CN113311857A - 一种基于无人机的环境感知与避障系统及方法 - Google Patents
一种基于无人机的环境感知与避障系统及方法 Download PDFInfo
- Publication number
- CN113311857A CN113311857A CN202110472196.4A CN202110472196A CN113311857A CN 113311857 A CN113311857 A CN 113311857A CN 202110472196 A CN202110472196 A CN 202110472196A CN 113311857 A CN113311857 A CN 113311857A
- Authority
- CN
- China
- Prior art keywords
- signal
- module
- radar
- obstacle
- program
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 238000009825 accumulation Methods 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 17
- 238000007906 compression Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004904 shortening 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 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Abstract
本发明属于无人机应用技术领域,公开了一种基于无人机的环境感知与避障系统及方法,所述基于无人机的环境感知与避障系统包括:雷达探测模块、信号接收模块、信号处理模块、中央控制模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块、避障执行模块。本发明通过雷达进行障碍物检测,激光雷达精度高、灵敏度好可以得到目标障碍物到无人机之间的间隔,同时它的体积和重量都很轻,因此适合搭载在无人机上;将雷达检测与视觉避障相结合,能够实现对云团等并不会产生实际阻碍效果的障碍物的检测,减少避障次数,实现准确避障的同时减少能耗,实现无人机飞行时间的延长。
Description
技术领域
本发明属于无人机应用技术领域,尤其涉及一种基于无人机的环境感知与避障系统及方法。
背景技术
目前,无人机在排队起飞、排队降落以及表演过程中,会形成无人机集群。而在无人机集群场景下,如何实现无人机群间避障,逐渐成为人们关注的焦点。无人机在避障过程中,技术手段众多。其中,无人机集群群间避障的手段主要有双目视觉、激光雷达、多架无人机GPS位置通信共享等。无人机的避障过程主要可以包括手动和自动两种方案。手动方案是利用遥控器手动遥控无人机完成群间避障过程,自动方案是基于采集数据的无人机和充当障碍物的无人机(简称障碍无人机)两者的GPS实时定位信息,控制无人机进行群间避障。目前进行无人机避障的方式单一,应用较多的是雷达避障,其进行避障中存在判断不清晰的问题,无人机高空飞行时会对云团等无影响的障碍物进行躲避,导致能耗提高,缩短飞行时长。
通过上述分析,现有技术存在的问题及缺陷为:目前无人机雷达避障进行避障中存在判断不清晰的问题,无人机高空飞行时会对云团等无影响的障碍物进行躲避,导致能耗提高,缩短飞行时长。
发明内容
针对现有技术存在的问题,本发明提供了一种基于无人机的环境感知与避障系统及方法。
本发明是这样实现的,一种基于无人机的环境感知与避障方法,所述基于无人机的环境感知与避障方法,包括以下步骤:
步骤一,雷达探测模块利用安装在无人机四个端点的雷达发射激光束对路径进行探测,信号接收模块利用信号接收程序进行反射信号的接收;通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强;
步骤二,中央控制模块分别控制雷达探测模块、信号接收模块、信号处理模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块和避障执行模块各个模块的正常运行;
步骤三,探测结果分析模块利用探测结果分析程序进行处理后信号的分析,障碍物方向确定模块利用障碍物方向确定程序确定障碍物方向;障碍物距离确定模块利用障碍物距离确定程序确定障碍物距离,相对速度确定模块利用相对速度确定程序确定无人机与障碍物的相对速度;
步骤四,模型构建模块利用模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别,模型训练模块利用模型训练程序通过训练集对构建的模型进行训练;
步骤五,路径规划模块利用路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;避障执行模块利用避障执行程序按照规划路径进行避障;
步骤一中,所述通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,包括:
将载波信号降噪问题分解频域处理和时域处理两个阶段,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪;
所述频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,包括以下步骤:
(1)设信号接收模块处采样到信号为x(t),采用傅里叶分解将采样信号转化为频域形式X(ω),选取选取幅值最大的频率f作为载波频率;
(2)选取幅值最大的频率f作为载波频率中心点;
(3)将X(ω)中频率分量置零,新生成的频域信号表示为X'(ω);
(4)对经处理后的频域信号X'(ω)进行反傅里叶变换,还原为时域信号,为信号在时域处理做准备;
所述时域处理阶段将码元信号特征引入电力信号时域重构过程,包括以下步骤:
1)为在时域上对载波信号和噪声的低频小幅值分量进行分离,选取码元幅值Vsignal的μ倍作为判断赋值判断依据,其中0<μ<1,μ值的选取需根据载波环境设定,载波信道条件越好μ值越接近于1;
