CN113840230A - 无人集群协同定位方法及装置 - Google Patents
无人集群协同定位方法及装置 Download PDFInfo
- Publication number
- CN113840230A CN113840230A CN202111069913.5A CN202111069913A CN113840230A CN 113840230 A CN113840230 A CN 113840230A CN 202111069913 A CN202111069913 A CN 202111069913A CN 113840230 A CN113840230 A CN 113840230A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- matrix
- node set
- estimation result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 142
- 230000004927 fusion Effects 0.000 claims description 61
- 238000005259 measurement Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation 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
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种无人集群协同定位方法及装置，方法包括：获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。本发明避免了链路受阻或链路中断一直无法定位或定位精度较差的情况，且通过第一节点集合的拓扑估计结果作为完成侦听定位所需要的锚点信息，以在空间上构成了第一节点集合与侦听节点的协同关系，并避免占用额外的通信资源。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种无人集群协同定位方法及装置。
背景技术
近年来，随着多智能体相关技术的进步和发展，无人集群系统在民用和军用领域均得到了越来越多的应用。对于多智能体系统来说，高精度位置信息往往是完成任务的前提与重要保障。在民用领域中，例如多无人车仓储物流、物联网车联网等应用场景，对于无人集群系统的定位精度要求相对较低、应用环境也相对良好，通常依赖诸如卫星、基站、信号塔等外界基础设施进行绝对定位，常见的方法主要是基于全球卫星导航系统(GPS、北斗、伽利略等)、基于蜂窝基站的5G定位等方式。在军用领域中，例如空天地战术协同、无人机集群攻防等场景，往往涉及复杂多变的应用场景，集群系统也难以与外界设施进行充分的信息交互，对定位精度、容量以及鲁棒性都提出了更苛刻的要求。此外，还有一类定位场景特别值得关注：在很多情况下，并不需要节点的绝对位置，只需要节点之间的相对拓扑关系，例如车联网协同编队、超车、避障等应用场景。
传统的定位方法通常赖外界基础设施与节点间的相对测量，常见的方法包括基于接收信号强度(RSSI)、到达时间(TOF)或到达时间差(TOA或TDOA)、信号往返时间(RTT)的测距定位，以及基于到达角度(AOA)的测角定位。传统的定位方法一般以欧式距离平方误差作为误差度量，并保持全链路测量。若通信链路受阻或处于复杂通信环境下时，传统定位方法易发生定位出错或中断，使得定位精度较差。
发明内容
本发明提供一种无人集群协同定位方法及装置，用以解决现有技术中由于集群相对定位过程中链路受阻以致定位精度较差的缺陷，实现较好的定位精度与鲁棒性。
本发明提供一种无人集群协同定位方法，包括：获取所述无人集群内的第一节点集合和侦听节点，所述第一节点集合包括所述无人集群内的至少两个节点，所述侦听节点为所述无人集群内除所述第一节点集合以外的任一节点；基于无线宽带信号，利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，所述拓扑估计结果为所述第一节点集合内各节点之间的相对位置预估结果。
根据本发明提供的一种无人集群协同定位方法，所述利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，包括：基于侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，得到到达时间差和第一参数，所述第一参数为所述侦听节点相对于所述第一节点集合内各节点的到达角度；根据所述到达时间差，得到测量时间差信息矩阵；根据所述到达时间差和所述第一参数，并结合预先获取的拓扑估计结果，得到融合矩阵；利用高斯噪声协方差矩阵作为定位误差协方差矩阵，并结合所述测量时间差信息矩阵和所述融合矩阵进行加权最小二乘，得到所述侦听节点的第一位置；根据所述第一位置，更新定位误差协方差矩阵，并利用更新后的定位误差协方差矩阵更新加权最小二乘，得到所述侦听节点的第二位置；根据所述第二位置，更新所述测量时间差信息矩阵、所述更新后的定位协方差矩阵和所述融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵更新加权最小二乘，得到所述侦听节点的预估位置；根据所述预估位置和所述拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系。
