CN111985850B - 行车风险控制方法及行车风险控制装置、计算机存储介质 - Google Patents
行车风险控制方法及行车风险控制装置、计算机存储介质 Download PDFInfo
- Publication number
- CN111985850B CN111985850B CN202010922493.XA CN202010922493A CN111985850B CN 111985850 B CN111985850 B CN 111985850B CN 202010922493 A CN202010922493 A CN 202010922493A CN 111985850 B CN111985850 B CN 111985850B
- Authority
- CN
- China
- Prior art keywords
- driving
- risk
- participant
- vehicle
- participants
- 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
- 238000012954 risk control Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 238000005381 potential energy Methods 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 54
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000008447 perception Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G06Q50/40—
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种行车风险控制方法及行车风险控制装置、计算机存储介质,涉及风险预警技术领域,以解决不能准确提供行车参与者的风险概率,确保车辆行驶安全的问题。所述行车风险控制方法包括:接收至少两个行车参与者的运动信息;确定至少两个行车参与者的风险度相同,利用风险云模型对运动信息进行分析,获得各个行车参与者的风险概率在预设分布区域的分布占比;风险云模型包括至少一个高斯云滴模型,每个高斯云滴模型的均值函数为与运动信息关联的势能场模型函数,方差函数为与运动信息关联的不确定模型函数;根据各个行车参与者在预设分布区域的分布占比显示行车预警信息。本发明提供的一种行车风险控制装置用于执行行车风险控制方法。
Description
技术领域
本发明涉及风险预警技术领域,尤其涉及一种行车风险控制方法及行车风险控制装置、计算机存储介质。
背景技术
在驾驶车辆过程中,需要对周围环境进行感知,对行车风险进行评估,以保证安全行使,例如对行车参与者的风险评估。
目前,通常采用由人工势能场建立的模型对行车环境进行风险感知,上述由人工势能场建立的模型对于树木,交通运输标志等静态障碍物的风险感知、评估效果较好。但是由于实际交通场景中,还存在行人、自行车、汽车等动态行车参与者,动态行车参与者具有不确定性和模糊性。由人工势能场建立的模型对不确定性和模糊性的动态行车参与者的风险感知效果不佳,很难作出准确的风险概率的评估,此时车辆行驶存在较大的危险隐患。
发明内容
本发明的目的在于提供一种行车风险控制方法及行车风险控制装置、计算机存储介质,用于提供动态行车参与者的风险概率,确保车辆行驶的安全。
为了实现上述目的,本发明提供如下技术方案:
本发明提供了一种行车风险控制方法。该行车风险控制方法包括:
接收至少两个行车参与者的运动信息;
确定至少两个行车参与者的风险度相同,利用风险云模型对各个行车参与者的运动信息进行分析,获得各个行车参与者的风险概率在预设分布区域的分布占比;风险云模型包括至少一个高斯云滴模型,每个高斯云滴模型的均值函数为与至少两个行车参与者运动信息关联的势能场模型函数,每个高斯云滴模型的方差函数为与至少两个行车参与者运动信息关联的不确定模型函数;
根据各个行车参与者在预设分布区域的分布占比显示行车预警信息。
与现有技术相比,本发明提供的行车风险控制方法中,通过接收至少两个行车参与者的运动信息,在针对不同的行车参与者确定出相同风险度的情况下,可以利用风险云模型对上述各个行车参与者的运动信息进行分析。此时可以获得各个行车参与者的风险概率在预设分布区域的分布占比,为车辆(用户)提供更深层次的数据。并且采用上述行车风险控制方法,可以准确的检测出动态行车参与者在任一风险度下的风险概率,之后根据各个行车参与者在预设分布区域的分布占比,及时准确的为车辆(用户)提供预警信息。通过显示行车预警信息,可以使车辆(用户)及时了解至少两个行车参与者的相关运动状况,从而使车辆(用户)及时作出反应。例如可以提前调整行车路线,选择要避开的行车参与者,从而保证车辆(用户)的行车安全。
本发明还提供了一种行车风险控制装置,包括:处理器以及与处理器耦合的通信接口;处理器用于运行计算机程序或指令,执行上述行车风险控制方法。
