CN114049614A - 一种地铁列车紧急制动防撞控制方法 - Google Patents

一种地铁列车紧急制动防撞控制方法 Download PDF

Info

Publication number
CN114049614A
CN114049614A CN202111185373.7A CN202111185373A CN114049614A CN 114049614 A CN114049614 A CN 114049614A CN 202111185373 A CN202111185373 A CN 202111185373A CN 114049614 A CN114049614 A CN 114049614A
Authority
CN
China
Prior art keywords
train
road condition
real
time
distance
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
Application number
CN202111185373.7A
Other languages
English (en)
Inventor
戚玮玮
徐宝康
郑树彬
柴晓冬
李立明
彭乐乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202111185373.7A priority Critical patent/CN114049614A/zh
Publication of CN114049614A publication Critical patent/CN114049614A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04—Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/041—Obstacle detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9328—Rail vehicles

Abstract

本发明涉及一种地铁列车紧急制动防撞控制方法，包括：获取列车实际正常行驶时前方无异物和有异物的路况照片，并基于YOLO v4目标识别网络，构建得到路况检测模型；将路况检测模型部署在列车紧急制动防撞系统中，以实时监测输出当前路况数据；根据当前路况数据，结合列车雷达测距仪输出的距离信号，得到实时制动安全距离，并输出相应预警信号、输出相应控制信号给制动器。与现有技术相比，本发明独立于列车自动控制系统，专一性强、稳定性高，本发明基于卷积神经网络并融合雷达测距技术，以准确检测当前路况、并确定实时制动安全距离，能够可靠地进行防撞预警及紧急制动。

Description

一种地铁列车紧急制动防撞控制方法
技术领域
本发明涉及交通安全控制技术领域，尤其是涉及一种地铁列车紧急制动防撞控制方法。
背景技术
列车的安全运行一直是人们关注的重点，一旦列车发生碰撞，必然会引起严重的生命财产安全问题，社会影响也会随之受到较大波动。为防止发生碰撞安全事故，往往需要进行紧急制动处理，紧急制动是在情况紧急的状况下，将列车制动距离尽量地缩短，以尽可能地扩大制动力安全性，地铁列车发生紧急制动经常是通过驾驶员操作或列车自身施加产生。
尽管当前设置的列车安全系数已经非常高，以确保理论上不会出现列车碰撞的问题，但在实际运行过程中，列车碰撞事故时有发生，主要原因包括调度不当、弯道超速、地质灾害、设备失灵、违规操作等等，特别是在人为操作过程中，由于驾驶员在遇到紧急情况时无法作出及时准确的判断及操作，导致出现失误的概率比较高。
随着技术的发展与应用，列车的运行控制正逐步智能化，而无人驾驶的应用，则对列车安全提出了更高的要求。因此，对于列车的安全控制研究，有必要进一步改善列车防撞机制，以能够实时监测路况检测铁轨处是否异常存在异物，并能及时智能地实现警报和紧急制动功能。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种地铁列车紧急制动防撞控制方法，能够可靠地进行防撞预警及紧急制动。
本发明的目的可以通过以下技术方案来实现：一种地铁列车紧急制动防撞控制方法，包括以下步骤：
S1、获取列车实际正常行驶时前方无异物和有异物的路况照片，并基于YOLO v4目标识别网络，构建得到路况检测模型；
S2、将路况检测模型部署在列车紧急制动防撞系统中，以实时监测输出当前路况数据；
S3、根据当前路况数据，结合列车雷达测距仪输出的距离信号，得到实时制动安全距离，并输出相应预警信号、输出相应控制信号给制动器。
进一步地，所述步骤S1具体包括以下步骤：
S11、获取列车实际正常行驶时前方无异物的路况照片，以作为正样本数据集；
S12、获取列车实际正常行驶时前方有异物的路况照片，以作为负样本数据集；
S13、根据正样本数据集和负样本数据集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型。
进一步地，所述异物包括行人、落石、杂物、列车和汽车。
进一步地，所述步骤S13具体包括以下步骤：
S131、将正样本数据集与负样本数据集混合后得到综合数据集；
S132、对综合数据集中的照片进行预处理，将预处理后的综合数据集按照设定的比例划分为训练集、验证集和测试集；
S133、利用训练集、验证集和测试集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型，当输入正样本数据给路况检测模型，则输出为0，当输入负样本数据给路况检测模型，则输出为1。
进一步地，所述预处理具体是对照片进行直方图均衡化处理和图像增强处理。
进一步地，所述设定的比例具体为8:1:1。
进一步地，所述步骤S2具体包括以下步骤：
S21、将路况检测模型部署在紧急制动防撞系统中；
S22、获取采集的列车前方实时视频流数据，对视频流数据进行解码，得到序列帧数据；
S23、对帧数据进行图像处理，得到实时路况照片；
S24、将实时路况照片输入路况检测模型，输出得到对应的当前路况数据，若输出为1，表明当前列车前方存在异物；若输出为0，则表明当前列车前方无异物。
进一步地，所述步骤S3具体包括以下步骤：
S31、若当前路况数据为0，则返回执行步骤S2；若当前路况数据为1，则执行步骤S32；
S32、通过列车雷达测距仪，得到列车与前方异物之间的实时距离，以确定出列车的实时制动安全距离；
S33、当列车与前方异物之间的实时距离位于制动安全阈值范围内时，则输出预警信号；
当列车与前方异物之前的实时距离等于实时制动安全距离时，则输出控制信号给制动器，以进行紧急制动操作。
进一步地，所述步骤S32具体是根据列车与前方异物之间的实时距离，结合列车的车速以及载重数据，以确定出列车的实时制动安全距离。
进一步地，所述制动安全阈值范围具体为：大于实时制动安全距离，且小于或等于实时制动安全距离加上设定阈值。
与现有技术相比，本发明具有以下优点：
一、本发明基于卷积神经网络，通过机器学习的方法训练目标检测模型，使模型能够精准的识别目标，从而准确判断出列车前方是否存在异物，实现实时智能监测路况的目的。
二、本发明的制动控制独立于列车运行自动防护信号系统，只依据列车的实时路况进行工作，当列车信号系统出现故障，或者道路出现任何阻挡铁轨的障碍物时，本发明均能够及时作出反应，主动避免列车发生碰撞事故。
三、本发明同时融合雷达测距仪信号，以实时确定出制动安全距离，从而双重保障路况监测的准确性，并在未进入制动安全距离前发出警告，由驾驶员再次判断路况可取消或者提前进行制动操作，具有效率高、效果好、成本低且可靠性高的优点。
附图说明
图1为本发明的方法流程示意图；
图2为实施例中构建路况检测模型的过程示意图；
图3为实施例中紧急制动预警及操作过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种地铁列车紧急制动防撞控制方法，包括以下步骤：
S1、获取列车实际正常行驶时前方无异物和有异物的路况照片，并基于YOLO v4目标识别网络，构建得到路况检测模型，具体的：
S11、获取列车实际正常行驶时前方无异物的路况照片，以作为正样本数据集；
S12、获取列车实际正常行驶时前方有异物(包括行人、落石、杂物、列车和汽车)的路况照片，以作为负样本数据集；
S13、根据正样本数据集和负样本数据集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型——首先将正样本数据集与负样本数据集混合后得到综合数据集；
之后对综合数据集中的照片进行预处理(直方图均衡化处理和图像增强处理)，将预处理后的综合数据集按照设定的比例划分为训练集、验证集和测试集，本实施例中，设定的比例为8:1:1；
再利用训练集、验证集和测试集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型，当输入正样本数据给路况检测模型，则输出为0，当输入负样本数据给路况检测模型，则输出为1；
S2、将路况检测模型部署在列车紧急制动防撞系统中，以实时监测输出当前路况数据，具体的：
S21、将路况检测模型部署在紧急制动防撞系统中；
S22、获取采集的列车前方实时视频流数据，对视频流数据进行解码，得到序列帧数据；
S23、对帧数据进行图像处理，得到实时路况照片；
S24、将实时路况照片输入路况检测模型，输出得到对应的当前路况数据，若输出为1，表明当前列车前方存在异物；若输出为0，则表明当前列车前方无异物；
S3、根据当前路况数据，结合列车雷达测距仪输出的距离信号，得到实时制动安全距离，并输出相应预警信号、输出相应控制信号给制动器，具体的：
S31、若当前路况数据为0，则返回执行步骤S2；若当前路况数据为1，则执行步骤S32；
S32、通过列车雷达测距仪，得到列车与前方异物之间的实时距离，结合列车的车速以及载重数据，以确定出列车的实时制动安全距离；
S33、当列车与前方异物之间的实时距离位于制动安全阈值范围内时，则输出预警信号，其中，制动安全阈值范围为：大于实时制动安全距离，且小于或等于实时制动安全距离加上设定阈值；
当列车与前方异物之前的实时距离等于实时制动安全距离时，则输出控制信号给制动器，以进行紧急制动操作。
综上可知，本发明提供一种基于卷积神经网络的地铁列车紧急制动防撞控制方法，用于实时监测路况，并能实现智能警报和紧急制动功能，避免列车发生碰撞。目前，基于卷积神经网络进行目标检测的技术已经相当成熟，但由于目标的多样性和环境的复杂性，仅依靠卷积神经网络还很难满足实际需求。本发明针对列车制动防撞这类特定行为，创新性地运用了已有的目标检测技术和卷积神经网络在目标识别领域的优势，从而能够通过视频监控设备迅速准确地识别列车行车路况，并进行准确、自动可靠的紧急制动预警及操作。
本实施例应用上述技术方案，首先需构建路况检测模型(过程如图2所示)，之后将路况检测模型与现有的列车防撞系统相结合、以实现列车紧急制动防撞控制(过程如图3所示)，主要包括以下过程：
步骤(1)：收集列车正常行驶时正前方道路图片，数量为5000张，其中包含正常无异物的路况图片2000张，以作为正样本图，还有存在异物非正常的路况图片3000张，以作为负样本图，异物包括可能会出现的行人、落石、杂物、列车、汽车等。
步骤(2)：对数据集中的图片预处理，包括对数据集图像作直方图均衡化处理，减少不同光照环境的影响，并进行图像增强处理，有利于提取图像特征提高模型检测精度，再将采集到的数据集按8:1:1的比例随机划分为训练集、验证集和测试集。
步骤(3)：基于YOLO_v4卷积神经网络构建目标识别检测模型(即路况检测模型)，分类数量包含2类，即路况正常和路况异常。
步骤(4)：训练目标识别检测模型，使用测试数据集对训练后的模型进行测试，当测试结果满足精度要求，则训练完成。将训练集中样本分批次输入到卷积神经网络模型，训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0。采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整卷积神经网络模型的参数。经过一段数量的迭代后，卷积神经网络模型的输出结果和期望值的差不断变小趋向稳定。每完成一次迭代，在测试数据集上对该网络模型进行测试。若测试精度没有达到要求(正确率小于98％)，则重新训练。若测试精度达到要求，则完成了整个训练过程。
步骤(5)：将训练后的卷积神经网络模型部署在紧急制动防撞系统中，分析视频监控设备输出的实时视频流数据，实时监测路况，具体流程如图3所示。使用国标GB28181协议，获取视频监控设备的实时视频流。对数据进行解码得到序列帧数据并进行图像预处理。再将预处理好的图像输入到训练好的目标识别检测模型，检测出画面中目标信息并输出返回值，若返回值为0，则表明路况正常，系统不坐处理保持待命状态。若返回值为1则立即调取雷达测距仪信号，根据实时输出的雷达测距仪信号得到列车与异物的实时距离，并结合车速、载重数据，得到制动安全距离，当列车与异物距离接近安全距离时即发出警告通知、同时驾驶室会发出警报，由驾驶员再次判断路况真实情况后进行取消报警或紧急制动的操作。若驾驶员未作出反应，当列车运行达到制动安全距离则自动进行紧急制动操作。

