专利汇可以提供一种高精度的多关节串联机械臂运动学反解解法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种高 精度 的多关节 串联 机械臂 运动学反解解法。本发明使用万有引 力 和粒子群相结合的 算法 构架(PSOGSA),引入非线性权重分配系数s=0.65·e((‑15·k)/T)公式,使算法设计前期偏向万有引力算法,中、后期偏重于粒子群算法,以提高搜索效率。并采用了改进点“动态狭小边界”、“非线性时变权重与陷局部最优自校正结合”和“超界带弱方向性返回扩散”三种改进策略。采用以上算法和改进策略可以在较少的 迭代 次数内获得唯一的反解,并且误差一直稳定在10‑8级,理论计算时间可低至2.58ms/次。针对后三轴交于一点的特殊结构机械臂,使用 位置 和 姿态 分离求反解的策略,可以进一步提高求解性能,误差可降低到10‑14级,理论计算时间可降低到1.597ms/次。,下面是一种高精度的多关节串联机械臂运动学反解解法专利的具体信息内容。
1.一种高精度的多关节串联机械臂运动学反解解法,其特征在于,包括:
步骤1:根据机械臂的外形结构尺寸,建立DH参数表,并按照DH法建立正运动学方程:
0Tn=0T1·1T2…n-1Tn (1)
其中,n为机械臂的关节总数;得到
其中,n=[nx,ny,nz]T,o=[ox,oy,oz]T,a=[ax,ay,az]T,p=[px,py,pz]T;n,o,a为姿态向量,p为位置向量;nx,ny,nz,ox,oy,oz,ax,ay,az,px,py,pz的具体表达式中只包含了θ1,θ2…θn这n个关节角变量;定义i-1Ti,i=1,2,…n;与i号关节相连的i-1号连杆上固连的DH坐标系作为基坐标,与i号关节相连的i号连杆上固连的DH坐标系相对于基坐标系的位姿转换矩阵就是n-1Tn;
步骤2:规划出所有要求反解的位姿矩阵0Tn(1),0Tn(2)…0Tn(m-1),0Tn(end),读取机械臂各关节编码器记录的角度初值{θ1,θ2…θn},带入包含了θ1,θ2…θn的位姿向量表达式,得到起始位姿0Tn(start);结合机械臂的要到达的终点位姿0Tn(end);在起始位姿和终点位姿之间任意使用一种轨迹规划进行插值,获得{0Tn(start),0Tn(1),0Tn(2)…0Tn(m-1),
0Tn(end)},若用均匀插值则其插值点的公式为:
0Tn(i)代表的是机器人末端的dh坐标系{n}相对于机器人基坐标系{0}的位姿变换矩阵,
0 0 0 0 0 0
i的具体数值代表第几个插值点;当i=m时,Tn(i)为 Tn(end);Tn(1),Tn(2)… Tn(m-1),Tn(end)为都需要解出对应的反解的m个位姿;
在运算过程中需要定义已算的反解个数标志,这里定义为tt,初值为1;
步骤3:初始化粒子的速度和位置:定义需要求解的关节角度x=[x1,x2…xn],它对应于算法工具中粒子的n维空间位置坐标;表达式为:
其中,xmax和xmin是当前的边界向量;当t=1时,xlast为关节角度初值{θ1,θ2…θn},当t≠1时,xlast为上一次的反解;以xmax和xmin为粒子位置边界,以xmax/2和xmin/2为粒子的速度边界,随机生成a个粒子;
为了标志后续步骤中算法循环的代数,设当前代数标志t=1;
步骤4:计算粒子群算法中每个粒子适应度值Qj(t)、个体历史最优P(p-best)i、群体历史最优Pg-best;
计算每一个粒子的适应度值Qj(t),基于以下公式:
其中 为0Tn(tt)位姿向量,n,o,a,p由第t代第j个粒子的3维空间位置坐标带入式(2)中得到, n=[nx,ny,
nz]T,o=[ox,oy,oz]T,a=[ax,ay,az]T,p=[px,py,pz]T;
求当代最优适应度:
求当代最差适应度:
求每个粒子个体的历史最优适应度值Q(p-best)j与位置X(p-best)j:
若Qj(t)若Qj(t)>=Q(p-best)j时,Q(p-best)j、X(p-best)j均保持不变;
求整个群体历史最优适应度Qg-best与位置Xg-best:
若Q(p-best)j
步骤5:计算万有引力算法中每个粒子个体的加速度 计算每一个粒子质量,基于以下公式:
每个个体n维空间位置坐标可表示为 其中a为种群规模,
