CN110333714B - 一种无人驾驶汽车路径规划方法和装置 - Google Patents
一种无人驾驶汽车路径规划方法和装置 Download PDFInfo
- Publication number
- CN110333714B CN110333714B CN201910281406.4A CN201910281406A CN110333714B CN 110333714 B CN110333714 B CN 110333714B CN 201910281406 A CN201910281406 A CN 201910281406A CN 110333714 B CN110333714 B CN 110333714B
- Authority
- CN
- China
- Prior art keywords
- path
- information
- unmanned
- planning
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000003016 pheromone Substances 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000037361 pathway Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 241000257303 Hymenoptera Species 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 239000005712 elicitor Substances 0.000 claims 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Abstract
本发明公开了一种无人驾驶汽车路径规划方法和装置，该方法包括以下步骤：S1、定位当前车辆：根据差分GPS/INS系统获取当前无人驾驶汽车所在位置作为起始点，然后选择目标点，加载全局地图的数据，并读取本车状态信息；S2、全局路径规划：根据起始点和目标点的坐标信息，建立全局栅格地图，采用改进的人工势场‑蚁群算法规划出全局路径，生成期望路径；S3、汽车行驶并且分析当前道路状况，根据获得的传感器信息进行分析和判断是否需要进行局部路径规划S4、局部路径规划策略：S5、将生成的路径信息发送至车辆控制层。本发明提高了程序运行效率，并且汽车在复杂多变的环境中能够高效且合理地规划出安全的路径，保证了路径规划全局最优性和局部实时性。
Description
技术领域
本发明涉及无人驾驶汽车技术领域，尤其涉及一种无人驾驶汽车路径规划 方法和装置。
背景技术
无人驾驶汽车的路径规划是在有障碍物存在的情况下，根据一定的原则 (如路径最短，消耗能量最少，时间最短)对路径进行规划。无人驾驶技术主 要包括环境信息的感知、驾驶行为的决策、无碰撞的路径规划以及汽车的运动 控制四个部分。路径规划模块是无人驾驶技术中十分重要的组成部分，在环境 感知和运动控制中起着承上启下的作用。
无人驾驶汽车的路径规划可以分为全局路径规划和局部路径规划。全局路 径规划是在全部障碍物信息已知的情况下的一种路径规划，属于静态路径规 划。但是在实际的运用中，障碍物信息多种多样，此时，全局路径规划已经不 适用，这就需要用基于传感器信息的局部路径规划进行辅助。同时，为了汽车 能够按照规划好的路径进行跟随，需要采用路径跟踪控制器对整车进行控制， 让汽车按照预定的轨迹行走。
人工势场法、模糊逻辑法和禁忌搜索算法；二是图形学的方法，包括可视 图空间法、自由空间法、栅格法和voronoi图；三是智能仿生学算法，包括蚁 群算法、神经网络算法、遗传算法和粒子群算法；四是其它算法，包括A*算 法、Dijkstra算法、fallback算法和Floyd算法。道路环境日益复杂多变，传统 的单个路径规划算法已经不能很好地满足要求，新的发展将趋向以下几个方 面：一是在原路径规划算法的基础上进行改进，难度虽然较小但是效果有限； 二是传统路径规划算法和新的智能算法结合，例如人工势场法和蚁群算法的结 合；三是多传感器信息融合用于局部路径规划，无人驾驶汽车进行路径规划所 需的信息都是从传感器获得，单一传感器难以保证输入信息的准确性和可靠 性，多传感器所获得的信息具有冗余性和互补性。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种无人驾驶 汽车路径规划方法和装置。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种无人驾驶汽车路径规划装置，该装置包括：
信息采集模块，包括激光雷达、超声波雷达、毫米波雷达、差分GPS/INS 和摄像机，该模块用于采集汽车的实际行驶信息、期望路径信息以及障碍物信 息；根据信息采集模块采集各种信息，确定障碍物在当前时刻的有效位置；
全局路径规划模块，根据信息采集模块采集到的障碍物信息，提取障碍物 的起始点坐标和目标点坐标，加载包含起始点和目标点的全局地图，全局地图 中包含已知障碍物的位置信息和大小信息，建立全局栅格地图，在全局栅格地 图中采用改进的人工势场-蚁群算法进行全局路径规划，获得期望路径，将期 望路径发送至车辆控制层；
局部路径规划模块，无人驾驶汽车根据信息采集模块实时采集无人驾驶汽 车周围的环境信息，根据环境信息判断是否需要进行局部路径规划，若需要， 采用改进D*算法进行局部路径规划，并将局部路径规划信息发送至车辆控制 层；
路径平滑模块，通过删除冗余点和三次B样条曲线将全局路径规划模块 和局部路径规划模块生成的路径进行平滑，保证车辆能够顺利的按照规划的路 径行驶。
