CN113799125B - 一种多关节机械臂的轨迹规划系统 - Google Patents
一种多关节机械臂的轨迹规划系统 Download PDFInfo
- Publication number
- CN113799125B CN113799125B CN202111028261.0A CN202111028261A CN113799125B CN 113799125 B CN113799125 B CN 113799125B CN 202111028261 A CN202111028261 A CN 202111028261A CN 113799125 B CN113799125 B CN 113799125B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- mechanical arm
- acquiring
- joint
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Abstract
本发明公开了一种多关节机械臂的轨迹规划系统,涉及机器人轨迹规划技术领域,解决现有方案中固定多项式拟合次数导致运算量大,忽略机械臂本身状态参数导致的轨迹规划曲线不合理的技术问题;包括处理器、管理监督模块、数据存储模块、数据采集模块、轨迹规划模块和故障管理模块;本发明利用多项式拟合法获取关节拟合轨迹时,规避了现有方案中固定多项式拟合次数的弊端,提高效率的同时能够降低运算量,保证机械臂处于低延迟的工作状态;本发明通过初设数据和人工智能模型的结合获取设定规则数据,规避了现有方案中忽略机械臂寿命表征数据导致获取的设定规则数据不符合实际情况,有助于提供机械臂轨迹规划的精度,以及轨迹规划曲线的合理。
Description
技术领域
本发明属于机器人轨迹规划技术领域,具体是一种多关节机械臂的轨迹规划系统。
背景技术
在当今工业生产和日常生活中,机械臂发挥着越来越重要的作用。研究热点主要集中在机械臂的运动规划与控制方便,其中,轨迹规划是机械轨迹控制的基础,对机械臂的平稳性、运行效率、作业精确性和能源调度具有重要意义。
公开号为CN103235513A的发明专利提供了一种基于遗传算法的移动机械臂轨迹规划优化方法。其技术方案是:先建立多自由度移动机械臂的正运动学模型和逆运动学模型;再采用四次多项式数学模型和五次多项式数学模型的组合曲线拟合关节轨迹,根据其线性约束方程得到对应数学模型的解;然后根据移动机械臂运动时间最短、移动的空间距离最小和不超过最大的关节设定扭矩的原则,选取轨迹优化目标;最后利用遗传算法对优化目标进行全局优化,得到最优的机械臂末端执行器的轨迹曲线。
上述方案提高了机械臂轨迹规划的效率和跟踪精度,解决了移动机械臂的实时轨迹规划的问题和不确定环境下机械臂轨迹规划优化和控制的问题;但是,上述方案在拟合关节轨迹时,采用固定的四次多项式模型和五次多项式模型,会导致计算量的增大,同时,针对轨迹优化目标选取规则的确定过于简单,未考虑机械臂的实际情况,会降低机械臂的寿命和运行精度。
发明内容
本发明提供了一种多关节机械臂的轨迹规划系统,用于解决现有方案中固定多项式拟合次数导致运算量大,忽略机械臂本身状态参数导致的轨迹规划曲线不合理的技术问题,本发明通过灵活设置多项式拟合的次数、将初设数据和人工智能模型相结合解决上述问题。
本发明的目的可以通过以下技术方案实现:一种多关节机械臂的轨迹规划系统,包括处理器;
所述处理器分别与数据采集模块和轨迹规划模块通信和/或电气连接;所述数据采集模块和轨迹规划模块通信和/或电气连接;
所述数据采集模块与采集传感器电气连接,且通过采集传感器采集传感数据;
所述轨迹规划模块用于对机械臂的运动轨迹进行规划,包括:
结合机械臂的连杆个数建立机械臂的运动学模型;其中,运动学模型包括正运动学模型和逆运动学模型;
任务代码结合多项式拟合法获取关节拟合轨迹,并对关节拟合轨迹进行求解;
通过初设数据结合人工智能模型获取设定规则数据,根据设定规则数据生成轨迹优化目标;
通过智能算法对轨迹优化目标进行全局优化,获取机械臂最优轨迹曲线。
优选的,所述关节拟合轨迹的获取包括:
获取起点到中间点的节点个数并标记为A;
获取中间点到终点的节点个数并标记为B;
表1多项式拟合次数参考表
优选的,所述关节拟合轨迹通过对应拟合次数的线性约束方程进行求解。
优选的,所述设定规则数据的获取具体包括:
获取实时数据,所述实时数据包括初设数据和寿命表征数据;其中,初设数据包括起点位置、起点速度、起点加速度、终点位置、终点速度、终点加速度和运行总时间,寿命表征数据包括机械臂服务时长、机械臂结构刚度、机械臂接触刚度、工作温度和工作湿度;
通过数据存储模块获取训练数据集;所述训练数据集包括初设数据、寿命表征数据及对应的设定规则数据;所述设定规则数据包括机械臂的运动最短时间、移动最小空间距离、最大关节承受扭矩;
将训练数据集按照设定比例划分为训练集、测试集和校验集;其中,设定比例包括2:1:1、3:1:1和3:2:1;
构建人工智能模型;所述人工智能模型包括误差逆向反馈神经网络、RBF神经网络和深度卷积神经网络中的一种或者多种;
通过训练集、测试集和校验集对人工智能模型进行训练,将完成训练的人工智能模型标记为规则数据预测模型;
将实时数据输入至规则数据预测模型获取输出结果;其中,所述输出结果为实时数据对应的设定规则数据。
优选的,所述智能算法包括遗传算法、粒子群算法和蚁群算法。
优选的,所述采集传感器包括速度传感器、加速度传感器、位移传感器和扭矩传感器。
优选的,该轨迹规划系统还包括数据存储模块、管理监督模块和故障处理模块;所述处理器分别与数据存储模块、管理监督模块和故障处理模块通信和/或电气连接;所述管理监督模块分别与数据存储模块和故障处理模块通信和/或电气连接;
所述数据存储模块用于存储数据;
所述管理监督模块用于上传任务数据至处理器和数据存储模块;所述任务数据包括任务代码;
所述故障处理模块用于监控轨迹规划系统的通信状态,同时,还用于故障预警。
优选的,所述通信状态的监控具体包括:
获取故障处理模块和处理器之间的通信状态并生成第一通信标签;其中,所述第一通信标签的取值为0或者1,当第一通信标签为1时,表示故障处理模块和处理器之间的通信状态正常,当第一通信标签为0时,表示故障处理模块和处理器之间的通信状态异常,发送第一异常信号至管理监督模块;
当第一通信标签为1时,则获取处理器与数据采集模块、轨迹规划模块之间的通信状态并生成第二通信标签;其中,所述第二通信标签的取值为0或者1,当第二通信标签为1时,表示处理器与数据采集模块、轨迹规划模块之间的通信状态均正常,当第二通信标签为0时,表示处理器与数据采集模块、轨迹规划模块之间的通信状态至少存在一处异常,发送第二异常信号至管理监督模块;
当第二通信标签为1时,获取数据采集模块与采集传感器之间的通信状态并生成第三通信标签;其中,所述第三通信标签的取值为0或者1,当第三通信标签为1时,表示数据采集模块与采集传感器之间的通信状态均正常,当第三通信标签为0时,表示数据采集模块与采集传感器中至少一个传感器的通信状态存在异常,发送第三异常信号至管理监督模块。
与现有技术相比,本发明的有益效果是:
1、本发明利用多项式拟合法获取关节拟合轨迹时,在现有方案的基础上,对多项式拟合的次数选取进行了改进;获取起点到中间点的节点个数,获取中间点到终点的节点个数,获取节点评估系数,根据多项式拟合参考表获取多项式拟合次数;上述改进根据节点个数和节点评估系数灵活选取多项式拟合的次数,规避了现有方案中固定多项式拟合次数的弊端,提高效率的同时能够降低运算量,保证机械臂处于低延迟的工作状态。
2、本发明通过初设数据和人工智能模型的结合获取设定规则数据;获取实时数据,通过数据存储模块获取训练数据集,将训练数据集按照设定比例划分为训练集、测试集和校验集;构建人工智能模型;通过训练集、测试集和校验集对人工智能模型进行训练,将完成训练的人工智能模型标记为规则数据预测模型;将实时数据输入至规则数据预测模型获取输出结果;上述方案考虑到机械臂寿命表征数据对设定规则数据的影响,规避了现有方案中忽略机械臂寿命表征数据导致获取的设定规则数据不符合实际情况,有助于提供机械臂轨迹规划的精度,以及轨迹规划曲线的合理。
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,下面将对实施例或现有技术描述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为本发明的原理示意图;
图2为本发明的步骤示意图。
具体实施方式
下面将结合实施例对本发明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。
这里使用的术语用于描述实施例,并不意图限制和/或限制本公开;应该注意的是,除非上下文另有明确指示,否则单数形式的“一”、“一个”和“该”也包括复数形式;而且,尽管属于“第一”、“第二”等可以在本文中用于描述各种元件,但是元件不受这些术语的限制,这些术语仅用于区分一个元素和另一个元素。
请参阅图1-图2,一种多关节机械臂的轨迹规划系统,包括处理器;
所述处理器分别与数据采集模块和轨迹规划模块通信和/或电气连接;所述数据采集模块和轨迹规划模块通信和/或电气连接;
所述数据采集模块与采集传感器电气连接,且通过采集传感器采集传感数据;
所述轨迹规划模块用于对机械臂的运动轨迹进行规划,包括:
结合机械臂的连杆个数建立机械臂的运动学模型;其中,运动学模型的建立参考公开号为CN103235513A的发明专利;
任务代码结合多项式拟合法获取关节拟合轨迹,并对关节拟合轨迹进行求解;
通过初设数据结合人工智能模型获取设定规则数据,根据设定规则数据生成轨迹优化目标;
通过智能算法对轨迹优化目标进行全局优化,获取机械臂最优轨迹曲线。
所述关节拟合轨迹的获取包括:
获取起点到中间点的节点个数并标记为3;
获取中间点到终点的节点个数并标记为7;
根据拟合次数参考表进行起点到中间点关节轨迹的三次多项式拟合,进行中间点到终点关节轨迹的五次多项式拟合。
