CN111707294B - 基于最优区间估计的行人导航零速区间检测方法和装置 - Google Patents
基于最优区间估计的行人导航零速区间检测方法和装置 Download PDFInfo
- Publication number
- CN111707294B CN111707294B CN202010840551.4A CN202010840551A CN111707294B CN 111707294 B CN111707294 B CN 111707294B CN 202010840551 A CN202010840551 A CN 202010840551A CN 111707294 B CN111707294 B CN 111707294B
- Authority
- CN
- China
- Prior art keywords
- interval
- zero
- value
- speed
- relative change
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 171
- 230000001133 acceleration Effects 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 188
- 238000005259 measurement Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种基于最优区间估计的行人导航零速区间检测方法和装置。所述方法包括：获取一步周期中的行人导航的加速度信号，构建其相对于初始静止对准时刻的加速度值的相对变化函数，根据相对变化函数值获取候选零速区间，以候选零速区间分布的中心点为零速基准点。根据行人导航加速度信号在一步周期中的分布特征，对包括零速基准点的候选零速区间进行粗搜索和精搜索，得到符合零速区域内加速度值分布特点的区间，得到行人导航的零速区间检测结果。上述方法利用行人导航加速度信号在一步周期内的分布和变化规律，实现了不受行人运动状态差异的零速区间检测，并且不需要事先获取导航对象的先验信息，具有实现简单、计算量小且适用范围广的特点。
Description
技术领域
本申请涉及惯性行人导航技术领域，特别是涉及一种基于最优区间估计的行人导航零速区间检测方法和装置。
背景技术
日常生活中行人导航系统具有极其广泛的应用需求，而随着微机电系统（MEMS，Micro-Electro-MechanicalSystem）技术的迅猛发展，惯性传感器越来越多地应用于行人导航系统，使得基于惯性的导航技术成为了实现行人自主导航的关键。惯性传感器不需要对目标环境进行提前准备，还可以避免卫星导航系统受使用场景限制较大的问题，因此具有适用范围广、抗外界干扰能力强、可提供自主导航能力等特点。然而惯性传感器在测量过程中存在误差，经过积分运算后会导致导航误差发散，因此要需要通过外界观测的约束条件对导航结果进行修正，零速修正算法是解决惯性误差发散的重要方法之一。
基于阈值的零速检测法是经典的零速检测方法，只要阈值选择合适，就能获得较好的导航结果。然而人体运动的多样性使MEMS输出的测量信号较为复杂，固定的阈值无法满足在不同行人在不同运动状态下零速区间检测的需要，因此如何适应不同的运动状态选择恰当的阈值成为了难点。
另一方面，随着人工智能（AI）技术，特别是深度学习的发展，给零速检测算法提供了新的思路，基于AI方法的零速检测器取得了较好的效果，具有较好的实时零速检测能力。但是这种方法需要足够多并且具有代表性的训练数据，其获取代价较大。同时由于机器学习对训练数据的依赖性较强，在训练过程中存在过拟合现象，将基于有限数据集训练出的模型运用到众多未知的目标对象上，模型的适用性是存在疑问的，这也是基于AI方法的零速检测器的缺陷之一。
发明内容
基于此，有必要针对上述技术问题，提供一种数据获取代价低、适用于各种目标对象的基于最优区间估计的行人导航零速区间检测方法和装置。
一种基于最优区间估计的行人导航零速区间检测方法，所述方法包括：
获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
其中一个实施例中，获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤包括：
获取一步周期内的行人导航的加速度信号。
以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。
使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
其中一个实施例中，根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置的步骤包括：
根据相对变化函数小于预设值的区间得到候选零速区间。
根据候选零速区间中各点的平均值和中值得到零速基准点的位置。
其中一个实施例中，分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间的步骤包括：
获取加速度信号的测量设备的最大测量误差参数，根据最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于最大理论误差值的粗搜索零速区间。
其中一个实施例中，分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间的步骤包括：
分别获取零速基准点前后相对变化函数的最大值点，以最大值点为端点得到当前粗搜索区间。
当最大值点处相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
