CN116777183B - 无人船集群智能调度方法及系统 - Google Patents
无人船集群智能调度方法及系统 Download PDFInfo
- Publication number
- CN116777183B CN116777183B CN202311037014.6A CN202311037014A CN116777183B CN 116777183 B CN116777183 B CN 116777183B CN 202311037014 A CN202311037014 A CN 202311037014A CN 116777183 B CN116777183 B CN 116777183B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- vector
- timing
- resistance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 213
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 287
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/004—Indicating the operating range of the engine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种无人船集群智能调度方法及系统。其首先响应于检测到水域异常区域,指定待调度无人船,接着,获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值,然后,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。这样,可以通过机器学习算法来捕捉风速、风向、水流速度和水流方向对每公里能耗的影响系数,从而能够基于更为精准的每公里能耗值来对待调度无人船的剩余电量进行评估,以确保其能够满足巡航任务。
Description
技术领域
本申请涉及智能调度领域,且更为具体地,涉及一种无人船集群智能调度方法及系统。
背景技术
随着技术的发展,通过无人船来实现全天候水域监测成为可能。当待监控水域面积比较大,单船无法完成整个区域监控的巡航任务,需要将整个区域分成若干块,每块区域的无人船按照设定的编队顺序和规划的巡航轨迹进行巡航监控。
正常监控任务的无人船巡航轨迹的起始点和终止点的为本区域内的充电站,当监控发现异常目标进入监控区域,构建对异常目标的监视任务,调度距离异常目标最近的无人船沿着最短直线轨迹进行追踪监控。在指定待调度无人船对异常水域目标进行追踪监控时,需确保待调度无人船的剩余电量能够满足追踪任务要求。
传统的做法是度量异常目标与待调度无人船之间的直线距离,并基于每公里平均能量来判断剩余电量是否支持巡航任务要求。但是在实际巡航过程中,由于巡航条件不同(风速不同、风向不同、水流速度不同、水流流向不同),这会导致基于经验或者理论计算得到的每公里平均能量值与实际值偏差较大,从而可能会发生待调度无人船的剩余电量实际上无法满足追踪任务要求,但理论计算却显示能够满足的错误情况。
因此,期待一种优化的无人船集群智能调度方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种无人船集群智能调度方法及系统。其可以在指定待调度无人船对异常水域目标进行追踪监控时,将风速、风向、水流速度和水流方向纳入考虑范围,并通过机器学习算法来捕捉风速、风向、水流速度和水流方向对每公里能耗的影响系数,从而能够基于更为精准的每公里能耗值来对待调度无人船的剩余电量进行评估,以确保其能够满足巡航任务。
根据本申请的一个方面,提供了一种无人船集群智能调度方法,其包括:
响应于检测到水域异常区域,指定待调度无人船;
获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;
以及基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。
根据本申请的另一个方面,提供了一种无人船集群智能调度系统,其包括:
待调度无人船指定模块,用于响应于检测到水域异常区域,指定待调度无人船;
数据获取模块,用于获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;
以及剩余电量判断模块,用于基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。
与现有技术相比,本申请提供的无人船集群智能调度方法及系统,其首先响应于检测到水域异常区域,指定待调度无人船,接着,获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值,然后,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。这样,可以通过机器学习算法来捕捉风速、风向、水流速度和水流方向对每公里能耗的影响系数,从而能够基于更为精准的每公里能耗值来对待调度无人船的剩余电量进行评估,以确保其能够满足巡航任务。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的无人船集群智能调度方法的流程图。
图2为根据本申请实施例的无人船集群智能调度方法的架构示意图。
图3为根据本申请实施例的无人船集群智能调度方法的子步骤S130的流程图。
图4为根据本申请实施例的无人船集群智能调度方法的子步骤S132的流程图。
图5为根据本申请实施例的无人船集群智能调度方法的子步骤S133的流程图。
图6为根据本申请实施例的无人船集群智能调度系统的框图。
