CN108844618A - 一种地形感知方法 - Google Patents
一种地形感知方法 Download PDFInfo
- Publication number
- CN108844618A CN108844618A CN201810600239.0A CN201810600239A CN108844618A CN 108844618 A CN108844618 A CN 108844618A CN 201810600239 A CN201810600239 A CN 201810600239A CN 108844618 A CN108844618 A CN 108844618A
- Authority
- CN
- China
- Prior art keywords
- sample
- landform
- obtains
- sample set
- follows
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000002715 modification method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地形感知方法，包括离线训练与在线分类两部分，其优点在于：1)采用了较为简单、紧凑的特征描述子与分类器，能够降低运算资源与电量的消耗，保证了系统的实时性，并且在分类器输出后端加入修正算法；解决了准确率降低的问题；2)在分类修正算法中提取被错误分类的样例，分类器利用该样例对进行增量学习，提高了泛化性能，保证了长期运行的准确性；3)采用振动信号进行地形分类，不容易受到极端环境状况的影响。
Description
技术领域
本发明涉及机器人技术领域，特别是涉及一种地形感知方法。
背景技术
轮式机器人在地面上运动时会遇到各种地形，而保证机器人安全地穿越地形、避免其处于危险环境是十分重要的。已有的研究主要集中于基于激光雷达或视觉传感器的对障碍物的识别。对于墙壁、石块等无法通过的障碍物，我们称之为“几何威胁”。然而，地面本身可能也会对机器人产生威胁。例如：机器人穿越疏松的沙地时可能陷入其中。这种威胁我们称之为“非几何威胁”。通过实时的地形感知，机器人可以根据不用的地形采用不同的控制策略，使其能够安全有效的穿越不同的地形。因此，实时的地形感知对在野外工作的轮式机器人是十分重要的。
发明专利104866819A公开了一种基于三目视觉系统的地形分类方法，利用三目立体视觉系统对地形进行采样并输出丰富的3D数据，然后将3D数据传送到几何分类器，结合地形颜色特征，最终通过颜色分类器区分地形。硕士论文[刘福帅.基于视觉的移动机器人室外地形识别[D].山东大学,2017.]公开了一种基于机器视觉的地形识别方法，对地形数据集样本提取了颜色直方图、LBP、SIFT、CEDD四种特征，并采用极限学习机作为地形识别分类器。博士论文[吴航.移动机器人地形分类的视觉方法研究[D].中国人民解放军军事医学科学院,2017.]优化了现有BOVW模型，构建了视觉地形分类的最优流程，从而快速、高效地完成视觉地形分类任务。
关于地形分类的研究成果较少，已有的工作存在以下问题：1)机器人的运算能力往往较弱，而且需要较为持久的续航能力。然而，很多算法采用了复杂的特征描述子来表征地形，这样某种程度上能够提高分类的准确率，但是却占用了大量的运算资源，降低了实时性，同时还增加了能耗；2)基于训练数据集获取的分类器在短时间是有效的，但是随着时间的推移，即使在同一地形上采集的样本也会发生较大变化。如果不自动的调整分类器的参数，势必会降低分类的准确率。基于以上问题，我们针对轮式机器人提出一种地形感知方法。
发明内容
本发明技术解决问题：克服现有技术的不足，提出一种地形感知方法，具有较快的运算速度，能够在线校正错误的分类，并且可以通过在线学习提高分类器的泛化性能。
本发明的技术方案如下：一种地形感知方法，其特征在于：分为离线训练部分和在线分类部分，其中：
离线训练部分如下：
第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；
第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；
第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合Σ，样本集合Σ中的每个样本St∈Σ由6个特征描述，其中t＝1,2,…,μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1,2,…,6；
第四步，对第三步获取的样本集合Σ进行标记，得到样例集合Ω＝{(S1,Y1),(S2,Y2),…(Sμ,Yμ)}，其中Yt∈C,t＝1,2,…,μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1,c2,…,cm}，m表示地形的数量；
在线分类部分如下：
第五步，采集第k秒的振动帧bk，k＝1,2,…；
第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；
第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，得到第k秒的预测的地形xk，存储得到预测的地形序列Xk＝{x1.x2,…,xk}；
第八步，对第七步获取的Xk进行修正，得到修正的地形序列
第九步，对第八步获取的进行分析，如果其中τ>0表示窗口长度，为正整数，则利用样例修正第四步中的样例集合Ω。
第三步与第六步中的提取特征方法如下：
定义表示一个振动帧，其中n为加速度计的采样率；对bt处理得到处理方法为：
其中i＝1,2,…,n，为at中的一个元素，为bt中的一个元素；
然后对at处理，得到样本其中：
七步中的K近邻法模型如下：首先采用欧拉距离，对第四步中Ω的找到距离Sk最近的K个样本集合N(Sk)；然后找到N(Sk)中最多数的地形，即为第k秒的预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。
第八步中的修正方法如下：
其中，cj∈C；为示性函数，当xi＝cj时，否则τ>0表示窗口长度，为正整数；可以得到修正的地形序列
第九步中的样例集合修正方法如下：首先，从样例集合Ω中删除标记为的一个较早的样例；然后，将样例E添加到样例集合Ω中，则得到修正后的样例集合；如果则不修正样例集合。
