CN108984781B - 一种无人车区域探索的地图边缘检测规划方法及装置 - Google Patents
一种无人车区域探索的地图边缘检测规划方法及装置 Download PDFInfo
- Publication number
- CN108984781B CN108984781B CN201810828262.5A CN201810828262A CN108984781B CN 108984781 B CN108984781 B CN 108984781B CN 201810828262 A CN201810828262 A CN 201810828262A CN 108984781 B CN108984781 B CN 108984781B
- Authority
- CN
- China
- Prior art keywords
- edge
- area
- global
- detection
- map
- 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
Images
Landscapes
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种无人车区域探索的地图边缘检测规划方法及装置,包括:步骤S1、在全局环境地图中进行局部边缘区域检测,检测出车辆位置附近的局部边缘区域;步骤S2、判断检测的搜索覆盖率是否超过阈值?是,则同时进行局部边缘区域检测和全局边缘区域检测;否,则进行局部边缘区域检测;步骤S3、整合边缘点集合中的边缘点,输出地图边缘检测结果。本发明通过举办边缘区域检测,确保了地图边缘区域检测的快速性,又通过全局边缘区域检测检测到距离车辆位置较远,或者一些小角落里的边缘区域,保证了边缘检测的全面性。
Description
技术领域
本发明涉及无人车技术领域,尤其涉及一种无人车区域探索的地图边缘检测规划方法及装置。
背景技术
在目前使用的基于边缘区域引导的环境探测策略,通常环境探测策略和同步定位和地图创建技术共同来完成对未知环境创建环境地图的任务,环境探测策略强调建图的精准性和全面性,但对于无人车辆的目标搜索任务而言,对地图边缘的检测在要求快速检测的同时,也要兼顾边缘检测的全面性,目前,对于应用于目标搜索任务中的无人车的地图边缘检测规划方法,还有很多关键技术问题有待完善。
发明内容
鉴于上述的分析,本发明旨在提供一种无人车区域探索的地图边缘检测规划方法及装置,实现在无人车对探索地图边缘快速、全面的检测。
本发明的目的主要是通过以下技术方案实现的:
一种无人车区域探索的地图边缘检测规划方法,包括以下步骤:
步骤S1、在全局环境地图中进行局部边缘区域检测,检测出车辆位置附近的局部边缘点,输出到边缘点集合中;
步骤S2、判断检测的搜索覆盖率是否超过阈值?是,则同时进行局部边缘区域检测和全局边缘区域检测,输出到边缘集合中;否,则仍然进行步骤S1的局部边缘区域检测;
步骤S3、整合边缘点集合中的边缘点,输出地图边缘检测结果。
进一步地,所述局部边缘区域检测包括:
步骤S21、接收全局环境地图;
步骤S22、设置边缘检测的起始节点;
步骤S23、从起始节点开始,按照设定的搜索距离在全局地图中利用RRT算法进行搜索,选取RRT随机树中距离起始节点最近的搜索栅格为中间节点;
步骤S24、从初始节点向中间节点连线,顺序找出连线上的所有栅格;
步骤S25、判断连线上的栅格是否有障碍物区域栅格?有,则放弃此次检测结果;否,则进入步骤S26;
步骤S26、从初始节点开始,判断连线上的栅格是否有未知区域栅格?是,则将连线上的第一个未知区域栅格,作为边缘点添加到边缘点集合中;否,则以中间节点为起始节点返回步骤S23;
步骤S27、清空RRT随机树所有分枝,以车辆的最新位置所在栅格为初始节点,返回步骤S23。
进一步地,所述全局边缘区域检测包括:
步骤S31、接收全局环境地图;
步骤S32、设置边缘检测的起始节点;
步骤S33、从起始节点开始,按照设定的搜索距离在全局地图中利用RRT算法进行搜索,选取RRT随机树中距离起始节点最近的搜索栅格为中间节点;
步骤S34、从初始节点向中间节点连线,顺序找出连线上的所有栅格;
步骤S35、判断连线上的栅格是否有障碍物区域栅格?有,则放弃此次检测结果;否,则进入步骤S36;
步骤S36、从初始节点开始,判断连线上的栅格是否有未知区域栅格?是,则将连线上的第一个未知区域栅格,作为边缘点添加到边缘点集合中;否,则以中间节点为起始节点返回步骤S33;
步骤S37、保留RRT随机树所有分枝后,以车辆的最新位置所在栅格为初始节点,返回步骤S33。
进一步地,所述全局环境地图表现形式为2D占据栅格地图,包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域;
所述已探索区域中的栅格包括两种状态:可通行区域状态和障碍物区域状态;
所述未探索区域中的栅格为未知区域状;
所述边缘区域内栅格为未知区域状。
进一步地,所述搜索覆盖率为已经搜索的地图范围占全局地图的比率,搜索覆盖率阈值由先验经验确定。
