一种训练数据获取方法及装置

技术领域

本申请涉及图像处理技术领域，且更具体地，涉及一种训练数据获取方法及装置。

背景技术

在自动驾驶领域的路径规划中，自动驾驶系统需要对周围的障碍物车辆进行轨迹预测，预测出的轨迹将用于路径规划环节，使得路径规划算法可以处理复杂路况。为了能够更好地进行轨迹预测，需要采集数据对轨迹预测网路进行训练。

然而，目前在自动驾驶的轨迹预测中，训练得到的轨迹预测网络在训练数据集和测试数据集上有着明显的性能差距，因而轨迹预测网络的泛化能力不足，导致进行轨迹预测的效果不佳。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种训练数据获取方法、装置、计算机可读存储介质及电子设备，其可以有效增加训练数据集中的训练数据，提高轨迹预测网络的泛化能力。

根据本申请的第一个方面，提供了一种训练数据获取方法，包括：

获取原始轨迹数据集，所述原始轨迹数据集包括至少一条原始轨迹数据；

将所述原始轨迹数据映射至占据栅格图，获取对应的第一数据，以构建第一数据集；

根据第一预设方式对所述第一数据集进行处理，获得第二数据集；

对所述第一数据集和所述第二数据集进行加权求和，获得训练数据集。

根据本申请的第二个方面，提供了一种训练数据获取装置，包括：

第一获取模块，用于获取原始轨迹数据集，所述原始轨迹数据集包括至少一条原始轨迹数据；

第二获取模块，用于将所述原始轨迹数据映射至占据栅格图，获取对应的第一数据，以构建第一数据集；

第三获取模块，用于根据第一预设方式对所述第一数据集进行处理，获得第二数据集；

训练数据获取模块，用于根据第二预设方式对所述第一数据集和所述第二数据集进行加权求和，获得训练数据集。

根据本申请的第三个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的训练数据获取方法。

根据本申请的第四个方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的训练数据获取方法。

与现有技术相比，本申请提供的训练数据获取方法的有益效果至少在于：本申请通过对原始轨迹数据集进行处理，获得第一数据集，并根据第一数据集获得第二数据集，采用将第二数据集和第一数据集加权求和的方式获得新的训练数据集，确保了获得的训练数据集中的训练数据的困难程度较第一数据有了长足提高，因而整体提高了训练数据集的数据质量，有助于提高采用该训练数据集的轨迹预测网络的训练效率以及轨迹预测网络的泛化能力。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的训练数据获取方法的流程示意图一。

图2是本申请另一示例性实施例提供的训练数据获取方法中获得第二数据集的流程示意图。

图3是本申请另一示例性实施例提供的训练数据获取方法中获得训练数据集的流程示意图一。

图4是本申请另一示例性实施例提供的训练数据获取方法中获得训练数据集的流程示意图二。

图5是本申请另一示例性实施例提供的训练数据获取方法中获得训练数据集的流程示意图三。

图6是本申请一示例性实施例提供的训练数据获取方法的流程示意图二。

图7是本申请另一示例性实施例提供的训练数据获取方法中第一种加权求和方式的示意图。

图8是本申请另一示例性实施例提供的训练数据获取方法中第二种加权求和方式的示意图。

图9是本申请另一示例性实施例提供的训练数据获取方法中第三种加权求和方式的示意图。

图10是本申请一示例性实施例提供的训练数据获取装置的示意图一。

图11是本申请一示例性实施例提供的训练数据获取装置中第三获取模块的示意图。

图12是本申请一示例性实施例提供的训练数据获取装置中训练数据获取模块的示意图一。

图13是本申请一示例性实施例提供的训练数据获取装置中训练数据获取模块的示意图二。

图14是本申请一示例性实施例提供的训练数据获取装置中训练数据获取模块的示意图三。

图15是本申请一示例性实施例提供的训练数据获取装置的示意图二。

图16是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

在自动驾驶领域，障碍物或者车辆的轨迹预测对于自动驾驶系统进行路径规划非常重要,以确保路径规划算法可以处理负责的路况。为了能够更好地进行轨迹预测，需要采集轨迹数据对轨迹预测网路进行训练。目前通过训练数据集训练得到的轨迹预测网络在通过测试数据进行测试时，通常都存在非常明显的性能差距，导致轨迹预测网络在实际应用时轨迹预测的效果不佳，轨迹预测网络的泛化能力有限。