关节拟合轨迹通过对应拟合次数的线性约束方程进行求解;如,关节拟合轨迹为五次多项式,则通过建立五次多项式的线性约束方程进行求解,关节拟合轨迹为四次多项式,则通过建立四次多项式的线性约束方程进行求解。
所述设定规则数据的获取具体包括:
获取实时数据;实时数据中初设数据如(0,0),2,2,(1,1),1,1,5;寿命表征数据如10,2,2,30,0.3;
通过数据存储模块获取训练数据集;训练数据集包括100组初设数据、寿命表征数据以及这100组初设数据、寿命表征数据对应的运动最短时间、移动最小空间距离、最大关节承受扭矩;
将训练数据集按照设定比例划分为训练集、测试集和校验集;
构建人工智能模型;
通过训练集、测试集和校验集对人工智能模型进行训练,将完成训练的人工智能模型标记为规则数据预测模型;
将实时数据输入至规则数据预测模型获取输出结果;其中,所述输出结果为实时数据对应的设定规则数据。
该轨迹规划系统还包括数据存储模块、管理监督模块和故障处理模块;所述处理器分别与数据存储模块、管理监督模块和故障处理模块通信和/或电气连接;所述管理监督模块分别与数据存储模块和故障处理模块通信和/或电气连接;
所述管理监督模块用于上传任务数据至处理器和数据存储模块;所述任务数据包括任务代码;
所述故障处理模块用于监控轨迹规划系统的通信状态,同时,还用于故障预警;
所述通信状态的监控具体包括:
获取故障处理模块和处理器之间的通信状态并生成第一通信标签;其中,所述第一通信标签的取值为0或者1,当第一通信标签为1时,表示故障处理模块和处理器之间的通信状态正常,当第一通信标签为0时,表示故障处理模块和处理器之间的通信状态异常,发送第一异常信号至管理监督模块;
当第一通信标签为1时,则获取处理器与数据采集模块、轨迹规划模块之间的通信状态并生成第二通信标签;其中,所述第二通信标签的取值为0或者1,当第二通信标签为1时,表示处理器与数据采集模块、轨迹规划模块之间的通信状态均正常,当第二通信标签为0时,表示处理器与数据采集模块、轨迹规划模块之间的通信状态至少存在一处异常,发送第二异常信号至管理监督模块;
当第二通信标签为1时,获取数据采集模块与采集传感器之间的通信状态并生成第三通信标签;其中,所述第三通信标签的取值为0或者1,当第三通信标签为1时,表示数据采集模块与采集传感器之间的通信状态均正常,当第三通信标签为0时,表示数据采集模块与采集传感器中至少一个传感器的通信状态存在异常,发送第三异常信号至管理监督模块。
管理监督模块还可根据第一异常信号、第二异常信号、第三异常信号查询通信状态反馈表获取反馈标签,其中,通信状态反馈表可设置如表2所示。
表2通信状态反馈表
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
数据采集模块通过采集传感器采集传感数据;结合机械臂的连杆个数建立机械臂的运动学模型,任务代码结合多项式拟合法获取关节拟合轨迹,并对关节拟合轨迹进行求解;通过初设数据结合人工智能模型获取设定规则数据,根据设定规则数据生成轨迹优化目标;通过智能算法对轨迹优化目标进行全局优化,获取机械臂最优轨迹曲线。
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。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.一种多关节机械臂的轨迹规划系统,包括处理器,其特征在于,所述处理器分别与数据采集模块和轨迹规划模块通信和/或电气连接;所述数据采集模块和轨迹规划模块通信和/或电气连接;
所述数据采集模块与采集传感器电气连接,且通过采集传感器采集传感数据;
所述轨迹规划模块用于对机械臂的运动轨迹进行规划,包括:
结合机械臂的连杆个数建立机械臂的运动学模型;其中,运动学模型包括正运动学模型和逆运动学模型;
任务代码结合多项式拟合法获取关节拟合轨迹,并对关节拟合轨迹进行求解;所述关节拟合轨迹的获取包括:
获取起点到中间点的节点个数并标记为A;
获取中间点到终点的节点个数并标记为B;
通过公式JPX=α1×A/(A+B)获取节点评估系数JPX;其中,α1为比例系数,且α1为大于0的实数;
根据多项式拟合次数参考表分别拟合起点到中间点、中间点到终点的关节轨迹,将起点到中间点、中间点到终点的关节轨迹进行组合获取关节拟合轨迹;
通过初设数据结合人工智能模型获取设定规则数据,根据设定规则数据生成轨迹优化目标;所述设定规则数据的获取具体包括:
获取实时数据,所述实时数据包括初设数据和寿命表征数据;
通过数据存储模块获取训练数据集;所述训练数据集包括初设数据、寿命表征数据及对应的设定规则数据;所述设定规则数据包括机械臂的运动最短时间、移动最小空间距离、最大关节承受扭矩;
将训练数据集按照设定比例划分为训练集、测试集和校验集;
构建人工智能模型;所述人工智能模型包括误差逆向反馈神经网络、RBF神经网络和深度卷积神经网络中的一种或者多种;
通过训练集、测试集和校验集对人工智能模型进行训练,将完成训练的人工智能模型标记为规则数据预测模型;
将实时数据输入至规则数据预测模型获取输出结果;其中,所述输出结果为实时数据对应的设定规则数据;
通过智能算法对轨迹优化目标进行全局优化,获取机械臂最优轨迹曲线。
2.根据权利要求1所述的一种多关节机械臂的轨迹规划系统,其特征在于,所述采集传感器包括速度传感器、加速度传感器、位移传感器和扭矩传感器。
3.根据权利要求1所述的一种多关节机械臂的轨迹规划系统,其特征在于,该轨迹规划系统还包括数据存储模块、管理监督模块和故障处理模块;所述处理器分别与数据存储模块、管理监督模块和故障处理模块通信和/或电气连接;所述管理监督模块分别与数据存储模块和故障处理模块通信和/或电气连接;
所述管理监督模块用于上传任务数据至处理器和数据存储模块;所述任务数据包括任务代码;
所述故障处理模块用于监控轨迹规划系统的通信状态,同时,还用于故障预警。
4.根据权利要求3所述的一种多关节机械臂的轨迹规划系统,其特征在于,所述通信状态的监控具体包括:
获取故障处理模块和处理器之间的通信状态并生成第一通信标签;
当第一通信标签为1时,则获取处理器与数据采集模块、轨迹规划模块之间的通信状态并生成第二通信标签;
当第二通信标签为1时,获取数据采集模块与采集传感器之间的通信状态并生成第三通信标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028261.0A CN113799125B (zh) | 2021-09-02 | 2021-09-02 | 一种多关节机械臂的轨迹规划系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028261.0A CN113799125B (zh) | 2021-09-02 | 2021-09-02 | 一种多关节机械臂的轨迹规划系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113799125A CN113799125A (zh) | 2021-12-17 |
CN113799125B true CN113799125B (zh) | 2022-12-06 |
Family
ID=78894642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028261.0A Active CN113799125B (zh) | 2021-09-02 | 2021-09-02 | 一种多关节机械臂的轨迹规划系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113799125B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861175A (zh) * | 2023-06-16 | 2023-10-10 | 云浮市赢石网络科技有限公司 | 一种基于神经网络的运行轨迹校正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235513A (zh) * | 2013-04-24 | 2013-08-07 | 武汉科技大学 | 一种基于遗传算法的移动机械臂轨迹规划优化方法 |
CN104526695A (zh) * | 2014-12-01 | 2015-04-22 | 北京邮电大学 | 一种最小化基座碰撞扰动的空间机械臂轨迹规划方法 |
CN108393883A (zh) * | 2018-01-12 | 2018-08-14 | 苏州工业职业技术学院 | 一种表面改性机器人关节空间轨迹优化的方法 |
CN110125927A (zh) * | 2019-03-18 | 2019-08-16 | 中国地质大学(武汉) | 基于自适应遗传算法的机械臂轨迹规划方法及系统 |
CN111152212A (zh) * | 2019-12-05 | 2020-05-15 | 北京蒂斯科技有限公司 | 一种基于功率最优的机械臂移动轨迹规划方法及装置 |
-
2021
- 2021-09-02 CN CN202111028261.0A patent/CN113799125B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235513A (zh) * | 2013-04-24 | 2013-08-07 | 武汉科技大学 | 一种基于遗传算法的移动机械臂轨迹规划优化方法 |
CN104526695A (zh) * | 2014-12-01 | 2015-04-22 | 北京邮电大学 | 一种最小化基座碰撞扰动的空间机械臂轨迹规划方法 |
CN108393883A (zh) * | 2018-01-12 | 2018-08-14 | 苏州工业职业技术学院 | 一种表面改性机器人关节空间轨迹优化的方法 |
CN110125927A (zh) * | 2019-03-18 | 2019-08-16 | 中国地质大学(武汉) | 基于自适应遗传算法的机械臂轨迹规划方法及系统 |
CN111152212A (zh) * | 2019-12-05 | 2020-05-15 | 北京蒂斯科技有限公司 | 一种基于功率最优的机械臂移动轨迹规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113799125A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113799125B (zh) | 一种多关节机械臂的轨迹规划系统 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN205983176U (zh) | 一种工业物联网传感采集和柔性制造辅助装置 | |
Sharma et al. | Real time weather monitoring system using IoT | |
CN116455085A (zh) | 一种电池储能电站智能监控系统 | |
CN110299874A (zh) | 一种基于wifi的开关磁阻电动机智能控制系统 | |
Pătru et al. | LoRA based, low power remote monitoring and control solution for Industry 4.0 factories and facilities | |
CN116755451B (zh) | 一种智能巡逻机器人路径规划方法及系统 | |
Couceiro et al. | Analysis and parameter adjustment of the RDPSO towards an understanding of robotic network dynamic partitioning based on Darwin's theory | |
Luo et al. | Diagnostic and prediction of machines health status as exemplary best practice for vehicle production system | |
CN117282580A (zh) | 一种用于喷涂流水线的智能机械手及控制方法 | |
Reddy et al. | Photovoltaic, internet-of-things-enabled intelligent agricultural surveillance system | |
CN104408298B (zh) | 一种基于多重分组迭代区间分支定界技术的ddpc伺服系统故障预示方法 | |
Forhad et al. | An intelligent versatile robot with weather monitoring system for precision agriculture | |
CN110647144A (zh) | 一种集群中个体机器人及其实现方法 | |
Arnarson et al. | Reconfigurable manufacturing: Towards an industrial big data approach | |
CN117444985B (zh) | 一种机械臂小车控制方法及系统 | |
CN113681561B (zh) | 一种基于物联网的智能工业机器手 | |
Parthasarathy | Towards Long-Term Autonomous Survivability in Agriculture: A real-time safety watchdog to ensure the survivability of an outdoor plant monitoring robot. | |
CN109688598A (zh) | 基于wsan的复杂管网分布式数据采集系统及传输优化方法 | |
CN117688848B (zh) | 大功率定子瓣线圈疲劳寿命测试方法 | |
Yin et al. | Equipment anomaly detection method under cloud-edge collaboration model based bi-directional long short-term memory and variational autoencoder | |
Kobayashi et al. | Sensor selection based on fuzzy inference for sensor fusion | |
Uikey et al. | Industry 4.0 Concept Prototyping for Dc Motor Using Webserver | |
EP4019203A1 (en) | Autonomous machine collaboration |
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 |