一种多设备位姿共享方法及装置
文献发布时间:2023-06-19 10:14:56
技术领域
本发明涉及信息处理技术领域,尤其涉及一种多设备位姿共享方法及装置。
背景技术
移动设备功能的不断增强和普及已引起了多种多样的多设备应用程序,包括设备位姿共享,多屏显示,多玩家互动等,有效地将应用程序扩展到多个设备上,以便在视频流应用程序中进行实时共享和交互(例如,目标检测,位姿估计和语义分割等)。目前,已有工作探索了利用云端(包括边缘云)丰富的计算资源实现视频流任务的多设备交互。这些方法将实时视频流从终端设备传输到云端完成密集的任务计算,同时消耗了大量的网络带宽和计算资源。因此,通过多设备协作在终端设备侧完成视频流处理和共享已成为一个潜在的方向。但是,由于对延迟和密集计算的严格要求,用于多设备交互应用程序的视频流分析和共享的当前实现仍处于起步阶段,许多问题需要解决。因此,如何通过分析实时视觉里程计(Visual Odometry;VO)的流数据来实现多设备姿态共享和交互,是实现各种各样多设备应用的前提。
视觉里程计是机器人定位和自动驾驶领域的一项基本技术,它通过连续跟踪相机的自我运动产生图像间相对姿态,并在给定初始状态下,将相对姿态整合为绝对姿态。视觉里程计按照所使用的相机数量可以分为单目视觉里程计和双目视觉里程计,因为单目视觉里程计只需要一台相机即可获得位姿,具有便携、轻巧、便宜等特点而得到广泛研究和应用。传统的视觉里程计技术分为特征点法和直接法。特征点法通过匹配相邻帧间的特征向量来估计相机位姿,它包括特征检测、特征匹配、运动估计、尺度估计以及后端优化等模块。特征点法在大部分情况下都能取得较好的效果,但在无纹理区域时会面临特征点缺失,进而匹配失败的问题,而且特征点的提取和计算非常耗时。直接法通过最小化光度误差来估计相机运动和像素的空间位置,其能够在无纹理的场景中,例如走廊或者光滑的墙面上取得较好的效果,但只适用于运动幅度较小、图片整体亮度变化不大的情形。深度学习(DeepLearning,简称DL)能够从图像中提取高级特征,从而为解决视觉里程计问题提供了替代方案。基于深度学习的单目视觉里程计算法不依赖于传统视觉里程计任何模块,并且可以以端到端的方式得到相机位姿,无需调整系统参数。
现有的基于深度学习的视觉里程计模型(如DeepVO)主要利用卷积神经网络和循环神经网络的组合直接从原始图像序列中学习位姿变换,与传统方法相比,它在生成精确图像间位姿估计结果的同时,无需与真实轨迹对齐以获得绝对尺度估计。然而这种将Flownet网络得到的特征输入到长短期记忆LSTM作为单目视觉里程计学习的序列到序列编码器,参数量多,模型大,计算复杂度高,难以应用于对实时性有较高要求的场景。
因此,如何更好的实现位姿计算,并实现位姿共享已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种多设备位姿共享方法及装置,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种多设备位姿共享方法,包括:
根据每个终端设备的设备信息确定视频帧分配方案;
根据所述视频帧分配方案对各个所述终端设备进行视频帧的分配,得到每个终端设备所对应的分配后视频帧,以供每个终端设备对各自的分配后视频帧进行位姿估计,确定位姿估计信息,并将所述位姿估计信息广播到所有终端设备。
更具体的,所述根据每个所述终端设备的设备信息确定视频帧分配方案的步骤,具体包括;
根据每个终端设备的设备信息和各个终端设备采集的视频帧构建多个网络最大流模型;
对每个网络最大流模型进行求解,得到最优的最大流匹配路径,以根据每个所述最优的最大流匹配路径确定视频帧分配方案;
其中,所述网络最大流模型是在预设加权二分图的基础上分别增加虚源节点和虚目节点构建得到的;
其中,所述预设加权二分图是终端设备采集的视频帧计算任务分发到其它终端设备上建模为加权的二分图模型。
更具体的,所述对每个网络最大流模型进行求解,得到最优的最大流匹配路径的步骤,具体包括:
在Ford-Fulkerson算法对每个网络最大流模型进行求解的计算量小于实时递归神经网络模型对每个网络最大流模型进行求解的计算量时,通过Ford-Fulkerson算法对每个网络最大流模型进行求解,得到多个最优的最大流匹配路径。
第二方面,本发明实施例提供另一种多设备位姿共享方法,包括:
终端设备获取云端服务器发送的视频分配方案,根据视频帧分配方案将所述终端设备采集的视频帧中待协作处理的待协作视频帧发送到目标终端;
其中,所述视频分配方案是根据每个所述终端设备的计算能力、可用计算资源和网络带宽计算得到的;
所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计,得到本地位姿估计信息和待协作位姿估计信息,并将所述本地位姿估计信息和待协作位姿估计信息广播至所有终端设备;
其中,所述预设位姿估计模型是根据带真实姿态信息标签的多张连续样本视频帧训练得到的。
更具体的,在所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计的步骤之前,所述方法还包括:
构建位姿估计模块;
获取带真实姿态信息的初始样本视频帧,将所述初始样本视频帧进行预处理,得到多张连续的样本视频帧;
将连续时刻的两张样本视频帧作为一组训练样本,以真实姿态信息为标签,将带真实姿态信息标签的训练样本输入基于深度可分离卷积和时间移位模块的神经网络中,得到样本的预估向量;
利用样本的预估向量和所述真实姿态信息标签构建的损失函数进行训练,当满足预设训练条件时,训练结束,得到预设位姿估计模型。
更具体的,所述构建位姿估计模块的步骤,具体包括:
采用深度可分离卷积构建位姿估计模块的骨干网络;
将时间位移模块插入到骨干网络的残差分支中,完成位姿估计模块的构建。
更具体的,所述将所述初始样本视频帧进行预处理,得到多张连续的样本视频帧的步骤,具体包括:
将初始样本视频帧按照预设尺寸进行裁剪,得到裁剪后的样本视频帧;
将裁剪后的样本视频帧除以预设RGB方差,得到样本视频帧;
通过滑动窗口方式获取多张连续的样本视频帧;
其中,所述预设RGB方差是指初始样本视频帧集合的平均RGB值;
其中,所述预设尺寸具体为:图片宽度分辨率为512,图片高度分辨率为256,颜色通道数为3。
第三方面,本发明实施例提供一种多设备位姿共享装置,包括:
分配模块,用于根据每个终端设备的设备信息确定视频帧分配方案;
共享模块,用于根据所述视频帧分配方案对各个所述终端设备进行视频帧的分配,得到每个终端设备所对应的分配后视频帧,以供每个终端设备对各自的分配后视频帧进行位姿估计,确定位姿估计信息,并将所述位姿估计信息广播到所有终端设备。
第四方面,本发明实施例提供一种电子设备,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,所述处理器执行所述程序时实现如第二方面所述多设备位姿共享方法的步骤。
第五方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第二方面所述多设备位姿共享方法的步骤。
本发明实施例提供的一种多设备位姿共享方法及装置,通过将用于位姿估计的预设位姿估计模型更新到各个边缘终端设备中,然后每个终端设备的设备信息确定视频帧分配方案,按照视频分配方案实现视频帧分配后,通过各个边缘终端设备协作完成终端设备之间的位姿计算,并通过广播交互实现多设备位姿实时共享的目标,本发明实施例通过将任务繁重的位姿计算任务从远端云侧迁移卸载到终端设备侧,减少视频帧频繁传输引起的开销,同时减轻了远端云服务器的计算负载。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的多设备位姿共享方法流程示意图;
图2为本发明一实施例所描述的视频帧分配方法示意图;
图3为本发明另一实施例中所描述的多设备位姿共享方法;
图4为本发明一实施例所描述的时间位移模块操作示意图;
图5为本发明一实施例所描述多设备位姿共享装置示意图;
图6为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明一实施例中所描述的多设备位姿共享方法流程示意图,如图1所示,包括:
步骤S1,根据每个终端设备的设备信息确定视频帧分配方案;
具体的,云端服务器根据每个终端设备的设备信息确定视频帧分配方案。
本发明实施例中所描述的每个终端设备的设备信息具体是指每个终端设备的计算能力、可用计算资源、网络带宽等信息。
在根据每个终端设备的设备信息和各个终端设备采集的视频帧构建多个网络最大流模型,对每个网络最大流模型进行求解,得到最优的最大流匹配路径,以根据每个所述最优的最大流匹配路径确定视频帧分配方案。
步骤S2,根据所述视频帧分配方案对各个所述终端设备进行视频帧的分配,得到每个终端设备所对应的分配后视频帧,以供每个终端设备对各自的分配后视频帧进行位姿估计,确定位姿估计信息,并将所述位姿估计信息广播到所有终端设备。
具体的,本发明实施例在进行位姿估计前,云端服务器现将训练好的预设位姿估计模型和相关的服务部署分发到各个边缘终端设备中,同时,参与位姿共享的多个终端设备与服务器间使用Device-to-Device(D2D)技术完成通信的初始化,建立终端设备之间的通信连接。
本发明实施例中所描述的视频帧分配方案具体会指示各个终端设备将其获取的,但是自身无法完成位姿计算的视频帧,分发到指定的目标终端设备中,让目标终端设备协助其完成视频帧的位姿计算。
云端服务器将视频帧分配方案发送到各个终端设备,以帮助其明确其需要发送视频帧进行协助计算的目标终端设备,在完成视频帧的重新分配后,得到每个终端设备对应的需要进行位姿计算的视频帧,终端设备运行轻量化位姿估计模型来计算当前视频帧的位姿信息,然后再协作完成接收到的其他设备发送的视频帧数据,并将计算结果广播至所有终端设备中,达到协作完成每个终端设备当前的位姿估计并实时的共享、交互当前的位姿信息,完成终端设备之间互相交互位姿信息的需求。
同时,当有新的终端设备申请加入到共享交互中时,云端服务器首先将轻量化的预设位姿估计模型和服务加载到该终端设备上,然后在该终端设备与其他终端设备和边缘服务器之间建立通信连接,并实时注册该终端设备到设备信息表中,并在下一时刻激活该终端设备参与到多设备共享交互计算中;当终端设备出现故障或主动终止共享交互时,云端服务器首先从设备信息表中删除该终端设备的信息,并删除与该设备相连接的记录,最后将该设备从共享交互中删除,同时不影响当前其他正在参与位姿共享的终端设备。
本发明实施例通过将用于位姿估计的预设位姿估计模型更新到各个边缘终端设备中,然后每个终端设备的设备信息确定视频帧分配方案,按照视频分配方案实现视频帧分配后,通过各个边缘终端设备协作完成终端设备之间的位姿计算,并通过广播交互实现多设备位姿实时共享的目标,本发明实施例通过将任务繁重的位姿计算任务从远端云侧迁移卸载到终端设备侧,减少视频帧频繁传输引起的开销,同时减轻了远端云服务器的计算负载。
在上述实施例的基础上,所述根据每个所述终端设备的设备信息确定视频帧分配方案的步骤,具体包括;
根据每个终端设备的设备信息和各个终端设备采集的视频帧构建多个网络最大流模型;
对每个网络最大流模型进行求解,得到最优的最大流匹配路径,以根据每个所述最优的最大流匹配路径确定视频帧分配方案;
其中,所述网络最大流模型是在预设加权二分图的基础上分别增加虚源节点和虚目节点构建得到的;
其中,所述预设加权二分图是终端设备采集的视频帧计算任务分发到其它终端设备上建模为加权的二分图模型。
具体的,图2为本发明一实施例所描述的视频帧分配方法示意图,如图2所示,对于任意时刻T,将终端设备采集的视频帧计算任务分发到匹配最佳的终端设备上建模为加权的二分图模型,如图2中的(a)所示,每一帧计算任务都会匹配到包含边缘计算中心的终端设备中完成计算;实时的任务调度模块在建立的加权二分图的基础上添加虚节点构建为网络最大流问题,如图2中的(b)所示,即从构建的虚起始节点和终止节点寻找收益最大/时延最低的最大流匹配路径;根据建立的网络最大流模型,实时的任务计算调度模块根据当前参与的设备的规模采用二阶段方法进行实时求解,即当问题规模较小时,采用传统的Ford-Fulkerson算法进行求解,而当参与共享计算的终端设备规模庞大时,采用实时的递归神经网络模型求解,判断的原则是当前设备规模Ford-Fulkerson算法的理论计算量是否大于推理递归神经网络模型的计算量,根据计算的当前时刻最优的任务匹配结果得到视频帧分配方案。
图3为本发明另一实施例中所描述的多设备位姿共享方法,如图3所示,包括:
步骤S31,终端设备获取云端服务器发送的视频分配方案,根据视频帧分配方案将所述终端设备采集的视频帧中待协作处理的待协作视频帧发送到目标终端;
其中,所述视频分配方案是根据每个所述终端设备的计算能力、可用计算资源和网络带宽计算得到的;
具体的,本发明实施例根据每个终端设备的设备信息和各个终端设备采集的视频帧构建多个网络最大流模型,对每个网络最大流模型进行求解,得到最优的最大流匹配路径,以根据每个所述最优的最大流匹配路径确定视频帧分配方案。
步骤S32,所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计,得到本地位姿估计信息和待协作位姿估计信息,并将所述本地位姿估计信息和待协作位姿估计信息广播至所有终端设备;
其中,所述预设位姿估计模型是根据带真实姿态信息标签的多张连续样本视频帧训练得到的。
具体的,本发明实施例中通过预设位姿估计模型进行位姿估计的步骤,具体包括:
本发明实施例中使用多张连续视频帧,并以滑动窗口形式组合两张相邻时刻的视频帧,将两张相邻时刻的视频帧,即T时刻图片与T+1时刻图片输入预设位姿估计模型,输出T时刻和T+1时刻这两个时刻的估计位姿,我们仅采取后一维向量作为T+1时刻的估计作为最终的输出结果,并将最后输出结果广播至所有终端设备中,协作完成每个终端设备当前的位姿估计计算并实时地其他终端设备共享、交互当前的位姿信息,完成终端设备之间互相交互位姿信息的需求。
本发明实施例通过将用于位姿估计的预设位姿估计模型更新到各个边缘终端设备中,然后每个终端设备的设备信息确定视频帧分配方案,按照视频分配方案实现视频帧分配后,通过各个边缘终端设备协作完成终端设备之间的位姿计算,并通过广播交互实现多设备位姿实时共享的目标,本发明实施例通过将任务繁重的位姿计算任务从远端云侧迁移卸载到终端设备侧,减少视频帧频繁传输引起的开销,同时减轻了远端云服务器的计算负载。
在上述实施例的基础上,在所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计的步骤之前,所述方法还包括:
构建位姿估计模块;
获取带真实姿态信息的初始样本视频帧,将所述初始样本视频帧进行预处理,得到多张连续的样本视频帧;
将连续时刻的两张样本视频帧作为一组训练样本,以真实姿态信息为标签,将带真实姿态信息标签的训练样本输入基于深度可分离卷积和时间移位模块的神经网络中,得到样本的预估向量;
利用样本的预估向量和所述真实姿态信息标签构建的损失函数进行训练,当满足预设训练条件时,训练结束,得到预设位姿估计模型。
所述构建位姿估计模块的步骤,具体包括:
采用深度可分离卷积构建位姿估计模块的骨干网络;
将时间位移模块插入到骨干网络的残差分支中,完成位姿估计模块的构建。
具体的,轻量化位姿估计模型采用深度可分离卷积构建骨干网络,并将时间移位模块插入到骨干网络中,图4为本发明一实施例所描述的时间位移模块操作示意图,如图4所示,本发明实施例将轻量级模型MobilenetV2作为位姿估计模块的骨干网络,用于学习每张图像的运动特征信息。样本视频帧序列首先经过传统的卷积层提取基本特征,然后将卷积层输出结果输入到由时间移位模块和16层深度可分离卷积组成的网络中,经过时间移位模块交换后的信息被输入到传统卷积层,最后使用一个全连接层减小维度以获得两个6维姿态向量。所述时间移位模块被插入到骨干网络的残差分支中,在保留空间信息的同时实现了时间信息的融合,而不增加额外的计算成本,完成位姿估计模块的构建。
将卷积神经网络应用于标准化处理后的每一张样本视频帧,首先提取每一张样本视频帧的基本特征。在每个残差块内,时间移位模块将T时刻特征图的前1/8通道信息沿时间维度移动到T+1时刻特征图相应位置中,T时刻特征图留出的空余通道采用零填充,T+1时刻特征图移出的通道截断处理。由于交换后的T+1时刻特征图信息中包含了T时刻特征图信息,因此取T+1时刻位姿估计结果(第二个姿态向量)作为T时刻视频帧和T+1时刻视频帧间相对位姿,以最小化T时刻视频帧与T+1时刻视频帧间估计姿态与真实姿态均方误差为目标对神经网络进行训练,在满足预设训练条件是,得到预设位姿估计模型。
本发明实施例中所描述的预设训练条件可以是指损失函数的损失值小于预设阈值,或者满足预设训练次数或者预设训练时间。
在上述实施例的基础上,所述将所述初始样本视频帧进行预处理,得到多张连续的样本视频帧的步骤,具体包括:
将初始样本视频帧按照预设尺寸进行裁剪,得到裁剪后的样本视频帧;
将裁剪后的样本视频帧除以预设RGB方差,得到样本视频帧;
通过滑动窗口方式获取多张连续的样本视频帧;
其中,所述预设RGB方差是指初始样本视频帧集合的平均RGB值;
其中,所述预设尺寸具体为:图片宽度分辨率为512,图片高度分辨率为256,颜色通道数为3。
具体的,本发明实施例将初始样本视频帧尺寸裁剪为512*256*3,其中512为图片宽度分辨率,256为图片高度分辨率,3为颜色通道数。对每一张图片减去数据集的平均RGB值,并除以RGB方差,得到标准化后的样本视频帧。
图5为本发明一实施例所描述多设备位姿共享装置示意图,如图5所示,包括:分配模块510和共享模块520;其中,分配模块510用于根据每个终端设备的设备信息确定视频帧分配方案;其中,共享模块520用于根据所述视频帧分配方案对各个所述终端设备进行视频帧的分配,得到每个终端设备所对应的分配后视频帧,以供每个终端设备对各自的分配后视频帧进行位姿估计,确定位姿估计信息,并将所述位姿估计信息广播到所有终端设备。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例通过将用于位姿估计的预设位姿估计模型更新到各个边缘终端设备中,然后每个终端设备的设备信息确定视频帧分配方案,按照视频分配方案实现视频帧分配后,通过各个边缘终端设备协作完成终端设备之间的位姿计算,并通过广播交互实现多设备位姿实时共享的目标,本发明实施例通过将任务繁重的位姿计算任务从远端云侧迁移卸载到终端设备侧,减少视频帧频繁传输引起的开销,同时减轻了远端云服务器的计算负载。
图6为本发明一实施例所描述的电子设备结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:终端设备获取云端服务器发送的视频分配方案,根据视频帧分配方案将所述终端设备采集的视频帧中待协作处理的待协作视频帧发送到目标终端;其中,所述视频分配方案是根据每个所述终端设备的计算能力、可用计算资源和网络带宽计算得到的;所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计,得到本地位姿估计信息和待协作位姿估计信息,并将所述本地位姿估计信息和待协作位姿估计信息广播至所有终端设备;其中,所述预设位姿估计模型是根据带真实姿态信息标签的多张连续样本视频帧训练得到的。
此外,上述的存储器630中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:终端设备获取云端服务器发送的视频分配方案,根据视频帧分配方案将所述终端设备采集的视频帧中待协作处理的待协作视频帧发送到目标终端;其中,所述视频分配方案是根据每个所述终端设备的计算能力、可用计算资源和网络带宽计算得到的;所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计,得到本地位姿估计信息和待协作位姿估计信息,并将所述本地位姿估计信息和待协作位姿估计信息广播至所有终端设备;其中,所述预设位姿估计模型是根据带真实姿态信息标签的多张连续样本视频帧训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:终端设备获取云端服务器发送的视频分配方案,根据视频帧分配方案将所述终端设备采集的视频帧中待协作处理的待协作视频帧发送到目标终端;其中,所述视频分配方案是根据每个所述终端设备的计算能力、可用计算资源和网络带宽计算得到的;所述目标终端通过预设位姿估计模型对所述目标终端的本地视频帧和所述待协作视频帧进行位姿估计,得到本地位姿估计信息和待协作位姿估计信息,并将所述本地位姿估计信息和待协作位姿估计信息广播至所有终端设备;其中,所述预设位姿估计模型是根据带真实姿态信息标签的多张连续样本视频帧训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 一种多设备位姿共享方法及装置
- 位姿评价方法、位姿确定方法、对应装置和电子设备