坡度识别方法、装置、设备及计算机可读存储介质

技术领域

本申请涉及智能驾驶技术领域，具体涉及一种坡度识别方法、装置、设备及计算机可读存储介质。

背景技术

现有的道路坡度识别方法，主要分为基于外接传感器和基于车辆纵向动力学模型两种方法。

基于外接传感器的主要有倾角传感器、陀螺仪、加速度传感器，GPS、激光雷达等。车辆在行驶过程中的高频瞬态运动特性和复杂的行驶工况易造成加速度传感器的量测信噪比降低，造成道路坡度估计的精准度不高。悬架变形和路面颠簸等因素会导致陀螺仪传感器无法准确的获取道路坡度。GPS信号因精度不高、稳定性差等特性也无法精确估计道路坡度，且大多数车辆的处理器又因无法处理激光雷达产生的巨量信息而不能实现坡度的实时预估。且这些方法设备成本昂贵，只适用于研发阶段，并不适用于车辆的量产。

而基于车辆纵向动力学模型的坡度预估方法，可以从CAN总线获取发动机输出转矩、变速箱档位和车速等信息结合车辆纵向动力学模型以及卡尔曼滤波进行坡度预估，但此类方法在起步、换挡、制动和停车等特殊工况下，存在较大误差。

发明内容

本申请提供一种坡度识别方法、装置、设备及计算机可读存储介质，可以解决现有技术中存在的车辆在起步、换挡、制动和停车等特殊工况进行坡度预估不够精确的技术问题。

第一方面，本申请实施例提供一种坡度识别方法，所述坡度识别方法包括：

检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；

若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；

基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；

将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；

根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。

结合第一方面，在一种实施方式中，在所述获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据的步骤之前，还包括：

检测车辆处于特殊工况前第一预设行驶里程内的历史坡度数据中是否存在按时间变化排列的历史坡度数据；

若存在，则将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据。

结合第一方面，在一种实施方式中，所述基于所述第一历史坡度数据对预置LSTM模型进行训练的步骤包括：

按照预设行驶里程间隔对所述第一历史坡度数据进行插值处理，得到第四历史坡度数据；

对所述第四历史坡度数据进行归一化处理，得到训练数据；

基于所述训练数据对预置LSTM模型进行训练。

结合第一方面，在一种实施方式中，所述根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据的步骤包括：

对所述第三坡度数据进行反归一化处理，得到第五坡度数据；

按照预设行驶里程间隔对所述第五坡度数据进行插值处理，得到第六坡度数据；

根据车辆处于特殊工况下的行驶里程从第六坡度数据中确定车辆处于特殊工况下的坡度数据。

结合第一方面，在一种实施方式中，在所述检测车辆是否处于特殊工况的步骤之后，还包括：

若车辆处于非特殊工况，则基于车辆纵向动力学模型以及扩展卡尔曼滤波确定车辆处于非特殊工况下的坡度数据。

第二方面，本申请实施例提供了一种坡度识别装置，所述坡度识别装置包括：

检测模块，用于检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；

获取模块，用于若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；

训练模块，用于基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；

预测模块，用于将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；

确定模块，用于根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。

结合第二方面，在一种实施方式中，所述坡度识别装置还包括转换模块，用于：

检测车辆处于特殊工况前第一预设行驶里程内的历史坡度数据中是否存在按时间变化排列的历史坡度数据；

若存在，则将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据。

结合第二方面，在一种实施方式中，训练模块，用于：

按照预设行驶里程间隔对所述第一历史坡度数据进行插值处理，得到第四历史坡度数据；

对所述第四历史坡度数据进行归一化处理，得到训练数据；

基于所述训练数据对预置LSTM模型进行训练。

第三方面，本申请实施例提供了一种坡度识别设备，所述坡度识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的坡度识别程序，其中所述坡度识别程序被所述处理器执行时，实现如上所述的坡度识别方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有坡度识别程序，其中所述坡度识别程序被处理器执行时，实现如上所述的坡度识别方法的步骤。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例中，检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。通过本申请实施例，当车辆处于特殊工况下，以历史数据为基础，通过神经网络预测的方式确定车辆处于特殊工况下的坡度数据，有效提升了车辆处于特殊工况下的坡度识别精度。

附图说明

图1为本申请坡度识别方法一实施例的流程示意图；

图2为本申请图1中步骤S50的细化流程示意图；

图3为本申请坡度识别装置一实施例的功能模块示意图；

图4为本申请实施例方案中涉及的坡度识别设备的硬件结构示意图。

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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。术语“第一”、“第二”和“第三”等描述，是用于区分不同的对象等，其不代表先后顺序，也不限定“第一”、“第二”和“第三”是不同的类型。

在本申请实施例的描述中，“示例性的”、“例如”或者“举例来说”等用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

在本申请实施例描述的一些流程中，包含了按照特定顺序出现的多个操作或步骤，但是应该理解，这些操作或步骤可以不按照其在本申请实施例中出现的顺序来执行或并行执行，操作的序号仅用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作或步骤可以按顺序执行或并行执行，并且这些操作或步骤可以进行组合。

首先，对本申请中的部分技术术语进行解释说明，以便于本领域技术人员理解本申请。

LSTM(Long Short-Term Memory)是一种长短期记忆网络，是一种特殊的RNN(循环神经网络)。与传统的RNN相比，LSTM更加适用于处理和预测时间序列中间隔较长的重要事件。

传统的RNN结构可以看做是多个重复的神经元构成的“回路”，每个神经元都接受输入信息并产生输出，然后将输出再次作为下一个神经元的输入，依次传递下去。这种结构能够在序列数据上学习短时依赖关系，但是由于梯度消失和梯度爆炸问题，RNN在处理长序列时难以达到很好的性能。

而LSTM通过引入记忆细胞、输入门、输出门和遗忘门的概念，能够有效地解决长序列问题。记忆细胞负责保存重要信息，输入门决定要不要将当前输入信息写入记忆细胞，遗忘门决定要不要遗忘记忆细胞中的信息，输出门决定要不要将记忆细胞的信息作为当前的输出。这些门的控制能够有效地捕捉序列中重要的长时间依赖性，并且能够解决梯度问题。：

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

第一方面，本申请实施例提供一种坡度识别方法。

一实施例中，参照图1，图1为本申请坡度识别方法一实施例的流程示意图。如图1所示，坡度识别方法包括：

步骤S10，检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；

本实施例中，首先从CAN总线获取车辆各执行部件的状态信息，例如发动机输轴转矩、车速、选择档位、实际档位、制动状态、离合器开关状态及当前时刻等信息。需要说明的是，上述列举的状态信息可根据实际需要进行扩充或缩减。

然后，基于从总线上获取的状态信息对特殊工况进行识别。其中，若车速为0，则识别为停车工况；若根据车速从0增加且离合器完全结合，则识别为起步工况；若为制动状态，则识别为制动工况；或选择档位与实际档位不符，则识别为换挡工况。

容易理解的是，若车辆处于停车工况、起步工况、制动工况以及换挡工况中的任一种，则确定车辆处于特殊工况，否则，确定车辆处于非特殊工况。

其中，车辆所处场景不作限制，例如特指处于矿区场景下的车辆。

步骤S20，若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；

本实施例中，假设确定车辆处于特殊工况时车辆的行驶里程为S2，则从历史记录中获取车辆在S0至S2这段行驶里程内的第一历史坡度数据，其中，S2减去S0的差值等于第一预设行驶里程，第一预设行驶里程根据实际需要进行设置，例如设置为10米、15米或20米等等。

需要说明的是，车辆处于特殊工况以及处于非特殊工况下的坡度数据被确定后，便作为历史记录进行存储。

另外，第一历史坡度数据是按行驶里程变化排列的坡度数据。

步骤S30，基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；

本实施例中，首先对第一历史坡度数据进行预处理，得到符合训练要求的训练数据，并基于训练数据对预置LSTM模型进行训练，得到训练完成的LSTM模型。其中，训练过程参照常规的LSTM模型训练过程，此处不做赘述。

步骤S40，将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；

本实施例中，第二预设行驶里程可以等于、大于或小于第一预设行驶里程。

另外，考虑到无法预知车辆处于特殊工况的行驶里程大小，因此要在不超出训练完成的LSTM模型的预测能力的基础上将第三预设行驶里程设置的尽可能大一些，例如设置为200米。此处仅为对第三预设行驶里程的示意性说明，不构成对第三预设行驶里程的限定，可根据实际需要对第三预设行驶里程的具体值进行设置。

需要强调的是，第二历史坡度数据以及第三坡度数据，均是按行驶里程变化排列的坡度数据。

步骤S50，根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。

本实施例中，以第三预设行驶里程为200米为例，当在确定车辆处于特殊工况之后，车辆又行驶了150米，此时检测到车辆处于非特殊工况，则以第三坡度数据中前150米对应的坡度数据作为车辆处于特殊工况下的坡度数据。

本申请实施例中，检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。通过本申请实施例，当车辆处于特殊工况下，以历史数据为基础，通过神经网络预测的方式确定车辆处于特殊工况下的坡度数据，有效提升了车辆处于特殊工况下的坡度识别精度。

进一步地，一实施例中，在步骤S10之前，还包括：

检测车辆处于特殊工况前第一预设行驶里程内的历史坡度数据中是否存在按时间变化排列的历史坡度数据；若存在，则将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据。

本实施例中，以车辆在S0至S2这段行驶里程作为车辆处于特殊工况前第一预设行驶里程。其中，S0至S1这段行驶里程内，车辆处于特殊工况，则S0至S1对应的历史坡度数据L1为按行驶里程变化排列的历史坡度数据；S1至S2这段行驶里程内，车辆处于非特殊工况，由于车辆处于非特殊工况选用的坡度识别方法与车辆处于特殊工况选用的坡度识别方法不同，则S1至S2对应的历史坡度数据L2有可能是按时间变化排列的历史坡度数据。

容易理解的是，车辆处于特殊工况前第一预设行驶里程内的历史坡度数据由L1和L2组成，当L2为按时间变化排列的历史坡度数据时，需要将其转换为按行驶里程变化排列的历史坡度数据。其中，由于车辆行驶里程与行驶时刻是一一对应的，基于这种对应关系，即可将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据。

本实施例中，第一历史坡度数据是训练预置LSTM模型的基础数据，若其是按时间变化排列的历史坡度数据，则在车速的影响下，数据间的时间间隔会较大，从而导致训练得到的LSTM模型的预测精度不够。为了排除车速的影响，通过将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据，并在后续按照预设行驶里程间隔进行插值处理，从而提升了训练得到的LSTM模型的预测精度。

进一步地，一实施例中，所述基于所述第一历史坡度数据对预置LSTM模型进行训练的步骤包括：

按照预设行驶里程间隔对所述第一历史坡度数据进行插值处理，得到第四历史坡度数据；对所述第四历史坡度数据进行归一化处理，得到训练数据；基于所述训练数据对预置LSTM模型进行训练。

本实施例中，插值处理可基于Matlab实现，预设行驶里程间隔根据实际需要进行设置，例如设置为0.05米，则插值处理即以第一历史坡度数据为基础，按照0.05米的插值间隔对第一历史坡度数据进行扩充，得到第四历史坡度数据。

然后，对第四历史坡度数据进行归一化处理，得到训练数据，再基于训练数据对预置LSTM模型进行训练。

在此基础上，在执行步骤S40时，同样按照预设行驶里程间隔对第二历史坡度数据进行插值处理，并将经过差值处理得到的新的第二历史坡度数据输入训练完成的LSTM模型，以供训练完成的LSTM模型基于新的第二历史坡度数据输出车辆处于特殊工况后第三预设行驶里程内的第三坡度数据。

进一步地，一实施例中，参照图2，图2为本申请图1中步骤S50的细化流程示意图。如图2所示，步骤S50包括：

步骤S501，对所述第三坡度数据进行反归一化处理，得到第五坡度数据；

本实施例中，反归一化处理即将训练完成的LSTM模型输出的第三坡度数据转换成实际的坡度数据。

步骤S502，按照预设行驶里程间隔对所述第五坡度数据进行插值处理，得到第六坡度数据；

本实施例中，参照与上述按照预设行驶里程间隔对所述第一历史坡度数据进行插值处理的具体实施例相同的方式，按照预设行驶里程间隔对所述第五坡度数据进行插值处理，得到第六坡度数据。

步骤S503，根据车辆处于特殊工况下的行驶里程从第六坡度数据中确定车辆处于特殊工况下的坡度数据。

本实施例中，假设车辆处于特殊工况时的行驶里程是S2，第三预设行驶里程是200米，若车辆在S2后行驶了100米便进入了非特殊工况，则从第六坡度数据中以S2至(S2+100米)对应的坡度数据作为车辆处于特殊工况下的坡度数据。

进一步地，一实施例中，在步骤S10之后，还包括：

若车辆处于非特殊工况，则基于车辆纵向动力学模型以及扩展卡尔曼滤波确定车辆处于非特殊工况下的坡度数据。

本实施例中，若车辆处于非特殊工况，则根据时序、发动机输出转矩、车速、实际挡位以及上一时刻道路坡度数据，基于车辆纵向动力学模型，通过EKF即扩展卡尔曼滤波实时估计非特殊工况下的坡度数据。

首先，建立车辆的纵向动力学模型：

其中，m为整车质量、

进一步地：

其中，T

进一步地：

F

其中，g为重力加速度、α为坡度角。

进一步地：

其中，C

进一步地：

F

其中，f为滚动阻力系数。

由上，可得：

其中，假设cosα≈1，sinα≈i，上式变为：

建立系统的状态空间模型，选定状态变量为车速v、车辆质量m、道路坡度i，则系统状态向量x(t)＝(v(t)，m(t)，i(t))。车辆质量可看成常量，道路坡度变化较缓慢，二者对时间的导数均可近似为零，因而有微分方程组：

EKF算法基于离散状态空间方程，采用前向欧拉法对上式进行离散化处理，得到离散化差分方程：

假设系统的过程噪声和测量噪声均为加性噪声，过程噪声向量和测量噪声向量分别为W

E[W

由以上假设推得系统的状态方程为：

其中，

系统的测量方程为：

上述两式组成了系统的状态空间表达式，形式为：

其中，H为测量矩阵。

由上式，按照EKF算法对车辆质量m、道路坡度i进行估计。EKF包括两个计算过程：时间更新和测量更新。时间更新方程向前推算先验状态估计值和先验误差协方差；测量更新方程将先验状态估计和测量变量结合产生状态的后验估计并更新估计状态的后验误差协方差。算法递归进行，只需获得上一时刻状态变量的估计值和当前状态变量的测量值便可获得当前状态变量的估计值。

时间更新方程为：

式中，

测量更新方程为：

其中，K

卡尔曼增益根据测量噪声协方差P

第二方面，本申请实施例还提供一种坡度识别装置。

一实施例中，参照图3，图3为本申请坡度识别装置一实施例的功能模块示意图。如图3所示，坡度识别装置包括：

检测模块10，用于检测车辆是否处于特殊工况，所述特殊工况为停车工况、起步工况、制动工况以及换挡工况中的任一种；

获取模块20，用于若车辆处于特殊工况，则获取车辆处于特殊工况前第一预设行驶里程内的第一历史坡度数据；

训练模块30，用于基于所述第一历史坡度数据对预置LSTM模型进行训练，得到训练完成的LSTM模型；

预测模块40，用于将车辆处于特殊工况前第二预设行驶里程内的第二历史坡度数据输入训练完成的LSTM模型，得到训练完成的LSTM模型输出的车辆处于特殊工况后第三预设行驶里程内的第三坡度数据；

确定模块50，用于根据所述第三坡度数据确定车辆处于特殊工况下的坡度数据。

进一步地，一实施例中，坡度识别装置还包括转换模块，用于：

检测车辆处于特殊工况前第一预设行驶里程内的历史坡度数据中是否存在按时间变化排列的历史坡度数据；

若存在，则将按时间变化排列的历史坡度数据转换为按行驶里程变化排列的历史坡度数据。

进一步地，一实施例中，训练模块30，用于：

按照预设行驶里程间隔对所述第一历史坡度数据进行插值处理，得到第四历史坡度数据；

对所述第四历史坡度数据进行归一化处理，得到训练数据；

基于所述训练数据对预置LSTM模型进行训练。

进一步地，一实施例中，确定模块50，用于：

对所述第三坡度数据进行反归一化处理，得到第五坡度数据；

按照预设行驶里程间隔对所述第五坡度数据进行插值处理，得到第六坡度数据；

根据车辆处于特殊工况下的行驶里程从第六坡度数据中确定车辆处于特殊工况下的坡度数据。

进一步地，一实施例中，预测模块40，还用于：

若车辆处于非特殊工况，则基于车辆纵向动力学模型以及扩展卡尔曼滤波确定车辆处于非特殊工况下的坡度数据。

其中，上述坡度识别装置中各个模块的功能实现与上述坡度识别方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

第三方面，本申请实施例提供一种坡度识别设备，坡度识别设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。

参照图4，图4为本申请实施例方案中涉及的坡度识别设备的硬件结构示意图。本申请实施例中，坡度识别设备可以包括处理器、存储器、通信接口以及通信总线。

其中，通信总线可以是任何类型的，用于实现处理器、存储器以及通信接口互连。

通信接口包括输入/输出(input/output，I/O)接口、物理接口和逻辑接口等用于实现坡度识别设备内部的器件互连的接口，以及用于实现坡度识别设备与其他设备(例如其他计算设备或用户设备)互连的接口。物理接口可以是以太网接口、光纤接口、ATM接口等；用户设备可以是显示屏(Display)、键盘(Keyboard)等。

存储器可以是各种类型的存储介质，例如随机存取存储器(randomaccessmemory，RAM)、只读存储器(read-only memory，ROM)、非易失性RAM(non-volatileRAM，NVRAM)、闪存、光存储器、硬盘、可编程ROM(programmable ROM，PROM)、可擦除PROM(erasable PROM，EPROM)、电可擦除PROM(electrically erasable PROM，EEPROM)等。

处理器可以是通用处理器，通用处理器可以调用存储器中存储的坡度识别程序，并执行本申请实施例提供的坡度识别方法。例如，通用处理器可以是中央处理器(centralprocessing unit，CPU)。其中，坡度识别程序被调用时所执行的方法可参照本申请坡度识别方法的各个实施例，此处不再赘述。

本领域技术人员可以理解，图4中示出的硬件结构并不构成对本申请的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

第四方面，本申请实施例还提供一种计算机可读存储介质。

本申请计算机可读存储介质上存储有坡度识别程序，其中所述坡度识别程序被处理器执行时，实现如上述的坡度识别方法的步骤。

其中，坡度识别程序被执行时所实现的方法可参照本申请坡度识别方法的各个实施例，此处不再赘述。

需要说明的是，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。

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上述实施例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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。