进一步地,所述搜索覆盖率阈值为60%~80%中的一个具体值。
一种无人车区域探索的地图边缘检测规划装置,包括,全局环境地图导入模块、局部边缘区域检测模块、全局边缘区域检测模块、搜索覆盖率判断模块和边缘区域存储整合模块;
所述全局环境地图导入模块,连接局部边缘区域检测模块和全局边缘区域检测模块,用于将全局环境地图导入到局部边缘区域检测模块和全局边缘区域检测模块;
所述局部边缘区域检测模块,检测局部边缘区域栅格,输出到全局边缘区域检测模块;
所述全局边缘区域检测模块,检测全局边缘区域栅格,输出到全局边缘区域检测模块;
所述搜索覆盖率判断模块,判断地图的搜索覆盖率是否超过阈值?是,则局部边缘区域检测模块进行局部边缘区域检测的同时,开启全局边缘区域检测模块进行全局边缘区域的检测;否,则不开启全局边缘区域检测模块;
所述边缘区域存储整合模块,接收并存储局部边缘区域检测模块和全局边缘区域检测模块输出的边缘区域栅格,并对边缘栅格进行滤波和聚类处理,输出地图边缘检测结果。
进一步地,所述局部边缘区域检测模块采用权利要求2中所述局部边缘区域检测方法进行边缘区域检测。
进一步地,所述全局边缘区域检测模块采用权利要求3中所述全局边缘区域检测方法进行边缘区域检测。
进一步地,所述全局环境地图表现形式为2D占据栅格地图,包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域;
所述已探索区域中的栅格包括两种状态:可通行区域状态和障碍物区域状态;
所述未探索区域中的栅格为未知区域状;
所述边缘区域内栅格为未知区域状。
本发明有益效果如下:
通过对无人车辆附近的局部边缘区域检测,保证了局部边缘区域检测的快速性;通过全局边缘区域检测,检测到距离车辆位置较远,或者一些小角落里的边缘区域,确保边缘被尽可能被检测到;通过将局部边缘区域检测和全局边缘区域检测进行有机结合,即确保了边缘区域检测的快速性,又保证了边缘检测的全面性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中的地图边缘检测规划方法流程图;
图2为本发明实施例中的局部边缘区域检测方法流程图;
图3为本发明实施例中的全局边缘区域检测方法流程图;
图4为本发明实施例中的检测边缘区域栅格的实际效果图;
图5为本发明实施例中的地图边缘检测规划装置连接示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例,公开了一种无人车区域探索的地图边缘检测规划方法,如图1所示,包括以下步骤:
步骤S1、采用局部边缘区域检测方法在全局环境地图中进行局部边缘区域检测,检测出车辆位置附近的局部边缘点,输出到边缘点集合中;
如图2所示,局部边缘区域检测方法包括:
步骤S21、接收全局环境地图;
其中,全局环境地图表现形式为2D占据栅格地图,包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域;
具体的,已探索区域中的栅格包括两种状态:可通行区域状态(Free)和障碍物区域状态(Occupied);未探索区域中的栅格为未知区域状态(Unknown);边缘区域为已探索区域和未探索区域交界区域,区域内栅格为未知区域状态(Unknown);
栅格地图分辨率根据搜索精度的需要设定,例如,0.2m/cell。
步骤S22、设置地图边缘检测的起始节点;
可选的,将车辆行驶初始位置在全局地图中的栅格设置为起始节点;
步骤S23、从起始节点开始,按照设定的搜索距离在全局地图中利用RRT算法进行搜索,选取RRT随机树中距离起始节点最近的搜索栅格为中间节点;
其中,搜索距离大于等于1个栅格,搜索距离根据搜索速度和搜索精度设定,搜索距离越大,搜索速度越快,同时搜索精度越差;反之,搜索距离越小,搜索速度越慢,同时搜索精度越高。
步骤S24、从起始节点向中间节点连线,顺序找出连线上的所有栅格;
步骤S25、判断连线上的栅格是否有障碍物区域栅格?有,则放弃此次检测结果;否,则进入步骤S26;
步骤S26、从初始节点开始,判断连线上的栅格是否有未知区域栅格?是,则将连线上的第一个未知区域栅格,作为边缘点添加到边缘点集合中;否,则以中间节点为起始节点返回步骤S23;
步骤S27、清空RRT随机树所有分枝,以车辆的最新位置所在栅格为起始节点,返回步骤S23。
通过以上步骤,可以快速的检测出车辆位置附近的局部边缘区域。
步骤S2、判断检测的搜索覆盖率是否超过阈值?是,则同时进行局部边缘区域检测和全局边缘区域检测,将检测结果同时输出到边缘集合中;否,则仍然进行步骤S1的局部边缘区域检测;
搜索覆盖率为已经搜索的地图范围占全局地图的比率,搜索覆盖率阈值可由先验经验确定;
可选的,搜索覆盖率阈值为60%~80%。
其中,如图3所示,全局边缘区域检测方法,与局部边缘区域检测方法基本相同,步骤S31-S36分别与步骤S21-S26相同,区别在,在步骤S37中与步骤S27不同的是,保留RRT随机树所有分枝后,以车辆的最新位置所在栅格为起始节点,返回步骤S23。