本发明与现有技术相比，其优点在于：1)采用了较为简单、紧凑的特征描述子与分类器，能够降低运算资源与电量的消耗，保证了系统的实时性，并且在分类器输出后端加入修正算法；解决了准确率降低的问题；2)在分类修正算法中提取被错误分类的样例，分类器利用该样例对进行增量学习，提高了泛化性能，保证了长期运行的准确性；3)采用振动信号进行地形分类，不容易受到极端环境状况的影响。
附图说明
图1为本发明流程图；
图2为实验涉及的6种地形；
图3为分类器预测的混淆矩阵；
图4位修正前后的地形分类结果局部放大图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本发明进行详细说明。
离线训练部分如下：
第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；
第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；
第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合Σ，样本集合Σ中的每个样本St∈Σ由6个特征描述，其中t＝1,2,…,μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1,2,…,6；具体的特征提取方法为：
定义表示一个振动帧，其中n为加速度计的采样率；对bt处理得到处理方法为：
其中i＝1,2,…,n，为at中的一个元素，为bt中的一个元素；
然后对at处理，得到样本其中：
第四步，对第三步获取的样本集合Σ进行标记，得到样例集合Ω＝{(S1,Y1),(S2,Y2),…(Sμ,Yμ)}，其中Yt∈C,t＝1,2,…,μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1,c2,…,cm}，m表示地形的数量；
在线分类部分如下：
第五步，采集第k秒的振动帧bk，k＝1,2,…；
第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；
第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，首先采用欧拉距离，对第四步中Ω的找到距离Sk最近的K个样本集合N(Sk)；然后找到N(Sk)中最多数的地形，即为第k秒的预测的地形xk；得到预测的地形序列Xk＝{x1.x2,…,xk}。
第八步，对第七步获取的Xk进行修正，采用如下方法：
其中，cj∈C；为示性函数，当xi＝cj时，否则τ>0表示窗口长度，为正整数；可以得到修正的地形序列
第九步，对第八步获取的进行分析，如果其中τ>0表示窗口长度，为正整数，则利用样例修正第四步中的样例集合Ω，方法如下：
首先，从样例集合Ω中删除标记为的一个较早的样例；然后，将样例E添加到样例集合Ω中，则得到修正后的样例集合；如果则不修正样例集合。
如图1所示，本发明包括离线训练与在线分类两部分，具体实施步骤如下：
为了验证本发明，使用轮式机器人分别运行在6种常见的地形，并采集振动信号。地形的灰度图如图3所示，分别为草地、瓷砖、碎石、土地、沥青、塑胶。机器人的移动速度约为0.8-1.1m/s，每种地形记录约为10分钟的振动数据。加速度计的采样率为200Hz，因此每个地形的振动序列长度为120000个采样点。本发明以秒来截断数据，得到600个振动帧，每个一个振动帧包含200个振动信号。因此，对于6种地形，我们获取3600个训练样例集合。
机器人进入实际运行阶段，分别穿越6种地形，设置K＝9，每秒对地形做一次预测，其混淆矩阵如图3所示，平均错误率为17.7％。设置τ＝3进行地形分类修正。修正之后的平均错误率为5.3％，修正前后的分类结果的局部放大图如图4所示。
另外，如果不对样例集合进行修正，分类器预测的地形的平均错误率约为23.2％。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (5)
1.一种地形感知方法，其特征在于：分为离线训练部分和在线分类部分，其中：
离线训练部分如下：
第一步，控制机器人分别在不同地形上匀速运动，期间利用安装在机器人上的加速度计检测垂直于地面方向的振动信号，得到振动信号的时间序列，简称振动序列；
第二步，对第一步获取的振动序列以秒为单位进行数据分割，得到振动帧集合；
第三步，对第二步获取的振动帧集合进行特征提取并归一化，得到有μ个样本的样本集合∑，样本集合∑中的每个样本St∈∑由6个特征描述，其中t＝1，2，…，μ，则每个样本是6维样本空间的一个向量，是St中的一个元素，上标i＝1，2，…，6；
第四步，对第三步获取的样本集合∑进行标记，得到样例集合Ω＝{(S1，Y1)，(S2，Y2)，…(Sμ，Yμ)}，其中Yt∈C，t＝1，2，…，μ表示样本St对应的标记，Yt即真实地形，μ表示Ω中样例的数量；地形集合C＝{c1，c2，…，cm}，m表示地形的数量；
在线分类部分如下：
第五步，采集第k秒的振动帧bk，k＝1，2，…；
第六步，对第五步获取的振动帧bk提取特征并归一化得到第k秒的样本Sk；
第七步，对第六步获取的样本Sk使用K近邻法模型进行地形预测，得到第k秒的预测的地形xk，存储得到预测的地形序列Xk＝{x1.x2，…，xk}；
第八步，对第七步获取的Xk进行修正，得到修正的地形序列
第九步，对第八步获取的进行分析，如果其中τ＞0表示窗口长度，为正整数，则利用样例修正第四步中的样例集合Ω。
2.根据权利要求1所述的一种地形感知方法，其特征在于：第三步与第六步中的提取特征方法如下：
定义表示一个振动帧，其中n为加速度计的采样率；对bt处理得到处理方法为：
其中i＝1，2，…，n，为at中的一个元素，为bt中的一个元素；
然后对at处理，得到样本其中：
3.根据权利要求1所述的一种地形感知方法，其特征在于：第七步中的K近邻法模型如下：首先采用欧拉距离，对第四步中Ω的找到距离Sk最近的K个样本集合N(Sk)；然后找到N(Sk)中最多数的地形，即为第k秒的预测的地形xk；得到预测的地形序列Xk＝{x1.x2，…，xk}。
4.根据权利要求1所述的一种地形感知方法，其特征在于：第八步中的修正方法如下：
其中，cj∈C；为示性函数，当xi＝cj时，否则τ＞0表示窗口长度，为正整数；可以得到修正的地形序列
