CN115728800A - 车载定位系统、方法以及存储介质 - Google Patents
车载定位系统、方法以及存储介质 Download PDFInfo
- Publication number
- CN115728800A CN115728800A CN202111003973.7A CN202111003973A CN115728800A CN 115728800 A CN115728800 A CN 115728800A CN 202111003973 A CN202111003973 A CN 202111003973A CN 115728800 A CN115728800 A CN 115728800A
- Authority
- CN
- China
- Prior art keywords
- gnss
- positioning
- data
- vehicle
- machine learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本公开提供了一种车载定位系统、方法以及存储介质，其中的系统包括：位置信息采集模块，用于获取GNSS定位数据；运行信息采集模块，用于采集运行数据并进行滤波处理；模型训练模块，用于根据GNSS定位数据和对应的运行数据对机器学习模型进行训练；定位信息生成模块，用于判断GNSS定位数据是否能够满足定位要求，如果是，则根据GNSS定位数据生成车辆的定位信息，如果否，则使用机器学习模型并根据GNSS定位历史数据和运行数据生成定位信息。本公开的系统、方法以及存储介质，通过GNSS正常工作时采集的大量样本数据训练机器学习模型，在GNSS失效时，通过该机器学习模型输出高精度定位数据，从而提高组合导航的精度。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种车载定位系统、方法以及存储介质。
背景技术
智能网联汽车运行环境复杂，且需要具有安全、舒适、节能、高效行驶等功能。目前，汽车定位与导航系统主要采用GNSS结合惯性导航系统(INS)的GNSS/INS组合导航模式。但是，GNSS/INS组合导航模式实现无缝定位是比较困难的，无法满足当前智能汽车的高精度定位与导航的需求。
发明内容
有鉴于此，本发明要解决的一个技术问题是提供一种车载定位系统、方法以及存储介质。
根据本公开的第一方面，提供一种车载定位系统，包括：位置信息采集模块，用于从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据；运行信息采集模块，用于采集车辆的运行数据并对所述运行数据进行滤波处理；模型训练模块，用于构建机器学习模型，根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练；定位信息生成模块，用于判断所述GNSS定位数据是否能够满足定位要求，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则使用所述机器学习模型并根据GNSS定位历史数据和所述运行数据生成所述定位信息。
可选地，所述运行信息采集模块，用于获取车载传感器采集的所述运行数据；其中，所述运行数据包括：车速和车辆姿态数据。
可选地，所述运行信息采集模块，用于使用滤波器对所述运行数据进行滤波处理；其中，所述滤波器包括：卡尔曼滤波器。
可选地，所述位置信息采集模块包括：GNSS天线和GNSS接收机；其中，所述GNSS天线用于接收GNSS卫星信号；所述GNSS接收机用于根据所述GNSS卫星信号输出所述GNSS定位数据；其中，所述GNSS定位数据包括：经度、维度数据。
可选地，所述模型训练模块，用于在所述GNSS天线接收的GNSS卫星信号满足定位条件时，根据所述GNSS接收机输出的所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练。
可选地，所述定位信息生成模块，用于判断所述GNSS天线接收的GNSS卫星信号是否满足定位条件，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则将所述GNSS定位历史数据和当前的运行数据输入所述机器学习模型，以使所述机器学习模型生成所述定位信息。
可选地，所述机器学习模型包括：RNN模型。
根据本公开的第二方面，提供一种车载定位方法，包括：位置信息采集模块从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据；运行信息采集模块采集车辆的运行数据并对所述运行数据进行滤波处理；模型训练模块构建机器学习模型，根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练；定位信息生成模块判断所述GNSS定位数据是否能够满足定位要求，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则使用所述机器学习模型并根据GNSS定位历史数据和所述运行数据生成所述定位信息。
