爬壁机器人的自动驾驶地图的构建方法和装置

技术领域

本申请涉及自动驾驶领域，具体而言，涉及一种爬壁机器人的自动驾驶地图的构建方法和装置。

背景技术

高精度地图和高精度定位目前仍然是L4及以上自动驾驶系统的核心模块之一，成熟的传感器融合定位方法高度依赖高精度地图，在L4级自动驾驶系统中，所说的高精度地图通常包含两类地图：语义地图(也称为矢量地图)和点云地图，语义地图也就是自动驾驶感知规划重度依赖的地图，包含了大量的路网和交通静态信息，是结构化数据；点云地图，通常为定位模块中的雷达配准定位所使用，是高精度定位的基础，存储类型为非结构化的传感器数据，点云地图本质上也是图商用于构建语义地图的底图之一，所以构建大规模点云地图对于高精度制图和定位而言是其基础之一。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种爬壁机器人的自动驾驶地图的构建方法和装置，以至少解决相关技术中不能进行高精度自动驾驶地图的构建的技术问题。

根据本申请实施例的一个方面，提供了一种爬壁机器人的自动驾驶地图的构建方法，包括：按照所属的区域对点云进行分割；从分割后的点云中提取区域特征；根据提取的区域特征确定相邻的两帧点云之间的变换关系，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中；融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图。

可选地，按照所属的区域对点云进行分割，包括：对点云进行平面投射，得到由点云构成的二维深度图，其中，所述二维深度图的行数为激光雷点的线数，所述二维深度图的列数为点云的横向解析度，在点云包括环的情况下直接以环为所述二维深度图的行索引，在点云不包括环的情况下根据俯角确定所述二维深度图的行索引；在所述二维深度图中对点云进行分割，以区分出属于地面的点云和不属于地面的点云。

可选地，在所述二维深度图中对点云进行分割，以区分出属于地面的点云和不属于地面的点云，包括：按照预先设定的参数groundScanInd，根据射线的邻点间的坡度来分割出属于地面的点云，其中，参数groundScanInd用于指示对环为0至(groundScanInd-1)之间的点云进行分割，参数groundScanInd为大于0的正整数；使用欧几里德聚类方法，对不属于地面的点云进行聚类，其中，一个聚类的点云数量大于N、且跨越的环数至少为M，N为大于等于30的正整数，M为大于等于3的正整数。

可选地，从分割后的点云中提取区域特征，包括：针对分割出的每个区域的点云，获取区域内每一个点的粗糙度：将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点。

可选地，在将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点之后，所述方法还包括：从该区域的所有点中选取粗糙度最大的O个边缘点加到第一集合

可选地，根据提取的区域特征确定相邻的两帧点云之间的变换关系，包括：通过对当前扫描帧的

可选地，在融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图之后，所述方法还包括：在前一扫描帧中爬壁机器人的位置的基础上，根据激光雷达得到的所述爬壁机器人的里程计位置进行偏移，获得所述爬壁机器人在当前扫描帧中的预测位置的第一位置数据；在新接收到点云后，使用NDT算法进行预测，获得所述爬壁机器人的预测位置的第二位置数据；按照扩展卡尔曼滤波方法对所述爬壁机器人的预测位置的第一位置数据和所述爬壁机器人的预测位置的第二位置数据进行融合，可获得所述爬壁机器人的当前位置。

根据本申请实施例的另一方面，还提供了一种爬壁机器人的自动驾驶地图的构建装置，包括：分割单元，用于按照所属的区域对点云进行分割；提取单元，用于从分割后的点云中提取区域特征；处理单元，用于根据提取的区域特征确定相邻的两帧点云之间的变换关系，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中；融合单元，用于融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图。

可选地，分割单元还用于：对点云进行平面投射，得到由点云构成的二维深度图，其中，所述二维深度图的行数为激光雷点的线数，所述二维深度图的列数为点云的横向解析度，在点云包括环的情况下直接以环为所述二维深度图的行索引，在点云不包括环的情况下根据俯角确定所述二维深度图的行索引；在所述二维深度图中对点云进行分割，以区分出属于地面的点云和不属于地面的点云。

可选地，分割单元还用于：按照预先设定的参数groundScanInd，根据射线的邻点间的坡度来分割出属于地面的点云，其中，参数groundScanInd用于指示对环为0至(groundScanInd-1)之间的点云进行分割，参数groundScanInd为大于0的正整数；使用欧几里德聚类方法，对不属于地面的点云进行聚类，其中，一个聚类的点云数量大于N、且跨越的环数至少为M，N为大于等于30的正整数，M为大于等于3的正整数。

可选地，提取单元还用于：针对分割出的每个区域的点云，获取区域内每一个点的粗糙度：将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点。

