CN110703754A - 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 - Google Patents

一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 Download PDF

Info

Publication number
CN110703754A
CN110703754A CN201910986350.2A CN201910986350A CN110703754A CN 110703754 A CN110703754 A CN 110703754A CN 201910986350 A CN201910986350 A CN 201910986350A CN 110703754 A CN110703754 A CN 110703754A
Authority
CN
China
Prior art keywords
vehicle
speed
candidate
path
sequence
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
Application number
CN201910986350.2A
Other languages
English (en)
Other versions
CN110703754B (zh
Inventor
徐灿
赵万忠
周小川
王春燕
陈青云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910986350.2A priority Critical patent/CN110703754B/zh
Publication of CN110703754A publication Critical patent/CN110703754A/zh
Priority to PCT/CN2020/090205 priority patent/WO2021073079A1/zh
Application granted granted Critical
Publication of CN110703754B publication Critical patent/CN110703754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G05D1/02—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
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/02—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
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种自动驾驶车辆路径与速度耦合的轨迹规划方法，属于自动驾驶领域，包括：1）获取自车及周围车辆的运动状态信息；2）根据自车当前状态信息，分别建立车辆的候选路径模型和候选速度模型，得到路径和速度单独规划的输入加速度序列；3）建立一个以车辆切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动模型，用矩阵的形式将输入序列耦合在一起作为该模型输入，从而得到耦合候选轨迹序列；4）利用RMSProp优化器实时获取当前时刻车辆最优的轨迹，将该轨迹对应的控制量作为输入，即实现路径与速度的耦合规划。本发明解决了现有技术中自动驾驶车辆在进行轨迹规划时速度与路径间相耦合的问题。

