CN117406759A - 一种管道机器人爬行校准方法和系统 - Google Patents
一种管道机器人爬行校准方法和系统 Download PDFInfo
- Publication number
- CN117406759A CN117406759A CN202311721360.6A CN202311721360A CN117406759A CN 117406759 A CN117406759 A CN 117406759A CN 202311721360 A CN202311721360 A CN 202311721360A CN 117406759 A CN117406759 A CN 117406759A
- Authority
- CN
- China
- Prior art keywords
- position data
- crawling
- sequence
- time sequence
- training
- 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.)
- Granted
Links
- 230000009193 crawling Effects 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013459 approach Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 185
- 238000012549 training Methods 0.000 claims description 80
- 238000012937 correction Methods 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- -1 s231 Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
- F16L55/26—Pigs or moles, i.e. devices movable in a pipe or conduit with or without self-contained propulsion means
- F16L55/28—Constructional aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- 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]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L2101/00—Uses or applications of pigs or moles
- F16L2101/10—Treating the inside of pipes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L2101/00—Uses or applications of pigs or moles
- F16L2101/10—Treating the inside of pipes
- F16L2101/12—Cleaning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L2101/00—Uses or applications of pigs or moles
- F16L2101/30—Inspecting, measuring or testing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种管道机器人爬行校准方法和系统。其包括:启动管道机器人,并设定预定爬行速度值和爬行方向;通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;重复上述步骤,直到所述爬行偏差小于预设阈值或达到任务终点。这样,可以提升管道内任务执行的效果和可靠性。
Description
技术领域
本申请涉及管道机器人领域,且更为具体地,涉及一种管道机器人爬行校准方法和系统。
背景技术
管道机器人是一种能够在管道内部自主运动和执行任务的机器人,它们广泛应用于管道的检测、维修和清洁等任务。管道机器人的爬行性能直接影响到其任务的完成效率和质量,为了保证管道机器人的运动精度和稳定性,需要对管道机器人的爬行系统进行校准,以消除由于制造误差、磨损、温度变化等因素导致的爬行偏差。
现有的管道机器人爬行校准方法主要是基于位置传感器采集的位置数据来计算实时爬行速度和方向,并通过比较实际爬行速度和方向与预定值之间的差异来进行调整。然而,由于管道环境的复杂性和不确定性,实时位置数据可能受到环境波动的影响,导致爬行速度和方向的解码精准度下降。
因此,期望一种优化的管道机器人爬行校准方案。
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管道机器人爬行校准方法和系统,其可以提高管道机器人的爬行精准度和稳定性,使其能够更好地适应复杂和不确定的管道环境,提升管道机器人在管道内任务执行的效果和可靠性。
根据本申请的一个方面,提供了一种管道机器人爬行校准方法,其包括:
步骤1:启动管道机器人,并设定预定爬行速度值和爬行方向;
步骤2:通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;
步骤3:基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;
步骤4:根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;
步骤5:重复上述步骤2-4,直到所述爬行偏差小于预设阈值或达到任务终点。
根据本申请的另一个方面,提供了一种管道机器人爬行校准系统,其包括:
启动设定模块,用于启动管道机器人,并设定预定爬行速度值和爬行方向;
采集计算模块,用于通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;
