CN113220021B - 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 - Google Patents
基于虚拟领导者的飞行编队协同自适应跟踪控制方法 Download PDFInfo
- Publication number
- CN113220021B CN113220021B CN202110492421.0A CN202110492421A CN113220021B CN 113220021 B CN113220021 B CN 113220021B CN 202110492421 A CN202110492421 A CN 202110492421A CN 113220021 B CN113220021 B CN 113220021B
- Authority
- CN
- China
- Prior art keywords
- formula
- unmanned aerial
- aerial vehicle
- formation
- virtual
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,属于编队飞行控制领域。该方法引入了虚拟领航无人机的协调策略,设定各无人机与领航者的相对位置作为反馈信息,采用反步法设计控制输入,按照飞行编队队形实现协调轨迹跟踪。采用神经网络估计动力学不确定性,采集在线数据构造预测误差评价估计能力,并结合跟踪误差设计神经网络权重自适应更新律。本发明考虑多无人机系统在编队飞行过程中模型存在动力学不确定性的问题对跟踪性能的影响,设计了基于数据分析的复合估计算法,增强了不确定估计的精度,为提升编队飞行性能提供了新的技术途径。
Description
技术领域
本发明涉及一种多飞行器跟踪控制方法,特别是涉及一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,属于编队飞行控制领域。
背景技术
针对多无人机协同跟踪控制,基于虚拟结构的策略整体描述了群体行为并简化任务描述与分配,能够取得较高的编队控制精度。考虑到无人机系统存在的动力学不确定性和非线性性对编队飞行跟踪性能的影响,利用神经网络逼近能力进行估计的智能控制算法得到了广泛研究。然而目前的智能控制只能保证系统稳定,忽略对预期非线性估计性能的评价。为了提升协同跟踪控制性能保证非线性估计效果,研究基于数据分析的复合估计策略对编队飞行安全具有重要意义。
《Composite Learning Finite-Time Control With Application toQuadrotors》(B.Xu,《IEEE Transactions on Systems,Man,and Cybernetics:Systems》,2018年,第48卷第10期)针对欠驱动无人机设计有限时间神经网络控制算法,论文研究目标为实现无人机个体对期望轨迹指令的跟踪。《Coordinated Path-Following Control fora Group of Underactuated Surface Vessels》(Ghommam J,Mnif F,《IEEE Transactionson Industrial Electronics》,2009年,第56卷第10期)采用虚拟领航目标设计多智能体协同跟踪控制算法。论文以路径跟随器推导编队内个体的参考路径,同步协调状态实现路径跟踪。然而该论文所设计的控制算法依赖于模型的动力学特性,难以实现系统的快速稳定控制。
发明内容
要解决的技术问题
为克服现有技术在多无人机协调控制中处理动力学模型不确定性问题的不足,本发明提出一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法。该方法引入了虚拟领航无人机的协调策略,设定各无人机与领航者的相对位置作为反馈信息,采用反步法设计控制输入,按照飞行编队队形实现协调轨迹跟踪。采用神经网络估计动力学不确定性,采集在线数据构造预测误差评价估计能力,并结合跟踪误差设计神经网络权重自适应更新律。
技术方案
一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,步骤如下:
步骤1:采用无人机的动力学模型:
式中,x,y,z为位置,为横滚角,θ为俯仰角,ψ为偏航角,m为质量,g为重力加速度,Ix,Iy,Iz为惯性矩阵,l为无人机质心到旋翼中心的距离,Jr为电机转动惯量,ωr=ω2+ω4-ω1-ω3,ωi为第i个电机的转速,i=1,2,3,4;U1,U2,U3,U4分别为垂直、滚转、俯仰、偏航运动的控制输入为:
其中,b为升力系数,d为力矩系数;
第j个无人机姿态子系统动力学可写为:
步骤3:设计无人机的位置和航向角期望指令为:
式中,xj,d,yj,d,zj,d为第j个无人机的位置期望指令,ψj,d为第j个无人机的偏航角期望指令,xd,yd,zd为虚拟领航无人机的位置期望指令,ψd为虚拟领航无人机的偏航角期望指令,为第j个无人机和虚拟领航无人机的相对位置,为第j个无人机和虚拟领航无人机的相对偏航角;
设计一阶滤波器为:
设计补偿信号zj,1为:
式中,zj,2在后续设计中给出;
定义补偿后跟踪误差为:
vj,1=ej,1-zj,1 (9)
设计补偿信号zj,2为:
定义补偿后跟踪误差为:
vj,2=ej,2-zj,2 (12)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,1>0,kj,ω1>0和δj,f1>0为设计参数;
步骤5:针对水平运动(4),设计PD控制器计算预期加速度为:
获取期望横滚角和俯仰角为:
设计一阶滤波器为:
设计补偿信号zj,3为:
式中,zj,4在后续设计中给出;
定义补偿后跟踪误差为:
vj,3=ej,X1-zj,3 (20)
设计补偿信号zj,4为:
定义补偿后跟踪误差为:
vj,4=ej,X2-zj,4 (23)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,2>0,kj,ω2>0和δj,f2>0为设计参数;
步骤7:据得到的垂直、滚转、俯仰、偏航运动的控制输入Uj,1,Uj,2,Uj,3,Uj,4,返回到无人机系统动力学模型,以飞行编队形式对期望指令xd,yd,zd进行跟踪控制。
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
一种计算机程序,其特征在于包括计算机可执行指令,所述指令在被执行时用于实现上述的方法。
有益效果
本发明提出的一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,该方法采用虚拟编队结构策略,引入虚拟领航无人机并结合飞行编队位置和偏航角信息,将全局飞行编队期望轨迹指令转换为编队内各无人机对应的期望指令作为闭环系统的参考信息。采用反步法设计无人机控制输入,实现特定飞行编队下的跟踪控制。利用神经网络估计模型的动力学不确定性,在线采集历史数据构建预测误差挖掘潜在估计评价指标,结合跟踪误差和预测误差更新神经网络权重。本发明考虑多无人机系统在编队飞行过程中模型存在动力学不确定性的问题对跟踪性能的影响,设计了基于数据分析的复合估计算法,增强了不确定估计的精度,为提升编队飞行性能提供了新的技术途径。有益效果如下:
(1)本发明采用虚拟领航无人机和虚拟编队结构的协调策略,结合飞行编队位置和偏航角信息,将全局飞行编队期望轨迹指令转换为编队内各无人机对应的期望指令作为闭环系统的参考信息;
(2)本发明考虑欠驱动无人机的动力学不确定性,采用神经网络算法估计未知非线性,基于反步法设计控制输入,前馈至无人机模型中,按照特定的飞行队形实现协调轨迹跟踪;
(3)本发明深入分析系统动力学,采集在线数据构造预测误差挖掘潜在评价指标,结合跟踪误差和预测误差设计自适应更新律,提升不确定估计精度。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是本发明基于虚拟领导者的飞行编队协同自适应跟踪控制方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1,本发明一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,通过以下步骤实现:
(a)采用无人机的动力学模型:
式中,x,y,z为位置,为横滚角,θ为俯仰角,ψ为偏航角,m=2.3kg为质量,g=9.81m/s2为重力加速度,Ix=1.676×10-2kg·m2,Iy=1.676×10-2kg·m2,Iz=2.314×10- 2kg·m2为惯性矩阵,l=0.1725m为无人机质心到旋翼中心的距离,Jr=3.36×10-5kg·m2为电机转动惯量,ωr=ω2+ω4-ω1-ω3,ωi为第i个电机的转速,i=1,2,3,4。U1,U2,U3,U4分别为垂直、滚转、俯仰、偏航运动的控制输入为:
其中,b=2.92×10-6kg·m为升力系数,d=1.12×10-7kg·m2为力矩系数。
第j个无人机姿态子系统动力学可写为:
(c)设计无人机的位置和航向角期望指令为:
式中,xj,d,yj,d,zj,d为第j个无人机的位置期望指令,ψj,d为第j个无人机的偏航角期望指令,xd=yd=zd=100m为虚拟领航无人机的位置期望指令,ψd=π/16rad为虚拟领航无人机的偏航角期望指令,为第j个无人机和虚拟领航无人机的相对位置, 为第j个无人机和虚拟领航无人机的相对偏航角,
设计一阶滤波器为:
设计补偿信号zj,1为:
式中,zj,2在后续设计中给出,zj,1(0)=0。
定义补偿后跟踪误差为:
νj,1=ej,1-zj,1 (34)
设计补偿信号zj,2为:
式中,zj,2(0)=0。
定义补偿后跟踪误差为:
νj,2=ej,2-zj,2 (37)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,1=0.1,kj,ω1=100和δj,f1=0.1。
(e)针对水平运动(4),设计PD控制器计算预期加速度为:
获取期望横滚角和俯仰角为:
设计一阶滤波器为:
设计补偿信号zj,3为:
式中,zj,4在后续设计中给出,zj,3(0)=0。
定义补偿后跟踪误差为:
νj,3=ej,X1-zj,3 (45)
设计补偿信号zj,4为:
式中,zj,4(0)=0。
定义补偿后跟踪误差为:
νj,4=ej,X2-zj,4 (48)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,2=0.1,kj,ω2=100和δj,f2=0.1。
(g)据得到的垂直、滚转、俯仰、偏航运动的控制输入Uj,1,Uj,2,Uj,3,Uj,4,返回到无人机系统动力学模型,以编队形式对期望指令xd,yd,zd进行跟踪控制。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,其特征在于步骤如下:
步骤1:采用无人机的动力学模型:
式中,x,y,z为位置,为横滚角,θ为俯仰角,ψ为偏航角,m为质量,g为重力加速度,Ix,Iy,Iz为惯性矩阵,l为无人机质心到旋翼中心的距离,Jr为电机转动惯量,ωr=ω2+ω4-ω1-ω3,ωi为第i个电机的转速,i=1,2,3,4;U1,U2,U3,U4分别为垂直、滚转、俯仰、偏航运动的控制输入为:
其中,b为升力系数,d为力矩系数;
第j个无人机姿态子系统动力学可写为:
步骤3:设计无人机的位置和航向角期望指令为:
xj,d=xd+cosψdlxi-sinψdlyi
yj,d=yd+sinψdlxi+cosψdlyi
zj,d=zd+lzi
ψj,d=ψd+lψi
式中,xj,d,yj,d,zj,d为第j个无人机的位置期望指令,ψj,d为第j个无人机的偏航角期望指令,xd,yd,zd为虚拟领航无人机的位置期望指令,ψd为虚拟领航无人机的偏航角期望指令,lxi,lyi,lzi为第j个无人机和虚拟领航无人机的相对位置,lψi为第j个无人机和虚拟领航无人机的相对偏航角;
设计一阶滤波器为:
设计补偿信号zj,1为:
式中,zj,2在后续设计中给出;
定义补偿后跟踪误差为:
νj,1=ej,1-zj,1 (9)
设计补偿信号zj,2为:
定义补偿后跟踪误差为:
νj,2=ej,2-zj,2 (12)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,1>0,kj,ω1>0和δj,f1>0为设计参数;
步骤5:针对水平运动(4),设计PD控制器计算预期加速度为:
获取期望横滚角和俯仰角为:
设计一阶滤波器为:
设计补偿信号zj,3为:
式中,zj,4在后续设计中给出;
定义补偿后跟踪误差为:
νj,3=ej,X1-zj,3 (20)
设计补偿信号zj,4为:
定义补偿后跟踪误差为:
νj,4=ej,X2-zj,4 (23)
定义预测误差为:
设计神经网络自适应更新律为:
式中,λj,2>0,kj,ω2>0和δj,f2>0为设计参数;
步骤7:据得到的垂直、滚转、俯仰、偏航运动的控制输入Uj,1,Uj,2,Uj,3,Uj,4,返回到无人机系统动力学模型,以飞行编队形式对期望指令xd,yd,zd进行跟踪控制。
2.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1所述的方法。
3.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492421.0A CN113220021B (zh) | 2021-05-06 | 2021-05-06 | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492421.0A CN113220021B (zh) | 2021-05-06 | 2021-05-06 | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220021A CN113220021A (zh) | 2021-08-06 |
CN113220021B true CN113220021B (zh) | 2022-08-09 |
Family