5.根据权利要求1所述的一种地形感知方法，其特征在于：第九步中的样例集合修正方法如下：首先，从样例集合Ω中删除标记为的一个较早的样例；然后，将样例E添加到样例集合Ω中，则得到修正后的样例集合；如果则不修正样例集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810600239.0A CN108844618B (zh) | 2018-06-12 | 2018-06-12 | 一种地形感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810600239.0A CN108844618B (zh) | 2018-06-12 | 2018-06-12 | 一种地形感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108844618A true CN108844618A (zh) | 2018-11-20 |
| CN108844618B CN108844618B (zh) | 2019-07-23 |
Family
ID=64211703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810600239.0A Active CN108844618B (zh) | 2018-06-12 | 2018-06-12 | 一种地形感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108844618B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110051292A (zh) * | 2019-05-29 | 2019-07-26 | 尚科宁家(中国)科技有限公司 | 一种扫地机器人控制方法 |
| CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
| CN111260057A (zh) * | 2020-01-21 | 2020-06-09 | 北京空间飞行器总体设计部 | 一种基于虚拟传感器的足式机器人地形感知方法 |
| CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700105A (zh) * | 2015-03-11 | 2015-06-10 | 宁波工程学院 | 非结构化室外地形全局检测方法 |
| CN104866819A (zh) * | 2015-04-30 | 2015-08-26 | 苏州科技学院 | 一种基于三目视觉系统的地形分类方法 |
| CN105426858A (zh) * | 2015-11-26 | 2016-03-23 | 哈尔滨工业大学 | 一种基于视觉和振动信息融合的地面类型辨识方法 |
| CN106092600A (zh) * | 2016-05-31 | 2016-11-09 | 东南大学 | 一种针对汽车试验场强化道路的路面识别方法 |
-
2018
- 2018-06-12 CN CN201810600239.0A patent/CN108844618B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700105A (zh) * | 2015-03-11 | 2015-06-10 | 宁波工程学院 | 非结构化室外地形全局检测方法 |
| CN104866819A (zh) * | 2015-04-30 | 2015-08-26 | 苏州科技学院 | 一种基于三目视觉系统的地形分类方法 |
| CN105426858A (zh) * | 2015-11-26 | 2016-03-23 | 哈尔滨工业大学 | 一种基于视觉和振动信息融合的地面类型辨识方法 |
| CN106092600A (zh) * | 2016-05-31 | 2016-11-09 | 东南大学 | 一种针对汽车试验场强化道路的路面识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHRISTIAN WEISS等: "Vibration-based Terrain Classification Using Support Vector Machines", 《IEEE》 * |
| CHRISTOPHER BROOKS等: "Vibration-based Terrain Analysis for Mobile Robots", 《PROCEEDINGS OF THE 2005 IEEE》 * |
| KRZYSZTOF WALAS: "Terrain Classification and Negotiation with a Walking Robot", 《SPRINGER》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147826A (zh) * | 2019-04-23 | 2019-08-20 | 中国科学技术大学 | 一种动态环境下机器人地面分类方法及系统 |
| CN110051292A (zh) * | 2019-05-29 | 2019-07-26 | 尚科宁家(中国)科技有限公司 | 一种扫地机器人控制方法 |
| CN110051292B (zh) * | 2019-05-29 | 2021-11-02 | 尚科宁家(中国)科技有限公司 | 一种扫地机器人控制方法 |
| CN111260057A (zh) * | 2020-01-21 | 2020-06-09 | 北京空间飞行器总体设计部 | 一种基于虚拟传感器的足式机器人地形感知方法 |
| CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
| CN111680642B (zh) * | 2020-06-11 | 2023-06-23 | 石家庄铁道大学 | 一种地形分类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108844618B (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108844618B (zh) | 一种地形感知方法 | |
