CN112052984A - 一种智能船舶避碰方法及系统 - Google Patents

一种智能船舶避碰方法及系统 Download PDF

Info

Publication number
CN112052984A
CN112052984A CN202010788901.7A CN202010788901A CN112052984A CN 112052984 A CN112052984 A CN 112052984A CN 202010788901 A CN202010788901 A CN 202010788901A CN 112052984 A CN112052984 A CN 112052984A
Authority
CN
China
Prior art keywords
ship
obstacle
neural network
network model
latitude
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
CN202010788901.7A
Other languages
English (en)
Other versions
CN112052984B (zh
Inventor
王晓原
夏媛媛
姜雨函
万倩男
袁乾浩
潘金磊
朱慎超
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.)
Navigation Brilliance Qingdao Technology Co Ltd
Original Assignee
Navigation Brilliance Qingdao Technology Co Ltd
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 Navigation Brilliance Qingdao Technology Co Ltd filed Critical Navigation Brilliance Qingdao Technology Co Ltd
Priority to CN202010788901.7A priority Critical patent/CN112052984B/zh
Publication of CN112052984A publication Critical patent/CN112052984A/zh
Application granted granted Critical
Publication of CN112052984B publication Critical patent/CN112052984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种智能船舶避碰方法及系统，方法包括：S1、智能船舶获取危险海域内所有船舶的航行信息。S2、智能船舶根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船。S3、基于障碍船，选择执行预置的用于避碰处理的TFT策略，使得实际中的障碍船的避碰路线更加趋近于神经网络模型预测出的路线，从而提高轨迹预测的精准度。S4、在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹。S5、根据预测的障碍船的行驶轨迹，和本船在未来时间段内的行驶轨迹，若危险海域存在障碍船，则重复S3至S5，直至危险海域内不存在障碍船。

Description

一种智能船舶避碰方法及系统
技术领域
本发明涉及智能船舶领域，尤其涉及一种智能船舶避碰方法及系统。
背景技术
在智能无人驾驶船舶的实际航行中，当感知到有障碍船靠近，并且可能会侵犯到本船的正常安全航行的时候，需要启动智能避碰程序，避碰程序的运行首先要准确的预测出障碍船未来航行的轨迹，并以此来进行本船的避碰决策、航路规划，目前已有的轨迹预测方案都是按照感知当前的障碍目标的方向和速度，假设障碍目标保向保速前进，进行短时间的障碍轨迹预测，但是这种方法随着时间的加长准确度就会急剧降低，最终预测的轨迹会变得可参考价值低，降低了避碰的安全性。
发明内容
(一)要解决的技术问题
本发明提供了一种智能船舶避碰方法及系统，旨在解决用障碍目标的方向和速度对障碍船进行轨迹预测随时间增长，精度降低的问题，使得在船舶的避碰过程中作出错误的判断。
(二)技术方案
为了解决上述问题，本发明提供了一种智能船舶避碰方法，包括：
S1、基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息；
S2、智能船舶根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间；
S3、基于障碍船，选择执行预置的用于避碰处理的TFT策略；
S4、在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹；
S5、根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复S3至S5，直至危险海域内不存在障碍船，退出避碰期。
优选地，所述博弈TFT策略具体为：
智能船舶相对于障碍船先采取避让措施的航行策略，其中，所述航行策略包括：采取避让措施和不采取避让措施；
根据障碍船此时的所述航行信息，判断障碍船相对于本船所采取的航行策略，若障碍船采取了避让措施的航行策略，则记录zn＝1，否则记录zn＝0，zn表示在第n时刻障碍船采取的航行策略，同时还获取此时障碍船的位置信息；
本船第n+1时刻的航行策略为障碍船在第n时刻时所采取的航行策略，n≥0，且n为自然数。
优选地，在S4中：
所述障碍船的位置信息包括：xn和yn，其中，xn表示在第n个时刻障碍船所处的经度值，yn表示在第n个时刻障碍船所处的纬度值；
所述神经网络模型包括：经度神经网络模型和纬度神经网络模型；
所述以障碍船的位置信息为输入，基于神经网络模型实时预测每一个障碍船在未来时间段内的行驶轨迹，包括：
在第n个时刻预测障碍船在第n+1时刻的位置信息：
S4-A1、以(xn，zn)为输入，用经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000021
S4-B1、以(yn，zn)为输入，用纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure BDA0002623047830000022
在第n个时刻预测障碍船在第n+t+1时刻的位置信息：
S4-A2、以
Figure BDA0002623047830000023
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure BDA0002623047830000024
S4-B2、以
Figure BDA0002623047830000031
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000032
连接点
Figure BDA0002623047830000033
得到障碍船在未来时间段的行驶轨迹，其中默认
Figure BDA0002623047830000034
且t≥1。
优选地，S4-A1具体包括：
S4-A1-1：构建用于预测障碍船所在的预测经度的经度神经网络模型；
确定所述经度神经网络模型的输入层中输入神经元为2个，所述经度神经网络模型的隐藏层中隐藏神经元为l个，所述经度神经网络模型的输出层中输出神经元为1个；
初始化输入神经元与隐藏神经元之间的权重W和偏置B；
初始化隐藏神经元与输出神经元之间的权重M和偏置A；
其中，W＝{w11,w12,w13...,w1l,w21,w22,w23...,w2l}，wji表示第j个输入神经元与第i个隐藏神经元之间的权重值；
B＝{b1,b2,b3...,bl}，bi表示输入层与第i个隐藏神经元之间的偏置值；
M＝{m11,m21,m31...,ml1}，mi1表示第i个隐藏神经元与输出神经元之间的权重值；
A＝{a1}，a1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}；
S4-A1-2、训练所述经度神经网络模型；
其中所述经度神经网络模型的训练方式为：
选取智能船舶的航行历史中，障碍船在避碰期内的航行轨迹；
随机选取航行轨迹上的h个点作为数据点，所述经度数据集为
Figure BDA0002623047830000035
xk表示当障碍船位于第k个数据点时的经度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure BDA0002623047830000036
表示第k个数据点对应时刻的下一时刻障碍船的经度，k＝{1、2、3...h}；
用经度数据集训练经度神经网络模型，得到最优经度神经网络模型；
S4-A1-3、以(xn，zn)为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000041
优选地，S4-B1具体包括：
S4-B1-1、构建用于预测障碍船所在的预测的纬度神经网络模型；
确定所述纬度神经网络模型的输入层中输入神经元为2个，所述纬度神经网络模型的隐藏层中隐藏神经元为l个，所述纬度神经网络模型的输出层中输出神经元为1个；
初始化输入神经元与隐藏神经元之间的权重D和偏置E；
初始化隐藏神经元与输出神经元之间的权重F和偏置G；
其中，D＝{d11,d12,d13...,d1l,d21,d22,d23...,d2l}，dji表示第j个输入神经元与第i个隐藏神经元之间的权重值；
E＝{e1,e2,e3...,el}，ei表示输入层与第i个隐藏神经元之间的偏置值；
F＝{f11,f21,f31...,fl1}，fi1表示第i个隐藏神经元与第一个输出神经元之间的权重值；
G＝{g1}，g1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}；
S4-B1-2、训练所述纬度神经网络模型；
其中所述纬度神经网络模型的训练方式为：
建立纬度数据集；
所述纬度数据集为
Figure BDA0002623047830000042
yk表示当障碍船位于第k个数据点时的纬度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure BDA0002623047830000043
表示第k个数据点对应时刻的下一时刻障碍船的纬度；
用所述纬度数据集训练所述纬度神经网络模型，得到最优纬度神经网络模型；
S4-B1-3、以(yn，zn)为输入，基于最优纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure BDA0002623047830000044
优选地，l＝2。
优选地，在S4-A2中，以
Figure BDA0002623047830000051
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure BDA0002623047830000052
具体为：
以
Figure BDA0002623047830000053
为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000054
在S4-B2中，以
Figure BDA0002623047830000055
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000056
具体为：
以
Figure BDA0002623047830000057
为输入，基于最优纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000058
优选地，所述航行信息包括船舶的航向、航速以及船舶所处的位置。
优选地，本发明还提供了一种智能船舶避碰系统，所述系统包括：
信息获取模块，用于基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息；
障碍船标记模块，用于根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间；
