CN113219989A - 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 - Google Patents
一种基于改进的蝴蝶优化算法移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN113219989A CN113219989A CN202110613592.4A CN202110613592A CN113219989A CN 113219989 A CN113219989 A CN 113219989A CN 202110613592 A CN202110613592 A CN 202110613592A CN 113219989 A CN113219989 A CN 113219989A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- path
- iteration
- mobile robot
- optimization algorithm
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000003205 fragrance Substances 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 3
- 241000255777 Lepidoptera Species 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000001953 sensory effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
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
- G05D1/0212—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
- G05D1/0212—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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于改进的蝴蝶优化算法移动机器人路径规划方法,包括:利用栅格法对移动机器人工作空间进行建模;设置蝴蝶优化算法初始参数;设置算法的起始位置和目标位置;寻找最优路径,初始化禁忌表并将加入蝴蝶起始位置;计算每只蝴蝶当前位置产生的香味强度,并利用转移概率搜索后续转移动节点,直至蝴蝶到达目标位置时停止搜索;判断算法迭代次数是否到达最大值,若是,则保留最短路径,否则继续进行路径寻优,直至搜索到最优路径;对搜索到的路径进行平滑处理,并输出平滑路径;通过仿真实验,验证了本发明能够解决了移动机器人路径规划问题,是一种有效、可行的优化算法。
Description
技术领域
本发明涉及移动机器人路径规划领域,具体涉及一种蝴蝶优化算法的移动机器人路径规划方法。
背景技术
近年来,路径规划在机器人技术领域越来越重要,其主要解决机器人在已知或未知环境下,规划出一条从起始点到目标点的无碰撞路径。当前,路径规划主要从全局路径规划和局部路径规划两方面进行深入研究。全局路径规划的研究是为了实现机器人在无碰撞的基础上从初始位置到达目标位置的距离最短、时间最少、能耗最低。常见的全局路径规划算法有A*算法、Dijkstra算法、粒子群算法和蚁群算法等。局部路径规划的研究是为了实现机器人的路径转折点更少、解的质量更优、路径更加平滑。常见的局部路径规划算法有模糊逻辑算法、滚动窗口算法和人工势场算法等。
蝴蝶优化算法是2018年SankalapArora等学者根据蝴蝶觅食和寻偶行为特征所提出的一种新型自然启发算法,具有简单、易实现、全局搜索效率高等优点。但蝴蝶优化算法在路径寻优过程中仍存在一些问题:生成无效路径,影响寻优效率;寻优过程中无后续扩展节点,导致机器人出现“假死”状态;转折点处路径不够平滑,不利于移动机器人的行走。
发明内容
针对上述现有技术存在的问题,本发明提供了一种基于蝴蝶优化算法的移动机器人路径规划方法,能够有效解决算法生成无效路径,提高全局规划效率;解决无后续扩展节点问题,避免陷入局部最优解;解决机器人机械式转弯问题,规划出一条平滑路径。
为了达到上述发明的目的,本发明采用的技术方案为:
一种基于改进的蝴蝶优化算法移动机器人路径规划方法,包括以下步骤:
步骤1,利用栅格法将移动机器人工作空间栅格化;
步骤2,初始化蝴蝶优化算法相关参数,包括蝴蝶种群数量M、最大迭代次数T、转换概率P、蝴蝶感官形态c、幂指数a;
步骤3,在栅格地图内确定移动机器人的起始位置S和目标位置G,将M只蝴蝶放置在起始位置S,并将当前位置存放在禁忌表Tabu中;
步骤4,计算每只蝴蝶当前位置产生的香味强度;
步骤5,每只蝴蝶在当前位置计算相邻8个节点的香味浓度,转换概率P来切换全局搜索和局部搜索,计算t时刻第i只蝴蝶的后续移动节点;
步骤6,第i只蝴蝶到达后续节点后,将当前节点存放于禁忌表Tabui中;
步骤7,判断蝴蝶是否到达目标位置G,如果是,则结束当前迭代,迭代结束;否则,重复步骤4~7直至搜索到目标位置;