为了提高轨迹预测网络的泛化能力，需要对训练数据进行数据增强，以扩充训练数据的数量，训练数据的扩充方式包括对训练数据进行镜像翻转、随机切割以及随机旋转等。然而，通过这种方式虽然可以扩展训练数据的数量，但是扩充的训练数据与原始训练数据非常相似，因而所增加的训练信息十分有限，导致训练效率低，训练所获得的轨迹预测网络泛化能力有限。

本实施例则提供了一种全新的获取训练数据的方法，可以在扩充训练数据数量的同时，提高训练数据的质量，将获得的训练数据用于轨迹预测网络的训练时可以有效提高轨迹预测网络的泛化能力。

图1是本申请一示例性实施例提供的训练数据获取方法的流程示意图。本实施例可应用在服务器或电子设备上，此处不做限制。如图1所示，训练数据获取方法包括如下步骤：

步骤10：获取原始轨迹数据集，所述原始轨迹数据集包括至少一条原始轨迹数据。

在本实施例中，原始轨迹数据集可以是包括车辆的运行轨迹，可以通过激光雷达按照预设频率采集图像，采集的图像中包括车辆的运行轨迹。通过对这些图像进行识别，获取其中的原始轨迹数据，从而可以获得原始轨迹数据集。可以理解的是，每一帧图像中的轨迹数据即为一条原始轨迹数据。当然，在其他实施例中，原始轨迹数据可以通过其他方式获得，并不仅限于上述的情形，此处不做限制。

步骤20：将所述原始轨迹数据映射至占据栅格图，获取对应的第一数据，以构建第一数据集。

占据栅格图是一种常见的地图表示方法，是指在空间和亮度上都已经离散化了的图像，通过将图像划分为一系列栅格，每一个栅格给定一个可能值，表示该栅格被占据的概率，从而可以反映出地图中哪些位置被占据，哪些位置没有被占据。

本实施例在获取了原始轨迹数据后，可以对数值化的原始轨迹数据进行映射，从而获得对应的占据栅格图，每一个占据栅格图则是一个第一数据。在进行映射时，可以只对原始轨迹数据集中的部分原始轨迹数据进行映射，也可以对全部原始轨迹数据进行映射，映射后所获得的第一数据可构成第一数据集。

步骤30：根据第一预设方式对所述第一数据集进行处理，获得第二数据集。

为了对数据集进行扩展，可以对第一数据集中的第一数据进行处理，处理的具体方式可以根据需要进行选择。经过处理可以获得对应的第二数据，从而可以获得第二数据集。

步骤40：对所述第一数据集和所述第二数据集进行加权求和，获得训练数据集。

通过步骤30获得的第二数据集中，包括至少一条第二数据，第二数据的数量与第一数据的数量相同。通过将第一数据和第二数据进行加权求和，可以获得新的训练数据，加权的权重以及加权的具体方式可以根据需要进行设置，此处不做限制。可以理解的是，所获得的训练数据集中，不仅可以包括新获得的训练数据，还可以包括原第一数据集中的第一数据。通过将第一数据集和第二数据集中的数据加权求和获得的新训练数据的困难程度较第一数据有了很大的提高，从而将这一部分训练数据用于轨迹预测网络训练时，可以有效提高轨迹预测网络的训练效率。

本实施例提供的训练数据获取方法的有益效果至少在于：本实施例通过对原始轨迹数据集进行处理，获得第一数据集，并根据第一数据集获得第二数据集，采用将第二数据集和第一数据集加权求和的方式获得新的训练数据集，确保了获得的训练数据集中的训练数据的困难程度较第一数据有了长足提高，因而整体提高了训练数据集的数据质量，有助于提高采用该训练数据集的轨迹预测网络的训练效率以及轨迹预测网络的泛化能力。

