CN113490178A - 一种智能网联车辆多级协作感知系统 - Google Patents
一种智能网联车辆多级协作感知系统 Download PDFInfo
- Publication number
- CN113490178A CN113490178A CN202110678424.3A CN202110678424A CN113490178A CN 113490178 A CN113490178 A CN 113490178A CN 202110678424 A CN202110678424 A CN 202110678424A CN 113490178 A CN113490178 A CN 113490178A
- Authority
- CN
- China
- Prior art keywords
- data
- sensing
- registration
- layers
- vehicle
- 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
- 230000006855 networking Effects 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000008447 perception Effects 0.000 claims abstract description 16
- 238000006073 displacement reaction Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能网联车辆多级协作感知系统,其特征在于,所述感知系统是基于端到端无线数据传输;包括:数据处理单元,所述数据处理单元对智能网联车辆的原始点云数据、特征数据以及结果数据进行分割获得三层感知数据;数据配准单元,所述数据配准单元对三层感知数据进行坐标、位移校准输出三层配准数据;数据融合单元,融合单元将三层配准数据进行融合输出3D目标检测数据,本发明解决智能网联车的支持多层次感知数据的共享与融合,达到扩大车辆感知范围,提高车辆感知精度的效果。
Description
技术领域
本发明主要涉及车联网无线通信技术领域,具体涉及一种智能网联车辆感知数据的自适 应选取,传输与融合方案。
背景技术
对于自动驾驶车辆来说,能够实时且准确地感知周围的交通环境是十分重要的。目前自 动驾驶车辆对周围环境的感知主要依赖车上配备的各种先进的传感器设备,例如摄像头,毫 米波雷达,激光雷达等。然而,无论是哪种传感器设备,都有可能由于传感器设备受损、道 路障碍物遮挡、自身感知范围受限或者天气状况影响等因素而造成感知失败,故仅仅依靠单 车的感知能力是远远无法满足自动驾驶极高的安全性需求的。随着无线通信技术的发展,人 们提出可以利用V2V无线通信技术在车辆之间共享感知数据以扩大车辆的感知范围,我们将 这种技术叫做“协作感知”。
现有的关于协作感知的工作按照共享的数据类型来看,主要分为三类:基于原始数据, 基于特征数据以及基于结果数据的协作感知。对于基于原始数据的协作感知,车辆之间共享 未经任何处理的原始传感器数据,这种方式可以最大程度的保留信息,提供给接收方车辆更 完整的感知数据,对于接收方车辆感知能力的提升也是最多的,然而原始数据的数据量很大, 会给无线信道造成很大的压力;而对于基于结果数据的协作感知,车辆之间共享的是经过目 标检测模型检测后的检测结果,其数据量是非常小的,因此不会给无线通信造成负担,然而 这种方式过于依赖单车的感知能力,对接收方车辆感知效果的提升十分有限;针对以上两种 方式的优缺点,一些工作提出了基于特征的协作感知方法,通过共享经过部分处理的特征数 据,在数据量和感知效果之间做了一个权衡。然而以上三种协作感知方式所传输的数据层次 都是固定的,并没有考虑无线信道的变化。在实际环境中,无线信道是时刻变化的,因此协 作感知过程中所共享的数据如果是一成不变的,那么就无法适应网络的变化从而造成传输失 败,影响车辆对周围环境的感知。
发明内容
针对现有协作感知方法无法适应无线信道带宽动态变化的问题,本发明针对以感知系统 中的典型应用——3D目标检测,提出了一种带宽自适应的自动驾驶多级协作感知策略。在扩 大车辆感知范围提高感知精度的同时,能够适应无线带宽的动态变化,保证目标检测的实时 性。
本发明旨在设计一种适应无线信道变化的V2V多级协作感知策略,通过感知数据分割的 方式根据网络状况调整车辆间共享的数据内容,扩大车辆感知范围,提高感知精度,且保证 目标检测的实时性。
为了解决现有技术存在的问题,本发明采用如下技术方案:
1、一种智能网联车辆多级协作感知系统,所述感知系统是基于端到端无线数据传输;包括: --数据处理单元,所述数据处理单元对智能网联车辆的原始点云数据进行分割获得三层感知 数据;
