多传感器融合定位方法

技术领域

本发明涉及高精度定位技术领域，具体地说，涉及一种多传感器融合定位方法。

背景技术

目前市场上对定位多是依靠IMU(Inertial Measurement Unit，惯性测量单元)/GNSS(Global Navigation Satellite System，全球导航卫星系统)进行信息融合，依靠融合RTK(Real-time kinematic，实时动态载波相位差分技术)差分信号增强技术与专业的惯导组件实现厘米级的精度误差，但无法满足路况复杂情况下(高架桥、多岔路口等)定位系统的精度要求，尤其在涵洞与隧道场景下，丢失卫星信号仍然是定位系统失效的根本原因。

因此，本发明提供了一种多传感器融合定位方法。

发明内容

针对现有技术的不足，本发明提供了一种多传感器融合定位方法，所述方法包含：

对超宽带测量数据进行处理，得到超宽带定位数据；

对惯性导航数据以及卫星导航数据进行融合处理，得到融合定位数据；

结合所述惯性导航数据以及先验地图，对激光点云数据进行处理，得到激光点云定位数据；

融合里程计数据、所述融合定位数据、所述超宽带定位数据以及所述激光点云定位数据，得到目标对象的运动状态估计结果。

根据本发明的一个实施例，通过以下步骤得到所述超宽带定位数据：

对所述超宽带测量数据进行测距标定，以校正温度、气压、湿度、传感器误差因素对测距精度的影响，得到包含温度测距数据、气压测距数据、湿度测距数据以及传感器测距数据的测距数据；

基于所述测距数据，进行定位解算，得到包含目标对象三维位置的所述超宽带定位数据。

根据本发明的一个实施例，通过以下步骤对所述超宽带测量数据进行测距标定：

对所述超宽带测量数据进行数据统计，实时记录超宽带标签与超宽带基站的测量结果、激光测距仪或者全站仪的真实测量结果；

基于数据统计结果，利用主成分分析法和最小二乘法进行建模，并采用双边双向测距估计测量时间，得到所述测距数据。

根据本发明的一个实施例，通过以下步骤得到包含目标对象三维位置的所述超宽带定位数据：

对所述测距数据进行预处理后导入全局拓扑地图，以进行模式判定；

通过包含一维定位、二维定位以及三维定位的多模态定位处理，得到所述超宽带定位数据。

根据本发明的一个实施例，通过以下步骤得到所述融合定位数据：基于所述惯性导航数据以及所述卫星导航数据各自输出的位置和速度信息差值作为量测值，采用扩展卡尔曼滤波，估计惯性器件和惯性导航的误差，然后对器件误差和导航误差进行校正，得到所述融合定位数据。

根据本发明的一个实施例，通过以下步骤得到所述激光点云定位数据：

对所述激光点云数据进行无效点剔除以及点云滤波，得到有效的点云信息，作为实时扫描定位的输入项；

对所述惯性导航数据进行数据同步和预积分处理，得到相邻时刻内惯性测量传感器的变换信息，作为扫描匹配初始值输入项；

获取所述先验地图，作为扫描定位的地图；

通过所述有效的点云信息、所述变换信息以及所述先验地图，实现扫描匹配，进行位姿优化，得到所述激光点云定位数据。

根据本发明的一个实施例，通过以下步骤得到目标对象的所述运动状态估计结果：

基于所述融合定位数据，建立位姿预估模型；

根据所述位姿预估模型，结合所述超宽带定位数据，对非视距误差进行识别；

基于所述里程计数据、所述融合定位数据、所述超宽带定位数据以及所述激光点云定位数据，构建滤波器观测方程；

根据所述滤波器观测方程，采用扩展卡尔曼滤波算法，得到包含位置、速度、姿态的所述运动状态估计结果。

根据本发明的一个实施例，通过以下表达式对非视距误差进行识别：

测距残差表示为：

根据所述测距残差，判断是否存在所述非视距误差：

其中：Δρ

根据本发明的另一个方面，还提供了一种存储介质，其包含用于执行如上任一项所述的方法步骤的一系列指令。

根据本发明的另一个方面，还提供了一种多传感器融合定位系统，执行如上任一项所述的方法，所述系统包含：

超宽带定位子系统，其用于对超宽带测量数据进行处理，得到超宽带定位数据；

惯性卫星导航定位子系统，其用于对惯性导航数据以及卫星导航数据进行融合处理，得到融合定位数据；

激光点云定位子系统，其用于结合所述惯性导航数据以及先验地图，对激光点云数据进行处理，得到激光点云定位数据；

融合子系统，其用于融合里程计数据、所述融合定位数据、所述超宽带定位数据以及所述激光点云定位数据，得到目标对象的运动状态估计结果。

本发明提供的一种多传感器融合定位方法，与现有技术相比，具备以下有益效果：

1)本发明解决了现有技术中车辆的导航系统存在精度不高，尤其是复杂场景下的定位漂移问题；

2)本发明利用对不同传感器的信息质量进行评估，并通过高效的多源数据融合和协同定位算法，提高了复杂场景(井工矿)下定位系统的鲁棒性；

3)本发明将超宽带定位子系统、惯性卫星导航定位子系统、激光点云定位子系统之间进行数据同步处理，保证融合系统前端的数据一致性；

4)本发明数据的通信和传输利用ROS系统(机器人操作系统，Robot OperatingSystem)完成，系统架构灵活，迭代周期短；

5)本发明可根据实际场景进行子系统裁剪，实现具体场景下的高精度定位，例如在卫星信号较好的场景(露天矿)可以只使用惯性卫星导航定位子系统进行高精度定位；在井工矿人员定位场景中，可以使用超宽带定位子系统；在短距离井工矿场景的车辆定位中，可以使用激光点云定位子系统。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1显示了根据本发明的一个实施例的多传感器融合定位方法流程图；

图2显示了根据本发明的一个实施例的对超宽带测量数据进行自适应标定流程图；

图3显示了根据本发明的一个实施例的定位解算示意图以及全局拓扑地图示意图；

图4显示了根据本发明的一个实施例的多模态定位处理流程图；

图5显示了根据本发明的一个实施例的超宽带定位结果示意图；

图6显示了根据本发明的一个实施例的惯性导航数据以及卫星导航数据融合定位原理图；

图7显示了根据本发明的一个实施例的激光点云定位过程架构图；

图8显示了根据本发明的一个实施例的多传感器融合定位系统架构图。

附图中，相同的部件使用相同的附图标记。另外，附图并未按照实际的比例绘制。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明实施例作进一步地详细。

本发明提供了一种解决长巷道、暗灯光、弱/无GPS信号、潮湿等环境下的定位问题的方案，通过基于IMU(Inertial measurement unit，惯性测量单元)、里程计、UWB(UltraWide Band，超宽带)、激光雷达等多种传感器的信息融合，实现井工矿特殊场景下的多传感器融合定位。

本方案在现有技术方案的基础上，融合更多的定位源，例如车辆速度(车辆通过安装轮速编码器，测量得到的车体速度)、UWB测距信息、激光SLAM(SimultaneousLocalization and Mapping，即时定位与地图构建)定位信息，通过多传感器融合算法，实现弱/无GPS信息场景的高精度定位，提高了系统的鲁棒性。本发明可以适用于有地上(有GPS)和地下(弱GPS或无GPS)场景及其切换。

图1显示了根据本发明的一个实施例的多传感器融合定位方法流程图。

如图1所示，在步骤S1中，对超宽带测量数据进行处理，得到超宽带定位数据。

在一个实施例中，步骤S1中，通过以下步骤得到超宽带定位数据：对超宽带测量数据进行测距标定，以校正温度、气压、湿度、传感器误差因素对测距精度的影响，得到包含温度测距数据、气压测距数据、湿度测距数据以及传感器测距数据的测距数据；基于测距数据，进行定位解算，得到包含目标对象三维位置的所述超宽带定位数据。

图2显示了根据本发明的一个实施例的对超宽带测量数据进行自适应标定流程图。

在一个实施例中，步骤S1中，通过以下步骤对超宽带测量数据进行测距标定：对超宽带测量数据进行数据统计，实时记录超宽带标签与超宽带基站的测量结果、激光测距仪或者全站仪的真实测量结果。基于数据统计结果，利用主成分分析法和最小二乘法进行建模，并采用双边双向测距估计测量时间，得到测距数据。

将UWB测距信息应用于精确定位，首先需要保证所测量距离的准确性，而后基于多个测距信息进行定位解算，再将定位信息或测距信息与其他传感器数据进行融合。

由于UWB的信号会受到测程、时间偏差、大气状态等等因素干扰，所以当UWB被使用在不同的工业环境或者环境因素波动较大的场合，就会产生较大的测距误差，从而影响定位精度。因此，需要对这些因素进行标定，整个标定流程如图2所示。

数据统计过程为实时记录UWB标签与基站的测量结果，和激光测距仪或者全站仪的真实测量结果。综合各项因素，可以将测量值和真实值之间的关系简化为线性函数关系如下：

d′＝a*d+b(1)

其中，d′为UWB标签测量值；a为比例系数；d为激光扫描仪或全站仪测量的真实值；b为零位偏置。

然后利用主成分分析法和最小二乘法对这些数据进行建模。

采用TWR(Two-way ranging)测距是通过UWB信号从UWB标签到UWB基站之间的往返时间确定两者之间的距离，其不需要UWB基站与标签的时间同步，可以消除TOA/TDOA定位算法中的时间同步误差。由于普通的TWR测距方法随着时钟偏差增加，飞行时间估计中增加的误差使得估计达到非常不准确的程度，所以这样的方法一般不常用。双边双向测距(DS-TWR，Double-sided two-way ranging)是基本的单边双向的变形，其中使用了两个往返时间测量，并将其组合在一起，从而得到飞行时间结果。它使用第一次往返测量的答复作为第二次往返测量的发起，这样就简化为三条消息，节省了通信时间。使用“不对称边”算法估计测量时间，降低了时钟偏差对测量时间的影响。

在一个实施例中，步骤S1中，通过以下步骤得到包含目标对象三维位置的超宽带定位数据：对测距数据进行预处理后导入全局拓扑地图，以进行模式判定；依据模式判定结果，通过包含一维定位、二维定位以及三维定位的多模态定位处理，得到超宽带定位数据。具体来说，模式判定的目的是确定使用一维定位、二维定位还是三维定位。

在定位方面，一般的定位方法对UWB标签检测到的有效基站数量、环境构型等有一定的要求，所以需要在布置基站的过程中额外地进行一些位置考虑，这就加大了基站部署难度。本发明提出了一种基于拓扑地图的多模态UWB定位方法，定位示意图如图3所示。

在对基站位置进行测绘后，导入到定位系统中，会根据欧式距离自动生成一个全局拓扑地图。结合拓扑地图与测距信息，上位机会首先进行定位模式判定，然后执行相应的定位过程。该定位模式流程如图4所示。

在三维定位模式中，假设存在四个基站，其坐标为A

同样地，通过最小二乘法，可以求得：

式中，K

其中：Δx为标签位置坐标在导航坐标系X轴方向的偏差；Δy为标签位置坐标在导航坐标系Y轴方向的偏差；Δz为标签位置坐标在导航坐标系Z轴方向的偏差；

如图1所示，在步骤S2中，对惯性导航数据以及卫星导航数据进行融合处理，得到融合定位数据。

在一个实施例中，步骤S2中，通过以下步骤得到融合定位数据：基于惯性导航数据以及卫星导航数据各自输出的位置和速度信息差值作为量测值，采用扩展卡尔曼滤波，估计惯性器件和惯性导航的误差，然后对器件误差和导航误差进行校正，得到融合定位数据。

图6显示了根据本发明的一个实施例的惯性导航数据以及卫星导航数据融合定位原理图。

如图6所示，基于惯性导航数据以及卫星导航数据各自输出的位置和速度信息差值作为量测值，采用扩展卡尔曼滤波，估计惯性器件和惯性导航的误差，然后对器件误差和导航误差进行校正，以提高惯性导航的精度。进一步地，惯性导航系统(InertialNavigation System，INS)和GPS组合导航过程中，惯性导航系统和GPS各自独立工作，组合作用主要表现为用GPS辅助惯导；组合系统的输出是GPS和惯性导航系统的融合导航定位结果。

如图1所示，在步骤S3中，结合惯性导航数据以及先验地图，对激光点云数据进行处理，得到激光点云定位数据。

在一个实施例中，步骤S3中，通过以下步骤得到激光点云定位数据：对激光点云数据进行无效点剔除以及点云滤波，得到有效的点云信息，作为实时扫描定位的输入项；对惯性导航数据进行数据同步和预积分处理，得到相邻时刻内惯性测量传感器的变换信息，作为扫描匹配初始值输入项；获取先验地图，作为扫描定位的地图；通过有效的点云信息、变换信息以及先验地图，实现扫描匹配，进行位姿优化，得到激光点云定位数据。