表示第i个体在第d维空间中的位置,n为问题空间维数;
在第t代时,计算个体i和个体j之间的万有引力为:
其中,ε是一个很小的常数;Rij(t)表示第t代第i个粒子和第j个粒子的欧几里德距离Rij(t)=||(xi(t),xj(t))||;G(t)是t代的万有引力常系数
则第i个粒子个体在第d维的合力表示为
第i个粒子个体在第d维空间产生的加速度为:
步骤6:更新粒子个体的速度v和位置x,超界则回置;
更新第i个粒子个体第d维空间的速度和位置公式如下:
其中,s=0.65·e((-15·k)/T)是用来调节粒子群算法和万有引力算法的影响权重的参数,它从大迅速变小,结合式(15)知前期以万有引力算法为主导,运行到中、后期则以粒子群算法为主导;c1和c2为学习因子;r1,r2和r3为[0,1]区间内的伪随机数;v和x分别为粒子速度和位置,k为代数,i为粒子编号,d为空间维数,P(p-best)i和Pg-best分别为个体和群体的最优点;
ω是惯性因子; 是第t代第i个粒子第d维空间中的位置, 是第t+1代第i个粒子第d维空间中的位置, 是第t代第i个粒子第d维空间中的速度, 是第t+1代第i个粒子第d维空间中的速度;为提高求解准确性,使用“非线性时变权重与陷局部最优自校正结合”,表达式为:
其中,t为迭代的次数,T为最大截止代数;
选择①:连续10代的适应度值Q的变化量没有超过10-5,且适应度值Q还没小于10-6;
选择②:除选择①以外的其他所有情况;
当第i个粒子超过当前边界时,使用“超界带弱方向性返回扩散”的改进策略,表达式为:
i=1,2…a;x为粒子的位置向量;xmax和xmin是当前的边界向量;
步骤7:检查迭代代数t=t+1有没有到达循环代数T:
若还没有到达则返回执行步骤4;
若到达则此时的Pg-best便是0Tn(tt)对应反解,并执行步骤8;
步骤8:检查已反解个数标志tt=tt+1是否等于插值点数m,不等则返回执行步骤3,相等则结束计算。
=Q(p-best)j时,Q(p-best)j、X(p-best)j均保持不变;
=Q(p-best)j时,Q(p-best)j、X(p-best)j均保持不变;
[0173] 若Q(p-best)j [0175] 计算每一个粒子质量,计算公式如下[0176][0177][0178] 每个个体3维空间位置为 a为粒子个体的总数, 表示第i个体在第d维空间中的位置。[0179] 在t代,计算个体i和个体j之间的万有引力为:[0180][0181] 其中,ε是一个很小的常数;Rij(t)表示第t代第i个粒子和第j个粒子的欧几里德距离Rij(t)=||(xi(t),xj(t))||;G(t)是t代的万有引力常系数 则个体i在d维的合力可以表示为[0182][0183] 个体i在第d维空间产生的加速度为:[0184][0185] 步骤6:更新粒子个体的速度v和位置x,超界则回置[0186] 更新第i个粒个体第d维空间的速度和位置公式如下:[0187][0188] 其中,s=0.65·e-15·k/T是用来调节粒子群算法和万有引力算法的影响权重的参数,它从大迅速变小,说明开前期万有引力算法为主导,后期粒子群算法为主导;c1和c2为学习因子;r1,r2和r3为[0,1]区间内的伪随机数。v和x分别为粒子速度和位置,k为代数,i为粒子编号,d为空间维数,P(p-best)i和Pg-best分别为个体和群体的最优点。ω是惯性因子;为提高求解准确性,使用“非线性时变权重与陷局部最优自校正结合”,表达式为:[0189][0190] 其中,t为迭代代数,T为最大截止代数。条件①为连续10代的适应度值Q的变化量没有超过10-5,且适应度值Q还没小于10-6。条件②为除条件①以外的其他情况。[0191] 为提高求解快速性,使用“超界带弱方向性返回扩散”的方法,其表达式为:[0192][0193] 其中,i=1,2…a;x为粒子的位置向量;xmax(1~3)和xmin(1~3)是边界向量。[0194] 步骤7:检查迭代代数t=t+1有没有到达循环代数T。若还没有到达,则跳回第4步。若到达,则此时的Pg-best便是0Tn(tt)的位置向量p对应反解[x1,x2,x3],也就是前三个关节角的值,带着已知的前3个关节值[x1,x2,x3]、t重新置为1,跳到第8步。