识别：虚拟参考节点是已定位的未知节点，使用虚拟参考节点需要慎重选择，通过CSI信息进行视距路径节点信息识别，将从视距路径节点传输的视距路径RSSI信息选取前N个求均值作为有效定位数据；
f、粗定位：在满足定位条件情况下选用改进的小区域三角形加权质心算法，获得粗定位；
g、精准定位：粗定位后利用横纵坐标修正算法进一步提高定位准确度，之后转入步骤c继续实现场景监测定位。
2.根据权利要求1所述的井下区间分段式视距节点合作定位算法，其特征在于：所述步骤a中的shadowing曲线拟合
通过获取路径损耗因子n和在1m处的RSSI作为参数A，其中，参数d表示节点之间的实际距离；参数d0表示在距离为d时的传播损耗，实际测量时一般取置为1m；参数A表示在距离为d0时对应的信号强度值；参数
表示在距离为d处的采集的多组信号强度的平均信号强度值；参数n为路径损耗因子，表示无线信号在空间传输时造成的能量衰减指数。
3.根据权利要求1所述的井下区间分段式视距节点合作定位算法，其特征在于：所述步骤b中的未知节点之间信息交流通过对该未知节点设定两种模式：Receiver和Transmitter；未知节点处于待定位阶段在Receiver接收来自其他发射节点的信息对自身定位，一旦定位成功会立即转换模式进行信号发送，帮助其他待定位节点定位。
4.根据权利要求1所述的井下区间分段式视距节点合作定位算法，其特征在于：所述步骤e中的视距节点判定将PHY层的CSI作为辅助信号，CSI利用正交频分复用技术(OFDM)将信号调制到不同频率的子载波传输，在接收端可以有效的区分信号的路径，消除多径效应及非视距路径(NLOS)干扰，将虚拟参考节点的CSI信息进行处理，判断视距路径是否存在，若不存在剔除该节点，若存在将远距离时使用的NLOS参考节点用寻找到的近处存在LOS虚拟参考节点代替，选取LOS路径节点信号共同作为定位数据的输入信号，根据幅值大小排序，将前N个数据包中的RSSI取均值计算距离信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810305888.8A CN108540931B (zh) | 2018-04-08 | 2018-04-08 | 一种井下区间分段式视距节点合作定位算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810305888.8A CN108540931B (zh) | 2018-04-08 | 2018-04-08 | 一种井下区间分段式视距节点合作定位算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108540931A CN108540931A (zh) | 2018-09-14 |
| CN108540931B true CN108540931B (zh) | 2020-07-17 |
Family
ID=63482934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810305888.8A Active CN108540931B (zh) | 2018-04-08 | 2018-04-08 | 一种井下区间分段式视距节点合作定位算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108540931B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109640262B (zh) * | 2018-11-30 | 2021-01-05 | 哈尔滨工业大学（深圳） | 一种基于混合指纹的定位方法及系统、设备、存储介质 |
| CN111683345B (zh) * | 2020-06-09 | 2021-12-14 | 江苏希塔信息科技有限公司 | 一种基于csi与rssi的无线传感器网络抗干扰定位方法 |
| CN112040527B (zh) * | 2020-09-07 | 2022-06-03 | 重庆科华安全设备有限责任公司 | 一种用于井下巷道环境的长单链结构的无线通信组网方法 |
| CN112686221B (zh) * | 2021-03-11 | 2021-05-25 | 成都点泽智能科技有限公司 | 行人进出监测方法、装置、设备及计算机存储介质 |
| CN114245291A (zh) * | 2021-11-19 | 2022-03-25 | 中国矿业大学 | 参考节点虚拟化为未知节点的测距定位方法 |
| CN116647909A (zh) * | 2023-07-27 | 2023-08-25 | 齐鲁空天信息研究院 | 基于接收信号强度的虚拟锚节点加权质心室内定位方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106102161A (zh) * | 2016-05-30 | 2016-11-09 | 天津大学 | 基于聚类算法分析数据优化的室内定位方法 |
| CN107466102A (zh) * | 2016-07-05 | 2017-12-12 | 深圳大学 | 利用四面体以及无线通讯技术的楼层定位系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150031387A1 (en) * | 2013-07-26 | 2015-01-29 | Texas Instruments Incorporated | Compensation of the signal attenuation by human body in indoor wi-fi positioning |
-
2018
- 2018-04-08 CN CN201810305888.8A patent/CN108540931B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106102161A (zh) * | 2016-05-30 | 2016-11-09 | 天津大学 | 基于聚类算法分析数据优化的室内定位方法 |