本发明提供一种无人驾驶汽车路径规划方法，该方法包括以下步骤：
S1、定位当前车辆：根据差分GPS/INS系统获取当前无人驾驶汽车所在 位置作为起始点，然后选择目标点，加载全局地图的数据，并读取本车状态信 息；
S2、全局路径规划：根据起始点和目标点的坐标信息，建立全局栅格地 图，采用改进的人工势场-蚁群算法规划出全局路径，生成期望路径，并发送 给车辆控制层；
S3、车俩沿着规划好的期望路径行驶；汽车根据各类传感器获得当前的 道路信息，包括障碍物信息、车道线信息、交通信号信息和行人信息；根据获 得的传感器信息进行分析和判断是否需要进行局部路径规划，如果需要，则转 到步骤S4；否则，转到步骤S5；
S4、局部路径规划策略：
第一策略：通过各类传感器获得无人驾驶汽车与前后汽车或者障碍物的距 离信息，速度信息以及加速度信息，根据交通法规以及路况信息判断能否进行 换道，如果条件允许换道，则进行第二策略，否则进入第三策略；
第二策略：根据无人驾驶汽车以及障碍物的信息，进行局部路径规划，避 开前方障碍物，然后重新回到期望路径继续行驶；
第三策略：控制车速，跟随前车，继续沿着期望路径行驶；
S5、将生成的期望路径发送至车辆控制层，无人驾驶汽车沿着期望路径 行驶；若生成局部路径，则将路径信息进行更新，将更新后的路径信息发送至 车辆控制层；若未生成局部路径，则将继续沿着期望路径行驶。
进一步地，本发明的步骤S1中的起始点坐标信息由差分GPS/INS系统获 得，使用差分GPS/INS系统持续修正惯导中的坐标；步骤S1中的障碍物信息 为静态障碍物，静态障碍物在当前时刻的有效位置为静态障碍物的当前位置， 对静态障碍物设置膨胀系数。
进一步地，本发明的步骤S2中的全局路径规划过程如下：
S201、采用激光雷达、超声波雷达、毫米波雷达、差分GPS/INS和摄像 机，采集到期望路径周围的各种障碍物的相关信息；
S202、对地图中的静态障碍物设置膨胀距离，即障碍物边缘向外延伸一 部分距离，同时，为汽车设置安全距离；将地图进行栅格划分建立全局栅格地 图；
S203、获得障碍物信息之后，采用改进的人工势场-蚁群算法进行全局路 径规划，获得路径离散点；
S204、将获得的路径离散点进行删除冗余节点和删除冗余转折点的操作， 并将删除点后的路径使用三次B样条曲线进行平滑处理，使路径最短，且满 足转折次数少和路径平滑的条件。
进一步地，本发明的步骤S3中对各类传感器获得当前的道路信息进行分 析的方法为：根据自身所带的传感器检测障碍物信息，包括交通信号信息、交 通标志信息和车道线信息；通过传感器信息判断前方障碍物是否影响无人驾驶 汽车的期望路径，或者是否影响无人驾驶汽车的安全行驶，若影响，则进入步 骤S4，否则进入步骤S5。
进一步地，本发明的步骤S4中进行局部路径规划的方法为：
步骤S401、以无人驾驶汽车为中心区域，将车前后左右划分为9个区域， 编号从左到右，从上到下依次为A1、A2…A9；无人驾驶汽车所处区域编号为 A0，而车身可能处于的区域有A4、A5和A6，所以A0∈{A4，A5，A6}，障碍 物可能处于除A0区域外的任何区域；
步骤S402、使用改进的D*算法进行局部路径规划，在传感器有限的观察 范围内进行不完全规划，使规划的局部路径和期望路径平顺接合，避开障碍物 后能够按照期望路径继续行驶，实现全局最优和局部避障；
步骤S403、对生成的路径进行平滑处理。
进一步地，本发明的步骤S5中将路径信息发送给车辆控制层的方法具体 为：
步骤S501、将生成的期望路径发送至车辆控制层，无人驾驶汽车按照期 望路径行驶；
步骤S502、判断步骤S4中是否生成局部路径，若生成局部路径，则更新 路径信息，将生成的局部路径作为最新的路径信息发送至车辆控制层，无人驾 驶汽车按照局部路径行驶以躲避障碍物；若未生成局部路径，则无人驾驶汽车 按照期望路径行驶。
本发明产生的有益效果是：本发明的无人驾驶汽车路径规划方法和装置， 在满足无人驾驶安全性的条件下，提高了程序运行效率，并且汽车在复杂多变 的环境中能够高效且合理地规划出安全的路径，保证了路径规划全局最优性和 局部实时性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明整体框架示意图；
图2为改进人工势场-蚁群算法的工作流程示意图；
图3为换道前环境信息示意图；
图4为变道流程示意图；
图5为改进D*算法的工作流程示意图；
图6为路径信息更新示意图。
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，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的无人驾驶汽车路径规划方法包含以下步骤：
步骤1、定位，具体实施步骤如下：
步骤S101、加载全局地图：
根据起始点和目标点加载一张包含起始点和目标点的全局地图，地图中包 含所有已知的静止障碍物(如建筑，交通信号灯，路缘等)，这些障碍物均用 多边形表示，多边形的大小略微大于地图中障碍物的实际大小，全局地图包括 的路径点坐标为(xi，yi)，i∈N；
步骤S102：读取本车状态信息：
根据差分GPS/INS系统定位当前所处经纬度；确定起始点和目标点，起 始点为当前汽车质心所在的点(xc，yc)，目标点为(xg，yg)；根据无人驾驶 汽车自带的速度传感器，加速度传感器获得汽车状态信息，速度vc，加速度 ac；朝向θc。朝向变化率θc’。
步骤S2、全局路径规划，具体实施步骤如下：
步骤S201、障碍物处理：