与现有技术相比,本发明提供的行车风险控制装置的有益效果与上述技术方案所述的行车风险控制方法的有益效果相同,在此不做赘述。
本发明还提供了一种计算机存储介质,计算机存储介质中存储有指令,当指令被运行时,执行上述行车风险控制方法。
与现有技术相比,本发明提供的计算机存储介质的有益效果与上述技术方案所述的行车风险控制方法的有益效果相同,在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的车载系统的结构图;
图2示出了本发明实施例提供的行车风险控制方法的流程示意图;
图3示出了本发明实施例提供的三维状态下的动态行车参与者的风险势能场的场强的示意图;
图4示出了本发明实施例提供的基于不同风险度的风险云模型的示意图;
图5示出了本发明实施例提供的行车风险控制装置的结构框图;
图6示出了本发明实施例提供的行车风险控制装置的一种集成模块示意图;
图7示出了本发明实施例提供的芯片的结构示意图。
附图标记:
11-雷达设备, 12-速度采集设备;
13-终端设备, 20-装置;
21-处理单元, 22-通信单元;
23-存储单元, 30-设备;
31-第一处理器, 32-通信接口;
33-通信线路, 34-存储器;
35-第二处理器, 40-芯片;
41-处理器, 42-通信接口;
43-存储器, 44-总线系统。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
在介绍本发明实施例之前首先对本发明实施例中涉及到的相关名词作如下释义:
高斯分布:也称“正态分布”,又名“常态分布”。若随机变量x服从一个位置参数为μ、尺度参数为σ的概率分布,且其概率密度函数为:
则这个随机变量就称为正态随机变量,正态随机变量服从的分布就称为正态分布,记作x~N(μ,σ2),读作x服从N(μ,σ2),或x服从正态分布。
势能场:表征道路上静止物体对行车风险影响程度的“物理场”。道路上的静止物体主要包括停止的车辆、隔离带、路障、交通标识等。势能场的大小和方向主要由静止物体的属性及道路条件等要素决定,影响因素包括物体类型、质量、环境能见度等。
本发明实施例提供的行车风险控制方法可以应用于车载系统中。图1示出了本发明实施例提供行车载系统的结构图。如图1所示,该车载系统包括车辆以及设在车辆上的雷达设备11、速度采集设备12和终端设备13。雷达设备11、速度采集设备12和终端设备13采用通信连接。
上述车辆可以为无人驾驶交通工具,也可以为有人驾驶的交通工具。交通工具可以为汽车。应理解,示例系统还可实现在其它车辆上或采取其它车辆的形式,诸如轿车、卡车、摩托车、公交车、船、飞机、直升机、割草机、铲雪车、休旅车、游乐园车辆、农业设备、施工设备、有轨电车、高尔夫球车、火车和电车等其它车辆。此外,机器人装置也可用于执行本文描述的方法和系统。
如图1所示,上述雷达设备11可以采集行车参与者与车辆之间的距离。雷达设备11可以为激光雷达等各种雷达设备。
如图1所示,上述速度采集设备12可以采集车辆的速度信息,例如车辆的瞬时速度。所述速度采集设备12可以为测速仪等各种速度采集设备。
如图1所示,上述终端设备13可以为车载终端、手机、电脑等各种终端设备。
近年来,随着智能车辆的发展,无人驾驶,高级辅助驾驶等技术的快速发展,保证车辆及乘客的生命财产安全成为了科研人员及各大汽车制造厂商需首要解决的技术难题。对驾驶环境的风险感知可以提前发现潜在危险,能为智能网联汽车起到预警及辅助控制的功能,从而实现避免交通事故的发生或者减轻事故所造成的危害。
交通参与者对周围产生的风险具有客观存在、普遍存在及可变可观测的特点,这些特点与重力场、电磁场等物理场十分相似,因此以人工势能场为环境风险感知的模型被广泛应用在智能网联汽车轨迹规划、自适应巡航等功能中。
在现有技术中,当采用人工势能场建立的模型对行车环境进行风险感知时,由人工势能场建立的模型对于树木,交通运输标志等静态障碍物的风险感知、评估效果较好。但是由于实际交通场景中,还存在行人、自行车、汽车等动态行车参与者,动态行车参与者具有不确定性和模糊性。由人工势能场建立的模型对不确定性和模糊性的动态行车参与者的风险感知效果不佳,很难作出准确的风险概率的评估,此时车辆行驶存在较大的危险隐患。
为了解决上述情况,本发明实施例提供一种行车风险控制方法及行车风险控制装置、计算机存储介质。本发明实施例提供的行车风险控制方法中由雷达设备执行的步骤,也可以由应用于雷达设备中的芯片执行;由速度采集设备执行的步骤,也可以由应用于速度采集设备中的芯片执行;由终端设备执行的步骤,也可以由应用于终端设备中的芯片执行。下述实施例以雷达设备、速度采集设备和终端设备分别作为执行主体为例。
图2示出了本发明实施例提供的行车风险控制方法的流程示意图。如图2所示,本发明实施例提供的行车风险控制方法包括:
步骤101:雷达设备和速度采集设备采集至少两个行车参与者的运动信息。
示例性的,雷达设备和速度采集设备可以设置在汽车等交通工具上。在实际应用中,汽车可以在路面上行驶,也可以在停在路边。汽车的运动状态可以根据实际情况进行设置。例如,当采用安装在行驶车辆上的激光雷达和测速仪时,可以实时采集行车参与者和车辆自身的运动信息。当采用激光雷达时,激光雷达与路面成一定倾斜角采集行驶车辆前方和路面上方的信息。当采用环视激光雷达时,环视激光雷达则会自动采集360°的信息。