偏差计算模块,用于基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;
调整模块,用于根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;
重复模块,用于重复调用所述采集计算模块、所述偏差计算模块和所述调整模块,直到所述爬行偏差小于预设阈值或达到任务终点。
与现有技术相比,本申请提供的管道机器人爬行校准方法和系统,其包括:启动管道机器人,并设定预定爬行速度值和爬行方向;通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;重复上述步骤,直到所述爬行偏差小于预设阈值或达到任务终点。这样,可以提升管道内任务执行的效果和可靠性。
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管道机器人爬行校准方法中步骤2的流程图。
图2为根据本申请实施例的管道机器人爬行校准方法中步骤2的架构示意图。
图3为根据本申请实施例的管道机器人爬行校准方法的子步骤S230的流程图。
图4为根据本申请实施例的管道机器人爬行校准方法的子步骤S240的流程图。
图5为根据本申请实施例的管道机器人爬行校准系统的框图。
图6为根据本申请实施例的管道机器人爬行校准方法的应用场景图。
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,在本申请的技术方案中,提出了一种管道机器人爬行校准方法,其包括:步骤1:启动管道机器人,并设定预定爬行速度值和爬行方向;步骤2:通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;步骤3:基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;步骤4:根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;步骤5:重复上述步骤2-4,直到所述爬行偏差小于预设阈值或达到任务终点。
相应地,考虑到在实际进行管道机器人的爬行校准过程中,对于管道机器人的实时爬行速度和方向进行检测至关重要,这是进行管道机器人位置校准的基础。基于此,本申请的技术构思为通过管道机器人的位置传感器实时采集位置数据,并在后端引入数据处理和分析算法来进行位置数据的时序分析,以此来进行管道机器人的实时爬行速度值和实时爬行方向的检测。通过这样的方式,能够基于历史位置数据来模拟环境波动,进而基于环境波动感来对当前测量特征向量进行校正,以提高实时爬行速度和爬行方向的检测精准度。这样,能够提高管道机器人的爬行精准度和稳定性,使其能够更好地适应复杂和不确定的管道环境,提升管道机器人在管道内任务执行的效果和可靠性。
图1为根据本申请实施例的管道机器人爬行校准方法中步骤2的流程图。图2为根据本申请实施例的管道机器人爬行校准方法中步骤2的架构示意图。如图1和图2所示,根据本申请实施例的管道机器人爬行校准方法,包括步骤:S210,获取由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据;S220,将所述多个预定时间点的位置数据按照时间维度进行排列为输入向量以得到位置数据时序输入向量;S230,对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列;S240,基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征;以及,S250,基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向。
应可以理解,步骤S210的目的是获取管道机器人在预定时间段内的位置数据,位置传感器可以记录机器人在不同时间点的位置坐标,这些数据将用于后续的分析和校准过程。在步骤S220中,将多个时间点的位置数据按照时间顺序排列,并组成一个时序输入向量,这样做的目的是为了保留位置数据之间的时间关系,以便后续的时序特征分析。在步骤S230中,对位置数据时序输入向量进行局部时序特征分析,这可以包括计算位置数据的变化率、加速度等特征,以获取位置数据的局部时序特征向量的序列,这些特征向量可以提供关于机器人在管道中移动的局部行为信息。在步骤S240中,根据位置数据局部时序特征向量的序列,对序列中最后一个位置数据的局部时序特征向量进行加权校正更新,这样可以通过考虑最新的数据和之前的数据来提高位置数据的准确性和可靠性。步骤S250是基于更新测量位置数据的局部时序特征,确定实时爬行速度值和实时爬行方向,通过分析位置数据的变化和趋势,可以计算出机器人的爬行速度和爬行方向,从而实现对机器人运动状态的实时监测和控制。总的来说,这些步骤结合了位置数据的时序信息和局部特征,通过分析和校准位置数据,提供了对机器人运动状态的实时监测和控制。这有助于提高管道机器人的导航和定位精度,使其能够更准确地在管道中移动和执行任务。
具体地,在本申请的技术方案中,首先,获取由管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据。接着,考虑到在管道机器人的爬行过程中,位置数据的变化通常是连续的,并且相邻时间点的位置数据之间存在一定的相关性,也就是说,所述多个预定时间点的位置数据之间存在时序的关联关系。因此,为了能够对于管道机器人的实时位置进行准确检测,需要将所述多个预定时间点的位置数据按照时间维度进行排列为以得到位置数据时序输入向量,以此来整合所述位置数据在时序上的分布信息。
然后,由于管道机器人在爬行过程中的位置数据的具有着长时序的变化特征,而为了能够更好地捕捉位置数据的变化趋势和特征,需要在本申请的技术方案中将所述位置数据时序输入向量进行向量切分以得到位置数据局部时序输入向量的序列。通过将所述位置数据时序输入向量进行向量切分,可以将连续的位置数据划分为多个局部时序输入向量,每个局部时序输入向量包含了一段连续的位置数据。这样,能够有利于后续更加准确地捕捉到管道机器人的位置数据的局部细节变化和特征。
继而,再将所述位置数据局部时序输入向量的序列通过基于一维卷积层的位置数据时序关联特征提取器中进行特征提取,以分别提取出所述位置数据在各个局部时间片段中的局部时序特征信息,从而得到位置数据局部时序特征向量的序列。
相应地,在步骤S230中,如图3所示,对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列,包括:S231,将所述位置数据时序输入向量进行向量切分以得到位置数据局部时序输入向量的序列;以及,S232,将所述位置数据局部时序输入向量的序列通过基于一维卷积层的位置数据时序关联特征提取器以得到所述位置数据局部时序特征向量的序列。
应可以理解,步骤S231的目的是将位置数据时序输入向量按照一定的时间窗口进行切分,形成多个局部时序输入向量,通过切分,可以将整个时间序列分解为多个局部时序片段,以便更好地分析和提取局部时序特征。步骤S232的目的是通过一维卷积层的位置数据时序关联特征提取器对局部时序输入向量进行处理,提取出位置数据的局部时序特征。一维卷积层可以捕捉局部时序模式和关联特征,从而将局部时序输入向量转化为位置数据的局部时序特征向量序列。这些特征向量序列将用于后续的校正和分析。
应可以理解,由于在管道机器人执行爬行巡检任务中,管道机器人的位置数据之间具有着基于时序整体的关联关系。并且,在管道环境中,由于各种因素的影响,位置数据可能存在一定的误差或波动。为了减小这些误差或波动对爬行速度和方向解码的影响,可以引入语义校正系数来对位置数据进行校正。具体地,在本申请的技术方案中,计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的语义校正系数。然后,以所述语义校正系数,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行更新以得到更新测量位置数据局部时序特征向量。这样,通过基于位置数据的整体时序语义特征信息对最后一个位置数据时序特征进行校正,能够基于历史位置数据来模拟环境波动,进而基于环境波动感来对当前测量特征向量进行校正,以提高实时爬行速度和爬行方向的解码精准度。
相应地,在步骤S240中,如图4所示,基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征,包括:S241,计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的语义校正系数;以及,S242,以所述语义校正系数,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行更新以得到更新测量位置数据局部时序特征向量作为所述更新测量位置数据局部时序特征。
应可以理解,步骤S241的目的是计算最后一个位置数据局部时序特征向量相对于整个序列的语义校正系数,通过比较最后一个特征向量与整个序列的特征向量之间的差异和关联程度,可以确定一个校正系数,用于量化最后一个特征向量的准确性和可靠性。步骤S242的目的是使用计算得到的语义校正系数,对序列中的最后一个位置数据局部时序特征向量进行加权更新,通过应用校正系数,可以根据整个序列的语义信息对最后一个特征向量进行修正,从而得到更新后的测量位置数据的局部时序特征向量,这样可以提高位置数据的准确性和可靠性,使其更符合整个序列的语义和趋势。总的来说,这两个步骤通过计算语义校正系数和应用校正系数,对位置数据的局部时序特征向量进行加权校正更新,以提高位置数据的准确性和可靠性。这有助于消除局部时序特征向量中可能存在的误差或噪声,并使其更符合整个序列的语义和趋势。
其中,在步骤S241中,计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的语义校正系数,包括:以如下校正系数计算公式计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的所述语义校正系数;其中,所述校正系数计算公式为:
其中,是所述位置数据局部时序特征向量的序列中的各个位置数据局部时序特征向量,/>是所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量,A和B是/>的矩阵,/>是所述位置数据局部时序特征向量的序列中的向量数量,/>是所述各个位置数据局部时序特征向量的尺度,/>是Sigmoid函数,/>是所述语义校正系数。
进一步地,将所述更新测量位置数据局部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实时爬行速度值和实时爬行方向。也就是说,利用经过校正后的当前位置数据时序特征来进行解码回归,以此来进行管道机器人的实时爬行速度值和实时爬行方向的检测,通过这样的方式,能够基于历史位置数据来模拟环境波动,进而基于环境波动感来对当前测量位置时序特征进行校正,以提高实时爬行速度和爬行方向的检测精准度。
相应地,在步骤S250中,基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向,包括:将所述更新测量位置数据局部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实时爬行速度值和实时爬行方向。
进一步地,在本申请的技术方案中,所述的管道机器人爬行校准方法,其还包括训练步骤:用于对所述基于一维卷积层的位置数据时序关联特征提取器和所述解码器进行训练。
在一个具体示例中,所述训练步骤,包括:训练数据获取,所述训练数据包括由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的训练位置数据;将所述多个预定时间点的训练位置数据按照时间维度进行排列为输入向量以得到训练位置数据时序输入向量;将所述训练位置数据时序输入向量进行向量切分以得到训练位置数据局部时序输入向量的序列;将所述训练位置数据局部时序输入向量的序列通过所述基于一维卷积层的位置数据时序关联特征提取器以得到训练位置数据局部时序特征向量的序列;计算所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量相对于所述训练位置数据局部时序特征向量的序列的整体的训练语义校正系数;以所述训练语义校正系数,对所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量进行更新以得到训练更新测量位置数据局部时序特征向量;将所述训练更新测量位置数据局部时序特征向量通过所述解码器以得到解码损失函数值;以及,基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的位置数据时序关联特征提取器和所述解码器进行训练,其中,在每次迭代时对所述训练位置数据局部时序特征向量的序列中的每个训练位置数据局部时序特征向量进行训练优化。
特别地,在上述技术方案中,所述训练位置数据局部时序特征向量的序列中的每个训练位置数据局部时序特征向量表示管道机器人的训练位置数据在全局时域下基于向量切分的局部时域下局部时域内语义关联特征,在该技术场景中,所述训练位置数据局部时序特征向量的序列的整体用于模拟或者仿真所述管道机器人的爬行环境给爬行状态带来的影响,而所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量则用于表示管道机器人的当前运动状态的高维特征表示。进一步地,计算所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量相对于所述训练位置数据局部时序特征向量的序列的整体的语义校正系数,并以所述语义校正系数,对所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量进行更新以得到训练更新测量位置数据局部时序特征向量。考虑到时域关联尺度不同所带来的语义特征分布不均衡,所述训练更新测量位置数据局部时序特征向量会具有较为显著的不一致和不稳定,从而影响所述训练更新测量位置数据局部时序特征向量通过解码器进行分类训练的稳定性。
基于此,本申请的申请人在将所述训练更新测量位置数据局部时序特征向量通过解码器进行解码回归训练时,在每次迭代时对所述训练位置数据局部时序特征向量进行训练优化。
相应地,在一个示例中,在每次迭代时对所述训练位置数据局部时序特征向量的序列中的每个训练位置数据局部时序特征向量进行训练优化,包括:以如下优化公式在每次迭代时对所述训练位置数据局部时序特征向量进行训练优化以得到优化后训练位置数据局部时序特征向量;其中,所述优化公式为:
其中,是所述训练位置数据局部时序特征向量/>的第/>个位置的特征值,和/>分别是所述训练位置数据局部时序特征向量V的1范数和2范数,/>是所述训练位置数据局部时序特征向量/>的长度,且/>是与/>相关的权重超参数,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,/>是所述优化后训练位置数据局部时序特征向量的第/>个位置的特征值。
这里,通过所述训练位置数据局部时序特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示,来使得所述训练位置数据局部时序特征向量/>的全局特征分布对于局部模式变化具有一定重复性,以在所述训练位置数据局部时序特征向量/>通过解码器进行解码回归时,对于全局特征分布经由解码器的权重矩阵的尺度和旋转变化具有鲁棒性,提升解码训练的稳定性。这样,能够基于历史位置数据来模拟环境波动,进而基于环境波动感来对当前测量位置的时序特征进行校正,以提高实时爬行速度和爬行方向的检测精准度,通过这样的方式,能够提高管道机器人的爬行精准度和稳定性,使其能够更好地适应复杂和不确定的管道环境,从而提升管道机器人在管道内任务执行的效果和可靠性。
综上,基于本申请实施例的管道机器人爬行校准方法被阐明,其可以提升管道内任务执行的效果和可靠性。
图5为根据本申请实施例的管道机器人爬行校准系统100的框图。如图5所示,根据本申请实施例的管道机器人爬行校准系统100,包括:启动设定模块110,用于启动管道机器人,并设定预定爬行速度值和爬行方向;采集计算模块120,用于通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;偏差计算模块130,用于基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;调整模块140,用于根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;重复模块150,用于重复调用所述采集计算模块120、所述偏差计算模块130和所述调整模块140,直到所述爬行偏差小于预设阈值或达到任务终点。
在一个示例中,在上述管道机器人爬行校准系统100中,所述采集计算模块120,包括:位置数据采集单元,用于获取由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据;向量化单元,用于将所述多个预定时间点的位置数据按照时间维度进行排列为输入向量以得到位置数据时序输入向量;局部时序特征分析单元,用于对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列;加权校正更新单元,用于基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征;以及,速度方向分析单元,用于基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向。
这里,本领域技术人员可以理解,上述管道机器人爬行校准系统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4的管道机器人爬行校准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管道机器人爬行校准系统100可以实现在各种无线终端中,例如具有管道机器人爬行校准算法的服务器等。在一个示例中,根据本申请实施例的管道机器人爬行校准系统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,该管道机器人爬行校准系统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,该管道机器人爬行校准系统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,该管道机器人爬行校准系统100与该无线终端也可以是分立的设备,并且该管道机器人爬行校准系统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6为根据本申请实施例的管道机器人爬行校准方法的应用场景图。如图6所示,在该应用场景中,首先,获取由管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据(例如,图6中所示意的D),然后,将所述多个预定时间点的位置数据输入至部署有管道机器人爬行校准算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述管道机器人爬行校准算法对所述多个预定时间点的位置数据进行处理以得到用于表示实时爬行速度值和实时爬行方向的解码值。
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)具有与本申请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。
上面是对本申请的说明,而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本申请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申请范围内。应当理解,上面是对本申请的说明,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。本申请由权利要求书及其等效物限定。
Claims (10)
1.一种管道机器人爬行校准方法,其特征在于,包括:
步骤1:启动管道机器人,并设定预定爬行速度值和爬行方向;
步骤2:通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;
步骤3:基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;
步骤4:根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;
步骤5:重复上述步骤2-4,直到所述爬行偏差小于预设阈值或达到任务终点。
2.根据权利要求1所述的管道机器人爬行校准方法,其特征在于,所述步骤2,包括:
获取由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据;
将所述多个预定时间点的位置数据按照时间维度进行排列为输入向量以得到位置数据时序输入向量;
对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列;
基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征;以及
基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向。
3.根据权利要求2所述的管道机器人爬行校准方法,其特征在于,对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列,包括:
将所述位置数据时序输入向量进行向量切分以得到位置数据局部时序输入向量的序列;以及
将所述位置数据局部时序输入向量的序列通过基于一维卷积层的位置数据时序关联特征提取器以得到所述位置数据局部时序特征向量的序列。
4.根据权利要求3所述的管道机器人爬行校准方法,其特征在于,基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征,包括:
计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的语义校正系数;以及
以所述语义校正系数,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行更新以得到更新测量位置数据局部时序特征向量作为所述更新测量位置数据局部时序特征。
5.根据权利要求4所述的管道机器人爬行校准方法,其特征在于,计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的语义校正系数,包括:
以如下校正系数计算公式计算所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量相对于所述位置数据局部时序特征向量的序列的整体的所述语义校正系数;
其中,所述校正系数计算公式为:
其中,/>是所述位置数据局部时序特征向量的序列中的各个位置数据局部时序特征向量,/>是所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量,A和B是/>的矩阵,/>是所述位置数据局部时序特征向量的序列中的向量数量,/>是所述各个位置数据局部时序特征向量的尺度,/>是Sigmoid函数,/>是所述语义校正系数。
6.根据权利要求5所述的管道机器人爬行校准方法,其特征在于,基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向,包括:
将所述更新测量位置数据局部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实时爬行速度值和实时爬行方向。
7.根据权利要求6所述的管道机器人爬行校准方法,其特征在于,还包括训练步骤:用于对所述基于一维卷积层的位置数据时序关联特征提取器和所述解码器进行训练。
8.根据权利要求7所述的管道机器人爬行校准方法,其特征在于,所述训练步骤,包括:
训练数据获取,所述训练数据包括由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的训练位置数据;
将所述多个预定时间点的训练位置数据按照时间维度进行排列为输入向量以得到训练位置数据时序输入向量;
将所述训练位置数据时序输入向量进行向量切分以得到训练位置数据局部时序输入向量的序列;
将所述训练位置数据局部时序输入向量的序列通过所述基于一维卷积层的位置数据时序关联特征提取器以得到训练位置数据局部时序特征向量的序列;
计算所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量相对于所述训练位置数据局部时序特征向量的序列的整体的训练语义校正系数;
以所述训练语义校正系数,对所述训练位置数据局部时序特征向量的序列中最后一个训练位置数据局部时序特征向量进行更新以得到训练更新测量位置数据局部时序特征向量;
将所述训练更新测量位置数据局部时序特征向量通过所述解码器以得到解码损失函数值;以及
基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的位置数据时序关联特征提取器和所述解码器进行训练,其中,在每次迭代时对所述训练位置数据局部时序特征向量的序列中的每个训练位置数据局部时序特征向量进行训练优化。
9.一种管道机器人爬行校准系统,其特征在于,包括:
启动设定模块,用于启动管道机器人,并设定预定爬行速度值和爬行方向;
采集计算模块,用于通过设置于所述管道机器人的位置传感器采集所述管道机器人在管道内的位置数据,并基于所述位置数据计算所述管道机器人的实时爬行速度值和实时爬行方向;
偏差计算模块,用于基于所述管道机器人的实时爬行速度值和实时爬行方向与设定的所述预定爬行速度值和爬行方向之间的比较计算出爬行偏差;
调整模块,用于根据所述爬行偏差调整所述管道机器人的驱动电机的转速和转向,使所述管道机器人的实际爬行速度和方向逐渐接近设定的所述预定爬行速度值和方向;
重复模块,用于重复调用所述采集计算模块、所述偏差计算模块和所述调整模块,直到所述爬行偏差小于预设阈值或达到任务终点。
10.根据权利要求9所述的管道机器人爬行校准系统,其特征在于,所述采集计算模块,包括:
位置数据采集单元,用于获取由所述管道机器人的位置传感器采集的预定时间段内多个预定时间点的位置数据;
向量化单元,用于将所述多个预定时间点的位置数据按照时间维度进行排列为输入向量以得到位置数据时序输入向量;
局部时序特征分析单元,用于对所述位置数据时序输入向量进行局部时序特征分析以得到位置数据局部时序特征向量的序列;
加权校正更新单元,用于基于所述位置数据局部时序特征向量的序列,对所述位置数据局部时序特征向量的序列中最后一个位置数据局部时序特征向量进行加权校正更新以得到更新测量位置数据局部时序特征;以及
速度方向分析单元,用于基于所述到更新测量位置数据局部时序特征,确定实时爬行速度值和实时爬行方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311721360.6A CN117406759B (zh) | 2023-12-14 | 2023-12-14 | 一种管道机器人爬行校准方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311721360.6A CN117406759B (zh) | 2023-12-14 | 2023-12-14 | 一种管道机器人爬行校准方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117406759A true CN117406759A (zh) | 2024-01-16 |
CN117406759B CN117406759B (zh) | 2024-04-05 |
Family
ID=89498322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311721360.6A Active CN117406759B (zh) | 2023-12-14 | 2023-12-14 | 一种管道机器人爬行校准方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406759B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629840A (zh) * | 2016-03-15 | 2016-06-01 | 华南理工大学 | 一种集成多传感器的管道爬行智能检测设备 |
CN106441272A (zh) * | 2016-09-14 | 2017-02-22 | 江苏师范大学 | 一种管道清堵机器人自动快速定位系统及方法 |
CN110968096A (zh) * | 2019-12-03 | 2020-04-07 | 深圳市施罗德工业集团有限公司 | 有缆管道爬行器同步收放线方法、装置及计算机终端 |
CN114394493A (zh) * | 2021-12-13 | 2022-04-26 | 武汉中仪物联技术股份有限公司 | 爬行器线缆盘同步收放线的控制方法、系统、设备及装置 |
CN114811265A (zh) * | 2022-03-08 | 2022-07-29 | 合肥工业大学 | 一种管道探测装置及系统 |
CN115511964A (zh) * | 2022-09-21 | 2022-12-23 | 西安热工研究院有限公司 | 一种管道内机器人定位方法及系统 |
CN115792947A (zh) * | 2022-11-29 | 2023-03-14 | 南京理工大学 | 一种基于ekf的管道巡检机器人激光雷达辅助实时定位方法 |
CN116141324A (zh) * | 2023-02-28 | 2023-05-23 | 宝宇(武汉)激光技术有限公司 | 一种管道清洗机器人爬行控制系统及方法 |
CN116659496A (zh) * | 2023-05-04 | 2023-08-29 | 宝宇(武汉)激光技术有限公司 | 激光测距仪与加速度计组合的机器人导航定位系统及方法 |
CN116728410A (zh) * | 2023-06-29 | 2023-09-12 | 盐城工学院 | 一种在狭窄工作环境下的机器人绝对定位精度误差补偿方法 |
KR20230137788A (ko) * | 2022-03-22 | 2023-10-05 | 광동 유에하이 워터 서비스 인베스트먼트 컴퍼니 리미티드 | 셀프 어텐션 메커니즘 기반 다양한 유형의 배관 결함에 대한 검사, 추적 및 계수방법 |