可选地，所述运行信息采集模块采集车辆的运行数据包括：所述运行信息采集模块获取车载传感器采集的所述运行数据；其中，所述运行数据包括：车速和车辆姿态数据。
可选地，所述对所述运行数据进行滤波处理包括：所述运行信息采集模块使用滤波器对所述运行数据进行滤波处理；其中，所述滤波器包括：卡尔曼滤波器。
可选地，所述位置信息采集模块包括：GNSS天线和GNSS接收机；所述GNSS天线用于接收GNSS卫星信号；所述GNSS接收机用于根据所述GNSS卫星信号输出所述GNSS定位数据；其中，所述GNSS定位数据包括：经度、维度数据。
可选地，所述根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练包括：所述模型训练模块在所述GNSS天线接收的GNSS卫星信号满足定位条件时，根据所述GNSS接收机输出的所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练。
可选地，所述定位信息生成模块判断所述GNSS天线接收的GNSS卫星信号是否满足定位条件；如果是，则根据所述GNSS定位数据生成车辆的定位信息；如果否，则将所述GNSS定位历史数据和当前的运行数据输入所述机器学习模型，以使所述机器学习模型生成所述定位信息。
可选地，所述机器学习模型包括：RNN模型。
根据本公开的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。
本公开的车载定位系统、方法以及存储介质，通过GNSS正常工作时采集的大量样本数据训练机器学习模型，在GNSS失效时，通过该机器学习模型输出高精度定位数据，从而提高组合导航的精度，使得在卫星信号是否正常或非正常的状态下，均可以输出高精度的定位数据，适用于多种场景下的车载定位，提高用户的使用感受度。
附图说明
为了更清楚地说明本公开实施例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，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为根据本公开的车载定位系统的一个实施例的模块示意图；
图2为根据本公开的车载定位系统的一个实施例的运行原理示意图；
图3为根据本公开的车载定位系统的一个实施例的定位原理示意图；
图4为根据本公开的车载定位方法的一个实施例的流程示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
在一个实施例中，如图1所示，本公开提供一种车载定位系统，安装在智能汽车内。车载定位系统包括位置信息采集模块11、运行信息采集模块12、模型训练模块13和定位信息生成模块14。位置信息采集模块11从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据。运行信息采集模块12采集车辆的运行数据并对运行数据进行滤波处理。
模型训练模块13构建机器学习模型，根据GNSS定位数据和对应的运行数据对机器学习模型进行训练。定位信息生成模块14判断GNSS定位数据是否能够满足定位要求，如果是，则定位信息生成模块14根据GNSS定位数据生成车辆的定位信息，如果否，则定位信息生成模块14使用机器学习模型并根据GNSS定位历史数据和运行数据生成定位信息。机器学习模型可以为多种模型，例如为现有的RNN(Recurrent Neural Network，循环神经网络)模型等。
上述实施例中的车载定位系统，获取基于GNSS(Global Navigation SatelliteSystem，全球卫星导航系统)/惯性导航系统INS组合导航的定位数据，通过GNSS正常工作时采集的大量样本数据训练机器学习模型，在GNSS失效时，通过该机器学习模型输出高精度定位数据，从而提高组合导航系统的精度。
在一个实施例中，运行信息采集模块12获取车载传感器采集的运行数据，运行数据包括车速和车辆姿态数据等。车载传感器可以有多种，包括车速传感器、角度传感器等。运行信息采集模块12使用滤波器对运行数据进行滤波处理，滤波器包括卡尔曼滤波器等。
位置信息采集模块11包括GNSS天线和GNSS接收机；GNSS天线用于接收GNSS卫星信号；GNSS接收机用于根据GNSS卫星信号输出GNSS定位数据，GNSS定位数据包括经度、维度数据。
在一个实施例中，以GNSS卫星定位技术为主，结合RTK(real-time kinematic，载波相位动态实时差分)等辅助定位技术来获取车辆的定位信息。位置信息采集模块11包括RTK基站，通过现有的RTK技术进行定位。RTK定位技术是建立在流动站与基准站误差非常类似的基础上，利用GPS载波相位观测值进行实时动态定位。