步骤102:雷达设备和速度采集设备向终端设备发送采集到的至少两个行车参与者的运动信息。
步骤103:终端设备接收采集到的至少两个行车参与者的运动信息。
步骤104:终端设备在确定至少两个行车参与者的风险度相同后,终端设备利用风险云模型对各个行车参与者的运动信息进行分析,获得各个行车参与者的风险概率在预设分布区域的分布占比。
示例性的,上述风险云模型包括至少一个高斯云滴模型,每个高斯云滴模型的均值函数为与至少两个行车参与者运动信息关联的势能场模型函数,每个高斯云滴模型的方差函数为与至少两个行车参与者运动信息关联的不确定模型函数。
步骤105:终端设备根据各个行车参与者在预设分布区域的分布占比显示行车预警信息。
示例性的,采用上述行车风险控制方法,终端设备可以准确的检测出动态行车参与者在任一风险度下的风险概率,之后根据各个行车参与者在预设分布区域的分布占比,及时准确的为车辆(用户)提供预警信息。例如,通过显示行车预警信息,可以使车辆(用户)及时了解至少两个行车参与者的相关运动状况,从而使车辆(用户)及时作出反应。例如车辆(用户)可以提前调整行车路线,选择要避开的行车参与者,从而保证车辆(用户)的行车安全。
示例性的,行车参与者的运动信息包括行车参与者的速度以及行车参与者与车辆之间的距离向量此时,在确定至少两个行车参与者的风险度相同的情况下,利用风险云模型对各个行车参与者的速度以及行车参与者与车辆之间的距离向量进行解析分析,可以获得各个行车参与者的风险概率在预设分布区域的分布占比。由于行车参与者的运动信息中含有基本的行车参与者的速度以及行车参与者与车辆之间的距离向量这两种信息,这两种信息贴近日常生活,更能准确、快速的反应行车参与者与车辆之间的位置关系,危险程度。通过这两种信息用户可以更加准确、快速的确定要避让的行车参与者。这样的预警,辅助控制方式不仅节省时间,提高了效率,同时使得用户可以便捷的控制车辆,以避开风险度较大的行车参与者,从而保证行车的安全性。
例如,当行车参与者为汽车时,速度采集设备可以是测速仪,此时测速仪安装在汽车上,可以用于检测汽车在路面上运动或静止时的速度采用安装在行驶车辆上的激光雷达可以实时采集行车参与者与车辆之间的距离向量在本发明提供的实施例中,行车参与者与车辆之间的距离向量行车参与者的速度可以是同步采集的。
在一种可选方式中,上述势能场模型函数可以是来源于现有技术中的任意一种模型函数,只要可以用于检测行车参与者相对于车辆的风险度即可。利用上述势能场模型函数可以计算出车辆在正常行驶过程中,在遇到行车参与者时上述行车参与者相对于车辆的风险度的大小,从而促使车辆做出一定的避让反应。上述势能场模型函数可以包括风险势能场模型函数,当然也可以是其他模型函数。例如,势能场模型函数还可以是:
f(x,y)=-log(α(x-xa)2+λ(y-ya)2);或
例如:风险势能场模型函数可以满足:
其中,G表示大于0的系数,k1表示距离因子常数,并且k1为大于1的系数,k2表示运动风险影响因子,并且k2为大于0的系数,表示各个行车参与者的速度,表示各个行车参与者与车辆之间的距离向量,θ表示与的夹角,exp(·)表示以e为底的指数函数。
示例性的,在本发明实施例中,当得到任意一个行车参与者的速度后,以该行车参与者的几何中心为原点,速度的方向为X轴正方向建立坐标系。在坐标系内正常行驶的车辆i(xi,yi)由行车参与者引起的风险,与行车参与者与车辆之间的距离向量以及行车参与者的速度有关系。
例如,在角度一致的情况下,正常行驶的车辆与行车参与者之间的距离越近,即的模越小,正常行驶的车辆与行车参与者发生碰撞的概率越大,车辆受到的危险性越大,并且随着车辆与行车参与者之间的距离(的模)越来越小,车辆与行车参与者发生碰撞带来的危险程度不是线性增加,而是随着两者间距离的减小,行车危险程度增速增长,此时可以使用指数函数来表示。
在的模(的大小)一定的情况下,即正常行驶的车辆与行车参与者之间的距离一定时,此时行车参与者的速度在正常行驶的车辆的方向上的速度分量越大,正常行驶的车辆与行车参与者发生碰撞的概率越大,即行车参与者相对于车辆的前向碰撞风险大于侧向碰撞风险,大于后向碰撞风险。
在一种可选方式中,图3示出了本发明实施例提供的三维状态下的动态行车参与者的风险势能场的场强的示意图。如图3所示,X轴为沿道路线方向,Y轴为垂直于道路线方向,风险势能场的场强EV表示动态行车参与者在一定道路条件下对周围环境或者正常行驶的车辆产生的风险度。
如图3所示,风险势能场的中心位置为运动的行车参与者所处的位置,风险势能场中心场强的大小为无穷大,表示其他物体与该点重合,则交通事故必然发生。风险势能场在动态行车参与者前进方向分布更加密集,即相同距离下,越接近动态行车参与者前进方向,场强越大。随着正常行驶的车辆与风险势能场中心位置(即运动的行车参与者所处的位置)的距离逐渐增大,风险势能场场强的大小以指数的形式递减。在距离远到一个程度时,风险势能场的大小基本接近于0,此时动态行车参与者对距离较远的点(即距离较远的正常行驶的车辆)产生的潜在安全风险基本可以忽略。
例如:不确定模型函数可以满足:
其中,M表示障碍物的等效质量,并且M为大于0的系数,k3表示运动风险影响因子,并且k3为大于0的系数,k4表示距离因子常数,并且k4为大于1的系数,表示行车参与者的速度,表示行车参与者与车辆之间的距离向量,θ表示与的夹角;exp(·)表示以e为底的指数函数。
例如,在角度一致的情况下,正常行驶的车辆与行车参与者之间的距离越远,即的模越大,行车参与者的不确定性越大,并且随着车辆与行车参与者之间的距离(的模)的增大,不确定性的增速也越来越大,此时不确定性的增长速度可以使用指数函数表示。
在一种可选方式中,上述高斯云滴模型函数满足:
其中,G表示大于0的系数,k1表示距离因子常数,并且k1为大于1的系数,k2表示运动风险影响因子,并且k2为大于0的系数,M表示障碍物的等效质量,并且M为大于0的系数,k3表示运动风险影响因子,并且k3为大于0的系数,k4表示距离因子常数,并且k4为大于1的系数,表示各个行车参与者的速度,表示各个行车参与者与车辆之间的距离向量,θ表示与的夹角,exp(·)表示以e为底的指数函数,T和t表示行车参与者对车辆行驶安全性的风险度,P(T=t)表示风险度为t时的风险概率。
示例性的,本发明实施例提供的风险云模型包括的至少一个高斯云滴模型满足,均值函数为与至少两个行车参与者运动信息关联的势能场模型函数,方
差函数为与至少两个行车参与者运动信息关联的不确定模型函数。即
在本发明提供的实施例中,
图4示出了本发明实施例提供的基于不同风险度的风险云模型的示意图。如图4所示,其中,在风险度—距离(x-y)平面内的粗实线表示的是,图3涉及的风险势能场中正常行驶的车辆正前及正后方(方向角为0)的风险度。如图4中虚线所示,以五个距离点(0m,±5m,±10m)为例对风险势能场进行云化。云化的含义为得到不同风险度在该位置点的概率分布,且其期望值为该位置点的风险势能场的数值,方差与距离正相关,距离越远方差越大。所以根据上述风险云模型可以更加准确的反应出在任一风险度下,动态行车参与者给正常行驶的车辆带来的危险发生的概率,即风险概率,此时可以提前为车辆(用户)预警,让车辆(用户)及时作出反应,避开危险较大的动态行车参与者。
作为一种可能的实现方式中,终端设备在确定至少两个行车参与者的风险度相同后,利用风险云模型对各个行车参与者的运动信息进行分析,获得各个行车参与者的风险概率在预设分布区域分布占比包括:
步骤1041:终端设备利用风险云模型处理各个行车参与者的运动信息,获得各个行车参与者的风险概率。
为了方便理解,下面以一种可能的实现方式为例进行描述。应理解,以下描述仅用于理解不用于具体限定。示例性的,在真实、复杂的交通环境中,有行车参与者A和行车参与者B,在现有技术中人工势能场建立的模型下,终端设备检测出行车参与者A和行车参与者B相对于车辆C的风险度tA和tB均为10。由于风险度tA和tB均为10,所以无法判断行车参与者A和行车参与者B对车辆C危险更大的一方。
终端设备在确定至少两个行车参与者的风险度相同均为10后,将风险度tA和tB云化。由于行车参与者A的速度大,行车参与者与车辆之间的距离向量远。行车参与者B的速度小,行车参与者与车辆之间的距离向量近,所以行车参与者A和行车参与者B对应的风险度云化后的取值不同。例如:风险度tA可以为8,9,10,11,12。风险度tB可以为1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19。即以10为均值,将风险度tA和tB云化,所以云化后的风险度tA和tB的取值方式有多种,不限于以上描述。将云化后的风险度tA和tB分别代入高斯云滴模型中,此时获得不同的风险度对应的风险概率P(tA),P(tB)。
例如,P(tA),P(tB)可以取值为:
P(tA=8)=30%,P(tA=9)=35%,P(tA=10)=40%,P(tA=11)=20%,P(tA=12)=15%。
P(tB=1)=6%,P(tB=2)=13%,P(tB=3)=18%,P(tB=4)=21%,P(tB=5)=26%,P(tB=6)=28%,P(tB=7)=30%,P(tB=8)=34%,P(tB=9)=37%,P(tB=10)=41%,P(tB=11)=45%,P(tB=12)=47%,P(tB=13)=49%,P(tB=14)=25%,P(tB=15)=21%,P(tB=16)=19%,P(tB=17)=11%,P(tB=18)=8%,P(tB=19)=5%。应理解,以上P(tA),P(tB)的取值还可以是其他数值,不限于以上描述。此处的数值举例仅用于解释说明,不用于限定。
步骤1042:终端设备根据各个行车参与者的风险概率确定各个行车参与者的风险概率在预设分布区域占比。
示例性的,上述预设分布区域可以是风险度为0至100,对应的风险概率为30%至50%的区域。终端设备利用风险云模型,获得行车参与者A和行车参与者B云化后的风险度tA和tB对应的风险概率P(tA),P(tB)后,确定风险概率P(tA),P(tB)在预设分布区域占比。
