CN112760908A - 一种洗衣系统及控制方法 - Google Patents

一种洗衣系统及控制方法 Download PDF

Info

Publication number
CN112760908A
CN112760908A CN202011584379.7A CN202011584379A CN112760908A CN 112760908 A CN112760908 A CN 112760908A CN 202011584379 A CN202011584379 A CN 202011584379A CN 112760908 A CN112760908 A CN 112760908A
Authority
CN
China
Prior art keywords
washing
cloud server
reinforcement learning
sample information
user
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.)
Pending
Application number
CN202011584379.7A
Other languages
English (en)
Inventor
刘平权
蔡谷奇
熊育平
胡彦劼
何超鸿
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011584379.7A priority Critical patent/CN112760908A/zh
Publication of CN112760908A publication Critical patent/CN112760908A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/36—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of washing
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/68—Operation mode; Program phase

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Control Of Washing Machine And Dryer (AREA)

Abstract

本发明属于洗衣机领域，尤其涉及一种洗衣系统及控制方法，所述洗衣系统包括：包括云服务器和与所述云服务器通信连接的多台洗衣机；所述云服务器获取洗衣机的样本信息，并对获取的样本信息进行强化学习建模训练；所述洗衣机根据用户选择的运行模式基于云服务器训练后的新模型向用户推荐洗涤参数和/洗涤程序。本发明的洗衣系统采用了机器学习、云服务、物联网等技术，扩大了机器学习的样本数量和复杂度，使得机器学习生成的模型精度更高覆盖面更广，并且能够很好的将模型应用于所有的用户，增强产品的舒适性体验。

