CN114485712B - 一种处理st图构建时障碍物多次侵入本车轨迹的方法 - Google Patents
一种处理st图构建时障碍物多次侵入本车轨迹的方法 Download PDFInfo
- Publication number
- CN114485712B CN114485712B CN202210114625.5A CN202210114625A CN114485712B CN 114485712 B CN114485712 B CN 114485712B CN 202210114625 A CN202210114625 A CN 202210114625A CN 114485712 B CN114485712 B CN 114485712B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- frenet
- coordinates
- value
- coordinate information
- 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
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种处理ST图构建时障碍物多次侵入本车轨迹的方法，包括如下步骤：1）获取障碍物的前端信息；2）根据前端信息计算出障碍物的轮廓坐标信息；3）将轮廓坐标信息转换为Frenet坐标信息；4）根据预设入选范围和Frenet坐标信息判断障碍物是否被多次选入，当障碍物被多次选入时，执行步骤5），否则执行步骤6）；5）对多次选入的Frenet坐标信息进行分段处理；6）基于障碍物被选时的Frenet坐标进行曲线拟合；7）输出障碍物曲线的参数及对应时间。本发明对障碍物的多次选入进行分段拟合，避免因选入起点和终点之间存在大量未选入，曲线中间部分存在数据丢失导致ST图失真的问题，可提高ST图的准确性以及自动驾驶系统自动驾驶的安全性。
Description
技术领域
本发明属于汽车自动驾驶的技术领域，具体涉及一种处理ST图构建时障碍物多次侵入本车轨迹的方法。
背景技术
在汽车自动驾驶技术中，ST图为动态规划和二次规划提供障碍物的基础信息，基础信息包括静态障碍物、动态障碍物及虚拟障碍物随着时间变化的位置信息。ST图的构建是将在车辆坐标系或者笛卡尔坐标系下的障碍物坐标转换为以车辆未来轨迹为参照基准的Frenet坐标系，其中，S坐标为沿轨迹纵向距离，L坐标为距离轨迹距离，T为对应各时刻。
当有障碍物车辆轨迹侵入本车未来轨迹左右径向距离一定值时，会视为障碍物被选入侵占本车未来轨迹，此时，需要将障碍物对应的坐标S和时刻T记录到ST图中，从而为自动驾驶系统进行驾驶决策提供数据支持，如中国专利CN201910858148.1 用于自动驾驶车辆的基于ST图学习的决策和CN201910036943.2 生成自动驾驶车辆的轨迹的方法。
当障碍物车辆轨迹多次占据本车未来轨迹而导致多次被选入时，现有构建ST图的方法一般以障碍物在预测时间内第一次侵入本车未来轨迹为ST图选入起点，最后一次离开未来轨迹为ST图终点，在对起点与终点之间点进行曲线拟合时，由于选入起点和终点之间存在大量未选入的情况，曲线中间部分存在数据丢失会使ST图失真，容易影响自动驾驶系统做出正确的驾驶决策。
发明内容
针对现有技术的上述不足，本发明要解决的技术问题是提供一种处理ST图构建时障碍物多次侵入本车轨迹的方法，解决目前构建ST图的方法容易因障碍物被多次选入而失真的问题，取得提高ST图准确性，改善自动驾驶可靠性的效果。
为解决上述技术问题，本发明采用如下技术方案：
一种处理ST图构建时障碍物多次侵入本车轨迹的方法，包括如下步骤：
1）获取障碍物的前端信息；
2）根据前端信息计算出障碍物的轮廓坐标信息，轮廓坐标信息包括障碍物各时刻的轮廓坐标；
3）将轮廓坐标信息转换为Frenet坐标信息，Frenet坐标信息包括障碍物各时刻的Frenet坐标；
4）根据预设入选范围和Frenet坐标信息判断障碍物是否被多次选入，当障碍物被多次选入时，执行步骤5），否则执行步骤6）；
5）对多次选入的Frenet坐标信息进行分段处理；
6）基于障碍物被选时的Frenet坐标进行曲线拟合，得到障碍物曲线；
7）输出障碍物曲线的参数及对应时间。
进一步地，步骤1）中所述前端信息包括障碍物在本车坐标系或笛卡尔坐标系下的离散坐标信息以及障碍物的长宽信息，离散坐标信息包括障碍物各时刻的基础坐标。
进一步地，步骤2）详细操作为：根据障碍物的长宽信息对障碍物的离散坐标信息进行膨胀处理，计算出离散坐标信息中各时刻的基础坐标对应的障碍物四角的坐标，轮廓坐标包括对应时刻障碍物四角的坐标。
