首页 / 专利库 / 作物管理 / / 一种基于轮式编码器的单目SLAM初始化方法及系统

一种基于轮式编码器的单目SLAM初始化方法及系统

阅读:671发布:2021-04-13

专利汇可以提供一种基于轮式编码器的单目SLAM初始化方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于轮式 编码器 的单目SLAM初始化方法及系统,在SLAM初始化 图像序列 中选取第一关键 帧 与第二关键帧,进行特征匹配,计算所有匹配点在第一关键帧的世界 坐标系 坐标,建立初始点 云 地图;并利用轮式编码器的位移信息确定第二关键帧的相机 位姿 ,在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部 捆 集调整。本发明利用轮式编码器的位移信息与视觉 传感器 图像信息的点特征相结合,起到信息互补的作用,能够十分准确的确定第二关键帧的相机位姿,保留了真实世界的尺度信息,提高相机的 定位 精度 ,并且简化了运算,提高了响应速度。,下面是一种基于轮式编码器的单目SLAM初始化方法及系统专利的具体信息内容。

1.一种基于轮式编码器的单目SLAM初始化方法,其特征在于,包括如下步骤:在SLAM初始化图像序列中选取第一关键与第二关键帧,对第一关键帧和第二关键帧进行特征匹配,根据匹配得出的匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算所有匹配点在第一关键帧的世界坐标系坐标,建立初始点地图;并利用轮式编码器的位移信息确定第二关键帧的相机位姿,在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部集调整。
2.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,在初始化图像序列中选取第一关键帧与第二关键帧之前,先进行数据获取:在ROS平台上,令图像节点及轮式编码器节点向外发布信息;在SLAM节点中订阅这两个节点发布的信息;
SLAM节点接收到图像信息和轮式编码器位移信息之后,将图像信息与位移信息对应关联。
3.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,在所述特征匹配前先进行特征提取,具体是对图像信息提取ORB特征,遍历图像的每一个像素点,判断是否满足FAST点的条件,找出所有满足条件的关键点,再对每一个FAST角点计算其BRIEF描述子及主方向。
4.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,所述在初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配具有约束条件,包括:
特征点数量约束:图像的特征点数量大于特征点阈值才可选取为第一关键帧或第二关键帧;
位移间距约束:与第一关键帧的位移间距大于位移阈值才可选取为第二关键帧;
匹配点对数量约束:与第一关键帧进行特征匹配的匹配点对数量大于匹配点对数量阈值才可选取为第二关键帧。
5.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,在所述特征匹配后还进行剔除误匹配点对操作。
6.根据权利要求5所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,所述剔除误匹配点对采用ACRANSAC算法或RANSAC算法。
7.根据权利要求5所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,所述剔除误匹配点对的具体方法为:剔除视差不大于视差阈值的点和深度值超出深度预设范围的点。
8.根据权利要求7所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,具体是先剔除视差过小的点,再计算匹配点在第一关键帧的世界坐标系坐标(x,y,z)中的z坐标,z值即为深度值,再剔除z值超出深度预设范围的点。
9.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,根据匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算匹配点在第一关键帧的世界坐标系坐标具体是采用小孔成像模型计算世界坐标系坐标(x,y,z):
其中,fx是x轴向的相机焦距,Δs=s2-s1为两个轮式编码器位移之差,s1、s2分别为第一关键帧与第二关键帧对应的轮式编码器位移信息;(u1,v1)是第一帧图像特征点的像素坐标,(cx,cy)是基准点,(fx,fy)是相机焦距。
10.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,所述利用轮式编码器的位移信息确定第二关键帧的相机位姿具体是将第一关键帧的位姿T1设为4×4的单位矩阵,再计算第二关键帧的相机位姿T2:
其中,(x1,y1)、(x2,y2)分别为轮式编码器在第一关键帧、第二关键帧的位移信息。
11.根据权利要求1所述的一种基于轮式编码器的单目SLAM初始化方法,其特征在于,所述固定第一关键帧与第二关键帧的相机位姿的优化具体为:
其中,X为地图点世界坐标,R为旋转矩阵,t为平移向量,KL为共视关键帧集合但不包含第一关键帧与第二关键帧,PL为这些关键帧中的可视点集合,KF为除KL之外的全部关键帧,Xk为PL中的点与关键帧k中的关键点的匹配点对集合,ρ为鲁棒Huber代价函数,xj为关键点,π为投影函数,∑为协方差矩阵。
12.一种基于轮式编码器的单目SLAM初始化系统,其特征在于,包括:
轮式编码器,用于将运动信息转化为位移信息并传输至SLAM模
SLAM模块,用于在SLAM初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配,根据匹配得出的匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算所有匹配点在第一关键帧的世界坐标系坐标,建立初始点云地图,并利用轮式编码器的位移信息确定第二关键帧的相机位姿,在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部捆集调整。
13.根据权利要求12所述的一种基于轮式编码器的单目SLAM初始化系统,其特征在于,还包括视觉传感器,用于拍摄SLAM初始化图像序列并传输至SLAM模块。
14.根据权利要求12所述的一种基于轮式编码器的单目SLAM初始化系统,其特征在于,所述SLAM模块还用于进行特征提取,对图像信息提取ORB特征,遍历图像的每一个像素点,判断是否满足FAST角点的条件,找出所有满足条件的关键点,再对每一个FAST角点计算其BRIEF描述子及主方向。
15.根据权利要求12所述的一种基于轮式编码器的单目SLAM初始化系统,其特征在于,所述SLAM模块还用于在特征匹配后剔除误匹配点对。

说明书全文

一种基于轮式编码器的单目SLAM初始化方法及系统

技术领域

[0001] 本发明涉及同步定位与地图构建的初始化,尤其是一种基于轮式编码器的单目SLAM初始化方法及系统。

背景技术

[0002] 同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)其目标是在一个未知的环境中实时重建环境的三维结构并同时对机器人自身进行定位。视觉SLAM技术根据拍摄的视频信息推断出视觉传感器在未知环境中的方位,并同时构建环境地图,其基本原理为多视图几何原理。视觉SLAM的目标为同时恢复出每图像对应的相机运动参数C1…Cm,以及场景三维结构X1…Xn;其中每个相机运动参数Ci包含了相机的位置姿态信息,通常表示为一个3×3的旋转矩阵Ri和一个三维位置向量Pi。
[0003] Mur-Artal等人提出了ORB-SLAM,该方法公开了一种基于图像的单目SLAM初始化方法,提供了用以采集周围环境图像的摄像设备;利用图像的特征点来实现初始化过程;该方法包括如下内容:特征提取匹配:对输入的连续两帧图像分别提取ORB特征点,并进行匹配;场景模型的选择:考虑平面和非平面两种情况,根据计算的比例分值选择模型,平面对应单应矩阵,非平面对应基础矩阵,利用8点法求得矩阵;计算相机位姿:上一步能够得到一个矩阵(单应矩阵或基础矩阵),分解该矩阵能够得到几组位姿解;恢复特征点深度:对上一步中的每一组相机位姿,利用三化恢复出每个特征点的深度值;选择最好的位姿解:根据上一步每组求出的三维点,选择结果最好的那一组位姿作为初始化第二帧的相机位姿。该方法可以有效地计算出第二帧的相机位姿和一系列的初始地图点,但同时也存在以下不足:1、计算本质矩阵会产生尺度不确定的问题,即计算值与真实值之间存在某个缩放因子,并且由于尺度的不确定,每次初始化的缩放因子都不相同,所以对于同一真实值的多次测量值可能产生较大偏差,这在某些情况下是很严重的问题,如扫地机器人的应用场景;2、测量值与真实值的误差较大。

发明内容

[0004] 发明目的:针对上述现有技术存在的缺陷,本发明旨在提供一种实现尺度确定且定位精度高的基于轮式编码器的单目SLAM初始化方法及系统。
[0005] 技术方案:一种基于轮式编码器的单目SLAM初始化方法,包括如下步骤:在SLAM初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配,根据匹配得出的匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算所有匹配点在第一关键帧的世界坐标系坐标,建立初始点云地图;并利用轮式编码器的位移信息确定第二关键帧的相机位姿,在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部集调整。
[0006] 为了便于操作,进一步的,在初始化图像序列中选取第一关键帧与第二关键帧之前,先进行数据获取:在ROS平台上,令图像节点及轮式编码器节点向外发布信息;在SLAM节点中订阅这两个节点发布的信息;SLAM节点接收到图像信息和轮式编码器位移信息之后,将图像信息与位移信息对应关联。
[0007] 进一步的,在特征匹配前先进行特征提取,具体是对图像信息提取ORB特征,遍历图像的每一个像素点,判断是否满足FAST角点的条件,找出所有满足条件的关键点,再对每一个FAST角点计算其BRIEF描述子及主方向。
[0008] 为了提高匹配质量,进一步的,在初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配具有约束条件,包括:
[0009] 特征点数量约束:图像的特征点数量大于特征点阈值才可选取为第一关键帧或第二关键帧;
[0010] 位移间距约束:与第一关键帧的位移间距大于位移阈值才可选取为第二关键帧;
[0011] 匹配点对数量约束:与第一关键帧进行特征匹配的匹配点对数量大于匹配点对数量阈值才可选取为第二关键帧。
[0012] 为了点云地图更精确,进一步的,在所述特征匹配后还进行剔除误匹配点对操作。
[0013] 进一步的,所述剔除误匹配点对采用ACRANSAC算法或RANSAC算法。
[0014] 进一步的,所述剔除误匹配点对的具体方法为:剔除视差不大于视差阈值的点和深度值超出深度预设范围的点。
[0015] 进一步的,具体是先剔除视差过小的点,再计算匹配点在第一关键帧的世界坐标系坐标(x,y,z)中的z坐标,z值即为深度值,再剔除z值超出深度预设范围的点。
[0016] 进一步的,根据匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算匹配点在第一关键帧的世界坐标系坐标具体是采用小孔成像模型计算世界坐标系坐标(x,y,z):
[0017]
[0018]
[0019]
[0020] 其中,fx是x轴向的相机焦距,Δs=s2-s1为两个轮式编码器位移之差,s1、s2分别为第一关键帧与第二关键帧对应的轮式编码器位移信息;(u1,v1)是第一帧图像特征点的像素坐标,(cx,cy)是基准点,(fx,fy)是相机焦距。
[0021] 进一步的,所述利用轮式编码器的位移信息确定第二关键帧的相机位姿具体是将第一关键帧的位姿T1设为4×4的单位矩阵,再计算第二关键帧的相机位姿T2:
[0022]
[0023] 其中,(x1,y1)、(x2,y2)分别为轮式编码器在第一关键帧、第二关键帧的位移信息。
[0024] 进一步的,所述固定第一关键帧与第二关键帧的相机位姿的优化具体为:
[0025]
[0026]
[0027] 其中,X为地图点世界坐标,R为旋转矩阵,t为平移向量,KL为共视关键帧集合但不包含第一关键帧与第二关键帧,PL为这些关键帧中的可视点集合,KF为除KL之外的全部关键帧,Xk为PL中的点与关键帧k中的关键点的匹配点对集合,ρ为鲁棒Huber代价函数,xj为关键点,π为投影函数,∑为协方差矩阵。
[0028] 一种基于轮式编码器的单目SLAM初始化系统,包括:
[0029] 视觉传感器,用于拍摄SLAM初始化图像序列并传输至SLAM模
[0030] 轮式编码器,用于将运动信息转化为位移信息并传输至SLAM模块;
[0031] SLAM模块,用于在SLAM初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配,根据匹配得出的匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算所有匹配点在第一关键帧的世界坐标系坐标,建立初始点云地图,并利用轮式编码器的位移信息确定第二关键帧的相机位姿,在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部捆集调整。
[0032] 有益效果:本发明利用轮式编码器的位移信息与视觉传感器图像信息的点特征相结合,起到信息互补的作用,从而计算得到相机的位姿,并构建三维的点云地图。利用轮式编码器的位移信息能够十分准确的确定第二关键帧的相机位姿,而优化时固定第一关键帧与第二关键帧的相机位姿能够保留了真实世界的尺度信息,提高相机的定位精度,并且简化了运算,提高了响应速度。附图说明
[0033] 图1是本发明的方法流程图

具体实施方式

[0034] 下面通过实施例结合附图对本技术方案进行详细说明。
[0035] 如图1所示,本实施例将一种基于轮式编码器的单目SLAM初始化方法及系统应用在室内环境的单目顶视扫地机器人上,实时获取相机拍摄的图像和轮式编码器的位移数据,对间距足够大的两帧图像提取并匹配ORB特征,根据已有的各种数据,利用相机小孔成像模型计算一系列的初始地图点,最终构建出初始点云地图,方便后续使用。
[0036] 基于轮式编码器的单目SLAM初始化系统包括视觉传感器、轮式编码器和SLAM模块,视觉传感器用于拍摄SLAM初始化图像序列并传输至SLAM模块;视觉传感器一般为彩色相机,也可结合3D深度摄像头,使用深度摄像组件;轮式编码器(wheel encoder)用于将运动信息转化为位移信息并传输至SLAM模块,它能够检测轮子转动的角度,间接的转化为位移信息,帮助识别机器人所在位置;SLAM模块的主要功能即初始化方法是:在SLAM初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配,根据匹配得出的匹配点对的图像坐标信息、轮式编码器的位移信息以及相机内参计算所有匹配点在第一关键帧的世界坐标系坐标,利用所有匹配点在第一关键帧的世界坐标系坐标建立初始点云地图;并利用轮式编码器的位移信息确定第二关键帧的相机位姿,初始化之后,再针对3D点与2D点的匹配点对,利用PnP的方法求解后续关键帧的相机位姿,再根据相机位姿计算坐标,不断补充完善点云地图。在优化时固定第一关键帧与第二关键帧的相机位姿,不对这两帧相机位姿进行局部捆集调整。利用两帧位姿相机位姿确定的尺度对第三帧及后续图像进行捆集调整,局部捆集调整(Bundle Adjustment)能够优化当前处理的关键帧,最小化重投影误差。具体方案如下:
[0037] 一、获取输入数据
[0038] 输入数据包括视觉传感器拍摄的图像序列和轮式编码器输出的位移数据。在初始化图像序列中选取第一关键帧与第二关键帧之前,先进行数据获取:在ROS(Robot Operating System,机器人操作系统)平台上,令图像节点及轮式编码器节点用publish语句向外发布信息;在SLAM节点中用subsribe语句订阅这两个节点发布的信息,并且定义这两个节点的回调函数,这样,当ROS运行的时候,会循环执行列表中的两个回调函数,SLAM节点就能够接收到图像数据和轮式编码器位移数据;SLAM节点接收到图像信息和轮式编码器位移信息之后,将位移数据作为类的一个成员变量,存入变量中,这样就将图像信息与位移信息对应关联起来,方便后续的程序使用。
[0039] 二、初始化两帧图像
[0040] 在特征匹配前先进行特征提取,具体是对图像信息提取ORB特征。ORB(Oriented FAST and Rotated BRIEF)是一个特征点检测的算子,是基于oFAST和rBRIEF(rotated BRIEF)的一种算子。ORB,就是带有方向的fast和rBRIEF的结合,即检测出有方向的FAST keypoints,然后利用这些points提取出rBRIEF特征描述子;它可以被用来检测特征点,也可以用来计算特征点描述子,就像sift和surf一样。
[0041] 遍历图像的每一个像素点,判断是否满足FAST角点的条件,找出所有满足条件的关键点,再对每一个FAST角点计算其BRIEF描述子及主方向。计算主方向能够增加旋转不变性。FAST角点定义为:若某像素与其周围邻域内足够多的像素点相差较大,则该像素可能是角点。
[0042] 在初始化图像序列中选取第一关键帧与第二关键帧,对第一关键帧和第二关键帧进行特征匹配时,具有约束条件,包括:
[0043] 特征点数量约束:图像的特征点数量大于特征点阈值才可选取为第一关键帧或第二关键帧;可设定的范围为80-150,本实施例中特征点阈值设为100。
[0044] 位移间距约束:与第一关键帧的位移间距大于位移阈值才可选取为第二关键帧;位移间距由轮式编码器提供数据,当两帧之间的间距过小时,对地图点的深度估计误差就会比较大,可设定的范围为10-60cm,本实施例中位移阈值设为30cm。
[0045] 匹配点对数量约束:与第一关键帧进行特征匹配的匹配点对数量大于匹配点对数量阈值才可选取为第二关键帧;此外,本实施例中当第二关键帧与第一关键帧匹配点对的数量不满足阈值要求时,直接丢掉本组第一关键帧与第二关键帧图像,重新选取第一关键帧,再选取与其匹配的第二关键帧;匹配点对数量阈值可设定的范围为80-150,本实施例中匹配点对数量阈值设为100。
[0046] 只有当同时满足上述三条约束,程序才会进行后续的处理。
[0047] 其中,特征匹配的具体方法为:对于第一关键帧图像的每个特征点,分别与第一关键帧图像中的某个特定区域中的一些特征点计算汉明距离,取距离最小的那个特征点作为匹配点。汉明距离是使用在数据传输差错控制编码里面的,汉明距离是一个概念,它表示两个(相同长度)字对应位不同的数量,我们以d(x,y)表示两个字x,y之间的汉明距离。对两个字符串进行异或运算,并统计结果为1的个数,那么这个数就是汉明距离。
[0048] 三、小孔成像模型计算地图点
[0049] 在特征匹配后还进行剔除误匹配点对操作,本实施例中剔除误匹配点对的具体方法为:剔除视差过小的点和深度值超出深度预设范围的点。具体是先剔除视差过小的点,即不大于视差阈值的点,本领域技术人员可依据常识设定视差阈值,本实施例中设置的视差阈值即匹配点对在第一关键帧与第二关键帧中的像素坐标之距离为1;再计算匹配点在第一关键帧的世界坐标系坐标(x,y,z)中的z坐标,z值即为深度值,再剔除z值超出深度预设范围的点。深度预设范围可根据场景需要自行设定,本实施例由于是应用在单目顶视的扫地机器人上,故相机拍摄的是室内的天花板图像,则可以将相机与天花板的常规距离范围(如2-4m)设为深度预设范围,当求得的z值超出该范围时,就剔除该点,不对其进行后续操作。另外,若视觉传感器使用的是深度摄像组件,此时便可直接获得z坐标,故不用先计算z坐标,可以先剔除无匹配点(即视差过小的点和深度值超出深度预设范围的点),再计算坐标(x,y,z)。
[0050] 在本实施例的应用场景下,如此剔除误匹配点的操作在大量实验中证明其效果足矣满足后续的建图需求,并且具有计算量小、响应时间短的优点。
[0051] 此外,为满足多种环境下的应用需求,在其他实施例中,剔除误匹配点对还可以采用精确度更高的ACRANSAC算法或RANSAC算法。openCV中提供的RANSAC(random sample consensus,随机抽样一致算法)是目前使用最为广泛的误匹配剔除算法,包括:随机从数据集中抽取ss组数据用于计算模型;通过阈值tt寻找内点;如果迭代次数小于nn且内点数目超出mm,则终止迭代;反之从第一部开始迭代。而在openMVG中,其剔除误匹配使用的是ACRANSAC,它使用的参数更少,基本上不依靠参数设置来获取最优模型。并且,使用ACRANSAC能够直接客观的比较两个模型的差异,从而获取最佳模型。本领域技术人员可根据需求选择合适的误匹配剔除方法。
[0052] 根据匹配点对的图像像素坐标信息、轮式编码器的位移信息以及相机内参计算匹配点在第一关键帧的相机坐标系(即世界坐标系坐标)具体是采用小孔成像模型计算世界坐标系坐标(x,y,z):
[0053]
[0054]
[0055]
[0056] 其中,fx是x轴向的相机焦距,Δs=s2-s1为两个轮式编码器位移之差,s1、s2分别为第一关键帧与第二关键帧对应的轮式编码器位移信息;(u1,v1)是第一帧图像特征点的像素坐标,以上公式是由小孔成像模型结合图像坐标到相机坐标的映射推导得出的,且第一关键帧的世界坐标系坐标即为相机坐标系坐标,因此可以由像素坐标直接计算得出世界坐标系坐标,(cx,cy)是基准点,(fx,fy)是相机焦距。
[0057] 四、创建初始地图
[0058] 按照上述方法计算出了一个地图点的坐标,对所有满足条件的匹配点对进行相同的处理,能够得到所有匹配点在第一关键帧的世界坐标系坐标,一系列的地图点利用可视化的方式绘制出每一个三维地图点,构建出初始的点云地图。
[0059] 这样经过初始化之后,后续的相机位姿就可以针对3D点与2D点的匹配点对,利用PnP的方法求解后续关键帧的相机位姿,再根据相机位姿计算坐标,不断补充完善点云地图。
[0060] 并且,由于轮式编码器的位移数据较为准确,包含了真实世界的尺度,可以利用轮式编码器的位移信息确定第二关键帧的相机位姿,能够解决单目SLAM有尺度不确定的问题。具体是将第一关键帧的位姿T1设为4×4的单位矩阵,再计算第二关键帧的相机位姿T2:
[0061]
[0062] 其中,为了便于计算,令轮式编码器坐标系与相机坐标系x轴、y轴平行,(x1,y1)、(x2,y2)分别为轮式编码器在第一关键帧、第二关键帧的位移信息。在本实施例中的扫地机器人由于机械构造的限制只能沿着x轴正方向移动,当初始化时视觉传感器向x轴正方向平移△d时(单位可以为m或cm等),第二关键帧的相机位姿T2为:
[0063]
[0064] 由于后续的局部捆集调整会改变之前关键帧的相机位姿,若前两帧的位姿发生变化,则尺度也会随之变化。为了始终保持初始化确定下来的尺度,本实施例在后续的局部捆集调整中固定住第一、第二帧相机位姿,在优化时不对这两帧相机位姿进行局部捆集调整,如此能够解决对同一场景的多次测量之间偏差较大的问题,具体为:
[0065]
[0066]
[0067] 其中,X为地图点世界坐标,R为旋转矩阵,t为平移向量,KL为共视关键帧集合但不包含第一关键帧与第二关键帧,PL为这些关键帧中的可视点集合,KF为除KL之外的全部关键帧,Xk为PL中的点与关键帧k中的关键点的匹配点对集合,ρ为鲁棒Huber代价函数,xj为关键点,π为投影函数,∑为协方差矩阵。这样,SLAM始终都能保持真实世界的尺度。
[0068] 以上仅是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