Claims (10)

1.一种地铁列车紧急制动防撞控制方法，其特征在于，包括以下步骤：
S1、获取列车实际正常行驶时前方无异物和有异物的路况照片，并基于YOLO v4目标识别网络，构建得到路况检测模型；
S2、将路况检测模型部署在列车紧急制动防撞系统中，以实时监测输出当前路况数据；
S3、根据当前路况数据，结合列车雷达测距仪输出的距离信号，得到实时制动安全距离，并输出相应预警信号、输出相应控制信号给制动器。
2.根据权利要求1所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、获取列车实际正常行驶时前方无异物的路况照片，以作为正样本数据集；
S12、获取列车实际正常行驶时前方有异物的路况照片，以作为负样本数据集；
S13、根据正样本数据集和负样本数据集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型。
3.根据权利要求1～2任一所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述异物包括行人、落石、杂物、列车和汽车。
4.根据权利要求2所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述步骤S13具体包括以下步骤：
S131、将正样本数据集与负样本数据集混合后得到综合数据集；
S132、对综合数据集中的照片进行预处理，将预处理后的综合数据集按照设定的比例划分为训练集、验证集和测试集；
S133、利用训练集、验证集和测试集，对YOLO v4目标识别网络进行深度学习训练，以构建得到路况检测模型，当输入正样本数据给路况检测模型，则输出为0，当输入负样本数据给路况检测模型，则输出为1。
5.根据权利要求4所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述预处理具体是对照片进行直方图均衡化处理和图像增强处理。
6.根据权利要求4所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述设定的比例具体为8:1:1。
7.根据权利要求1所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、将路况检测模型部署在紧急制动防撞系统中；
S22、获取采集的列车前方实时视频流数据，对视频流数据进行解码，得到序列帧数据；
S23、对帧数据进行图像处理，得到实时路况照片；
S24、将实时路况照片输入路况检测模型，输出得到对应的当前路况数据，若输出为1，表明当前列车前方存在异物；若输出为0，则表明当前列车前方无异物。
8.根据权利要求7所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、若当前路况数据为0，则返回执行步骤S2；若当前路况数据为1，则执行步骤S32；
S32、通过列车雷达测距仪，得到列车与前方异物之间的实时距离，以确定出列车的实时制动安全距离；
S33、当列车与前方异物之间的实时距离位于制动安全阈值范围内时，则输出预警信号；
当列车与前方异物之前的实时距离等于实时制动安全距离时，则输出控制信号给制动器，以进行紧急制动操作。
9.根据权利要求8所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述步骤S32具体是根据列车与前方异物之间的实时距离，结合列车的车速以及载重数据，以确定出列车的实时制动安全距离。
10.根据权利要求8所述的一种地铁列车紧急制动防撞控制方法，其特征在于，所述制动安全阈值范围具体为：大于实时制动安全距离，且小于或等于实时制动安全距离加上设定阈值。
CN202111185373.7A 2021-10-12 2021-10-12 一种地铁列车紧急制动防撞控制方法 Pending CN114049614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185373.7A CN114049614A (zh) 2021-10-12 2021-10-12 一种地铁列车紧急制动防撞控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185373.7A CN114049614A (zh) 2021-10-12 2021-10-12 一种地铁列车紧急制动防撞控制方法

Publications (1)

Publication Number Publication Date
CN114049614A true CN114049614A (zh) 2022-02-15

Family

ID=80205323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185373.7A Pending CN114049614A (zh) 2021-10-12 2021-10-12 一种地铁列车紧急制动防撞控制方法

Country Status (1)

Country Link
CN (1) CN114049614A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115432029A (zh) * 2022-09-22 2022-12-06 中车成都机车车辆有限公司 一种列车防撞控制方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115432029A (zh) * 2022-09-22 2022-12-06 中车成都机车车辆有限公司 一种列车防撞控制方法、装置、设备及可读存储介质
CN115432029B (zh) * 2022-09-22 2023-09-19 中车成都机车车辆有限公司 一种列车防撞控制方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN109887281B (zh) 一种监控交通事件的方法及系统
Ki et al. A traffic accident recording and reporting model at intersections
US10032085B2 (en) Method and system to identify traffic lights by an autonomous vehicle
Zaki et al. Use of drivers’ jerk profiles in computer vision–based traffic safety evaluations
CN104787084B (zh) 一种铁路异物侵限检测系统及检测方法
CN106530831A (zh) 一种高威胁车辆监测预警系统及方法
CN105744232A (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN110164132B (zh) 一种道路交通异常的检测方法及系统
Zhang et al. Pedestrian safety analysis in mixed traffic conditions using video data
KR101101860B1 (ko) 실시간 교통상황 검지 시스템
KR20100119476A (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
CN110895662A (zh) 车辆超载报警方法、装置、电子设备及存储介质
JP4600929B2 (ja) 停止低速車両検出装置
CN105160326A (zh) 一种高速公路上停车的自动检测方法与装置
CN103236181A (zh) 一种基于机器视觉的交通信号灯状态监控系统及方法
CN109919066B (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置
US20220264081A1 (en) Sensing performance evaluation and diagnosis system and sensing performance evaluation and diagnosis method for external-environment recognition sensor
CN113936465B (zh) 交通事件检测方法及装置
CN113484858A (zh) 一种入侵检测方法和系统
CN112835790A (zh) 自动驾驶软件的测试方法、装置、设备及介质
CN110589647A (zh) 一种通过监控对电梯门进行实时故障检测及预测的方法
CN102426783B (zh) 基于车辆跟踪的低流量道路交通事件检测方法
CN112381014A (zh) 一种基于城市道路的违停车辆检测及管理方法及系统
CN115527364B (zh) 一种基于雷视数据融合的交通事故溯源方法及系统
CN110288823A (zh) 一种基于朴素贝叶斯网络的交通违章误判识别方法

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