可选地，提取单元还用于：在将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点之后，从该区域的所有点中选取粗糙度最大的O个边缘点加到第一集合

可选地，提取单元还用于：通过对当前扫描帧的

可选地，上述装置还可以包括定位单元，用于在融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图之后，在前一扫描帧中爬壁机器人的位置的基础上，根据激光雷达得到的所述爬壁机器人的里程计位置进行偏移，获得所述爬壁机器人在当前扫描帧中的预测位置的第一位置数据；在新接收到点云后，使用NDT算法进行预测，获得所述爬壁机器人的预测位置的第二位置数据；按照扩展卡尔曼滤波方法对所述爬壁机器人的预测位置的第一位置数据和所述爬壁机器人的预测位置的第二位置数据进行融合，可获得所述爬壁机器人的当前位置。

根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法中任一实施例的步骤。

应用本发明的技术方案，按照所属的区域对点云进行分割；从分割后的点云中提取区域特征；根据提取的区域特征确定相邻的两帧点云之间的变换关系，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中；融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图，可以解决相关技术中不能进行高精度自动驾驶地图的构建的技术问题。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本申请实施例的一种可选的爬壁机器人的自动驾驶地图的构建方法的流程图；

图2是根据本申请实施例的一种可选的爬壁机器人的自动驾驶地图的构建方法的示意图；

图3是根据本申请实施例的一种可选的深度图的示意图；

图4是根据本申请实施例的一种可选的全局三维点云地图的示意图；

图5是根据本申请实施例的一种可选的爬壁机器人自动驾驶的定位方法的流程图；以及，

图6是根据本申请实施例的一种可选的爬壁机器人的自动驾驶地图的构建装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

ICP(iterative closest point)是一种可选的点云配准算法，通过在两个点云之间逐点查找对应关系，ICP算法反复对齐两组点云，直到满足停止条件为止，所以ICP处理密度较大的点云配准问题是会存在计算复杂度大的问题。

针对ICP处理密度较大的点云配准问题会存在计算复杂度大的问题，相比之下，一些基于特征的匹配方法具有更高的计算效率，如PFH(全称为Point Feature Histograms)和VFH(全称为Viewpoint Feature Histograms)，从而可以采用基于特征的匹配方法来解决上述ICP的计算复杂度大的问题，但基于特征的匹配方法需要设计能够满足配准要求的特征描述符，增大了设计难度，且目前无有效的设计策略。

使用基于特征的配准方法时可以用LOAM算法(全称为Lidar Odometry andMapping in Real-time，LOAM是基于激光雷达而搭建的在ROS平台下的SLAM系统，本申请主要使用了两个部分，特征提取Lidar Registration和里程计解算Odometry and Mapping，当提取出特征后，通过两个高频率的里程计Odometry实现粗定位和低频率的里程计Mapping实现精定位)，该算法通过计算点在其局部区域的粗糙度(roughness values)来提取特征，选择具有高粗糙度值的点作为边缘特征，粗糙度值低的点作为平面特征，通过匹配边缘特征和平面特征完成配准。本方案在LOAM的基础上使用更轻量化的方法实现了相似的性能，更适用于智能移动设备。

本申请提出了一种构建包含闭环检测和优化的较大规模点云地图构建方法，用轻量化的方法达到最优方法的性能，节约计算成本，在爬壁机器人上实现较大区域以及野外场景的三维地图。图1是根据本申请实施例的一种可选的爬壁机器人的自动驾驶地图的构建方法的流程图，如图1所示，该方法可以包括以下步骤：

步骤S102，将属于一个区域的点云分割出来，将点云投射到一个深度图中，用于进行分割(Segmentation)，可按照所属的区域对点云进行分割。

步骤S104，从分割后的点云中提取区域特征，将分割完后的点云被输入到特征提取模块(Feature Extraction)，提取数据的高维有效特征。

步骤S106，根据提取的区域特征确定相邻的两帧点云(如当前扫描帧和前一扫描帧，或当前扫描帧与后一扫描帧)之间的变换关系，如激光雷达里程计(Lidar Odometry)使用提取的特征计算当前扫描到前一扫描的变换，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中，如特征在雷达制图(Lidar Mapping)模块被进一步用于全局地图的构建，并将当前扫描配准到全局的点云地图中。

步骤S208，变换集成(Transfrom Integration)模块融合来自第三步激光雷达里程计和第四步激光雷达制图的姿态估计结果得到最终的姿态估计，融合点云地图和变换关系，得到最终的爬壁机器人姿态估计、爬壁机器人关键动作信号所处的关键帧以及三维地图。

通过上述步骤，按照所属的区域对点云进行分割；从分割后的点云中提取区域特征；根据提取的区域特征确定相邻的两帧点云之间的变换关系，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中；融合点云地图和变换关系，得到最终的爬壁机器人姿态、爬壁机器人关键动作信号所处的关键帧以及三维地图，可以解决相关技术中不能进行高精度自动驾驶地图的构建的技术问题。

