CN113375658B - 移动机器人故障下同时fdd和slam的方法及系统 - Google Patents
移动机器人故障下同时fdd和slam的方法及系统 Download PDFInfo
- Publication number
- CN113375658B CN113375658B CN202110660094.5A CN202110660094A CN113375658B CN 113375658 B CN113375658 B CN 113375658B CN 202110660094 A CN202110660094 A CN 202110660094A CN 113375658 B CN113375658 B CN 113375658B
- Authority
- CN
- China
- Prior art keywords
- moment
- robot
- sample
- state mode
- estimation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 230000004323 axial length Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract description 9
- 239000002245 particle Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0066—Means or methods for maintaining or repairing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
Abstract
本发明公开一种移动机器人故障下同时FDD和SLAM的方法及系统。包括:获取t时刻机器人的姿态样本;根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据和t‑1时刻的环境地图估计,确定各姿态样本的权重;根据t时刻各姿态样本所属的状态模式和t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,选取估计概率最大的状态模式作为t时刻的状态模式估计;将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,目标姿态样本包括t时刻的状态模式估计对应的姿态样本;根据t时刻机器人环境点云数据以及位姿估计,确定t时刻的环境地图估计。本发明实现了移动机器人故障下同时进行故障诊断和并发定位与建图。
Description
技术领域
本发明涉及机器人故障诊断与建图领域,特别是涉及一种移动机器人故障下同时FDD和SLAM的方法及系统。
背景技术
故障检测与诊断(Fault Detection and Diagnosis,FDD)包含检测与诊断两个过程,检测是确定系统是否发生故障,诊断则是确定发生故障的部件以及故障类型,即确定各部件的行为模式。并发定位与建图(Simutaneous Localization and Mapping,SLAM)是移动机器人自主导航的关键问题之一。当移动机器人的左轮编码器和/或右轮编码器发生故障时,如何进行并发定位与建图十分关键,但目前,尚未出现同时解决移动机器人故障诊断和并发定位与建图问题的方案。
发明内容
本发明的目的是提供一种移动机器人故障下同时FDD和SLAM的方法及系统。
为实现上述目的,本发明提供了如下方案:
一种移动机器人故障下同时FDD和SLAM的方法,包括:
获取t时刻机器人的姿态样本;其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定;t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定;所述状态模式包括正常模式、左轮编码器故障模式、右轮编码器故障模式以及左右轮编码器同时故障模式;
根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重;其中,所述环境点云数据为实际测量数据;
根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计;
将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本;
根据t时刻机器人的环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
可选的,所述根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重,具体包括:
对t时刻任一所述姿态样本:
以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
计算各所述配准点对中两点的距离;
确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
可选的,所述根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,具体包括:
根据计算t时刻发生各状态模式的估计概率其中,Sk表示第k状态模式,st表示t时刻的状态模式,当t时刻的第i姿态样本属于状态模式Sk时,为1,否则为0,表示t时刻的第i姿态样本归一化后的权重,N表示t时刻姿态样本的数量。
可选的,在所述获取t时刻机器人的姿态样本之前,还包括:
遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本;
遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本;
根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本;
其中,所述机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,所述线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。
可选的,在采样线速度样本和采样偏航率样本之前,还包括:
获取机器人的左车轮线速度和右车轮线速度;
根据计算t时刻线速度正态分布中的均值和t时刻偏航率正态分布中的均值其中,W表示连接机器人左右车轮的轴长,表示t时刻机器人的左车轮线速度估计值,表示t时刻机器人的右车轮线速度估计值;其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度。
本发明还提供了一种移动机器人故障下同时FDD和SLAM的系统,包括:
姿态样本获取模块,用于获取t时刻机器人的姿态样本;其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定;t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定;所述状态模式包括正常模式、左轮编码器故障模式、右轮编码器故障模式以及左右轮编码器同时故障模式;
样本权重确定模块,用于根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重;其中,所述环境点云数据为实际测量数据;
状态模式估计确定模块,用于根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计;
位姿估计确定模块,用于将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本;
环境地图估计确定模块,用于根据t时刻机器人的环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
可选的,所述样本权重确定模块,具体包括:
配准点对确定单元,用于以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
距离计算单元,用于计算各所述配准点对中两点的距离;
权重确定单元,用于确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
可选的,所述状态模式估计确定模块,具体包括:
状态模式估计概率计算单元,用于根据计算t时刻发生各状态模式的估计概率其中,Sk表示第k状态模式,st表示t时刻的状态模式,当t时刻的第i姿态样本属于状态模式Sk时,为1,否则为0,表示t时刻的第i姿态样本归一化后的权重,N表示t时刻姿态样本的数量。
可选的,所述系统还包括:
线速度样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本;
偏航率样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本;
姿态样本确定模块,用于根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本;
其中,所述机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,所述线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。
可选的,所述系统还包括:
线速度正态分布确定模块,用于:
根据计算t时刻线速度正态分布中的均值其中,表示t时刻机器人的左车轮线速度估计值,表示t时刻机器人的右车轮线速度估计值;其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;
偏航率正态分布确定模块,用于:
根据本发明提供的具体实施例,公开了以下技术效果:本发明实施例首先对本时刻的状态模式进行了估计,然后在该状态模式下选取精确的位姿估计,最后,根据该位姿估计、上一时刻的环境地图估计以及本时刻的环境点云数据,利用地图匹配方法进行本时刻的地图建立。实现了移动机器人状态模式下同时进行故障诊断和并发定位与建图。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的移动机器人故障下同时FDD和SLAM的方法流程图;
图2为本发明实施例2提供的移动机器人故障下同时FDD和SLAM的系统结构示意图。
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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种移动机器人故障下同时FDD和SLAM的方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1,本实施例提供了一种移动机器人故障下同时FDD和SLAM的方法,该方法针对的移动机器人为双轮差速机器人,左右车轮安装编码器,移动机器人本体上安装二维激光雷达,该方法包括以下步骤:
步骤101:获取t时刻机器人的姿态样本。
其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定。状态模式如表1所示,状态转移概率可如表2所示。
表1状态模式
状态模式 | 故障元件 |
<![CDATA[S<sup>1</sup>]]> | 正常 |
<![CDATA[S<sup>2</sup>]]> | 左轮编码器故障 |
<![CDATA[S<sup>3</sup>]]> | 右轮编码器故障 |
<![CDATA[S<sup>4</sup>]]> | 左轮、右轮编码器同时出现故障 |
表2 p(st=Sk|st-1=Sj)k,j∈{1,2,3,4}
根据t-1时刻的状态模式估计以及状态转移概率得到t时刻各状态模式发生的经验概率,姿态样本的选取依据该经验概率进行。比如,t-1时刻的状态模式估计为S1时,根据表2中的状态转移概率可知,t时刻各状态模式S1、S2、S3、S4的经验概率分别为0.5,0.2,0.2,0.1。那么t时刻采样的姿态样本中属于状态模式S1的姿态样本占0.5,属于状态模式S2的姿态样本占0.2,属于状态模式S3的姿态样本占0.2,属于状态模式S4的姿态样本占0.1。
t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定。
比如,状态模式S1的经验标准差为σ1,状态模式S2的经验标准差为σ2,状态模式S3的经验标准差为σ3,状态模式S4的经验标准差为σ4。那么,如果t时刻有100个姿态样本:属于状态模式S1的姿态样本有50个,属于状态模式S2的姿态样本占20个,属于状态模式S3的姿态样本占20个,属于状态模式S4的姿态样本占10个。其中,属于状态模式S1的50个姿态样本遵循正态分布(μ1,σ1),属于状态模式S2的20个姿态样本遵循正态分布(μ2,σ2),属于状态模式S3的20个姿态样本遵循正态分布(μ3,σ3),属于状态模式S4的10个姿态样本遵循正态分布(μ4,σ4)。
上述μ1、μ2、μ3、μ4对应状态模式下的左右车轮线速度估计值确定,比如,μ1由状态模式S1下的左右车轮线速度估计值和确定,μ2由状态模式S2下的左右车轮线速度估计值和确定。不同状态模式下左右车轮线速度估计值的确定方法如下:
在S1下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在S2下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在S3下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在S4下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度。
步骤102:根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻的环境地图估计,确定各姿态样本的权重。本实施例中的环境点云数据采用激光雷达对机器人的周围环境实际扫描测量得到。
在一个示例中,步骤102具体包括:
对t时刻任一所述姿态样本:
以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻的环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
计算各所述配准点对中两点的距离;
确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
步骤103:根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计。
在一个示例中,步骤103包括:
根据计算t时刻发生各状态模式的估计概率其中,Sk表示第k状态模式,st表示t时刻的状态模式,当t时刻的第i姿态样本属于状态模式Sk时,为1,否则为0,表示t时刻的第i姿态样本归一化后的权重,N表示t时刻姿态样本的数量。
步骤104:将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本。
步骤105:根据t时刻机器人的环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,在一个示例中,在步骤101之前,还包括:
(1)获取t时刻机器人的左车轮线速度和右车轮线速度。
其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度。
(3)遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本。
(4)遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本。
其中,线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。
比如,需要采样100个线速度样本,t时刻状态模式S1发生的经验概率为0.5,那么,在采样时,需要采集50个属于状态模式S1的线速度样本,而且,这50个线速度样本要符合正态分布(μ1,σ1),其中,μ1采用上述方式求取,σ1为状态模式S1对应的线速度经验标准差,该线速度经验标准差为根据经验设定。
(5)根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本。
下面对上述内容所涉及到的特征进行具体详细的介绍
设xt=[xt,yt,θt]表示t时刻移动机器人的位姿(2维位置与航向角)
W表示连接移动机器人左右轮的轴长,单位:m
r表示移动机器人左右车轮的半径,单位:m
Θt为t时刻的环境地图,采用二维激光点云表示
st为t时刻的状态模式,取值范围如表1
(1)建立故障空间
本案考查移动机器人左右轮编码器故障的诊断,每个传感器存在正常和故障两种模式,考虑编码器故障,包含2个编码器的移动机器人移动具有4种状态模式,包含一个正常模式,和三个故障模式。
(2)初始化
(7)故障诊断
For k=2 to 4 do
End for
(8)地图样本更新:
(10)t=t+1
(11)如果t<=T,转步骤(3),否则结束。
方法以粒子滤波器作为框架,同时实现移动机器人FDD和SLAM,FDD的结果用于提供不同故障情况下的运动学模型,在与故障相适应的运动学模型上进行更为精确的位姿估计,利用地图匹配方法实现对故障诊断和定位的感知模型。
实施例2
参见图2,本实施例提供了一种移动机器人故障下同时FDD和SLAM的系统,该系统包括:
姿态样本获取模块201,用于获取t时刻机器人的姿态样本;其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定;t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定;所述状态模式包括正常模式、左轮编码器故障模式、右轮编码器故障模式以及左右轮编码器同时故障模式;
样本权重确定模块202,用于根据t时刻机器人的姿态样本、t时刻机器人环境点云数据以及t-1时刻的环境地图估计,确定各姿态样本的权重,所述机器人激光雷达用于测量环境地图;
状态模式估计确定模块203,用于根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计;
位姿估计确定模块204,用于将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本;
环境地图估计确定模块205,用于根据t时刻机器人环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
在一个示例中,所述样本权重确定模块202,具体包括:
配准点对确定单元,用于以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
距离计算单元,用于计算各所述配准点对中两点的距离;
权重确定单元,用于确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
所述状态模式估计确定模块203,具体包括:
状态模式估计概率计算单元,用于根据计算t时刻发生各状态模式的估计概率其中,Sk表示第k状态模式,st表示t时刻的状态模式,当t时刻的第i姿态样本属于状态模式Sk时,为1,否则为0,表示t时刻的第i姿态样本归一化后的权重,N表示t时刻姿态样本的数量。
在一个示例中,本实施例提供的系统还包括:线速度正态分布确定模块、偏航率正态分布确定模块、线速度样本采样模块、偏航率样本采样模块以及姿态样本确定模块。其中:
线速度正态分布确定模块,用于:
偏航率正态分布确定模块,用于:
线速度样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本;
偏航率样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本;
姿态样本确定模块,用于根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本。
其中,所述机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,所述线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。W表示连接机器人左右车轮的轴长,表示t时刻机器人的左车轮线速度估计值,表示t时刻机器人的右车轮线速度估计值;其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种移动机器人故障下同时FDD和SLAM的方法,其特征在于,包括:
获取t时刻机器人的姿态样本;其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定;t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定;所述状态模式包括正常模式、左轮编码器故障模式、右轮编码器故障模式以及左右轮编码器同时故障模式;
根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重;其中,环境点云数据为实际测量数据;
根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计;
将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本;
根据t时刻机器人的环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
2.根据权利要求1所述的移动机器人故障下同时FDD和SLAM的方法,其特征在于,所述根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重,具体包括:
对t时刻任一所述姿态样本:
以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
计算各所述配准点对中两点的距离;
确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
4.根据权利要求1所述的移动机器人故障下同时FDD和SLAM的方法,其特征在于,在所述获取t时刻机器人的姿态样本之前,还包括:
遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本;
遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本;
根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本;
其中,所述机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,所述线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。
5.根据权利要求4所述的移动机器人故障下同时FDD和SLAM的方法,其特征在于,在采样线速度样本和采样偏航率样本之前,还包括:
获取机器人的左车轮线速度和右车轮线速度;
根据计算t时刻线速度正态分布中的均值和t时刻偏航率正态分布中的均值其中,W表示连接机器人左右车轮的轴长,表示t时刻机器人的左车轮线速度估计值,表示t时刻机器人的右车轮线速度估计值;其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度。
6.一种移动机器人故障下同时FDD和SLAM的系统,其特征在于,包括:
姿态样本获取模块,用于获取t时刻机器人的姿态样本;其中,t时刻机器人的姿态样本在各状态模式上的分布概率由t时刻机器人发生各状态模式的经验概率确定,机器人t时刻发生各状态模式的经验概率根据机器人t-1时刻的状态模式估计以及状态转移概率确定;t时刻任一状态模式下的姿态样本分布遵循对应状态模式下机器人姿态的正态分布,所述正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述左右车轮线速度估计值由t时刻左右车轮的编码器测量线速度确定或由t时刻左右车轮的编码器测量线速度以及驱动速度确定,所述正态分布中的标准差由对应状态模式的经验标准差确定;所述状态模式包括正常模式、左轮编码器故障模式、右轮编码器故障模式以及左右轮编码器同时故障模式;
样本权重确定模块,用于根据t时刻机器人的姿态样本、t时刻机器人的环境点云数据以及t-1时刻机器人的环境地图估计,确定各姿态样本的权重;其中,环境点云数据为实际测量数据;
状态模式估计确定模块,用于根据t时刻各姿态样本所属的状态模式以及t时刻各姿态样本的权重,计算t时刻发生各状态模式的估计概率,并选取估计概率最大的状态模式作为t时刻的状态模式估计;
位姿估计确定模块,用于将目标姿态样本中后验概率最大的姿态样本作为t时刻机器人的位姿估计,所述目标姿态样本包括所述t时刻的状态模式估计对应的姿态样本;
环境地图估计确定模块,用于根据t时刻机器人的环境点云数据以及t时刻机器人的位姿估计,确定t时刻的环境地图估计。
7.根据权利要求6所述的移动机器人故障下同时FDD和SLAM的系统,其特征在于,所述样本权重确定模块,具体包括:
配准点对确定单元,用于以所述姿态样本为初始位姿估计,利用迭代最近点方法确定t时刻环境点云数据与t-1时刻的环境地图估计在配准过程中的配准点对;
距离计算单元,用于计算各所述配准点对中两点的距离;
权重确定单元,用于确定所述配准点对中所述距离小于设定阈值的配准点对的比例,并将所述比例作为t时刻所述姿态样本的权重。
9.根据权利要求6所述的移动机器人故障下同时FDD和SLAM的系统,其特征在于,所述系统还包括:
线速度样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的线速度正态分布,采样线速度样本;
偏航率样本采样模块,用于遵循t时刻各状态模式发生的经验概率以及机器人各状态模式下的偏航率正态分布,采样偏航率样本;
姿态样本确定模块,用于根据所述线速度样本和所述偏航率样本确定t时刻机器人的姿态样本;
其中,所述机器人姿态的正态分布包括线速度正态分布和偏航率正态分布,所述线速度正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述线速度正态分布中的标准差由对应状态模式的经验标准差确定,所述偏航率正态分布中的均值由对应状态模式下的左右车轮线速度估计值确定,所述偏航率正态分布中的标准差由对应状态模式的经验标准差确定。
10.根据权利要求9所述的移动机器人故障下同时FDD和SLAM的系统,其特征在于,所述系统还包括:
线速度正态分布确定模块,用于:
根据计算t时刻线速度正态分布中的均值其中,表示t时刻机器人的左车轮线速度估计值,表示t时刻机器人的右车轮线速度估计值;其中,在所述正常模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在所述左轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的编码器测量线速度;在右轮编码器故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的编码器测量线速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;在所述左右轮编码器同时故障模式下,t时刻机器人的左车轮线速度估计值为左车轮的驱动速度,t时刻机器人的右车轮线速度估计值为右车轮的驱动速度;