ID=77091249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110492421.0A Active CN113220021B (zh) | 2021-05-06 | 2021-05-06 | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220021B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759973B (zh) * | 2021-09-13 | 2023-07-25 | 汕头大学 | 一种无人机集群的目标搜索控制方法及系统 |
CN115535305B (zh) * | 2022-10-08 | 2023-05-12 | 哈尔滨工业大学 | 一种抗振抗饱和的多星分布式定时姿态协同跟踪控制方法 |
CN115657686B (zh) * | 2022-12-13 | 2023-05-16 | 南京南大电子智慧型服务机器人研究院有限公司 | 基于Backstepping的多机器人编队控制方法 |
CN116243729B (zh) * | 2023-05-11 | 2023-08-18 | 四川腾盾科技有限公司 | 一种基于固定翼集群无人机在线分组的相位协同规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073175A (zh) * | 2018-01-23 | 2018-05-25 | 上海交通大学 | 基于虚拟艇自适应规划的欠驱动无人艇编队智能控制方法 |
CN108388269A (zh) * | 2018-03-17 | 2018-08-10 | 青岛理工大学 | 基于四旋翼飞行器的无人机编队飞行控制方法 |
CN109871032A (zh) * | 2019-03-04 | 2019-06-11 | 中科院成都信息技术股份有限公司 | 一种基于模型预测控制的多无人机编队协同控制方法 |
CN110865653A (zh) * | 2019-12-02 | 2020-03-06 | 西北工业大学 | 一种分布式集群无人机队形变换方法 |
CN111290440A (zh) * | 2020-04-07 | 2020-06-16 | 中国人民解放军海军航空大学 | 基于双虚拟结构的多无人机编队Standoff跟踪控制及跟踪方法 |
CN111665848A (zh) * | 2020-06-28 | 2020-09-15 | 北京航空航天大学 | 拓扑切换下无人机与无人车异构集群编队跟踪控制方法 |
CN111665865A (zh) * | 2020-06-16 | 2020-09-15 | 天津大学 | 基于虚拟结构法的多无人机编队鲁棒控制方法 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN112684705A (zh) * | 2020-12-18 | 2021-04-20 | 杭州电子科技大学 | 一种四旋翼飞行器编队追踪控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6963795B2 (en) * | 2002-07-16 | 2005-11-08 | Honeywell Interntaional Inc. | Vehicle position keeping system |
-
2021
- 2021-05-06 CN CN202110492421.0A patent/CN113220021B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073175A (zh) * | 2018-01-23 | 2018-05-25 | 上海交通大学 | 基于虚拟艇自适应规划的欠驱动无人艇编队智能控制方法 |
CN108388269A (zh) * | 2018-03-17 | 2018-08-10 | 青岛理工大学 | 基于四旋翼飞行器的无人机编队飞行控制方法 |
CN109871032A (zh) * | 2019-03-04 | 2019-06-11 | 中科院成都信息技术股份有限公司 | 一种基于模型预测控制的多无人机编队协同控制方法 |
CN110865653A (zh) * | 2019-12-02 | 2020-03-06 | 西北工业大学 | 一种分布式集群无人机队形变换方法 |
CN111290440A (zh) * | 2020-04-07 | 2020-06-16 | 中国人民解放军海军航空大学 | 基于双虚拟结构的多无人机编队Standoff跟踪控制及跟踪方法 |
CN111665865A (zh) * | 2020-06-16 | 2020-09-15 | 天津大学 | 基于虚拟结构法的多无人机编队鲁棒控制方法 |
CN111665848A (zh) * | 2020-06-28 | 2020-09-15 | 北京航空航天大学 | 拓扑切换下无人机与无人车异构集群编队跟踪控制方法 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN112684705A (zh) * | 2020-12-18 | 2021-04-20 | 杭州电子科技大学 | 一种四旋翼飞行器编队追踪控制方法 |
