JP7317212B2 - 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム - Google Patents
位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム Download PDFInfo
- Publication number
- JP7317212B2 JP7317212B2 JP2022509872A JP2022509872A JP7317212B2 JP 7317212 B2 JP7317212 B2 JP 7317212B2 JP 2022509872 A JP2022509872 A JP 2022509872A JP 2022509872 A JP2022509872 A JP 2022509872A JP 7317212 B2 JP7317212 B2 JP 7317212B2
- Authority
- JP
- Japan
- Prior art keywords
- point
- error
- magnitude
- probability distribution
- prediction
- 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
Images
Classifications
-
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/22—Multipath-related issues
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Description
以下、本発明の第一実施形態による位置誤差の大きさの確率分布の予測方法について図1A~図7を参照して説明する。
(構成)
図1Aは、本発明の第一実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置10は、ある地点の地形特徴データを入力すると、その地点で衛星測位システムが提供する位置誤差の大きさの確率分布を予測する。図1に示すように位置誤差予測装置10は、地形特徴データ取得部11と、予測部12と、記憶部13と、出力部14と、学習部15と、を備える。
予測部12は、地形特徴データ取得部11が取得した地形特徴データと、予測モデルMとに基づいて、位置誤差の大きさの確率分布を予測する。
記憶部13は、予測モデルMや各種データを記憶する。
出力部14は、予測部12による予測結果を出力する。
学習部15は、ある地点の地形特徴データを入力すると、その地点における位置誤差の大きさの確率分布を出力する予測モデルMを作成する。学習部15は、データ取得部151と、学習データ作成部152と、モデル作成部153とを備える。データ取得部151は、学習用の地形特徴データ、衛星測位システムが提供する位置情報、位置誤差の大きさを取得する。学習データ作成部152は、位置情報から後述する経路形状を算出し、位置誤差の大きさから位置誤差の大きさの確率分布を算出する。モデル作成部153は、位置誤差の大きさの確率分布を予測する予測モデルMを作成する。
位置誤差予測システム1は、位置誤差予測装置10´と、モデル作成装置150とを備える。位置誤差予測装置10´とモデル作成装置150とは、通信可能に接続されていてもよい。位置誤差予測装置10´は、地形特徴データ取得部11と、予測部12と、記憶部13と、出力部14と、を備える。モデル作成装置150は、データ取得部151と、学習データ作成部152と、モデル作成部153と、を備える。各機能部の機能については、図1Aを用いて説明したとおりである。モデル作成装置150は、衛星測位システムが提供する位置情報の誤差の大きさの確率分布を予測する予測モデルMを作成する。位置誤差予測装置10´は、モデル作成装置150が作成した予測モデルMを取得して、記憶部13に予測モデルMを記憶する。以下、図1Aに例示する位置誤差予測装置10を例に説明を行うが、位置誤差予測システム1を用いても、同様の処理によって予測モデルMの作成や、任意の地点における位置誤差の大きさの確率分布の予測が可能である。
次に図2A~図2Dを参照して、3次元の地図データから地形特徴データを算出する方法について説明を行う。図2A~図2Dは、それぞれ、本開示における地図データの処理方法について説明する第1~第4の図である。
図2Aに対象地点Pと、その周囲の地形の一例を示す。対象地点Pとは、例えば、車両の現在位置である。対象地点Pを中心として、例えば、北方向を基準にして、方位角αごとにその方向に存在する建物等を検出していく。図2Aでは、濃淡で建物等の高さを示しており、白くなるほど高い建物等が存在することを示している。例えば、矢印Aで示す方位角がαの位置には高層建物BHと低層建物LH2が存在し、南方向には低層建物LHが存在する。
次に位置誤差の大きさの確率分布の予測に用いるパラメータ(地形特徴データ)について、図3A~図3Cを用いて説明する。
図3A~図3Cは、それぞれ、本開示の地形特徴データについて説明する第1~第3の図である。
図3Aに示すグラフでは、仰角βごとの境界数を示す。境界数とは、遮蔽部と無遮蔽部の境界を示す。矢印30A~30Dは、仰角30°における境界を示す。仰角30°の境界数は4個である。矢印45A~45Bは、仰角45°における境界を示し、矢印60A~60Bは、仰角60°における境界を示す。仰角45°、60°における境界数は何れも2個である。境界数は、仰角ごとの建物等の数と関係する。無遮蔽角度が同じでも、境界数が異なれば、その仰角における建物等の数が異なる。例えば、北方向に大きなビルが1棟建てられている場合と、東西南北のそれぞれに小さなビルが1棟ずつ建てられている場合とでは、無遮蔽角度が同じでも衛星からの信号の受信のし易さが異なる可能性がある。従って、本開示では、境界数を、衛星からの信号の受信状況、つまり、位置誤差の大きさに影響を及ぼすパラメータとして用いる。
実際に車両を走行させると、図4aに例示するように走行中に測位した位置情報P1、P2、P3、P4、P5、Pと、その位置情報の誤差の大きさを表す位置誤差範囲情報Q1、Q2、Q3、Q4、Q5、Qが得られる。位置誤差範囲情報Q1等を破線の丸印で示す。車両の走行を何度も繰り返すと、位置情報P1、P2、P3、P4、P5、Pに対応して、その時々の位置誤差範囲情報Q1、Q2、Q3、Q4、Q5、Qが得られる。例えば、対象地点PについてN回の走行および位置誤差の計測を行い、N回分の位置誤差の大きさを記録する。この情報から対象地点Pにおける位置誤差の大きさの確率分布を算出することができる。例えば、N=10回、位置誤差の情報として、位置誤差の大きさx1が3回、x2が2回、x3が5回、計測されたとすると、位置誤差の大きさがx1となる確率が30%、x2となる確率が20%、x3となる確率が50%という確率分布が得られる。グラフ100aに、対象地点Pにおける位置誤差の大きさの確率分布の一例を示す。グラフ100aの縦軸は確率、横軸は位置誤差の大きさを示す。学習部15のデータ取得部151は、対象地点Pで所定回数(例えば、50回)計測された位置誤差の大きさを取得する。学習データ作成部152は、取得された位置誤差の大きさに基づいて、位置誤差の大きさの確率分布を算出する。
学習部15は、図3A~図3Cで説明した入力パラメータ(地形特徴データ)を入力すると、図4を用いて説明した方法で算出された実測値に基づく位置誤差の大きさの確率分布100bを出力する予測モデルMを、ニューラルネットワークなどの多出力可能な回帰手法を用いて作成する。
図6は、本開示の第一実施形態における学習処理の一例を示すフローチャートである。
まず、データ取得部151が、複数地点の地形特徴データを取得する(ステップS11)。地形特徴データとは、図3Aで説明した境界数、図2D又は図3Bで説明した無遮蔽角度である。精度の良い予測モデルMの作成には、なるべく多くの学習データがあった方が好ましいので、様々な地形の特徴を有する地点を対象地点として、各対象地点の地形特徴データを取得する。なお、データ取得部151が、複数地点の情報が含まれる3次元の地図データを取得して、学習部15が、この地図データから各地点の境界数と無遮蔽角度を算出してもよい。データ取得部151は、全ての対象地点について、それぞれの対象地点と境界数と無遮蔽角度とを対応付けて記憶部13に記録する。
図7は、本開示の第一実施形態における予測処理の一例を示すフローチャートである。
まず、地形特徴データ取得部11が、新たな地点の地形特徴データを取得する(ステップS21)。新たな地点とは、位置誤差の大きさの確率分布が未知な地点である。地形特徴データ取得部11は、予測対象地点の境界数、無遮蔽角度および経路形状を取得する。例えば、ユーザが、予測対象地点を含む3次元の地図データに基づいて、図2A~図2D、図3A~図3Bを用いて説明した方法で、境界数、無遮蔽角度を算出し、これらを位置誤差予測装置10へ入力する。また、経路形状については、ユーザが、予測対象地点での車両の走行方向、速度の想定値と、地図データ上の予測対象地点の道路の形状に基づいて、経路形状(cosθと走行方向)を算出し、この値を位置誤差予測装置10へ入力する。地形特徴データ取得部11は、位置誤差予測装置10へ入力された地形特徴データ(境界数、無遮蔽角度、経路形状)を取得し、これらを予測部12へ渡す。
次に図8A~図10を参照して、第二実施形態における位置誤差の大きさの確率分布の予測処理について説明する。
図8Aは、本開示の第二実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置10Aは、地形特徴データ取得部11と、予測部12と、記憶部13と、出力部14と、学習部15Aと、を備える。第一実施形態と同様の構成については説明を省略する。
位置誤差の大きさの分布は異なる地点で同じ、あるいは、近い分布となることがある。例えば、地形の特徴が異なる複数の地点で位置誤差の大きさを所定回数計測した結果、グラフ9aに類似する確率分布が1000個、グラフ9bに類似する確率分布が10個、グラフ9cに類似する確率分布が8個得られるようなことがあり得る。(位置誤差の大きさ=0付近の確率が高いグラフ9aのような結果は、多くの地点で比較的多く得られる。)これらのデータの中から任意に学習データを選択して、予測モデルMの学習を行うという処理を繰り返すと、選択される学習データが、グラフ9aに類似するデータに偏り、どのような地形特徴データを与えてもグラフ9aに類似する確率分布の予測を行う予測モデルMが作成される。このような事態を防ぐために第二実施形態では、図9に示すように確率分布のパターンに偏りがなくなるようにデータ数を調整する。例えば、学習データ選択部154は、グラフ9aに類似する確率分布が1000個の中から10個を選択して、グラフ9bに類似する確率分布10個、グラフ9cに類似する確率分布8個とそれぞれに対応する地形特徴データを学習データとして選択する。モデル作成部153は選択された学習データを用いて、予測モデルMの学習を行う。これにより、偏りのない学習データによって予測モデルMを作成し、予測の誤り(偏り)を防止する。
図10は、本開示の第二実施形態における学習処理の一例を示すフローチャートである。第一実施形態と同様の処理については簡単に説明する。
まず、データ取得部151が、複数地点の地形特徴データを取得する(ステップS11)。次にデータ取得部151は、複数地点のそれぞれで所定回数以上計測された位置情報と位置誤差の大きさを取得する(ステップS12)。次に学習データ作成部152は、各地点の経路形状を算出する(ステップS13)。次に学習データ作成部152は、各地点の位置誤差の大きさの確率分布を算出する(ステップS14)。
コンピュータ900は、CPU901、主記憶装置902、補助記憶装置903、入出力インタフェース904、通信インタフェース905を備える例えばPC(Personal Computer)、サーバ端末装置などである。上述の位置誤差予測装置10,10A、モデル作成装置150,150Aは、コンピュータ900に実装される。そして、上述した各処理部の動作は、プログラムの形式で補助記憶装置903に記憶されている。CPU901は、プログラムを補助記憶装置903から読み出して主記憶装置902に展開し、当該プログラムに従って上記処理を実行する。CPU901は、プログラムに従って、記憶部13に対応する記憶領域を主記憶装置902に確保する。CPU901は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置903に確保する。
例えば、実施形態では、予測モデルMに対する入力パラメータとして、境界数、無遮蔽角度、経路形状の3つを用いることとしたが、これらのうちの1つ、又は2つのみを用いてもよい。
実施形態に記載の位置誤差予測装置10,10A、位置誤差予測方法およびプログラムは、例えば以下のように把握される。
これにより、任意の地点において衛星測位システムから得られる位置情報の誤差の大きさの確率分布を得ることができる。
これにより、学習データの偏りによる予測精度の低下を防止することができる。
これにより、任意の地点の地形特徴データを入力すると、その地点で衛星測位システムから得られる位置情報の誤差の大きさの確率分布を出力する予測モデルを作成することができる。
10 位置誤差予測装置
11 地形特徴データ取得部
12 予測部
13 記憶部
14 出力部
15 学習部
150、150A モデル作成装置
151 データ取得部
152 学習データ作成部
153 モデル作成部
900 コンピュータ
901 CPU
902 主記憶装置
903 補助記憶装置
904 入出力インタフェース
905 通信インタフェース
Claims (11)
- 移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、
ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、
を備える位置誤差予測装置。 - 前記受信のし易さに関係する値は、前記地点の上空において、当該地点の地面を基準とした仰角ごとの前記衛星測位システムの衛星との間に遮蔽がない空間の大きさを示す値である、
請求項1に記載の位置誤差予測装置。 - 前記受信のし易さに関係する値は、前記地点の上空において、当該地点の地面を基準とした仰角ごとの、前記衛星測位システムの衛星との間に遮蔽がない空間と遮蔽がある空間との境界の数を示す値である、
請求項1または請求項2に記載の位置誤差予測装置。 - 前記地形特徴データには、さらに前記地点を通過する移動体の走行経路の形状に基づく所定の特徴量と前記移動体の走行方向が含まれる、
請求項1から請求項3の何れか1項に記載の位置誤差予測装置。 - 前記地形特徴データと、その地形特徴データを有する地点で計測された複数の前記誤差の大きさに基づいて算出された前記確率分布と、
の関係を学習して、前記予測モデルを作成する学習部、
を更に備える請求項1から請求項4の何れか1項に記載の位置誤差予測装置。 - 前記学習部は、前記確率分布を類似するグループごとに分類し、前記グループの各々から選択される前記確率分布の数の比率が、均等とみなせる所定の範囲の比率となるように、前記グループの各々から前記確率分布を選択し、選択した前記確率分布と、その前記確率分布に対応する前記地形特徴データに基づいて、前記予測モデルを作成する、請求項5に記載の位置誤差予測装置。
- ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得するデータ取得部と、
複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部と、
前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部と、
を備え、
前記地形特徴データには、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる、
モデル作成装置。 - 移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する、
位置誤差予測方法。 - ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する、モデル作成方法。 - コンピュータに、
移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、
を実行させるプログラム。 - コンピュータに、
ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/013290 WO2021192082A1 (ja) | 2020-03-25 | 2020-03-25 | 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021192082A1 JPWO2021192082A1 (ja) | 2021-09-30 |
JP7317212B2 true JP7317212B2 (ja) | 2023-07-28 |
Family
ID=77891158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022509872A Active JP7317212B2 (ja) | 2020-03-25 | 2020-03-25 | 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7317212B2 (ja) |
WO (1) | WO2021192082A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050010365A1 (en) | 2001-08-02 | 2005-01-13 | Lee Chapman | Road weather prediction system and method |
JP2007003287A (ja) | 2005-06-22 | 2007-01-11 | Nissan Motor Co Ltd | Gpsロストの予測方法、gpsロストの予測装置及び車両用走行制御装置 |
JP2012220371A (ja) | 2011-04-11 | 2012-11-12 | Seiko Epson Corp | 位置算出方法及び位置算出装置 |
US20140185940A1 (en) | 2012-12-31 | 2014-07-03 | Korea Aerospace Research Institute | Apparatus and Method for Calculating Satellite Navigation Visibility |
JP2019027799A (ja) | 2017-07-25 | 2019-02-21 | 日本電信電話株式会社 | 測位精度情報算出装置及び測位精度情報算出方法 |
-
2020
- 2020-03-25 JP JP2022509872A patent/JP7317212B2/ja active Active
- 2020-03-25 WO PCT/JP2020/013290 patent/WO2021192082A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050010365A1 (en) | 2001-08-02 | 2005-01-13 | Lee Chapman | Road weather prediction system and method |
JP2007003287A (ja) | 2005-06-22 | 2007-01-11 | Nissan Motor Co Ltd | Gpsロストの予測方法、gpsロストの予測装置及び車両用走行制御装置 |
JP2012220371A (ja) | 2011-04-11 | 2012-11-12 | Seiko Epson Corp | 位置算出方法及び位置算出装置 |
US20140185940A1 (en) | 2012-12-31 | 2014-07-03 | Korea Aerospace Research Institute | Apparatus and Method for Calculating Satellite Navigation Visibility |
JP2019027799A (ja) | 2017-07-25 | 2019-02-21 | 日本電信電話株式会社 | 測位精度情報算出装置及び測位精度情報算出方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021192082A1 (ja) | 2021-09-30 |
JPWO2021192082A1 (ja) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104019813B (zh) | 目标即时定位和构建地图的方法与系统 | |
Yozevitch et al. | A robust shadow matching algorithm for GNSS positioning | |
EP3454303B1 (en) | Method and device for filling regions of terrain elevation model data | |
US10712158B2 (en) | Open terrain navigation systems and methods | |
KR20180079428A (ko) | 자동 로컬리제이션을 위한 장치 및 방법 | |
CN107850445A (zh) | 用于生成及使用定位参考数据的方法及系统 | |
CN104677361B (zh) | 一种综合定位的方法 | |
CN108958282A (zh) | 基于动态球形窗口的三维空间路径规划方法 | |
CN101285686A (zh) | 一种农业机械导航分级定位的方法和系统 | |
JP6996729B2 (ja) | 電磁界データ取得システム、飛行体、端末装置、および、プログラム | |
Čurn et al. | Data incest in cooperative localisation with the common past-invariant ensemble kalman filter | |
US11002552B2 (en) | Map data generation system and method for generating map data | |
CN110271553A (zh) | 用于稳健地定位车辆的方法和设备 | |
CN105737850A (zh) | 基于粒子滤波的变尺度单方向重力采样矢量匹配定位方法 | |
Dasanayaka et al. | Analysis of vehicle location prediction errors for safety applications in cooperative-intelligent transportation systems | |
CN111006645A (zh) | 基于运动与结构重建的无人机测绘方法 | |
JP7317212B2 (ja) | 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム | |
CN105527639A (zh) | 一种基于平滑与外推的卫星定位方法 | |
Sinickas et al. | Comparing methods for estimating β points for use in statistical snow avalanche runout models | |
Ma et al. | A robust fusion terrain-aided navigation method with a single Beam Echo Sounder | |
Abd Aziz et al. | Utilizing repeated GPS surveys from field operations for development of agricultural field DEMs | |
Lv et al. | Research on shadow matching algorithm based on consistency probability weighting | |
Al Mansoori et al. | Photogrammetric techniques and UAV for drainage pattern and overflow assessment in mountainous Terrains-Hatta/UAE | |
CN113810846A (zh) | 一种基于WiFi和IMU融合的室内定位方法 | |
CN109947877B (zh) | 一种提高gis移动终端地图定位精度的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220613 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230411 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230601 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230718 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7317212 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |