自动驾驶的障碍物检测方法、装置和用于自动驾驶的系统

技术领域

本申请涉及自动驾驶的技术领域，具体而言涉及一种自动驾驶的障碍物检测方法、装置和用于自动驾驶的系统

背景技术

随着自动驾驶技术不断发展，为确保自主车辆的安全运行，自动驾驶过程中需要不断通过车上的激光雷达(Lidar)通过扫描周围环境，进行障碍物检测。

相关技术中，多是靠单一障碍物检测模块检测障碍物，对特征不明确的障碍物容易产生漏检，影响自主车辆通行安全，并且一般无法获取精确的障碍物多边形信息，会损失很多通行空间，难以满足需求。

发明内容

针对现有技术中存在的问题，本申请提供了一种自动驾驶的障碍物检测方法、装置和用于自动驾驶的系统。

第一方面，本申请公开了一种自动驾驶的障碍物检测方法，所述方法包括获取深度学习模型针对当前场景输出的第一障碍物检测数据和聚类算法针对所述当前场景输出的第二障碍物检测数据；对所述第一障碍物检测数据和所述第二障碍物检测数据进行关联计算，基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据；基于所述关联的检测数据对所述第一障碍物检测数据进行更新，并输出经更新的所述第一障碍物检测数据，作为障碍物检测结果。

示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存在与所述第一障碍物检测数据非关联的检测数据时，所述方法还包括：输出所述非关联的检测数据，作为障碍物检测结果。

示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存在与所述第一障碍物检测数据非关联的检测数据时，在基于所述关联的检测数据对所述第一障碍物检测数据进行更新后，所述方法还包括：将经更新的所述第一障碍物检测数据与所述非关联的检测数据进行所述关联计算；当基于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍物检测数据关联的检测数据时，基于所确定的关联的检测数据再次更新所述第一障碍物检测数据，并输出经更新的所述第一障碍物检测数据。

示例性地，当基于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍物检测数据非关联的检测数据时，所述方法还包括：输出所确定的非关联的检测数据，作为障碍物检测结果。

示例性地，所述第一障碍物检测数据包括鸟瞰视角下障碍物的包围框以及类别，所述第二障碍物检测数据包括所述鸟瞰视角所述障碍物的多边形框以及包含在所述多边形框内部的点云信息；所述关联计算包括：对于每个所述多边形框，确定是否存在一个或多个所述包围框与所述多边形框发生了重叠；所述基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据，包括：当确定不存在所述包围框与所述多边形框发生了重叠时，将所述多边形框作为所述非关联的检测数据；当确定存在所述包围框与所述多边形框发生了重叠时，基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

示例性地，每个与所述多边形框发生了重叠的包围框作为目标包围框，所述基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当确定存在至少两个所述目标包围框时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据；当确定存在一个所述目标包围框时，基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

示例性地，所述基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当所述目标包围框与所述多边形框的重叠率大于或等于第一阈值时，将所述多边形框中的点云点均作为所述关联的检测数据；当所述目标包围框与所述多边形框的重叠率小于所述第一阈值时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据。

示例性地，对于每个所述多边形框，确定是否存在一个或多个所述包围框与所述多边形框发生了重叠，包括：计算所述多边形框与每个所述包围框在高度上的重叠率；当所述重叠率小于第二阈值时，确定所述多边形框与所述包围框没有发生重叠；当所述重叠率大于或等于所述第二阈值时，确定所述多边形框与所述包围框发生了重叠。

示例性地，所述基于所述关联的检测数据对所述第一障碍物检测数据进行更新，包括：对于每个所述包围框，当存在与所述包围框关联的检测数据时，基于所述关联的检测数据中的所有点云点生成凸包，所述凸包的边界框作为所述包围框的多边形框，并基于所述包围框的多边形框的边界点和所述包围框的四个角点更新所述包围框。

示例性地，对于每个所述包围框，当不存在与所述包围框关联的检测数据时，基于所述包围框的四个角点生成凸包，将所述凸包的边界框作为所述包围框的多边形框。

第二方面，本申请公开了一种用于自动驾驶的障碍物检测装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如下步骤：获取深度学习模型针对当前场景输出的第一障碍物检测数据和聚类算法针对所述当前场景输出的第二障碍物检测数据；对所述第一障碍物检测数据和所述第二障碍物检测数据进行关联计算，基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据；基于所述关联的检测数据对所述第一障碍物检测数据进行更新，并输出经更新的所述第一障碍物检测数据，作为障碍物检测结果。

示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存在与所述第一障碍物检测数据非关联的检测数据时，所述处理器还用于：输出所述非关联的检测数据，作为障碍物检测结果。

示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存在与所述第一障碍物检测数据非关联的检测数据时，在基于所述关联的检测数据对所述第一障碍物检测数据进行更新后，所述处理器还用于：将经更新的所述第一障碍物检测数据与所述非关联的检测数据进行所述关联计算；当基于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍物检测数据关联的检测数据时，基于所确定的关联的检测数据再次更新所述第一障碍物检测数据，并输出经更新的所述第一障碍物检测数据。

示例性地，当基于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍物检测数据非关联的检测数据时，所述处理器还用于：输出所确定的非关联的检测数据，作为障碍物检测结果。

示例性地，所述第一障碍物检测数据包括鸟瞰视角下障碍物的包围框以及类别，所述第二障碍物检测数据包括所述鸟瞰视角所述障碍物的多边形框以及包含在所述多边形框内部的点云信息；所述关联计算包括：对于每个所述多边形框，确定是否存在一个或多个所述包围框与所述多边形框发生了重叠；所述基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据，包括：当确定不存在所述包围框与所述多边形框发生了重叠时，将所述多边形框作为所述非关联的检测数据；当确定存在所述包围框与所述多边形框发生了重叠时，基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

示例性地，每个与所述多边形框发生了重叠的包围框作为目标包围框，所述处理器基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当确定存在至少两个所述目标包围框时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据；当确定存在一个所述目标包围框时，基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

示例性地，所述处理器基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当所述目标包围框与所述多边形框的重叠率大于或等于第一阈值时，将所述多边形框中的点云点均作为所述关联的检测数据；当所述目标包围框与所述多边形框的重叠率小于所述第一阈值时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据。

示例性地，对于每个所述多边形框，所述处理器确定是否存在一个或多个所述包围框与所述多边形框发生了重叠，包括：计算所述多边形框与每个所述包围框在高度上的重叠率；当所述重叠率小于第二阈值时，确定所述多边形框与所述包围框没有发生重叠；当所述重叠率大于或等于所述第二阈值时，确定所述多边形框与所述包围框发生了重叠。

示例性地，所述处理器基于所述关联的检测数据对所述第一障碍物检测数据进行更新，包括：对于每个所述包围框，当存在与所述包围框关联的检测数据时，基于所述关联的检测数据中的所有点云点生成凸包，所述凸包的边界框作为所述包围框的多边形框，并基于所述包围框的多边形框的边界点和所述包围框的四个角点更新所述包围框。

示例性地，对于每个所述包围框，当不存在与所述包围框关联的检测数据时，所述处理器基于所述包围框的四个角点生成凸包，将所述凸包的边界框作为所述包围框的多边形框。

第三方面，本申请公开了一种用于自动驾驶的系统，所述系统包括定位子系统、感知子系统、决策子系统和控制子系统，其中：所述定位子系统用于实时获得自动驾驶车辆的位姿信息并传送至所述决策子系统；所述感知子系统用于对车道和障碍物进行检测，并将检测结果传送至所述决策子系统；所述决策子系统用于结合所述定位子系统和所述感知子系统传送来的数据信息对所述自动驾驶车辆进行决策，并将决策信息传送至所述控制子系统；所述控制子系统用于基于所述决策子系统传送来的决策信息控制所述自动驾驶车辆；其中，所述感知子系统包括上文中所述的用于自动驾驶的障碍物检测装置，以获得障碍物检测结果。

第四方面，本申请公开了一种车辆，所述车辆包括上述的用于自动驾驶的系统。

第五方面，本申请公开了一种存储介质，所述存储介质上存储有由处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如上述的用于自动驾驶的障碍物检测方法。

本申请的自动驾驶的障碍物检测方法、装置和用于自动驾驶的系统在获取深度学习模型针对当前场景输出的第一障碍物检测数据和聚类算法针对所述当前场景输出的第二障碍物检测数据后，能够自动对所述第一障碍物检测数据和所述第二障碍物检测数据进行关联计算，基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据，并于所述关联的检测数据对所述第一障碍物检测数据进行更新，并输出经更新的所述第一障碍物检测数据，作为障碍物检测结果，从而实现自动检测自动驾驶的障碍物，可以使得障碍物的位置，类别，形状准确性都可以得到保障，从而提升自动驾驶车辆的安全性。

附图说明

本申请的下列附图在此作为本申请的一部分用于理解本申请。附图中示出了本申请的实施例及其描述，用来解释本申请的装置及原理。在附图中，

图1为本申请实施例中自动驾驶的障碍物检测方法的流程图。

图2为本申请实施例中使用关联的监测数据更新包围框的示意图。

图3为本申请实施例中自动驾驶的障碍物检测装置的结构示意图。

图4为本申请实施例中用于自动驾驶的系统的结构示意图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本申请更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。

应当理解的是，本申请能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本申请的范围完全地传递给本领域技术人员。在附图中，为了清楚，层和区的尺寸以及相对尺寸可能被夸大。自始至终相同附图标记表示相同的元件。

应当明白，尽管可使用术语第一、第二、第三等描述各种元件、部件、区、层和/或部分，这些元件、部件、区、层和/或部分不应当被这些术语限制。这些术语仅仅用来区分一个元件、部件、区、层或部分与另一个元件、部件、区、层或部分。因此，在不脱离本申请教导之下，下面讨论的第一元件、部件、区、层或部分可表示为第二元件、部件、区、层或部分。

空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等，在这里可为了方便描述而被使用从而描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白，除了图中所示的取向以外，空间关系术语意图还包括使用和操作中的器件的不同取向。

参照图1，本申请实施例提供了一种自动驾驶的障碍物检测方法，包括以下步骤：

在步骤S101、获取深度学习模型针对当前场景输出的第一障碍物检测数5据和聚类算法针对所述当前场景输出的第二障碍物检测数据。

在步骤S102、对所述第一障碍物检测数据和所述第二障碍物检测数据进行关联计算，基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据。

0在步骤S103、基于所述关联的检测数据对所述第一障碍物检测数据进行

更新，并输出经更新的所述第一障碍物检测数据，作为障碍物检测结果。

通过上述的自动驾驶的障碍物检测方法，可以实现自动检测自动驾驶的障碍物，可以使得障碍物的位置，类别，形状准确性都可以得到保障，从而提升自动驾驶车辆的安全性。

5下面结合图对本方法进行示例性说明。

首先，获取深度学习模型针对当前场景输出的第一障碍物检测数据和聚类算法针对所述当前场景输出的第二障碍物检测数据。

示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存

在与所述第一障碍物检测数据非关联的检测数据时，所述方法还包括：输出0所述非关联的检测数据，作为障碍物检测结果。

例如，在步骤S102中，当基于所述关联计算结果确定部分第二障碍物检测数据中与所述第一障碍物检测数据非关联，则认为所述部分第二障碍物检测数据是所述自动驾驶的障碍物检测方法中未检出的障碍物，将所述部分第二障碍物检测数据输出作为障碍物检测结果。

5示例性地，当基于所述关联计算结果确定所述第二障碍物检测数据中存

在与所述第一障碍物检测数据非关联的检测数据时，在基于所述关联的检测数据对所述第一障碍物检测数据进行更新后，所述方法还包括：将经更新的所述第一障碍物检测数据与所述非关联的检测数据进行所述关联计算；当基

于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍0物检测数据关联的检测数据时，基于所确定的关联的检测数据再次更新所述

第一障碍物检测数据，并输出经更新的所述第一障碍物检测数据。

示例性地，当基于关联计算结果确定所述非关联的检测数据中存在与经更新的所述第一障碍物检测数据非关联的检测数据时，所述方法还包括：输出所确定的非关联的检测数据，作为障碍物检测结果。

例如，在步骤S103中，对经更新的所述第一障碍物检测数据进行遍历，对所述经更新的所述第一障碍物检测数据与步骤S102中经过关联计算确定的与未经更新的第一障碍物检测数据非关联的检测数据进行关联计算，基于关联计算结果确定所述非关联监测数据中是否存在与经更新的所述第一障碍物检测数据关联的检测数据，对于存在关联的检测数据，将所述关联的检测数据从输出的障碍物检测结果中剔除，加入第一障碍物检测数据的关联的检测数据，更新第一障碍物检测数据；对于不存在关联的监测数据，将其作为所述自动驾驶的障碍物检测方法中未检出的障碍物加入输出的障碍物检测结果。

示例性地，所述第一障碍物检测数据包括鸟瞰视角下障碍物的包围框以及类别，所述第二障碍物检测数据包括所述鸟瞰视角所述障碍物的多边形框以及包含在所述多边形框内部的点云信息；所述关联计算包括：对于每个所述多边形框，确定是否存在一个或多个所述包围框与所述多边形框发生了重叠；所述基于关联计算结果确定所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据，包括：当确定不存在所述包围框与所述多边形框发生了重叠时，将所述多边形框作为所述非关联的检测数据；当确定存在所述包围框与所述多边形框发生了重叠时，基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

例如，在步骤S101中，获取的所述深度学习模型针对当前场景输出的第一障碍物检测数据包括鸟瞰视角下障碍物的包围框以及类别，获取的所述聚类算法针对所述当前场景输出的第二障碍物检测数据包括所述鸟瞰视角所述障碍物的多边形框以及包含在所述多边形框内部的点云信息。在步骤S102中，对于每一个第二障碍物检测数据的多边形框，与每一个第一障碍物检测数据的包围框进行重叠度计算，基于所述重叠度确定所述多边形框和所述包围框是否发生重叠。当确定所述多边形框和所述包围框不存在重叠，将所述多边形框作为非关联的检测数据。在示例中，非关联的检测数据为独立点云聚类结果队列。在示例中，当确定所述多边形框和所述包围框存在重叠，基于与所述多变形框发生重叠的所述包围框的个数，将所述多边形框中的点云点确定为与所述包围框关联的检测数据加入与所述包围框对应的关联点云队列和/或确定为未能检出的障碍物加入独立点云聚类结果队列。

示例性地，每个与所述多边形框发生了重叠的包围框作为目标包围框，所述基于与所述多变形框发生重叠的所述包围框的个数将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当确定存在至少两个所述目标包围框时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据；当确定存在一个所述目标包围框时，基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据。

在示例中，在步骤S102中，当确定存在至少两个所述目标包围框，对所述多边形框中每个点云点，判断所述点云点被哪个目标包围框包围，将所述点云点作为所述目标包围框的关联的监测数据加入所述包围框的关联点云队列，并且将所述多边形框中不在所述目标包围框中任一个范围内的其他点云点作为所述非关联的监测数据，加入独立点云聚类结果队列，作为未检测的障碍物；当确定存在一个所述目标包围框，基于所述目标包围框与所述多边形框的重叠率，将所述多边形框中被所述目标包围框包围的点云点作为关联的检测数据加入与所述目标包围框对应的关联点云队列，并且将所述多边形框中不在所述目标包围框中任一个范围内的其他点云点作为所述非关联的监测数据，加入独立点云聚类结果队列和/或将所述多边形框中所有点云点作为所述非关联的监测数据，重新生成一个凸包，加入独立点云聚类结果队列。

示例性地，所述基于所述目标包围框与所述多边形框的重叠率将所述多边形框中的点云点确定为所述关联的检测数据和/或所述非关联的检测数据，包括：当所述目标包围框与所述多边形框的重叠率大于或等于第一阈值时，将所述多边形框中的点云点均作为所述关联的检测数据；当所述目标包围框与所述多边形框的重叠率小于所述第一阈值时，将所述多边形框中位于所述目标包围框内的点云点作为所述关联的检测数据，不在所述目标包围框内的点云点作为所述非关联的检测数据。

示例性地，对于每个所述多边形框，确定是否存在一个或多个所述包围框与所述多边形框发生了重叠，包括：计算所述多边形框与每个所述包围框在高度上的重叠率；当所述重叠率小于第二阈值时，确定所述多边形框与所述包围框没有发生重叠；当所述重叠率大于或等于所述第二阈值时，确定所述多边形框与所述包围框发生了重叠。

在示例中，所述第一阈值为70％，第二阈值为40％。在示例中，当所述目标包围框与所述多边形框的重叠率大于或等于第一阈值，为高重叠率，将所述多边形框中的所有点云点放入所述目标包围框的关联点云队列，作为关联的检测数据；当所述目标包围框与所述多边形框的重叠率小于所述第一阈值大于或等于所述第二阈值，为低重叠率，将所述多边形框的点云点中被所述目标包围框包围的点云点作为所述关联的检测数据加入所述目标包围框的关联点云队列，将未被所述目标框包围的点云点作为非关联的检测数据，重新生成一个凸包，加入独立点云聚类结果队列；当所述目标包围框与所述多边形框的重叠率小于第二阈值，确定所述多边形框与所述包围框没有发生重叠，将所述多边形框作为未关联的监测数据加入独立点云聚类结果队列。

参照图2，在示例中，对于每个所述包围框201，当存在与所述包围框201关联的监测数据，即所述包围框201的关联点云队列中存在点云点，则将所述包围框201的关联点云队列中的所有点云点作为内部点生成凸包202，将所述凸包202的边界框203作为所述包围框的多边形框，以所述凸包202形成的多边形框的边界框203和所述包围框201的边界点和四个角点生成一个新的包围框200，用所述新的包围框200取代原包围框201完成对所述包围框的更新；当不存在与所述包围框关联的检测数据时，使用包围框的四个角点生成凸包，将所述凸包的边界框作为所述包围框的多边形框，至此，每个所述深度学习模型针对当前场景输出的第一障碍物检测数据都具有了包围框和多边形框。

通过上述方法，将获取的第一障碍物检测数据和第二障碍物检测数据进行关联计算，获得了所述第二障碍物检测数据中与所述第一障碍物检测数据关联的检测数据，通过所述关联的检测数据对所述第一障碍物检测数据进行更新，输出经更新的所述第一障碍物检测数据，作为障碍物检测结果，提升了自动驾驶的障碍物的自动检测速度和精确性，从而提升自动驾驶车辆的安全性。

如图3所示，本申请实施例还提供了一种自动驾驶的障碍物检测装置，所述装置包括存储器301和处理器302，存储器301上存储有由处理器302运行的计算机程序，计算机程序在被处理器302运行时，使得处理器302执行上文所述的用于自动驾驶的障碍物检测的方法以及/或者其它期望的功能。在存储器301中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。处理器302可以是中央处理单元(CPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元。

本申请实施例还提供了一种用于自动驾驶的系统，如图4所示，该系统包括定位子系统401、感知子系统402、决策子系统403和控制子系统404，其中：

定位子系统401用于对车道和障碍物进行检测，并将检测结果传送至所述决策子系统403；感知子系统402用于获取当前的自动驾驶场景，对场景进行分类，并将分类结果传送至所述决策子系统403；决策子系统403用于结合定位子系统401和感知子系统402传送来的数据信息对自动驾驶车辆进行决策，并将决策信息传送至控制子系统404；控制子系统404用于基于决策子系统403传送来的决策信息控制自动驾驶车辆。

其中，感知子系统402包括前文所述的自动驾驶的障碍物检测装置，以获得障碍物检测结果。

本申请实施例还提供了一种车辆，该车辆包括前文所述的用于自动驾驶的系统。示例性地，自动驾驶车辆还包括自动驾驶车辆还包括其他组成结构，如用于驱动车辆前进的驱动系统、用于进行信号传递的信号传输系统等，本发明实施例对此不做限制。

本申请实施例还提供了一种储存介质，存储介质上存储有由处理器运行的计算机程序，计算机程序在被处理器运行时，使得处理器执行如前文所述的自动驾驶场景分类方法。示例性地，计算机存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本申请的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。