CN115046547A - 一种复杂城市环境下的自动驾驶汽车定位系统及方法 - Google Patents

一种复杂城市环境下的自动驾驶汽车定位系统及方法 Download PDF

Info

Publication number
CN115046547A
CN115046547A CN202210506316.2A CN202210506316A CN115046547A CN 115046547 A CN115046547 A CN 115046547A CN 202210506316 A CN202210506316 A CN 202210506316A CN 115046547 A CN115046547 A CN 115046547A
Authority
CN
China
Prior art keywords
time
vehicle
information
unit
representing
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
CN202210506316.2A
Other languages
English (en)
Inventor
董坤
赵万忠
王春燕
徐坤豪
刘津强
张自宇
郑双权
张从余
张文彬
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210506316.2A priority Critical patent/CN115046547A/zh
Publication of CN115046547A publication Critical patent/CN115046547A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种复杂城市环境下的自动驾驶汽车定位系统及方法，系统包括：GPS单元、IMU单元、轮式里程计单元、激光雷达目标检测单元、温度传感器单元、扩展卡尔曼滤波器单元及系统噪声方差矩阵更新单元；本发明能够使自动驾驶汽车在复杂城市环境中可以针对不同行驶环境调整滤波器的系统噪声方差矩阵，进而实现稳定且准确的自车定位，为其后续系统中对运动的决策、规划与控制提供充足的前置数据。