障碍物信息通过信息采集模块获得，障碍物检测可以采用激光雷达，超声 波雷达，毫米波雷达，差分GPS/INS系统和摄像机等等；使用激光雷达检测 周围物体的三维信息，包括长、宽和高，精确判断障碍物所在位置；使用摄像 头进行图像识别和立体匹配，对周围环境信息进行检测；通过信息采集模块， 能够采集到期望路径周围的诸多障碍物的相关信息。障碍物信息具体包括：位 置坐标点、宽度、速度、加速度，对期望路径的车道有干涉的障碍物视为有效 障碍物，属于需要避开的障碍物。对期望路径的车道没有干涉并且无人驾驶汽 车与障碍物之间相互不影响安全时，该障碍物视为无效障碍物。
步骤S202、建立全局栅格地图，对全局地图中的静态障碍物设置膨胀距 离，即障碍物边缘向外延伸一部分距离。同时，为了保证汽车的行驶安全，汽 车设置安全距离，建立全局栅格地图；
步骤S203、期望路径规划：
障碍物定位和膨胀系数设置完成之后，根据起始点、目标点、障碍物信息 以及汽车状态信息，采用改进的人工势场-蚁群算法进行全局路径规划，生成 期望路径。期望路径信息由多个路径点组成，每个路径点都具有对应的坐标值 和航向角，通过摄像头识别车道线或者差分GPS/INS设备给出的期望路径信 息。本发明中提及的各点的坐标值都可以视为在汽车坐标系的坐标值，汽车坐 标系可以采用已知的方法确定。改进的人工势场-蚁群算法如图2所示，过程 如下：
①基于栅格法对无人驾驶汽车移动的二维空间进行环境建模，根据无人驾 驶汽车的起始位置和目标位置设置无人驾驶汽车的起始栅格、目标栅格和障碍 物栅格。
②初始化基于蚁群算法改进的势场蚁群算法的相关参数，其中包括人工势 场的引力场常量Katt、斥力场常量Krep、障碍物斥力的作用范围d0；蚁群算 法中蚂蚁数量m、迭代次数Nmax、启发因子α、β、信息素浓度Q以及信息 素浓度挥发系数ρ等；
③将m只蚂蚁放置于起始位置；
④蚂蚁在综合启发信息公式(1)的作用下，根据转移概率规则公式(2) 选择下一步到达位置，并且将这个位置存储在禁忌表中；
综合启发信息公式：
式中，式中，ηF(t)是由无人驾驶汽车受到的人工势场中势场合力构造而 成的势场力启发信息，其值为
ηd(t)表示无人驾驶汽车当前位置与目标 位置G的距离构造的启发信息，其值为
χ是势场力启发信息影响系 数，主要用来加强或降低人工势场力启发信息在路径规划过程中的影响作用， 其值为
α为大于1的常数，Ftot表示无人驾驶汽车受到的势场合力， θ表示势场合力Ftot与无人驾驶汽车可行路径方向的夹角；
表示无人驾 驶汽车当前位置与目标位置G的距离构造的启发信息；Nmax为最大迭代次数， Nm为当前迭代次数。
假设第k只蚂蚁在第t步从位置Pt(x，y)＝u转移到下一位置Pt+1(x， y)＝v，转移概率规则公式：
τuv(t)表示路径(u，v)上的信息素浓度，ηuv(t)表示在路径(u，v)上的 能见度启发信息变量，能够反映由位置Pt(x，y)＝u转移到位置Pt+1(x，y) ＝v的启发程度；α是信息度浓度启发因子；β是能见度启发因子；
⑤判断每只蚂蚁是否到达目标位置，若到达，计算每只蚂蚁搜索路径长度， 找出当前搜索的最优路径，否则返回④；
⑥假设蚂蚁k在搜索路径过程中，经过ξ个时间段后完成一个循环，按照 公式(3)和(4)对每条路径上的信息素浓度进行更新；
τuv(t+ξ)＝(1-ρ)·τuv(t)+Δτuv (3)
ρ表示信息素浓度挥发系数，通常其值范围为(0,1)；Δτuv表示在本次循环 中路径(u，v)上信息素浓度的增量；
表示第k只蚂蚁在本次循环时在路 径(u，v)上的信息素浓度，其值根据蚂蚁表现的优劣程度而定。蚂蚁经过的 路径越短，整体残留的信息素浓度越大；
⑦判断是否到达最大迭代次数Nmax，若达到则算法终止，输出各条搜索 路径长度，找出最优路径，否则返回③；
步骤S204、路径平滑
利用路径平滑模块将生成的路径进行平滑处理，步骤如下：
①删除冗余离散点：生成的最优路径为一系列离散点的集合 {p1,p2,p3,…,pn-1,pn}，若连线pi-1pi和pipi+1在同一直线上，则删除pi，形成新的 离散点集合。
②删除冗余转折点：连接转折点前后两点，判断两点之间连线是否经过障 碍物，若经过障碍物，则保留该转折点；若不经过障碍物，则删除该转折点。
③三次B样条曲线平滑：经过①②处理过后的离散点数量少且转折次数 少，采用三次B样条曲线对路径进行平滑，保证路径转折次数少且光滑。
步骤S3、汽车行驶并且分析当前道路状况，具体实施步骤如下：
步骤S301、汽车行驶
无人驾驶汽车采用跟随策略使汽车沿着期望路径以速度vc前进；
步骤S302、分析当前道路状况：
根据自身所带的传感器检测障碍物信息，交通信号信息，交通标志信息和 车道线信息。检测出的障碍物使用矩形表示，其中包括了障碍物的长宽，速度 信息，加速的信息以及朝向信息；交通信号信息包括交通信号灯的变化，是否 处于红灯状态；交通标志信息包括限速、限高、是否靠近人行横道；车道线信 息包括同向有几条车道，目前所处车道位置；通过传感器信息判断前方障碍物 是否影响无人驾驶汽车的期望路径，或者是否影响无人驾驶汽车的安全行驶， 若影响，则进入步骤S4，否则进入步骤S5；
步骤S4、换道分析和局部路径规划，其步骤如下：
步骤S401、变道条件判断：
如图3所示，要使无人驾驶汽车顺利地、安全地避开障碍物，需要判断变 道条件是否允许。以无人驾驶汽车为中心区域，将车前后左右划分为9个区域， 编号从左到右，从上到下依次为A1、A2…A9。无人驾驶汽车所处区域编号为 A0，而车身可能处于的区域有A4、A5和A6，所以A0，障碍物可能处于除 A0区域外的任何区域；
变道流程如图4所示，无人驾驶汽车处于A5位置，其过程如下：
①从速度和加速度传感器获得A2区域中距离无人驾驶汽车最近的汽车信 息，速度记为V2，加速度记为a2。若V2大于Vc，或者仿真两秒后的速度 V2+2xa2大于Vc，则认为当前车道可以正常行驶，保持当前期望路径；
②若①中判断结果为否，则判断A4区域是否被占据，若是，选择跟随， 保持当前期望路径；
③若②中判断结果为否，则判断A1区域是否被占据，若是，满足V1小 于Vc且V1+2xa1小于Vc，则选择跟随，保持当前期望路径；
④若区域A1没有被占据，或者满足条件V1大于VC或V1+2xa1大于Vc， 则判断A7区域是否被占据；
⑤若④中A7区域没有被占据，则选择代价最小的候选路径；
⑥若④中A7区域被占据，则判断V7x2+2xa7是否大于dis+2xV7(dis为 A7区域车头到无人驾驶汽车尾部的纵向距离，2为仿真时间)，若是，则选择 跟随，保持当前期望路径，否则，选择向左换道。
步骤S402、局部路径规划：
障碍物影响了无人驾驶汽车的期望路径或者影响了无人驾驶汽车的安全 行驶，使用改进的D*算法进行局部路径规划，根据无人驾驶汽车实时检测到 的局部环境信息，通过在线实时规划路径，进行局部路径规划，实现局部避障。 改进D*算法如图5所示，其过程如下：
①初始化，将所有状态的t()值设为NEW；令目标状态G的h(G)＝0；将 目标状态G放入OPEN表中；
②初始化后，重复调用“PROCESS-STATE”函数，直到无人驾驶汽车所 在状态X被移出OPEN表(即：t(X)＝CLOSED)，或者返回“-1”，这时表示 在这点状态X的路径序列已经计算得到或并不存在。
③然后无人驾驶汽车跟随路径序列的回指指针行进，直到到达目标状态， 或者发现一个弧代价函数变动，或者说实际环境的弧代价和原有的环境中的弧 代价不同。如机器人上的探测器探测出一个障碍物存在于原来不是障碍物的状 态
④接着立即调用“MODIFY-COST”函数来更正弧代价函数的错误，并把 受到影响的状态放入OPEN表中。
⑤调用“PROCESS-STATE”直到一条可能的新路径序列被构建出来，并 且无人驾驶汽车继续沿着这个路径序列的回指指针向目标状态移动。
步骤S403、路径平滑：
局部路径平滑步骤S403与步骤S204相同。
步骤S5、将可用路径信息发送至车辆控制层，其具体实施如图6所示， 步骤如下：
步骤S501、将生成的期望路径发送至车辆控制层，无人驾驶汽车按照期 望路径行驶；
步骤S502、判断步骤S4中是否生成局部路径，若生成局部路径，则更新 路径信息，将生成的局部路径作为最新的路径信息发送至车辆控制层，无人驾 驶汽车按照局部路径行驶以躲避障碍物，规划好的局部路径和期望路径平顺接 合；若未生成局部路径，则无人驾驶汽车按照期望路径行驶。
本发明还提供了一种无人驾驶汽车路径规划装置，该装置包括：
信息采集模块，激光雷达，超声波雷达，毫米波雷达，差分GPS/INS和 摄像机，其用于采集汽车的实际行驶信息、期望路径信息以及障碍物信息；根 据信息采集模块采集各种信息，确定障碍物在当前时刻的有效位置；
全局路径规划模块，根据信息采集模块采集到的障碍物信息，起始点坐标 和目标点坐标，加载包含起始点和目标点的全局地图，全局地图中包含已知障 碍物的位置信息和大小信息，建立全局栅格地图，在全局栅格地图中采用改进 的人工势场-蚁群算法进行全局路径规划，获得期望路径，将期望路径发送至 车辆控制层；
局部路径规划模块，无人驾驶汽车根据信息采集模块实时采集无人驾驶汽 车周围的环境信息，根据环境信息判断是否需要进行局部路径，若需要，采用 改进D*算法进行局部路径规划，并将局部路径规划信息发送至车辆控制层。
路径平滑模块，根据全局路径规划模块和局部路径规划模块规划出的全局 路径和局部路径是一系列的离散点，通过三点是否在一条线上判断是否删除中 间点，若在一条直线上，则删除中间点，否则保留中间点；将转折点前后的点 连接成直线，分析该直线是否经过障碍物判断是否删除该转折点，若经过障碍 物，则保留该转折点，否则保留该转折点；将经过删除冗余点的路径用三次B 样条曲线进行优化，实现路径平滑。该模块的目的是尽可能缩短路径，减少转 折并且保证路径的平滑性。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进 或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种无人驾驶汽车路径规划装置，其特征在于，该装置包括：
信息采集模块，包括激光雷达、超声波雷达、毫米波雷达、差分GPS/INS和摄像机，该模块用于采集汽车的实际行驶信息、期望路径信息以及障碍物信息；根据信息采集模块采集各种信息，确定障碍物在当前时刻的有效位置；
全局路径规划模块，根据信息采集模块采集到的障碍物信息，提取障碍物的起始点坐标和目标点坐标，加载包含起始点和目标点的全局地图，全局地图中包含已知障碍物的位置信息和大小信息，建立全局栅格地图，在全局栅格地图中采用改进的人工势场-蚁群算法进行全局路径规划，获得期望路径，将期望路径发送至车辆控制层；
改进的人工势场-蚁群算法，过程如下：
①基于栅格法对无人驾驶汽车移动的二维空间进行环境建模，根据无人驾驶汽车的起始位置和目标位置设置无人驾驶汽车的起始栅格、目标栅格和障碍物栅格；
②初始化基于蚁群算法改进的势场蚁群算法的相关参数，其中包括人工势场的引力场常量Katt、斥力场常量Krep、障碍物斥力的作用范围d0；蚁群算法中蚂蚁数量m、迭代次数Nmax、启发因子α、β、信息素浓度Q以及信息素浓度挥发系数ρ；
③将m只蚂蚁放置于起始位置；
④蚂蚁在综合启发信息公式(1)的作用下，根据转移概率规则公式(2)选择下一步到达位置，并且将这个位置存储在禁忌表中；
综合启发信息公式：
式中，ηF(t)是由无人驾驶汽车受到的人工势场中势场合力构造而成的势场力启发信息，其值为
ηd(t)表示无人驾驶汽车当前位置与目标位置G的距离构造的启发信息，其值为
χ是势场力启发信息影响系数，用来加强或降低人工势场力启发信息在路径规划过程中的影响作用，其值为