[0195] 步骤8:初始化粒子的速度和位置[0196] 设需要求解的后3关节角度x=[x4,x5,x6],它对应于算法工具中粒子的3维空间位置坐标。为了限制多解,保证唯一性,使用“动态狭小边界”,其表达式为:[0197][0198] 其中,xmax(4~6)和xmin(4~6)是当前的边界向量,xlast是上一次的反解。当t=1时没有上一次的反解,此时xlast(4~6)等于关节角度初值{θ4,θ5,θ6}。以xmax和xmin为粒子位置边界,以xmax/2和xmin/2为粒子的速度边界,随机生成a个粒子。[0199][0200] 为了标志后续步骤中算法循环的代数,设当前代数标志t=1。[0201] 步骤9:计算粒子群算法中每个粒子适应度值Qj(t)、个体历史最优P(p-best)i、群体历史最优Pg-best。[0202] 计算每一个粒子的适应度值Qj(t),计算公式如下:[0203][0204] 其中 为0Tn(tt)的姿态向量,n,o,a为第t代第j个粒子的3维位置坐标值带入式(36)的姿态部分。 n=[nx,ny,nz]T,o=[ox,oy,oz]T,a=[ax,ay,az]T。[0205] 求当代最好适应度:[0206][0207] 求当代最差适应度:[0208][0209] 求每个粒子个体的历史最好适应度值Q(p-best)j与位置X(p-best)j:[0210] 若Qj(t)[0212] 若Q(p-best)j [0214] 计算每一个粒子质量,计算公式如下[0215][0216][0217] 每个个体3维空间位置为 a为粒子个体的总数, 表示第i个体在第d维空间中的位置。[0218] 在t代,计算个体i和个体j之间的万有引力为:[0219][0220] 其中,ε是一个很小的常数;Rij(t)表示第t代第i个粒子和第j个粒子的欧几里德距离Rij(t)=||(xi(t),xj(t))||;G(t)是t代的万有引力常系数 则个体i在d维的合力可以表示为[0221][0222] 个体i在第d维空间产生的加速度为:[0223][0224] 步骤11:更新粒子个体的速度v和位置x,超界则回置更新第i个粒个体第d维空间的速度和位置公式如下:[0225][0226] 其中,s=0.65·e-15·k/T是用来调节粒子群算法和万有引力算法的影响权重的参数,它从大迅速变小,说明开前期万有引力算法为主导,后期粒子群算法为主导;c1和c2为学习因子;r1,r2和r3为[0,1]区间内的伪随机数。v和x分别为粒子速度和位置,k为代数,i为粒子编号,d为空间维数,P(p-best)i和Pg-best分别为个体和群体的最优点。ω是惯性因子;为提高求解准确性,使用“非线性时变权重与陷局部最优自校正结合”,表达式为:[0227][0228] 其中,t为迭代代数,T为最大截止代数。条件①为连续10代的适应度值Q的变化量-5 -6没有超过10 ,且适应度值Q还没小于10 。条件②为除条件①以外的其他情况。[0229] 为提高求解快速性,使用“超界带弱方向性返回扩散”的方法,其表达式为:[0230][0231] 其中,i=1,2…a;x为粒子的位置向量;xmax(4~6)和xmin(4~6)是步骤3的边界向量xmax和xmin的后3维。[0232] 步骤12:检查迭代代数t=t+1有没有到达循环代数T,若还没有到达则跳回第9步,若到达则此时的Pg-best便是0Tn(tt)的姿态向量n,o,a对应反解[x4,x5,x6],跳到第13步。[0233] 步骤13:由第7步和第12步的合起来结果可知0Tn(tt)的反解[x1,x2,x3,x4,x5,x6]。检查反解个数标志tt=tt+1是否等于插值点数m,不等则跳到第三步,相等则结束计算。[0235] 为了方便对比,以国际上具有代表性的六轴工业机器人puma560为例。其DH参数见表1。[0236] 表1 PUMA560的DH参数[0237][0238][0239] 其中a2=431.8,a3=20.32,d2=149.09,d4=433.07。[0240] 根据D-H方法,两个相邻坐标系的4×4齐次变换矩阵为:[0241][0242] 把DH参数,带入式(1)依次写出各相邻连杆的变换矩阵:[0243][0244][0245] 其中ci=cosθi,si=sinθi(i=1、2…6)。