由于不清空RRT随机树,RRT随机树一直保持拓展生长,因此能够用来检测整张地图中距离车辆较远位置的边缘区域。从而能够检测到距离车辆位置较远,或者一些小角落里的边缘区域,确保边缘被尽可能被检测到。
步骤S3、整合边缘点集合中的边缘点,输出地图边缘检测结果。
特殊的,整合边缘点的过程包括过滤和聚类处理;
经过过滤后可滤除掉不必要的、重复的边缘区域栅格,使输出的边缘区域栅格数目减少,便于后续的数据利用;
如果滤波后的边缘区域栅格数目依然很大,可以对滤波后边缘区域栅格采用均值漂移聚类方法进行聚类,该聚类方法是一种无参密度估计算法,可以使多个随机中心点向着数据集密度最大的方向移动,最终得到多个最大密度中心;
具体的,将过滤后所有边缘栅格点的2D位置信息输入到开源机器学习框架Scikit-Learn中cluster模块的meanShift函数中,便可以得到均值漂移聚类后的结果。通过对边缘区域栅格点进行聚类,找到地图中与较大未知区域连接的边缘区域,更加方便无人车载判断在地图中下一刻的探索的方向。
图4为本发明实施例检测边缘区域栅格的实际效果图。
一种无人车区域探索的地图边缘检测规划装置,如图5所示,包括,全局环境地图导入模块、局部边缘区域检测模块、全局边缘区域检测模块、搜索覆盖率判断模块和边缘区域存储整合模块。
其中,
全局环境地图导入模块,连接局部边缘区域检测模块和全局边缘区域检测模块,用于将包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域的,表现形式为2D占据栅格地图的全局环境地图,导入局部边缘区域检测模块和全局边缘区域检测模块。
局部边缘区域检测模块,运行上述局部边缘区域检测方法,将检测到的局部边缘区域栅格输出到全局边缘区域检测模块;
全局边缘区域检测模块,运行上述全局边缘区域检测方法,将检测到的全局边缘区域栅格输出到全局边缘区域检测模块;
搜索覆盖率判断模块,连接局部边缘区域检测模块和全局边缘区域检测模块;局部边缘区域检测模块在对地图边缘区域进行检测的过程中,不断判断地图的搜索覆盖率是否超过阈值?是,则局部边缘区域检测模块进行局部边缘区域检测的同时,开启全局边缘区域检测模块进行全局边缘区域的检测;否,则局部边缘区域检测模块进行局部边缘区域检测,不开启全局边缘区域检测模块,不进行全局边缘区域检测。
边缘区域存储整合模块,接收并存储局部边缘区域检测模块和全局边缘区域检测模块输出的边缘区域栅格,并对边缘栅格进行滤波和聚类处理,输出地图边缘检测结果。
综上所述,本实施例公开的无人车区域探测的地图边缘检测规划方法及装置,通过对无人车辆附近的局部边缘区域检测,保证了局部边缘区域检测的快速性;通过全局边缘区域检测,检测到距离车辆位置较远,或者一些小角落里的边缘区域,确保边缘被尽可能被检测到;通过将局部边缘区域检测和全局边缘区域检测进行有机结合,即确保了边缘区域检测的快速性,又保证了边缘检测的全面性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种无人车区域探索的地图边缘检测规划方法,其特征在于,包括以下步骤:
步骤S1、在全局环境地图中进行局部边缘区域检测,检测出车辆位置附近的局部边缘点,输出到边缘点集合中;
步骤S2、判断检测的搜索覆盖率是否超过阈值, 是,则同时进行局部边缘区域检测和全局边缘区域检测,输出到边缘集合中;否,则仍然进行步骤S1的局部边缘区域检测;
所述搜索覆盖率为已经搜索的地图范围占全局地图的比率,搜索覆盖率阈值由先验经验确定;
步骤S3、整合边缘点集合中的边缘点,输出地图边缘检测结果;
所述局部边缘区域检测包括:
步骤S21、接收全局环境地图;
步骤S22、设置边缘检测的起始节点;
步骤S23、从起始节点开始,按照设定的搜索距离在全局地图中利用RRT算法进行搜索,选取RRT随机树中距离起始节点最近的搜索栅格为中间节点;
步骤S24、从初始节点向中间节点连线,顺序找出连线上的所有栅格;
步骤S25、判断连线上的栅格是否有障碍物区域栅格, 有,则放弃此次检测结果;否,则进入步骤S26;
步骤S26、从初始节点开始,判断连线上的栅格是否有未知区域栅格, 是,则将连线上的第一个未知区域栅格,作为边缘点添加到边缘点集合中;否,则以中间节点为起始节点返回步骤S23;
步骤S27、清空RRT随机树所有分枝,以车辆的最新位置所在栅格为初始节点,返回步骤S23;
所述全局边缘区域检测包括:
步骤S31、接收全局环境地图;
步骤S32、设置边缘检测的起始节点;
步骤S33、从起始节点开始,按照设定的搜索距离在全局地图中利用RRT算法进行搜索,选取RRT随机树中距离起始节点最近的搜索栅格为中间节点;
步骤S34、从初始节点向中间节点连线,顺序找出连线上的所有栅格;
步骤S35、判断连线上的栅格是否有障碍物区域栅格, 有,则放弃此次检测结果;否,则进入步骤S36;
步骤S36、从初始节点开始,判断连线上的栅格是否有未知区域栅格, 是,则将连线上的第一个未知区域栅格,作为边缘点添加到边缘点集合中;否,则以中间节点为起始节点返回步骤S33;
