CN115320632A - 一种基于ai算法的自动驾驶重卡汽车 - Google Patents
一种基于ai算法的自动驾驶重卡汽车 Download PDFInfo
- Publication number
- CN115320632A CN115320632A CN202210877544.0A CN202210877544A CN115320632A CN 115320632 A CN115320632 A CN 115320632A CN 202210877544 A CN202210877544 A CN 202210877544A CN 115320632 A CN115320632 A CN 115320632A
- Authority
- CN
- China
- Prior art keywords
- data
- data information
- algorithm
- heavy truck
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
Abstract
本发明属于无人驾驶汽车技术领域,具体是一种基于AI算法的自动驾驶重卡汽车。重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息。为了保证数据的可靠性,本发明对疑似数据信息进行二次分析,如判断为缺陷数据信息则作出标记并上传至云端服务器。云端服务器立即远程停止重卡汽车的自动驾驶,保证车辆的安全,并提示工人现场维护。与传统的自动驾驶技术相比,本发明的技术方案具有预判功能,可以较好的服务于矿山的重卡汽车运输工作。本发明的技术适合在相关领域推广应用。
Description
技术领域
本发明属于无人驾驶汽车技术领域,具体是一种基于AI算法的自动驾驶重卡汽车。
背景技术
随着AI算法技术的不断成熟,应用范围也越来越广泛。将AI技术应用在无人驾驶领域是未来发展的方向。由于矿山的运输作业环境较差,人员驾驶重卡汽车在矿山行驶十分危险,故AI技术应用在无人驾驶领域显得尤为迫切。
实际中,矿山的道路地貌变化很快,遇到泥石流,山体垮塌的现象也很频繁。矿山的驾驶员经常遇到矿山断路的情况发生,不仅严重威胁驾驶员的生命健康,也大大降低了工作效率。在大数据的今天,应该通过技术手段尽量方便重卡汽车安全的行驶在道路上。
发明内容
本发明的目的是针对现有技术中存在的问题,提出一种基于AI算法,具有预警功能的自动驾驶重卡汽车。
本发明基于AI算法,重卡汽车自动驾驶的步骤包括:
步骤一:重卡汽车在开始自动驾驶前,对周围环境拍摄并进行数据采集;
步骤二:重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息;
步骤三:对疑似数据信息进行二次分析,并判断是否为缺陷数据信息;
步骤四:在步骤三的基础上,如判断为缺陷数据信息则作出标记并上传至云端服务器;如判断为预设数据阈值范围内的数据信息,则为正常数据信息。
步骤五:云端服务器对生成的缺陷数据信息进行处理并远程停止重卡汽车的自动驾驶。
优选的,所述步骤一中,对周围的不同场景分别拍摄,并将场景生成数据分类标注,选择适合该场景的识别算法。
优选的,不同场景生成的数据用Pascal VOC数据集,采用步骤二中的AI算法对采集的数据与原始记载数据进行比对,判断出疑似数据信息。
优选的,所述原始记载数据包括图片数据和数值数据;所述AI算法包括CNN卷积神经网络或RNN卷积神经网络,采用CNN+LSTM作为场景识别算法。
优选的,所述数值数据包括道路陡坡角度、路口周围路障、道路坐标数据。
优选的,对疑似数据信息进行二次分析,如判断为缺陷数据信息则作出标记并上传至云端服务器。
优选的,所述二次分析的方法是,将采集的数据与原始记载数据进行比对,原始记载数据的预设数据阈值正负偏差变量10个单位。
优选的,二次分析,如判断为预设数据阈值范围内的数据信息,则为正常数据信息,采集的数据覆盖原始记载数据。
优选的,云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
优选的,云端处理器接收到的缺陷数据信息包括标记为山体、道路发生破坏的图片信息,标记为道路陡坡角度、道路坐标数据发生改变的数值信息。
本发明是基于AI算法,具有预警功能的自动驾驶重卡汽车。重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息。为了保证数据的可靠性,本发明对疑似数据信息进行二次分析,如判断为缺陷数据信息则作出标记并上传至云端服务器。云端服务器立即远程停止重卡汽车的自动驾驶,保证车辆的安全,并提示工人现场维护。与传统的自动驾驶技术相比,本发明的技术方案具有预判功能,可以较好的服务于矿山的重卡汽车运输工作。本发明的技术适合在相关领域推广应用。
附图说明
为了更清楚地说明本申请实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明基于AI算法自动驾驶重卡汽车流程示意图;
图2是本发明自动驾驶重卡汽车采集的数据与原始记载数据比对示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
为使本申请实施方式的目的、技术方案和优点更加清楚,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
因此,以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
实施例一
如图1所示,本发明基于AI算法,重卡汽车自动驾驶的步骤包括:
步骤一:重卡汽车在开始自动驾驶前,对周围环境拍摄并进行数据采集;
步骤二:重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息;
步骤三:对疑似数据信息进行二次分析,并判断是否为缺陷数据信息;
步骤四:在步骤三的基础上,如判断为缺陷数据信息则作出标记并上传至云端服务器;如判断为预设数据阈值范围内的数据信息,则为正常数据信息。
步骤五:云端服务器对生成的缺陷数据信息进行处理并远程停止重卡汽车的自动驾驶。
实施例二
如图1、图2所示,本发明基于AI算法,重卡汽车自动驾驶的步骤包括:
步骤一:重卡汽车在开始自动驾驶前,对周围环境拍摄并进行数据采集。
具体的,对周围的不同场景分别拍摄,并将场景生成数据分类标注,选择适合该场景的识别算法。
进一步的,不同场景生成的数据用Pascal VOC数据集。
步骤二:重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息。
具体的,对采集的数据与原始记载数据进行比对,判断出疑似数据信息。
进一步的,所述原始记载数据包括图片数据和数值数据;所述AI算法包括CNN卷积神经网络或RNN卷积神经网络,采用CNN+LSTM作为场景识别算法。
具体的,采用CNN型算法时,输入的图像为单张图像。采用RNN型算法时,输入的图像为多张连续图像。
进一步的,所述数值数据包括道路陡坡角度、路口周围路障、道路坐标数据。
步骤三:对疑似数据信息进行二次分析,并判断是否为缺陷数据信息。
具体的,所述二次分析的方法是,将采集的数据与原始记载数据进行比对,原始记载数据的预设数据阈值正负偏差变量10个单位。
步骤四:如判断为缺陷数据信息则作出标记并上传至云端服务器;如判断为预设数据阈值范围内的数据信息,则为正常数据信息。
具体的,二次分析,如判断为预设数据阈值范围内的数据信息,则为正常数据信息,采集的数据覆盖原始记载数据。
步骤五:云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
具体的,云端处理器接收到的缺陷数据信息包括标记为山体、道路发生破坏的图片信息,标记为道路陡坡角度、道路坐标数据发生改变的数值信息。
基于以上技术方案,举例说明。自动驾驶重卡汽车行驶至路途中,如遇前方发生山体滑坡。山石堆积在公路上,断路无法通行。自动驾驶重卡对周围环境进行拍摄,采集道路陡坡角度、路口周围路障、道路坐标数据。采集的数据与原始记载数据进行比对,判断出疑似数据信息。再进行二次分析,将道路陡坡角度、路口周围路障、道路坐标数据的原始记载数据预设数据阈值分别增加10个变量单位。这时,如采集的数据在预设数据阈值范围内,则判断为正常数据信息,采集的数据覆盖原始记载数据。如采集的数据不在预设数据阈值范围内,则道路损毁严重,重卡汽车无法行驶。云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
实施例三
如图1、图2所示,本发明基于AI算法,重卡汽车自动驾驶的步骤包括:
步骤一:重卡汽车在开始自动驾驶前,对周围环境拍摄并进行数据采集。
具体的,对周围的不同场景分别拍摄,并将场景生成数据分类标注,选择适合该场景的识别算法。
进一步的,不同场景生成的数据用Pascal VOC数据集。
步骤二:重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息。
具体的,对采集的数据与原始记载数据进行比对,判断出疑似数据信息。
进一步的,所述原始记载数据包括图片数据和数值数据;所述AI算法包括CNN卷积神经网络或RNN卷积神经网络,采用CNN+LSTM作为场景识别算法。
具体的,采用CNN型算法时,输入的图像为单张图像。采用RNN型算法时,输入的图像为多张连续图像。
进一步的,所述数值数据包括道路陡坡角度、路口周围路障、道路坐标数据。
步骤三:对疑似数据信息进行二次分析,并判断是否为缺陷数据信息;
具体的,所述二次分析的方法是,将采集的数据与原始记载数据进行比对,原始记载数据的预设数据阈值正负偏差变量10个单位。
步骤四:如判断为缺陷数据信息则作出标记并上传至云端服务器;如判断为预设数据阈值范围内的数据信息,则为正常数据信息。
具体的,二次分析,如判断为预设数据阈值范围内的数据信息,则为正常数据信息,采集的数据覆盖原始记载数据。
步骤五:云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
具体的,云端处理器接收到的缺陷数据信息包括标记为山体、道路发生破坏的图片信息,标记为道路陡坡角度、道路坐标数据发生改变的数值信息。
基于以上技术方案,举例说明。自动驾驶重卡汽车行驶至路途中,如遇前方发生道路塌陷,断路无法通行。自动驾驶重卡对周围环境进行拍摄,采集道路陡坡角度、路口周围路障、道路坐标数据。采集的数据与原始记载数据进行比对,判断出疑似数据信息。再进行二次分析,将道路陡坡角度、路口周围路障、道路坐标数据的原始记载数据预设数据阈值分别减少10个变量单位。这时,如采集的数据在预设数据阈值范围内,则判断为正常数据信息,采集的数据覆盖原始记载数据。如采集的数据不在预设数据阈值范围内,则道路损毁严重,重卡汽车无法行驶。云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
本发明是基于AI算法,具有预警功能的自动驾驶重卡汽车。重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息。为了保证数据的可靠性,本发明对疑似数据信息进行二次分析,如判断为缺陷数据信息则作出标记并上传至云端服务器。云端服务器立即远程停止重卡汽车的自动驾驶,保证车辆的安全,并提示工人现场维护。与传统的自动驾驶技术相比,本发明的技术方案具有预判功能,可以较好的服务于矿山的重卡汽车运输工作。
对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下,在其他实施例中实现。因此,本发明实施例将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上仅为本发明实施例的较佳实施例而已,并不用以限制本发明实施例,凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于AI算法的自动驾驶重卡汽车,其特征在于:重卡汽车自动驾驶的步骤包括:
步骤一:重卡汽车在开始自动驾驶前,对周围环境拍摄并进行数据采集;
步骤二:重卡汽车行驶过程中,对周围环境拍摄并进行数据采集,通过AI算法对采集的数据进行分析并判断出疑似数据信息;
步骤三:对疑似数据信息进行二次分析,并判断是否为缺陷数据信息;
步骤四:在步骤三的基础上,如判断为缺陷数据信息则作出标记并上传至云端服务器;如判断为预设数据阈值范围内的数据信息,则为正常数据信息;
步骤五:云端服务器对生成的缺陷数据信息进行处理并远程停止重卡汽车的自动驾驶。
2.根据权利要求1所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,所述步骤一中,对周围的不同场景分别拍摄,并将场景生成数据分类标注,选择适合该场景的识别算法。
3.根据权利要求2所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,不同场景生成的数据用Pascal VOC数据集,采用步骤二中的AI算法对采集的数据与原始记载数据进行比对,判断出疑似数据信息。
4.根据权利要求3所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,所述原始记载数据包括图片数据和数值数据;所述AI算法包括CNN卷积神经网络或RNN卷积神经网络,采用CNN+LSTM作为场景识别算法。
5.根据权利要求4所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,所述数值数据包括道路陡坡角度、路口周围路障、道路坐标数据。
6.根据权利要求3所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,对疑似数据信息进行二次分析,如判断为缺陷数据信息则作出标记并上传至云端服务器。
7.根据权利要求6所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,所述二次分析的方法是,将采集的数据与原始记载数据进行比对,原始记载数据的预设数据阈值正负偏差变量10个单位。
8.根据权利要求6所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,二次分析,如判断为预设数据阈值范围内的数据信息,则为正常数据信息,采集的数据覆盖原始记载数据。
9.根据权利要求6所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,云端服务器接收到带有标记的缺陷数据信息,并发出预警警报,云端服务器立即远程停止重卡汽车的自动驾驶,提示工人现场维护。
10.根据权利要求9所述的一种基于AI算法的自动驾驶重卡汽车,其特征在于,云端处理器接收到的缺陷数据信息包括标记为山体、道路发生破坏的图片信息,标记为道路陡坡角度、道路坐标数据发生改变的数值信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210877544.0A CN115320632A (zh) | 2022-07-25 | 2022-07-25 | 一种基于ai算法的自动驾驶重卡汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210877544.0A CN115320632A (zh) | 2022-07-25 | 2022-07-25 | 一种基于ai算法的自动驾驶重卡汽车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115320632A true CN115320632A (zh) | 2022-11-11 |
Family
ID=83920329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210877544.0A Withdrawn CN115320632A (zh) | 2022-07-25 | 2022-07-25 | 一种基于ai算法的自动驾驶重卡汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115320632A (zh) |
-
2022
- 2022-07-25 CN CN202210877544.0A patent/CN115320632A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106652551B (zh) | 一种车位检测方法及设备 | |
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
KR101735365B1 (ko) | 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법 | |
CN107301777A (zh) | 基于视频检测技术的车辆违章变道检测方法 | |
CN110738857A (zh) | 一种车辆违章取证方法、装置及设备 | |
CN114758322B (zh) | 基于机器识别的道路质量检测系统 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN107578012A (zh) | 一种基于聚类算法选择敏感区域的驾驶辅助系统 | |
CN110688954A (zh) | 一种基于向量运算的车辆变道检测方法 | |
CN111610191B (zh) | 一种道路检测与修复系统 | |
CN111967384A (zh) | 车辆信息处理方法、装置、设备及计算机可读存储介质 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
US20210397187A1 (en) | Method and system for operating a mobile robot | |
KR102296471B1 (ko) | 인공지능 기반 차량 적재불량 검출 시스템 | |
CN114170252A (zh) | 一种基于机器视觉的集卡车头防砸保护系统及方法 | |
CN112489125A (zh) | 一种堆场行人自动检测方法及装置 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN115320632A (zh) | 一种基于ai算法的自动驾驶重卡汽车 | |
CN113553953B (zh) | 车辆抛物检测方法、装置、电子装置及可读存储介质 | |
CN116255997A (zh) | 基于视觉导航单元的实时车道检测动态校验系统 | |
Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
US20220084325A1 (en) | Robotic vehicle inspection | |
Wang et al. | Detection of lane lines on both sides of road based on monocular camera | |
CN113724500B (zh) | 叉车坡道违规行驶预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221111 |