其中一个实施例中，从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当的端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果的步骤包括：
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值。
从当前精搜索区间中剔除端点值较大的端点，获取剔除端点后当前精搜索区间中相对变化函数的数学期望值。
当剔除端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
其中一个实施例中，获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤之前，还包括：
获取行人导航的角速度信号，根据角速度信号得到行人双足运动的滤波后信号，根据滤波后信号确定一步周期对应的时间区间。
一种基于最优区间估计的行人导航零速区间检测装置，其特征在于，所述装置包括：
相对变化函数构建模块，用于获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
零速基准点计算模块，用于根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
粗搜索模块，用于分别获取零速基准点前后所述相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
零速区间检测模块，用于从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
上述基于最优区间估计的行人导航零速区间检测方法、装置、计算机设备和存储介质，构建一步周期中的行人导航的加速度信号与初始静止对准时刻的加速度值的相对变化函数，根据预设的函数范围值得到一步周期中的候选零速区间，并确定零速基准点的位置，根据行人导航加速度信号在一步周期中的分布特征，得到包括零速基准点的粗搜索零速区间，从粗搜索零速区间的两个端点向区间内进行精搜索，得到端点值对区间内相对变化函数的数学期望值影响足够小的精搜索区间，从而得到行人导航的零速区间检测结果。上述方法、装置、计算机设备和存储介质利用了行人导航信号在一步周期内的分布和变化规律，实现了不受行人运动状态差异的零速区间检测，并且不需要事先获取导航对象的先验信息，具有实现简单、计算量小且适用范围广的特点。
附图说明
图1为一个实施例中一种基于最优区间估计的行人导航零速区间检测方法的应用场景图；
图2为一个实施例中一种基于最优区间估计的行人导航零速区间检测方法的流程示意图；
图3为一个实施例中获取到的行人导航的信号；
图4为一个实施例中经过预处理后的行人导航信号；
图5为一个实施例中一步周期内优化空间中的相对变化函数的曲线图；
图6为一个实施例中一步周期内候选零速区间位置示意图；
图7为一个实施例中得到的粗搜索区间和精搜索区间示意图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种基于最优区间估计的行人导航零速区间检测方法，可以应用于如图1所示的应用环境中。其中，行人随身携带或佩戴了基于MEMS的惯性导航传感器，该传感器实时向设备102发送行人身体对应部位的角速度、加速度等测量信号，设备102对收到的测量信号进行处理，提供行人导航功能。其中，设备102可以但不限于是各种笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种基于最优区间估计的行人导航零速区间检测方法，以该方法应用于图1中的设备102为例进行说明，包括以下步骤：
步骤202，获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
对于行人的步行运动而言，按照步行过程中脚的运动状态，可以将一只脚从离开地面到接触地面再到离开地面的过程视为一个一步周期。非零速区间对应于脚部离开地面的时间段，零速区间对应于脚步接触地面的时间段，因此在一步周期内，零速区间和非零速区间的分布是“非零速区间-零速区间-非零速区间”。而根据惯性导航传感器采集到的加速度信号的规律可知，零速区间内的加速度信号的模值与初始静止对准时的加速度模值接近，该模值接近于重力加速度值
。因此，可以根据加速度信号模值相对于初始静止对准时的加速度模值的关系，判断该加速度信号值的测量时刻是否在零速区间内。基于上述原理，步骤202构建了惯导传感器测量到的加速度信号相对于初始静止对准时刻的加速度值的相对变化函数，作为检测零速区间的基础。
步骤204，根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
基于上面描述的零速区间中加速度信号值的变化规律，获取该相对变化函数值在预设函数值范围内的时间段，作为候选零速区间。在候选零速区间，加速度信号值与初始静止对准时的加速度值的差值在一定范围内，这个差值范围是由预设的相对函数值范围确定的。在这个差值范围内，认为加速度信号值足够接近初始静止对准时的加速度值，因此零速区间必然包含在候选零速区间中。
零速基准点是用于确认零速区间位置的参考点，即零速基准点位于零速区间中。而在实际应用中，惯导传感器以固定的频率测量加速度值，测量到的加速度信号值足够接近初始静止对准时的加速度值的时间点绝大多数应当位于零速区间中，少数分布在非零速区间中（即如果某一区间内出现较大范围的加速度值和初始静止对准时的加速度值近似，则区间应当包括全部或部分的零速区间）。此外，根据一步周期内行人运动的规律，对应的零速区间应当位于所选取的一步周期的中段。因此，基于上述理由，可以将所有候选零速区间中所有时间点的中心点作为定位零速区间的零速基准点。