2)为滤出混合信号中脉冲信号在载波频段的分量,同时保证信号经频域降噪后码元位置的不变性,对码元位置进行校验;设码元持续时间为TS,码元长度计数器Couti表示第i个码元信号的采样时间长度;
3)载波信号幅值补偿:为消减背景噪声对载波信号幅值的影响,对经过码元长度验证的信号进行幅值补偿。
进一步,步骤一中,所述通过信号接收模块利用信号接收程序进行反射信号的接收,具体为:
设定雷达信号发射天线网络和雷达信号接收天线网络,然后将雷达发射信号中的最优探测信号矩阵和雷达发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经障碍物反射后得到干扰低的雷达探测回波信号。
进一步,步骤三中,所述通过探测结果分析模块利用探测结果分析程序进行处理后信号的分析,具体包括:
雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,并对接收到的干扰低的雷达探测回波信号进行融合积累后,得到融合积累后的雷达探测回波信号,对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,所述障碍物的位置信息为一种射频掩护信号下的阵列雷达信号发射接收结果。
进一步,所述雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,具体包括:
确定雷达包括雷达信号发射天线网络和雷达信号接收天线网络,雷达信号发射天线网络包括A个发射天线,雷达信号接收天线网络是由N个相同的发射天线组成的天线阵列;其中,A=N时,雷达信号发射天线网络包括N个发射天线;A=2N时,雷达信号发射天线网络包括2N个发射天线,所述2N个发射天线分为N个探测信号天线和N个干扰信号天线,进而得到N个发射天线组,每个发射天线组包括1个探测信号天线和1个干扰信号天线,且每个发射天线组分别对应我方雷达发射信号中的最优探测信号矩阵中1个最优探测信号;A>N;
在第i个发射天线或在第i个发射天线组中,雷达发射信号中的最优探测信号矩阵中第i个最优探测信号通过调相处理后,得到第i个最优探测信号波束,第i个最优探测信号波束通过饱和放大处理后,得到第i个经过放大的最优探测信号波束;我方雷达发射信号中的干扰信号S通过调相处理后,得到干扰信号波束,干扰信号波束通过饱和放大处理后,得到经过放大的干扰信号波束;其中,i=1,2,…,N;
根据第i个经过放大的最优探测信号波束和经过放大的干扰信号波束,得到第i个最终的雷达发射信号;
如果雷达发射第i个最终的探测信号探测到障碍物后被障碍物反射,则将反射后得到的信号记为第g'个目标回波信号,雷达信号接收天线网络对第g'个目标回波信号进行接收,g'的初始值为1,并令g'的值加1;如果雷达发射第i个最终的探测信号没有探测到障碍物,则忽略第i个最终的探测信号;
对第g'个目标回波信号经过滤波处理后,得到第g'个干扰低的雷达探测回波波束,对第g'个干扰低的雷达探测回波波束通过调相处理后得到第g'个干扰低的雷达探测回波信号;
令i的值分别取1至N,重复执行5.2至5.5,进而分别得到第1个干扰低的雷达探测回波信号至第N个干扰低的雷达探测回波信号,记为N个干扰低的雷达探测回波信号,g'=1,2,…,N,A>N。
进一步,所述对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,具体包括:
在雷达信号接收天线网络中,利用信号融合算法对N个干扰低的雷达探测回波信号进行融合积累,得到融合积累后的雷达探测回波信号;
对融合积累后的雷达探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的雷达探测回波信号,其中脉冲压缩处理后的雷达探测回波信号主瓣位置,即为对方目标位置。
进一步,步骤四中,所述通过模型构建模块利用模型构建程序进行深度神经网络模型的构建,包括:
步骤A,收集大量云层、杂物数据,提取所收集文本的图像特征,利用所述图像特征构建初始深度学习模型;
步骤B,利用初始深度学习模型构建图像数据的图像特征之间的残差向量;
步骤C,利用构建得到的残差向量对初始深度学习模型进行更新,得到更新后的深度学习模型。
本发明另一目的在于提供一种实施所述基于无人机的环境感知与避障方法的基于无人机的环境感知与避障系统,所述基于无人机的环境感知与避障系统包括:
雷达探测模块、信号接收模块、信号处理模块、中央控制模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块、避障执行模块;
雷达探测模块,与中央控制模块连接,用于通过安装在无人机四个端点的雷达发射激光束对路径进行探测;
信号接收模块,与中央控制模块连接,用于通过信号接收程序进行反射信号的接收;信号接收模块利用信号接收程序进行反射信号的接收过程中,设定雷达信号发射天线网络和雷达信号接收天线网络,然后将雷达发射信号中的最优探测信号矩阵和雷达发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经障碍物反射后得到干扰低的雷达探测回波信号;
信号处理模块,与中央控制模块连接,用于通过信号处理程序对信号进行处理,实现信号降噪和增强;信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪过程中,将载波信号降噪问题分解频域处理和时域处理两个阶段,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪;
中央控制模块,与雷达探测模块、信号接收模块、信号处理模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块、避障执行模块连接,用于通过主控机控制各个模块正常运行;
探测结果分析模块,与中央控制模块连接,用于通过探测结果分析程序进行处理后信号的分析;探测结果分析模块利用探测结果分析程序进行处理后信号的分析,雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,并对接收到的干扰低的雷达探测回波信号进行融合积累后,得到融合积累后的雷达探测回波信号,对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,所述障碍物的位置信息为一种射频掩护信号下的阵列雷达信号发射接收结果;