偏航率正态分布确定模块,用于:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660094.5A CN113375658B (zh) | 2021-06-15 | 2021-06-15 | 移动机器人故障下同时fdd和slam的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660094.5A CN113375658B (zh) | 2021-06-15 | 2021-06-15 | 移动机器人故障下同时fdd和slam的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113375658A CN113375658A (zh) | 2021-09-10 |
CN113375658B true CN113375658B (zh) | 2023-05-09 |
Family
ID=77574378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660094.5A Active CN113375658B (zh) | 2021-06-15 | 2021-06-15 | 移动机器人故障下同时fdd和slam的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113375658B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922736B (zh) * | 2023-02-22 | 2023-07-18 | 山东德晟机器人股份有限公司 | 一种基于5g网络实现机器人远程控制和远程运维系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005219138A (ja) * | 2004-02-03 | 2005-08-18 | Seiko Epson Corp | ロボット制御方法、ロボット制御装置、ロボット制御プログラム及び記録媒体 |
EP1923763A1 (en) * | 2006-11-16 | 2008-05-21 | Samsung Electronics Co., Ltd. | Method, apparatus, and medium for estimating pose of mobile robot using particle filter |
CN103344963A (zh) * | 2013-07-12 | 2013-10-09 | 电子科技大学中山学院 | 一种基于激光雷达的鲁棒航迹推算方法 |
CN104316050A (zh) * | 2013-02-28 | 2015-01-28 | 三星电子株式会社 | 移动式机器人及其定位和地图构建的方法 |
CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
CN108319572A (zh) * | 2017-11-09 | 2018-07-24 | 电子科技大学中山学院 | 一种移动机器人故障诊断的混合自适应粒子滤波方法 |
CN108801238A (zh) * | 2017-04-27 | 2018-11-13 | 电子科技大学中山学院 | 一种基于gpx的路径优化方法 |
CN108818538A (zh) * | 2018-07-17 | 2018-11-16 | 杭州崧智智能科技有限公司 | 一种实时标定机器人传感器姿态的方法、装置及终端设备 |
CN108955688A (zh) * | 2018-07-12 | 2018-12-07 | 苏州大学 | 双轮差速移动机器人定位方法及系统 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109599945A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种智慧电厂自主巡检机器人巡检系统及方法 |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN111273128A (zh) * | 2020-02-28 | 2020-06-12 | 广东工业大学 | 一种用于检测地下电缆故障的管道机器人 |
CN111380514A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 机器人位姿估计方法、装置、终端及计算机存储介质 |
CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
WO2021065122A1 (en) * | 2019-10-02 | 2021-04-08 | Mitsubishi Electric Corporation | System and method for probabilistic multi-robot slam |
CN112815939A (zh) * | 2021-01-04 | 2021-05-18 | 清华大学深圳国际研究生院 | 移动机器人的位姿估计方法及计算机可读存储介质 |
CN112947433A (zh) * | 2021-02-03 | 2021-06-11 | 中国农业大学 | 一种果园移动机器人及其自主导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100843085B1 (ko) * | 2006-06-20 | 2008-07-02 | 삼성전자주식회사 | 이동 로봇의 격자지도 작성 방법 및 장치와 이를 이용한영역 분리 방법 및 장치 |
-
2021
- 2021-06-15 CN CN202110660094.5A patent/CN113375658B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005219138A (ja) * | 2004-02-03 | 2005-08-18 | Seiko Epson Corp | ロボット制御方法、ロボット制御装置、ロボット制御プログラム及び記録媒体 |
EP1923763A1 (en) * | 2006-11-16 | 2008-05-21 | Samsung Electronics Co., Ltd. | Method, apparatus, and medium for estimating pose of mobile robot using particle filter |