例如,根据上述数据可知,行车参与者A的风险度云化后的风险概率P(tA)集中在预设分布区域的比例为3/5。行车参与者B的风险度云化后的风险概率P(tB)集中在预设分布区域的比例为7/19。由上述比例可知,行车参与者A的风险度云化后对应的风险概率较为集中,而行车参与者B的风险度云化后对应的风险概率,在面对不同程度的风险度时,风险概率变动的幅度较大。即,在行车参与者B中,虽然存在P(tB=1)=6%的情况,也就是说,在风险度为1的时候,风险概率为6%,此时行车参与者B对车辆产生很小危险的概率较小。但是也存在P(tB=19)=5%的情况,也就是说,在风险度为19的时候,风险概率为5%,此时行车参与者B对车辆产生很大危险的也很小。
由此可知,当用户选择避让行车参与者A,沿行车参与者B的轨迹行驶的时候,会存在安全通过,不发生碰撞的情况,但是也存在与行车参与者B碰撞的情况,并且一旦与行车参与者B发生碰撞,会产生很大的交通事故。若用户选择避让行车参与者B,沿行车参与者A的轨迹行驶的时候,会存在安全通过,不发生碰撞的情况,也存在与行车参与者A碰撞的情况,但是如果与行车参与者A发生碰撞,产生的交通事故较小。
作为一种可能的实现方式中,终端设备根据各个行车参与者在预设分布区域的分布占比显示行车预警信息包括:
终端设备确定至少一个行车参与者在预设分布区域的分布占比满足预设占比的情况下,根据满足预设占比的至少一个行车参与者的运动信息显示行车预警信息。
示例性的,当预设占比为大于或等于50%的数值时,由于上述行车参与者A的风险度云化后的风险概率P(tA)集中在预设分布区域的比例为3/5,3/5大于50%,所以可以根据行车参与者A的运动信息显示行车预警信息。
当然,当预设占比为小于50%的数值时,由于上述行车参与者B的风险度云化后的风险概率P(tB)集中在预设分布区域的比例为7/19,7/19小于50%,所以可以根据行车参与者B的运动信息显示行车预警信息。
综上所述,当利用现有技术中的人工势能场建立的模型,获得的至少两个行车参与者的风险度相同时,可以将上述风险度云化,并利用高斯云滴模型即风险云模型获得风险度云化后对应的风险概率。由于不同的行车参与者的速度以及行车参与者与车辆之间的距离向量不同,所以云化后的风险度取值不同,可预判出的概率的分布不同,此时可以根据各个行车参与者在预设分布区域的分布占比显示行车预警信息,为车辆(用户)提供更深层次的数据,并通过显示行车预警信息,可以使车辆(用户)及时了解至少两个行车参与者的相关运动状况,从而使车辆(用户)及时作出反应。例如可以提前调整行车路线,选择要避开的行车参与者,从而保证车辆(用户)的行车安全。
上述主要从各个网元之间交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是,各个网元,例如采集设备和终端设备等为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对采集设备和终端设备等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
上面结合图1至图4,对本发明实施例的方法进行了说明,下面对本发明实施例提供的执行上述行车风险控制方法进行描述。本领域技术人员可以理解,方法和装置可以相互结合和引用,本发明实施例提供的行车风险控制装置可以执行上述行车风险控制方法中由雷达设备、速度采集设备和终端设备执行的步骤。
本发明实施例可以根据上述方法示例对雷达设备、速度采集设备和终端设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。应理解,雷达设备和速度采集设备为现有结构,此处不再描述。下面仅对终端设备从功能模块和集成单元的角度进行描述。
上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在采用对应集成单元的情况下,图5示出了本发明实施例提供的行车风险控制装置的结构框图。如图5所示,该装置20包括:通信单元22和处理单元21。其中,
如图5所示,通信单元22用于支持行车风险控制装置执行上述实施例中由雷达设备和速度采集设备执行的步骤101和步骤102。处理单元21用于支持行车风险控制装置执行上述实施例中由终端设备执行的步骤103~步骤105。
如图5所示,在一些可能的实现方式中,上述行车风险控制装置还可以包括存储单元23,用于存储基站的程序代码和数据。
其中,如图5所示,处理单元21可以是处理器或控制器,例如可以是中央处理器(Central Processing Unit,CPU),通用处理器,数字信号处理器(Digital SignalProcessor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理单元也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信单元可以是收发器、收发电路或通信接口等。存储单元可以是存储器。
如图5所示,以上通信单元22可以是该装置的一种通信接口,用于从其它装置接收信号。例如,当该装置20以芯片的方式实现时,该通信单元22是该芯片用于从其它芯片或装置接收信号或发送信号的通信接口。