步骤S37、保留RRT随机树所有分枝后,以车辆的最新位置所在栅格为初始节点,返回步骤S33。
2.根据权利要求1所述的地图边缘检测规划方法,其特征在于,
所述全局环境地图表现形式为2D占据栅格地图,包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域;
所述已探索区域中的栅格包括两种状态:可通行区域状态和障碍物区域状态;
所述未探索区域中的栅格为未知区域状;
所述边缘区域内栅格为未知区域状。
3.根据权利要求1所述的地图边缘检测规划方法,其特征在于,所述搜索覆盖率阈值为60%~80%中的一个具体值。
4.一种无人车区域探索的地图边缘检测规划装置,其特征在于,包括,全局环境地图导入模块、局部边缘区域检测模块、全局边缘区域检测模块、搜索覆盖率判断模块和边缘区域存储整合模块;
所述全局环境地图导入模块,连接局部边缘区域检测模块和全局边缘区域检测模块,用于将全局环境地图导入到局部边缘区域检测模块和全局边缘区域检测模块;
所述局部边缘区域检测模块,检测局部边缘区域栅格,输出到全局边缘区域检测模块;
所述全局边缘区域检测模块,检测全局边缘区域栅格,输出到全局边缘区域检测模块;
所述搜索覆盖率判断模块,判断地图的搜索覆盖率是否超过阈值, 是,则局部边缘区域检测模块进行局部边缘区域检测的同时,开启全局边缘区域检测模块进行全局边缘区域的检测;否,则不开启全局边缘区域检测模块;
所述搜索覆盖率为已经搜索的地图范围占全局地图的比率,搜索覆盖率阈值由先验经验确定;
所述边缘区域存储整合模块,接收并存储局部边缘区域检测模块和全局边缘区域检测模块输出的边缘区域栅格,并对边缘栅格进行滤波和聚类处理,输出地图边缘检测结果;
所述局部边缘区域检测模块采用权利要求1中所述局部边缘区域检测方法进行边缘区域检测;
所述全局边缘区域检测模块采用权利要求1中所述全局边缘区域检测方法进行边缘区域检测。
5.根据权利要求4所述的地图边缘检测规划装置,其特征在于,所述全局环境地图表现形式为2D占据栅格地图,包括已探索区域、未探索区域以及已探索区域和未探索区域交界的边缘区域;
所述已探索区域中的栅格包括两种状态:可通行区域状态和障碍物区域状态;
所述未探索区域中的栅格为未知区域状;
所述边缘区域内栅格为未知区域状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810828262.5A CN108984781B (zh) | 2018-07-25 | 2018-07-25 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810828262.5A CN108984781B (zh) | 2018-07-25 | 2018-07-25 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984781A CN108984781A (zh) | 2018-12-11 |
CN108984781B true CN108984781B (zh) | 2020-11-10 |
Family
ID=64551319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810828262.5A Active CN108984781B (zh) | 2018-07-25 | 2018-07-25 | 一种无人车区域探索的地图边缘检测规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984781B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702120A (zh) * | 2019-11-06 | 2020-01-17 | 小狗电器互联网科技(北京)股份有限公司 | 地图边界处理方法、系统、机器人和存储介质 |
CN110764513B (zh) * | 2019-11-26 | 2023-04-28 | 小狗电器互联网科技(北京)股份有限公司 | 一种地图盲区识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008566A (zh) * | 2007-01-18 | 2007-08-01 | 上海交通大学 | 基于地面纹理的智能车视觉装置及其全局定位方法 |
CN101739509A (zh) * | 2009-12-25 | 2010-06-16 | 电子科技大学 | 一种大规模虚拟人群路径导航方法 |
CN103530881A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 适用于移动终端的户外增强现实无标志点跟踪注册方法 |
EP3151164A2 (en) * | 2016-12-26 | 2017-04-05 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
CN107292039A (zh) * | 2017-06-27 | 2017-10-24 | 哈尔滨工程大学 | 一种基于小波聚类的uuv巡岸轮廓构建方法 |
-
2018
- 2018-07-25 CN CN201810828262.5A patent/CN108984781B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008566A (zh) * | 2007-01-18 | 2007-08-01 | 上海交通大学 | 基于地面纹理的智能车视觉装置及其全局定位方法 |
CN101739509A (zh) * | 2009-12-25 | 2010-06-16 | 电子科技大学 | 一种大规模虚拟人群路径导航方法 |
CN103530881A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 适用于移动终端的户外增强现实无标志点跟踪注册方法 |
EP3151164A2 (en) * | 2016-12-26 | 2017-04-05 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
CN107292039A (zh) * | 2017-06-27 | 2017-10-24 | 哈尔滨工程大学 | 一种基于小波聚类的uuv巡岸轮廓构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108984781A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11709058B2 (en) | Path planning method and device and mobile device | |
US9207678B2 (en) | Method and apparatus for constructing map for mobile robot | |
US10430659B2 (en) | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device | |
CN105652876A (zh) | 基于数组地图的移动机器人室内路径规划方法 | |
CN107436148A (zh) | 一种基于多地图的机器人导航方法及装置 | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
US9036000B1 (en) | Street-level imagery acquisition and selection | |
CN111461106A (zh) | 基于可重配置网络的对象检测方法及装置 | |
CN108984781B (zh) | 一种无人车区域探索的地图边缘检测规划方法及装置 | |
CN110645998A (zh) | 一种基于激光点云的无动态物体地图分段建立方法 | |
CN104866500A (zh) | 图片分类展示方法和装置 | |
CN109416728A (zh) | 目标检测方法、装置以及计算机系统 | |
CN103268609A (zh) | 一种有序提取地面的点云分割方法 | |
CN104239867A (zh) | 车牌定位方法及系统 | |
CN113805590A (zh) | 一种基于边界驱动的室内机器人自主探索方法及系统 | |
KR101037379B1 (ko) | 거리센서로부터 얻은 주변환경의 거리정보를 바탕으로 한 이동로봇탐사시스템 및 이를 이용한 탐사방법 | |
CN111638526A (zh) | 一种陌生环境下机器人自主建图的方法 | |
KR20210121595A (ko) | 최적 경로 탐색 장치 및 이의 동작 방법 | |
US20230071794A1 (en) | Method and system for building lane-level map by using 3D point cloud map | |
CN108803659B (zh) | 基于魔方模型的多窗口启发式三维空间路径规划方法 | |
CN106600965A (zh) | 基于尖锐度的交通流早晚高峰时段自动识别方法 | |
CN113110455A (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
CN115981305A (zh) | 机器人的路径规划和控制方法、装置及机器人 | |
CN116523970B (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
CN111624653B (zh) | 地震速度自动拾取方法及装置 |
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 |