策略模块，用于基于障碍船，选择执行预置的用于避碰处理的TFT策略；
预测模块，用于在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹；
确定模块，用于根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复策略模块至确定模块，直至危险海域内不存在障碍船，退出避碰期。
(三)有益效果
本发明提供的轨迹预测方法，首先对障碍船采取多人博弈中的TFT策略，使得逼迫障碍船采取与我们合作的博弈策略，同时用神经网络模型模型预测障碍船的位置，使实际中的障碍船的避碰路线更加趋近于模型预测出的路线，从而提高轨迹预测的精准度，避免智能船舶能够在避碰过程中错误的判断。
附图说明
图1为本发明一种智能船舶避碰方法的流程图；
图2为本发明一种智能船舶避碰系统的结构示意图。
【附图标记说明】
1：信息获取模块；2：障碍船标记模块；3：策略模块；4：预测模块；5：确定模块。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本发明中“智能船舶”“本船”两个词语，均是同一艘船舶，即本船。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提供了一种智能船舶避碰方法，包括：
S1、基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息。在优选的实施方式中，航行信息可以为船舶的航向、航速以及船舶所处的位置。
危险海域的具体以智能船舶所处的位置为中心，根据智能船舶自身的航速和转弯性能确定，例如，危险海域可以为以智能船舶所处的位置为圆心，根据智能船舶的航速和转弯性能确定半径。危险海域还可以为扇形区域、正方形或长方形。
S2、智能船舶根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间。
S3、基于障碍船，选择执行预置的用于避碰处理的TFT策略。
博弈TFT策略具体为：
智能船舶相对于障碍船采取避让措施的航行策略，其中，航行策略包括：采取避让措施和不采取避让措施。根据障碍船此时的航行信息，判断障碍船相对于本船所采取的航行策略，若障碍船采取了避让措施的航行策略，则记录zn＝1，否则记录zn＝0，zn表示在第n时刻障碍船采取的航行策略，同时还获取此时障碍船的位置信息。本船第n+1时刻的航行策略为障碍船在第n时刻时所采取的航行策略，n≥0，且n为自然数。
在探讨多障碍船轨迹预测问题，首先需要考虑多船博弈，此时的态势符合多人重复囚徒博弈(下文以NIPD来简述)，每个船都是一个局内人，局内人遵循利益最大化原则进行决策，在NIPD中最主要的使在局内人追求最大利益的过程中能否涌现出合作与合作的稳定性的问题，按照当前的基于不同收益函数的NIPD、基于协商机制的NIPD、基于邻域演化的NIPD等研究的结果来看都是在N值较小(N≤8)时够表现出比较明显的合作，随着N的增加个体的合作就越发困难。在航海过程中，各局内人的决策是受到法律与国际船舶避碰规则的限制，所以这是一个有约束的竞争模式，因此NIPD模型相较于传统的NIPD模型涌现出高合作率要高很多，但是作为一个机器船在海洋中航行，是无法与障碍船进行有效的沟通，无法传递合作意愿，因此最适宜采用的是多人博弈中的TFT策略，首先本船的第一步决策一定是采取避让措施表达善意，选取合作的决策，以后的每一步都重复障碍船上一步的动作(障碍船合作采取避让措施，本船也会继续采取采取避让措施)，但是障碍船选择背叛决策(障碍船采取的行为不符合国际避碰规则、障碍船不采取避让措施，使当前的紧张局面加剧)，本船也将选择背叛决策，航行策略的核心在于永远首先表达善意，永不首先背叛，但是障碍船出现背叛行为的时候及时识别并以牙还牙，当对方出现悔过行为，重新选择合作避让决策，本船也将跟随合作(重复对手的行动)，这个策略稳定，可预期，使得后续通过神经网络模型预测障碍船在未来一段时间内的轨迹是精确的。沟通成本低，障碍船可以迅速识别出并建立信任的良性互动，可以避免对方进行NIPD中的得寸进尺行为，以及错误估计本船的航行策略，进行短暂的相互试探很容易就会形成，局内人都选择合作策略的局面，极大的优化了博弈的复杂程度。
S4、在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹。障碍船的位置信息包括：xn和yn，其中，xn表示在第n个时刻障碍船所处的经度值，yn表示在第n个时刻障碍船所处的纬度值。本申请采用TFT策略提高预测的准确率，简化预测难度。
S5、根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复S3至S5，直至危险海域内不存在障碍船，退出避碰期。
下面提出了S4的一种实施例：
实施1：
在实施例中，我们使用两个人工神经网络模型来构建障碍船轨迹预测模型：经度神经网络模型和纬度神经网络模型。即神经网络模型包括：经度神经网络模型和纬度神经网络模型；
以障碍船的位置信息为输入，基于神经网络模型实时预测每一个障碍船在未来时间段内的行驶轨迹，包括：
在第n个时刻预测障碍船在第n+1时刻的位置信息：
S4-A1、以(xn，zn)为输入，用经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000091
S4-B1、以(yn，zn)为输入，用纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure BDA0002623047830000092
在第n个时刻预测障碍船在第n+t+1时刻的位置信息：
S4-A2、以
Figure BDA0002623047830000093
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure BDA0002623047830000094
S4-B2、以
Figure BDA0002623047830000095
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000096
连接点
Figure BDA0002623047830000097
得到障碍船在未来时间段的行驶轨迹，其中默认
Figure BDA0002623047830000099
且t≥1。
在实施例1中，由于本船相对于障碍船采取了TFT策略，所以能够迫使障碍船相对于本船采取避让措施的航行策略，即能在当前时刻为第n时刻时，默认在障碍船在n+t时刻采取避让措施的航行策略，使得
Figure BDA0002623047830000098
使得本船能够精准的预测障碍船在未来一段时间内的行驶轨迹。
实施例2：
本实施例为S4-A1的一种实现方式，S4-A1具体包括：
S4-A1-1、构建用于预测障碍船所在的预测经度的经度神经网络模型。
确定所述经度神经网络模型的输入层中输入神经元为2个，所述经度神经网络模型的隐藏层中隐藏神经元为l个，所述经度神经网络模型的输出层中输出神经元为1个。
初始化输入神经元与隐藏神经元之间的权重W和偏置B。
初始化隐藏神经元与输出神经元之间的权重M和偏置A。
其中，W＝{w11,w12,w13...,w1l,w21,w22,w23...,w2l}，wji表示第j个输入神经元与第i个隐藏神经元之间的权重值。
B＝{b1,b2,b3...,bl}，bi表示输入层与第i个隐藏神经元之间的偏置值。
M＝{m11,m21,m31...,ml1}，mi1表示第i个隐藏神经元与输出神经元之间的权重值。
A＝{a1}，a1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}。
S4-A1-2、训练所述经度神经网络模型。
其中所述经度神经网络模型的训练方式为：
选取智能船舶的航行历史中，障碍船在避碰期内的航行轨迹。
随机选取航行轨迹上的h个点作为数据点，所述经度数据集为
Figure BDA0002623047830000101
xk表示当障碍船位于第k个数据点时的经度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure BDA0002623047830000102
表示第k个数据点对应时刻的下一时刻障碍船的经度，k＝{1、2、3...h}。
用经度数据集训练经度神经网络模型，得到最优经度神经网络模型。
S4-A1-3、以(xn，zn)为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000103
实施例2：
本实施例为S4-B1的一种实施方式，S4-B1具体包括：
S4-B1-1、构建用于预测障碍船所在的预测的纬度神经网络模型。
确定所述纬度神经网络模型的输入层中输入神经元为2个，所述纬度神经网络模型的隐藏层中隐藏神经元为l个，所述纬度神经网络模型的输出层中输出神经元为1个。
初始化输入神经元与隐藏神经元之间的权重D和偏置E。
初始化隐藏神经元与输出神经元之间的权重F和偏置G。
其中，D＝{d11,d12,d13...,d1l,d21,d22,d23...,d2l}，dji表示第j个输入神经元与第i个隐藏神经元之间的权重值。
E＝{e1,e2,e3...,el}，ei表示输入层与第i个隐藏神经元之间的偏置值；
F＝{f11,f21,f31...,fl1}，fi1表示第i个隐藏神经元与第一个输出神经元之间的权重值。
G＝{g1}，g1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}。
S4-B1-2、训练所述纬度神经网络模型。
其中所述纬度神经网络模型的训练方式为：
建立纬度数据集；
所述纬度数据集为
Figure BDA0002623047830000111
yk表示当障碍船位于第k个数据点时的纬度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure BDA0002623047830000112
表示第k个数据点对应时刻的下一时刻障碍船的纬度。
用所述纬度数据集训练所述纬度神经网络模型，得到最优纬度神经网络模型；
S4-B1-3、以(yn，zn)为输入，基于最优纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure BDA0002623047830000113
实施例4：
在本实施例中，以实施例2为基础，对用经度数据集训练经度神经网络模型，得到最优经度神经网络模型进行具体的说明。
在本实施例中l＝2，隐藏神经元为c1和c2，输出神经元为p1。
所以W＝{w11,w12,w21,w22}，B＝{b1,b2}，M＝{m11,m21}，A＝{a1}。
计算隐藏层两个神经元的值：
c1＝w11x+w21z+b1
c2＝w21x+w22z+b2
其中，x为障碍船在本时刻的经度，z为障碍船在本时刻是否采取了避让措施。
计算经度神经网络模型的输出：
Figure BDA0002623047830000121
Figure BDA0002623047830000122
为预测障碍船在对应下一时刻达到位置的经度预测值。
制作经度神经网络模型的数据集，将数据集的70％分为经度训练集和数据集的30％分为经度测试集，经度训练集和经度测试集的格式相同。我们同时设定一个超参数为h/10，超参数用于定义在更新内部模型参数之前要批处理的样本数。将批处理视为循环迭代一个或多个样本并进行预测。在批处理结束时，将预测与预期输出变量进行比较，并计算误差。我们将随机分出的一个超参数大小的经度训练数据集中所有数据点代入经度神经网络模型(初始时我们使用随机分布初始化权重和偏置)，得到经度预测值
Figure BDA0002623047830000123
随后我们定义损失值为：
Figure BDA0002623047830000124
其中，
Figure BDA0002623047830000125
表示第q个数据点对应时刻的下一时刻障碍船的经度预测值。之后用梯度下降算法对W、M、B和A进行更新。每进行一次批处理后，使用经度测试集测试经度神经网络模型的准确率，当准确率大于设定的阈值时，训练结束得到最优经度神经网络模型。当经纬度预测值与实际的经纬度的差值均小于0.5则认为预测正确，准确率为：
Figure BDA0002623047830000126
由于经度神经网络模型和纬度神经网络模型的机构相同，仅仅是权值和偏置的值不同，所以最优纬度神经网络模型也可以按照实施例4中的方法得到，这里就不做赘述了。
通过数据集训练得到的最优经度神经网络模型和最优纬度神经网络模型，倾向于障碍船采取合作避碰策略的模型即(zn＝1)，TFT策略是实际中通过我们本船的行为在博弈中逼迫障碍船采取与我们本船合作的博弈策略，从而使实际中的障碍船的避碰路线更加趋近于模型预测出的路线，从而提高轨迹预测的精准度，加快模型收敛速度，避免了在避碰的过程中，因为轨迹不精确，出现错误的判断决策。
实施例5：
本实施例为S4-A2和S4-B2一种实施方式。
在S4-A2中，以
Figure BDA0002623047830000131
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure BDA0002623047830000132
具体为：
以
Figure BDA0002623047830000133
为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure BDA0002623047830000134
在S4-B2中，以
Figure BDA0002623047830000135
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000136
具体为：
以
Figure BDA0002623047830000137
为输入，基于最优纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure BDA0002623047830000138
如图2所示，本发明还提供了一种智能船舶避碰系统，包括：
信息获取模块1，用于基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息；
障碍船标记模块2，用于根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间；
策略模块3，用于基于障碍船，选择执行预置的用于避碰处理的TFT策略；
预测模块4，用于在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹；
确定模块5，用于根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复策略模块至确定模块，直至危险海域内不存在障碍船，退出避碰期。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种智能船舶避碰方法，其特征在于，包括：
S1、基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息；
S2、智能船舶根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间；
S3、基于障碍船，选择执行预置的用于避碰处理的TFT策略；
S4、在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹；
S5、根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复S3至S5，直至危险海域内不存在障碍船，退出避碰期。
2.如权利要求1所述的智能船舶避碰方法，其特征在于，所述博弈TFT策略具体为：
智能船舶相对于障碍船先采取避让措施的航行策略，其中，所述航行策略包括：采取避让措施和不采取避让措施；
根据障碍船此时的所述航行信息，判断障碍船相对于本船所采取的航行策略，若障碍船采取了避让措施的航行策略，则记录zn＝1，否则记录zn＝0，zn表示在第n时刻障碍船采取的航行策略，同时还获取此时障碍船的位置信息；
本船第n+1时刻的航行策略为障碍船在第n时刻时所采取的航行策略，n≥0，且n为自然数。
3.如权利要求1所述的智能船舶避碰方法，其特征在于，在S4中：
所述障碍船的位置信息包括：xn和yn，其中，xn表示在第n个时刻障碍船所处的经度值，yn表示在第n个时刻障碍船所处的纬度值；
所述神经网络模型包括：经度神经网络模型和纬度神经网络模型；
所述以障碍船的位置信息为输入，基于神经网络模型实时预测每一个障碍船在未来时间段内的行驶轨迹，包括：
在第n个时刻预测障碍船在第n+1时刻的位置信息：
S4-A1、以(xn，zn)为输入，用经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure FDA0002623047820000021
S4-B1、以(yn，zn)为输入，用纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure FDA0002623047820000022
在第n个时刻预测障碍船在第n+t+1时刻的位置信息：
S4-A2、以
Figure FDA0002623047820000023
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure FDA0002623047820000024
S4-B2、以
Figure FDA0002623047820000025
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure FDA0002623047820000026
连接点
Figure FDA0002623047820000027
得到障碍船在未来时间段的行驶轨迹，其中默认
Figure FDA0002623047820000028
且t≥1。
4.如权利要求3所述的智能船舶避碰方法，其特征在于，S4-A1具体包括：
S4-A1-1：构建用于预测障碍船所在的预测经度的经度神经网络模型；
确定所述经度神经网络模型的输入层中输入神经元为2个，所述经度神经网络模型的隐藏层中隐藏神经元为l个，所述经度神经网络模型的输出层中输出神经元为1个；
初始化输入神经元与隐藏神经元之间的权重W和偏置B；
初始化隐藏神经元与输出神经元之间的权重M和偏置A；
其中，W＝{w11,w12,w13...,w1l,w21,w22,w23...,w2l}，wji表示第j个输入神经元与第i个隐藏神经元之间的权重值；
B＝{b1,b2,b3...,bl}，bi表示输入层与第i个隐藏神经元之间的偏置值；
M＝{m11,m21,m31...,ml1}，mi1表示第i个隐藏神经元与输出神经元之间的权重值；
A＝{a1}，a1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}；
S4-A1-2、训练所述经度神经网络模型；
其中所述经度神经网络模型的训练方式为：
选取智能船舶的航行历史中，障碍船在避碰期内的航行轨迹；
随机选取航行轨迹上的h个点作为数据点，所述经度数据集为
Figure FDA0002623047820000031
xk表示当障碍船位于第k个数据点时的经度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure FDA0002623047820000032
表示第k个数据点对应时刻的下一时刻障碍船的经度，k＝{1、2、3...h}；
用经度数据集训练经度神经网络模型，得到最优经度神经网络模型；
S4-A1-3、以(xn，zn)为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure FDA0002623047820000033
5.如权利要求4所述的智能船舶避碰方法，其特征在于，S4-B1具体包括：
S4-B1-1、构建用于预测障碍船所在的预测的纬度神经网络模型；
确定所述纬度神经网络模型的输入层中输入神经元为2个，所述纬度神经网络模型的隐藏层中隐藏神经元为l个，所述纬度神经网络模型的输出层中输出神经元为1个；
初始化输入神经元与隐藏神经元之间的权重D和偏置E；
初始化隐藏神经元与输出神经元之间的权重F和偏置G；
其中，D＝{d11,d12,d13...,d1l,d21,d22,d23...,d2l}，dji表示第j个输入神经元与第i个隐藏神经元之间的权重值；
E＝{e1,e2,e3...,el}，ei表示输入层与第i个隐藏神经元之间的偏置值；
F＝{f11,f21,f31...,fl1}，fi1表示第i个隐藏神经元与第一个输出神经元之间的权重值；
G＝{g1}，g1表示隐藏层与第一个输出神经元之间的偏置值，且j∈{1,2}，i∈{1,2,3...l}；
S4-B1-2、训练所述纬度神经网络模型；
其中所述纬度神经网络模型的训练方式为：
建立纬度数据集；
所述纬度数据集为
Figure FDA0002623047820000041
yk表示当障碍船位于第k个数据点时的纬度，zk表示当障碍船位于第k个数据点时所采取的航行策略，
Figure FDA0002623047820000042
表示第k个数据点对应时刻的下一时刻障碍船的纬度；
用所述纬度数据集训练所述纬度神经网络模型，得到最优纬度神经网络模型；
S4-B1-3、以(yn，zn)为输入，基于最优纬度神经网络模型预测得到n+1时刻障碍船的纬度预测值
Figure FDA0002623047820000043
6.如权利要求5所述的智能船舶避碰方法，其特征在于，l＝2。
7.如权利要求5所述的智能船舶避碰方法，其特征在于，在S4-A2中，以
Figure FDA0002623047820000044
为输入，用经度神经网络模型预测得到n+t+1时刻障碍船的经度预测值
Figure FDA0002623047820000045
具体为：
以
Figure FDA0002623047820000046
为输入，基于最优经度神经网络模型预测得到n+1时刻障碍船的经度预测值
Figure FDA0002623047820000047
在S4-B2中，以
Figure FDA0002623047820000048
为输入，用纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure FDA0002623047820000049
具体为：
以
Figure FDA00026230478200000410
为输入，基于最优纬度神经网络模型预测得到n+t+1时刻障碍船的纬度预测值
Figure FDA00026230478200000411
8.如权利要求1-7中任意一项所述的智能船舶避碰方法，其特征在于，所述航行信息包括船舶的航向、航速以及船舶所处的位置。
9.一种智能船舶避碰系统，其特征在于，所述系统包括：
信息获取模块，用于基于智能船舶位所处的位置确定危险海域，智能船舶获取危险海域内所有船舶的航行信息；
障碍船标记模块，用于根据所有船舶的航行信息，将需要进行避碰处理的船舶标记为障碍船，进入避碰期，初始化时间；
策略模块，用于基于障碍船，选择执行预置的用于避碰处理的TFT策略；
预测模块，用于在智能船舶执行TFT策略过程中，实时采集障碍船的位置信息，以障碍船的位置信息为输入，基于神经网络模型实时预测障碍船在未来时间段内的行驶轨迹；
确定模块，用于根据预测的障碍船的行驶轨迹，和当前智能船舶在未来时间段内的行驶轨迹，确定危险海域是否存在障碍船；
若存在，则重复策略模块至确定模块，直至危险海域内不存在障碍船，退出避碰期。
CN202010788901.7A 2020-08-07 2020-08-07 一种智能船舶避碰方法及系统 Active CN112052984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010788901.7A CN112052984B (zh) 2020-08-07 2020-08-07 一种智能船舶避碰方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010788901.7A CN112052984B (zh) 2020-08-07 2020-08-07 一种智能船舶避碰方法及系统

Publications (2)

Publication Number Publication Date
CN112052984A true CN112052984A (zh) 2020-12-08
CN112052984B CN112052984B (zh) 2024-06-14

Family

ID=73602141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010788901.7A Active CN112052984B (zh) 2020-08-07 2020-08-07 一种智能船舶避碰方法及系统

Country Status (1)

Country Link
CN (1) CN112052984B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965484A (zh) * 2021-02-03 2021-06-15 武汉理工大学 变稳船的控制系统和方法
CN113076338A (zh) * 2021-02-04 2021-07-06 中国船级社 一种基于规则的智能船舶避碰自动测试场景生成方法及系统
CN113156947A (zh) * 2021-04-14 2021-07-23 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113849909A (zh) * 2021-09-18 2021-12-28 大连海事大学 一种基于动态博弈的海上自主水面船舶避让行为决策方法
CN114464015A (zh) * 2022-02-08 2022-05-10 北京百度网讯科技有限公司 数据处理方法、装置、电子设备以及存储介质
CN115366920A (zh) * 2022-08-31 2022-11-22 阿波罗智能技术(北京)有限公司 用于自动驾驶车辆的决策方法及装置、设备和介质
CN115457807A (zh) * 2022-10-25 2022-12-09 安徽慧软智能科技有限公司 基于导航雷达的船舶避碰预警系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11272999A (ja) * 1998-03-24 1999-10-08 Tokimec Inc 船舶衝突予防援助装置及び船舶衝突予防援助方法
US6418378B1 (en) * 2000-06-26 2002-07-09 Westerngeco, L.L.C. Neural net prediction of seismic streamer shape
KR20130071580A (ko) * 2011-12-21 2013-07-01 한국해양과학기술원 다중선박 충돌위험도 식별 지원 시스템
KR101380462B1 (ko) * 2012-12-20 2014-04-02 한국해양과학기술원 선박운항정보 추정 기반 타선인식 지원 시스템 및 방법
CN105564609A (zh) * 2014-10-14 2016-05-11 威海拓达高科船舶科技有限公司 一种用于船舶避碰的免疫智能控制装置
CN108319293A (zh) * 2018-01-17 2018-07-24 哈尔滨工程大学 一种基于lstm网络的uuv实时避碰规划方法
CN108711312A (zh) * 2018-05-24 2018-10-26 大连海事大学 基于bp神经网络的船舶与静态物标碰撞风险预判方法
CN109976342A (zh) * 2019-03-22 2019-07-05 智慧航海（青岛）科技有限公司 一种动态搜索的智能船舶多船会遇避碰方法
CN110203325A (zh) * 2019-06-14 2019-09-06 上海外高桥造船有限公司 船舶自主航行系统的避碰功能的测试方法及系统
KR20190117070A (ko) * 2018-04-06 2019-10-16 충북대학교 산학협력단 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치
CN110341877A (zh) * 2019-06-04 2019-10-18 智慧航海（青岛）科技有限公司 一种智能船舶自主避碰的分布式仿真测试系统及方法
CN110737267A (zh) * 2019-09-30 2020-01-31 智慧航海（青岛）科技有限公司 一种无人船多目标优化方法及无人船智能综合管控系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11272999A (ja) * 1998-03-24 1999-10-08 Tokimec Inc 船舶衝突予防援助装置及び船舶衝突予防援助方法
US6418378B1 (en) * 2000-06-26 2002-07-09 Westerngeco, L.L.C. Neural net prediction of seismic streamer shape
KR20130071580A (ko) * 2011-12-21 2013-07-01 한국해양과학기술원 다중선박 충돌위험도 식별 지원 시스템
KR101380462B1 (ko) * 2012-12-20 2014-04-02 한국해양과학기술원 선박운항정보 추정 기반 타선인식 지원 시스템 및 방법
CN105564609A (zh) * 2014-10-14 2016-05-11 威海拓达高科船舶科技有限公司 一种用于船舶避碰的免疫智能控制装置
CN108319293A (zh) * 2018-01-17 2018-07-24 哈尔滨工程大学 一种基于lstm网络的uuv实时避碰规划方法
KR20190117070A (ko) * 2018-04-06 2019-10-16 충북대학교 산학협력단 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치
CN108711312A (zh) * 2018-05-24 2018-10-26 大连海事大学 基于bp神经网络的船舶与静态物标碰撞风险预判方法
CN109976342A (zh) * 2019-03-22 2019-07-05 智慧航海（青岛）科技有限公司 一种动态搜索的智能船舶多船会遇避碰方法
CN110341877A (zh) * 2019-06-04 2019-10-18 智慧航海（青岛）科技有限公司 一种智能船舶自主避碰的分布式仿真测试系统及方法
CN110203325A (zh) * 2019-06-14 2019-09-06 上海外高桥造船有限公司 船舶自主航行系统的避碰功能的测试方法及系统
CN110737267A (zh) * 2019-09-30 2020-01-31 智慧航海（青岛）科技有限公司 一种无人船多目标优化方法及无人船智能综合管控系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965484A (zh) * 2021-02-03 2021-06-15 武汉理工大学 变稳船的控制系统和方法
CN112965484B (zh) * 2021-02-03 2022-05-10 武汉理工大学 变稳船的控制系统和方法
CN113076338A (zh) * 2021-02-04 2021-07-06 中国船级社 一种基于规则的智能船舶避碰自动测试场景生成方法及系统
CN113156947A (zh) * 2021-04-14 2021-07-23 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113156947B (zh) * 2021-04-14 2024-03-08 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113849909A (zh) * 2021-09-18 2021-12-28 大连海事大学 一种基于动态博弈的海上自主水面船舶避让行为决策方法
CN113849909B (zh) * 2021-09-18 2024-04-09 大连海事大学 一种基于动态博弈的海上自主水面船舶避让行为决策方法
CN114464015A (zh) * 2022-02-08 2022-05-10 北京百度网讯科技有限公司 数据处理方法、装置、电子设备以及存储介质
CN115366920A (zh) * 2022-08-31 2022-11-22 阿波罗智能技术(北京)有限公司 用于自动驾驶车辆的决策方法及装置、设备和介质
CN115457807A (zh) * 2022-10-25 2022-12-09 安徽慧软智能科技有限公司 基于导航雷达的船舶避碰预警系统
CN115457807B (zh) * 2022-10-25 2023-09-26 安徽慧软智能科技有限公司 基于导航雷达的船舶避碰预警系统

Also Published As

Publication number Publication date
CN112052984B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN112052984A (zh) 一种智能船舶避碰方法及系统
CN111694365B (zh) 一种基于深度强化学习的无人船艇编队路径跟踪方法
CN112100917B (zh) 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法
CN114625151B (zh) 一种基于强化学习的水下机器人避障路径规划方法
CN115016496A (zh) 基于深度强化学习的水面无人艇路径跟踪方法
CN113534668B (zh) 基于最大熵的演员-评论家框架的auv运动规划方法
CN113128826B (zh) 通航风险预测方法、装置和存储介质
CN113044064A (zh) 基于元强化学习的车辆自适应的自动驾驶决策方法及系统
CN109858137A (zh) 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法
Li et al. Reinforcement learning and deep learning based lateral control for autonomous driving
CN112766329B (zh) 一种多无人艇协同拦截控制方法及系统
CN116110022B (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及系统
CN109556609A (zh) 一种基于人工智能的避碰方法及装置
CN114859910A (zh) 基于深度强化学习的无人船路径跟随系统及方法
CN117289691A (zh) 用于导航场景下强化学习的路径规划智能体的训练方法
CN117784812A (zh) 基于进化引导深度强化学习的无人机自主飞行决策方法
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
Capo et al. Short-term trajectory planning in TORCS using deep reinforcement learning
CN113743603A (zh) 控制方法、装置、存储介质及电子设备
CN114609925B (zh) 水下探索策略模型的训练方法及仿生机器鱼水下探索方法
CN115755603A (zh) 船舶运动模型参数智能灰箱辨识方法、船舶运动控制方法
CN116383041A (zh) 用于自动驾驶仿真测试的车道线拟合方法及装置
CN114440875A (zh) 一种基于概率神经网络的重力匹配方法
CN113917930A (zh) 一种基于感知数据的无人船航行状态控制方法
Guo et al. Trained Model Reuse of Autonomous-Driving in Pygame with Deep Reinforcement Learning

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