图7显示了根据本发明的一个实施例的激光点云定位过程架构图。

如图7所示，在激光点云数据处理模块，获取激光雷达传感器数据，首先进行无效点剔除和点云滤波，得到有效的点云信息，并传输到激光点云定位模块，作为实时扫描定位的输入项，IMU数据处理模块进行数据同步和预积分处理，得到相邻时刻内IMU传感器的变换信息，作为激光点云定位模块的扫描匹配初始值输入，地图加载模块加载甲方提供的地图，并输入到激光点云定位模块中，作为扫描定位的地图。最后是激光点云定位模块，通过获取的IMU预积分信息，激光点云和先验地图，实现扫描匹配，进行位姿优化，最终输出结果。

如图1所示，在步骤S4中，融合里程计数据、融合定位数据、超宽带定位数据以及激光点云定位数据，得到目标对象的运动状态估计结果。

在一个实施例中，步骤S4中，通过以下步骤得到目标对象的运动状态估计结果：基于融合定位数据，建立位姿预估模型；根据位姿预估模型，结合超宽带定位数据，对非视距误差进行识别；基于里程计数据、融合定位数据、超宽带定位数据以及激光点云定位数据，构建滤波器观测方程；根据滤波器观测方程，采用扩展卡尔曼滤波算法，得到包含位置、速度、姿态的运动状态估计结果。

基于融合定位数据，建立导航定位系统的位姿预估模型，由状态变量、系统输入和噪声构成的非线性微分方程如下：

对IMU安装误差进行补偿，处理GNSS天线和UWB标签的臂杆效应：设GNSS天线/UWB标签在以IMU为原点的车辆本体坐标系中的安装位置为l

l

其中：

GNSS天线/UWB标签在导航坐标系中的位置P

其中：

根据IMU预估状态，判断处理UWB非视距(非视距最直接的解释是，通信的两点视线受阻，彼此看不到对方，菲涅尔区大于50％的范围被阻挡)情况：

由于UWB测量过程中可能会存在障碍物遮挡，测距信息中会存在非视距误差NLOS，滤波器融合前需要对这些误差进行判断。为充分利用UWB测距信息，考虑到各UWB基站之间相互独立，采用测量方程维数动态变化的测量更新方式。测距残差可以表示为：

根据测距残差，判断是否存在非视距误差：

其中：Δρ

设卫星导航数据中的位置、速度、航向角分别为p

滤波器观测方程为：

Z

根据上述滤波器观测方程，采用扩展卡尔曼滤波算法，滤波器测量更新首先计算滤波更新增益矩阵：

K＝P

对滤波器状态变量进行更新：

x

对滤波器协方差进行更新：

P

其中：ρ

由此，可实现GNSS、UWB测量、IMU测量、激光雷达数据的融合，获得系统位置、速度、姿态等状态估计量。

本发明相对于现有技术增加了UWB、激光雷达等传感器；本发明增加了对UWB的测距定位算法；本发明增加了对激光雷达/IMU的惯性/激光SLAM定位算法；本发明增加了各系统的时间对齐和空间同步补偿算法，并通过Ubuntu(以桌面应用为主的Linux操作系统)+ROS系统实现。

本发明提供的一种多传感器融合定位方法还可以配合一种计算机可读取的存储介质，存储介质上存储有计算机程序，执行计算机程序以运行一种多传感器融合定位方法。计算机程序能够运行计算机指令，计算机指令包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。

计算机可读取的存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

需要说明的是，计算机可读取的存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读取的存储介质不包括电载波信号和电信信号。

图8显示了根据本发明的一个实施例的多传感器融合定位系统架构图。

根据本发明的另一个方面，还提供了一种多传感器融合定位系统，其执行多传感器融合定位方法，系统包含：超宽带定位子系统、惯性卫星导航定位子系统、激光点云定位子系统、融合子系统。

超宽带定位子系统用于对超宽带测量数据进行处理，得到超宽带定位数据。具体来说，超宽带定位子系统硬件包括超宽带基站和超宽带标签。基站安装在巷道内指定位置(坐标已知)，标签安装在车辆外侧特定位置，标签通过串口接入系统。定位包括UWB测距标定、UWB定位解算两部分功能。UWB测距标定用于校正温度、气压、湿度、传感器误差等因素对测距精度的影响，在不同环境下能够输出满足精度要求的测距数据。UWB定位解算是根据4个以上测距信息，标签能够解算出自身的三维位置，可用于精确导航定位系统的状态初始化。

惯性卫星导航定位子系统用于对惯性导航数据以及卫星导航数据进行融合处理，得到融合定位数据。具体来说，惯性卫星导航定位子系统安装在车辆特定设备箱内。硬件包括惯性测量单元、GPS接收机、GPS接收天线、差分电台及天线。定位方法采用基于位置、速度的融合方式。