图7为根据本申请实施例的无人船集群智能调度方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为在指定待调度无人船对异常水域目标进行追踪监控时,将风速、风向、水流速度和水流方向纳入考虑范围,并通过机器学习算法来捕捉风速、风向、水流速度和水流方向对每公里能耗的影响系数,从而能够基于更为精准的每公里能耗值来对待调度无人船的剩余电量进行评估,以确保其能够满足巡航任务。
图1为根据本申请实施例的无人船集群智能调度方法的流程图。图2为根据本申请实施例的无人船集群智能调度方法的架构示意图。如图1和图2所示,根据本申请实施例的无人船集群智能调度方法,包括步骤:S110,响应于检测到水域异常区域,指定待调度无人船;S120,获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;以及,S130,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。
具体地,在本申请的技术方案中,首先获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值。也就是,由传感器组来采集巡航环境参数,所述巡航环境参数包括水流速度值、水流方向值、风速值和风向值。接着,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。
图3为根据本申请实施例的无人船集群智能调度方法的子步骤S130的流程图。如图3所示,根据本申请实施例的无人船集群智能调度方法,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务,包括:S131,将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值分别按照时间维度排列为水流速度时序输入向量、水流方向时序输入向量、风速时序输入向量和风向时序输入向量;S132,从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量;S133,从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量;S134,融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量;S135,基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值;以及,S136,基于所述每公里电量能耗的估计值、所述待调度无人船与所述水域异常区域之间的距离以及所述待调度无人船的剩余电量,确定所述待调度无人船的剩余电量是否足以支持巡航任务。
具体地,在本申请的技术方案中,基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务的过程,首先包括将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值分别按照时间维度排列为水流速度时序输入向量、水流方向时序输入向量、风速时序输入向量和风向时序输入向量。也就是,将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值先按照时间维度进行数据结构化规整以便于提取其各自在时间维度上的特征信息。
接着,从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量。考虑到水流速度和水流方向的协同共同构成了水阻要素,也就是,水要素对无人船巡航的影响,因此,在本申请的技术方案中,选择对所述水流速度时序输入向量和所述水流方向时序输入向量进行处理以得到所述水阻时序特征向量。
在本申请一个具体的示例中,从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量的过程,包括:首先计算所述水流速度时序输入向量和所述水流方向时序输入向量之间的按位置点乘以得到水阻时序输入向量;接着,将所述水阻时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到所述水阻时序特征向量。也就是,通过按位置点乘来叠加水流速度和水流方向对无人船巡航的影响,进而通过所述基于一维卷积神经网络模型的时序特征提取器对所述水阻时序输入向量进行一维卷积编码以捕捉其内所蕴含的水阻特征信息。
相应地,在步骤S132中,如图4所示,从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量,包括:S1321,计算所述水流速度时序输入向量和所述水流方向时序输入向量之间的按位置点乘以得到水阻时序输入向量;以及,S1322,将所述水阻时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到所述水阻时序特征向量。
值得一提的是,一维卷积神经网络(1D CNN)模型是一种深度学习模型,用于处理具有时间或序列结构的数据。与传统的卷积神经网络(2D CNN)不同,1D CNN模型在输入数据上应用一维卷积操作,以捕捉输入数据中的局部特征。一维卷积神经网络模型通常由以下几个主要组件组成:1.输入层:接收输入数据的层,通常是一个一维向量;2.卷积层:应用卷积操作来提取输入数据的局部特征,卷积操作使用一组可学习的滤波器(也称为卷积核)对输入数据进行滑动窗口操作,计算每个窗口的卷积结果;3.激活函数:在卷积层之后,通常会应用一个非线性激活函数,如ReLU(Rectified Linear Unit),以引入非线性特征;4.池化层:可选的层,用于减小特征图的尺寸并保留最重要的特征;常用的池化操作包括最大池化和平均池化;5.全连接层:将卷积层的输出连接到最终的输出层。全连接层可以应用于分类、回归或其他任务;6.输出层:根据具体任务的要求,可以是一个或多个神经元,通常使用适当的激活函数进行输出。
同时,从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量。本领域普通技术人员应理解,在无人船巡航时,不仅存在水阻还存在风阻,也就是,风要素也会对无人船的巡航产生影响。因此,在本申请的技术方案中,选择对所述风速时序输入向量和所述风向时序输入向量进行处理以得到所述风阻时序特征向量。