α为大于1的常数，Ftot表示无人驾驶汽车受到的势场合力，θ表示势场合力Ftot与无人驾驶汽车可行路径方向的夹角；
表示无人驾驶汽车当前位置与目标位置G的距离构造的启发信息；Nmax为最大迭代次数，Nm为当前迭代次数；
假设第k只蚂蚁在第t步从位置Pt(x，y)＝u转移到下一位置Pt+1(x，y)＝v，转移概率规则公式：
τuv(t)表示路径(u，v)上的信息素浓度，ηuv(t)表示在路径(u，v)上的能见度启发信息变量，能够反映由位置Pt(x，y)＝u转移到位置Pt+1(x，y)＝v的启发程度；α是信息度浓度启发因子；β是能见度启发因子；
⑤判断每只蚂蚁是否到达目标位置，若到达，计算每只蚂蚁搜索路径长度，找出当前搜索的最优路径，否则返回④；
⑥假设蚂蚁k在搜索路径过程中，经过ξ个时间段后完成一个循环，按照公式(3)和(4)对每条路径上的信息素浓度进行更新；
τuv(t+ξ)＝(1-ρ)·τuv(t)+Δτuv (3)
ρ表示信息素浓度挥发系数，通常其值范围为(0,1)；Δτuv表示在本次循环中路径(u，v)上信息素浓度的增量；
表示第k只蚂蚁在本次循环时在路径(u，v)上的信息素浓度，其值根据蚂蚁表现的优劣程度而定；蚂蚁经过的路径越短，整体残留的信息素浓度越大；
⑦判断是否到达最大迭代次数Nmax，若达到则算法终止，输出各条搜索路径长度，找出最优路径，否则返回③；
局部路径规划模块，无人驾驶汽车根据信息采集模块实时采集无人驾驶汽车周围的环境信息，根据环境信息判断是否需要进行局部路径规划，若需要，采用改进D*算法进行局部路径规划，并将局部路径规划信息发送至车辆控制层；
路径平滑模块，通过删除冗余点和三次B样条曲线将全局路径规划模块和局部路径规划模块生成的路径进行平滑，保证车辆能够顺利的按照规划的路径行驶。
2.一种采用权利要求1所述的无人驾驶汽车路径规划装置的无人驾驶汽车路径规划方法，其特征在于，该方法包括以下步骤：
S1、定位当前车辆：根据差分GPS/INS系统获取当前无人驾驶汽车所在位置作为起始点，然后选择目标点，加载全局地图的数据，并读取本车状态信息；
S2、全局路径规划：根据起始点和目标点的坐标信息，建立全局栅格地图，采用改进的人工势场-蚁群算法规划出全局路径，生成期望路径，并发送给车辆控制层；
改进的人工势场-蚁群算法，过程如下：
①基于栅格法对无人驾驶汽车移动的二维空间进行环境建模，根据无人驾驶汽车的起始位置和目标位置设置无人驾驶汽车的起始栅格、目标栅格和障碍物栅格；
②初始化基于蚁群算法改进的势场蚁群算法的相关参数，其中包括人工势场的引力场常量Katt、斥力场常量Krep、障碍物斥力的作用范围d0；蚁群算法中蚂蚁数量m、迭代次数Nmax、启发因子α、β、信息素浓度Q以及信息素浓度挥发系数ρ；
③将m只蚂蚁放置于起始位置；
④蚂蚁在综合启发信息公式(1)的作用下，根据转移概率规则公式(2)选择下一步到达位置，并且将这个位置存储在禁忌表中；
综合启发信息公式：
式中，ηF(t)是由无人驾驶汽车受到的人工势场中势场合力构造而成的势场力启发信息，其值为
ηd(t)表示无人驾驶汽车当前位置与目标位置G的距离构造的启发信息，其值为
χ是势场力启发信息影响系数，用来加强或降低人工势场力启发信息在路径规划过程中的影响作用，其值为
α为大于1的常数，Ftot表示无人驾驶汽车受到的势场合力，θ表示势场合力Ftot与无人驾驶汽车可行路径方向的夹角；
表示无人驾驶汽车当前位置与目标位置G的距离构造的启发信息；Nmax为最大迭代次数，Nm为当前迭代次数；
假设第k只蚂蚁在第t步从位置Pt(x，y)＝u转移到下一位置Pt+1(x，y)＝v，转移概率规则公式：
τuv(t)表示路径(u，v)上的信息素浓度，ηuv(t)表示在路径(u，v)上的能见度启发信息变量，能够反映由位置Pt(x，y)＝u转移到位置Pt+1(x，y)＝v的启发程度；α是信息度浓度启发因子；β是能见度启发因子；
⑤判断每只蚂蚁是否到达目标位置，若到达，计算每只蚂蚁搜索路径长度，找出当前搜索的最优路径，否则返回④；
⑥假设蚂蚁k在搜索路径过程中，经过ξ个时间段后完成一个循环，按照公式(3)和(4)对每条路径上的信息素浓度进行更新；
τuv(t+ξ)＝(1-ρ)·τuv(t)+Δτuv (3)
ρ表示信息素浓度挥发系数，通常其值范围为(0,1)；Δτuv表示在本次循环中路径(u，v)上信息素浓度的增量；
表示第k只蚂蚁在本次循环时在路径(u，v)上的信息素浓度，其值根据蚂蚁表现的优劣程度而定；蚂蚁经过的路径越短，整体残留的信息素浓度越大；
⑦判断是否到达最大迭代次数Nmax，若达到则算法终止，输出各条搜索路径长度，找出最优路径，否则返回③；
S3、车俩沿着规划好的期望路径行驶；汽车根据各类传感器获得当前的道路信息，包括障碍物信息、车道线信息、交通信号信息和行人信息；根据获得的传感器信息进行分析和判断是否需要进行局部路径规划，如果需要，则转到步骤S4；否则，转到步骤S5；
S4、局部路径规划策略：
第一策略：通过各类传感器获得无人驾驶汽车与前后汽车或者障碍物的距离信息，速度信息以及加速度信息，根据交通法规以及路况信息判断能否进行换道，如果条件允许换道，则进行第二策略，否则进入第三策略；
第二策略：根据无人驾驶汽车以及障碍物的信息，进行局部路径规划，避开前方障碍物，然后重新回到期望路径继续行驶；
第三策略：控制车速，跟随前车，继续沿着期望路径行驶；
S5、将生成的期望路径发送至车辆控制层，无人驾驶汽车沿着期望路径行驶；若生成局部路径，则将路径信息进行更新，将更新后的路径信息发送至车辆控制层；若未生成局部路径，则将继续沿着期望路径行驶。
3.根据权利要求2所述的无人驾驶汽车路径规划方法，其特征在于，步骤S1中的起始点坐标信息由差分GPS/INS系统获得，使用差分GPS/INS系统持续修正惯导中的坐标；步骤S1中的障碍物信息为静态障碍物，静态障碍物在当前时刻的有效位置为静态障碍物的当前位置，对静态障碍物设置膨胀系数。