| CN111209810B (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
| Chu et al. | Object detection based on multi-layer convolution feature fusion and online hard example mining | |
| Zielke et al. | Intensity and edge-based symmetry detection with an application to car-following | |
| Qiu et al. | RGB-DI images and full convolution neural network-based outdoor scene understanding for mobile robots | |
| CN108109162B (zh) | 一种利用自适应特征融合的多尺度目标跟踪方法 | |
| CN111046856B (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
| CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
| CN111027481B (zh) | 基于人体关键点检测的行为分析方法及装置 | |
| CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
| CN111444764A (zh) | 一种基于深度残差网络的手势识别方法 | |
| CN109522838A (zh) | 一种基于宽度学习的安全帽图像识别算法 | |
| CN103871081A (zh) | 一种自适应鲁棒在线目标跟踪方法 | |
| Corcoran et al. | Compound-V formations in shorebird flocks | |
| CN104463104A (zh) | 一种静态车辆目标快速检测方法及装置 | |
| CN107610224A (zh) | 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法 | |
| CN110472508A (zh) | 基于深度学习和双目视觉的车道线测距方法 | |
| CN108960294B (zh) | 一种基于视觉的移动机器人地形分类方法 | |
| CN108830248A (zh) | 一种行人局部特征大数据混合提取方法 | |
| Dou et al. | Boosting cnn-based pedestrian detection via 3d lidar fusion in autonomous driving | |
| CN109493371A (zh) | 一种基于视觉的四旋翼无人机行人跟踪方法 | |
| CN111027399B (zh) | 一种基于深度学习的遥感图像水面潜艇识别方法 | |
| Kong et al. | Ridge–based curvilinear structure detection for identifying road in remote sensing image and backbone in neuron dendrite image | |
| CN104820821A (zh) | 一种基于流行学习的人体行为识别方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220706 Address after: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee after: University of Science and Technology of China Patentee after: Kang Yu Patentee after: Lv Wenjun Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee before: University of Science and Technology of China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230118 Address after: Room 1001, Building 16, Wenqingyuan, Keda Garden, No. 130, Tongcheng South Road, Baohe District, Hefei City, Anhui Province, 230022 Patentee after: Kang Yu Patentee after: Lv Wenjun Address before: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Patentee before: University of Science and Technology of China Patentee before: Kang Yu Patentee before: Lv Wenjun Effective date of registration: 20230118 Address after: Building 7, Yousi Tiancheng Industrial Park, 1800 Dabieshan Road, High-tech Zone, Hefei City, Anhui Province, 231283 Patentee after: Hefei Zhongke Liheng Intelligent Technology Co.,Ltd. Address before: Room 1001, Building 16, Wenqingyuan, Keda Garden, No. 130, Tongcheng South Road, Baohe District, Hefei City, Anhui Province, 230022 Patentee before: Kang Yu Patentee before: Lv Wenjun |
|
| TR01 | Transfer of patent right |