在本申请一个具体的示例中,从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量的过程,包括:首先计算所述风速时序输入向量和所述风向时序输入向量之间的按位置点乘以得到风阻时序输入向量;接着,将所述风阻时序输入向量通过所述基于一维卷积神经网络模型的时序特征提取器以得到所述风阻时序特征向量。也就是,通过按位置点乘来叠加风速和风向对无人船巡航的影响,进而通过所述基于一维卷积神经网络模型的时序特征提取器对所述风阻时序输入向量进行一维卷积编码以捕捉其内所蕴含的风阻特征信息。
相应地,在步骤S133中,如图5所示,从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量,包括:S1331,计算所述风速时序输入向量和所述风向时序输入向量之间的按位置点乘以得到风阻时序输入向量;以及,S1332,将所述风阻时序输入向量通过所述基于一维卷积神经网络模型的时序特征提取器以得到所述风阻时序特征向量。
在得到所述风阻特征信息和所述水阻特征信息后,进一步地融合两者以得到无人船巡航行进阻力特征表达。具体地,融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量。
考虑到所述水阻时序特征向量和所述风阻时序特征向量之间存在复杂的非线性关联,为了更为精准和充分地挖掘出两者之间的高维隐含关联,在本申请的技术方案中,使用特征间注意力层来融合所述水阻时序特征向量和所述风阻时序特征向量以得到所述行进阻力时序特征向量。
具体地,对于所述水阻时序特征向量和所述风速时序特征向量:和/>,将其转换到两个特征空间s和t中以计算它们之间的attention:
其中,、/>、/>是学习的权重矩阵,对应于1×1卷积,i是输出位置的索引、j代表所有可能位置的索引。
与传统注意力机制相比,本申请所提出的注意力机制更多地关注到了各个特征信息间的依赖关系,也就是,更多地捕捉所述水阻时序特征向量和所述风速时序特征向量之间的依赖关系,以此更为精准地表达两者共同作用下对无人船巡航的行进阻力的影响。
相应地,在步骤S134中,融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量,包括:使用特征间注意力层来融合所述水阻时序特征向量和所述风速时序特征向量以得到所述行进阻力时序特征向量。
值得一提的是,特征间注意力层(Feature-wise Attention Layer)是一种神经网络层,用于在深度学习模型中引入特征间的注意力机制,它可以帮助模型自动学习不同特征之间的相关性,并根据输入数据的上下文动态地调整特征的重要性。特征间注意力层通常应用于多通道的特征图或特征向量上。它通过计算每个通道或特征维度的注意力权重,来决定每个特征的重要程度。这些注意力权重可以根据输入数据的不同而变化,从而使模型能够更好地关注与当前任务相关的特征。在特征间注意力层中,通常会使用一种注意力机制,如软注意力(soft attention)或硬注意力(hard attention)。软注意力通过计算注意力权重的概率分布,对所有特征进行加权求和,而硬注意力则通过选择具有最高注意力权重的特征,来提取最相关的特征。特征间注意力层的引入可以增强模型对输入数据的建模能力,提高模型的表达能力和性能。
进而,基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值。在本申请的技术方案中,基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值的过程,包括:将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值。也就是,通过解码器来构建所述行进阻力时序特征向量与每公里电量能耗的估计值之间的函数映射模型,与传统的回归模型相比,所述解码器能够通过神经网络权重来基于实际真实数据的定向拟合以得到更为精准的每公里电量能耗的估计值。
相应地,在步骤S135中,基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值,包括:将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值。应可以理解,解码器是一种神经网络层,用于将输入的行进阻力时序特征向量转换为表示每公里电量能耗的估计值。解码器的作用是将输入的特征向量进行解码,将其转换为具有实际意义的输出,在这种情况下,解码器将行进阻力时序特征向量转换为每公里电量能耗的估计值。解码器通常由一系列的神经网络层组成,可以包括全连接层、激活函数等。解码器的设计是根据具体任务和数据的特点而定的。在这个场景中,解码器的目标是根据行进阻力时序特征向量预测每公里电量的能耗。解码器的结构和参数会根据训练数据的特征进行学习和优化,以最大程度地准确预测每公里的电量能耗。
接着,基于所述每公里电量能耗的估计值、所述待调度无人船与所述水域异常区域之间的距离以及所述待调度无人船的剩余电量,确定所述待调度无人船的剩余电量是否足以支持巡航任务。也就是,将所述待调度无人船与所述水域异常区域之间的距离与所述每公里电量能耗的估计值进行相除以得到所需耗电量,进而基于所述所需耗电量与所述待调度无人船的剩余电量之间的比较,确定待调度无人船的剩余电量是否足以支持巡航任务(例如,所述所需耗电量与所述待调度无人船的剩余电量之间的差值是否小于等于预定阈值)。
特别地,在本申请的技术方案中,所述水阻时序特征向量和所述风速时序特征向量分别表达风速和风向的协同作用(所述风阻时序输入向量)的局部时域关联语义特征,以及,水流速度和水流方向的协同作用(所述水阻时序输入向量)的局部时域关联语义特征,因此,考虑到源数据差异经由所述基于一维卷积神经网络模型的时序特征提取器的局部关联特征提取而放大,所述水阻时序特征向量和所述风阻时序特征向量会有比较显著的特征分布差异,这样,在使用注意力机制来提取特征信息间的依赖关系以获得所述孔洞间图像特征交互特征向量时,所述水阻时序特征向量和所述风速时序特征向量也会具有到所述行进阻力时序特征向量的跨语义分布差异的特征分布域转移差异,从而影响所述注意力机制的特征交互式融合效果,也就影响了所述行进阻力时序特征向量的表达效果。基于此,本申请的申请人对于所述水阻时序特征向量,例如记为和所述风阻时序特征向量,例如记为,以及所述孔洞间图像特征交互特征向量,例如记为/>,计算其可转移特征的量化的可转移性感知因数。
相应地,在一个示例中,将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值,包括:基于所述水阻时序特征向量和所述风阻时序特征向量相对于所述行进阻力时序特征向量的可转移特征,对所述行进阻力时序特征向量的特征表达进行优化以得到优化行进阻力时序特征向量;以及,将所述优化行进阻力时序特征向量输入解码器进行解码回归以得到所述解码值。
进一步地,基于所述水阻时序特征向量和所述风阻时序特征向量相对于所述行进阻力时序特征向量的可转移特征,对所述行进阻力时序特征向量的特征表达进行优化以得到优化行进阻力时序特征向量,包括:计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的第一可转移性感知因数;计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的第二可转移性感知因数;以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重,对所述水阻时序特征向量和所述风阻时序特征向量进行加权以得到加权后水阻时序特征向量和加权后风阻时序特征向量;以及,使用所述特征间注意力层来融合所述加权和水阻时序特征向量和所述加权和风速时序特征向量以得到所述优化行进阻力时序特征向量。
更具体地,计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的第一可转移性感知因数,包括:以如下第一因数计算公式计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的所述第一可转移性感知因数;其中,所述第一因数计算公式为:
其中,表示所述水阻时序特征向量,/>表示所述水阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第一可转移性感知因数;以及,计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的第二可转移性感知因数,包括:以如下第二因数计算公式计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的所述第二可转移性感知因数;其中,所述第二因数计算公式为:
其中,表示所述风阻时序特征向量,/>表示所述风阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第二可转移性感知因数。
这里,所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来分别估计特征空间域到分类目标域的域不确定性,且由于该域不确定性估计可以用于标识已经在域间转移的特征表示,因此通过以该因数来作为权重分别对所述水阻时序特征向量和所述风阻时序特征向量进行加权后再使用注意力机制进行特征交互式融合,就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移,从而量化地感知所述水阻时序特征向量和所述风阻时序特征向量中的可转移特征的可转移性,以实现域间自适应的特征交互式融合,从而提升了所述行进阻力时序特征向量的表达效果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的无人船集群智能调度方法被阐明,其可以在指定待调度无人船对异常水域目标进行追踪监控时,将风速、风向、水流速度和水流方向纳入考虑范围,并通过机器学习算法来捕捉风速、风向、水流速度和水流方向对每公里能耗的影响系数,从而能够基于更为精准的每公里能耗值来对待调度无人船的剩余电量进行评估,以确保其能够满足巡航任务。
图6为根据本申请实施例的无人船集群智能调度系统100的框图。如图6所示,根据本申请实施例的无人船集群智能调度系统100,包括:待调度无人船指定模块110,用于响应于检测到水域异常区域,指定待调度无人船;数据获取模块120,用于获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;以及,剩余电量判断模块130,用于基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务。
这里,本领域技术人员可以理解,上述无人船集群智能调度系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的无人船集群智能调度方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的无人船集群智能调度系统100可以实现在各种无线终端中,例如具有无人船集群智能调度算法的服务器等。在一个示例中,根据本申请实施例的无人船集群智能调度系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该无人船集群智能调度系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该无人船集群智能调度系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该无人船集群智能调度系统100与该无线终端也可以是分立的设备,并且该无人船集群智能调度系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的无人船集群智能调度方法的应用场景图。如图7所示,在该应用场景中,首先,获取由传感器采集的预定时间段内多个预定时间点的水流速度值(例如,图7中所示意的D1)、水流方向值(例如,图7中所示意的D2)、风速值(例如,图7中所示意的D3)和风向值(例如,图7中所示意的D4),然后,将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值输入至部署有无人船集群智能调度算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述无人船集群智能调度算法对所述多个预定时间点的水流速度值、水流方向值、风速值和风向值进行处理以得到用于表示每公里电量能耗的估计值的解码值。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (2)
1.一种无人船集群智能调度方法,其特征在于,包括:
响应于检测到水域异常区域,指定待调度无人船;
获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;
以及基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务;
基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务,包括:
将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值分别按照时间维度排列为水流速度时序输入向量、水流方向时序输入向量、风速时序输入向量和风向时序输入向量;
从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量;
从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量;
融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量;
基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值;
以及基于所述每公里电量能耗的估计值、所述待调度无人船与所述水域异常区域之间的距离以及所述待调度无人船的剩余电量,确定所述待调度无人船的剩余电量是否足以支持巡航任务;
从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量,包括:
计算所述水流速度时序输入向量和所述水流方向时序输入向量之间的按位置点乘以得到水阻时序输入向量;
以及将所述水阻时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到所述水阻时序特征向量;
从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量,包括:
计算所述风速时序输入向量和所述风向时序输入向量之间的按位置点乘以得到风阻时序输入向量;
以及将所述风阻时序输入向量通过所述基于一维卷积神经网络模型的时序特征提取器以得到所述风阻时序特征向量;
融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量,包括:
使用特征间注意力层来融合所述水阻时序特征向量和所述风阻时序特征向量以得到所述行进阻力时序特征向量;
基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值,包括:
将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值;
将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值,包括:
基于所述水阻时序特征向量和所述风阻时序特征向量相对于所述行进阻力时序特征向量的可转移特征,对所述行进阻力时序特征向量的特征表达进行优化以得到优化行进阻力时序特征向量;
以及将所述优化行进阻力时序特征向量输入解码器进行解码回归以得到所述解码值;
基于所述水阻时序特征向量和所述风阻时序特征向量相对于所述行进阻力时序特征向量的可转移特征,对所述行进阻力时序特征向量的特征表达进行优化以得到优化行进阻力时序特征向量,包括:
计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的第一可转移性感知因数;
计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的第二可转移性感知因数;
以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重,对所述水阻时序特征向量和所述风阻时序特征向量进行加权以得到加权后水阻时序特征向量和加权后风阻时序特征向量;
以及使用所述特征间注意力层来融合所述加权后水阻时序特征向量和所述加权后风阻时序特征向量以得到所述优化行进阻力时序特征向量;
计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的第一可转移性感知因数,包括:
以如下第一因数计算公式计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的所述第一可转移性感知因数;
其中,所述第一因数计算公式为:
其中,/>表示所述水阻时序特征向量,/>表示所述水阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第一可转移性感知因数;
以及计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的第二可转移性感知因数,包括:
以如下第二因数计算公式计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的所述第二可转移性感知因数;
其中,所述第二因数计算公式为:
其中,/>表示所述风阻时序特征向量,/>表示所述风阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第二可转移性感知因数。
2.一种无人船集群智能调度系统,其特征在于,包括:
待调度无人船指定模块,用于响应于检测到水域异常区域,指定待调度无人船;
数据获取模块,用于获取由传感器采集的预定时间段内多个预定时间点的水流速度值、水流方向值、风速值和风向值;
以及剩余电量判断模块,用于基于所述多个预定时间点的水流速度值、水流方向值、风速值和风向值,确定待调度无人船的剩余电量是否足以支持巡航任务;
所述剩余电量判断模块,具体用于:
将所述多个预定时间点的水流速度值、水流方向值、风速值和风向值分别按照时间维度排列为水流速度时序输入向量、水流方向时序输入向量、风速时序输入向量和风向时序输入向量;
从所述水流速度时序输入向量和所述水流方向时序输入向量提取水阻时序特征向量;
从所述风速时序输入向量和所述风向时序输入向量提取风阻时序特征向量;
融合所述水阻时序特征向量和所述风阻时序特征向量以得到行进阻力时序特征向量;
基于所述行进阻力时序特征向量,确定每公里电量能耗的估计值;
以及基于所述每公里电量能耗的估计值、所述待调度无人船与所述水域异常区域之间的距离以及所述待调度无人船的剩余电量,确定所述待调度无人船的剩余电量是否足以支持巡航任务;
所述剩余电量判断模块,具体用于:
计算所述水流速度时序输入向量和所述水流方向时序输入向量之间的按位置点乘以得到水阻时序输入向量;
以及将所述水阻时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到所述水阻时序特征向量;
所述剩余电量判断模块,具体用于:
计算所述风速时序输入向量和所述风向时序输入向量之间的按位置点乘以得到风阻时序输入向量;
以及将所述风阻时序输入向量通过所述基于一维卷积神经网络模型的时序特征提取器以得到所述风阻时序特征向量;
所述剩余电量判断模块,具体用于:
使用特征间注意力层来融合所述水阻时序特征向量和所述风阻时序特征向量以得到所述行进阻力时序特征向量;
所述剩余电量判断模块,具体用于:
将所述行进阻力时序特征向量通过解码器以得到解码值,所述解码值用于表示每公里电量能耗的估计值;
所述剩余电量判断模块,具体用于:
基于所述水阻时序特征向量和所述风阻时序特征向量相对于所述行进阻力时序特征向量的可转移特征,对所述行进阻力时序特征向量的特征表达进行优化以得到优化行进阻力时序特征向量;
以及将所述优化行进阻力时序特征向量输入解码器进行解码回归以得到所述解码值;
所述剩余电量判断模块,具体用于:
计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的第一可转移性感知因数;
计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的第二可转移性感知因数;
以所述第一可转移性感知因数和所述第二可转移性感知因数作为权重,对所述水阻时序特征向量和所述风阻时序特征向量进行加权以得到加权后水阻时序特征向量和加权后风阻时序特征向量;
以及使用所述特征间注意力层来融合所述加权后水阻时序特征向量和所述加权后风阻时序特征向量以得到所述优化行进阻力时序特征向量;
所述剩余电量判断模块,具体用于:
以如下第一因数计算公式计算所述水阻时序特征向量相对于所述行进阻力时序特征向量的所述第一可转移性感知因数;
其中,所述第一因数计算公式为:
其中,/>表示所述水阻时序特征向量,/>表示所述水阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第一可转移性感知因数;
以如下第二因数计算公式计算所述风阻时序特征向量相对于所述行进阻力时序特征向量的所述第二可转移性感知因数;
其中,所述第二因数计算公式为:
其中,/>表示所述风阻时序特征向量,/>表示所述风阻时序特征向量的第/>个位置的特征值,/>表示所述行进阻力时序特征向量,/>表示所述行进阻力时序特征向量的第/>个位置的特征值,/>为以2为底的对数函数,且/>是加权超参数,/>表示所述第二可转移性感知因数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311037014.6A CN116777183B (zh) | 2023-08-17 | 2023-08-17 | 无人船集群智能调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311037014.6A CN116777183B (zh) | 2023-08-17 | 2023-08-17 | 无人船集群智能调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777183A CN116777183A (zh) | 2023-09-19 |
CN116777183B true CN116777183B (zh) | 2023-11-21 |
Family
ID=88011895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311037014.6A Active CN116777183B (zh) | 2023-08-17 | 2023-08-17 | 无人船集群智能调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777183B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555355B (zh) * | 2023-10-07 | 2024-06-07 | 杭州牧星科技有限公司 | 基于人工智能的无人机集群控制方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206639376U (zh) * | 2017-02-17 | 2017-11-14 | 华南理工大学 | 一种无人船群自动监测系统 |