Description

一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
技术领域
本发明属于车辆自动驾驶技术领域，尤其涉及一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法。
背景技术
近些年来，交通事故频发、交通拥堵加剧以及疲劳驾驶依然没有得到有效缓解，使得国内外对于车辆自动驾驶的需求变得越来越迫切。目前对于自动驾驶车辆的研究主要包括环境感知，决策规划及控制执行三个部分。随着传感器精度的提高，芯片计算能力的突破以及车辆线控转向、线控制动等新技术的出现，车辆对于周围环境的感知能力以及对底层执行器的控制精度得到了很大的提升，而轨迹规划方法作为其中的关键部分，对于车辆行驶的安全性，高效性及乘坐舒适性都有很大的影响。
车辆轨迹规划是一种复杂的决策行为，主要根据环境感知得到的周围交通信息以及自车的运动状态来决策出一条安全高效无碰撞的轨迹。并且所规划出的轨迹要充分考虑车辆的运动学约束使得在进行底层控制时能顺利跟踪规划的轨迹。具体对于车辆的行驶轨迹规划，主要包括由方向盘控制的车辆路径的规划，和由油门踏板控制的车辆速度的规划。
目前对于轨迹规划的研究主要停留在两类，一类是对于车辆路径和速度的单独规划，如车辆自动换道系统主要保持速度不变，仅仅规划路径进行换道超车；而自动跟车系统则保持路径不变，主要通过规划速度来进行跟车过程。另一类则是在规划好路径的基础上，粗糙的在各时刻点指定速度序列，这使得所规划出的轨迹比较生硬，不够光滑灵活。因此，一个能将速度与路径高度耦合在一起的路径规划方法对于提高自动驾驶车辆的安全性，舒适性显得尤其重要。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法，以解决现有技术中自动驾驶车辆在进行轨迹规划时速度与路径间相耦合的问题；本发明的方法使车辆在换道超车，减速避让等工况下能实时规划出一条安全、高效、平稳的轨迹。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法，包括步骤如下：
1)获取自车的运动状态信息及周围车辆的相对运动状态信息；
2)根据自车当前运动状态信息，分别建立自车的候选路径模型和候选速度模型；得到以车辆的法向加速度序列为输入，横摆角为输出的路径序列；以及切向加速度序列为输入，速度为输出的速度序列；
3)建立一个以车辆切向加速度序列和法向加速度序列为输入，速度、横摆角、坐标为输出的点运动模型，并将上述两个序列的输入利用矩阵的方式耦合起来，输入到该点运动模型即可得到速度与路径相耦合的候选轨迹序列；
4)利用RMSProp优化器实时获取当前时刻车辆最优的轨迹，将该轨迹对应的控制量作为输入，即实现路径与速度的耦合规划。
进一步的，所述步骤1)中通过GPS获取的自车的运动状态信息为：其中，
Figure BDA0002236818440000022
是自车的纵向位置，是自车的侧向位置，
Figure BDA0002236818440000024
是自车的横摆角，
Figure BDA0002236818440000025
是自车的速度，是自车的横摆角速度，是自车的加速度，
Figure BDA0002236818440000028
是自车的角加速度；通过毫米波雷达和激光雷达获取周围车辆的相对运动信息为
Figure BDA0002236818440000029
其中，Δst，Δlt，
Figure BDA00022368184400000210
分别是周围车辆相对于自车的相对纵向位置，相对横向位置，相对横摆角，
Figure BDA00022368184400000211
是周围车辆的速度，是周围车辆的横摆角，
Figure BDA00022368184400000213
是周围车辆的加速度，
Figure BDA00022368184400000214
是周围车辆的角加速度。
进一步的，所述步骤2)中的候选路径模型利用4次多项式建立车辆侧向位置l与纵向位置s的函数并得到以法向加速度序列为输入，横摆角为输出的路径序列，具体包括如下步骤：
21)根据道路边界约束，得到候选路径终点时刻的侧向位置lt+Np序列：
lt+Nplmin:Δl/Cp:lmax
其中，lmin和lmax为道路的上、下边界；Δl＝lmax-lmin；Cp为候选路径的个数；
22)根据自车当前运动状态，以及给定的候选终点时刻的位置，利用4次多项式拟合出相应的候选路径，即侧向位置l相对于纵向位置s的方程，该过程将车辆的速度看成匀速的，具体如下：
l＝a0+a1s+a2s2+a3s3+a4s4
Figure BDA00022368184400000215
其中，ai是4次多项式拟合出的车辆路径参数，i＝1,2,3,4；
Figure BDA00022368184400000216
为对应的终点时刻的纵向位置，Np是预测时域；
23)根据拟合出的路径函数，即根据该路径函数的曲率离散出候选法向加速度序列，第i条候选路径对应的法向加速度序列
Figure BDA0002236818440000031
为：
Figure BDA0002236818440000032
其中，
Figure BDA0002236818440000033
为预测出的t+k时刻的法向加速度。
进一步的，所述步骤2)中的候选速度模型利用4次多项式建立车辆纵向距离s与时间t的函数，并得到以切向加速度序列为输入，速度为输出的速度序列，具体包括如下步骤：
24)根据车辆加速性能约束，候选速度序列可由候选终点时刻的纵向位置序列st+Np表示如下：
st+Np＝smin:Δs/Cs:smax
其中，smin和smax为车辆所能达到的距离的上、下边界；Δs＝smax-smin；Cs为候选速度的个数；
25)根据自车当前运动状态，以及给定的候选纵向距离序列，利用4次多项式拟合出相应的候选速度函数，即纵向位置s关于时间t的函数，具体如下：
s(t)＝p0+p1t+p2t2+p3t3+p4t4
Figure BDA0002236818440000034
其中，
Figure BDA0002236818440000035
是车辆当前时刻对应的速度；
Figure BDA0002236818440000036
是终点时刻车辆对应的速度；
26)得到该拟合出的距离函数，即根据该函数的二次斜率离散出候选切向加速度序列，第j条候选切向加速度序列为：