进一步地，步骤2）中计算障碍物四角的坐标包括如下子步骤：
22）根据离散坐标信息中相邻两个时刻的基础坐标的差值计算出航向角；
23）根据航向角、长宽信息和对应时刻基础坐标计算出对应时刻障碍物四角的坐标。
进一步地，步骤22）中航向角的计算公式为：
headingangle = arctan(∆y/∆x)
其中，headingangle表示航向角，∆y为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在y方向上的距离差，∆x为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在x方向上的距离差。
进一步地，步骤3）的详细操作为：将轮廓坐标沿本车未来轨迹的纵向距离用S表示，将轮廓坐标距离本车未来轨迹径向距离用L表示，S和L两个数值组成一个Frenet坐标以实现轮廓坐标信息到Frenet坐标信息的转换。
进一步地，步骤4）包括如下子步骤：
41）遍历Frenet坐标信息中各时刻的Frenet坐标；
当Frenet坐标的L值位于预设入选范围内时，保留Frenet坐标的S值；当Frenet坐标的L值不在预设入选范围内时，将Frenet坐标的S值置为0；
按时间顺序以各时刻Frenet坐标中的S值构成数组[a1 a2 … an]；
42）将数组[a1 a2 … an]中的数值存入选入数组或选出数组；当首位数值不为0时，将首位数值存入选入数组；当非首位数值不为0且前一位数值为0时，将非首位数值存入选入数组；当末位数值不为0时，将末位数值存入选出数组；当非末位数值为0且前一位数值不为0时，将非末位数值存入选出数组；
43）当选入数组和选出数组中的数值个数都大于1时，判断障碍物被多次选入；当选入数组和选出数组中的数值个数都为1时，判断障碍物被一次选入。
进一步地，步骤5）的详细操作如下：将选入数组中的每个数值逐一和选出数组中顺序对应的数值进行组合得到多个数值组，每个数值组包括两个数值。
进一步地，步骤6）的详细操作如下：
当障碍物被多次选入时，在数组[a1 a2 … an]中分别将每个数值组的两个数值之间的所有数值所对应Frenet坐标进行曲线拟合；
当障碍物被一次选入时，在数组[a1 a2 … an]中将数值组的两个数值之间的所有数值所对应Frenet坐标进行曲线拟合。
进一步地，步骤7）的详细操作如下：输出拟合曲线的相关系数以及曲线两端所对应的时间。
相比现有技术，本发明的有益效果如下：
1、本发明通过坐标转换，将障碍物在本车坐标系或笛卡尔坐标系下的离散坐标信息转换为Frenet坐标信息，并基于Frenet坐标和预设入选范围判断障碍物是否被多次选入，当障碍物被多次选入时，对多次选入所对应的坐标信息进行分段拟合，从而避免因选入起点和终点之间存在大量未选入，曲线中间部分存在数据丢失导致ST图失真的问题，可提高ST图的准确性，提高自动驾驶系统自动驾驶的安全性。
2、本发明通过障碍物的长宽信息先将基础坐标转换为轮廓坐标，轮廓坐标可以更为准确地表示障碍物的位置，再由轮廓坐标转换为Frenet坐标进行障碍物选入判断，使判断更为准确可靠，可提高后续生成ST图的准确性。
附图说明
图1为实施例的一种处理ST图构建时障碍物多次侵入本车轨迹的方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
实施例：
请参见图1，一种处理ST图构建时障碍物多次侵入本车轨迹的方法，包括如下步骤：
1）获取障碍物的前端信息；所述前端信息包括障碍物在本车坐标系或笛卡尔坐标系下的离散坐标信息以及障碍物的长宽信息，离散坐标信息包括障碍物各时刻的基础坐标；实施时，前端信息一般由车载的前端预测模块获取。
2）首先将障碍物各时刻的基础坐标膨胀为矩形，然后求出障碍物四角的坐标；具体方式如下：
22）根据离散坐标信息中相邻两个时刻的基础坐标的差值计算出航向角；航向角的计算公式为：
headingangle = arctan(∆y/∆x)，其中，headingangle表示航向角，∆y为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在y方向上的距离差，∆x为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在x方向上的距离差；
23）根据航向角、长宽信息和对应时刻基础坐标计算出对应时刻障碍物四角的坐标；障碍物四角的坐标组成障碍物的轮廓坐标，各时刻的轮廓坐标组成障碍物的轮廓坐标信息。
3）将轮廓坐标信息转换为Frenet坐标信息，Frenet坐标信息包括障碍物各时刻的Frenet坐标；具体方式如下：