Description

一种复杂城市环境下的自动驾驶汽车定位系统及方法
技术领域
本发明属于车辆定位技术领域，具体涉及一种适应于复杂城市环境下的自动驾驶汽车系统及方法。
背景技术
自动驾驶汽车(Autonomous vehicles；Self-driving automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。
与传统汽车相比，自动驾驶汽车需要实时获取自身的位置与姿态，来为下一时刻的运动的规划与决策提供必需的定位信息。目前广泛应用于自动驾驶汽车的定位方法为全球导航卫星系统(GNSS)与惯性导航系统(INS)的融合定位，采用的定位器件为GPS、IMU与轮式里程计，通常用到的算法是卡尔曼滤波算法、扩展卡尔曼滤波及其变种，这种定位方式因其所需器件简单，成本低廉，故应用广泛。但是IMU和轮式里程计的噪声不是固定不变的，当汽车行驶在复杂城市环境中时，由于车辆频繁的加速减速，再加上传感器温度变化的影响，便会导致IMU和轮式里程计的噪声频繁变化，且复杂城市环境容易导致GPS信号缺失，没有GPS信号的修正，便会导致滤波发散，最终导致定位失效。
因此，如何提升自动驾驶汽车在城市复杂交通系统中的定位稳定性与准确性，保证自动驾驶汽车可以在GPS信号丢失情况下稳定获取自身的位置，是目前自动驾驶领域急需解决的问题。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种复杂城市环境下的自动驾驶汽车定位系统及方法，以解决现有技术中由于车载GPS信号缺失，无法对因复杂城市环境导致的变化IMU噪声进行修正，进而导致定位失效的问题。本发明能够使自动驾驶汽车在复杂城市环境中可以针对不同行驶环境调整滤波器的系统噪声方差矩阵，进而实现稳定且准确的自车定位，为其后续系统中对运动的决策、规划与控制提供充足的前置数据。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种复杂城市环境下的自动驾驶汽车定位系统，包括：GPS单元、IMU单元、轮式里程计单元、激光雷达目标检测单元、温度传感器单元、扩展卡尔曼滤波器单元及系统噪声方差矩阵更新单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息和航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于获取车辆的瞬时速度信息，并将获得的瞬时速度信息实时发送给扩展卡尔曼滤波器单元；
所述激光雷达目标检测单元，安装在车辆顶部，用于实时获取车辆周围的点云数据，通过PV-CRNN算法计算出车辆周围运动目标的数量和距离车辆的距离信息，并将计算得到的信息传输给系统噪声方差矩阵更新单元；
所述温度传感器单元，用于实时获取IMU和轮式里程计的温度信息，并将温度信息实时传递给系统噪声方差矩阵更新单元；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息和航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用该扩展卡尔曼滤波器单元中扩展卡尔曼滤波器将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，接收系统噪声方差矩阵更新单元发送的系统噪声方差矩阵，通过其对扩展卡尔曼滤波器单元中的扩展卡尔曼滤波器的系统噪声方差矩阵进行更新，并实时获取IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再使用更新后的扩展卡尔曼滤波器将从IMU单元和轮式里程计单元获取的信息进行融合，最终获得车辆的实时定位信息；
所述系统噪声方差矩阵更新单元，安装在车辆内部，接收激光雷达目标检测单元发送的车辆周围运动目标的数量和距离车辆距离信息，及温度传感器单元发送的轮式里程计和IMU的温度信息，并根据上述接收到的信息，使用噪声增益算法计算得到使扩展卡尔曼滤波器滤波效果最好的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，来替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵。
进一步地，所述PV-RCNN算法是一种3D目标检测框架，采用的特征提取方式是利用3Dvoxel卷积和基于点的pointnet卷积方式，从点云数据中检测3D目标，并得到3D目标的置信度、类型以及距离车辆的距离信息。
本发明还提供一种复杂城市环境下的自动驾驶汽车定位方法，基于上述系统，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息，车辆周围3D目标的置信度、类型、距离车辆的距离信息，及IMU和轮式里程计的温度信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
4)将车辆周围目标的数目和距离信息，及IMU和轮式里程计的温度信息发送给系统噪声方差矩阵更新单元，通过噪声增益算法得出此状态下使扩展卡尔曼滤波器滤波效果最佳的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵；利用更新后的扩展卡尔曼滤波器对IMU单元发送的瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的瞬时速度信息进行融合，得到在GPS缺失情况下的定位结果。
进一步地，所述步骤2)中使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
进一步地，所述步骤3)中使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure BDA0003636303630000031
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure BDA0003636303630000032
表示n-1时刻的航向角，Xn表示车辆在n时刻的状态量，
Figure BDA0003636303630000033
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure BDA0003636303630000034
表示n时刻的航向角，un表示n时刻系统的输入量，Zn表示车辆在n时刻的观测量，f(),h()分别表示状态转移方程与观测方程；
Figure BDA0003636303630000035
Figure BDA0003636303630000036
Figure BDA0003636303630000037
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定汽车状态量初始值
Figure BDA0003636303630000038
与系统概率协方差矩阵初始值
Figure BDA0003636303630000039
然后按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure BDA00036363036300000310
Figure BDA00036363036300000311
Figure BDA0003636303630000041
Figure BDA0003636303630000042
Figure BDA0003636303630000043
Figure BDA0003636303630000044
式中，
Figure BDA0003636303630000045
表示车辆在n时刻的先验状态估计量，
Figure BDA0003636303630000046
表示车辆在n时刻的后验状态估计量，
Figure BDA0003636303630000047
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure BDA0003636303630000048
表示系统n时刻的状态转移矩阵的转置，
Figure BDA0003636303630000049
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure BDA00036363036300000410
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure BDA00036363036300000411
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure BDA00036363036300000412
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure BDA00036363036300000413
即车辆的位置与航向角信息。
进一步地，所述步骤4)中的噪声增益算法具体如下：
Figure BDA00036363036300000414
Figure BDA00036363036300000415
Figure BDA00036363036300000416
Figure BDA0003636303630000051
Figure BDA0003636303630000052
Figure BDA0003636303630000053
Figure BDA0003636303630000054
Figure BDA0003636303630000055
Figure BDA0003636303630000056
式中，Δk-1,k表示从k-1时刻到k时刻的路况增益，αk表示k时刻的车辆影响权重系数，αk-1表示k-1时刻的车辆影响权重系数，βk表示k时刻的行人影响权重系数，βk-1表示k-1时刻的行人影响权重系数，n1表示k时刻激光雷达目标检测单元获取到的周围车辆数目，n2表示k时刻激光雷达目标检测单元获取到的周围行人数目，n3表示k-1时刻激光雷达目标检测单元获取到的周围车辆数目，n4表示k-1时刻激光雷达目标检测单元获取到的周围行人数目，
Figure BDA0003636303630000057
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure BDA0003636303630000058
表示k时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure BDA0003636303630000059
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure BDA00036363036300000510
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure BDA00036363036300000511
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure BDA00036363036300000512
表示k时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure BDA00036363036300000513
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure BDA00036363036300000514
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure BDA00036363036300000515
表示从k-1时刻到k时刻的IMU温度增益，
Figure BDA00036363036300000516
表示温度传感器单元获取到IMU在k时刻的温度，单位为华氏摄氏度，
Figure BDA00036363036300000517
表示温度传感器单元获取到IMU在k-1时刻的温度，单位为华氏摄氏度，
Figure BDA00036363036300000518
表示从k-1时刻到k时刻的轮式里程计温度增益，
Figure BDA00036363036300000519
表示温度传感器单元获取到轮式里程计在k时刻的温度，单位为华氏摄氏度，
Figure BDA00036363036300000520
表示温度传感器单元获取到轮式里程计在k-1时刻的温度，单位为华氏摄氏度，
Figure BDA0003636303630000061
表示从k-1时刻到k时刻的IMU增益系数，
Figure BDA0003636303630000062
表示从k-1时刻到k时刻的轮式里程计增益系数，θE表示环境影响因素权重，取值为0.7，θI表示IMU温度影响因素，取值为0.3，θW表示轮式里程计温度影响因素权重，取值为0.3；
设k-1时刻的系统噪声方差矩阵为Qk-1：
Figure BDA0003636303630000063
式中，ev,k-1为轮式里程计在k-1时刻的速度噪声，ea,k-1为IMU在k-1时刻的加速度噪声，eω为IMU在k-1时刻的角速度噪声；
则k时刻的系统噪声方差矩阵为Qk：
Figure BDA0003636303630000064
用所述系统噪声方差矩阵Qk替换扩展卡尔曼滤波器的原有矩阵，再使用更新后的扩展卡尔曼滤波器进行融合定位。
本发明的有益效果：
1、本发明保证了自动驾驶汽车在GPS信号缺失时定位信号输出的稳定性，提高了自动驾驶车辆在城市道路中行驶的安全性；
2、本发明可以针对不同的城市环境自动调整滤波器的系统噪声方差矩阵，保证滤波器的稳定性，从而稳定输出较为精确的定位信息。
附图说明
图1为本发明定位方法原理图。
图2为本发明验证实验具体选取的5个GPS缺失区域。
图3为本发明验证实验中的一条具体路径定位效果对比图。
图4为本发明验证实验中五次GPS缺失区域最大误差值对比图。
图5为本发明验证实验中五次GPS缺失区域均方根误差值对比图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
本发明的一种复杂城市环境下的自动驾驶汽车定位系统，包括：GPS单元、IMU单元、轮式里程计单元、激光雷达目标检测单元、温度传感器单元、扩展卡尔曼滤波器单元及系统噪声方差矩阵更新单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息和航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于获取车辆的瞬时速度信息，并将获得的瞬时速度信息实时发送给扩展卡尔曼滤波器单元；
所述激光雷达目标检测单元，安装在车辆顶部，用于实时获取车辆周围的点云数据，通过PV-CRNN算法计算出车辆周围运动目标的数量和距离车辆的距离信息，并将计算得到的信息传输给系统噪声方差矩阵更新单元；
其中，所述PV-RCNN算法是一种3D目标检测框架，采用的特征提取方式是利用3Dvoxel卷积和基于点的pointnet卷积方式，从点云数据中检测3D目标，并得到3D目标的置信度、类型以及距离车辆的距离信息。
所述温度传感器单元，包含两个温度传感器，分别安装在IMU和轮式里程计上，用于实时获取IMU和轮式里程计的温度信息，并将温度信息实时传递给系统噪声方差矩阵更新单元；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息和航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用该扩展卡尔曼滤波器单元中扩展卡尔曼滤波器将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，接收系统噪声方差矩阵更新单元发送的系统噪声方差矩阵，通过其对扩展卡尔曼滤波器单元中的扩展卡尔曼滤波器的系统噪声方差矩阵进行更新，并实时获取IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再使用更新后的扩展卡尔曼滤波器将从IMU单元和轮式里程计单元获取的信息进行融合，最终获得车辆的实时定位信息；
所述系统噪声方差矩阵更新单元，安装在车辆内部，接收激光雷达目标检测单元发送的车辆周围运动目标的数量和距离车辆距离信息，及温度传感器单元发送的轮式里程计和IMU的温度信息，并根据上述接收到的信息，使用噪声增益算法计算得到使扩展卡尔曼滤波器滤波效果最好的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，来替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵。
参照图1所示，本发明还提供一种复杂城市环境下的自动驾驶汽车定位方法，基于上述系统，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息，车辆周围3D目标的置信度、类型、距离车辆的距离信息，及IMU和轮式里程计的温度信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
具体地，所述步骤2)中使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure BDA0003636303630000081
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure BDA0003636303630000082
表示n-1时刻的航向角，Xn表示车辆在n时刻的状态量，
Figure BDA0003636303630000083
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure BDA0003636303630000084
表示n时刻的航向角，un表示n时刻系统的输入量，Zn表示车辆在n时刻的观测量，f(),h()分别表示状态转移方程与观测方程；
Figure BDA0003636303630000085
Figure BDA0003636303630000086
Figure BDA0003636303630000087
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定汽车状态量初始值
Figure BDA0003636303630000088
与系统概率协方差矩阵初始值
Figure BDA0003636303630000089
然后按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure BDA0003636303630000091
Figure BDA0003636303630000092
Figure BDA0003636303630000093
Figure BDA0003636303630000094
Figure BDA0003636303630000095
Figure BDA0003636303630000096
式中，
Figure BDA0003636303630000097
表示车辆在n时刻的先验状态估计量，
Figure BDA0003636303630000098
表示车辆在n时刻的后验状态估计量，
Figure BDA0003636303630000099
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure BDA00036363036300000910
表示系统n时刻的状态转移矩阵的转置，
Figure BDA00036363036300000911
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure BDA00036363036300000912
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure BDA00036363036300000913
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure BDA00036363036300000914
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure BDA00036363036300000915
即车辆的位置与航向角信息。
4)将车辆周围目标的数目和距离信息，及IMU和轮式里程计的温度信息发送给系统噪声方差矩阵更新单元，通过噪声增益算法得出此状态下使扩展卡尔曼滤波器滤波效果最佳的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵；更新后的扩展卡尔曼滤波器接收来IMU单元发送的瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的瞬时速度信息，将以上信息进行融合，得到在GPS缺失情况下的定位结果；
所述噪声增益算法具体如下：
Figure BDA0003636303630000101
Figure BDA0003636303630000102
Figure BDA0003636303630000103
Figure BDA0003636303630000104
Figure BDA0003636303630000105
Figure BDA0003636303630000106
Figure BDA0003636303630000107
Figure BDA0003636303630000108
Figure BDA0003636303630000109
式中，Δk-1,k表示从k-1时刻到k时刻的路况增益，αk表示k时刻的车辆影响权重系数，αk-1表示k-1时刻的车辆影响权重系数，βk表示k时刻的行人影响权重系数，βk-1表示k-1时刻的行人影响权重系数，n1表示k时刻激光雷达目标检测单元获取到的周围车辆数目，n2表示k时刻激光雷达目标检测单元获取到的周围行人数目，n3表示k-1时刻激光雷达目标检测单元获取到的周围车辆数目，n4表示k-1时刻激光雷达目标检测单元获取到的周围行人数目，
Figure BDA00036363036300001010
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure BDA00036363036300001011
表示k时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure BDA00036363036300001012
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure BDA00036363036300001013
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure BDA00036363036300001014
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure BDA0003636303630000111
表示k时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure BDA0003636303630000112
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure BDA0003636303630000113
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure BDA0003636303630000114
表示从k-1时刻到k时刻的IMU温度增益，
Figure BDA0003636303630000115
表示温度传感器单元获取到IMU在k时刻的温度，单位为华氏摄氏度，
Figure BDA0003636303630000116
表示温度传感器单元获取到IMU在k-1时刻的温度，单位为华氏摄氏度，
Figure BDA0003636303630000117
表示从k-1时刻到k时刻的轮式里程计温度增益，
Figure BDA0003636303630000118
表示温度传感器单元获取到轮式里程计在k时刻的温度，单位为华氏摄氏度，
Figure BDA0003636303630000119
表示温度传感器单元获取到轮式里程计在k-1时刻的温度，单位为华氏摄氏度，
Figure BDA00036363036300001110
表示从k-1时刻到k时刻的IMU增益系数，
Figure BDA00036363036300001111
表示从k-1时刻到k时刻的轮式里程计增益系数，θE表示环境影响因素权重，取值为0.7，θI表示IMU温度影响因素，取值为0.3，θW表示轮式里程计温度影响因素权重，取值为0.3；
设k-1时刻的系统噪声方差矩阵为Qk-1：
Figure BDA00036363036300001112
式中，ev,k-1为轮式里程计在k-1时刻的速度噪声，ea,k-1为IMU在k-1时刻的加速度噪声，eω为IMU在k-1时刻的角速度噪声；
则k时刻的系统噪声方差矩阵为Qk：
Figure BDA00036363036300001113
用所述系统噪声方差矩阵Qk替换扩展卡尔曼滤波器的原有矩阵，再使用更新后的扩展卡尔曼滤波器进行融合定位。
进一步验证所设计定位方法的定位准确性，选择一条道路进行实验验证，具体路径如图2所示，圈出的部分为缺失GPS信号部分。选取其中一条GPS信号缺失时的路径如图3所示，可以看到优化后的定位效果相较于优化前更贴近于参考路径。对五次GPS缺失时的定位数据进行分析：最大误差值如图4所示，可以看到优化后的定位最大误差值均小于优化前的定位最大误差值，最大误差值平均降低了45.32％；均方根误差值如图5所示，可以看到优化后的定位数据的均方根误差值均小于优化前的定位数据的均方根误差值，均方根误差值平均降低了32.58％。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种复杂城市环境下的自动驾驶汽车定位系统，其特征在于，包括：GPS单元、IMU单元、轮式里程计单元、激光雷达目标检测单元、温度传感器单元、扩展卡尔曼滤波器单元及系统噪声方差矩阵更新单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息和航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于获取车辆的瞬时速度信息，并将获得的瞬时速度信息实时发送给扩展卡尔曼滤波器单元；
所述激光雷达目标检测单元，安装在车辆顶部，用于实时获取车辆周围的点云数据，通过PV-CRNN算法计算出车辆周围运动目标的数量和距离车辆的距离信息，并将计算得到的信息传输给系统噪声方差矩阵更新单元；
所述温度传感器单元，用于实时获取IMU和轮式里程计的温度信息，并将温度信息实时传递给系统噪声方差矩阵更新单元；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息和航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用该扩展卡尔曼滤波器单元中扩展卡尔曼滤波器将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，接收系统噪声方差矩阵更新单元发送的系统噪声方差矩阵，通过其对扩展卡尔曼滤波器单元中的扩展卡尔曼滤波器的系统噪声方差矩阵进行更新，并实时获取IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再使用更新后的扩展卡尔曼滤波器将从IMU单元和轮式里程计单元获取的信息进行融合，最终获得车辆的实时定位信息；
所述系统噪声方差矩阵更新单元，安装在车辆内部，接收激光雷达目标检测单元发送的车辆周围运动目标的数量和距离车辆距离信息，及温度传感器单元发送的轮式里程计和IMU的温度信息，并根据上述接收到的信息，使用噪声增益算法计算得到使扩展卡尔曼滤波器滤波效果最好的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，来替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵。
2.根据权利要求1所述的复杂城市环境下的自动驾驶汽车定位系统，其特征在于，所述PV-RCNN算法是一种3D目标检测框架，采用的特征提取方式是利用3D voxel卷积和基于点的pointnet卷积方式，从点云数据中检测3D目标，并得到3D目标的置信度、类型以及距离车辆的距离信息。
3.一种复杂城市环境下的自动驾驶汽车定位方法，基于权利要求1-2中任意一项所述系统，其特征在于，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息，车辆周围3D目标的置信度、类型、距离车辆的距离信息，及IMU和轮式里程计的温度信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
4)将车辆周围目标的数目和距离信息，及IMU和轮式里程计的温度信息发送给系统噪声方差矩阵更新单元，通过噪声增益算法得出此状态下使扩展卡尔曼滤波器滤波效果最佳的系统噪声方差矩阵，并将其发送给扩展卡尔曼滤波器单元，替换扩展卡尔曼滤波器单元中扩展卡尔曼滤波器当前的系统噪声方差矩阵；利用更新后的扩展卡尔曼滤波器对IMU单元发送的瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的瞬时速度信息进行融合，得到在GPS缺失情况下的定位结果。
4.根据权利要求3所述的复杂城市环境下的自动驾驶汽车定位方法，其特征在于，所述步骤2)中使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
5.根据权利要求3所述的复杂城市环境下的自动驾驶汽车定位方法，其特征在于，所述步骤3)中使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure FDA0003636303620000021
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure FDA0003636303620000022
表示n-1时刻的航向角；Xn表示车辆在n时刻的状态量，
Figure FDA0003636303620000023
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure FDA0003636303620000024
表示n时刻的航向角；un表示n时刻系统的输入量；Zn表示车辆在n时刻的观测量；f(),h()分别表示状态转移方程与观测方程；