本发明针对爬壁机器人的自动驾驶任务的设计共包含两大板块：构建地图和定位，这两个板块均需要点云数据为依托。爬壁机器人自动驾驶的构建地图方法大致处理流程如下(参考图2)：

步骤1，将点云投射到一个深度图中，用于分割(Segmentation)。

将点云数据应用在点云分割模块中。点云分割实际上包含了若干预处理：对原始点云先进行平面投射，得到由点云构成的深度图，深度图的行数为激光雷达的线数，列数则为点云的横向解析度，从而得到一个二维深度图。具体到代码实现上，如果激光雷达的点云包含ring的信息(点云的环)，则直接使用ring作为点在深度图中的行索引，否则根据点的俯角算出行索引。

得到深度图(如图3中a部分)以后对地面进行分割。地面分割方法是根据每个射线的邻点间的坡度来判断是否为地面，鲁棒性较差。所以在具体实现中，可以设定groundScanInd参数来设置考虑为地面的线数(如果groundScanInd＝10，表示仅使用Ring为0-9的线束中的点做地面分割)。分割出地面以后，使用非地面的点进行进一步的分割，这一步分割主要对点云进行聚类，使用了欧几里德聚类方法，通过分割深度图中的点被聚类(聚类簇中的每个点有同一label)，当然为了进一步提升点云聚类的速度并且减少噪声的影响，本发明只考虑点的数量大于N个(N的数量可以根据需要进行设定，如设为30、50等)的聚类簇。此外，还可以使用聚类目标横跨线束的数量来进一步过滤聚类，设定只有至少跨越M个(M的数量可以根据需要进行设定，如设为3、4等)ring的目标才是合法聚。至此可以得到如图3中b部分所示的分割结果(白色部分)。

步骤2，分割完后的点云被输入到特征提取模块(Feature Extraction)，提取数据的高维有效特征。

分割完后的点云被输入到特征提取模块(Feature Extraction)，提取数据的高维有效特征。本方法仅从分割出来的聚类以及地面聚类提取特征，特征提取的基础主要是依据计算分割后的点云的每一个点的粗糙度。粗糙度指深度图中每个点与前后各5个点的距离的差的和平方，计算公式为：

其中，x

使用一个阈值c来划分一个点是边缘特征(edge feature)还是平面特征(planarfeature)，在代码实现中，这个阈值可以根据需要设置，如设置为0.1。

提取策略如下：

1)取每个子图中粗糙度最大的O(如40)个边缘特征点加到集合

2)同时选取粗糙度小于c的点作为平面特征(这些点可以属于地面也可以不是地面点)；

3)取每个子图中最小的P(如80)个平面特征点加到集合

4)接着再进一步在每个子图中选取粗糙度最大且不属于地面的Q(如2)个边缘特征放入集合F

5)选取粗糙度最小且属于地面的R(如4)个平面特征放入集合F

至此，对于一帧投射得到的深度图，可以得到四个特征点集合：边缘特征点集合

步骤3，激光雷达里程计(Lidar Odometry)使用提取的特征计算当前扫描到前一扫描的变换。

该步骤是获得激光雷达的里程计(lidar odometry)的流程，从而得到前后两帧数据激光雷达的变换关系以实现SLAM制图。

本申请中里程计主要通过点到边(point-to-edge)和点到面(point-to-plane)的配准得到，配准当前扫描的

两步为：

首先通过配准

以[t

步骤4，特征在雷达制图(Lidar Mapping)模块被进一步用于全局地图的构建，并将当前扫描配准到全局的点云地图中。

特征在雷达制图(Lidar Mapping)模块被进一步用于全局地图的构建，并将当前扫描配准到全局的点云地图中。

具体做法是：

首先，我们建立起历史所有点云的描述，令

为了加速配准，对边缘特征和平面特征局部地图使用体素网格进行降采样，对边缘特征局部地图降采样的降采样因子是0.2，对边缘特征局部地图降采样的降采样因子是0.3。

接着，仍然使用L-M两步优化法将当前扫描的

然后，在制图的同时，闭环检测会在另一个线程中执行，但是执行的频次要比制图低，本方法同时执行了两种闭环检测方法(RS和SC)，RS即radius search，是本方法实现的简单闭环检测方法，SC即scan context闭环检测方法，找到的闭环最终被更新于位姿图中以优化地图。最终得到优化好的全局三维点云地图，如图4所示。

步骤5，变换集成(Transfrom Integration)模块融合来自步骤3的激光雷达里程计和步骤4的激光雷达制图的姿态估计结果得到最终的姿态估计。

变换集成(Transfrom Integration)模块融合来自步骤3的激光雷达里程计和步骤4的激光雷达制图的姿态估计结果得到最终的姿态估计、关键帧和三维地图。

爬壁机器人自动驾驶的定位方法大致处理流程如图5所示：IMU和Odom在同一个结点中进行融合计算，输出里程计位置；在NDT_Localization中，需维护上一帧的位置，Offset接收里程计发来的里程计位置，并在上一帧位置的基础上进行偏移，获得预测位置Predict_pose；NDT接收新的点云后，在Predict的基础上进行预测，获得NDT_pose；此时可得到有两个位置：通过里程计预测的位置Predict_pose，和通过NDT计算获得的位置NDT_pose，按照一定的规则融合Predict_pose和NDT_pose，可获得当前位置。对于爬壁机器人自动驾驶技术的定位功能，有如下步骤：

1)在NDT_Localization定位模块中，需提取上一帧的位置，保存历史定位信息；

2)由Offset模块接收本发明构建地图算法的步骤3的激光雷达里程计位置odometry_pose，并在上一帧位置last_pose的基础上进行偏移，获得预测位置Predict_pose位置数据为：

Predict_pose＝last_pose+odometry_pose。

3)新接收点云后，在Predict的基础上，使用NDT算法进行预测，获得NDT_pose位置数据，此时可得到有两个位置：通过里程计预测的位置Predict_pose，和通过NDT计算获得的位置NDT_pose；

4)按照扩展卡尔曼滤波对Predict_pose位置数据和NDT_pose位置数据两个位置进行融合，可获得当前位置current_pose为：

current_pose＝predict_pose+K(k+1)[NDT_pose-h(predict_pose)]

其中，K(k+1)是卡尔曼增益矩阵，h(·)是卡尔曼滤波状态空间方程的输出方程。

设计实现了一种快速高效构建大规模三维点云地图的方法；创新性的提出了一种基于激光雷达的回环检测方法，相较于传统图像特征回环检测具有更强的反向鲁棒性；构建的高精度三维点云地图被进一步应用于爬壁机器人自动驾驶系统高精度定位。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

根据本申请实施例的另一个方面，还提供了一种用于实施上述爬壁机器人的自动驾驶地图的构建方法的爬壁机器人的自动驾驶地图的构建装置。图6是根据本申请实施例的一种可选的爬壁机器人的自动驾驶地图的构建装置的示意图，如图6所示，该装置可以包括：

分割单元61，用于按照所属的区域对点云进行分割；提取单元63，用于从分割后的点云中提取区域特征；处理单元65，用于根据提取的区域特征确定相邻的两帧点云之间的变换关系，并根据提取的区域特征将当前扫描帧匹配到全局的点云地图中；融合单元67，用于融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图。

可选地，分割单元还用于：对点云进行平面投射，得到由点云构成的二维深度图，其中，所述二维深度图的行数为激光雷点的线数，所述二维深度图的列数为点云的横向解析度，在点云包括环的情况下直接以环为所述二维深度图的行索引，在点云不包括环的情况下根据俯角确定所述二维深度图的行索引；在所述二维深度图中对点云进行分割，以区分出属于地面的点云和不属于地面的点云。

可选地，分割单元还用于：按照预先设定的参数groundScanInd，根据射线的邻点间的坡度来分割出属于地面的点云，其中，参数groundScanInd用于指示对环为0至(groundScanInd-1)之间的点云进行分割，参数groundScanInd为大于0的正整数；使用欧几里德聚类方法，对不属于地面的点云进行聚类，其中，一个聚类的点云数量大于N、且跨越的环数至少为M，N为大于等于30的正整数，M为大于等于3的正整数。

可选地，提取单元还用于：针对分割出的每个区域的点云，按照如下公式获取区域内每一个点的粗糙度：将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点。

可选地，提取单元还用于：在将粗糙度大于第一阈值的点作为区域的边缘点，将粗糙度不大于所述第一阈值的点作为区域的平面点之后，从该区域的所有点中选取粗糙度最大的O个边缘点加到第一集合

可选地，提取单元还用于：通过对当前扫描帧的

可选地，上述装置还可以包括定位单元，用于在融合点云地图和变换关系，得到爬壁机器人最终的姿态估计、关键帧以及三维地图之后，在前一扫描帧中爬壁机器人的位置的基础上，根据激光雷达得到的所述爬壁机器人的里程计位置进行偏移，获得所述爬壁机器人在当前扫描帧中的预测位置的第一位置数据；在新接收到点云后，使用NDT算法进行预测，获得所述爬壁机器人的预测位置的第二位置数据；按照扩展卡尔曼滤波方法对所述爬壁机器人的预测位置的第一位置数据和所述爬壁机器人的预测位置的第二位置数据进行融合，可获得所述爬壁机器人的当前位置。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。