--数据配准单元,所述数据配准单元对三层感知数据进行坐标、位移校准输出三层配准数据 --数据融合单元,融合单元将三层配准数据进行融合输出3D目标检测数据,包括如下步骤:
S301、将三层配准数据与激光雷达获取的原始点云数据进行融合,并对融合后的数据进 行特征提取;其中原始数据融合表示为:
Pf=Pr∪Ps′
式中:Pf,Pr,Ps′分别表示融合后的原始数据,接收方原始数据以及配准后的发送方原始数据;
S302、校准后的特征数据与特征提取层输出的特征数据进行融合;
S303、所述数据融合单元获得3D目标检测数据融合过程:
通过如下公式对三种层次的数据的所占比例α,β,γ计算获得3D目标检测数据融合时延:
s.t.te2e≤Δt,
0≤α,β,γ≤1,
α+β+γ=1,
其中,te2e表示整个协作感知系统的端到端时延,即其中:所述融合时延为:
进一步,所述三层感知数据分割过程:
S101、根据当前的信道状况对原始点云数据计算在当前带宽下一帧感知数据三种层次的 数据的所占比例α,β,γ;
S102、根据三层感知数据的所占比例α,β,γ对原始点云数据分割输出;所述原始点云 数据输出包括原始点云分割数据、特征分割数据和结果分割数据。
进一步,所述数据配准单元对三层感知数据进行配准过程:
S201、通过如下公式对三层感知数据计算获得坐标配准;
R=Rz(θyaw)Ry(θpitch)Rx(θroll)
S202、通过如下公式对三层感知数据计算获得位移配准;
式中(Xs,Ys,Zs)和(X′s,Y′s,Z′s)分别表示配准前和配准后的发送方数据所在的坐标系, (Δdx,Δdy,Δdz)表示位移差。
有益效果
1.本发明解决了一套端到端的自动驾驶多级协作感知框架,能支持多层次感知数据的共 享与融合,达到扩大车辆感知范围,提高车辆感知精度的效果。
2.本发明解决了一种带宽自适应数据分割算法并提出了两种感知数据分割方案,通过自 适应调整在车辆间共享的感知数据,在保证实时性的前提下,达到最优的感知精度。
3.本发明可以适用于多种3D目标检测模型,支持不同计算能力的智能网联车辆。
附图说明
图1为基于点云的3D目标检测流程图;
图2为多级协作感知系统流程图;
图3为感知数据分割示意图;
图4为感知数据配准示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图与实例对本发明做详细 的论述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
本发明针对智能联网车辆之间对多层感知数据的共享和融合中的3D目标检测任务,如图 1所示,提出一种V2V带宽自适应多级协作感知系统,如图2所示,该系统包括一个数据处 理单元,即发送方单元以及一个数据融合单元,即接收方单元,发送方与接收方之间通过V2V 无线通信传输,SRC,LTE-4G等进行感知数据的传输。这里的感知数据包括直接从激光雷达 获取的原始点云数据,经过特征提取层之后得到的特征数据以及经过分类与回归模块后输出 的目标数据,这三种数据分别对应着三种级别,他们的数据量大小依次降低,但同时融合后 目标检测的精度也依次降低。
本发明采用发送方车辆作为数据处理单元,首先根据当前的信道状况计算出要传输的三 种数据的占比,并依据该占比对感知数据进行分割,分割可采用基于角度或者基于点密度的 方式,如图3所示,其中α,β,γ分别代表原始点云数据,特征数据和目标数据所占的比例, 由于三种数据所产生的时间不同,因此,三种数据传输的初始时间也不同。本发明涉及的智 能车辆网络中的每个车辆都可以独立进行整套3D目标检测流程,数据的分割和传输并不会影 响车辆自身所进行的目标检测过程。
本发明采用接收方车辆收到来自发送方的感知数据作为数据融合单元,首先进行数据配 准,由于激光雷达所采集的点云数据是以四元组的方式记录的,其中每个点的坐标值是以各 自激光雷达的坐标系为基准的,因此需要将发送方所采集的感知数据的坐标系与接收方坐标 系进行配准。将配准后的感知数据与对应层次的数据进行融合,对融合后的原始点云数据进 行特征提取,对融合后的特征数据进行分类与回归,最后将检测到的目标结果进行融合,得 到最终的协作感知结果,该结果相较于原始级,特征级和目标级协作感知来说,更能适应网 络带宽的变化。其中,本发明在智能网约车的使用:
步骤1:发送方车辆根据当前的信道状况计算出在当前带宽下一帧感知数据中三种层次 的数据的所占比例,将该问题建模成一个线性规划问题,目标是使得最终的协作目标检测精 度最高,如式(1)所示,前提条件是要满足目标检测的实时性,即帧速率要与激光雷达的采 样速率一致。
maxα,β,γα·fl,m+β·f2,m+γ·f3,m, (1)
s.t.te2e≤Δt,
0≤α,β,γ≤1,
α+β+γ=1,
其中,te2e表示整个协作感知系统的端到端时延,即从发送方从激光雷达获取点云数据到 接收方车辆获得融合后的目标检测结果的时间,te2e的具体计算方式如式(2)所示。