将轮廓坐标沿本车未来轨迹的纵向距离用S表示，将轮廓坐标距离本车未来轨迹径向距离用L表示，S和L两个数值组成一个Frenet坐标以实现轮廓坐标信息到Frenet坐标信息的转换。
4）根据预设入选范围和Frenet坐标信息判断障碍物是否被多次选入，当障碍物被多次选入时，执行步骤5），否则执行步骤6）；
判断障碍物是否被多次选入的具体方式如下：
41）遍历Frenet坐标信息中各时刻的Frenet坐标；
当Frenet坐标的L值位于预设入选范围内时，保留Frenet坐标的S值；当Frenet坐标的L值不在预设入选范围内时，将Frenet坐标的S值置为0；
按时间顺序以各时刻Frenet坐标中的S值构成数组[a1 a2 … an]，即a1、a2 … 或an均为0值或非0值；如[0 0 0 1 2 … 6 5 0 0 … 2 4 … 1]、[1 2 3 … 0 0 0 … 2 35 … 0 0 0]；
42）将数组[a1 a2 … an]中的数值存入选入数组或选出数组；当首位数值不为0时，将首位数值存入选入数组；当非首位数值不为0且前一位数值为0时，将非首位数值存入选入数组；当末位数值不为0时，将末位数值存入选出数组；当非末位数值为0且前一位数值不为0时，将非末位数值存入选出数组；
43）当选入数组和选出数组中的数值个数都大于1时，判断障碍物被多次选入；当选入数组和选出数组中的数值个数都为1时，判断障碍物被一次选入。
5）对多次选入的Frenet坐标信息进行分段处理；具体方式如下：
将选入数组中的每个数值逐一和选出数组中顺序对应的数值进行组合得到多个数值组，每个数值组包括两个数值。
6）基于障碍物被选时的Frenet坐标进行曲线拟合，得到障碍物曲线；具体方式如下：
当障碍物被多次选入时，在数组[a1 a2 … an]中分别将每个数值组的两个数值之间的所有数值所对应Frenet坐标进行曲线拟合；
当障碍物被一次选入时，在数组[a1 a2 … an]中将数值组的两个数值之间的所有数值所对应Frenet坐标进行曲线拟合。
7）输出障碍物曲线的参数及对应时间；具体如下：输出拟合曲线的相关系数以及曲线两端所对应的时间至下游模块，通过这些信息构件ST图。
本发明通过坐标转换，将障碍物在本车坐标系或笛卡尔坐标系下的离散坐标信息转换为Frenet坐标信息，并基于Frenet坐标和预设入选范围判断障碍物是否被多次选入，当障碍物被多次选入时，对多次选入所对应的坐标信息进行分段拟合，从而避免因选入起点和终点之间存在大量未选入，曲线中间部分存在数据丢失导致ST图失真的问题，可提高ST图的准确性，提高自动驾驶系统自动驾驶的安全性。
本发明通过障碍物的长宽信息先将基础坐标转换为轮廓坐标，轮廓坐标可以更为准确地表示障碍物的位置，再由轮廓坐标转换为Frenet坐标进行障碍物选入判断，使判断更为准确可靠，可提高后续生成ST图的准确性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：包括如下步骤：
1)获取障碍物的前端信息；
2)根据前端信息计算出障碍物的轮廓坐标信息，轮廓坐标信息包括障碍物各时刻的轮廓坐标；
3)将轮廓坐标信息转换为Frenet坐标信息，Frenet坐标信息包括障碍物各时刻的Frenet坐标；
4)根据预设入选范围和Frenet坐标信息判断障碍物是否被多次选入，当障碍物被多次选入时，执行步骤5)，否则执行步骤6)；
5)对多次选入的Frenet坐标信息进行分段处理；
6)基于障碍物被选时的Frenet坐标进行曲线拟合，得到障碍物曲线；
7)输出障碍物曲线的参数及对应时间；
步骤3)的详细操作为：将轮廓坐标沿本车未来轨迹的纵向距离用S表示，将轮廓坐标距离本车未来轨迹径向距离用L表示，S和L两个数值组成一个Frenet坐标以实现轮廓坐标信息到Frenet坐标信息的转换；
步骤4)包括如下子步骤：
41)遍历Frenet坐标信息中各时刻的Frenet坐标；
当Frenet坐标的L值位于预设入选范围内时，保留Frenet坐标的S值；当Frenet坐标的L值不在预设入选范围内时，将Frenet坐标的S值置为0；
按时间顺序以各时刻Frenet坐标中的S值构成数组[a1 a2…an]；
42)将数组[a1 a2…an]中的数值存入选入数组或选出数组；当首位数值不为0时，将首位数值存入选入数组；当非首位数值不为0且前一位数值为0时，将非首位数值存入选入数组；当末位数值不为0时，将末位数值存入选出数组；当非末位数值为0且前一位数值不为0时，将非末位数值存入选出数组；
43)当选入数组和选出数组中的数值个数都大于1时，判断障碍物被多次选入；当选入数组和选出数组中的数值个数都为1时，判断障碍物被一次选入；
步骤5)的详细操作如下：将选入数组中的每个数值逐一和选出数组中顺序对应的数值进行组合得到多个数值组，每个数值组包括两个数值；