图2是本申请一示例性实施例提供的训练数据获取方法中根据第一预设方式对所述第一数据集进行处理，获得第二数据集的流程示意图。如图2所示，步骤30可以包括如下步骤：

步骤301：对所述第一数据集中的第一数据进行复制，获得中间数据集。

步骤302：对所述中间数据集中的数据进行随机排列，以获得所述第二数据集。

在本实施例中，第一数据集中的第一数据可以按照图像帧的获得顺序进行排列，在获得第二数据集时，可以通过对第一数据集中的第一数据进行复制获得。为了增加后续获得的训练数据的困难程度，可以将获得的中间数据集中数据的顺序进行重新排列，使得获得的第二数据集中第二数据的顺序和第一数据集中第一数据的顺序不同，以便于后续对两数据集中的数据进行处理。例如，第一数据集中包括有按顺序排列的第一子数据、第二子数据、第三子数据和第四子数据(均为第一数据，此处写成子数据为了区分)，而通过复制、随机排列后获得的第二数据集中，数据的排列顺序可以变为：第二子数据、第三子数据、第四子数据、第一子数据。

本实施例在构建第二数据集时，通过对第一数据集中的第一数据进行复制，并打乱第一数据的排列方式进行重排，从而可以确保获得的第二数据集与第一数据集不同，有助于提高通过第一数据集和第二数据集获得的训练数据的困难程度。

在本实施例中，对所述第一数据集和所述第二数据集进行加权求和，获得训练数据集步骤中，对第一数据集和第二数据集进行加权求和的具体方式可以根据需要进行设置。

例如，加权求和的第一种方式如图3所示，步骤40可以包括如下步骤：

步骤401：根据第二预设方式对所述第一数据集和所述第二数据集中的数据进行空间划分，以使得所述第一数据集和所述第二数据集中的数据分为至少两个子空间。

在本实施例中，第一数据集中的第一数据为原始轨迹数据对应的占据栅格图，每一个第一数据包括散布在二维空间平面上的多个数据点。第二预设方式可以是对第一数据的二维空间平面进行均等划分，也可以是非均等划分；可以是将二维空间平面划分为多个方形区域，也可以从平面空间的圆心向外划分成多个环形圈。当然，对空间的划分也可以通过其他方式进行，并不仅限于上述的情形。

请参阅图7，本实施例以将空间划分为4个子空间为例进行说明。为了对第一数据集中的第一数据进行处理，可以将第一数据的空间均等划分为2X2的4个子空间，为了便于说明，将第一数据的四个子空间分别即为第一子空间611、第二子空间612、第三子空间613以及第四子空间614(如图7a所示)。每个子空间中的数据点则对应划分为该子空间的数据点。可以理解的是，在进行子空间划分的时候，是对第一数据集中所有的第一数据均进行类似的划分。类似的，将第二数据的四个子空间分别即为第五子空间621、第六子空间622、第七子空间623以及第八子空间624(如图7b所示)。每个子空间中的数据点则对应划分为该子空间的数据点。可以理解的是，在进行子空间划分的时候，是对第二数据集中所有的第二数据均进行类似的划分。其中，第一子空间611与第五子空间621相对应，第二子空间612与第六子空间622相对应，第三子空间613与第七子空间623相对应，第四子空间614与第八子空间624相对应。

步骤402：采用第一系数对所述第一数据集的不同子空间的数据进行处理，对应获得第一空间数据集。

此处第一系数的数量与第一数据集所划分的子空间的数量相对应，即当子空间的数量为4个时，第一系数的数量也为4个，为了便于描述，第一系数分别记为λ

具体地，记第一数据集中第一子空间611的数据点的坐标为(x

步骤403：采用第二系数对所述第二数据集的不同子空间的数据进行处理，对应获得第二空间数据集。

此处第二系数的数量与第二数据集所划分的子空间的数量相对应，即当子空间的数量为4个时，第一系数的数量也为4个，为了便于描述，第二系数分别记为λ

具体地，记第二数据集中第五子空间621的数据点的坐标为(x

步骤404：将所述第一空间数据集和所述第二空间数据集对应加权求和，获得所述训练数据集。

具体地，训练数据集中包括多个训练数据，每个训练数据可由对应的第一数据和第二数据加权求和而得。对于每个训练数据中的数据点，根据位置的不同，其对应的第一数据的子空间也不同。此处，将训练数据中的数据点对应记为(x