障碍物方向确定模块,与中央控制模块连接,用于通过障碍物方向确定程序确定障碍物方向;
障碍物距离确定模块,与中央控制模块连接,用于通过障碍物距离确定程序确定障碍物距离;
相对速度确定模块,与中央控制模块连接,用于通过相对速度确定程序确定无人机与障碍物的相对速度。
进一步,所述基于无人机的环境感知与避障系统还包括:
模型构建模块,与中央控制模块连接,用于通过模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别;模型构建模块构建过程中,收集大量云层、杂物数据,提取所收集文本的图像特征,利用所述图像特征构建初始深度学习模型;利用初始深度学习模型构建图像数据的图像特征之间的残差向量;利用构建得到的残差向量对初始深度学习模型进行更新,得到更新后的深度学习模型;
模型训练模块,与中央控制模块连接,用于通过模型训练程序通过训练集对构建的模型进行训练;
路径规划模块,与中央控制模块连接,用于通过路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;
避障执行模块,与中央控制模块连接,用于通过避障执行程序按照规划路径进行避障。
本发明另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于无人机的环境感知与避障方法。
本发明另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于无人机的环境感知与避障方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过雷达探测模块通过安装在无人机四个端点的雷达发射激光束对路径进行探测;信号接收模块通过信号接收程序进行反射信号的接收;信号处理模块通过信号处理程序对信号进行处理,实现信号降噪和增强;探测结果分析模块通过探测结果分析程序进行处理后信号的分析;障碍物方向确定模块通过障碍物方向确定程序确定障碍物方向;障碍物距离确定模块通过障碍物距离确定程序确定障碍物距离;相对速度确定模块通过相对速度确定程序确定无人机与障碍物的相对速度;模型构建模块通过模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别;模型训练模块通过模型训练程序通过训练集对构建的模型进行训练;路径规划模块通过路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;避障执行模块通过避障执行程序按照规划路径进行避障。
同时本发明通过雷达进行障碍物检测,激光雷达精度高、灵敏度好可以得到目标障碍物到无人机之间的间隔,,同时它的体积和重量都很轻,因此特别适合搭载在小型的旋翼无人机上;将雷达检测与视觉避障相结合,能够实现对云团等并不会产生实际阻碍效果的障碍物的检测,减少避障次数,实现准确避障的同时减少能耗,实现无人机飞行时间的延长。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的基于无人机的环境感知与避障系统的结构框图。
图2是本发明实施例提供的基于无人机的环境感知与避障方法的流程图。
图3是本发明实施例提供的频域处理阶段采用傅里叶分解方法对载波信号进行频域处理的流程图。
图4是本发明实施例提供的时域处理阶段将码元信号特征引入电力信号时域重构过程的流程图。
图5是本发明实施例提供的通过模型构建模块利用模型构建程序进行深度神经网络模型的构建的流程图。
图1中:1、雷达探测模块;2、信号接收模块;3、信号处理模块;4、中央控制模块;5、探测结果分析模块;6、障碍物方向确定模块;7、障碍物距离确定模块;8、相对速度确定模块;9、模型构建模块;10、模型训练模块;11、路径规划模块;12、避障执行模块。
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。
针对现有技术存在的问题,本发明提供了一种基于无人机的环境感知与避障系统及方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于无人机的环境感知与避障系统包括:
雷达探测模块1、信号接收模块2、信号处理模块3、中央控制模块4、探测结果分析模块5、障碍物方向确定模块6、障碍物距离确定模块7、相对速度确定模块8、模型构建模块9、模型训练模块10、路径规划模块11、避障执行模块12;
雷达探测模块1,与中央控制模块4连接,用于通过安装在无人机四个端点的雷达发射激光束对路径进行探测;
信号接收模块2,与中央控制模块4连接,用于通过信号接收程序进行反射信号的接收;
信号处理模块3,与中央控制模块4连接,用于通过信号处理程序对信号进行处理,实现信号降噪和增强;
中央控制模块4,与雷达探测模块1、信号接收模块2、信号处理模块3、探测结果分析模块5、障碍物方向确定模块6、障碍物距离确定模块7、相对速度确定模块8、模型构建模块9、模型训练模块10、路径规划模块11、避障执行模块12连接,用于通过主控机控制各个模块正常运行;
探测结果分析模块5,与中央控制模块4连接,用于通过探测结果分析程序进行处理后信号的分析;
障碍物方向确定模块6,与中央控制模块4连接,用于通过障碍物方向确定程序确定障碍物方向;
障碍物距离确定模块7,与中央控制模块4连接,用于通过障碍物距离确定程序确定障碍物距离;
相对速度确定模块8,与中央控制模块4连接,用于通过相对速度确定程序确定无人机与障碍物的相对速度;
模型构建模块9,与中央控制模块4连接,用于通过模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别;
模型训练模块10,与中央控制模块4连接,用于通过模型训练程序通过训练集对构建的模型进行训练;
路径规划模块11,与中央控制模块4连接,用于通过路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;
避障执行模块12,与中央控制模块4连接,用于通过避障执行程序按照规划路径进行避障。