不同层次数据的数据量、不同级别的协作目标检测精度以及各个阶段的处理时间可以通 过大量实验数据获得,如表(1)所示,这里例举了四种检测模型的相关数据。
表1
步骤2:发送方车辆根据计算出来的数据比例α,β,γ对不同层次的数据进行分割并在 相应的阶段将感知数据进行共享,数据分割可采用两种方式,分别为基于角度分割以及基于 点密度分割,如图3所示,在按角度分割的情况下,由于车辆真前方的视野相对来说比较重 要,因此将原始数据放在中间;在按密度分割的情况下,由于距离越远点越稀疏,而远处恰 恰是协作感知用来增强感知能力的关键,因此建议将原始数据放在点密度较稀疏的位置。
步骤3:接收方对收到的感知数据进行配准(如图2所示),根据两个车辆的GPS以及IMU 的数据,可以计算出一个旋转矩阵,将两个车辆的坐标系进行统一,旋转矩阵R由式(3)计 算得出,式中θyaw,θpitch,θroll分别为偏航角,俯仰角和翻滚角的差值。
R=Rz(θyaw)Ry(θpitch)Rx(θroll) (3)
对发送方数据的所有坐标进行转向和位移的校准,计算方法如式(4),式中(Xs,Ys,Zs)和 (Xs′,Ys′,Zs′)分别表示配准前和配准后的发送方数据所在的坐标系,(Δdx,Δdy,Δdz)表示 两车之间的位移差。
步骤4:将校准后的原始点云数据与自己从激光雷达获取的原始点云数据进行融合,并 对融合后的数据进行特征提取。其中原始数据融合表示为式(5)
Pf=Pr∪Ps′ (5)
式中Pf,Pr,Ps′分别表示融合后的原始数据,接收方原始数据以及配准后的发送方原始数据。
步骤5:类似原始数据融合,将校准后的特征数据与特征提取层输出的特征数据进行融 合,将校准后的结果数据与RPN层输出的结果进行融合,得到最终的3D目标检测结果。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发 明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗 旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多 形式的具体变换,这些均属于本发明的保护范围之内。
Claims (3)
1.一种智能网联车辆多级协作感知系统,其特征在于,所述感知系统是基于端到端无线数据传输;包括:
--数据处理单元,所述数据处理单元对智能网联车辆的原始点云数据、特征数据以及结果数据进行分割获得三层感知数据;
--数据配准单元,所述数据配准单元对三层感知数据进行坐标、位移校准输出三层配准数据;
--数据融合单元,融合单元将三层配准数据进行融合输出3D目标检测数据,包括如下步骤:
S301、将三层配准数据与激光雷达获取的原始点云数据进行融合,并对融合后的数据进行特征提取;其中原始数据融合表示为:
Pf=Pr∪Ps′
式中:Pf,Pr,Ps′分别表示融合后的原始数据,接收方原始数据以及配准后的发送方原始数据。
S302、通过如下公式对三种层次的数据的所占比例α,β,γ计算获得3D目标检测数据融合时延:
s.t.te2e≤Δt,
0≤α,β,γ≤1,
α+β+γ=1,
其中,te2e表示整个协作感知系统的端到端时延,即其中:所述融合时延为:
2.根据权利要求1所述的一种智能网联车辆多级协作感知系统,其特征在于,所述三层感知数据分割过程:
S101、根据当前的信道状况对原始点云数据计算在当前带宽下一帧感知数据三种层次的数据的所占比例α,β,γ;
S102、根据三层感知数据的所占比例α,β,γ对感知数据分割输出;所述感知数据输出包括原始点云分割数据、特征分割数据和结果分割数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678424.3A CN113490178B (zh) | 2021-06-18 | 2021-06-18 | 一种智能网联车辆多级协作感知系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678424.3A CN113490178B (zh) | 2021-06-18 | 2021-06-18 | 一种智能网联车辆多级协作感知系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113490178A true CN113490178A (zh) | 2021-10-08 |
CN113490178B CN113490178B (zh) | 2022-07-19 |
Family
ID=77933734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678424.3A Expired - Fee Related CN113490178B (zh) | 2021-06-18 | 2021-06-18 | 一种智能网联车辆多级协作感知系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113490178B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037707A (zh) * | 2021-10-29 | 2022-02-11 | 天津大学 | 一种网络带宽自适应的自动驾驶点云数据协作感知系统 |