在一个实施例中，模型训练模块13在GNSS天线接收的GNSS卫星信号满足定位条件时，根据GNSS接收机输出的GNSS定位数据和对应的运行数据对机器学习模型进行训练。例如，将GNSS定位数据、对应的运行数据和车辆的经纬度信息作为训练样本并进行标注，基于训练样本对RNN模型进行训练。
判断GNSS卫星信号满足定位条件可以采用多种判断规则。例如，判断规则为：如果没有接收到GNSS卫星信号、GNSS卫星信号的强度低于阈值或对于GNSS卫星信号的校验发生错误，则判断GNSS卫星信号不满足定位条件。
定位信息生成模块14判断GNSS天线接收的GNSS卫星信号是否满足定位条件，如果是，则根据GNSS定位数据生成车辆的定位信息，如果否，则将GNSS定位历史数据和当前的运行数据输入机器学习模型，以使机器学习模型生成定位信息。例如，将GNSS定位历史数据和当前的运行数据输入RNN模型,获得RNN模型输出的定位信息。
在一个实施例中，位置信息采集模块11包括GNSS天线、RTK基站和GNSS接收机等，用于采集车辆经度、纬度等位置数据。卡尔曼滤波器把GNSS的位置估计拉回真实值，同时保证惯性导航的估计不被GNSS定位的快速跳跃和噪声所干扰，并采集速度和姿态等数据信息。RNN模型根据采集的定位数据，建立学习模型。如图2所示，车载定位系统能够在GNSS卫星信号正常和不正常两种模式下工作：
卫星正常模式：当GNSS天线能够接收满足定位条件的卫星信号时，GNSS接收机能够输出高精度定位数据。RNN模型的输入包括GNSS接收机的某历史高精度定位数据、速度、姿态，RNN模型的输出为当前GNSS接收机输出的高精度定位数据，RNN模型更新输入和输出以训练模型参数。
卫星不正常模式：当GNSS天线接收到的定位卫星信号不能满足定位条件时，GNSS接收机不能输出高精度定位数据。将以GNSS接收机某历史高精度定位数据、速度、姿态为输入参数，输入在正常模式下训练的RNN模型，得到高精度定位数据。
在一个实施例中，如图3所示，元计算中心可以将RNN模型下发给智能汽车。采用GNSS的测量数据对INS的预测数据进行修正，同时对RNN模型进行同步训练。一旦出现因遮挡物或者高速运动导致GNSS失效的情况，INS因其属性还能正常工作。失效前一时刻的GNSS数据为滤波的初始值，其相当于准确值，因此可以避免INS的精度因导航时间长而导致的发散。
在GNSS失效时段，采用人工神经网络的方法，根据INS当前的输出来预测INS当前的误差，然后采用预测值对INS输出结果的进行校正。由于人工神经网络能有效抑制GNSS中断期间INS误差的积累，相对于卡尔曼滤波算法，RNN模型更能提高GNSS中断时的定位精度。
图4为根据本公开的车载定位方法的一个实施例的流程示意图，如图4所示：
步骤401，位置信息采集模块从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据。
步骤402，运行信息采集模块采集车辆的运行数据并对运行数据进行滤波处理。
步骤403，模型训练模块构建机器学习模型，根据GNSS定位数据和对应的运行数据对机器学习模型进行训练。机器学习模型包括RNN模型等。
步骤404，定位信息生成模块判断GNSS定位数据是否能够满足定位要求，如果是，则根据GNSS定位数据生成车辆的定位信息，如果否，则使用机器学习模型并根据GNSS定位历史数据和运行数据生成定位信息。
在一个实施例中，运行信息采集模块获取车载传感器采集的运行数据，运行数据包括车速和车辆姿态数据等。运行信息采集模块使用滤波器对运行数据进行滤波处理，滤波器包括卡尔曼滤波器等。
位置信息采集模块包括GNSS天线和GNSS接收机。GNSS天线用于接收GNSS卫星信号，GNSS接收机用于根据GNSS卫星信号输出GNSS定位数据，GNSS定位数据包括经度、维度数据。
模型训练模块在GNSS天线接收的GNSS卫星信号满足定位条件时，根据GNSS接收机输出的GNSS定位数据和对应的运行数据对机器学习模型进行训练。
定位信息生成模块判断GNSS天线接收的GNSS卫星信号是否满足定位条件；如果是，则根据GNSS定位数据生成车辆的定位信息；如果否，则将GNSS定位历史数据和当前的运行数据输入机器学习模型，以使机器学习模型生成定位信息。
在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的方法。
上述实施例中的车载定位系统、方法以及存储介质，通过GNSS正常工作时采集的大量样本数据训练机器学习模型，在GNSS失效时，通过该机器学习模型输出高精度定位数据，从而提高组合导航的精度，使得在卫星信号是否正常或非正常的状态下，均可以输出高精度的定位数据，适用于多种场景下的车载定位，提高用户的使用感受度。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (15)
1.一种车载定位系统，包括：
位置信息采集模块，用于从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据；