Description

一种洗衣系统及控制方法
技术领域
本发明属于洗衣机领域，尤其涉及一种洗衣系统及控制方法。
背景技术
人工智能(artificial intelligence)是计算机工程学以及信息技术的一个分支，研究能够使计算机进行用人类的智能进行的思考、学习、自己开发等的方法，是指使计算机能够模仿人类的智能行为的技术。另外，人工智能并非以其自身单独存在，而是与计算机科学的其他领域存在很多的直接或间接的关联。尤其，在当今时代，非常积极地尝试在信息技术的多种领域中引入人工智能要素来解决该领域的问题。
虽然洗衣机提供了多种洗涤过程，但是洗衣机提供的洗涤参数是制造商根据洗涤物的种类、洗涤时间等等通过实验环境测试而设定的，这些参数在使用者的实际使用环境下很难做到最佳。但是，如果仅凭洗衣机制造商去测试更多的实验环境，一方面会导致产品开发成本增加等一系列问题，一方面制造商很难全面模拟实际的使用环境。
现有技术提出了通过强化学习来推荐符合使用者的洗涤模式和状况的洗涤过程的洗衣机，但个别用户的习惯样本较少，导致训练的深度学习精度难以提高用户体验不佳。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种能提高深度学习训练后的模型精确度的洗衣系统及控制方法。
为解决上述技术问题，本发明第一目的提供了一种洗衣系统，包括云服务器和与所述云服务器通信连接的多台洗衣机；
所述云服务器获取洗衣机的样本信息，并对获取的样本信息进行强化学习建模训练；
所述洗衣机根据用户选择的运行模式基于云服务器训练后的新模型向用户推荐洗涤参数和/洗涤程序。
进一步可选地，所述样本信息包括洗涤模式、洗涤物特征、洗涤状况信息、电机参数以及用户的洗涤满意度。
进一步可选地，将洗涤模式、洗涤物特征、洗涤状况信息作为强化学习建模训练的环境；将各个用户的洗涤满意度、电机参数参数作为强化学习建模训练的激励函数。
进一步可选地，当云服务器获取洗衣机的样本信息后，还判断云服务器是否有该样本信息的强化学习模型，若有强化学习模型，则对该强化学习模型进行训练，若没有则建立强化学习模型后再进行训练。
进一步可选地，所述云服务器强化学习训练后的新模型应用于与所述云服务器相连的所有洗衣机。
进一步可选地，在用户选择运行模式后，所述洗衣机还判断云服务器是否有针对该运行模式的强化建模训练后的新模型，若有新模型，则接收新模型后并基于新模型向用户推荐洗涤参数和/或运行程序。
进一步可选地，若云服务器没有针对该运行模式的新模型，则基于洗衣机中针对该运行模式的已有模型向用户推荐洗涤参数和/或运行程序。
进一步可选地，当洗衣机按照推荐的洗涤参数和/或运行程序结束洗涤后，还向用户询问此次洗涤的满意度；若用户对此次洗涤进行满意度评价，则将本次洗涤的样本信息发送至云服务器，用于在云服务进行强化学习建模训练。
本发明的第二目的还提出了一种洗衣系统的控制方法，包括
获取洗衣机的样本信息，将所述样本信息发送至云服务器并在所述云服务器进行强化学习建模训练；
根据洗衣机当前的运行模式将训练后的新模型发送至洗衣机，并基于训练后的新模型向用户推荐洗涤参数和/洗涤程序。
进一步可选地，获取用户进行洗涤满意度评价的洗衣机的样本信息，并将获取的样本信息发送至云服务器进行强化学习建模训练，训练完成后的新模型应用于与所述云服务器相连的所有洗衣机。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果：
本发明采用了机器学习、云服务、物联网等技术，扩大了机器学习的样本数量和复杂度，使得机器学习生成的模型精度更高覆盖面更广，并且能够很好的将模型应用于所有的用户，增强产品的舒适性体验。有效解决了洗衣机制造商设定的洗涤参数不能完全符合实际环境的问题，以及解决了神经网络、强化学习训练样本较少，训练后的模型精度不高的问题。并且本发明的洗衣系统训练的模型对所有洗衣机均产生优化效果。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1：为本发明的洗衣系统的控制流程图。
图2：为本发明实施例的洗衣机的控制流程图。
图3：为本发明实施例的云服务器的控制流程图。
图4：为本发明实施例的强化学习的基本原理框架。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