激光点云定位子系统用于结合惯性导航数据以及先验地图，对激光点云数据进行处理，得到激光点云定位数据。具体来说，激光点云子系统通过激光雷达安装在车辆特定位置，采用扫描匹配定位方式，根据预先采集的高精度三维点云地图和车端负载的激光雷达和惯性测量单元(IMU)等传感器，实现车辆定位。系统整体分为四个部分：激光点云数据处理，IMU数据处理，地图加载和激光点云定位，其中构建好的三维点云地图由甲方提供。

融合子系统用于融合里程计数据、融合定位数据、超宽带定位数据以及激光点云定位数据，得到目标对象的运动状态估计结果。具体来说，融合子系统采用扩展卡尔曼滤波器，通过松耦合方式融合里程计、欧拉角、UWB定位数据、激光反射定位数据，实现对车体运动状态的最优估计。

上述由GNSS、双标签UWB、IMU、激光雷达等传感器构成的融合定位定姿系统，IMU可获得连续高频的系统预测状态，能够判断UWB非视距情况，双标签UWB可解算车体航向，使系统具有完备的姿态测量信息。

多传感器融合定位系统通过融合IMU、GPS、轮速里程计、UWB、激光雷达等传感器信息，通过高效的多源数据融合和协同定位算法，实现井工矿环境下高精度定位。由于在传感器配置方面采用了冗余设计理念，同时研制具有容错能力的状态估计算法，当某个传感器出现短时异常情况下，系统可以根据融合数据状态判断出异常情况，并自动滤除该异常数据，从而不影响导航定位状态估计数据，系统仍然能够正常工作。

如图8所示，在中心控制单元的控制下，各子系统在定位软件作用下，能够开展惯性导航定位实验、卫星定位实验、UWB定位实验以及激光点云定位实验，为开展自主可控的井下快速定位技术研究，为实现车辆长距离、全天候、全自动快速定位提供研究平台和实验条件。

惯性导航系统数据、卫星定位接收机数据、UWB数据和激光雷达数据可通过相应的驱动程序实时采集，通过时间服务器将数据对齐，并发送给计算设备。计算设备对采集到的数据进行相应的数据处理，实现惯性导航系统定位、GNSS单点定位、GNSS/惯导组合导航定位轮速、激光SLAM/惯性/轮速/UWB/定位等多种定位估计。数据的通信和传输利用ROS系统完成，ROS是一种准实时系统，可以满足实时数据采集和定位的要求。

综上，本发明提供的一种多传感器融合定位方法，与现有技术相比，具备以下有益效果：

1)本发明解决了现有技术中车辆的导航系统存在精度不高，尤其是复杂场景下的定位漂移问题；

2)本发明利用对不同传感器的信息质量进行评估，并通过高效的多源数据融合和协同定位算法，提高了复杂场景(井工矿)下定位系统的鲁棒性；

3)本发明将超宽带定位子系统、惯性卫星导航定位子系统、激光点云定位子系统之间进行数据同步处理，保证融合系统前端的数据一致性；

4)本发明数据的通信和传输利用ROS系统(机器人操作系统，Robot OperatingSystem)完成，系统架构灵活，迭代周期短；

5)本发明可根据实际场景进行子系统裁剪，实现具体场景下的高精度定位，例如在卫星信号较好的场景(露天矿)可以只使用惯性卫星导航定位子系统进行高精度定位；在井工矿人员定位场景中，可以使用超宽带定位子系统；在短距离井工矿场景的车辆定位中，可以使用激光点云定位子系统。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

某些术语在本申请文件中自始至终用来指示特定系统部件。如本领域的技术人员将认识到的那样，通常可以用不同的名称来指示相同的部件，因而本申请文件不意图区别那些只是在名称上不同而不是在功能方面不同的部件。在本申请文件中，以开放的形式使用术语“包括(comprise)”、“包含(include)”和“具有(have)”，并且因此应将其解释为意指“包括但不限于…”。此外，在本文中可能使用的术语“基本上”、“实质上”或者“近似地”涉及行业所接受的对相应术语的容差。如在本文中可能采用的术语“耦合”包括直接耦合和经由另外的组件、元件、电路、或者模块的间接耦合，其中对于间接耦合来说，介于其间的组件、元件、电路、或模块不更改信号的信息但是可调整其电流水平、电压水平、和/或功率水平。推断的耦合(例如其中一个元件通过推断耦合至另一个元件)包括以与“耦合”同样的方式在两个元件之间的直接和间接的耦合。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。