CN114521001A (zh) * | 2021-10-29 | 2022-05-20 | 天津大学 | 一种网络带宽自适应的自动驾驶特征数据协作感知系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223643A1 (en) * | 2015-01-28 | 2016-08-04 | Wenhua Li | Deep Fusion of Polystatic MIMO Radars with The Internet of Vehicles for Interference-free Environmental Perception |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
CN108900266A (zh) * | 2018-07-06 | 2018-11-27 | 华南理工大学 | 基于协作节点选取和fcm算法的认知车联网频谱感知方法 |
CN110008843A (zh) * | 2019-03-11 | 2019-07-12 | 武汉环宇智行科技有限公司 | 基于点云和影像数据的车辆目标联合认知方法和系统 |
CN110091875A (zh) * | 2019-05-14 | 2019-08-06 | 长沙理工大学 | 基于物联网的深度学习型智能驾驶环境感知系统 |
CN111694010A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉与激光雷达融合的路侧车辆识别方法 |
CN112113578A (zh) * | 2020-09-23 | 2020-12-22 | 安徽工业大学 | 一种用于自动驾驶车辆的障碍物运动预测方法 |
CN112543876A (zh) * | 2019-07-22 | 2021-03-23 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆中的传感器同步性数据分析的系统 |
CN112583803A (zh) * | 2020-12-04 | 2021-03-30 | 上海交通大学 | 数据处理方法、装置、通信节点和存储介质 |
-
2021
- 2021-06-18 CN CN202110678424.3A patent/CN113490178B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160223643A1 (en) * | 2015-01-28 | 2016-08-04 | Wenhua Li | Deep Fusion of Polystatic MIMO Radars with The Internet of Vehicles for Interference-free Environmental Perception |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
CN108900266A (zh) * | 2018-07-06 | 2018-11-27 | 华南理工大学 | 基于协作节点选取和fcm算法的认知车联网频谱感知方法 |
CN110008843A (zh) * | 2019-03-11 | 2019-07-12 | 武汉环宇智行科技有限公司 | 基于点云和影像数据的车辆目标联合认知方法和系统 |
CN110091875A (zh) * | 2019-05-14 | 2019-08-06 | 长沙理工大学 | 基于物联网的深度学习型智能驾驶环境感知系统 |
CN112543876A (zh) * | 2019-07-22 | 2021-03-23 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆中的传感器同步性数据分析的系统 |
CN111694010A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉与激光雷达融合的路侧车辆识别方法 |
CN112113578A (zh) * | 2020-09-23 | 2020-12-22 | 安徽工业大学 | 一种用于自动驾驶车辆的障碍物运动预测方法 |
CN112583803A (zh) * | 2020-12-04 | 2021-03-30 | 上海交通大学 | 数据处理方法、装置、通信节点和存储介质 |