当上述处理单元21为处理器,通信单元22为通信接口,存储单元23可以是存储器时,本发明实施例所涉及的行车风险控制装置可以为图6所示的行车风险控制装置。
如图6所示,本发明实施例提供一种行车风险控制装置的一种集成模块示意图,该设备30包括第一处理器31以及与第一处理器31耦合的通信接口32。
如图6所示,通信接口32用于支持行车风险控制装置执行上述实施例中由雷达设备和速度采集设备执行的步骤101和步骤102。第一处理器31用于支持行车风险控制装置执行上述实施例中由终端设备执行的步骤103~步骤105。
如图6所示,上述第一处理器31可以是一个通用中央处理器(central processingunit,CPU),微处理器,专用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。
如图6所示,上述通信接口32可以为一个或多个。通信接口可使用任何收发器一类的装置,用于与其他设备或通信网络通信。
如图6所示,上述终端设备还可以包括通信线路33。通信线路33可包括一通路,在上述组件之间传送信息。
如图6所示,该通信设备还可以包括存储器34。存储器34用于存储执行本发明方案的计算机执行指令,并由第一处理器31来控制执行。第一处理器31用于执行存储器34中存储的计算机执行指令,从而实现本发明下述实施例提供的行车风险控制方法。
如图6所示,存储器34可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器34可以是独立存在,通过通信接口32与第一处理器31和第二处理器35相连接。存储器34也可以和第一处理器31和第二处理器35集成在一起。
可选的,本发明实施例中的计算机执行指令也可以称之为应用程序代码,本发明实施例对此不作具体限定。
在具体实现中,作为一种实施例,如图6所示,第一处理器31可以包括一个或多个CPU,如图6中的CPU0和CPU1。
在具体实现中,作为一种实施例,如图6所示,该行车风险控制装置可以包括多个处理器,如图6中的第一处理器31和第二处理器35。这些处理器中的每一个可以是一个单核处理器,也可以是一个多核处理器。
图7是本发明实施例提供的芯片的结构示意图。如图7所示,该芯片40包括一个或两个以上(包括两个)处理器41和通信接口42。
可选的,如图7所示,该芯片40还包括存储器43。存储器43可以包括只读存储器和随机存取存储器,并向处理器41提供操作指令和数据。存储器43的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,如图7所示,存储器43存储了如下的元素,执行模块或者数据结构,或者他们的子集,或者他们的扩展集。
在本发明实施例中,如图7所示,通过调用存储器存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。
如图7所示,处理器41控制本发明实施例中电子设备包括的处理器和电源中任一个的处理操作,处理器41还可以称为中央处理单元(central processing unit,CPU)。
如图7所示,存储器43包括只读存储器和随机存取存储器,并向处理器41提供指令和数据。存储器43的一部分还可以包括NVRAM。例如应用中处理器41、通信接口42以及存储器43通过总线系统44耦合在一起,其中总线系统44除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图7中将各种总线都标为总线系统44。
如图7所示,上述本发明实施例揭示的方法可以应用于处理器41中,或者由处理器41实现。处理器41可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器43,处理器41读取存储器中的信息,结合其硬件完成上述方法的步骤。
一种可能的实现方式中,如图7所示,通信接口42用于支持上述芯片40执行上述实施例中的终端设备的接收和发送的步骤。处理器41用于支持上述芯片40执行上述实施例中终端设备的处理的步骤。
一方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令被运行时,实现如图6和图7中处理器的功能。
一方面,提供一种芯片,该芯片应用于终端设备中,芯片包括至少一个处理器和通信接口,通信接口和至少一个处理器耦合,处理器用于运行指令,以实现上述实施例中由图6和图7中处理器执行的功能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种行车风险控制方法,其特征在于,包括:
接收至少两个行车参与者的运动信息;
确定至少两个所述行车参与者的风险度相同,利用风险云模型对各个所述行车参与者的运动信息进行分析,获得各个所述行车参与者的风险概率在预设分布区域的分布占比;风险势能场的场强表示动态行车参与者在一定道路条件下对周围环境或者正常行驶的车辆产生的风险度;