其余均按类似规则缩写。[0246] 步骤1:根据机械臂的外形结构尺寸,建立DH参数表,并按照DH法建立正运动学方程:[0247] 0T6=0T1·1T2·2T3·3T4·4T5·5T6 (67)[0248] 带入数据可得[0249][0250] 令n=[nx,ny,nz]T,o=[ox,oy,oz]T,a=[ax,ay,az]T,p=[px,py,pz]T。n,o,a为姿态向量,p为位置向量。nx,ny,nz,ox,oy,oz,ax,ay,az,px,py,pz的具体表达式中只包含了θ1,θ2…θn这n个关节角变量(此时n=6)。[0251] 步骤2:规划出所有要求反解的位姿矩阵0Tn(1),0Tn(2)…0Tn(m-1),0Tn(end)[0252] 读取机械臂各关节编码器记录的角度初值θ1,θ2,θ3,θ4,θ5,θ6:[0253] [θ1,θ2,θ3,θ4,θ5,θ6]=[0.919989477558371,-0.0678998189131538,0.0920824094486244,0.201312616289960,-0.0278773641141659,-0.196228448576235][0254] 带入式(51),可以得到起始位姿0Tn(start)[0255] 0Tn(start)=[0.609802213043344,0.792528340475009,0.00633170682899847,0.148341405331900;0.792547333496747,-0.609809758316640,-0.000884776240474939,
0.440899912303689;0.00315992636556806,0.00555771587329567,-
0.999979563120985,-0.404138067152012;0,0,0,1];[0256] 若需要到达终点位姿为[0257] 0Tn(end)==[0.359195566484664,-0.919158272891769,0.161637292703085,0.358231409336435;-0.831941105240732,-0.393843942881297,-0.390846448194868,-
0.494560644554584;0.422909614963518,0.00591760342835049,-0.906152547610541,-
0.226622549363056;0,0,0,1];[0258] 在起始位位姿和终点位姿之间任意使用一种轨迹规划进行插值,获得{0Tn(start),0Tn(1),0Tn(2)…0Tn(m-1),0Tn(end)},若用均匀插值则其插值点的公式为:[0259][0260] 当i=m是时0Tn(i)就是0Tn(end)。由于0Tn(1),0Tn(2)…0Tn(m-1),0Tn(end)这m个位姿都要解出对应的反解。tt作为后续步骤反解到第几个点的标志,在这里赋值为1。取m=1000。[0261] 步骤3:初始化粒子的速度和位置[0262] 设需要求解的关节角度x=[x1,x2,x3,x4,x5,x6],它对应于算法工具中粒子的它对应于算法工具中粒子的n维空间位置坐标。为了限制多解,保证唯一性,使用“动态狭小边界”,其表达式为:[0263][0264] 其中,xmax和xmin是当前的边界向量,xlast是上一次的反解。当t=1时没有上一次的反解,此时xlast等于关节角度初值{θ1,θ2,θ3,θ4,θ5,θ6}。以xmax和xmin为粒子位置边界,以xmax/2和xmin/2为粒子的速度边界,随机生成a(取a为60)个粒子。[0265][0266] 为了标志后续步骤中算法循环的代数,设当前代数标志t=1。[0267] 步骤4:计算粒子群算法中每个粒子适应度值Qj(t)、个体历史最优P(p-best)i、群体历史最优Pg-best。[0268] 计算每一个粒子的适应度值Qj(t),计算公式如下:[0269][0270] 其中 为0Tn(tt)位姿向量,n,o,a,p是由第t代第j个粒子的6维空间位置坐标带入式(68)中得到。 n=[nx,ny,nz]T,o=[ox,oy,oz]T,a=[ax,ay,az]T,p=[px,py,pz]T。[0271] 求当代最好适应度:[0272] 求当代最差适应度:[0273] 求每个粒子个体的历史最好适应度值Q(p-best)j与位置X(p-best)j:[0274] 若Qj(t)[0276] 若Q(p-best)j [0278] 计算每一个粒子质量,计算公式如下[0279][0280][0281] 每个个体6维空间位置坐标可表示 其中a为种群规模,xdi表示第i个体在第d维空间中的位置,n为问题空间维数。[0282] 在t代,计算个体i和个体j之间的万有引力为:[0283][0284] 其中,ε是一个很小的常数;Rij(t)表示第t代第i个粒子和第j个粒子的欧几里德距离Rij(t)=||(xi(t),xj(t))||; 是t代的万有引力常系数。(取G0=50;α=50)[0285] 则粒子个体i在d维的合力可以表示为[0286][0287] 粒子个体i在第d维空间产生的加速度为:[0288][0289] 步骤6:更新粒子个体的速度v和位置x,超界则回置[0290] 更新第i个粒个体第d维空间的速度和位置公式如下:[0291][0292] 其中,s=0.65·e((-15·t)/T)是用来调节粒子群算法和万有引力算法的影响权重的参数,它从大迅速变小,说明开前期万有引力算法为主导,后期粒子群算法为主导;c1和c2为学习因子;r1,r2和r3为[0,1]区间内的伪随机数。v和x分别为粒子速度和位置,k为代数,i为粒子编号,d为空间维数,P(p-best)i和Pg-best分别为个体和群体的最优点。ω是惯性因子;为提高求解准确性,使用“非线性时变权重与陷局部最优自校正结合”,表达式为:[0293][0294] 其中,t为迭代的次数,T为最大截止代数。条件①为连续10代的适应度值Q的变化量没有超过10-5,且适应度值Q还没小于10-6。条件②为除条件①以外的其他情况。[0295] 为提高求解快速性,使用“超界带弱方向性返回扩散”的方法,其表达式为:[0296][0297] 其中,i=1,2…a;x为粒子的位置向量;xmax和xmin是当前的边界向量。[0298] 步骤7:检查迭代代数t=t+1有没有到达循环代数T(T取150),若还没有到达则跳回第4步。若到达则此时的Pg-best便是0Tn(tt)对应反解,跳到第8步。[0299] 步骤8:检查已反解个数标志tt=tt+1是否等于插值点数m(m取1000),不等则跳到第三步,相等则结束计算。求解结果见图3a至图3f。[0300] 为了验证本发明各种性能,现以如下三种方案来进行一系列测试。(唯一性测试只与改进粒子群算法“动态狭小边界”。[0301] 方案①普通的万有引力粒子群:c1=2,c2=2,T=150,N=60,G0=50;α=50机械可行范围做边界;ω>0.4时位置超界按本文处理,否则不限;ω=0.65*exp(-i*((T-i+240)/T)/T)为非线性时变。[0302] 方案②本发明的改进的万有引力粒子群:c1=2,c2=2,T=150,N=60,G0=50;α=50边界采用改进点1;ω采用改进点2;超界采用改进点3。[0303] 方案③本文的改进的万有引力粒子群+分步求解策略:T1=70,T2=80,其余参数同②。由于位置逆解和位姿逆解分级求解,故该方案是以式(8)为目标函数是的两步串联迭代过程,且为保证两次跌代的总代数与其他算法一致,故缩减各自的迭代次数为70代和80代。[0304] (1)唯一性测试[0305] 改进点1即“动态狭小边界”可以有效避免多解,保证唯一性。对同一位姿用方案②和去掉“动态狭小边界”的方案②分别逆解20次来对比佐证算法避免多解的效果。图4a为方案②没有使用“动态狭小边界”的解的情况,可以看到解出了很多组解,图4b是方案②使用了“动态狭小边界”的解的情况,始终只有一组解。“动态狭小边界”确实可以有效避免多解。[0306] (2)准确性测试[0307] 用三种方案分别对某点求逆解,且都重复运行5遍,把每遍中适应度值随迭代次数的变化都记录在表2中,具体的适应度值数值则是取5遍的平均值记录表2中。[0308] 表2各方案平均适应度值与代数之间的关系[0309][0310][0311] 理论上,由于方案③因分步计算策略避免多目标问题,会使得求解精度大幅提高,而方案②由于本文改进求解精度应高于方案①。