本实施例通过对第一数据集和第二数据集的空间进行划分，并针对不同的子空间乘以不同的系数进行处理，再将不同子空间的数据进行加权求和，从而可以获得新的训练数据，所获得的新的训练数据与第一数据差异大，因而可以有效扩展训练数据的数量和多样性，提高训练数据的困难程度，有利于后续进行轨迹预测网络训练的效率。

进一步地，第一系数和第二系数的获取方式可以根据需要进行选择。例如，第一系数可以是从贝塔函数分布(beta分布，即一组定义在(0,1)区间的连续概率分布)中随机选取获得。第二系数则与对应的第一系数之和为固定值，固定值可以为1，也可以为其他值。以固定值为1进行说明，λ

再如，加权求和的第二种方式如图4所示，步骤40可以包括如下步骤：

步骤411：根据第三预设方式对所述第一数据集和所述第二数据集进行划分，对应获得至少两个第一子数据集和至少两个第二子数据集。

在本实施例中，采用第三预设方式对数据集进行划分时，并不涉及到对数据集的空间进行划分，而是将数据集划分为多个子数据集，子数据集的数量可以根据需要进行设置。请参阅图8，例如，第一数据集中第一数据的数量为4个，将这4个第一数据划分为4个第一子数据集，分别记为子数据集一，子数据集二，子数据集三和子数据集四(如图8a所示)；对应地，第二数据集中第二数据的数量为4个，将这4个第二数据划分为4个第二子数据集，分别记为子数据集五，子数据集六，子数据集七和子数据集八(如图8b所示)。

步骤412：采用不同的系数对不同的所述第一子数据集和所述第二子数据集进行处理，对应获得第一子中间数据集和第二子中间数据集。

在本实施例中，可以采用不同的第一系数对4个第一子数据集进行处理，例如第一系数的数量为四个，分别记为λ

为了描述方便，第一数据集中子数据集一的数据点的坐标为(x

类似的，第二数据集中子数据集五的数据点的坐标为(x

步骤413：将所述第一子中间数据集和所述第二子中间数据集对应加权求和，获得所述训练数据集。

具体地，训练数据集中包括多个训练数据，每个训练数据可由对应的第一数据和第二数据加权求和而得。对于训练数据集合中的数据点，根据所属的训练数据的不同，其对应的第一数据的子数据集也不同。此处，将不同训练数据中的数据点对应记为(x

本实施例通过对第一数据集和第二数据集进行划分，并针对不同的子数据集以不同的系数进行处理，再将不同子数据集的数据进行加权求和，从而可以获得新的训练数据，所获得的新的训练数据与第一数据差异大，因而可以有效扩展训练数据的数量和多样性，提高训练数据的困难程度，有利于后续进行轨迹预测网络训练的效率。

又如，加权求和的第三种方式如图5所示，步骤40可以包括如下步骤：

步骤421：采用第一系数对所述第一数据集进行处理，以获得第一中间数据集。

请参阅图9，本方法中在对第一数据集进行处理时，并未对第一数据集进行区分，而是让第一数据集中的所有数据均采用同一个第一系数进行处理(如图9a所示)。为了描述方便，第一系数记为λ

步骤422：采用第二系数对所述第二数据集进行处理，以获得第二中间数据集。

请参阅图9，类似的，本方法中在对第二数据集进行处理时，并未对第二数据集进行区分，而是让第二数据集中的所有数据均采用同一个第二系数进行处理(如图9b所示)。为了描述方便，第二系数记为λ

步骤423：将所述第一中间数据集和所述第二中间数据集进行加权求和，获得所述训练数据集。

具体地，训练数据集中包括多个训练数据，每个训练数据可由对应的第一数据和第二数据加权求和而得。训练数据集合中的数据点记为(x

本实施例通过第一系数和第二系数分别对第一数据集和第二数据集进行处理，再进行加权求和，从而可以获得新的训练数据，操作简单，所获得的新的训练数据与第一数据差异大，因而可以有效扩展训练数据的数量和多样性，提高训练数据的困难程度，有利于后续进行轨迹预测网络训练的效率。

进一步地，在获得了训练数据后，还可以对训练数据进行应用。图6是本申请一示例性实施例提供的训练数据获取方法一种的流程示意图。如图6所示，步骤40后还可以包括如下步骤：