根据本发明提供的一种无人集群协同定位方法，所述得到融合矩阵，包括：利用所述到达时间差、所述第一参数和所述拓扑估计结果进行信息融合，得到初始融合矩阵；对所述第一参数进行线性化转换，得到线性化结果；基于所述线性化结果，对所述初始融合矩阵进行线性转化，得到融合矩阵。
根据本发明提供的一种无人集群协同定位方法，在所述获取所述无人集群内的第一节点集合之后，还包括：获取中心节点，所述中心节点为所述第一节点集合内的任一节点；获取所述中心节点与第一节点集合内其他节点之间的飞行时间和第二参数，所述第二参数为所述中心节点相对于所述其他节点的到达角度；根据所述飞行时间和所述第二参数，得到第一节点集合的拓扑估计结果。
根据本发明提供的一种无人集群协同定位方法，所述根据所述飞行时间和所述第二参数，得到第一节点集合的拓扑估计结果，包括：基于所述飞行时间，获取中心节点与第一节点集合内其他节点的链路距离，形成距离矩阵；基于所述第二参数，获取对应余弦值，形成角度矩阵；根据所述距离矩阵和所述角度矩阵，得到所述中心节点与所述其他节点的相对位置；基于映射矩阵，对所述第二参数进行融合定位解算，并对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。
根据本发明提供的一种无人集群协同定位方法，所述根据所述链路距离和所述角度矩阵，得到所述中心节点与所述其他节点的相对位置，包括：对所述角度矩阵进行奇异值分解，得到特征向量和特征值；对所述链路距离进行对角化；根据对角化后的链路距离、所述特征向量和所述特征值，得到所述中心节点相对于所述其他节点的相对位置。
本发明还提供一种无人集群协同定位装置，包括：数据获取模块，获取所述无人集群内的第一节点集合和侦听节点，所述第一节点集合包括所述无人集群内的至少两个节点，所述侦听节点为所述无人集群内除所述第一节点集合以外的任一节点；定位模块，基于无线宽带信号，利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，所述拓扑估计结果为所述第一节点集合内各节点之间的相对位置预估结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述无人集群协同定位方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无人集群协同定位方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述无人集群协同定位方法的步骤。
本发明提供的无人集群协同定位方法及装置，通过结合侦听节点的预估位置以及第一节点集合的拓扑估计结果，预估侦听节点相对于第一节点集合的位置关系，避免链路受阻或链路中断一直无法定位或定位精度较差的情况，且通过第一节点集合的拓扑估计结果作为完成侦听定位所需要的锚点信息，以在空间上构成了第一节点集合与侦听节点的协同关系，并避免占用额外的通信资源；另外，对传感器和存储空间的要求低，不依赖基础设施，所测量数据极易获得，易于存储，处理方便，有低延时的特点；通过融合测距测角，在链路缺失受阻场景下能够用少数链路信息完成定位，保证了相对定位精度，具有较高的鲁棒性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的无人集群协同定位方法的流程示意图之一；
图2是本发明提供的无人集群协同定位方法的定位结果与MDS算法的定位结果比较示意图；
图3是本发明提供的无人集群协同定位方法的与MDS算法的相对定位误差随着节点数增加的变化示意图；
图4是本发明提供的无人集群协同定位方法的流程示意图之二；
图5是本发明提供的无人集群协同定位方法的流程示意图之三；
图6是本发明提供的无人集群协同定位装置的结构示意图之一；
图7是本发明提供的无人集群协同定位装置的结构示意图之二；
图8是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1示出了本发明的一种无人集群协同定位方法的流程示意图，该方法包括：
S11，获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；
S12，基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
需要说明的是，本说明书中的S1N不代表无人集群协同定位方法的先后顺序，下面具体结合图2-3描述本发明的无人集群协同定位方法。
步骤S11，获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点。
需要说明的是，第一节点集合为选择无人集群内节点的集合，第一节点集合包含的节点数量可以基于定位需求进行设置，以根据设置的节点数量在无人集群内随机选择节点，以得到第一节点集合；侦听节点为无人集群内除第一节点集合以外的其余任一节点。另外，无人集群内的任一节点表示一与网络连接的设备，比如无人机或无人车等。
在一个可选实施例中，在获取所述无人集群内的第一节点集合之后，还包括：基于无线宽带信号，利用第一节点集合内任一节点与其他节点之间的通信，得到第一节点集合的拓扑估计结果，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
更进一步地说，得到第一节点集合的拓扑估计结果，包括：获取中心节点，中心节点为第一节点集合内的任一节点；获取中心节点与第一节点集合内其他节点之间的飞行时间和第二参数，第二参数为中心节点相对于其他节点的到达角度；根据飞行时间和第二参数，得到第一节点集合的拓扑估计结果。需要说明的是，第二参数可以利用AOA到达角度测量技术测量得到，飞行时间TOF可以利用双边双向测距DSTWR技术测量得到。
在本实施例中，根据飞行时间和第二参数，得到第一节点集合的拓扑估计结果，包括：基于飞行时间，获取中心节点与第一节点集合内其他节点的链路距离，形成距离矩阵；基于第二参数，获取对应余弦值，形成角度矩阵；根据距离矩阵和角度矩阵，得到中心节点与其他节点的相对位置；基于映射矩阵，对第二参数进行融合定位解算，并对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。具体而言：
首先，基于飞行时间，获取中心节点与其他节点的链路距离，形成距离矩阵。
需要说明的是，假设第一节点集合内的存在N＝Na+1个节点，从第一节点集合内选择一中心节点1，并将中心节点1与其他节点之间的链路距离保存为距离矩阵d，d＝[d12,d13,…,d1N]。
其次，基于第二参数，获取对应余弦值，形成角度矩阵。
角度矩阵A，表示为：
其次，根据距离矩阵和角度矩阵，得到中心节点1与其他节点的相对位置。
具体而言，根据链路距离和角度矩阵，得到中心节点与其他节点的相对位置，包括：对角度矩阵进行奇异值分解，得到特征向量和特征值；对链路距离进行对角化；根据对角化后的链路距离、特征向量和特征值，得到中心节点相对于其他节点的相对位置。
先对角度矩阵进行奇异值分解，得到特征向量和特征值。
奇异值分解表示为：A＝ULVT，其中U表示特征向量，L表示特征值。
再对链路距离进行对角化，对角化表示为diag(d)。
再根据对角化后的链路距离、特征向量和特征值，得到中心节点相对于其他节点的相对位置。
中心节点相对于其他节点的相对位置V，
最后，基于映射矩阵，对第二参数进行融合定位解算，并对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。
其中，融合定位解算结果X，表示为
C表示映射矩阵，V中心节点相对于其他节点的相对位置，
表示伪逆运算符。
再对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果，拓扑估计结果p，表示为p＝X(1:N,1:2)。拓扑估计结果可以在获取侦听节点的预估位置时，嵌套发布到整个网络中，从而避免占用额外的通信资源，后续再利用侦听节点实时订阅第一节点集合的拓扑估计结果，作为完成侦听定位所需要的锚点信息，以在空间上构成了第一节点集合与侦听节点的协同关系。
步骤S12，基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
在本实施例中，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，包括：基于侦听节点监听第一节点集合内任一节点与其余节点之间的通信，得到到达时间差和第一参数，第一参数为侦听节点相对于第一节点集合内各节点的到达角度；根据到达时间差，得到测量时间差信息矩阵；根据到达时间差和第一参数，并结合预先获取的拓扑估计结果，得到融合矩阵；利用高斯噪声协方差矩阵作为定位误差协方差矩阵，并结合测量时间差信息矩阵和融合矩阵进行加权最小二乘，得到侦听节点的第一位置；根据第一位置，更新定位误差协方差矩阵，并利用更新后的定位误差协方差矩阵更新加权最小二乘，得到侦听节点的第二位置；根据第二位置，更新测量时间差信息矩阵、更新后的定位协方差矩阵和融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵更新加权最小二乘，得到侦听节点的预估位置；根据预估位置和拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系。具体而言：
首先，基于侦听节点监听第一节点集合内任一节点与其余节点之间的通信，得到到达时间差和第一参数，第一参数为侦听节点相对于第一节点集合内各节点的到达角度。需要说明的是，到达时间差TDOA为第一节点集合内任一节点到达其余节点中一节点与侦听节点到达其余节点中相同节点的时间差，利用PE-DSTWR技术测量到达时间差TDOA。另外，可以利用AOA到达角度测距技术测量第一参数。
其次，根据到达时间差，得到测量时间差信息矩阵。
测量时间差信息矩阵h，表示为：
其中，Ki表示第一节点集合内节点i坐标的平方和xi 2+yi 2，xi、yi分别表示第一节点集合内节点i的横纵坐标，i＝1,2,…,N，N表示第一节点集合内节点的数量；rij表示第一集合内节点i和节点j与侦听节点的距离差。
另外，还可以根据到达时间差和第一参数，并结合预先获取的拓扑估计结果，得到第一融合矩阵，具体包括：利用到达时间差、第一参数和拓扑估计结果进行信息融合，得到初始融合矩阵；对第一参数进行线性化转换，得到线性化结果；基于线性化结果，对初始融合矩阵进行线性转化，得到融合矩阵。
其中，初始融合矩阵Ga表示为：
其中，xi、yi分别表示第一节点集合内节点i的横纵坐标，根据拓扑估计结果获得；θi表示侦听节点相对于第一节集合点内节点i的到达角度；ri1表示ri-r1的距离差，ri表示侦听节点到第一节点集合内节点i的距离，r1表示侦听节点监听的第一节点集合内的节点；i＝1,2,…,N，N表示第一节点集合内节点数量，N＝Na+1。
线性化结果表示为：
融合矩阵，表示为：
其中，xi,1＝xi-x1，yi,1＝yi-y1，τi,1表示节点i与侦听节点侦听的第一节点集合内的节点1的到达时间差τi-τ1，c表示光速。
其次，利用高斯噪声协方差矩阵作为定位误差协方差矩阵，并结合测量时间差信息矩阵和融合矩阵进行加权最小二乘计算，得到侦听节点的第一位置。
在本实施例中，先基于远场假设的情况，得到高斯噪声协方差矩阵g＝[ri]2，并将高斯噪声协方差矩阵g作为定位误差协方差矩阵Ψ，结合测量时间差信息矩阵和融合矩阵进行加权最小二乘计算，得到侦听节点的第一位置。远场假设即假设不同侦听节点的第一位置之间是不相关。
侦听节点的第一位置
表示为：
需要说明的，侦听节点的第一位置不仅表示远场情况的侦听节点的定位结果，还表示近场情况下定位的初始坐标，因此可以根据侦听节点的第一位置，得到侦听节点与第一节点集合内各节点的更新距离。
其次，根据第一位置，更新定位误差协方差矩阵，并利用更新后的定位误差协方差矩阵更新加权最小二乘计算，得到侦听节点的第二位置。
需要说明的是，根据第一位置，得到侦听节点与第一节点集合内各节点的更新距离{ri 0}，从而得到B＝diag{r2 0,r3 0,…,rN 0}，进而更新定位误差协方差矩阵Ψ1＝c2BQB，其中Q表示测量时间差误差向量的协方差矩阵，将Ψ1代入加权最小二乘计算，得到侦听节点的第二位置
表示为：
随后，根据第二位置，更新测量时间差信息矩阵、更新后的定位协方差矩阵和融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵更新加权最小二乘，得到侦听节点的预估位置。
由于近场情况下，各侦听节点的预估位置实际上是相关，因此，根据第二位置，更新测量时间差信息矩阵、上述更新后的定位协方差矩阵和融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵进行加权最小二乘，得到侦听节点的预估位置。
更新后的测量时间差信息矩阵h1，表示为：
其中，
表示第二位置的横坐标；
表示第二位置的纵坐标，
表示侦听节点到节点1距离的估计坐标
更新后的定位协方差矩阵Ψ2，表示为
其中，B1根据第二位置得到，可参照上述B的获得方式。
更新后的融合矩阵
表示为：
侦听节点的预估位置zdif，表示为：
最后，根据预估位置和拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系。
在本实施例中，侦听节点相对于第一节点集合的位置关系Z，表示为：
需要说明的是，具体加减可结合先验信息，或者选择与
更为接近的横纵坐标。
在一个可选实施例中，在没有外界设施的情况下，系统只能获取节点间的相对定位结果，即：节点间的相对拓扑关系，由于平移、旋转、镜面反射等变换并不会对影响相对定位的性能，因此以绝对参考系下的欧式平方距离作为误差度量是不公允的。为了检验定位精度，采用定位的相对误差度量，即先定义通过平移旋转变换ω＝[Γφ t]之后与拓扑估计结果p等价的相对定位等价类；
其中，
表示Na阶单位矩阵，Γφ表示旋转变换，[vx vy]t表示平移变换。变换后拓扑在绝对系下保持稳定，与真实的绝对位置p进行比照得到相对定位误差
其中，
时为最优变换。此时，
U和V是由
的奇异值分解获得的，即
在一个可选实施例中，基于相对定位度量，比较了本发明涉及的无人集群协同定位方法与传统测距、测角算法的性能。在10m x 10m的场景下随机布置4～8个节点，测距误差(标准差)设置为20cm，测角误差(标准差)设置为2°，在链路有缺失的情况下(除了与1节点正常通信，其余节点通信受阻)重复试验10000次，定位结果参考图2。
图2示出了5节点定位性能图，图中浅灰色方框标记代表传统MDS算法定位结果，深灰色圆点代表本发明提出的无人集群协同定位方法TOF-AOA算法定位结果，黑色星标为真值，可知，无人集群协同定位结果能够较准确地反映真值的定位情况，而传统MDS算法在链路确实的情况下几乎无法定位。
参考图3，图3示出了无人集群协同定位方法的与MDS算法的相对定位误差随着节点数增加的变化示意图。由于有测角融合，我们所提的无人集群协同定位方法在节点数目变化的过程中能够保证比较好的误差性能。
在一个可选实施例中，参考图4-图5，无人集群协同定位方法，包括：
S21，获取无人集群内的第一节点集合，第一节点集合包括无人集群内的至少两个节点；
S22，获取中心节点，中心节点为第一节点集合内的任一节点；
S23，获取中心节点与第一节点集合内其他节点之间的飞行时间和第三参数，第三参数为中心节点相对于其他节点的到达角度；
S24，根据飞行时间和第三参数，得到第一节点集合的拓扑估计结果，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果；
S25，获取无人集群内的侦听节点，侦听节点为无人集群内除第一节点集合以外的任一节点；
S26，基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系。
具体步骤可参考前文所述，此处不作进一步赘述。
综上所述，本发明实施例通过结合侦听节点的预估位置以及第一节点集合的拓扑估计结果，预估侦听节点相对于第一节点集合的位置关系，避免链路受阻或链路中断一直无法定位或定位精度较差的情况，且通过第一节点集合的拓扑估计结果作为完成侦听定位所需要的锚点信息，以在空间上构成了第一节点集合与侦听节点的协同关系，并避免占用额外的通信资源；另外，对传感器和存储空间的要求低，不依赖基础设施，所测量数据极易获得，易于存储，处理方便，有低延时的特点；通过融合测距测角，在链路缺失受阻场景下能够用少数链路信息完成定位，保证了相对定位精度，具有较高的鲁棒性。
下面对本发明提供的无人集群协同定位装置进行描述，下文描述的无人集群协同定位装置与上文描述的无人集群协同定位方法可相互对应参照。
参考图6，图6示出了一种无人集群协同定位装置的结构示意图，装置包括：
数据获取模块61，获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；
定位模块62，基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
在本实施例中，数据获取模块61，包括：第一获取单元，获取无人集群内的第一节点集合，第一节点集合包括无人集群内的至少两个节点；第二获取单元，获取无人集群内的侦听节点，侦听节点为无人集群内除第一节点集合以外的任一节点。需要说明的是，第一节点集合为选择无人集群内节点的集合，第一节点集合包含的节点数量可以基于定位需求进行设置，以根据设置的节点数量在无人集群内随机选择，以得到第一节点集合；侦听节点为无人集群内除第一节点集合以外的其余任一节点。另外，无人集群内的任一节点表示一与网络连接的设备，比如无人机或无人车等。
在一个可选实施例中，装置还包括：拓扑预估模块，基于无线宽带信号，利用第一节点集合内任一节点与其他节点之间的通信，得到第一节点集合的拓扑估计结果，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
具体而言，拓扑预估模块，包括：选择单元，获取中心节点，中心节点为第一节点集合内的任一节点；参数获取单元，获取中心节点与第一节点集合内其他节点之间的飞行时间和第二参数，第二参数为中心节点相对于其他节点的到达角度；拓扑预估单元，根据飞行时间和第二参数，得到第一节点集合的拓扑估计结果。需要说明的是，第二参数可以利用AOA到达角度测量技术测量得到，飞行时间TOF可以利用双边双向测距DSTWR技术测量得到。
具体而言，参数获取单元，包括：距离矩阵获取子单元，基于飞行时间，获取中心节点与第一节点集合内其他节点的链路距离，形成距离矩阵；角度矩阵获取子单元，基于第二参数，获取对应余弦值，形成角度矩阵；拓扑预估子单元，根据距离矩阵和角度矩阵，得到中心节点与其他节点的相对位置；降维处理子单元，基于映射矩阵，对第二参数进行融合定位解算，并对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。
其中，拓扑预估子单元，包括：奇异值分解孙单元，对角度矩阵进行奇异值分解，得到特征向量和特征值；对链路距离进行对角化；对角化子单元，对链路距离进行对角化；位置预估孙单元，根据对角化后的链路距离、特征向量和特征值，得到中心节点相对于其他节点的相对位置。
降维处理子单元，包括：融合定位解算孙单元，基于映射矩阵，对第二参数进行融合定位解算；降维处理孙单元，对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。
定位模块62，包括：第一数据获取单元，基于侦听节点监听第一节点集合内任一节点与其余节点之间的通信，得到到达时间差和第一参数，第一参数为侦听节点相对于第一节点集合内各节点的到达角度；第二数据获取单元，根据到达时间差，得到测量时间差信息矩阵；第三数据获取单元，根据到达时间差和第一参数，并结合预先获取的拓扑估计结果，得到融合矩阵；第一预估单元，利用高斯噪声协方差矩阵作为定位误差协方差矩阵，并结合测量时间差信息矩阵和融合矩阵进行加权最小二乘，得到侦听节点的第一位置；第二预估单元，根据第一位置，更新定位误差协方差矩阵，并利用更新后的定位误差协方差矩阵更新加权最小二乘，得到侦听节点的第二位置；第三预估单元，根据第二位置，更新测量时间差信息矩阵、更新后的定位协方差矩阵和融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵更新加权最小二乘，得到侦听节点的预估位置；定位单元，根据预估位置和拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系。具体步骤可参照前文方法所述，此处不作赘述。
具体而言，第三数据获取单元，包括：融合子单元，利用到达时间差、第一参数和拓扑估计结果进行信息融合，得到初始融合矩阵；线性化子单元，对第一参数进行线性化转换，得到线性化结果；获取子单元，基于线性化结果，对初始融合矩阵进行线性转化，得到融合矩阵。
在一个可选实施例中，参考图7，图7示出了一种无人集群协同定位装置的结构示意图，装置包括：
第一节点获取模块71，获取无人集群内的第一节点集合，第一节点集合包括无人集群内的至少两个节点；
中心节点获取模块72，获取中心节点，中心节点为第一节点集合内的任一节点；
参数获取模块73，获取中心节点与第一节点集合内其他节点之间的飞行时间和第三参数，第三参数为中心节点相对于其他节点的到达角度；
拓扑估计模块74，根据飞行时间和第三参数，得到第一节点集合的拓扑估计结果，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果；
侦听节点获取模块75，获取无人集群内的侦听节点，侦听节点为无人集群内除第一节点集合以外的任一节点；
节点定位模块76，基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)81、通信接口(Communications Interface)82、存储器(memory)83和通信总线84，其中，处理器81，通信接口82，存储器83通过通信总线84完成相互间的通信。处理器81可以调用存储器83中的逻辑指令，以执行无人集群协同定位方法，该方法包括：获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
此外，上述的存储器83中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的无人集群协同定位方法，该方法包括：获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的无人集群协同定位方法，该方法包括：获取无人集群内的第一节点集合和侦听节点，第一节点集合包括无人集群内的至少两个节点，侦听节点为无人集群内除第一节点集合以外的任一节点；基于无线宽带信号，利用侦听节点监听第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到侦听节点相对于第一节点集合的位置关系，拓扑估计结果为第一节点集合内各节点之间的相对位置预估结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人集群协同定位方法，其特征在于，包括：
获取所述无人集群内的第一节点集合和侦听节点，所述第一节点集合包括所述无人集群内的至少两个节点，所述侦听节点为所述无人集群内除所述第一节点集合以外的任一节点；
基于无线宽带信号，利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，所述拓扑估计结果为所述第一节点集合内各节点之间的相对位置预估结果。
2.根据权利要求1所述的无人集群协同定位方法，其特征在于，所述利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，包括：
基于侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，得到到达时间差和第一参数，所述第一参数为所述侦听节点相对于所述第一节点集合内各节点的到达角度；
根据所述到达时间差，得到测量时间差信息矩阵；
根据所述到达时间差和所述第一参数，并结合预先获取的拓扑估计结果，得到融合矩阵；
利用高斯噪声协方差矩阵作为定位误差协方差矩阵，并结合所述测量时间差信息矩阵和所述融合矩阵进行加权最小二乘，得到所述侦听节点的第一位置；
根据所述第一位置，更新定位误差协方差矩阵，并利用更新后的定位误差协方差矩阵更新加权最小二乘，得到所述侦听节点的第二位置；
根据所述第二位置，更新所述测量时间差信息矩阵、所述更新后的定位协方差矩阵和所述融合矩阵，并利用更新后的测量时间差信息矩阵、定位协方差矩阵和融合矩阵更新加权最小二乘，得到所述侦听节点的预估位置；
根据所述预估位置和所述拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系。
3.根据权利要求2所述的无人集群协同定位方法，其特征在于，所述得到融合矩阵，包括：
利用所述到达时间差、所述第一参数和所述拓扑估计结果进行信息融合，得到初始融合矩阵；
对所述第一参数进行线性化转换，得到线性化结果；
基于所述线性化结果，对所述初始融合矩阵进行线性转化，得到融合矩阵。
4.根据权利要求1所述的无人集群协同定位方法，其特征在于，在所述获取所述无人集群内的第一节点集合之后，还包括：
获取中心节点，所述中心节点为所述第一节点集合内的任一节点；
获取所述中心节点与第一节点集合内其他节点之间的飞行时间和第二参数，所述第二参数为所述中心节点相对于所述其他节点的到达角度；
根据所述飞行时间和所述第二参数，得到第一节点集合的拓扑估计结果。
5.根据权利要求4所述的无人集群协同定位方法，其特征在于，所述根据所述飞行时间和所述第二参数，得到第一节点集合的拓扑估计结果，包括：
基于所述飞行时间，获取中心节点与第一节点集合内其他节点的链路距离，形成距离矩阵；
基于所述第二参数，获取对应余弦值，形成角度矩阵；
根据所述距离矩阵和所述角度矩阵，得到所述中心节点与所述其他节点的相对位置；
基于映射矩阵，对所述第二参数进行融合定位解算，并对融合定位解算结果进行降维处理，得到第一节点集合的拓扑估计结果。
6.根据权利要求5所述的无人集群协同定位方法，其特征在于，所述根据所述链路距离和所述角度矩阵，得到所述中心节点与所述其他节点的相对位置，包括：
对所述角度矩阵进行奇异值分解，得到特征向量和特征值；
对所述链路距离进行对角化；
根据对角化后的链路距离、所述特征向量和所述特征值，得到所述中心节点相对于所述其他节点的相对位置。
7.一种无人集群协同定位装置，其特征在于，包括：
数据获取模块，获取所述无人集群内的第一节点集合和侦听节点，所述第一节点集合包括所述无人集群内的至少两个节点，所述侦听节点为所述无人集群内除所述第一节点集合以外的任一节点；
定位模块，基于无线宽带信号，利用侦听节点监听所述第一节点集合内任一节点与其余节点之间的通信，并结合预先获取的拓扑估计结果，得到所述侦听节点相对于所述第一节点集合的位置关系，所述拓扑估计结果为所述第一节点集合内各节点之间的相对位置预估结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述无人集群协同定位方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述无人集群协同定位方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述无人集群协同定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069913.5A CN113840230B (zh) | 2021-09-13 | 2021-09-13 | 无人集群协同定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069913.5A CN113840230B (zh) | 2021-09-13 | 2021-09-13 | 无人集群协同定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113840230A true CN113840230A (zh) | 2021-12-24 |
| CN113840230B CN113840230B (zh) | 2022-09-30 |
Family
ID=78959058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111069913.5A Active CN113840230B (zh) | 2021-09-13 | 2021-09-13 | 无人集群协同定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113840230B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114543810A (zh) * | 2022-02-21 | 2022-05-27 | 中山大学 | 一种复杂环境下的无人机集群无源定位方法及装置 |
| CN114777767A (zh) * | 2022-01-21 | 2022-07-22 | 北京邮电大学 | 基于无人机定位预测方法、装置和无人机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105025571A (zh) * | 2015-06-29 | 2015-11-04 | 金纯� | 一种基于多天线的无线定位侦听装置及室内定位系统 |
| CN108469600A (zh) * | 2018-03-27 | 2018-08-31 | 清华大学 | 一种动态网络相对定位方法 |
| CN110493730A (zh) * | 2019-08-21 | 2019-11-22 | 科航（苏州）信息科技有限公司 | 无线自组网通信节点定位方法和通信节点 |
| CN111182585A (zh) * | 2019-12-25 | 2020-05-19 | 航天信息股份有限公司 | 一种基于wlan的室内定位方法及系统 |
| CN113038597A (zh) * | 2021-02-23 | 2021-06-25 | 清华大学 | 一种基于uwb的定位方法及系统 |
-
2021
- 2021-09-13 CN CN202111069913.5A patent/CN113840230B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105025571A (zh) * | 2015-06-29 | 2015-11-04 | 金纯� | 一种基于多天线的无线定位侦听装置及室内定位系统 |
| CN108469600A (zh) * | 2018-03-27 | 2018-08-31 | 清华大学 | 一种动态网络相对定位方法 |
| CN110493730A (zh) * | 2019-08-21 | 2019-11-22 | 科航（苏州）信息科技有限公司 | 无线自组网通信节点定位方法和通信节点 |
| CN111182585A (zh) * | 2019-12-25 | 2020-05-19 | 航天信息股份有限公司 | 一种基于wlan的室内定位方法及系统 |
| CN113038597A (zh) * | 2021-02-23 | 2021-06-25 | 清华大学 | 一种基于uwb的定位方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777767A (zh) * | 2022-01-21 | 2022-07-22 | 北京邮电大学 | 基于无人机定位预测方法、装置和无人机 |
| CN114777767B (zh) * | 2022-01-21 | 2024-09-24 | 北京邮电大学 | 基于无人机定位预测方法、装置和无人机 |
| CN114543810A (zh) * | 2022-02-21 | 2022-05-27 | 中山大学 | 一种复杂环境下的无人机集群无源定位方法及装置 |
| CN114543810B (zh) * | 2022-02-21 | 2023-06-13 | 中山大学 | 一种复杂环境下的无人机集群无源定位方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113840230B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113840230B (zh) | 无人集群协同定位方法及装置 | |
| CN111123341B (zh) | 无人机群三维协同定位方法 | |
| Goh et al. | A weighted measurement fusion Kalman filter implementation for UAV navigation | |
| CN115066012B (zh) | 一种基于uwb的多用户无锚点定位方法 | |
| CN105792115B (zh) | 多网定位数据融合方法和系统 | |
| CN112887899B (zh) | 一种基于单基站软位置信息的定位系统及定位方法 | |
| CN109782269B (zh) | 一种分布式多平台协同有源目标跟踪方法 | |
| CN111982121B (zh) | 一种混合视距和非视距环境下的高精度定位方法 | |
| CN112578424B (zh) | 终端设备的定位方法、装置、终端设备及存储介质 | |
| CN114398455B (zh) | 异构多机器人协同slam地图融合方法 | |
| CN113917510A (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 | |
| CN110662163A (zh) | 基于rss和aoa的三维无线传感网络协作定位方法 | |
| CN108732535B (zh) | 一种定位方法、装置和设备 | |
| CN112596089A (zh) | 融合定位方法、装置、电子设备及存储介质 | |
| US20160124069A1 (en) | Systems and methods for estimating a two-dimensional position of a receiver | |
| CN117278085B (zh) | 车载毫米波终端波束跟踪方法、装置、设备和存储介质 | |
| CN117320148A (zh) | 多源数据融合定位方法、系统、电子设备及存储介质 | |
| CN113470342B (zh) | 一种自运动估计的方法及装置 | |
| CN108513355B (zh) | 基于单基站的网络定位方法、装置及设备 | |
| RU137394U1 (ru) | Устройство обработки информации сети разнесенных в пространстве постов пеленгации | |
| Afousi et al. | Wi-Fi RSS indoor positioning system using online layer clustering and weighted DCP-KNN | |
| CN111123323B (zh) | 一种提高便携设备定位精度的方法 | |
| Monica et al. | An Optimization-Based Algorithm for Indoor Localization of JADE Agents. | |
| Lobo et al. | A distance-based data fusion technique for minimizing gps positioning error in vehicular ad hoc networks | |
| Cao et al. | Direct self-position awareness based on array-sensing multiple source data fitting |
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 |