CN112258602B - 一种停止线生成方法、装置、电子设备及存储介质 - Google Patents
一种停止线生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112258602B CN112258602B CN202011159893.6A CN202011159893A CN112258602B CN 112258602 B CN112258602 B CN 112258602B CN 202011159893 A CN202011159893 A CN 202011159893A CN 112258602 B CN112258602 B CN 112258602B
- Authority
- CN
- China
- Prior art keywords
- parking
- points
- stop line
- point
- taking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种停止线生成方法、装置、电子设备及存储介质,该方法包括:获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;对提取得到的停车点聚类,得到每一个停车点对应的停车区;对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果,并根据车辆轨迹覆盖信息计算得到最终的预测停止线。从而可以基于直行轨迹生成停止线,过程简单且处理速度快,并能保障预测停止线的精度。
Description
技术领域
本发明涉及高精度地图制作领域,尤其涉及一种停止线生成方法、装置、电子设备及存储介质。
背景技术
作为众包高精度地图的重要要素之一,停止线是自动驾驶不可或缺的参考要素。对于众包采集的原始轨迹数据,在没有车道线、红绿灯等其他要素情况下,要得到正确的拓扑,需要优先确定停止线,而众包采集的数据中,停止线可能会有所缺失,一般通过对车辆轨迹数据处理可以生成停止线。实际中,当轨迹数据采集量不足、缺少转向轨迹时,由于传统的停止线方法只能基于转向轨迹生成,无法对只包含直行轨迹数据进行处理生成停止线。
发明内容
有鉴于此,本发明实施例提供了一种停止线生成方法、装置、电子设备及存储介质,以解决无法对只包含直行轨迹数据处理得到停止线的问题。
在本发明实施例的第一方面,提供了一种停止线生成方法,包括:
获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
对提取得到的停车点聚类,得到每一个停车点对应的停车区;
对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;
取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果,并根据车辆轨迹覆盖信息计算得到最终的预测停止线。
在本发明实施例的第二方面,提供了一种用于停止线生成的装置,包括:
预处理模块,用于获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
聚类模块,用于对提取得到的停车点聚类,得到每一个停车点对应的停车区;
预测模块,用于对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果;
绘制模块,用于根据车辆轨迹覆盖信息计算得到最终的预测停止线。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,提取直行轨迹中的停车点,对停车点聚类,得到每一个停车点对应的停车区,对停车点进行特征计算,通过LightGBM算法将停车区内停车点与停止线真值间的距离作为真值进行训练,得到对应的预测停止线点的位置和方向;取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果,根据车辆轨迹覆盖信息得到最终的预测停止线。从而可以基于直行轨迹生成道路停止线,过程简单且易于实现,并能保障停止线的生成精度,进而可以补充高精度地图中缺失的停止线,提高众包构图的完整性和精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种停止线生成方法的流程示意图;
图2为本发明的一个实施例提供的非堵车停车点示意图;
图3为本发明的一个实施例提供的预测停止线点示意图;
图4为本发明的一个实施例提供的预测停止线示意图;
图5为本发明的一个实施例提供的预测停止线及停止线真值的示意图;
图6为本发明的一个实施例提供的一种用于停止线生成的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明一个实施例提供的一种停止线生成方法的流程示意图,包括:
S101、获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
在所述车辆直行轨迹数据中不包括转向轨迹数据,基于车辆直行中在停止线附近的运动规律,可以确定每条轨迹中对应的停车点。
其中,由于原始数据中,不同数据源的坐标体系、提供的字段不相同,还存在一些异常值。获取到直行轨迹数据后,对直行轨迹数据进行预处理,包括坐标转换、字段统一化、异常值处理等,得到满足一定规范的数据块。
根据车辆在停止线附近速度较小的运动规律,提取直行轨迹中的停车点。在提取的停车点中可能包含有特殊情况的停车点,如堵车产生的停车点等,因此需要剔除掉类似堵车点的提取数据。
优选的,根据停车点间的相对位置、方向关系剔除停车点中的堵车点。其中,非堵车停车点如图2所示。
S102、对提取得到的停车点聚类,得到每一个停车点对应的停车区;
对以上提取得到的停车点进行聚类,并剔除异常值等,可以得到每一个停车点对应的停车区标签。
S103、对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;
所述LightGBM是一个梯度Boosting框架,采用基于决策树的学习算法,其通过遍历得到的直方图累计统计量,根据直方图的离散值,遍历寻找最优分割点。通过LightGBM可以高效快速确定停车点对应的停止线点位置,训练效率高,内存占用率低且支持并行学习。其中,停车点对应的预测停止线点如图3所示。
具体的,对每一个停车区内的停车点进行特征计算,得到停车点的训练特征。将停车区内停车点与停止线真值间的距离作为训练样本的真值,采用LightGBM算法进行训练,通过训练得到的模型确定每个停车点对应的预测停止线点的位置,并将停车点的方向作为对应的预测停止线点的方向。
其中,根据轨迹覆盖信息绘制的预测停止线如图4所示,预测停止线与停止线真值之间的对应关系如图5所示。
S104、取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果,并根据车辆轨迹覆盖信息计算得到最终的预测停止线。
按停车区处理停止线点预测值,取相同停车区内预测停止线点的坐标、方向均值作为最终停止线点的预测结果。根据轨迹覆盖信息计算预测停止线点对应的预测停止线,得到最终的停止线预测结果,预测结果准确可靠。
通过本实施例提供的方法,可以基于直行轨迹生成停止线,过程简单且生成效率高,补充高精度众包地图中停止线的缺失,保障众包地图的精度和完整性。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图6为本发明实施例提供的一种用于停止线生成的装置的结构示意图,该装置包括:
预处理模块610,用于获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
其中,对车辆直行轨迹数据进行预处理,得到满足预定规范的数据块,所述预处理过程中至少包括坐标转换、字段统一化和异常值处理。
优选的,所述提取模块610还包括:
剔除单元,根据停车点间的相对位置、方向关系剔除停车点中的堵车点。
聚类模块620,用于对提取得到的停车点聚类,得到每一个停车点对应的停车区;
预测模块,用于对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为对应的预测停止线点的方向;取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果;
具体的,所述预测模块630包括:
特征计算单元,用于对停车区内停车点进行特征计算,提取停车点的训练特征;
模型训练单元,用于将停车区内停车点与停止线真值间的距离作为训练样本的真值,采用LightGBM算法进行训练,通过训练得到的模型确定每个停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向。
绘制模块640,用于根据车辆轨迹覆盖信息计算得到最终的预测停止线。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序执行如实施例一中步骤S101~S104,处理器执行所述计算机程序时实现停止线的生成。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101~S104,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种停止线生成方法,其特征在于,包括:
获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
对提取得到的停车点聚类,得到每一个停车点对应的停车区;
对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;
其中,对停车区内停车点进行特征计算,提取停车点的训练特征;
将停车区内停车点与停止线真值间的距离作为训练样本的真值,采用LightGBM算法进行训练,通过训练得到的模型确定停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;
取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果,并根据车辆轨迹覆盖信息计算得到最终的预测停止线。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆直行轨迹数据包括:
对车辆直行轨迹数据进行预处理,得到满足预定规范的数据块,所述预处理过程中至少包括坐标转换、字段统一化和异常值处理。
3.根据权利要求1所述方法,其特征在于,所述获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点包括:
根据停车点间的相对位置和方向关系剔除停车点中的堵车点。
4.一种用于停止线生成的装置,其特征在于,包括:
预处理模块,用于获取车辆直行轨迹数据,根据车辆速度特征提取直行的停车点;
聚类模块,用于对提取得到的停车点聚类,得到每一个停车点对应的停车区;
预测模块,用于对停车区内停车点进行特征计算,将停车区内停车点与停止线真值间的距离作为真值,通过LightGBM算法进行训练得到模型,将停车点代入模型得到停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;取相同停车区内预测停止线点的坐标和方向的均值作为停止线点的预测结果;
其中,所述预测模块包括:
特征计算单元,用于对停车区内停车点进行特征计算,提取停车点的训练特征;
模型训练单元,用于将停车区内停车点与停止线真值间的距离作为训练样本的真值,采用LightGBM算法进行训练,通过训练得到的模型确定停车点对应的预测停止线点的位置,并将停车点的方向作为所述预测停止线点的方向;
绘制模块,用于根据车辆轨迹覆盖信息计算得到最终的预测停止线。
5.根据权利要求4所述的装置,其特征在于,所述获取车辆直行轨迹数据包括:
对车辆直行轨迹数据进行预处理,得到满足预定规范的数据块,所述预处理过程中至少包括坐标转换、字段统一化和异常值处理。
6.根据权利要求4所述的装置,其特征在于,所述预处理模块还包括:
剔除单元,根据停车点间的相对位置、方向关系剔除停车点中的堵车点。
7.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述停止线生成方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述停止线生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011159893.6A CN112258602B (zh) | 2020-10-26 | 2020-10-26 | 一种停止线生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011159893.6A CN112258602B (zh) | 2020-10-26 | 2020-10-26 | 一种停止线生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258602A CN112258602A (zh) | 2021-01-22 |