在本发明的描述中，需要说明的是，术语“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“接触”、“连通”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本实施例提了一种洗衣系统，如图1所示，包括云服务器和与所述云服务器通信连接的多台洗衣机；
所述云服务器获取洗衣机的样本信息，并对获取的样本信息进行强化学习建模训练；
所述洗衣机根据用户选择的运行模式基于云服务器训练后的新模型向用户推荐洗涤参数和/洗涤程序。
进一步可选地，所述样本信息包括洗涤模式、洗涤物特征、洗涤状况信息、电机参数以及用户的洗涤满意度。优选的，将洗涤模式、洗涤物特征、洗涤状况信息作为强化学习建模训练的环境；将各个用户的洗涤满意度、电机参数参数作为强化学习建模训练的激励函数。
如图1所示的洗衣系统图，本实施例通过物联网技术实时收集所有用户的洗涤模式、洗涤物特征、洗涤状况信息、以及各个用户的洗涤满意度等发送到云服务器。云服务器使用强化学习技术将洗涤模式、洗涤物特征、洗涤状况信息等作为环境，各个用户的洗涤满意度、电机参数等参数组成激励函数，进行强化学习建模训练，模型训练完成后分发给所有用户，此模型下强化学习可以推荐当前实际环境下最适合当前洗衣机的洗涤参数、洗涤过程。
进一步可选地，当云服务器获取洗衣机的样本信息后，还判断云服务器是否有该样本信息的强化学习模型，若有强化学习模型，则对该强化学习模型进行训练，若没有则建立强化学习模型后再进行训练。
如图3所示的云服务器的运行流程图，云服务器首先接收洗衣机发送给云服务器的样本信息并保存；下一步判断是否已经建立强化学习模型，如果否就建立强化学习模型，如果是则进入下一步；下一步云服务器将会用接收到的样本再次对强化学习模型进行训练；下一步模型训练完后，训练完成后的新模型将应用于与云服务器相连的所有洗衣机。
进一步可选地，所述云服务器强化学习训练后的新模型应用于与所述云服务器相连的所有洗衣机。
进一步可选地，在用户选择运行模式后，所述洗衣机还判断云服务器是否有针对该运行模式的强化建模训练后的新模型，若有新模型，则接收新模型后并基于新模型向用户推荐洗涤参数和/或运行程序。若云服务器没有针对该运行模式的新模型，则基于洗衣机中针对该运行模式的已有模型向用户推荐洗涤参数和/或运行程序。
如图2所示的流程图，用户首先选择运行模式(混合、快洗、羊毛等)；然后洗衣机会查询云服务器是否有新的模型，如果有新模型洗衣机将会接收并保存云服务器的模型，如果没有新模型则进入下一步；洗衣机运行模型后模型会根据用户选择的不同运行模式给用户推荐最佳洗涤参数和/或洗涤程序；随后洗衣机根据推荐的洗涤参数和/或洗涤程序进行洗涤。
进一步可选地，当洗衣机按照推荐的洗涤参数和/或运行程序结束洗涤后，还向用户询问此次洗涤的满意度；若用户对此次洗涤进行满意度评价，则将本次洗涤的样本信息发送至云服务器，用于在云服务进行强化学习建模训练。
在洗涤结束后洗衣机使用问答模式根据洗涤衣物的洗涤时间、洗涤洁净度、衣物损毁度等方面，向用户询问本次洗涤满意度；最后洗衣机将此次洗涤样本信息发送到云服务器，至此洗衣机整个流程结束。图1中，用户A、C、D进行了洗涤满意度评价，则用户A、C、D将洗涤时的样本信息发送给了云服务器，云服务器将强化学习的新模型应用于所有洗衣机，即用户A、B、C、D的洗衣机。
本实施例还提出了一种洗衣系统的控制方法，包括
获取洗衣机的样本信息，将所述样本信息发送至云服务器并在所述云服务器进行强化学习建模训练；
根据洗衣机当前的运行模式将训练后的新模型发送至洗衣机，并基于训练后的新模型向用户推荐洗涤参数和/洗涤程序。
进一步可选地，获取用户进行洗涤满意度评价的洗衣机的样本信息，并将获取的样本信息发送至云服务器进行强化学习建模训练，训练完成后的新模型应用于与所述云服务器相连的所有洗衣机。
本实施例通过将洗衣机接入云服务器实时收集所有洗衣机的洗涤模式、洗涤物特征、洗涤状况信息、电机参数以及各个用户的洗涤满意度等样本信息。云服务器建立强化学习模型，将洗涤模式、洗涤物特征、洗涤状况信息等作为环境，各个用户的洗涤满意度、电机参数等参数组成激励函数。用户每次使用洗衣机后的样本信息都将用来训练模型，模型训练完成后的新模型可应用于所有洗衣机，当洗衣机样本信息越来越多时建立的模型也越来越准确，最终在此模型下强化学习可以推荐当前实际环境下最适合当前洗衣机的洗涤参数、洗涤过程。
本实例中强化学习(Reinforcement Learning)是一种理论，其基本原理框架如图4所示，即当给出了智能体(Agent)能够判断何时采取哪种行动的环境(environment)时，可以在没有数据的情况下通过经验寻找最佳途径。强化学习主要可以通过马尔可夫决策过程(Markov Decision Process，MDP)来执行。对马尔可夫决策过程进行说明如下：第一、给出由智能体采取下一步行动所需的信息构成的环境，第二、定义智能体在该环境中如何行动，第三、定义当智能体成功采取某种行为时给予奖励(reward)，当未能采取某种行为时给予惩罚(penalty)，第四、重复经验，直到将来的奖励达到最高点，从而导出最佳的策略。将马尔可夫决策过程应用于本实施例，则智能体是强化学习模型，洗涤模式、洗涤物特征、洗涤状况信息等作为环境。以利用智能体(强化学习模型)提供的洗涤信息和状况信息来确定以何种方式进行动作，即，可以确定推荐优洗涤参数、洗涤过程。可定义为当智能体(强化学习模型)推荐使用者所希望的洗涤过程时，给予奖赏(即用户的正向洗涤满意度，电机的正常运行)，当未推荐使用者所希望的洗涤过程时提供惩罚(用户的负向洗涤满意度，电机的过载运行)，引入用户满意度作为激励指引智能体寻找用户认为最优洗涤参数和/或洗涤程序，引入电机参数作为激励防止系统过载寻找系统最优洗涤参数和/或洗涤程序。在此情况下，可基于奖赏和惩罚来更新训练强化学习模型。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种洗衣系统，其特征在于，包括云服务器和与所述云服务器通信连接的多台洗衣机；
所述云服务器获取洗衣机的样本信息，并对获取的样本信息进行强化学习建模训练；
所述洗衣机根据用户选择的运行模式基于云服务器训练后的新模型向用户推荐洗涤参数和/洗涤程序。
2.根据权利要求1所述的洗衣系统，其特征在于，所述样本信息包括洗涤模式、洗涤物特征、洗涤状况信息、电机参数以及用户的洗涤满意度。
3.根据权利要求2所述的洗衣系统，其特征在于，将洗涤模式、洗涤物特征、洗涤状况信息作为强化学习建模训练的环境；将各个用户的洗涤满意度、电机参数参数作为强化学习建模训练的激励函数。
4.根据权利要求1-3任意一项所述的洗衣系统，其特征在于，
当云服务器获取洗衣机的样本信息后，还判断云服务器是否有该样本信息的强化学习模型，若有强化学习模型，则对该强化学习模型进行训练，若没有则建立强化学习模型后再进行训练。
5.根据权利要求4所述的洗衣机系统，其特征在于，所述云服务器强化学习训练后的新模型应用于与所述云服务器相连的所有洗衣机。
6.根据权利要求1-3任意一项所述的洗衣系统，其特征在于，
在用户选择运行模式后，所述洗衣机还判断云服务器是否有针对该运行模式的强化建模训练后的新模型，若有新模型，则接收新模型后并基于新模型向用户推荐洗涤参数和/或运行程序。
7.根据权利要求6所述的洗衣系统，其特征在于，若云服务器没有针对该运行模式的新模型，则基于洗衣机中针对该运行模式的已有模型向用户推荐洗涤参数和/或运行程序。
8.根据权利要求7所述的洗衣系统，其特征在于，当洗衣机按照推荐的洗涤参数和/或运行程序结束洗涤后，还向用户询问此次洗涤的满意度；若用户对此次洗涤进行满意度评价，则将本次洗涤的样本信息发送至云服务器，用于在云服务进行强化学习建模训练。
9.一种权利要求1-8任意一项所述洗衣系统的控制方法，其特征在于，包括
获取洗衣机的样本信息，将所述样本信息发送至云服务器并在所述云服务器进行强化学习建模训练；
根据洗衣机当前的运行模式将训练后的新模型发送至洗衣机，并基于训练后的新模型向用户推荐洗涤参数和/洗涤程序。
10.根据权利要求9所述的洗衣系统的控制方法，其特征在于，获取用户进行洗涤满意度评价的洗衣机的样本信息，并将获取的样本信息发送至云服务器进行强化学习建模训练，训练完成后的新模型应用于与所述云服务器相连的所有洗衣机。
CN202011584379.7A 2020-12-28 2020-12-28 一种洗衣系统及控制方法 Pending CN112760908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011584379.7A CN112760908A (zh) 2020-12-28 2020-12-28 一种洗衣系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011584379.7A CN112760908A (zh) 2020-12-28 2020-12-28 一种洗衣系统及控制方法