| CN107466102A (zh) * | 2016-07-05 | 2017-12-12 | 深圳大学 | 利用四面体以及无线通讯技术的楼层定位系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108540931A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108540931B (zh) | 一种井下区间分段式视距节点合作定位算法 | |
| Liu et al. | Machine learning for time-of-arrival estimation with 5G signals in indoor positioning | |
| CN106792808A (zh) | 一种基于信道状态信息的室内环境下视距路径识别方法 | |
| CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
| CN104039009B (zh) | 一种基于区域划分的目标无线设备定位方法 | |
| CN104267439A (zh) | 一种无监督人体检测与定位的方法 | |
| CN104378764B (zh) | 一种lte系统同频小区检测方法及装置 | |
| CN109084774B (zh) | 一种基于信道状态信息的无人机集群定位方法 | |
| CN109640269A (zh) | 基于csi与时域融合算法的指纹定位方法 | |
| CN108242946A (zh) | 一种基于mimo-ofdm技术的煤矿井下巷道目标定位方法 | |
| CN101742545A (zh) | WiFi环境中的定位方法及其系统 | |
| CN114910968A (zh) | 正交源频率域地空电磁倾子散度探测与成像方法及系统 | |
| CN105873212A (zh) | 基于信道状态信息的室内环境人员检测方法 | |
| US20190320405A1 (en) | Method for Determining Candidate Line of Sight Path and Wireless Local Area Network Device | |
| CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
| CN112040400A (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
| CN111142668B (zh) | 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法 | |
| CN103383447A (zh) | 基于漏泄通讯电缆信号衰减差值的位移定位系统及其定位方法 | |
| CN112235215A (zh) | 一种无线信道探测方法、存储介质及终端设备 | |
| CN111918388A (zh) | 基于深度可分离卷积的csi指纹被动式定位方法 | |
| CN108226912A (zh) | 一种定位方法及定位系统 | |
| CN115052294A (zh) | 基于无人机群的电磁干扰信号干扰源定位系统及定位方法 | |
| WO2018131946A1 (ko) | 이동 통신 시스템에서 드라이브 테스트를 수행하는 방법 및 장치 | |
| WO2015119619A1 (en) | Roadway infrastructure monitoring based on aggregated mobile vehicle communication parameters | |
| Tulay et al. | Road state inference via channel state information |
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 |
Effective date of registration: 20210913 Address after: 210000 room 603, floor 5, building 6, Jinzheng Nanjing Science and Technology Park, No. 6, Fengxin Road, Yuhuatai District, Nanjing, Jiangsu Province Patentee after: Nanjing Zijinshan Smart City Research Institute Co.,Ltd. Address before: 221000 Zhai mountain, southern suburbs of Jiangsu City, Xuzhou Province Patentee before: CHINA University OF MINING AND TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| CP03 | Change of name, title or address |
Address after: Room 603, Floor 5, Building 6, Jinzheng Nanjing Science and Technology Park, No. 6 Fengxin Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210012 Patentee after: Nanjing Zijinshan Artificial Intelligence Research Institute Co.,Ltd. Address before: 210000 room 603, floor 5, building 6, Jinzheng Nanjing Science and Technology Park, No. 6, Fengxin Road, Yuhuatai District, Nanjing, Jiangsu Province Patentee before: Nanjing Zijinshan Smart City Research Institute Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20250106 Granted publication date: 20200717 |
|
| PP01 | Preservation of patent right |