Non-Patent Citations (3)
Title |
---|
Composite Learning Finite-Time Control With Application to Quadrotors;Bin Xu;《IEEE TRANSACTIONS ON SYSTEMS,MAN,ANDCYBERNETICS:SYSTEMS》;20181031;第48卷(第10期);第1806-1815页 * |
Moving Target Following Control of Multi-AUVs formation Based on Rigid Virtual Leader-Follower under Ocean Current;YAN Zheping,等;《Proceedings of the 34th Chinese Control Conference》;20150730;第5901-5906页 * |
基于虚拟领航者的多艘船舶协调路径跟踪控制;付明玉,等;《华中科技大学学报(自然科学版)》;20130228;第41卷(第2期);第102-108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113220021A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113220021B (zh) | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 | |
CN113157000B (zh) | 基于虚拟结构和人工势场的飞行编队协同避障自适应控制方法 | |
CN113220022B (zh) | 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法 | |
CN107831761B (zh) | 一种智能车的路径跟踪控制方法 | |
CN107357166B (zh) | 小型无人直升机的无模型自适应鲁棒控制方法 | |
CN110827535B (zh) | 非线性车辆队列协同自适应抗扰纵向控制方法 | |
CN111506099B (zh) | 一种无人机高度智能控制系统及方法 | |
CN108873929B (zh) | 一种固定翼飞机自主着舰方法及系统 | |
CN107563044B (zh) | 基于在线安全学习的四旋翼无人机路径跟踪控制方法 | |
CN111026160B (zh) | 一种四旋翼无人机轨迹跟踪控制方法 | |
CN110962849A (zh) | 一种弯道自适应巡航方法 | |
CN113110593B (zh) | 基于虚拟结构和估计信息传输的飞行编队协同自适应控制方法 | |
CN111650963A (zh) | 一种面向垂直起降固定翼无人机的视觉集群编队控制方法 | |
CN111008467A (zh) | 无人机吊挂飞行运输系统的减摆轨迹在线规划方法 | |
CN114488803A (zh) | 基于事件触发的无人船/机鲁棒自适应神经协同控制方法 | |
CN115712308A (zh) | 基于分布式模型预测控制及队形控制的多机编队防撞方法 | |
CN112947572A (zh) | 一种基于地形跟随的四旋翼飞行器自适应运动规划方法 | |
CN107957686A (zh) | 基于预见控制的无人直升机自动着舰控制系统 | |
CN114138022B (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
CN107479382A (zh) | 基于在线数据学习的高超声速飞行器神经网络控制方法 | |
CN108958278B (zh) | 一种空天飞行器巡航段快速抗干扰制导方法 | |
Yang et al. | A decentralised control strategy for formation flight of unmanned aerial vehicles | |
CN117389312A (zh) | 一种基于模型的水下航行器抗衡滚三维跟踪控制方法 | |
CN111857171A (zh) | 一种基于质量自适应多层神经网络的无人机控制方法 | |
Zhen et al. | UAV flight trajectory control based on information fusion control method |
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 |