其中，
Figure BDA0002236818440000039
为预测出的t+k时刻的切向加速度。
进一步的，所述步骤3)中的以车辆切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动模型具体分为：
31)用抽象函数将车辆位置随时间变化的关系表示如下：
Figure BDA00022368184400000310
其中，f是纵向距离随时间变化的函数，g是侧向距离随时间变化的函数，这两个函数即可将车辆轨迹表示出来；
32)将上述函数用泰勒公式展开，保留到二次项，得到如下方程：
其中，各阶导数表示如下：
33)将以上各阶导数代入到轨迹方程中，得到所建立的以切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动方程：
Figure BDA0002236818440000043
其中，(st+1,lt+1)为该点运动方程输出的下一时刻的位置坐标，(st,lt)为当前t时刻的纵横向位置坐标，T是车辆的规划周期，vt是车辆的速度，
Figure BDA0002236818440000044
是车辆的横摆角，为车辆的切向加速度，
Figure BDA0002236818440000046
为车辆的法向加速度。
进一步的，将步骤2)中的两个加速度序列的输入利用矩阵的方式耦合起来，输入到该点运动模型得到速度与路径相耦合的候选轨迹序列，具体包括如下步骤：
34)速度与路径两个方向加速度序列用矩阵方式耦合如下：
Figure BDA0002236818440000047
其中，Cp是候选路径的个数，Cs是候选速度的个数，Aij(t)是第i条候选路径输入序列与第j条候选速度输入序列耦合得到的候选轨迹的输入序列，具体如下：
Figure BDA0002236818440000051
35)将上述耦合后的加速度序列输入到建立的点运动模型中，即可得到如下轨迹序列：
Pij(t)＝[pij(t+1|t),pij(t+2|t),…,pij(t+k|t),…,pij(t+Np|t)]
其中，
Figure BDA0002236818440000052
为预测得到的t+k时刻对应的纵向位置，横向位置，速度，横摆角。
进一步的，所述步骤4)中利用RMSProp优化器进行优化时，建立的优化函数需考虑安全性、高效性、舒适性，并通过调节这三个特性的权重来满足个性化驾驶；具体如下：
41)建立的优化函数J具体如下：
Figure BDA0002236818440000053
其中，
Figure BDA0002236818440000054
为第i个候选速度对应终点时刻的纵向位置；
Figure BDA0002236818440000055
为第j个候选路径对应终点时刻的侧向位置；为第i个候选速度与第j个候选路径耦合得到的候选轨迹对应的危险度，Rref为参考危险度，这一项代表安全性，M为权重；
Figure BDA0002236818440000057
为第i个候选速度与第j个候选路径耦合得到的轨迹对应的速度，vref为参考速度，这一项代表高效性，N为权重；分母中的sref为参考纵向位置，lref为参考横向位置，代表舒适性；
42)建立的RMS优化器在确定学习率时，首先定义学习率调整因子r：
Figure BDA0002236818440000058
其中，r0为初始时刻的学习率调整因子；rt为t时刻的调整因子；ρ为衰减系数；gt为优化函数对应的梯度；
43)进一步得到学习率，并确定最优目标位置：
Figure BDA0002236818440000059
其中，εt为当前t时刻的学习率；σ为很小的正数，保证分母不为0；
Figure BDA00022368184400000510
为求解得到的候选轨迹的最优纵向位置；
Figure BDA0002236818440000061
为求解到的候选轨迹的最优横向位置。
本发明的有益效果：
1、本发明规划出来的轨迹是路径与速度高度耦合的，使得规划出的轨迹更为圆滑连续，能满足大多数驾驶工况。
2、本发明在确定轨迹终点时，综合考虑车辆对于安全性、高效性和舒适性的需求，能满足不同的驾驶特性。
附图说明
图1绘示本发明方法的原理图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法，包括步骤如下：
1)获取自车的运动状态信息及周围车辆的相对运动状态信息；
通过GPS获取的自车的运动状态信息为：
Figure BDA0002236818440000062
其中，
Figure BDA0002236818440000063
是自车的纵向位置，是自车的侧向位置，
Figure BDA0002236818440000065
是自车的横摆角，
Figure BDA0002236818440000066
是自车的速度，是自车的横摆角速度，是自车的加速度，
Figure BDA0002236818440000069
是自车的角加速度；通过毫米波雷达和激光雷达获取周围车辆的相对运动信息为
Figure BDA00022368184400000610
其中，Δst，Δlt，
Figure BDA00022368184400000611
分别是周围车辆相对于自车的相对纵向位置，相对横向位置，相对横摆角，
Figure BDA00022368184400000612
是周围车辆的速度，是周围车辆的横摆角，
Figure BDA00022368184400000614
是周围车辆的加速度，
Figure BDA00022368184400000615
是周围车辆的角加速度。
2)根据自车当前运动状态信息，分别建立自车的候选路径模型和候选速度模型；得到以车辆的法向加速度序列为输入，横摆角为输出的路径序列；以及切向加速度序列为输入，速度为输出的速度序列；
候选路径模型利用4次多项式建立车辆侧向位置l与纵向位置s的函数并得到以法向加速度序列为输入，横摆角为输出的路径序列，具体包括如下步骤：
21)根据道路边界约束，得到候选路径终点时刻的侧向位置lt+Np序列：
lt+Np＝lmin:Δl/Cp:lmax
其中，lmin和lmax为道路的上、下边界；Δl＝lmax-lmin；Cp为候选路径的个数；
22)根据自车当前运动状态，以及给定的候选终点时刻的位置，利用4次多项式拟合出相应的候选路径，即侧向位置l相对于纵向位置s的方程，该过程将车辆的速度看成匀速的，具体如下：
l＝a0+a1s+a2s2+a3s3+a4s4
Figure BDA0002236818440000071
其中，ai是4次多项式拟合出的车辆路径参数，i＝1,2,3,4；为对应的终点时刻的纵向位置，Np是预测时域；
23)根据拟合出的路径函数，即根据该路径函数的曲率离散出候选法向加速度序列，第i条候选路径对应的法向加速度序列
Figure BDA0002236818440000073
为：
Figure BDA0002236818440000074
其中，
Figure BDA0002236818440000075
为预测出的t+k时刻的法向加速度。
候选速度模型利用4次多项式建立车辆纵向距离s与时间t的函数，并得到以切向加速度序列为输入，速度为输出的速度序列，具体包括如下步骤：
24)根据车辆加速性能约束，候选速度序列可由候选终点时刻的纵向位置序列st+Np表示如下：
st+Np＝smin:Δs/Cs:smax
其中，smin和smax为车辆所能达到的距离的上、下边界；Δs＝smax-smin；Cs为候选速度的个数；
25)根据自车当前运动状态，以及给定的候选纵向距离序列，利用4次多项式拟合出相应的候选速度函数，即纵向位置s关于时间t的函数，具体如下：
s(t)＝p0+p1t+p2t2+p3t3+p4t4
Figure BDA0002236818440000076
其中，
Figure BDA0002236818440000081
是车辆当前时刻对应的速度；
Figure BDA0002236818440000082
是终点时刻车辆对应的速度；
26)得到该拟合出的距离函数，即根据该函数的二次斜率离散出候选切向加速度序列，第j条候选切向加速度序列
Figure BDA0002236818440000083
为：
Figure BDA0002236818440000084
其中，为预测出的t+k时刻的切向加速度。
3)建立一个以车辆切向加速度序列和法向加速度序列为输入，速度、横摆角、坐标为输出的点运动模型，并将上述两个序列的输入利用矩阵的方式耦合起来，输入到该点运动模型即可得到速度与路径相耦合的候选轨迹序列；
其中，以车辆切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动模型具体分为：
31)用抽象函数将车辆位置随时间变化的关系表示如下：
Figure BDA0002236818440000086
其中，f是纵向距离随时间变化的函数，g是侧向距离随时间变化的函数，这两个函数即可将车辆轨迹表示出来；
32)将上述函数用泰勒公式展开，保留到二次项，得到如下方程：
Figure BDA0002236818440000087
其中，各阶导数表示如下：
Figure BDA0002236818440000088
33)将以上各阶导数代入到轨迹方程中，得到所建立的以切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动方程：
Figure BDA0002236818440000089
其中，(st+1,lt+1)为该点运动方程输出的下一时刻的位置坐标，(st,lt)为当前t时刻的纵横向位置坐标，T是车辆的规划周期，vt是车辆的速度，
Figure BDA0002236818440000091
是车辆的横摆角，
Figure BDA0002236818440000092
为车辆的切向加速度，
Figure BDA0002236818440000093
为车辆的法向加速度。
将步骤2)中的两个加速度序列的输入利用矩阵的方式耦合起来，输入到该点运动模型得到速度与路径相耦合的候选轨迹序列，具体包括如下步骤：
34)速度与路径两个方向加速度序列用矩阵方式耦合如下：
其中，Cp是候选路径的个数，Cs是候选速度的个数，Aij(t)是第i条候选路径输入序列与第j条候选速度输入序列耦合得到的候选轨迹的输入序列，具体如下：
Figure BDA0002236818440000095
35)将上述耦合后的加速度序列输入到建立的点运动模型中，即可得到如下轨迹序列：
Pij(t)＝[pij(t+1|t),pij(t+2|t),…,pij(t+k|t),…,pij(t+Np|t)]
其中，
Figure BDA0002236818440000096
为预测得到的t+k时刻对应的纵向位置，横向位置，速度，横摆角。
4)利用RMSProp优化器实时获取当前时刻车辆最优的轨迹，将该轨迹对应的控制量作为输入，即实现路径与速度的耦合规划；建立的优化函数需考虑安全性、高效性、舒适性，并通过调节这三个特性的权重来满足个性化驾驶。具体如下：
41)建立的优化函数J具体如下：
Figure BDA0002236818440000097
其中，为第i个候选速度对应终点时刻的纵向位置；
Figure BDA0002236818440000099
为第j个候选路径对应终点时刻的侧向位置；
Figure BDA00022368184400000910
为第i个候选速度与第j个候选路径耦合得到的候选轨迹对应的危险度，Rref为参考危险度，这一项代表安全性，M为权重；
Figure BDA0002236818440000101
为第i个候选速度与第j个候选路径耦合得到的轨迹对应的速度，vref为参考速度，这一项代表高效性，N为权重；分母中的sref为参考纵向位置，lref为参考横向位置，代表舒适性；
42)建立的RMS优化器在确定学习率时，首先定义学习率调整因子r：
Figure BDA0002236818440000102
其中，r0为初始时刻的学习率调整因子；rt为t时刻的调整因子；ρ为衰减系数；gt为优化函数对应的梯度；
43)进一步得到学习率，并确定最优目标位置：
Figure BDA0002236818440000103
其中，εt为当前t时刻的学习率；σ为很小的正数，保证分母不为0；
Figure BDA0002236818440000104
为求解得到的候选轨迹的最优纵向位置；
Figure BDA0002236818440000105
为求解到的候选轨迹的最优横向位置。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (7)

1.一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，包括步骤如下：
1)获取自车的运动状态信息及周围车辆的相对运动状态信息；
2)根据自车当前运动状态信息，分别建立自车的候选路径模型和候选速度模型；得到以车辆的法向加速度序列为输入，横摆角为输出的路径序列；以及切向加速度序列为输入，速度为输出的速度序列；
3)建立一个以车辆切向加速度序列和法向加速度序列为输入，速度、横摆角、坐标为输出的点运动模型，并将上述两个序列的输入利用矩阵的方式耦合起来，输入到该点运动模型得到速度与路径相耦合的候选轨迹序列；
4)利用RMSProp优化器实时获取当前时刻车辆最优的轨迹，将该轨迹对应的控制量作为输入，实现路径与速度的耦合规划。
2.根据权利要求1所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，所述步骤1)中通过GPS获取的自车的运动状态信息为：其中，
Figure FDA0002236818430000012
是自车的纵向位置，
Figure FDA0002236818430000013
是自车的侧向位置，
Figure FDA0002236818430000014
是自车的横摆角，
Figure FDA0002236818430000015
是自车的速度，
Figure FDA0002236818430000016
是自车的横摆角速度，是自车的加速度，
Figure FDA0002236818430000018
是自车的角加速度；通过毫米波雷达和激光雷达获取周围车辆的相对运动信息为
Figure FDA0002236818430000019
其中，Δst，Δlt，分别是周围车辆相对于自车的相对纵向位置，相对横向位置，相对横摆角，
Figure FDA00022368184300000111
是周围车辆的速度，
Figure FDA00022368184300000112
是周围车辆的横摆角，
Figure FDA00022368184300000113
是周围车辆的加速度，
Figure FDA00022368184300000114
是周围车辆的角加速度。
3.根据权利要求1所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，所述步骤2)中的候选路径模型利用4次多项式建立车辆侧向位置l与纵向位置s的函数并得到以法向加速度序列为输入，横摆角为输出的路径序列，具体包括如下步骤：
21)根据道路边界约束，得到候选路径终点时刻的侧向位置lt+Np序列：
lt+Np＝lmin:Δl/Cp:lmax
其中，lmin和lmax为道路的上、下边界；Δl＝lmax-lmin；Cp为候选路径的个数；
22)根据自车当前运动状态，以及给定的候选终点时刻的位置，利用4次多项式拟合出相应的候选路径，即侧向位置l相对于纵向位置s的方程，该过程将车辆的速度看成匀速的，具体如下：
l＝a0+a1s+a2s2+a3s3+a4s4
Figure FDA0002236818430000021
其中，ai是4次多项式拟合出的车辆路径参数，i＝1,2,3,4；
Figure FDA0002236818430000022
为对应的终点时刻的纵向位置，Np是预测时域；
23)根据拟合出的路径函数，即根据该路径函数的曲率离散出候选法向加速度序列，第i条候选路径对应的法向加速度序列
Figure FDA0002236818430000023
为：
Figure FDA0002236818430000024
其中，
Figure FDA0002236818430000025
为预测出的t+k时刻的法向加速度。
4.根据权利要求1或3所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，所述步骤2)中的候选速度模型利用4次多项式建立车辆纵向距离s与时间t的函数，并得到以切向加速度序列为输入，速度为输出的速度序列，具体包括如下步骤：
24)根据车辆加速性能约束，候选速度序列可由候选终点时刻的纵向位置序列st+Np表示如下：
st+Np＝smin:Δs/Cs:smax
其中，smin和smax为车辆所能达到的距离的上、下边界；Δs＝smax-smin；Cs为候选速度的个数；
25)根据自车当前运动状态，以及给定的候选纵向距离序列，利用4次多项式拟合出相应的候选速度函数，即纵向位置s关于时间t的函数，具体如下：
s(t)＝p0+p1t+p2t2+p3t3+p4t4
Figure FDA0002236818430000026
其中，是车辆当前时刻对应的速度；
Figure FDA0002236818430000028
是终点时刻车辆对应的速度；
26)得到该拟合出的距离函数，即根据该函数的二次斜率离散出候选切向加速度序列，第j条候选切向加速度序列
Figure FDA0002236818430000031
为：
其中，为预测出的t+k时刻的切向加速度。
5.根据权利要求1所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，所述步骤3)中的以车辆切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动模型具体分为：
31)用抽象函数将车辆位置随时间变化的关系表示如下：
Figure FDA0002236818430000034
其中，f是纵向距离随时间变化的函数，g是侧向距离随时间变化的函数，这两个函数即可将车辆轨迹表示出来；
32)将上述函数用泰勒公式展开，保留到二次项，得到如下方程：
Figure FDA0002236818430000035
其中，各阶导数表示如下：
Figure FDA0002236818430000036
33)将以上各阶导数代入到轨迹方程中，得到所建立的以切向加速度和法向加速度为输入，速度、横摆角、坐标为输出的点运动方程：
Figure FDA0002236818430000037
其中，(st+1,lt+1)为该点运动方程输出的下一时刻的位置坐标，(st,lt)为当前t时刻的纵横向位置坐标，T是车辆的规划周期，vt是车辆的速度，
Figure FDA0002236818430000038
是车辆的横摆角，
Figure FDA0002236818430000039
为车辆的切向加速度，
Figure FDA00022368184300000310
为车辆的法向加速度。
6.根据权利要求5所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，将步骤2)中的两个加速度序列的输入利用矩阵的方式耦合起来，输入到该点运动模型得到速度与路径相耦合的候选轨迹序列，具体包括如下步骤：
34)速度与路径两个方向加速度序列用矩阵方式耦合如下：
Figure FDA0002236818430000041
其中，Cp是候选路径的个数，Cs是候选速度的个数，Aij(t)是第i条候选路径输入序列与第j条候选速度输入序列耦合得到的候选轨迹的输入序列，具体如下：
Figure FDA0002236818430000042
35)将上述耦合后的加速度序列输入到建立的点运动模型中，即可得到如下轨迹序列：
Pij(t)＝[pij(t+1|t),pij(t+2|t),…,pij(t+k|t),…,pij(t+Np|t)]
其中，
Figure FDA0002236818430000043
为预测得到的t+k时刻对应的纵向位置，横向位置，速度，横摆角。
7.根据权利要求1所述的自动驾驶车辆路径与速度高度耦合的轨迹规划方法，其特征在于，所述步骤4)中利用RMSProp优化器进行优化时，建立的优化函数需考虑安全性、高效性、舒适性，并通过调节这三个特性的权重来满足个性化驾驶。
CN201910986350.2A 2019-10-17 2019-10-17 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 Active CN110703754B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910986350.2A CN110703754B (zh) 2019-10-17 2019-10-17 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
PCT/CN2020/090205 WO2021073079A1 (zh) 2019-10-17 2020-05-14 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910986350.2A CN110703754B (zh) 2019-10-17 2019-10-17 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法

Publications (2)

Publication Number Publication Date
CN110703754A true CN110703754A (zh) 2020-01-17
CN110703754B CN110703754B (zh) 2021-07-09

Family

ID=69201168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910986350.2A Active CN110703754B (zh) 2019-10-17 2019-10-17 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法

Country Status (2)

Country Link
CN (1) CN110703754B (zh)
WO (1) WO2021073079A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862682A (zh) * 2020-06-24 2020-10-30 东软睿驰汽车技术（沈阳）有限公司 一种模型确定方法和相关装置
CN112567439A (zh) * 2020-11-09 2021-03-26 驭势（上海）汽车科技有限公司 一种交通流信息的确定方法、装置、电子设备和存储介质
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN113032503A (zh) * 2021-03-02 2021-06-25 重庆智行者信息科技有限公司 备选轨迹评价方法及装置
CN118025226A (zh) * 2024-02-22 2024-05-14 北京集度科技有限公司 一种轨迹生成方法、装置、计算机设备及存储介质

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113650622B (zh) * 2021-07-16 2023-06-20 东风柳州汽车有限公司 车速轨迹规划方法、装置、设备及存储介质
CN113619604B (zh) * 2021-08-26 2023-08-15 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN113741450B (zh) * 2021-08-31 2023-11-21 的卢技术有限公司 一种车辆自动驾驶横向自适应控制方法
CN113928338B (zh) * 2021-10-08 2023-04-04 南京航空航天大学 一种纵横向耦合的智能车辆轨迹规划方法及系统
CN114387781B (zh) * 2021-12-30 2024-04-09 北京建筑大学 车辆引导控制方法
CN114815811B (zh) * 2022-03-23 2024-06-25 吉林大学 无人车轨迹规划方法
CN114995415B (zh) * 2022-05-25 2024-05-31 武汉理工大学 一种基于时空可达集理论的自动驾驶汽车轨迹规划方法
CN116880492B (zh) * 2023-07-25 2024-10-18 云创智行科技(苏州)有限公司 一种用于无人驾驶运动规划的时空轮换优化方法及装置
CN116880498A (zh) * 2023-07-31 2023-10-13 大陆软件系统开发中心(重庆)有限公司 驾驶轨迹生成方法、装置、系统、电子设备及存储介质
CN117111610B (zh) * 2023-09-04 2024-08-09 南京航空航天大学 基于自适应势场的智能车动态环境轨迹规划系统及方法
CN117572875B (zh) * 2024-01-15 2024-04-12 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0600991A1 (en) * 1991-08-28 1994-06-15 United Technologies Corp AUTOMATIC TRIMMING CONTROL FOR COORDINATED COURSE DIFFERENCE FOR A ROTATING WING PLANE.
CN103496366A (zh) * 2013-09-09 2014-01-08 北京航空航天大学 一种基于车车协同的主动换道避撞控制方法与装置
CN104881030A (zh) * 2015-05-27 2015-09-02 西安交通大学 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法
EP3001272A1 (en) * 2014-09-26 2016-03-30 Volvo Car Corporation Method of trajectory planning for yielding manoeuvres
KR20160042563A (ko) * 2014-10-10 2016-04-20 현대자동차주식회사 자율주행차량의 주행모드 전환 제어 장치
CN205396080U (zh) * 2016-01-14 2016-07-27 南京航空航天大学 一种汽车主动避撞系统
CN106537901A (zh) * 2014-03-26 2017-03-22 马克·W·帕布利科弗 用于提供定制的娱乐内容的计算机处理方法和系统
US20170233001A1 (en) * 2016-02-16 2017-08-17 GM Global Technology Operations LLC Preview lateral control for automated driving
CN107272692A (zh) * 2017-07-18 2017-10-20 北京理工大学 基于微分平坦和自抗扰的无人车路径规划与跟踪控制方法
CN107702716A (zh) * 2017-08-31 2018-02-16 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN105539434B (zh) * 2014-08-29 2018-04-13 通用汽车环球科技运作有限责任公司 用于躲避转向操作的路径规划方法
CN108387242A (zh) * 2018-02-07 2018-08-10 西南交通大学 自动驾驶换道准备和执行一体化轨迹规划方法
CN108572643A (zh) * 2018-01-16 2018-09-25 蔚来汽车有限公司 在自动驾驶中使用的避障方法和避障系统、以及记录介质
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN109540159A (zh) * 2018-10-11 2019-03-29 同济大学 一种快速完备的自动驾驶轨迹规划方法
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109724614A (zh) * 2019-02-22 2019-05-07 百度在线网络技术（北京）有限公司 自动驾驶车辆的速度规划方法、装置和存储介质
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109947112A (zh) * 2019-04-04 2019-06-28 大连理工大学 两轮自平衡车直线定点运动的最优时间轨迹规划方法
CN109991636A (zh) * 2019-03-25 2019-07-09 启明信息技术股份有限公司 基于gps、imu以及双目视觉的地图构建方法及系统
CN110077397A (zh) * 2019-05-14 2019-08-02 芜湖汽车前瞻技术研究院有限公司 一种智能车避障轨迹规划方法及装置
WO2019166518A1 (en) * 2018-02-28 2019-09-06 Five AI Limited Path planning in mobile robots
CN110244713A (zh) * 2019-05-22 2019-09-17 江苏大学 一种基于人工势场法的智能车辆换道轨迹规划系统及方法
EP3443429B1 (en) * 2016-04-12 2020-12-02 Agjunction LLC Line acquisition path generation using curvature profiles

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9947230B2 (en) * 2015-08-03 2018-04-17 Amber Garage, Inc. Planning a flight path by identifying key frames
CN107145936A (zh) * 2017-04-22 2017-09-08 大连理工大学 一种基于强化学习的车辆跟驰模型建立方法
CN107901917B (zh) * 2017-11-16 2019-07-26 中国科学院合肥物质科学研究院 一种基于滑转滑移耦合估计的无人驾驶车辆轨迹跟踪控制方法
CN109727469B (zh) * 2019-01-08 2021-04-20 南京航空航天大学 一种多车道下自动驾驶车辆综合危险度评估方法
CN109976355B (zh) * 2019-04-26 2021-12-10 腾讯科技（深圳）有限公司 轨迹规划方法、系统、设备及存储介质
CN110703754B (zh) * 2019-10-17 2021-07-09 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0600991A1 (en) * 1991-08-28 1994-06-15 United Technologies Corp AUTOMATIC TRIMMING CONTROL FOR COORDINATED COURSE DIFFERENCE FOR A ROTATING WING PLANE.
CN103496366A (zh) * 2013-09-09 2014-01-08 北京航空航天大学 一种基于车车协同的主动换道避撞控制方法与装置
CN106537901A (zh) * 2014-03-26 2017-03-22 马克·W·帕布利科弗 用于提供定制的娱乐内容的计算机处理方法和系统
CN105539434B (zh) * 2014-08-29 2018-04-13 通用汽车环球科技运作有限责任公司 用于躲避转向操作的路径规划方法
EP3001272A1 (en) * 2014-09-26 2016-03-30 Volvo Car Corporation Method of trajectory planning for yielding manoeuvres
KR20160042563A (ko) * 2014-10-10 2016-04-20 현대자동차주식회사 자율주행차량의 주행모드 전환 제어 장치
CN104881030A (zh) * 2015-05-27 2015-09-02 西安交通大学 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法
CN205396080U (zh) * 2016-01-14 2016-07-27 南京航空航天大学 一种汽车主动避撞系统
US20170233001A1 (en) * 2016-02-16 2017-08-17 GM Global Technology Operations LLC Preview lateral control for automated driving
EP3443429B1 (en) * 2016-04-12 2020-12-02 Agjunction LLC Line acquisition path generation using curvature profiles
CN107272692A (zh) * 2017-07-18 2017-10-20 北京理工大学 基于微分平坦和自抗扰的无人车路径规划与跟踪控制方法
CN107702716A (zh) * 2017-08-31 2018-02-16 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN108572643A (zh) * 2018-01-16 2018-09-25 蔚来汽车有限公司 在自动驾驶中使用的避障方法和避障系统、以及记录介质
CN108387242A (zh) * 2018-02-07 2018-08-10 西南交通大学 自动驾驶换道准备和执行一体化轨迹规划方法
WO2019166518A1 (en) * 2018-02-28 2019-09-06 Five AI Limited Path planning in mobile robots
CN109540159A (zh) * 2018-10-11 2019-03-29 同济大学 一种快速完备的自动驾驶轨迹规划方法
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109724614A (zh) * 2019-02-22 2019-05-07 百度在线网络技术（北京）有限公司 自动驾驶车辆的速度规划方法、装置和存储介质
CN109991636A (zh) * 2019-03-25 2019-07-09 启明信息技术股份有限公司 基于gps、imu以及双目视觉的地图构建方法及系统
CN109947112A (zh) * 2019-04-04 2019-06-28 大连理工大学 两轮自平衡车直线定点运动的最优时间轨迹规划方法
CN110077397A (zh) * 2019-05-14 2019-08-02 芜湖汽车前瞻技术研究院有限公司 一种智能车避障轨迹规划方法及装置
CN110244713A (zh) * 2019-05-22 2019-09-17 江苏大学 一种基于人工势场法的智能车辆换道轨迹规划系统及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHEBLY ALIA 等: "Maneuver planning for autonomous vehicles, with clothoid tentacles for local trajectory planning", 《2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 *
KENNETHRENNY SIMBA 等: "Bézier Curve Based Trajectory Generation and Nonlinear Friction Compensation for Feed Drive Contouring Control", 《IFAC-PAPERSONLINE》 *
MATTHEW MCNAUGHTON 等: "Motion Planning for Autonomous Driving with a Conformal Spatiotemporal Lattice", 《2011 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 *
李爱娟 等: "智能车大角度弯道转向曲率连续的轨迹规划方法", 《中国机械工程》 *
郑寿森 等: "轮毂电机驱动电动汽车转向性能控制研究", 《现代电子技术》 *
韩小健 等: "基于区域采样随机树的客车局部路径规划算法", 《吉林大学学报（工学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN111862682A (zh) * 2020-06-24 2020-10-30 东软睿驰汽车技术（沈阳）有限公司 一种模型确定方法和相关装置
CN112567439A (zh) * 2020-11-09 2021-03-26 驭势（上海）汽车科技有限公司 一种交通流信息的确定方法、装置、电子设备和存储介质
CN112567439B (zh) * 2020-11-09 2022-11-29 驭势（上海）汽车科技有限公司 一种交通流信息的确定方法、装置、电子设备和存储介质
CN113032503A (zh) * 2021-03-02 2021-06-25 重庆智行者信息科技有限公司 备选轨迹评价方法及装置
CN118025226A (zh) * 2024-02-22 2024-05-14 北京集度科技有限公司 一种轨迹生成方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
WO2021073079A1 (zh) 2021-04-22
CN110703754B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN110703754B (zh) 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN109669461B (zh) 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN113386795B (zh) 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统
CN110356404B (zh) 一种具有自主换道功能并提高侧向安全性的智能驾驶系统
CN110187639B (zh) 一种基于参数决策框架的轨迹规划控制方法
CN110471408B (zh) 基于决策过程的无人驾驶车辆路径规划方法
CN110286681B (zh) 一种变曲率弯道的动态自动驾驶换道轨迹规划方法
CN111409641B (zh) 一种基于纵横向协调的轨迹跟踪控制方法及系统
CN107867290B (zh) 一种考虑运动障碍物的汽车紧急避撞分层式控制方法
CN109177974B (zh) 一种智能汽车的人机共驾型车道保持辅助方法
CN111016893B (zh) 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法
CN107885932B (zh) 一种考虑人机和谐的汽车紧急避撞分层式控制方法
CN110103956A (zh) 一种无人车自动超车轨迹规划方法
CN114312848B (zh) 基于双层mpc的智能驾驶汽车轨迹规划与跟踪控制方法
CN111338353A (zh) 一种动态驾驶环境下智能车辆变道轨迹规划方法
CN109164814A (zh) 面向高速公路场景的自动驾驶控制系统
CN111959500A (zh) 一种基于轮胎力分配的汽车路径跟踪性能提升方法
CN115047766A (zh) 一种基于预测控制模型的速度规划方法
CN108897216A (zh) 一种基于区域虚拟力场的智能汽车模型预测决策方法
Hongbo et al. Lane‐keeping control based on an improved artificial potential method and coordination of steering/braking systems
CN105644566B (zh) 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法
CN115042770A (zh) 一种基于分布式鲁棒模型预测的车辆队列横向控制方法
CN107856733B (zh) 一种面向人机和谐的汽车躲避动障碍物控制方法
CN114179818A (zh) 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法
CN114510032A (zh) 一种保障车辆快速编队稳定的多车协同控制方法及装置

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