CN112258602B true CN112258602B (zh) | 2023-02-03 |
Family
ID=74261292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011159893.6A Active CN112258602B (zh) | 2020-10-26 | 2020-10-26 | 一种停止线生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258602B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140069749A (ko) * | 2012-11-29 | 2014-06-10 | 한국교통연구원 | 안전 운전 지원을 위한 장치 및 방법 |
CN108492562A (zh) * | 2018-04-12 | 2018-09-04 | 连云港杰瑞电子有限公司 | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 |
CN109271858A (zh) * | 2018-08-13 | 2019-01-25 | 武汉中海庭数据技术有限公司 | 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统 |
WO2020139391A1 (en) * | 2018-12-28 | 2020-07-02 | Didi Research America, Llc | Vehicle-based virtual stop and yield line detection |
-
2020
- 2020-10-26 CN CN202011159893.6A patent/CN112258602B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140069749A (ko) * | 2012-11-29 | 2014-06-10 | 한국교통연구원 | 안전 운전 지원을 위한 장치 및 방법 |
CN108492562A (zh) * | 2018-04-12 | 2018-09-04 | 连云港杰瑞电子有限公司 | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 |
CN109271858A (zh) * | 2018-08-13 | 2019-01-25 | 武汉中海庭数据技术有限公司 | 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统 |
WO2020139391A1 (en) * | 2018-12-28 | 2020-07-02 | Didi Research America, Llc | Vehicle-based virtual stop and yield line detection |
Non-Patent Citations (1)
Title |
---|
基于稀疏采样GPS轨迹数据的路口识别方法;陈亚玲等;《计算机工程》;20180830(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112258602A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426801B (zh) | 一种车道线实例检测方法和装置 | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN110009029B (zh) | 基于点云分割的特征匹配方法 | |
CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
CN111582189A (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN112258602B (zh) | 一种停止线生成方法、装置、电子设备及存储介质 | |
CN112434585A (zh) | 一种车道线的虚实识别方法、系统、电子设备及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN114359859A (zh) | 一种含遮挡的目标物处理方法、装置及存储介质 | |
CN110705545B (zh) | 障碍物识别方法、装置、存储介质及巡检机器人 | |
CN114512052A (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 | |
CN109948656B (zh) | 一种信息处理方法、装置及存储介质 | |
CN113345015A (zh) | 一种包裹位置检测方法、装置、设备及可读存储介质 | |
CN112180913A (zh) | 特种车辆识别方法 | |
CN112163471A (zh) | 一种拥堵检测的方法和装置 | |
CN116071400B (zh) | 一种基于激光雷达设备的目标轨迹跟踪方法 | |
CN114445568A (zh) | 一种直行转弯复合箭头的检测提取方法及系统 | |
CN110688935B (zh) | 一种基于快速搜索的单车道车辆检测方法 | |
CN110907928B (zh) | 目标对象的位置确定方法、装置、电子设备及存储介质 | |
Adarsh | Real-Time Speed Bump Detection Using Image Segmentation for Autonomous Vehicles | |
CN113158743B (zh) | 基于先验知识的小目标实时检测与定位方法、系统、设备 | |
CN116198509A (zh) | 自动驾驶目标场景的识别方法、装置、终端设备以及汽车 | |
Huong et al. | OptimRSEG: An Optimized Semantic Road Segmentation Model |
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 |