步骤206，分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
同样根据一步周期中行人运动的规律可以知道，由于非零速区间和零速区间是一种类似“三明治”的分布方式，两端的非零速区间包夹着中间的零速区间，因此如果在一个区间内相对变化函数的最大值点出现在零速基准点之前的时刻，就可以确定该最大值点之前的区间是非零速区间，而如果最大值点出现在零速基准点之后的时刻，就可以确定该最大值点之后的区间是非零速区间。基于这个原理，重复获取零速基准点前后相对变化函数的最大值之间的区间，将非零速区间剔除，直到当前包括零基准点的区间内相对变化函数的最大值小于预设值，以该区间为粗搜索零速区间。
步骤208，从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
精搜索的目的是在粗搜索零速区间中找到最符合零速区间数据分布规律的最优区间，以之作为零速区间检测结果。
在零速区间中，加速度信号相对于初始静止对准时刻的加速度值的相对变化幅度小，因此相对变化函数在零速区间中的数学期望值收敛在一个常数附近。根据零速区间中该相对变化函数的这一特性，同时根据零速区间分布在一步周期中间时段的特点，从粗搜索零速区间的两个端点开始向区间内进行精搜索：获取当前精搜索区间端点处相对变化函数的端点值，并获取当前精搜索区间中相对变化函数的数学期望值。当去除端点值前后相对变化函数的数学期望值变化小于预设值时，认为当前区间中相对变化函数的数学期望值收敛在一个常数附近，因此将当前精搜索区间作为行人导航的零速区间检测结果。
上述基于最优区间估计的行人导航零速区间检测方法利用了行人导航信号在一步周期内的分布和变化规律，实现了不受行人运动状态差异的零速区间检测，并且不需要事先获取导航对象的先验信息，具有实现简单、计算量小且适用范围广的特点。
其中一个实施例中，获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤包括：
获取一步周期内的行人导航的加速度信号。
以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。
使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
具体地，为了使相对变化函数更明显地体现加速度信号相对于初始静止对准时刻的加速度值的变化，本实施例以时间为变量，给出二者的比值表达式，并适用凸函数对比值表达式进行映射，得到相对变化函数。这样得到的相对变化函数是将上述二者的比值关系映射到了一个优化空间中，在该优化空间中二者的相对变化将得到差异性的非线性放大，以便为后续的零速区间搜索提供更显著的数据特征。
其中一个实施例中，提供了一种基于最优区间估计的行人导航零速检测方法，包括以下步骤：
步骤302，获取行人导航的角速度信号，根据角速度信号得到行人双足运动的滤波后信号，根据滤波后信号确定一步周期对应的时间区间。
具体地，对如图3所示的行人导航的信号中的角速度信号进行降噪、平滑等预处理，得到双足运动的滤波后信号，根据预处理后角速度信号的分布情况确定一步周期。预处理后的结果如图4所示，上方曲线代表的是预处理后的角速度信号
。则一步周期时间段可以确定为：
其中，
是预处理中使用的平滑滤波器的窗口大小，取值为一个较小的整数，
是与处理中使用的滑动平均窗口大小，取值为IMU采样频率的一半。这里的窗口大小都是值窗口中包括的IMU采样值的数量。
根据角速度信号确定一步周期后，就可以对应获取一步周期中的加速度信号。
步骤304，获取一步周期内的行人导航的加速度信号。以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
具体地，理论上零速区间内的加速度信号应当与初始静止对准时的加速度信号的模值接近，即接近重力加速度值
。本实施例使用一个凸函数
将一步周期内加速度信号和
的比值映射到一个优化空间中作为相对变化函数，在优化空间中将差异性进行非线性放大。本实施例中一步周期内优化空间中的相对变化函数的曲线如图5所示。
步骤306，根据相对变化函数小于预设值的区间得到候选零速区间。根据候选零速区间中各点的平均值和中值得到零速基准点的位置。
在优化空间中，根据相对变化函数的值，可以给出零速区间和非零速区间的大致范围。首先需要找到一个零速区间基准点，该点作为零速区间其他点的代表，作为下一步的优化的参考点，具体地方法是在优化空间中，采用区间估计的方法，找到加速度值相对于
的变化一定范围以内的区间（以
为例）作为候选零速区间，零速区间就包括在其中一个候选零速区间中。图6中加粗的部分为根据上述方法得到相对变化函数在预设范围内的候选零速区间。
式（4）中，
表示在优化空间中一步周期内所有采样点的集合，其中
表示在
时刻的优化空间的加速度信号。
表示候选零速区间的集合，
代表第
个候选零速区间，
表示第
个候选零速区间中的
时刻的加速度信号。
考虑在实际运动中，非零速区间出现加速度和重力值近似的情况是较少的，也即是说如果在一个区间内出现较大范围的加速度值和重力值近似，则该区间应当不是非零速区间。而零速区间内所有的加速度值都和重力加速度值
足够接近。因此从数据分布上，零速基准点可以通过候选零速区间中所有点的位置的平均值和中值确定（从图3中也可以直观地看出，零速区间位于一步周期的中段）：
其中，
表示第
个候选零速区间中第
个信号测量时间点，
表示候选零速区间中所有点的位置的平均值，
表示候选零速区间中所有点的位置的中值，
为最终确定的零速基准点的位置。图6中曲线上的点表示计算得到的零速基准点位置。