步骤8,在一次迭代结束,所有蝴蝶都到达目标位置G后,对所有蝴蝶搜索到的路径进行评价并进行排名,清空禁忌表Tabu;
步骤9,判断当前迭代次数t是否到达最大迭代次数T,如果是,则结束路径搜索,转到步骤10;否则,重复步骤3~9,继续迭代搜索;
步骤10:将算法获取到的最优路径中的关键节点作为控制点,将控制点进行三次B样条函数的构造,然后根据构造函数对整段路径进行拟合处理,进而得到一条平滑的路径,最后输出最优路径。
优选的,对栅格地图中的栅格进行编号,第i个栅格的坐标(xi,yi)如下:
其中,mod为取余运算符;ceil为向后取整符;L为栅格边长;将工作空间以L为单位划分为Nx行和Ny列。
优选的,蝴蝶个体在觅食过程中产生的香味强度fi计算如下:
fi=cIα
其中,fi为第i只蝴蝶个体感知周围香味的强度;I为刺激强度;α为幂指数;c为蝴蝶个体的感官模态,其值随着迭代次数t的变化而改变,更新策略如下述公式所示:
ct+1=ct+(0.025(ct×Mmax))
优选的,在觅食过程中,为了提升全局搜索能力,蝴蝶在移动过程中由转换概率P来切换全局搜索和局部搜索,每次迭代过程中,随机生成[0,1]内的一个随机数r1与转换概率P进行对比,蝴蝶状态转移公式如下:
优选的,将算法获取到的最优路径中的关键节点作为控制点,将控制点进行三次B样条函数的构造,然后根据构造函数对整段路径进行拟合处理,进而得到一条平滑的路径,路径平滑公式计算如下:
其中,Pi为给定的n+1个控制点的坐标;Fi,3(t)为3次B样条基函数。
本发明的有益效果:
本发明针对目前主流的移动机器人路径规划方法存在的搜索效率低、路径不平滑等问题,提出了一种改进的路径规划方法。该方法采用栅格地图对环境建模,通过“禁忌表”和“回溯法”,使得算法在路径寻优时,避免了无后续扩展节点的情况,提高了算法的全局搜索能力,借助三次B样条曲线对路径进行平滑处理,大大提升了最终路径的质量,并通过MATLAB仿真实验,验证了改进的蝴蝶优化算法解决移动机器人路径规划的有效性和可行性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中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得其他的附图。
图1为本发明的路径规划算法流程图;
图2为本发明在复杂环境下三种算法路径规划的仿真结果;
图3为本发明在复杂环境下三种算法规划出最优路径长度随迭代次数增加而变化的折线图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
参见图1-3,本发明提供一种技术方案:一种基于改进的蝴蝶优化算法移动机器人路径规划方法,包括以下步骤:
步骤1:将移动机器人工作空间栅格化,使用地图分割算法将地图分割为若干内部没有障碍物的有界单元,具体公式如下:
其中,(xi,yi)为第i个栅格的坐标;L为栅格边长;将工作空间以L为单位划分为Nx行和Ny列;
步骤2:对蝴蝶优化算法的参数进行初始化,包括蝴蝶种群数量M、最大迭代次数T、转换概率P、蝴蝶感官形态c、幂指数a;
步骤3:在栅格地图内确定移动机器人的起始位置S和目标位置G,将M只蝴蝶放置在起始位置S,并将的当前位置存放在禁忌表Tabu中;
步骤4:计算每只蝴蝶当前位置产生的香味强度fi,具体公式如下:
fi=cIα
其中,fi为第i只蝴蝶个体感知周围香味的强度;I为刺激强度;α为幂指数;c为蝴蝶个体的感官模态,其值随着迭代次数t的变化而改变,具体公式如下:
ct+1=ct+(0.025(ct×Mmax))
步骤5:每只蝴蝶在当前位置计算相邻8个节点的香味浓度,转换概率P来切换全局搜索和局部搜索,计算t时刻第i只蝴蝶的后续移动节点,具体公式如下:
步骤6:第i只蝴蝶到达后续节点后,将当前节点存放于禁忌表Tabui中;
步骤7:判断蝴蝶是否到达目标位置G,如果是,则结束当前迭代,迭代结束;否则,重复步骤4~7直至搜索到目标位置;
步骤8:在一次迭代结束,所有蝴蝶都到达目标位置G后,对所有蝴蝶搜索到的路径进行评价并进行排名,清空禁忌表Tabu;
步骤9:判断当前迭代次数t是否到达最大迭代次数T,如果是,则结束路径搜索,转到步骤10;否则,重复步骤3~9,继续迭代搜索;
步骤10:将算法获取到的最优路径中的关键节点作为控制点,将控制点进行三次B样条函数的构造,然后根据构造函数对整段路径进行拟合处理,进而得到一条平滑的路径,最后输出最优路径,具体公式如下:
其中,Pi为给定的n+1个控制点的坐标;Fi,3(t)为3次B样条基函数。
实施例:
为验证本发明的有效性和可行性,使用栅格法建立20×20的栅格工作环境,将本发明改进的蝴蝶优化算法搜索的路径和蚁群算法、遗传算法在相同条件下分别进行仿真实验,实验结果如图2和图3所示。
通过仿真实验的比照和分析可知,本发明能够有效解决移动机器人的路径规划问题,且相比于蚁群算法和遗传算法生成的路径,本发明路径寻优的速度更快、稳定性更好、效率更高,且获取到解的质量更优,是一种有效、可行的路径规划算法。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于改进的蝴蝶优化算法移动机器人路径规划方法,其特征在于,包括以下步骤:
步骤1,利用栅格法将移动机器人工作空间栅格化;
步骤2,初始化蝴蝶优化算法相关参数,包括蝴蝶种群数量M、最大迭代次数T、转换概率P、蝴蝶感官形态c、幂指数a;
步骤3,在栅格地图内确定移动机器人的起始位置S和目标位置G,将M只蝴蝶放置在起始位置S,并将当前位置存放在禁忌表Tabu中;
步骤4,计算每只蝴蝶当前位置产生的香味强度;
步骤5,每只蝴蝶在当前位置计算相邻8个节点的香味浓度,转换概率P来切换全局搜索和局部搜索,计算t时刻第i只蝴蝶的后续移动节点;
步骤6,第i只蝴蝶到达后续节点后,将当前节点存放于禁忌表Tabui中;
步骤7,判断蝴蝶是否到达目标位置G,如果是,则结束当前迭代,迭代结束;否则,重复步骤4~7直至搜索到目标位置;
步骤8,在一次迭代结束,所有蝴蝶都到达目标位置G后,对所有蝴蝶搜索到的路径进行评价并进行排名,清空禁忌表Tabu;
步骤9,判断当前迭代次数t是否到达最大迭代次数T,如果是,则结束路径搜索,转到步骤10;否则,重复步骤3~9,继续迭代搜索;
步骤10:将算法获取到的最优路径中的关键节点作为控制点,将控制点进行三次B样条函数的构造,然后根据构造函数对整段路径进行拟合处理,进而得到一条平滑的路径,最后输出最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613592.4A CN113219989B (zh) | 2021-06-02 | 2021-06-02 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613592.4A CN113219989B (zh) | 2021-06-02 | 2021-06-02 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219989A true CN113219989A (zh) | 2021-08-06 |
CN113219989B CN113219989B (zh) | 2022-05-31 |
Family
ID=77082836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613592.4A Active CN113219989B (zh) | 2021-06-02 | 2021-06-02 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219989B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657694A (zh) * | 2022-12-29 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息交互的无人车路径规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170160736A1 (en) * | 2014-06-26 | 2017-06-08 | Bae Systems Plc | Route planning |
CN107817764A (zh) * | 2017-10-23 | 2018-03-20 | 山东大学 | 一种基于s曲线加减速算法的nurbs曲线双向自适应插补算法 |
CN109886295A (zh) * | 2019-01-11 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于神经网络的蝴蝶识别方法及相关设备 |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN111278704A (zh) * | 2018-03-20 | 2020-06-12 | 御眼视觉技术有限公司 | 用于导航车辆的系统和方法 |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
-
2021
- 2021-06-02 CN CN202110613592.4A patent/CN113219989B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170160736A1 (en) * | 2014-06-26 | 2017-06-08 | Bae Systems Plc | Route planning |
CN107817764A (zh) * | 2017-10-23 | 2018-03-20 | 山东大学 | 一种基于s曲线加减速算法的nurbs曲线双向自适应插补算法 |
CN111278704A (zh) * | 2018-03-20 | 2020-06-12 | 御眼视觉技术有限公司 | 用于导航车辆的系统和方法 |
CN109886295A (zh) * | 2019-01-11 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于神经网络的蝴蝶识别方法及相关设备 |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