Publications (1)

Publication Number Publication Date
CN112760908A true CN112760908A (zh) 2021-05-07

Family

ID=75696543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011584379.7A Pending CN112760908A (zh) 2020-12-28 2020-12-28 一种洗衣系统及控制方法

Country Status (1)

Country Link
CN (1) CN112760908A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11403538B1 (en) * 2020-11-05 2022-08-02 Arthur AI, Inc. Methods and apparatus for generating fast counterfactual explanations for black-box models using reinforcement learning

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020020832A (ko) * 2000-09-11 2002-03-16 니시무로 타이죠 세탁 시스템
DE102007032053A1 (de) * 2007-07-10 2009-01-15 Abröll, Andreas Vorrichtung und Verfahren zur Regulierung des Stromverbrauchs eines elektrischen Geräts
KR20190104939A (ko) * 2019-08-22 2019-09-11 엘지전자 주식회사 동작 모드 결정 방법 및 동작 모드 결정 장치
CN111321550A (zh) * 2018-12-14 2020-06-23 Lg电子株式会社 洗衣机
EP3670729A1 (en) * 2018-12-19 2020-06-24 LG Electronics Inc. Laundry treatment device and method of operating the same
CN111334972A (zh) * 2018-12-19 2020-06-26 Lg电子株式会社 洗涤调度装置及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020020832A (ko) * 2000-09-11 2002-03-16 니시무로 타이죠 세탁 시스템
DE102007032053A1 (de) * 2007-07-10 2009-01-15 Abröll, Andreas Vorrichtung und Verfahren zur Regulierung des Stromverbrauchs eines elektrischen Geräts
CN111321550A (zh) * 2018-12-14 2020-06-23 Lg电子株式会社 洗衣机
EP3670729A1 (en) * 2018-12-19 2020-06-24 LG Electronics Inc. Laundry treatment device and method of operating the same
CN111334972A (zh) * 2018-12-19 2020-06-26 Lg电子株式会社 洗涤调度装置及其方法
KR20190104939A (ko) * 2019-08-22 2019-09-11 엘지전자 주식회사 동작 모드 결정 방법 및 동작 모드 결정 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11403538B1 (en) * 2020-11-05 2022-08-02 Arthur AI, Inc. Methods and apparatus for generating fast counterfactual explanations for black-box models using reinforcement learning

Similar Documents

Publication Publication Date Title
Hoffman Evaluating fluency in human–robot collaboration
CN111091200A (zh) 训练模型的更新方法、系统、智能体、服务器及存储介质
JP6432859B2 (ja) サービス提供システムおよびプログラム
JP6055058B1 (ja) 機械学習器及び組み立て・試験器を備えた生産設備
Elahi et al. Comparing alternatives for analyzing requirements trade-offs–In the absence of numerical data
Chmait et al. A dynamic intelligence test framework for evaluating AI agents
Talamali et al. Improving collective decision accuracy via time-varying cross-inhibition
CN108805611A (zh) 广告筛选方法及装置
CN110826725A (zh) 基于认知的智能体强化学习方法、装置、系统、计算机设备及存储介质
Price et al. A Bayesian approach to imitation in reinforcement learning
CN112760908A (zh) 一种洗衣系统及控制方法
CN110232017A (zh) 仿真环境下机器人回归测试方法及系统
Argerich et al. Tutor4RL: Guiding Reinforcement Learning with External Knowledge.
Lee et al. Getting to know one another: Calibrating intent, capabilities and trust for human-robot collaboration
Vartouni et al. A hybrid genetic algorithm and fuzzy set applied to multi-mode resource-constrained project scheduling problem
Kirtay et al. Trust me! I am a robot: an affective computational account of scaffolding in robot-robot interaction
CN106648895A (zh) 一种处理数据的方法、装置及终端
CN110125955A (zh) 控制装置以及机器学习装置
CN115222773A (zh) 单点运动学习方法及装置
Erus et al. A layered approach to learning coordination knowledge in multiagent environments
Lee et al. Learning user preferences for wireless services provisioning
CN111401594A (zh) 展示信息组合确定方法、装置、存储介质及电子设备
Klügl et al. Modelling agent decision making in agent-based simulation-analysis using an economic technology uptake model
Silveira et al. A Problem-solving Agent to Test Rational Agents
Huang et al. Multi-agent learning in extensive games with complete information

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210507