如图2所示,本发明实施例提供的基于无人机的环境感知与避障方法包括以下步骤:
S101,雷达探测模块利用安装在无人机四个端点的雷达发射激光束对路径进行探测,信号接收模块利用信号接收程序进行反射信号的接收;通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强。
S102,中央控制模块分别控制雷达探测模块、信号接收模块、信号处理模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块和避障执行模块各个模块的正常运行。
S103,探测结果分析模块利用探测结果分析程序进行处理后信号的分析,障碍物方向确定模块利用障碍物方向确定程序确定障碍物方向;障碍物距离确定模块利用障碍物距离确定程序确定障碍物距离,相对速度确定模块利用相对速度确定程序确定无人机与障碍物的相对速度。
S104,模型构建模块利用模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别,模型训练模块利用模型训练程序通过训练集对构建的模型进行训练。
S105,路径规划模块利用路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;避障执行模块利用避障执行程序按照规划路径进行避障。
步骤S101中,本发明实施例提供的通过信号接收模块利用信号接收程序进行反射信号的接收,具体为:
设定雷达信号发射天线网络和雷达信号接收天线网络,然后将雷达发射信号中的最优探测信号矩阵和雷达发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经障碍物反射后得到干扰低的雷达探测回波信号。
步骤S101中,本发明实施例提供的通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,包括:
将载波信号降噪问题分解频域处理和时域处理两个阶段,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪。
如图3所示,本发明实施例提供的频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,包括以下步骤:
S201,设信号接收模块处采样到信号为x(t),采用傅里叶分解将采样信号转化为频域形式X(ω),选取选取幅值最大的频率f作为载波频率;
S202,选取幅值最大的频率f作为载波频率中心点;
S203,将X(ω)中频率分量置零,新生成的频域信号表示为X'(ω);
S204,对经处理后的频域信号X'(ω)进行反傅里叶变换,还原为时域信号,为信号在时域处理做准备。
如图4所示,本发明实施例提供的时域处理阶段将码元信号特征引入电力信号时域重构过程,包括以下步骤:
S301,为在时域上对载波信号和噪声的低频小幅值分量进行分离,选取码元幅值Vsignal的μ倍作为判断赋值判断依据,其中0<μ<1,μ值的选取需根据载波环境设定,载波信道条件越好μ值越接近于1;
S302,为滤出混合信号中脉冲信号在载波频段的分量,同时保证信号经频域降噪后码元位置的不变性,对码元位置进行校验;设码元持续时间为TS,码元长度计数器Couti表示第i个码元信号的采样时间长度;
S303,载波信号幅值补偿:为消减背景噪声对载波信号幅值的影响,对经过码元长度验证的信号进行幅值补偿。
步骤S103中,本发明实施例提供的通过探测结果分析模块利用探测结果分析程序进行处理后信号的分析,具体包括:
雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,并对接收到的干扰低的雷达探测回波信号进行融合积累后,得到融合积累后的雷达探测回波信号,对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,所述障碍物的位置信息为一种射频掩护信号下的阵列雷达信号发射接收结果。
本发明实施例提供的雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,具体包括:
确定雷达包括雷达信号发射天线网络和雷达信号接收天线网络,雷达信号发射天线网络包括A个发射天线,雷达信号接收天线网络是由N个相同的发射天线组成的天线阵列;其中,A=N时,雷达信号发射天线网络包括N个发射天线;A=2N时,雷达信号发射天线网络包括2N个发射天线,所述2N个发射天线分为N个探测信号天线和N个干扰信号天线,进而得到N个发射天线组,每个发射天线组包括1个探测信号天线和1个干扰信号天线,且每个发射天线组分别对应我方雷达发射信号中的最优探测信号矩阵中1个最优探测信号;A>N;
在第i个发射天线或在第i个发射天线组中,雷达发射信号中的最优探测信号矩阵中第i个最优探测信号通过调相处理后,得到第i个最优探测信号波束,第i个最优探测信号波束通过饱和放大处理后,得到第i个经过放大的最优探测信号波束;我方雷达发射信号中的干扰信号S通过调相处理后,得到干扰信号波束,干扰信号波束通过饱和放大处理后,得到经过放大的干扰信号波束;其中,i=1,2,…,N;
根据第i个经过放大的最优探测信号波束和经过放大的干扰信号波束,得到第i个最终的雷达发射信号;
如果雷达发射第i个最终的探测信号探测到障碍物后被障碍物反射,则将反射后得到的信号记为第g'个目标回波信号,雷达信号接收天线网络对第g'个目标回波信号进行接收,g'的初始值为1,并令g'的值加1;如果雷达发射第i个最终的探测信号没有探测到障碍物,则忽略第i个最终的探测信号;
对第g'个目标回波信号经过滤波处理后,得到第g'个干扰低的雷达探测回波波束,对第g'个干扰低的雷达探测回波波束通过调相处理后得到第g'个干扰低的雷达探测回波信号;
令i的值分别取1至N,重复执行5.2至5.5,进而分别得到第1个干扰低的雷达探测回波信号至第N个干扰低的雷达探测回波信号,记为N个干扰低的雷达探测回波信号,g'=1,2,…,N,A>N。
本发明实施例提供的对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,具体包括:
在雷达信号接收天线网络中,利用信号融合算法对N个干扰低的雷达探测回波信号进行融合积累,得到融合积累后的雷达探测回波信号;
对融合积累后的雷达探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的雷达探测回波信号,其中脉冲压缩处理后的雷达探测回波信号主瓣位置,即为对方目标位置。
如图5所示,步骤S104中,本发明实施例提供的通过模型构建模块利用模型构建程序进行深度神经网络模型的构建,包括:
S401,收集大量云层、杂物数据,提取所收集文本的图像特征,利用所述图像特征构建初始深度学习模型;
S402,利用初始深度学习模型构建图像数据的图像特征之间的残差向量;
S403,利用构建得到的残差向量对初始深度学习模型进行更新,得到更新后的深度学习模型。
以上所述,仅为本发明较优的具体的实施方式,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揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于无人机的环境感知与避障方法,其特征在于,所述基于无人机的环境感知与避障方法,包括以下步骤:
步骤一,雷达探测模块利用安装在无人机四个端点的雷达发射激光束对路径进行探测,信号接收模块利用信号接收程序进行反射信号的接收;通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强;
步骤二,中央控制模块分别控制雷达探测模块、信号接收模块、信号处理模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块和避障执行模块各个模块的正常运行;
步骤三,探测结果分析模块利用探测结果分析程序进行处理后信号的分析,障碍物方向确定模块利用障碍物方向确定程序确定障碍物方向;障碍物距离确定模块利用障碍物距离确定程序确定障碍物距离,相对速度确定模块利用相对速度确定程序确定无人机与障碍物的相对速度;
步骤四,模型构建模块利用模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别,模型训练模块利用模型训练程序通过训练集对构建的模型进行训练;
步骤五,路径规划模块利用路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;避障执行模块利用避障执行程序按照规划路径进行避障;
步骤一中,所述通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,包括:
将载波信号降噪问题分解频域处理和时域处理两个阶段,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪;
所述频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,包括以下步骤:
(1)设信号接收模块处采样到信号为x(t),采用傅里叶分解将采样信号转化为频域形式X(ω),选取选取幅值最大的频率f作为载波频率;
(2)选取幅值最大的频率f作为载波频率中心点;
(3)将X(ω)中频率分量置零,新生成的频域信号表示为X'(ω);
(4)对经处理后的频域信号X'(ω)进行反傅里叶变换,还原为时域信号,为信号在时域处理做准备;
所述时域处理阶段将码元信号特征引入电力信号时域重构过程,包括以下步骤:
1)为在时域上对载波信号和噪声的低频小幅值分量进行分离,选取码元幅值Vsignal的μ倍作为判断赋值判断依据,其中0<μ<1,μ值的选取需根据载波环境设定,载波信道条件越好μ值越接近于1;
2)为滤出混合信号中脉冲信号在载波频段的分量,同时保证信号经频域降噪后码元位置的不变性,对码元位置进行校验;设码元持续时间为TS,码元长度计数器Couti表示第i个码元信号的采样时间长度;
3)载波信号幅值补偿:为消减背景噪声对载波信号幅值的影响,对经过码元长度验证的信号进行幅值补偿。
2.如权利要求1所述基于无人机的环境感知与避障方法,其特征在于,步骤一中,所述通过信号接收模块利用信号接收程序进行反射信号的接收,具体为:
设定雷达信号发射天线网络和雷达信号接收天线网络,然后将雷达发射信号中的最优探测信号矩阵和雷达发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经障碍物反射后得到干扰低的雷达探测回波信号。
3.如权利要求1所述基于无人机的环境感知与避障方法,其特征在于,步骤三中,所述通过探测结果分析模块利用探测结果分析程序进行处理后信号的分析,具体包括:
雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,并对接收到的干扰低的雷达探测回波信号进行融合积累后,得到融合积累后的雷达探测回波信号,对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,所述障碍物的位置信息为一种射频掩护信号下的阵列雷达信号发射接收结果。
4.如权利要求3所述基于无人机的环境感知与避障方法,其特征在于,所述雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,具体包括:
确定雷达包括雷达信号发射天线网络和雷达信号接收天线网络,雷达信号发射天线网络包括A个发射天线,雷达信号接收天线网络是由N个相同的发射天线组成的天线阵列;其中,A=N时,雷达信号发射天线网络包括N个发射天线;A=2N时,雷达信号发射天线网络包括2N个发射天线,所述2N个发射天线分为N个探测信号天线和N个干扰信号天线,进而得到N个发射天线组,每个发射天线组包括1个探测信号天线和1个干扰信号天线,且每个发射天线组分别对应我方雷达发射信号中的最优探测信号矩阵中1个最优探测信号;A>N;
在第i个发射天线或在第i个发射天线组中,雷达发射信号中的最优探测信号矩阵中第i个最优探测信号通过调相处理后,得到第i个最优探测信号波束,第i个最优探测信号波束通过饱和放大处理后,得到第i个经过放大的最优探测信号波束;我方雷达发射信号中的干扰信号S通过调相处理后,得到干扰信号波束,干扰信号波束通过饱和放大处理后,得到经过放大的干扰信号波束;其中,i=1,2,…,N;
根据第i个经过放大的最优探测信号波束和经过放大的干扰信号波束,得到第i个最终的雷达发射信号;
如果雷达发射第i个最终的探测信号探测到障碍物后被障碍物反射,则将反射后得到的信号记为第g'个目标回波信号,雷达信号接收天线网络对第g'个目标回波信号进行接收,g'的初始值为1,并令g'的值加1;如果雷达发射第i个最终的探测信号没有探测到障碍物,则忽略第i个最终的探测信号;
对第g'个目标回波信号经过滤波处理后,得到第g'个干扰低的雷达探测回波波束,对第g'个干扰低的雷达探测回波波束通过调相处理后得到第g'个干扰低的雷达探测回波信号;
令i的值分别取1至N,重复执行5.2至5.5,进而分别得到第1个干扰低的雷达探测回波信号至第N个干扰低的雷达探测回波信号,记为N个干扰低的雷达探测回波信号,g'=1,2,…,N,A>N。
5.如权利要求3所述基于无人机的环境感知与避障方法,其特征在于,所述对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,具体包括:
在雷达信号接收天线网络中,利用信号融合算法对N个干扰低的雷达探测回波信号进行融合积累,得到融合积累后的雷达探测回波信号;
对融合积累后的雷达探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的雷达探测回波信号,其中脉冲压缩处理后的雷达探测回波信号主瓣位置,即为对方目标位置。
6.如权利要求1所述基于无人机的环境感知与避障方法,其特征在于,步骤四中,所述通过模型构建模块利用模型构建程序进行深度神经网络模型的构建,包括:
步骤A,收集大量云层、杂物数据,提取所收集文本的图像特征,利用所述图像特征构建初始深度学习模型;
步骤B,利用初始深度学习模型构建图像数据的图像特征之间的残差向量;
步骤C,利用构建得到的残差向量对初始深度学习模型进行更新,得到更新后的深度学习模型。
7.一种实施如权利要求1~6任意一项所述基于无人机的环境感知与避障方法的基于无人机的环境感知与避障系统,其特征在于,所述基于无人机的环境感知与避障系统包括:
雷达探测模块、信号接收模块、信号处理模块、中央控制模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块、避障执行模块;
雷达探测模块,与中央控制模块连接,用于通过安装在无人机四个端点的雷达发射激光束对路径进行探测;
信号接收模块,与中央控制模块连接,用于通过信号接收程序进行反射信号的接收;信号接收模块利用信号接收程序进行反射信号的接收过程中,设定雷达信号发射天线网络和雷达信号接收天线网络,然后将雷达发射信号中的最优探测信号矩阵和雷达发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经障碍物反射后得到干扰低的雷达探测回波信号;
信号处理模块,与中央控制模块连接,用于通过信号处理程序对信号进行处理,实现信号降噪和增强;信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪过程中,将载波信号降噪问题分解频域处理和时域处理两个阶段,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪;
中央控制模块,与雷达探测模块、信号接收模块、信号处理模块、探测结果分析模块、障碍物方向确定模块、障碍物距离确定模块、相对速度确定模块、模型构建模块、模型训练模块、路径规划模块、避障执行模块连接,用于通过主控机控制各个模块正常运行;
探测结果分析模块,与中央控制模块连接,用于通过探测结果分析程序进行处理后信号的分析;探测结果分析模块利用探测结果分析程序进行处理后信号的分析,雷达信号接收天线网络对所述干扰低的雷达探测回波信号进行接收,并对接收到的干扰低的雷达探测回波信号进行融合积累后,得到融合积累后的雷达探测回波信号,对融合积累后的雷达探测回波信号进行脉冲压缩处理后,得到障碍物的位置信息,所述障碍物的位置信息为一种射频掩护信号下的阵列雷达信号发射接收结果;
障碍物方向确定模块,与中央控制模块连接,用于通过障碍物方向确定程序确定障碍物方向;
障碍物距离确定模块,与中央控制模块连接,用于通过障碍物距离确定程序确定障碍物距离;
相对速度确定模块,与中央控制模块连接,用于通过相对速度确定程序确定无人机与障碍物的相对速度。
8.如权利要求7所述基于无人机的环境感知与避障系统,其特征在于,所述基于无人机的环境感知与避障系统还包括:
模型构建模块,与中央控制模块连接,用于通过模型构建程序进行深度神经网络模型的构建,进行障碍物的分类识别;模型构建模块构建过程中,收集大量云层、杂物数据,提取所收集文本的图像特征,利用所述图像特征构建初始深度学习模型;利用初始深度学习模型构建图像数据的图像特征之间的残差向量;利用构建得到的残差向量对初始深度学习模型进行更新,得到更新后的深度学习模型;
模型训练模块,与中央控制模块连接,用于通过模型训练程序通过训练集对构建的模型进行训练;
路径规划模块,与中央控制模块连接,用于通过路径规划程序依照训练后的模型确定障碍物种类,进行路径规划;
避障执行模块,与中央控制模块连接,用于通过避障执行程序按照规划路径进行避障。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~6任意一项所述的基于无人机的环境感知与避障方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~6任意一项所述的基于无人机的环境感知与避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472196.4A CN113311857A (zh) | 2021-04-29 | 2021-04-29 | 一种基于无人机的环境感知与避障系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472196.4A CN113311857A (zh) | 2021-04-29 | 2021-04-29 | 一种基于无人机的环境感知与避障系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113311857A true CN113311857A (zh) | 2021-08-27 |
Family
ID=77371496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110472196.4A Pending CN113311857A (zh) | 2021-04-29 | 2021-04-29 | 一种基于无人机的环境感知与避障系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311857A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114274A (zh) * | 2021-11-02 | 2022-03-01 | 北京理工大学 | 一种基于类脑听觉模型的无人机识别方法 |
CN115435787A (zh) * | 2022-07-28 | 2022-12-06 | 南京航空航天大学 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 |
CN115933752A (zh) * | 2023-02-16 | 2023-04-07 | 杭州硬十科技有限公司 | 一种基于ai的无人机动态避障预测控制方法 |
CN116027723A (zh) * | 2023-03-30 | 2023-04-28 | 江苏苏启智能科技有限公司 | 一种四旋翼垂直起降无人机的稳定机身动力操作系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892489A (zh) * | 2016-05-24 | 2016-08-24 | 国网山东省电力公司电力科学研究院 | 一种基于多传感器融合的自主避障无人机系统及控制方法 |
CN205738071U (zh) * | 2016-06-29 | 2016-11-30 | 重庆交通大学 | 旋翼飞行器的复合避障装置 |
CN106527468A (zh) * | 2016-12-26 | 2017-03-22 | 德阳科蚁科技有限责任公司 | 一种无人机避障控制方法、系统及无人机 |
CN107612865A (zh) * | 2017-10-12 | 2018-01-19 | 国网天津市电力公司电力科学研究院 | 一种应用于低压电力线载波通信的信号降噪方法 |
CN108227738A (zh) * | 2017-12-28 | 2018-06-29 | 湖北电鹰科技有限公司 | 一种无人机避障方法及系统 |
CN109061576A (zh) * | 2018-06-22 | 2018-12-21 | 西安电子科技大学 | 一种射频掩护信号下的阵列雷达信号发射接收方法 |
CN109634309A (zh) * | 2019-02-21 | 2019-04-16 | 南京晓庄学院 | 一种飞行器自主避障系统、方法及飞行器 |
CN110244760A (zh) * | 2019-06-06 | 2019-09-17 | 深圳市道通智能航空技术有限公司 | 一种避障方法、装置和电子设备 |
US20190303668A1 (en) * | 2018-03-30 | 2019-10-03 | Iunu, Inc. | Visual observer of unmanned aerial vehicle for monitoring horticultural grow operations |
CN112379681A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机避障飞行方法、装置及无人机 |
-
2021
- 2021-04-29 CN CN202110472196.4A patent/CN113311857A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892489A (zh) * | 2016-05-24 | 2016-08-24 | 国网山东省电力公司电力科学研究院 | 一种基于多传感器融合的自主避障无人机系统及控制方法 |
CN205738071U (zh) * | 2016-06-29 | 2016-11-30 | 重庆交通大学 | 旋翼飞行器的复合避障装置 |
CN106527468A (zh) * | 2016-12-26 | 2017-03-22 | 德阳科蚁科技有限责任公司 | 一种无人机避障控制方法、系统及无人机 |
CN107612865A (zh) * | 2017-10-12 | 2018-01-19 | 国网天津市电力公司电力科学研究院 | 一种应用于低压电力线载波通信的信号降噪方法 |
CN108227738A (zh) * | 2017-12-28 | 2018-06-29 | 湖北电鹰科技有限公司 | 一种无人机避障方法及系统 |
US20190303668A1 (en) * | 2018-03-30 | 2019-10-03 | Iunu, Inc. | Visual observer of unmanned aerial vehicle for monitoring horticultural grow operations |
CN109061576A (zh) * | 2018-06-22 | 2018-12-21 | 西安电子科技大学 | 一种射频掩护信号下的阵列雷达信号发射接收方法 |
CN109634309A (zh) * | 2019-02-21 | 2019-04-16 | 南京晓庄学院 | 一种飞行器自主避障系统、方法及飞行器 |
CN110244760A (zh) * | 2019-06-06 | 2019-09-17 | 深圳市道通智能航空技术有限公司 | 一种避障方法、装置和电子设备 |
CN112379681A (zh) * | 2020-11-02 | 2021-02-19 | 中国兵器工业计算机应用技术研究所 | 无人机避障飞行方法、装置及无人机 |
Non-Patent Citations (5)
Title |
---|
任宏光;张好军;孙毓凯;张韵雯;: "激光近距探测装置抗云雾干扰研究", 红外与激光工程, no. 04, pages 110 - 111 * |
曾干敏等: "浅析无人机自主避障技术", 《科技风》 * |
曾干敏等: "浅析无人机自主避障技术", 《科技风》, no. 12, 30 April 2019 (2019-04-30) * |
陈子扬: "四旋翼无人机障碍物检测及路径规划技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
陈子扬: "四旋翼无人机障碍物检测及路径规划技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 02, 15 February 2021 (2021-02-15), pages 1 - 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114274A (zh) * | 2021-11-02 | 2022-03-01 | 北京理工大学 | 一种基于类脑听觉模型的无人机识别方法 |
CN114114274B (zh) * | 2021-11-02 | 2022-06-07 | 北京理工大学 | 一种基于类脑听觉模型的无人机识别方法 |
CN115435787A (zh) * | 2022-07-28 | 2022-12-06 | 南京航空航天大学 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 |
CN115933752A (zh) * | 2023-02-16 | 2023-04-07 | 杭州硬十科技有限公司 | 一种基于ai的无人机动态避障预测控制方法 |
CN116027723A (zh) * | 2023-03-30 | 2023-04-28 | 江苏苏启智能科技有限公司 | 一种四旋翼垂直起降无人机的稳定机身动力操作系统 |
CN116027723B (zh) * | 2023-03-30 | 2023-06-27 | 江苏苏启智能科技有限公司 | 一种四旋翼垂直起降无人机的稳定机身动力操作系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113311857A (zh) | 一种基于无人机的环境感知与避障系统及方法 | |
EP3751302A1 (en) | Methods and systems for acoustic machine perception for an aircraft | |
CN105203999A (zh) | 旋翼飞行器预警装置及预警方法 | |
CN108725452B (zh) | 一种基于全声频感知的无人驾驶车辆控制系统及控制方法 | |
CN111291697A (zh) | 用于识别障碍物的方法和装置 | |
CN102099843A (zh) | 航空机的识别方法、使用该方法的航空机噪音测定方法以及信号判定方法、航空机的识别装置 | |
CN111610492A (zh) | 一种多声传感器阵列智能感知方法及系统 | |
CN111323772B (zh) | 基于射频隐身的有/无人机混合编队协同任务分配方法 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN112564849A (zh) | 一种多型号无人机的识别及诱捕方法 | |
CN114578839B (zh) | 一种基于大数据的无人机路径计算系统及其方法 | |
US9866422B1 (en) | Methods of blind source separation filter resource management | |
CN107884749B (zh) | 一种低空无人机被动声探测定位装置 | |
CN113093124B (zh) | 一种基于dqn算法的雷达干扰资源实时分配方法 | |
CN112633326B (zh) | 一种基于贝叶斯多源融合的无人机目标检测方法 | |
Chen et al. | Mixed Traffic Flow State Detection: A Connected Vehicles Assisted Roadside Radar and Video Data Fusion Scheme | |
CN113119999A (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
CN116013067A (zh) | 车辆数据处理方法、处理器及服务器 | |
EP4063910A1 (en) | Radar tracking with model estimates augmented by radar detections | |
CN114625727A (zh) | 一种基于多元情报融合的无人机综合探测方法 | |
CN114838949A (zh) | 一种机场自动驾驶引导车远程遥控驾驶测试方法和系统 | |
Todawat et al. | A deep learning based approach on radar interference mitigation for autonomous vehicles | |
CN111669248A (zh) | 无人机信号压制方法、装置、电子设备与存储介质 | |
Han | A novel assimilated navigation model based on advanced optical systems (AOS), internet of things (IoT) and artificial intelligence (AI) | |
CN113313654B (zh) | 激光点云滤波去噪方法、系统、设备及存储介质 |
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 |
Application publication date: 20210827 |
|
RJ01 | Rejection of invention patent application after publication |