运行信息采集模块，用于采集车辆的运行数据并对所述运行数据进行滤波处理；
模型训练模块，用于构建机器学习模型，根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练；
定位信息生成模块，用于判断所述GNSS定位数据是否能够满足定位要求，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则使用所述机器学习模型并根据GNSS定位历史数据和所述运行数据生成所述定位信息。
2.如权利要求1所述的系统，其中，
所述运行信息采集模块，用于获取车载传感器采集的所述运行数据；其中，所述运行数据包括：车速和车辆姿态数据。
3.如权利要求1所述的系统，其中，
所述运行信息采集模块，用于使用滤波器对所述运行数据进行滤波处理；其中，所述滤波器包括：卡尔曼滤波器。
4.如权利要求1所述的系统，其中，
所述位置信息采集模块包括：GNSS天线和GNSS接收机；其中，所述GNSS天线用于接收GNSS卫星信号；所述GNSS接收机用于根据所述GNSS卫星信号输出所述GNSS定位数据；其中，所述GNSS定位数据包括：经度、维度数据。
5.如权利要求4所述的系统，其中，
所述模型训练模块，用于在所述GNSS天线接收的GNSS卫星信号满足定位条件时，根据所述GNSS接收机输出的所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练。
6.如权利要求5所述的系统，其中，
所述定位信息生成模块，用于判断所述GNSS天线接收的GNSS卫星信号是否满足定位条件，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则将所述GNSS定位历史数据和当前的运行数据输入所述机器学习模型，以使所述机器学习模型生成所述定位信息。
7.如权利要求1至6任一项所述的系统，其中，
所述机器学习模型包括：RNN模型。
8.一种车载定位方法，包括：
位置信息采集模块从全球卫星定位系统GNSS卫星获取车辆的GNSS定位数据；
运行信息采集模块采集车辆的运行数据并对所述运行数据进行滤波处理；
模型训练模块构建机器学习模型，根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练；
定位信息生成模块判断所述GNSS定位数据是否能够满足定位要求，如果是，则根据所述GNSS定位数据生成车辆的定位信息，如果否，则使用所述机器学习模型并根据GNSS定位历史数据和所述运行数据生成所述定位信息。
9.如权利要求8所述的方法，所述运行信息采集模块采集车辆的运行数据包括：
所述运行信息采集模块获取车载传感器采集的所述运行数据；其中，所述运行数据包括：车速和车辆姿态数据。
10.如权利要求8所述的方法，所述对所述运行数据进行滤波处理包括：
所述运行信息采集模块使用滤波器对所述运行数据进行滤波处理；其中，所述滤波器包括：卡尔曼滤波器。
11.如权利要求8所述的方法，其中，所述位置信息采集模块包括：GNSS天线和GNSS接收机；所述GNSS天线用于接收GNSS卫星信号；所述GNSS接收机用于根据所述GNSS卫星信号输出所述GNSS定位数据；其中，所述GNSS定位数据包括：经度、维度数据。
12.如权利要求11所述的方法，所述根据所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练包括：
所述模型训练模块在所述GNSS天线接收的GNSS卫星信号满足定位条件时，根据所述GNSS接收机输出的所述GNSS定位数据和对应的运行数据对所述机器学习模型进行训练。
13.如权利要求12所述的方法，还包括：
所述定位信息生成模块判断所述GNSS天线接收的GNSS卫星信号是否满足定位条件；
如果是，则根据所述GNSS定位数据生成车辆的定位信息；
如果否，则将所述GNSS定位历史数据和当前的运行数据输入所述机器学习模型，以使所述机器学习模型生成所述定位信息。
14.如权利要求8至13任一项所述的方法，其中，
所述机器学习模型包括：RNN模型。
15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如权利要求8至14中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111003973.7A CN115728800A (zh) | 2021-08-30 | 2021-08-30 | 车载定位系统、方法以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111003973.7A CN115728800A (zh) | 2021-08-30 | 2021-08-30 | 车载定位系统、方法以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115728800A true CN115728800A (zh) | 2023-03-03 |