4.根据权利要求2所述的无人驾驶汽车路径规划方法，其特征在于，步骤S2中的全局路径规划过程如下：
S201、采用激光雷达、超声波雷达、毫米波雷达、差分GPS/INS和摄像机，采集到期望路径周围的各种障碍物的相关信息；
S202、对地图中的静态障碍物设置膨胀距离，即障碍物边缘向外延伸一部分距离，同时，为汽车设置安全距离；将地图进行栅格划分建立全局栅格地图；
S203、获得障碍物信息之后，采用改进的人工势场-蚁群算法进行全局路径规划，获得路径离散点；
S204、将获得的路径离散点进行删除冗余节点和转折点的操作，并将删除点后的路径使用三次B样条曲线进行平滑处理，使路径最短，且满足转折次数少和路径平滑的条件。
5.根据权利要求2所述的无人驾驶汽车路径规划方法，其特征在于，步骤S3中对各类传感器获得当前的道路信息进行分析的方法为：根据自身所带的传感器检测障碍物信息，包括交通信号信息、交通标志信息和车道线信息；通过传感器信息判断前方障碍物是否影响无人驾驶汽车的期望路径，或者是否影响无人驾驶汽车的安全行驶，若影响，则进入步骤S4，否则进入步骤S5。
6.根据权利要求2所述的无人驾驶汽车路径规划方法，其特征在于，步骤S4中进行局部路径规划的方法为：
步骤S401、以无人驾驶汽车为中心区域，将车前后左右划分为9个区域，编号从左到右，从上到下依次为A1、A2…A9；无人驾驶汽车所处区域编号为A0，而车身可能处于的区域有A4、A5和A6，所以A0∈{A4，A5，A6}，障碍物可能处于除A0区域外的任何区域；
步骤S402、使用改进的D*算法进行局部路径规划，在传感器有限的观察范围内进行不完全规划，使规划的局部路径和期望路径平顺接合，避开障碍物后能够按照期望路径继续行驶，实现全局最优和局部避障；
步骤S403、对生成的路径进行平滑处理。
7.根据权利要求2所述的无人驾驶汽车路径规划方法，其特征在于，步骤S5中将路径信息发送给车辆控制层的方法具体为：
步骤S501、将生成的期望路径发送至车辆控制层，无人驾驶汽车按照期望路径行驶；
步骤S502、判断步骤S4中是否生成局部路径，若生成局部路径，则更新路径信息，将生成的局部路径作为最新的路径信息发送至车辆控制层，无人驾驶汽车按照局部路径行驶以躲避障碍物；若未生成局部路径，则无人驾驶汽车按照期望路径行驶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910281406.4A CN110333714B (zh) | 2019-04-09 | 2019-04-09 | 一种无人驾驶汽车路径规划方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910281406.4A CN110333714B (zh) | 2019-04-09 | 2019-04-09 | 一种无人驾驶汽车路径规划方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110333714A CN110333714A (zh) | 2019-10-15 |
| CN110333714B true CN110333714B (zh) | 2022-06-10 |
Family
ID=68140156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910281406.4A Active CN110333714B (zh) | 2019-04-09 | 2019-04-09 | 一种无人驾驶汽车路径规划方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110333714B (zh) |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110928295B (zh) * | 2019-10-16 | 2022-08-23 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
| CN112783144B (zh) * | 2019-10-22 | 2023-09-29 | 舜宇光学（浙江）研究院有限公司 | 路径生成方法和路径规划方法及其系统和设备 |
| CN110703767A (zh) * | 2019-11-08 | 2020-01-17 | 江苏理工学院 | 一种基于改进智能水滴算法的无人车避障路径规划方法 |
| CN110941267B (zh) * | 2019-11-18 | 2021-05-25 | 电子科技大学 | 蚁群算法用于拥堵环境下的动态路径规划方法 |
| CN111443704B (zh) * | 2019-12-19 | 2021-07-06 | 苏州智加科技有限公司 | 用于自动驾驶系统的障碍物定位方法及装置 |
| CN111824646B (zh) * | 2020-06-16 | 2022-06-21 | 浙江天尚元科技有限公司 | 一种医疗废物智能运输车及运输方法 |
| CN111752275A (zh) * | 2020-06-19 | 2020-10-09 | 五邑大学 | 一种用于机器人的自动巡航方法、装置和存储介质 |
| CN113917912A (zh) * | 2020-07-08 | 2022-01-11 | 珠海格力电器股份有限公司 | 一种全局路径规划方法、装置、终端及可读存储介质 |
| CN112015176B (zh) * | 2020-08-14 | 2022-09-27 | 合肥工业大学 | 一种无人驾驶拖拉机田间作业路径规划方法和装置 |