步骤308，获取加速度信号的测量设备的最大测量误差参数，根据最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值。分别获取零速基准点前后相对变化函数的最大值点，以最大值点为端点得到当前粗搜索区间。当最大值点处相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
确定零速基准点后，就可以对包括零速基准点的候选零速空间进行粗搜索。粗搜索的核心是找那些绝对不可能属于零速区间的非零速点，通过这些非零速点和零速基准点之间的时间关系，剔除非零速区间。由一步周期内非零速区间和零速区间的分布情况可知，由于两端的非零速区间包夹着中间的零速区间，因此如果当前区间内相对变化函数的最大值点出现在零速基准点前面的时刻，则该最大值点之前的区间是非零速区间；而如果最大值点出现在零速基准点之后的时刻，则该最大值点之后的区间是非零速区间。粗搜索的过程就是根据这一原则不断剔除非零速区间，并在剩下的区间内继续进行搜索。
粗搜索结束的标准是当前区间内相对变化函数的最大值小于预设值。本实施例中，根据测量设备的最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值，以得到的最大理论误差值作为衡量粗搜索是否结束的标准。具体地，根据惯导传感器对加速度的最大测量误差百分比
（
和传感器的硬件性能有关，一般硬件厂商会给出
的值），得到最大测量误差
通过相对变化函数映射到优化空间的值
：
即如果当前区间内相对变化函数的最大值小于
，则结束粗搜索，对当前区间进行精搜索。图7所示为根据预设的
（20%）和
（5.7159）的值得到对应粗搜索区间。
步骤310，从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值。从当前精搜索区间中剔除端点值较大的端点，获取剔除端点后当前精搜索区间中相对变化函数的数学期望值。当剔除端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
精搜索的核心是要找到最符合零速区间数据分布的最优区间。在本实施例的优化空间中，零速区间中相对变化函数的数学期望理论值为
。基于极大似然估计，在优化空间中如果存在一个区间，该区间中相对变化函数的数学期望与
近似，并且如果舍去区间中任意的点对该区间中相对变化函数的数学期望影响不大，则可以认为该区间是零速区间。
根据非零速区间在一步周期中的分布规律，非零速点应当在区间的两端，从粗搜索零速区间的两个端点向区间内进行精搜索：比较当前区间两个端点处相对变化函数值的大小，将值大的端点作为可能的非零速点进行剔除。比较剔除非零速点前区间内相对变化函数的数学期望值
与剔除非零速点后区间内相对变化函数的数学期望
之间的差别。当经过精搜索多次的迭代，区间内相对变化函数的值都收敛到
附近，且剔除端点值前后相对变化函数的数学期望值也收敛到
附近时，如式（9）所示，则结束精搜索，并以得到的区间作为行人导航的零速区间检测结果。图7给出了通过精搜索得到的零速区间检测结果。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于最优区间估计的行人导航零速区间检测装置，包括：
相对变化函数构建模块，用于获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
零速基准点计算模块，用于根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
粗搜索模块，用于分别获取零速基准点前后所述相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
零速区间检测模块，用于从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
其中一个实施例中，相对变化函数构建模块用于获取一步周期内的行人导航的加速度信号。以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
其中一个实施例中，零基准点计算模块用于根据相对变化函数小于预设值的区间得到候选零速区间。根据候选零速区间中各点的平均值和中值得到零速基准点的位置。
其中一个实施例中，粗搜索模块用于获取加速度信号的测量设备的最大测量误差参数，根据最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值。分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于最大理论误差值的粗搜索零速区间。
其中一个实施例中，粗搜索模块用于分别获取零速基准点前后相对变化函数的最大值点，以最大值点为端点得到当前粗搜索区间。当最大值点处相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
其中一个实施例中，零速区间检测模块用于从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值。从当前精搜索区间中剔除端点值较大的端点，获取剔除端点后当前精搜索区间中相对变化函数的数学期望值。当剔除端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
其中一个实施例中，还包括一步周期确定模块，用于获取行人导航的角速度信号，根据角速度信号得到行人双足运动的滤波后信号，根据滤波后信号确定一步周期对应的时间区间。
关于一种基于最优区间估计的行人导航零速区间检测装置的具体限定可以参见上文中对于一种基于最优区间估计的行人导航零速区间检测方法的限定，在此不再赘述。上述一种基于最优区间估计的行人导航零速区间检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于最优区间估计的行人导航零速区间检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取一步周期内的行人导航的加速度信号。以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据相对变化函数小于预设值的区间得到候选零速区间。根据候选零速区间中各点的平均值和中值得到零速基准点的位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取加速度信号的测量设备的最大测量误差参数，根据最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值。分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于最大理论误差值的粗搜索零速区间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别获取零速基准点前后相对变化函数的最大值点，以最大值点为端点得到当前粗搜索区间。当最大值点处相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值。从当前精搜索区间中剔除端点值较大的端点，获取剔除端点后当前精搜索区间中相对变化函数的数学期望值。当剔除端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取行人导航的角速度信号，根据角速度信号得到行人双足运动的滤波后信号，根据滤波后信号确定一步周期对应的时间区间。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取一步周期中的行人导航的加速度信号，构建加速度信号相对于初始静止对准时刻的加速度值的相对变化函数。
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据候选零速区间在一步周期中分布的中心点得到零速基准点的位置。
分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于预设值的粗搜索零速区间。
从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值，当端点值对数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取一步周期内的行人导航的加速度信号。以时间为变量，得到一步周期内加速度信号与初始静止对准时刻的加速度值的比值表达式。使用预设的凸函数将比值表达式映射到优化空间中，得到对应的相对变化函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据相对变化函数小于预设值的区间得到候选零速区间。根据候选零速区间中各点的平均值和中值得到零速基准点的位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取加速度信号的测量设备的最大测量误差参数，根据最大测量误差参数计算相对变化函数在零速区间内的最大理论误差值。分别获取零速基准点前后相对变化函数的最大值点，对最大值点之间的区间进行粗搜索，得到相对变化函数的最大值小于最大理论误差值的粗搜索零速区间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别获取零速基准点前后相对变化函数的最大值点，以最大值点为端点得到当前粗搜索区间。当最大值点处相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处相对变化函数的端点值，以及获取当前精搜索区间中相对变化函数的数学期望值。从当前精搜索区间中剔除端点值较大的端点，获取剔除端点后当前精搜索区间中相对变化函数的数学期望值。当剔除端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取行人导航的角速度信号，根据角速度信号得到行人双足运动的滤波后信号，根据滤波后信号确定一步周期对应的时间区间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于最优区间估计的行人导航零速区间检测方法，所述方法包括：
获取一步周期中的行人导航的加速度信号，构建所述加速度信号相对于初始静止对准时刻的加速度值的相对变化函数；
根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据所述候选零速区间在一步周期中分布的中心点得到零速基准点的位置；
分别获取所述零速基准点前后所述相对变化函数的最大值点，对所述最大值点之间的区间进行粗搜索，得到所述相对变化函数的最大值小于预设值的粗搜索零速区间；
从所述粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处所述相对变化函数的端点值，以及获取当前精搜索区间中所述相对变化函数的数学期望值，当所述的端点值对所述数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取一步周期中的行人导航的加速度信号，构建所述加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤包括：
获取一步周期内的行人导航的加速度信号；
以时间为变量，得到一步周期内所述加速度信号与初始静止对准时刻的加速度值的比值表达式；
使用预设的凸函数将所述比值表达式映射到优化空间中，得到对应的相对变化函数。
3.根据权利要求1所述的方法，其特征在于，所述根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据所述候选零速区间在一步周期中分布的中心点得到零速基准点的位置的步骤包括：
根据所述相对变化函数小于预设值的区间得到候选零速区间；
根据所述候选零速区间中各点的平均值和中值得到零速基准点的位置。
4.根据权利要求3所述的方法，其特征在于，所述分别获取所述零速基准点前后所述相对变化函数的最大值点，对所述最大值点之间的区间进行粗搜索，得到所述相对变化函数的最大值小于预设值的粗搜索零速区间的步骤包括：
获取所述加速度信号的测量设备的最大测量误差参数，根据所述最大测量误差参数计算所述相对变化函数在零速区间内的最大理论误差值；
分别获取所述零速基准点前后所述相对变化函数的最大值点，对所述最大值点之间的区间进行粗搜索，得到所述相对变化函数的最大值小于所述最大理论误差值的粗搜索零速区间。
5.根据权利要求3所述的方法，其特征在于，所述分别获取所述零速基准点前后所述相对变化函数的最大值点，对所述最大值点之间的区间进行粗搜索，得到所述相对变化函数的最大值小于预设值的粗搜索零速区间的步骤包括：
分别获取所述零速基准点前后所述相对变化函数的最大值点，以所述最大值点为端点得到当前粗搜索区间；
当所述最大值点处所述相对变化函数的值均小于预设值时，根据当前粗搜索区间得到粗搜索零速区间。
6.根据权利要求1所述的方法，其特征在于，从所述粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处所述相对变化函数的端点值，以及获取当前精搜索区间中所述相对变化函数的数学期望值，当所述的端点值对所述数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果的步骤包括：
从所述粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处所述相对变化函数的端点值，以及获取当前精搜索区间中所述相对变化函数的数学期望值；
从当前精搜索区间中剔除所述端点值较大的端点，获取剔除所述端点后当前精搜索区间中所述相对变化函数的数学期望值；
当剔除所述端点前后的数学期望值之间的差值小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述获取一步周期中的行人导航的加速度信号，构建所述加速度信号相对于初始静止对准时刻的加速度值的相对变化函数的步骤之前，还包括：
获取行人导航的角速度信号，根据所述角速度信号得到行人双足运动的滤波后信号，根据所述滤波后信号确定一步周期对应的时间区间。
8.一种基于最优区间估计的行人导航零速区间检测装置，其特征在于，所述装置包括：
相对变化函数构建模块，用于获取一步周期中的行人导航的加速度信号，构建所述加速度信号相对于初始静止对准时刻的加速度值的相对变化函数；
零速基准点计算模块，用于根据预设的相对变化函数值范围获取一步周期中的候选零速区间，根据所述候选零速区间在一步周期中分布的中心点得到零速基准点的位置；
粗搜索模块，用于分别获取所述零速基准点前后所述相对变化函数的最大值点，对所述最大值点之间的区间进行粗搜索，得到所述相对变化函数的最大值小于预设值的粗搜索零速区间；
零速区间检测模块，用于从所述粗搜索零速区间的两个端点向区间内进行精搜索，获取当前精搜索区间端点处所述相对变化函数的端点值，以及获取当前精搜索区间中所述相对变化函数的数学期望值，当所述的端点值对所述数学期望值的影响小于预设值时，根据当前精搜索区间得到行人导航的零速区间检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010840551.4A CN111707294B (zh) | 2020-08-20 | 2020-08-20 | 基于最优区间估计的行人导航零速区间检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010840551.4A CN111707294B (zh) | 2020-08-20 | 2020-08-20 | 基于最优区间估计的行人导航零速区间检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111707294A CN111707294A (zh) | 2020-09-25 |
| CN111707294B true CN111707294B (zh) | 2020-11-06 |
Family
ID=72547272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010840551.4A Active CN111707294B (zh) | 2020-08-20 | 2020-08-20 | 基于最优区间估计的行人导航零速区间检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111707294B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112762944B (zh) * | 2020-12-25 | 2024-03-22 | 上海商汤临港智能科技有限公司 | 零速区间检测及零速更新方法 |
| CN114019182B (zh) * | 2021-11-04 | 2024-02-02 | 苏州挚途科技有限公司 | 零速状态检测方法、装置及电子设备 |
| WO2023108498A1 (zh) * | 2021-12-15 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 一种零速区间检测方法、行人导航系统及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101522466B1 (ko) * | 2013-10-30 | 2015-05-28 | 코디스페이스 주식회사 | 보행자 발의 영속도 상태 검지 장치 및 그 방법, 및 이를 이용한 보행자 관성항법시스템 |
| CN106225786B (zh) * | 2016-08-15 | 2019-02-26 | 北京理工大学 | 一种自适应的行人导航系统零速区间检测方法 |
| CN108680184B (zh) * | 2018-04-19 | 2021-09-07 | 东南大学 | 一种基于广义似然比统计曲线几何变换的零速检测方法 |
| CN109883429A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 基于隐马尔科夫模型的零速检测方法以及室内行人惯性导航系统 |
| CN110455316B (zh) * | 2019-08-27 | 2021-08-06 | 哈尔滨工业大学 | 一种自适应零速区间检测方法 |
| CN110715659A (zh) * | 2019-10-25 | 2020-01-21 | 高新兴物联科技有限公司 | 零速检测方法、行人惯性导航方法、装置及存储介质 |
-
2020
- 2020-08-20 CN CN202010840551.4A patent/CN111707294B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111707294A (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707294B (zh) | 基于最优区间估计的行人导航零速区间检测方法和装置 | |
| CN110873888B (zh) | 定位方法、定位装置、定位设备和计算机存储介质 | |
| US10451744B2 (en) | Detecting user activity based on location data | |
| CN110493710B (zh) | 轨迹重建方法、装置、计算机设备和存储介质 | |
| CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
| CN108871311B (zh) | 位姿确定方法和装置 | |
| US10444020B2 (en) | Method and apparatus for defining road geometry from probe data | |
| CN112325880B (zh) | 分布式平台相对定位方法、装置、计算机设备和存储介质 | |
| EP4273754A1 (en) | Neural network training method and related device | |
| CN111383324B (zh) | 点云地图的构建方法、装置、计算机设备和存储介质 | |
| CN111678513A (zh) | 一种超宽带/惯导紧耦合的室内定位装置与系统 | |
| CN116448111A (zh) | 一种基于多源信息融合的行人室内导航方法、装置及介质 | |
| CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
| CN114501615A (zh) | 终端定位方法、装置、计算机设备、存储介质和程序产品 | |
| CN114001730B (zh) | 融合定位方法、装置、计算机设备和存储介质 | |
| CN111982152B (zh) | 点云地图量化方法、装置、计算机设备和存储介质 | |
| CN117882109A (zh) | 目标跟踪方法、目标跟踪系统和电子设备 | |
| CN113204891A (zh) | 基于指数平滑预测的dp-tbd算法跟踪方法及设备 | |
| CN113029171A (zh) | 车辆路径匹配方法、装置、计算机设备和存储介质 | |
| Chiang et al. | An ANN–RTS smoother scheme for accurate INS/GPS integrated attitude determination | |
| Iyer et al. | Localization of self-driving car using particle filter | |
| CN111007553B (zh) | 被测对象的导航方法、装置、计算机设备和存储介质 | |
| CN112923922B (zh) | 一种计步和确定行人的位置信息的方法、系统及存储介质 | |
| CN116382296A (zh) | 路径生成方法、装置、机器人及计算机可读存储介质 | |
| Shoushtari et al. | L5in+: From an analytical platform to optimization of deep inertial odometry |
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 |