所述风险云模型包括至少一个高斯云滴模型,每个所述高斯云滴模型的均值函数为与至少两个所述行车参与者运动信息关联的势能场模型函数,每个所述高斯云滴模型的方差函数为与至少两个所述行车参与者运动信息关联的不确定模型函数;
根据各个所述行车参与者在预设分布区域的分布占比显示行车预警信息;
所述不确定模型函数满足:
2.根据权利要求1所述的行车风险控制方法,其特征在于,所述势能场模型函数包括风险势能场模型函数。
5.根据权利要求1所述的行车风险控制方法,其特征在于,所述利用风险云模型对各个所述行车参与者的运动信息进行分析,获得各个所述行车参与者的风险概率在预设分布区域分布占比包括:
利用风险云模型处理各个所述行车参与者的运动信息,获得各个所述行车参与者的风险概率;
根据所述各个所述行车参与者的风险概率确定各个所述行车参与者的风险概率在预设分布区域占比。
6.根据权利要求1所述的行车风险控制方法,其特征在于,所述根据各个所述行车参与者在预设分布区域的分布占比显示行车预警信息包括:
确定至少一个所述行车参与者在预设分布区域的分布占比满足预设占比的情况下,根据满足预设占比的至少一个所述行车参与者的运动信息显示行车预警信息。
7.一种行车风险控制装置,其特征在于,包括:处理器以及与所述处理器耦合的通信接口;所述处理器用于运行计算机程序或指令,执行权利要求1~6任一项所述行车风险控制方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,当所述指令被运行时,执行权利要求1~6任一项所述行车风险控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922493.XA CN111985850B (zh) | 2020-09-04 | 2020-09-04 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922493.XA CN111985850B (zh) | 2020-09-04 | 2020-09-04 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985850A CN111985850A (zh) | 2020-11-24 |
CN111985850B true CN111985850B (zh) | 2022-04-22 |
Family
ID=73447711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010922493.XA Active CN111985850B (zh) | 2020-09-04 | 2020-09-04 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985850B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222288B (zh) * | 2021-06-02 | 2022-05-17 | 山东建筑大学 | 村镇社区空间发展图谱的分类演化及预测方法 |
CN113963027B (zh) * | 2021-10-28 | 2022-09-09 | 广州文远知行科技有限公司 | 不确定性检测模型的训练、不确定性的检测方法及装置 |
CN114419929B (zh) * | 2022-03-04 | 2022-12-27 | 季华实验室 | 一种碰撞风险评估方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107876A1 (en) * | 2015-01-02 | 2016-07-07 | Universite Du Luxembourg | Vehicular motion monitoring method |
CN106530717A (zh) * | 2016-12-26 | 2017-03-22 | 长安大学 | 基于云模型的施工路段行车险态评价方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN109991605A (zh) * | 2019-04-03 | 2019-07-09 | 吉林大学 | 一种智能网联汽车环境感知系统的多雷达数据融合方法 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN111204336A (zh) * | 2020-01-10 | 2020-05-29 | 清华大学 | 一种车辆行车风险的评估方法及设备 |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932462B (zh) * | 2017-05-27 | 2021-07-16 | 华为技术有限公司 | 驾驶意图确定方法及装置 |
-
2020
- 2020-09-04 CN CN202010922493.XA patent/CN111985850B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016107876A1 (en) * | 2015-01-02 | 2016-07-07 | Universite Du Luxembourg | Vehicular motion monitoring method |
CN106530717A (zh) * | 2016-12-26 | 2017-03-22 | 长安大学 | 基于云模型的施工路段行车险态评价方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN109991605A (zh) * | 2019-04-03 | 2019-07-09 | 吉林大学 | 一种智能网联汽车环境感知系统的多雷达数据融合方法 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN111204336A (zh) * | 2020-01-10 | 2020-05-29 | 清华大学 | 一种车辆行车风险的评估方法及设备 |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
Design of Integrated Risk Management-Based Dynamic Driving Control of Automated Vehicles;Kyuwon Kim,etc;《IEEE Intelligent Transportation Systems Magazine(Volume:9,Issue:1,Spring 2017)》;20170630;第9卷(第1期);第57-73页 * |
基于人-车-路协同的行车风险场概念、原理及建模;王建强等;《中国公路学报》;20160131;第29卷(第1期);第105-114页 * |
自动驾驶汽车紧急避撞系统的运动控制与决策方法研究;何祥坤;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20200615(第06期);正文第1-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985850A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985850B (zh) | 行车风险控制方法及行车风险控制装置、计算机存储介质 | |
JP2021527903A (ja) | 車両制御方法、装置、デバイス、プログラム及びコンピュータ記憶媒体 | |
CN112208533B (zh) | 车辆控制系统、车辆控制方法及存储介质 | |
CN112606838B (zh) | 一种车辆变道防碰撞控制方法及装置 | |
CN109714422A (zh) | 基于自动驾驶的计算资源共享方法、系统及可读存储介质 | |
US11485359B2 (en) | Warning system for a host automotive vehicle | |
CN113631452B (zh) | 一种变道区域获取方法以及装置 | |
CN105719509A (zh) | 汽车碰撞预警雷达信息系统 | |
CN108109434A (zh) | 基于移动终端地图导航路线规划的碰撞预警方法和系统 | |
CN111873906A (zh) | 车辆侧门开门角度预警方法、系统、介质及车载终端 | |
CN109910880B (zh) | 车辆行为规划的方法、装置、存储介质和终端设备 | |
CN114056325B (zh) | 降低碰撞风险的装置及方法 | |
CN112489383A (zh) | 一种基于机器视觉的预防闯红灯事故预警系统、方法 | |
CN112116809A (zh) | 基于v2x技术的非视距车辆防碰撞方法及装置 | |
WO2021051959A1 (zh) | 车辆控制的方法、装置、控制器和智能汽车 | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN110598980B (zh) | 交通场景的风险评估方法及装置 | |
CN114179713A (zh) | 一种车辆提醒方法、系统及相关设备 | |
CN110871797A (zh) | 自动跟车方法、电子装置和存储介质 | |
CN110758244A (zh) | 一种电动汽车自动防被追尾的方法及其系统 | |
CN110228476A (zh) | 一种车辆控制方法、车辆控制装置及电子设备 | |
CN112590778B (zh) | 车辆控制的方法、装置、控制器和智能汽车 | |
CN112183157A (zh) | 道路几何识别方法及装置 | |
CN112419783A (zh) | 一种车辆辅助驾驶系统、方法和装置 | |
US10950129B1 (en) | Infrastructure component broadcast to vehicles |
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 |