Non-Patent Citations (2)
Title |
---|
TIE QIU,XIZE LIU,KEQIU LI: ""Community-Aware Data Propagation with Small World Feature for Internet of Vehicles"", 《IEEE》 * |
李文信,周晓波: ""一种近似最小有效瓶颈优先的Coflow调度机制"", 《计算机工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037707A (zh) * | 2021-10-29 | 2022-02-11 | 天津大学 | 一种网络带宽自适应的自动驾驶点云数据协作感知系统 |
CN114521001A (zh) * | 2021-10-29 | 2022-05-20 | 天津大学 | 一种网络带宽自适应的自动驾驶特征数据协作感知系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113490178B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12014553B2 (en) | Predicting three-dimensional features for autonomous driving | |
CN113490178B (zh) | 一种智能网联车辆多级协作感知系统 | |
US20210342637A1 (en) | Generating ground truth for machine learning from time series elements | |
CN111052132B (zh) | 利用多个传感器的基于运动的车道检测的验证模块系统和方法 | |
CN112507862B (zh) | 基于多任务卷积神经网络的车辆朝向检测方法及系统 | |
CN111967373B (zh) | 一种基于摄像头和激光雷达的自适应强化融合实时实例分割方法 | |
US11035933B2 (en) | Transition map between lidar and high-definition map | |
CN114529886B (zh) | 障碍物的确定方法、装置和系统 | |
WO2020215254A1 (zh) | 车道线地图的维护方法、电子设备与存储介质 | |
WO2022206414A1 (zh) | 三维目标检测方法及装置 | |
CN115578709A (zh) | 一种车路协同的特征级协同感知融合方法和系统 | |
CN114283394A (zh) | 一种车载传感器融合的交通目标检测系统 | |
CN115131748B (zh) | 一种提高雷视一体机目标跟踪识别准确率的方法和系统 | |
WO2021057324A1 (zh) | 数据处理方法、装置、芯片系统及介质 | |
CN113111707A (zh) | 一种基于卷积神经网络的前车检测与测距方法 | |
CN113140002B (zh) | 基于双目立体相机的道路状况检测方法、系统和智能终端 | |
CN114037707A (zh) | 一种网络带宽自适应的自动驾驶点云数据协作感知系统 | |
CN115965961B (zh) | 局部到全局的多模态融合方法、系统、设备及存储介质 | |
US20240010227A1 (en) | Method and system for in-vehicle self-supervised training of perception functions for an automated driving system | |
CN114521001A (zh) | 一种网络带宽自适应的自动驾驶特征数据协作感知系统 | |
CN112309156A (zh) | 基于5g分级决策的红绿灯通行策略 | |
WO2023036032A1 (zh) | 一种车道线检测方法及装置 | |
Ahmed et al. | A Joint Perception Scheme For Connected Vehicles | |
US20230385698A1 (en) | Generating training data for vision systems detecting moving objects | |
US20240062553A1 (en) | Method and system for in-vehicle self-supervised training of perception functions for an automated driving system |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220719 |