Figure FDA0003636303620000025
Figure FDA0003636303620000031
Figure FDA0003636303620000032
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定汽车状态量初始值
Figure FDA0003636303620000033
与系统概率协方差矩阵初始值
Figure FDA0003636303620000034
然后按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure FDA0003636303620000035
Figure FDA0003636303620000036
Figure FDA0003636303620000037
Figure FDA0003636303620000038
Figure FDA0003636303620000039
Figure FDA00036363036200000310
式中，
Figure FDA00036363036200000311
表示车辆在n时刻的先验状态估计量，
Figure FDA00036363036200000312
表示车辆在n时刻的后验状态估计量，
Figure FDA00036363036200000313
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure FDA00036363036200000314
表示系统n时刻的状态转移矩阵的转置，
Figure FDA00036363036200000315
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure FDA00036363036200000316
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure FDA00036363036200000317
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure FDA00036363036200000318
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure FDA0003636303620000041
即车辆的位置与航向角信息。
6.根据权利要求5所述的复杂城市环境下的自动驾驶汽车定位方法，其特征在于，所述步骤4)中的噪声增益算法具体如下：
Figure FDA0003636303620000042
Figure FDA0003636303620000043
Figure FDA0003636303620000044
Figure FDA0003636303620000045
Figure FDA0003636303620000046
Figure FDA0003636303620000047
Figure FDA0003636303620000048
Figure FDA0003636303620000049
Figure FDA00036363036200000410
式中，Δk-1,k表示从k-1时刻到k时刻的路况增益，αk表示k时刻的车辆影响权重系数，αk-1表示k-1时刻的车辆影响权重系数，βk表示k时刻的行人影响权重系数，βk-1表示k-1时刻的行人影响权重系数，n1表示k时刻激光雷达目标检测单元获取到的周围车辆数目，n2表示k时刻激光雷达目标检测单元获取到的周围行人数目，n3表示k-1时刻激光雷达目标检测单元获取到的周围车辆数目，n4表示k-1时刻激光雷达目标检测单元获取到的周围行人数目，
Figure FDA00036363036200000411
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure FDA00036363036200000412
表示k时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure FDA00036363036200000413
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标的置信度，
Figure FDA0003636303620000051
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标的置信度，
Figure FDA0003636303620000052
表示k时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure FDA0003636303620000053
表示k时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure FDA0003636303620000054
表示k-1时刻激光雷达目标检测单元获取到的第i个车辆目标距离自车的距离，
Figure FDA0003636303620000055
表示k-1时刻激光雷达目标检测单元获取到的第j个行人目标距离自车的距离，
Figure FDA0003636303620000056
表示从k-1时刻到k时刻的IMU温度增益，
Figure FDA0003636303620000057
表示温度传感器单元获取到IMU在k时刻的温度，单位为华氏摄氏度，
Figure FDA0003636303620000058
表示温度传感器单元获取到IMU在k-1时刻的温度，单位为华氏摄氏度，
Figure FDA0003636303620000059
表示从k-1时刻到k时刻的轮式里程计温度增益，
Figure FDA00036363036200000510
表示温度传感器单元获取到轮式里程计在k时刻的温度，单位为华氏摄氏度，
Figure FDA00036363036200000511
表示温度传感器单元获取到轮式里程计在k-1时刻的温度，单位为华氏摄氏度，
Figure FDA00036363036200000512
表示从k-1时刻到k时刻的IMU增益系数，
Figure FDA00036363036200000513
表示从k-1时刻到k时刻的轮式里程计增益系数，θE表示环境影响因素权重，取值为0.7，θI表示IMU温度影响因素，取值为0.3，θW表示轮式里程计温度影响因素权重，取值为0.3；
设k-1时刻的系统噪声方差矩阵为Qk-1：
Figure FDA00036363036200000514
式中，ev,k-1为轮式里程计在k-1时刻的速度噪声，ea,k-1为IMU在k-1时刻的加速度噪声，eω为IMU在k-1时刻的角速度噪声；
则k时刻的系统噪声方差矩阵为Qk：
Figure FDA00036363036200000515
用所述系统噪声方差矩阵Qk替换扩展卡尔曼滤波器的原有矩阵，再使用更新后的扩展卡尔曼滤波器进行融合定位。
CN202210506316.2A 2022-05-10 2022-05-10 一种复杂城市环境下的自动驾驶汽车定位系统及方法 Pending CN115046547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210506316.2A CN115046547A (zh) 2022-05-10 2022-05-10 一种复杂城市环境下的自动驾驶汽车定位系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506316.2A CN115046547A (zh) 2022-05-10 2022-05-10 一种复杂城市环境下的自动驾驶汽车定位系统及方法