步骤50：将所述训练数据集输入轨迹预测网络，以对所述轨迹预测网络进行训练。

轨迹预测网络用于对轨迹进行预测，例如可以对车辆的轨迹进行预测。在将轨迹预测网络用于进行轨迹预测前，需要对其进行训练，以确保其具有良好的性能。本实施例提供的训练数据集不仅对训练数据进行了扩充，而且扩充训练数据的过程中增加了困难样本的数量，从而可以加快轨迹预测网络的训练速度，有效提高轨迹预测网络的训练效率，进而有助于提高轨迹预测网络的泛化能力，使得轨迹预测网络进行轨迹预测时具有良好的预测效果。

图10是本申请一示例性实施例提供的训练数据获取装置的示意图。如图10所示，训练数据获取装置包括第一获取模块71、第二获取模块72、第三获取模块73以及训练数据获取模块74。其中，第一获取模块71用于获取原始轨迹数据集，所述原始轨迹数据集包括至少一条原始轨迹数据；第二获取模块72用于将所述原始轨迹数据映射至占据栅格图，获取对应的第一数据，以构建第一数据集；第三获取模块73用于根据第一预设方式对所述第一数据集进行处理，获得第二数据集；训练数据获取模块74用于根据第二预设方式对所述第一数据集和所述第二数据集进行加权求和，获得训练数据集。

请参阅图11，进一步地，第三获取模块73包括复制单元731和排列单元732。其中，复制单元731用于对所述第一数据集中的第一数据进行复制，获得中间数据集；排列单元732用于对所述中间数据集中的数据进行随机排列，以获得所述第二数据集。

请参阅图12，在一个实施例中，训练数据获取模块74包括空间划分单元740、第一数据处理单元741、第二数据处理单元742以及第一数据获取单元743。其中，空间划分单元740用于根据第二预设方式对所述第一数据集和所述第二数据集中的数据进行空间划分，以使得所述第一数据集和所述第二数据集中的数据分为至少两个子空间；第一数据处理单元741用于采用第一系数对所述第一数据集的不同子空间的数据进行处理，对应获得第一空间数据集；第二数据处理单元742用于采用第二系数对所述第二数据集的不同子空间的数据进行处理，对应获得第二空间数据集；第一数据获取单元743用于将所述第一空间数据集和所述第二空间数据集对应加权求和，获得所述训练数据集。

请参阅图13，在一个实施例中，训练数据获取模块74包括数据集划分单元744、第三数据处理单元745以及第二数据获取单元746。其中，数据集划分单元744用于根据第三预设方式对所述第一数据集和所述第二数据集进行划分，对应获得至少两个第一子数据集和至少两个第二子数据集；第三数据处理单元745用于采用不同的系数对不同的所述第一子数据集和所述第二子数据集进行处理，对应获得第一子中间数据集和第二子中间数据集；第二数据获取单元746用于将所述第一子中间数据集和所述第二子中间数据集对应加权求和，获得所述训练数据集。

请参阅图14，在一个实施例中，训练数据获取模块74包括第四数据处理单元747、第五数据处理单元748和第三数据获取单元749。其中，第四数据处理单元747用于采用第一系数对所述第一数据集进行处理，以获得第一中间数据集；第五数据处理单元748用于采用第二系数对所述第二数据集进行处理，以获得第二中间数据集；第三数据获取单元749用于将所述第一中间数据集和所述第二中间数据集进行加权求和，获得所述训练数据集。

请参阅图15，进一步地，训练数据获取装置还包括训练模块75，训练模块75用于将所述训练数据集输入轨迹预测网络，以对所述轨迹预测网络进行训练。

图16图示了根据本申请实施例的电子设备的框图。

如图16所示，电子设备8包括一个或多个处理器81和存储器82。

处理器81可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备8中的其他组件以执行期望的功能。

存储器82可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器81可以运行所述程序指令，以实现上文所述的本申请的各个实施例的训练数据获取方法以及/或者其他期望的功能。

在一个示例中，电子设备8还可以包括：输入装置83和输出装置84，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。在该电子设备是单机设备时，该输入装置83可以是通信网络连接器。此外，该输入装置83还可以包括例如键盘、鼠标等等。该输出装置84可以向外部输出各种信息，可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图16中仅示出了该电子设备8中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备8还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的声源定位方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的训练数据获取方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。