CN104316050A (zh) * | 2013-02-28 | 2015-01-28 | 三星电子株式会社 | 移动式机器人及其定位和地图构建的方法 |
CN103344963A (zh) * | 2013-07-12 | 2013-10-09 | 电子科技大学中山学院 | 一种基于激光雷达的鲁棒航迹推算方法 |
CN108801238A (zh) * | 2017-04-27 | 2018-11-13 | 电子科技大学中山学院 | 一种基于gpx的路径优化方法 |
CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
CN108319572A (zh) * | 2017-11-09 | 2018-07-24 | 电子科技大学中山学院 | 一种移动机器人故障诊断的混合自适应粒子滤波方法 |
CN108955688A (zh) * | 2018-07-12 | 2018-12-07 | 苏州大学 | 双轮差速移动机器人定位方法及系统 |
CN108818538A (zh) * | 2018-07-17 | 2018-11-16 | 杭州崧智智能科技有限公司 | 一种实时标定机器人传感器姿态的方法、装置及终端设备 |
CN109599945A (zh) * | 2018-11-30 | 2019-04-09 | 武汉大学 | 一种智慧电厂自主巡检机器人巡检系统及方法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN111380514A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 机器人位姿估计方法、装置、终端及计算机存储介质 |
WO2021065122A1 (en) * | 2019-10-02 | 2021-04-08 | Mitsubishi Electric Corporation | System and method for probabilistic multi-robot slam |
CN110927740A (zh) * | 2019-12-06 | 2020-03-27 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN111273128A (zh) * | 2020-02-28 | 2020-06-12 | 广东工业大学 | 一种用于检测地下电缆故障的管道机器人 |
CN111427370A (zh) * | 2020-06-09 | 2020-07-17 | 北京建筑大学 | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 |
CN112815939A (zh) * | 2021-01-04 | 2021-05-18 | 清华大学深圳国际研究生院 | 移动机器人的位姿估计方法及计算机可读存储介质 |
CN112947433A (zh) * | 2021-02-03 | 2021-06-11 | 中国农业大学 | 一种果园移动机器人及其自主导航方法 |
Non-Patent Citations (4)
Title |
---|
基于动态逆模型的机器人轨迹跟随纠偏控制;林荣霞;《舰船电子工程》;83-87 * |
基于机器人运动模型的EKF-SLAM算法改进;张国良;《计算机测量与控制》;1064-1066 * |
移动机器人软故障检测与补偿的自适应粒子滤波算法;段琢华;《中国科学(E辑:信息科学)》;565-578 * |
自动控制中粒子滤波算法改进和应用;任慧;《自动化应用》;1-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN113375658A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN112083725B (zh) | 一种面向自动驾驶车辆的结构共用多传感器融合定位系统 | |
CN113002549B (zh) | 一种车辆状态估算方法、装置、设备及存储介质 | |
CN113375658B (zh) | 移动机器人故障下同时fdd和slam的方法及系统 | |
CN108170127A (zh) | 一种无人机飞行控制系统的故障检测方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN110633790A (zh) | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 | |
CN112859898A (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN112710298B (zh) | 基于动力学模型辅助的旋转弹用地磁卫星组合导航方法 | |
CN113203464A (zh) | 一种动态车载称重系统的传感器故障检测方法 | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
CN113436274B (zh) | 一种移动机器人的校准方法、装置及设备 | |
CN112948963A (zh) | 飞机刹车干扰因素的观测及识别方法及装置 | |
CN111603241A (zh) | 一种基于差分粒子滤波的医疗机器人定位装置和改进方法 | |
WO2022261814A1 (zh) | 移动机器人故障下同时fdd和slam的方法及系统 | |
CN115143971A (zh) | 一种基于星群无源感知的非合作目标机动检测及跟踪方法 | |
CN115488896A (zh) | 一种基于残余动态学习的机械臂未知外力识别与估计方法 | |
CN111637894B (zh) | 一种定常系数陆标图像导航滤波方法 | |
CN110749327A (zh) | 一种合作环境下的车辆导航方法 | |
CN116861194A (zh) | 一种飞行器大气数据系统异常数据诊断修正方法及系统 | |
Kummer et al. | Autonomous UAV landing via eye in hand visual servoing | |
CN113129377B (zh) | 一种三维激光雷达快速鲁棒slam方法和装置 | |
CN110749879B (zh) | 一种基于多观测者测速信息的分布式目标跟踪方法 | |
CN117058251A (zh) | 一种基于对极约束的车载相机标定方法及系统 | |
Rohloff et al. | Fault tolerance and extrapolation stability of a neural network air-data estimator |
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 |