Publications (1)

Publication Number Publication Date
CN115046547A true CN115046547A (zh) 2022-09-13

Family

ID=83157817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506316.2A Pending CN115046547A (zh) 2022-05-10 2022-05-10 一种复杂城市环境下的自动驾驶汽车定位系统及方法

Country Status (1)

Country Link
CN (1) CN115046547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068538A (zh) * 2023-04-06 2023-05-05 中汽研（天津）汽车工程研究院有限公司 一种用于批量式车辆激光雷达的可调节标定系统和方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068538A (zh) * 2023-04-06 2023-05-05 中汽研（天津）汽车工程研究院有限公司 一种用于批量式车辆激光雷达的可调节标定系统和方法

Similar Documents

Publication Publication Date Title
CN111307162B (zh) 用于自动驾驶场景的多传感器融合定位方法
CN106840179B (zh) 一种基于多传感器信息融合的智能车定位方法
CN106289275B (zh) 用于改进定位精度的单元和方法
JP6202151B2 (ja) モバイルコンピュータ大気圧システム
US8775063B2 (en) System and method of lane path estimation using sensor fusion
JP4964047B2 (ja) 位置検出装置及び位置検出方法
Jo et al. GPS-bias correction for precise localization of autonomous vehicles
US20180328744A1 (en) Travelling road information generation system of vehicle and on-board apparatus based on correction amount
US20120150437A1 (en) Systems and Methods for Precise Sub-Lane Vehicle Positioning
CN109343095B (zh) 一种车载导航车辆组合定位装置及其组合定位方法
TWI522258B (zh) Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method
CN112147651B (zh) 一种异步多车协同目标状态鲁棒估计方法
CN111536972B (zh) 一种基于里程计刻度系数修正的车载dr导航方法
CN110308470B (zh) 车辆定位方法及车辆定位系统
WO2024041156A1 (zh) 车辆定位校准方法、装置、计算机设备及存储介质
JP2021113047A (ja) 移動体制御装置、移動体制御方法、および、移動体制御装置用プログラム
CN112229422A (zh) 基于fpga时间同步的里程计快速标定方法及系统
KR20190040818A (ko) 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템
CN113405555B (zh) 一种自动驾驶的定位传感方法、系统及装置
CN115046547A (zh) 一种复杂城市环境下的自动驾驶汽车定位系统及方法
CN114264301A (zh) 车载多传感器融合定位方法、装置、芯片及终端
JP2019174191A (ja) データ構造、情報送信装置、制御方法、プログラム及び記憶媒体
CN115046546A (zh) 一种基于车道线识别的自动驾驶汽车定位系统及方法
WO2019188820A1 (ja) 情報送信装置、データ構造、制御方法、プログラム及び記憶媒体
CN113063441B (zh) 里程计累计推算误差的数据源纠正方法及装置

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