CN117128953A (zh) * | 2022-05-18 | 2023-11-28 | 广东电网有限责任公司广州供电局 | 管道爬壁机器人航位推算方法、设备及存储介质 |
-
2023
- 2023-12-14 CN CN202311721360.6A patent/CN117406759B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629840A (zh) * | 2016-03-15 | 2016-06-01 | 华南理工大学 | 一种集成多传感器的管道爬行智能检测设备 |
CN106441272A (zh) * | 2016-09-14 | 2017-02-22 | 江苏师范大学 | 一种管道清堵机器人自动快速定位系统及方法 |
CN110968096A (zh) * | 2019-12-03 | 2020-04-07 | 深圳市施罗德工业集团有限公司 | 有缆管道爬行器同步收放线方法、装置及计算机终端 |
CN114394493A (zh) * | 2021-12-13 | 2022-04-26 | 武汉中仪物联技术股份有限公司 | 爬行器线缆盘同步收放线的控制方法、系统、设备及装置 |
CN114811265A (zh) * | 2022-03-08 | 2022-07-29 | 合肥工业大学 | 一种管道探测装置及系统 |
KR20230137788A (ko) * | 2022-03-22 | 2023-10-05 | 광동 유에하이 워터 서비스 인베스트먼트 컴퍼니 리미티드 | 셀프 어텐션 메커니즘 기반 다양한 유형의 배관 결함에 대한 검사, 추적 및 계수방법 |
CN117128953A (zh) * | 2022-05-18 | 2023-11-28 | 广东电网有限责任公司广州供电局 | 管道爬壁机器人航位推算方法、设备及存储介质 |
CN115511964A (zh) * | 2022-09-21 | 2022-12-23 | 西安热工研究院有限公司 | 一种管道内机器人定位方法及系统 |
CN115792947A (zh) * | 2022-11-29 | 2023-03-14 | 南京理工大学 | 一种基于ekf的管道巡检机器人激光雷达辅助实时定位方法 |
CN116141324A (zh) * | 2023-02-28 | 2023-05-23 | 宝宇(武汉)激光技术有限公司 | 一种管道清洗机器人爬行控制系统及方法 |
CN116659496A (zh) * | 2023-05-04 | 2023-08-29 | 宝宇(武汉)激光技术有限公司 | 激光测距仪与加速度计组合的机器人导航定位系统及方法 |
CN116728410A (zh) * | 2023-06-29 | 2023-09-12 | 盐城工学院 | 一种在狭窄工作环境下的机器人绝对定位精度误差补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117406759B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102445902B (zh) | 用于机器状况监视的条件多输出回归的系统和方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN111279209B (zh) | 用于改进定位模型的指纹数据预处理方法 | |
CN111178548A (zh) | 集成学习预测方法与系统 | |
US11709474B2 (en) | Method and apparatus for detecting abnormality of manufacturing facility | |
CN107924184A (zh) | 监视装置及监视装置的控制方法 | |
CN117270082A (zh) | 基于多传感器数据融合的降水量预测系统及其方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
CN112797967B (zh) | 一种基于图优化的mems陀螺仪随机漂移误差补偿方法 | |
CN111122162A (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
EP3913547A1 (en) | Modelling input-output relation of computer-controlled entity | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
CN115470717A (zh) | 一种机器人剩余寿命预测方法、装置、设备及存储介质 | |
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
CN118070231B (zh) | 一种基于聚类关联的多源多目标测量数据实时融合方法 | |
CN116821697A (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
CN116295752A (zh) | 用于smt上料设备的测试力度控制方法及系统 | |
CN115050095A (zh) | 一种基于高斯过程回归和渐进滤波的人体姿态预测方法 | |
CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
JP2022140294A (ja) | 欠損データを回復するためにオートエンコーダアーキテクチャを有するニューラルネットワークをトレーニングするためのシステムおよび方法 | |
CN117406759B (zh) | 一种管道机器人爬行校准方法和系统 | |
US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program |
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 |