从图5a可以看到方案①大多在40代左右都陷入了局部最优解,且表2可知适应度值最终平均收敛于0.32,位姿误差过大。而从图5b可见方案②却能够稳定的向零收敛,且由表2知平均收敛于5.9e-8,具有一定的位姿精度。但方案③确实具有更高位姿精度,从表2可知,平均位置误差和姿态误差分别为2.1e-14和2.3e-14,故位姿精度3.11e-14。另外从图5a、图5b和图5cd对比发现方案③的收敛曲线更加紧密一致,故方案③也更加稳定。[0312] (3)快速性测试[0313] 用三种方案分别对某点求逆解,且都重复运行1000遍,记录各自的整体运行时间于表3。本次实验的pc机相关配置为:win7、matlab2012b、i5-4440CPU、RAM8GB。[0314] 表3各方案完成1000次逆解的耗时[0315] 方案① 方案② 方案③
耗时(s) 133.631 154.591 95.832[0316] 方案③是位置和姿态分步求解,这使得迭代中每代的目标函数要比其他两种算法的要简单,即每代的计算量要另外两种算法小,但总的迭代代数又和其他两种算法相等,故理论上应该是最快的。从表3可知,方案③确实最快、方案①次之,方案②最慢。方案②比方案①还慢,是方案②因为改进点二在每代都要检测算法是否陷入局部最优而解增加额外计算量。最快的方案③也要平均每95.8ms才能完成一次解算,这样的速度直接用于在线计算显然不够。但粒子群算法本身就是一种天然的并行算法,在每一代各个粒子的相应计算是独立的。本文仿真受到MABLAB的环境框架制约每一代的每个粒子的计算必须挨个进行的,不能同时计算。所以如果把程序改编到FPGA或其他可以并行处理的芯片中,每一代所有的粒子的计算是可以一次完成。那么假设FPGA和普通pc处理速度一样,那么计算速度变快为现在的60倍。即1.597ms一次解算,这样的足以用于实时。[0317] (4)连续轨迹求解仿真[0318] 先做如下轨迹规划:在可达空间任取起始位姿T1和终止位姿T2,并已知起始位置对应的关节角θstart。起点和终点之间的插值由robotics工具箱的函数产生,其中,T1=[0.61,0.79,0.006,0.148;0.79,-0.61,-0.001,0.441;0.003,0.0055,-0.1,-0.404;0,0,0,1];%起始位姿T2=[0.36,-0.92,0.16,0.358;-0.83,-0.394,-0.39,-0.494;0.423,0.006,-
0.906,-0.2266;0,0,0,1];%终止位姿。[0319] 再用三种方案分别逆解所有的插值点,方案①由于没有解决多解问题根本无法完成有效的逆解,其解一直在大幅跳变,如图6a-f所示。方案②和③都能成功解出有效逆解,由于分辨率限制表现在曲线图上都差不多,故仅以图7a-b共示之。算法改进点1可以让解出来的逆解始终都与上一组解是最近的,可以保证唯一性,从而使得连续轨迹求解的值是连续光滑的,从图7a-b中可见连续轨迹逆解的曲线是光滑的。这个仿真的成功也意味着方案②和③皆已具备用于连续轨迹求解的基础。只不过方案③求解精度更高、速度更快,而方案②更加通用,可用于一般结构机器人求解。
标题 发布/更新时间 阅读量 一种用于智能机器人分工协作方法以及机器人 2020-05-11 984 一种基于场景的开放式神经网络模型管理系统 2020-05-14 811 基于空调机器人的温度用户调节方法和装置 2020-05-15 796 一种机载式动态云系统及其实时响应资源分配方法 2020-05-14 413 基于机器人识别的语音输出方法、装置、机器人及介质 2020-05-16 873 一种求解无人机约束航路规划的混合烟花粒子群协同方法 2020-05-13 307 一种多目标三维路径规划方法 2020-05-19 201 前列腺艾灸智能机器人 2020-05-21 629 用于数据驱动型移动技能训练的系统和方法 2020-05-08 682 一种无人值守工作站 2020-05-18 556
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。
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。