CN109634295A (zh) * | 2018-12-17 | 2019-04-16 | 深圳市道通智能航空技术有限公司 | 一种自动返航方法、装置和无人机 |
CN110456013A (zh) * | 2019-06-05 | 2019-11-15 | 中山大学 | 一种河道水质监测系统及方法 |
CN111142538A (zh) * | 2020-01-08 | 2020-05-12 | 北京工商大学 | 一种水环境监测的无人船运行策略实时决策方法 |
CN111664849A (zh) * | 2020-06-08 | 2020-09-15 | 寰易(广东)应急安全科技集团有限公司 | 无人船的自动返航方法及其装置 |
WO2022086073A1 (ko) * | 2020-10-23 | 2022-04-28 | 주식회사 하백소프트 | 하천용 유량 및 수질 측정장치 |
-
2023
- 2023-08-17 CN CN202311037014.6A patent/CN116777183B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206639376U (zh) * | 2017-02-17 | 2017-11-14 | 华南理工大学 | 一种无人船群自动监测系统 |
CN109634295A (zh) * | 2018-12-17 | 2019-04-16 | 深圳市道通智能航空技术有限公司 | 一种自动返航方法、装置和无人机 |
CN110456013A (zh) * | 2019-06-05 | 2019-11-15 | 中山大学 | 一种河道水质监测系统及方法 |
CN111142538A (zh) * | 2020-01-08 | 2020-05-12 | 北京工商大学 | 一种水环境监测的无人船运行策略实时决策方法 |
CN111664849A (zh) * | 2020-06-08 | 2020-09-15 | 寰易(广东)应急安全科技集团有限公司 | 无人船的自动返航方法及其装置 |
WO2022086073A1 (ko) * | 2020-10-23 | 2022-04-28 | 주식회사 하백소프트 | 하천용 유량 및 수질 측정장치 |
Non-Patent Citations (1)
Title |
---|
基于随机森林算法的内河船舶油耗预测模型;牟小辉;袁裕鹏;严新平;赵光普;;交通信息与安全(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777183A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675623A (zh) | 基于混合深度学习的短时交通流量预测方法、系统、装置 | |
CN110705406A (zh) | 基于对抗迁移学习的人脸美丽预测方法及装置 | |
CN116777183B (zh) | 无人船集群智能调度方法及系统 | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN112560829B (zh) | 人群数量确定方法、装置、设备及存储介质 | |
CN111161315A (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其系统 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN116985793B (zh) | 基于深度学习算法的自动驾驶安全控制系统及方法 | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
CN117104377B (zh) | 电动自行车的智能管理系统及其方法 | |
CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
CN116823193B (zh) | 基于大数据的智能制造流程管理系统 | |
CN117576781A (zh) | 基于行为识别的训练强度监测系统及方法 | |
CN117112992A (zh) | 一种聚酯酯化阶段的故障诊断方法 | |
Yu et al. | Evolve: Enhancing unsupervised continual learning with multiple experts | |
Chen et al. | Siamese networks with discriminant correlation filters and channel attention | |
Abid et al. | Deep ensemble approach for RUL estimation of aircraft engines | |
CN111931416B (zh) | 一种结合可解释性的图表示学习的超参数优化方法 | |
Fukui et al. | Multiple facial attributes estimation based on weighted heterogeneous learning | |
CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
US20230080736A1 (en) | Out-of-distribution detection and recognition of activities with inertial measurement unit sensor | |
US20230297823A1 (en) | Method and system for training a neural network for improving adversarial robustness |
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 |