步骤6)的详细操作如下：
当障碍物被多次选入时，根据步骤5)得到的每个数值组进行分段曲线拟合，将[a1a2…an]中位于同一数值组中的两个数值之间的所有数值对应的Frenet坐标进行曲线拟合。
2.根据权利要求1所述一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：步骤1)中所述前端信息包括障碍物在本车坐标系或笛卡尔坐标系下的离散坐标信息以及障碍物的长宽信息，离散坐标信息包括障碍物各时刻的基础坐标。
3.根据权利要求2所述一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：步骤2)详细操作为：根据障碍物的长宽信息对障碍物的离散坐标信息进行膨胀处理，计算出离散坐标信息中各时刻的基础坐标对应的障碍物四角的坐标，轮廓坐标包括对应时刻障碍物四角的坐标。
4.根据权利要求3所述一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：步骤2)中计算障碍物四角的坐标包括如下子步骤：
22)根据离散坐标信息中相邻两个时刻的基础坐标的差值计算出航向角；
23)根据航向角、长宽信息和对应时刻基础坐标计算出对应时刻障碍物四角的坐标。
5.根据权利要求4所述一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：步骤22)中航向角的计算公式为：
headingangle＝arctan(Δy/Δx)
其中，headingangle表示航向角，Δy为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在y方向上的距离差，Δx为本车坐标系或笛卡尔坐标系下相邻时刻基础坐标在x方向上的距离差。
6.根据权利要求1所述一种处理ST图构建时障碍物多次侵入本车轨迹的方法，其特征在于：步骤7)的详细操作如下：输出拟合曲线的相关系数以及曲线两端所对应的时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210114625.5A CN114485712B (zh) | 2022-01-30 | 2022-01-30 | 一种处理st图构建时障碍物多次侵入本车轨迹的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210114625.5A CN114485712B (zh) | 2022-01-30 | 2022-01-30 | 一种处理st图构建时障碍物多次侵入本车轨迹的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114485712A CN114485712A (zh) | 2022-05-13 |
| CN114485712B true CN114485712B (zh) | 2023-07-21 |
Family
ID=81479054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210114625.5A Active CN114485712B (zh) | 2022-01-30 | 2022-01-30 | 一种处理st图构建时障碍物多次侵入本车轨迹的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114485712B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
| WO2021142793A1 (zh) * | 2020-01-17 | 2021-07-22 | 华为技术有限公司 | 路径规划方法和路径规划装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008195293A (ja) * | 2007-02-14 | 2008-08-28 | Toyota Motor Corp | 衝突予測装置 |
| CN111998867B (zh) * | 2020-08-26 | 2022-07-29 | 上海汽车集团股份有限公司 | 一种车辆路径规划方法及装置 |
| CN112572472B (zh) * | 2020-12-08 | 2021-12-14 | 重庆大学 | 一种基于Frenet坐标系的自动驾驶碰撞预测方法 |
| CN113051765B (zh) * | 2021-03-31 | 2024-01-05 | 中国科学院合肥物质科学研究院 | 一种基于虚拟场景变换的智能驾驶车辆车路在环测试方法 |
-
2022
- 2022-01-30 CN CN202210114625.5A patent/CN114485712B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
| WO2021142793A1 (zh) * | 2020-01-17 | 2021-07-22 | 华为技术有限公司 | 路径规划方法和路径规划装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114485712A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670523B (zh) | 用包括跟踪网的卷积神经网络获取与图像中的对象对应的边界框的方法和使用其的计算装置 | |
| CN111497828B (zh) | 一种自动泊车方法、装置、介质及设备 | |
| US10346693B1 (en) | Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same | |
| CN110009029B (zh) | 基于点云分割的特征匹配方法 | |
| CN112595337B (zh) | 避障路径规划方法、装置、电子装置、车辆及存储介质 | |
| CN111242985B (zh) | 基于马尔科夫模型的视频多行人追踪方法 | |
| CN110288708B (zh) | 一种地图构建方法、装置及终端设备 | |
| CN113960995A (zh) | 一种避障规划方法、系统及设备 | |
| CN114485712B (zh) | 一种处理st图构建时障碍物多次侵入本车轨迹的方法 | |
| CN112614375B (zh) | 基于车辆行驶状态的停车引导方法和系统 | |
| CN114863379A (zh) | 多任务目标检测方法、电子设备、介质及车辆 | |
| CN116523970B (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
| US5887083A (en) | Method of processing image information based on object model | |
| CN111994069B (zh) | 一种自动泊车控制系统中的轨迹预瞄计算方法和系统 | |
| CN113076804B (zh) | 基于YOLOv4改进算法的目标检测方法、装置及系统 | |
| CN111460879B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
| CN114120259A (zh) | 一种空车位识别方法及其系统、计算机设备、存储介质 | |
| JP2020068015A (ja) | リグレッションロス（Ｒｅｇｒｅｓｓｉｏｎ ｌｏｓｓ）を利用した学習方法及び学習装置、そしてそれを利用したテスト方法及びテスト装置｛ＬＥＡＲＮＩＮＧ ＭＥＴＨＯＤ， ＬＥＡＲＮＩＮＧ ＤＥＶＩＣＥ ＵＳＩＮＧ ＲＥＧＲＥＳＳＩＯＮ ＬＯＳＳ ＡＮＤ ＴＥＳＴＩＮＧ ＭＥＴＨＯＤ， ＴＥＳＴＩＮＧ ＤＥＶＩＣＥ ＵＳＩＮＧ ＴＨＥ ＳＡＭＥ｝ | |
| CN115092141A (zh) | 应用于自动驾驶车辆变道超车的轨迹规划方法及设备 | |
| CN109409370B (zh) | 一种远程桌面字符识别方法和装置 | |
| CN111460878B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
| CN111461318B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
| CN117455957B (zh) | 一种基于深度学习的车辆轨迹定位追踪方法及系统 | |
| EP3913541A1 (en) | Method for performing adjustable continual learning on deep neural network model by using selective deep generative replay module and device using the same | |
| CN113673383B (zh) | 一种面向复杂道路场景的时空域障碍物检测方法及系统 |
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 |