| CN112015179A (zh) * | 2020-08-21 | 2020-12-01 | 苏州三六零机器人科技有限公司 | 清扫设备的运行轨迹规划方法、装置、系统及存储介质 |
| CN111998867B (zh) * | 2020-08-26 | 2022-07-29 | 上海汽车集团股份有限公司 | 一种车辆路径规划方法及装置 |
| CN112052547B (zh) * | 2020-09-04 | 2021-07-23 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
| CN111880550B (zh) * | 2020-09-17 | 2023-10-10 | 广东铁甲软件系统有限公司 | 一种agv小车的平滑路径规划方法 |
| CN112487016B (zh) * | 2020-11-30 | 2023-10-03 | 上海汽车集团股份有限公司 | 一种无人驾驶车辆局部路径规划方法及装置 |
| CN112612267B (zh) * | 2020-12-08 | 2022-12-06 | 苏州挚途科技有限公司 | 自动驾驶的路径规划方法和装置 |
| CN112762950B (zh) * | 2020-12-15 | 2022-11-11 | 浙江大学 | 基于人工势场引导的Hybrid A*自主泊车路径规划方法 |
| CN112904820B (zh) * | 2021-01-22 | 2022-04-29 | 上海伯镭智能科技有限公司 | 无人驾驶工程车辆矿区流量调配方法及装置 |
| CN112945163B (zh) * | 2021-01-26 | 2022-11-15 | 浙江双友物流器械股份有限公司 | 一种基于蚁群算法的货物位置偏移检测方法 |
| CN112987745A (zh) * | 2021-03-04 | 2021-06-18 | 苏州车泊特智能科技有限公司 | 一种基于rtk技术的快速存取车系统 |
| CN113110431A (zh) * | 2021-04-03 | 2021-07-13 | 南京理工大学 | 无人靶车野外试验路径实时规划方法 |
| CN113219994A (zh) * | 2021-06-04 | 2021-08-06 | 吉林大学 | 一种包含交通信号灯的栅格地图最优路径规划方法 |
| CN113627648A (zh) * | 2021-07-08 | 2021-11-09 | 中汽创智科技有限公司 | 一种任务分配方法、装置、设备及存储介质 |
| CN113467512A (zh) * | 2021-07-19 | 2021-10-01 | 宁波权智科技有限公司 | 一种基于神经网络的无人机飞行方法及装置 |
| CN113758495B (zh) * | 2021-09-10 | 2023-11-14 | 上海伯镭智能科技有限公司 | 一种基于矿山无人驾驶的寻路方法 |
| CN114153202B (zh) * | 2021-11-08 | 2024-02-27 | 北京三快在线科技有限公司 | 一种无人设备的控制方法及控制装置 |
| CN114185353B (zh) * | 2021-12-09 | 2024-03-22 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
| CN114428501A (zh) * | 2021-12-17 | 2022-05-03 | 重庆特斯联智慧科技股份有限公司 | 一种老人居家服务机器人及其控制方法 |
| CN114371703A (zh) * | 2021-12-22 | 2022-04-19 | 杭州鸿泉物联网技术股份有限公司 | 一种无人车轨迹预测方法及装置 |
| CN114397890A (zh) * | 2021-12-23 | 2022-04-26 | 广东奥博信息产业股份有限公司 | 车辆动态路径规划方法、装置、电子设备及可读存储介质 |
| CN114407923B (zh) * | 2022-01-18 | 2024-02-06 | 上汽通用五菱汽车股份有限公司 | 车辆控制方法、车辆控制系统及计算机可读存储介质 |
| CN114475588A (zh) * | 2022-02-28 | 2022-05-13 | 肇庆市前沿德至智能汽车测试评估有限公司 | 一种汽车无人驾驶识别系统及汽车无人驾驶识别方法 |
| CN115657684B (zh) * | 2022-12-08 | 2023-03-28 | 禾多科技（北京）有限公司 | 车辆路径信息生成方法、装置、设备和计算机可读介质 |
| CN116164769B (zh) * | 2023-04-21 | 2023-08-22 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆 |
| CN116764225A (zh) * | 2023-06-09 | 2023-09-19 | 广州三七极梦网络技术有限公司 | 一种高效寻路的处理方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
| CN108444488A (zh) * | 2018-02-05 | 2018-08-24 | 天津大学 | 基于等步采样a*算法的无人驾驶局部路径规划方法 |
| CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107490382A (zh) * | 2017-07-31 | 2017-12-19 | 中北智杰科技（北京）有限公司 | 一种无人驾驶汽车路径规划系统及控制方法 |
-
2019
- 2019-04-09 CN CN201910281406.4A patent/CN110333714B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
| CN108444488A (zh) * | 2018-02-05 | 2018-08-24 | 天津大学 | 基于等步采样a*算法的无人驾驶局部路径规划方法 |
| CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
Non-Patent Citations (4)
| Title |
|---|
| 关于移动机器人路径最优规划研究;江杰等;《计算机仿真》;20160915(第09期);全文 * |
| 基于蚁群算法的路径规划改进方法研究;田涌君等;《汽车电器》;20180620(第06期);全文 * |
| 无人驾驶汽车运动规划方法研究综述;高健博;《汽车工业研究》;20180731(第08期);全文 * |
| 面向自动驾驶的动态路径规划避障算法;周慧子等;《计算机应用》;20170310(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110333714A (zh) | 2019-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110333714B (zh) | 一种无人驾驶汽车路径规划方法和装置 | |
| US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| US11110922B2 (en) | Vehicle trajectory modification for following | |
| Badue et al. | Self-driving cars: A survey | |
| US11900797B2 (en) | Autonomous vehicle planning | |
| CN111670468B (zh) | 移动体行为预测装置以及移动体行为预测方法 | |
| CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
| CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
| CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
| CN112212872B (zh) | 基于激光雷达和导航地图的端到端自动驾驶方法及系统 | |
| CN111873995A (zh) | 高速公路自动驾驶上下匝道的系统及方法 | |
| JP2021524410A (ja) | ドライブエンベロープの決定 | |
| CN115551758A (zh) | 非结构化车辆路径规划器 | |
| US20230042431A1 (en) | Prediction and planning for mobile robots | |
| CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
| CN117794803A (zh) | 使用具有响应型代理预测的树搜索和/或代理滤波进行车辆轨迹控制 | |
| US11884304B2 (en) | System, method, and computer program product for trajectory scoring during an autonomous driving operation implemented with constraint independent margins to actors in the roadway | |
| CN112947406A (zh) | 一种基于FLOYD和Astar的混合路径规划方法 | |
| WO2022173880A9 (en) | System, method, and computer program product for topological planning in autonomous driving using bounds representations | |
| Reda et al. | Path planning algorithms in the autonomous driving system: A comprehensive review | |
| CN113460091B (zh) | 一种无保护十字路口无人车滚动优化决策方法 | |
| Hongbo et al. | Relay navigation strategy study on intelligent drive on urban roads | |
| CN114030483A (zh) | 车辆控制方法、装置、电子设备和介质 | |
| Qiu | A Review of Motion Planning for Urban Autonomous Driving | |
| Feng et al. | A survey to applications of deep learning in autonomous driving |
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 |