Family
ID=85290731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111003973.7A Pending CN115728800A (zh) | 2021-08-30 | 2021-08-30 | 车载定位系统、方法以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115728800A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706583A (zh) * | 2023-12-29 | 2024-03-15 | 无锡物联网创新中心有限公司 | 一种高精度定位方法及系统 |
-
2021
- 2021-08-30 CN CN202111003973.7A patent/CN115728800A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706583A (zh) * | 2023-12-29 | 2024-03-15 | 无锡物联网创新中心有限公司 | 一种高精度定位方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111886519B (zh) | 定位系统、方法和介质 | |
| EP3338105B1 (en) | Method for accelerometer-assisted navigation | |
| KR101535873B1 (ko) | 위성측위시스템과 추측 항법을 융합한 차량 위치 추정 시스템 및 방법 | |
| JP4964047B2 (ja) | 位置検出装置及び位置検出方法 | |
| US20140333479A1 (en) | Method for selecting a satellite | |
| US10771937B2 (en) | Emergency notification apparatus | |
| CN110388913A (zh) | 基于减速带的定位增强 | |
| CN107076559B (zh) | 用于匹配导航系统的方法和系统 | |
| CN110546529A (zh) | 操作驾驶辅助系统的方法和具有适于实施该方法的驾驶辅助系统的车辆 | |
| CN113252048B (zh) | 一种导航定位方法、导航定位系统及计算机可读存储介质 | |
| CN110203253A (zh) | 一种非固定式虚拟应答器实现方法 | |
| CN104280029A (zh) | 确定交通工具本身位置的至少一个状态参量的方法和设备 | |
| CN114274972A (zh) | 自主驾驶环境中的场景识别 | |
| JP2016218015A (ja) | 車載センサ補正装置、自己位置推定装置、プログラム | |
| CN108254775A (zh) | 车载导航系统及其实现方法 | |
| Ramjattan et al. | A Kalman filter model for an integrated land vehicle navigation system | |
| CN114545472A (zh) | 一种gnss/ins组合系统的导航方法和装置 | |
| Roth et al. | Map-supported positioning enables in-service condition monitoring of railway tracks | |
| CN109444928B (zh) | 一种定位方法及系统 | |
| CN115728800A (zh) | 车载定位系统、方法以及存储介质 | |
| CN103781641B (zh) | 用于过滤机动车的轮胎压力监控系统中的数据的方法 | |
| CN114968187A (zh) | 用于自动驾驶系统的感知系统开发的平台 | |
| JP2012211844A (ja) | 端末位置判定装置および端末位置判定システム | |
| RU2667672C2 (ru) | Усовершенствованный способ определения положения и/или скорости направляемого транспортного средства, соответствующая система | |
| WO2010101199A1 (ja) | 道路交通情報作成装置および道路交通情報作成方法 |
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 |