马小陆: "基于改进势场蚁群算法的移动机器人全局路径规划", 《机械工程学报》 * |
马小陆: "基于改进势场蚁群算法的移动机器人全局路径规划", 《机械工程学报》, vol. 57, no. 1, 20 November 2020 (2020-11-20), pages 19 - 27 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657694A (zh) * | 2022-12-29 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息交互的无人车路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113219989B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106225788B (zh) | 基于路径拓展蚁群算法的机器人路径规划方法 | |
CN107990903B (zh) | 一种基于改进a*算法的室内agv路径规划方法 | |
CN105922267B (zh) | 一种清扫机器人全覆盖遍历路径规划算法的设计方法 | |
CN108037758A (zh) | 一种基于改进afsa的移动机器人路径规划方法 | |
CN110989612A (zh) | 一种基于蚁群算法的机器人路径规划方法及装置 | |
CN105511457B (zh) | 机器人静态路径规划方法 | |
CN111896006B (zh) | 一种基于强化学习和启发式搜索的路径规划方法及系统 | |
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN106323293B (zh) | 基于多目标搜索的两群多向机器人路径规划方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN105512759A (zh) | 一种基于生物地理学优化算法的城市ca模型参数优化方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN105527964A (zh) | 一种机器人路径规划方法 | |
CN113219989B (zh) | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
CN107480096B (zh) | 一种大规模群体仿真中的高速并行计算方法 | |
Huang et al. | Mobile robot path planning based on improved genetic algorithm | |
Wang et al. | Emergency evacuation path planning of passenger ship based on cellular ant optimization model | |
CN111340296A (zh) | 蜂巢迷宫最短路径计算方法及蜂巢迷宫实训系统 | |
Zhan | Research on path planning method of humanoid robot based on improved genetic algorithm | |
Wang et al. | Research on path planning of cleaning robot based on an improved ant colony algorithm | |
Shao et al. | Path Planning for Mobile Robots Based on Improved RRT Algorithm | |
CN114995413A (zh) | 基于改进遗传算法的智能小车路径规划方法 | |
Chen et al. | Path Planning of Mobile Robot Based on Improved Differential Evolution Algorithm |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221125 Address after: Floor 7, Building 06, No. 18, Jialing Jiangdong Street, Jianye District, Nanjing, Jiangsu 210000 Patentee after: JIANGSU PROVINCE NANJING UNIVERSITY OF SCIENCE AND TECHNOLOGY ELECTRONIC INFORMATION TECHNOLOGY CO.,LTD. Address before: 243002 Anhui province Ma'anshan Huashan Lake District Road No. 59 Patentee before: ANHUI University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |