一种智能驾驶方法、系统、交通工具及存储介质

技术领域

本申请涉及智能驾驶技术领域，尤其涉及智能驾驶决策规划技术领域，具体涉及一种智能驾驶方法、系统、交通工具及存储介质。

背景技术

随着人工智能的发展，智能车辆的无人驾驶技术得到了广泛关注。智能驾驶决策规划是实现智能车辆无人驾驶的关键技术之一，智能驾驶决策规划是指车辆根据感知到的环境信息和预先设定的目标，通过决策算法和模型来实现驾驶决策的规划，其中，智能驾驶决策规划包括路径规划、行为决策以及交通规则的遵守等。

但是，在实际驾驶过程中，智能车辆所处的环境各种各样，简单的决策规划不能满足在各种各样的行驶场景下的安全性和舒适性。

因此，如何设计出使智能车辆在各种各样的行驶场景中安全、舒适的行驶轨迹是亟待解决的问题。

发明内容

本申请提供一种智能驾驶方法、系统、交通工具及存储介质，以至少解决相关技术中简单的决策规划不能应对复杂行驶场景的技术问题。本申请的技术方案如下：

根据本申请涉及的第一方面，提供一种智能驾驶方法，包括：

获取车辆在行驶过程中的环境信息、车辆位置信息、障碍物信息以及导航信息；

基于导航信息，确定约束条件和多个参考路径；约束条件至少包括路径约束信息和速度约束信息；

基于约束条件、环境信息、车辆位置信息、障碍物信息以及第一决策规划算法，从多个参考路径中确定多个参考轨迹；

基于第二决策规划算法，从多个参考轨迹中，确定最优轨迹；

控制车辆按照最优轨迹行驶。

根据上述技术手段，本申请基于导航信息，确定约束条件和多个参考路径，再根据第一决策规划算法，结合约束信息、环境信息、车辆位置信息和障碍物信息，从多个参考路径中选取多个参考轨迹，进一步地，基于第二决策规划算法从多个参考轨迹中确定最优轨迹，这样，在各种各样的行驶场景中，控制车辆按照最优轨迹行驶可以保证行驶的安全性和舒适性。

在一种可能的实施方式中，上述方法还包括：第一决策规划算法由以下步骤获得：基于环境信息，识别车辆的行驶场景；确定与行驶场景相匹配的第一决策规划算法。

由于车辆的行驶场景复杂多变，使用规则的决策算进行决策规划可能影响多种行驶场景下的安全性和舒适性，对此，本申请根据获取到的环境信息，识别车辆的行驶场景，进而确定与行驶场景相匹配的第一决策规划算法，这样，可以使经过不同算法确定的参考轨迹更加安全和舒适，以更好地满足驾驶需求。

在一种可能的实施方式中，当行驶场景为弯道超车场景时，与弯道超车场景相匹配的第一决策规划算法包括规则算法；当行驶场景为通过十字路口场景时，与通过十字路口场景相匹配的第一决策规划算法包括机器学习算法。

在一种可能的实施方式中，上述智能行驶方法还包括：基于第二决策规划算法以及各个参考轨迹的综合评价指标和安全约束指标，确定最优轨迹；其中，综合评价指标包括：参考轨迹长度、纵向速度以及速度曲率中的一项或多项，安全约束指标包括：车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级中的一项或多项。

根据上述技术手段，本申请在综合考虑参考轨迹长度、纵向速度、速度曲率、车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级的因素下，可以确定出安全性和舒适性最高的轨迹信息。

根据本申请提供的第二方面，提供一种智能驾驶系统，包括：

获取模块，用于获取车辆在行驶过程中的环境信息、车辆位置信息、障碍物信息以及导航信息；

决策规划模块，用于基于导航信息，确定约束条件和多个参考路径；约束条件至少包括路径约束信息和速度约束信息；

决策规划模块，还用于基于约束条件、环境信息、车辆位置信息、障碍物信息以及第一决策规划算法，从多个参考路径中确定多个参考轨迹；

决策规划模块，还用于基于第二决策规划算法，从多个参考轨迹中，确定最优轨迹；

处理模块，用于控制车辆按照最优轨迹行驶。

在一种可能的实施方式中，上述决策规划模块，还用于基于环境信息，识别车辆的行驶场景；

确定与行驶场景相匹配的第一决策规划算法。

在一种可能的实施方式中，当上述行驶场景为弯道超车场景时，与弯道超车场景相匹配的第一决策规划算法包括规则算法；当上述行驶场景为通过十字路口场景时，与通过十字路口场景相匹配的第一决策规划算法包括机器学习算法。

在一种可能的实施方式中，决策规划模块还用于：基于第二决策规划算法以及各个参考轨迹的综合评价指标和安全约束指标，确定最优轨迹；其中，综合评价指标包括：参考轨迹长度、纵向速度以及速度曲率中的一项或多项，安全约束指标包括：车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级中的一项或多项。

根据本申请提供的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面及其任一种可能的实施方式的方法。

根据本申请提供的第四方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。

根据本申请提供的第五方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在交通工具上运行时，使得交通工具执行上述第一方面及其任一种可能的实施方式的方法。

由此，本申请的上述技术特征具有以下有益效果：

(1)本申请基于导航信息，确定约束条件和多个参考路径，再根据第一决策规划算法，结合约束信息、环境信息、车辆位置信息和障碍物信息，从多个参考路径中选取多个参考轨迹，进一步地，基于第二决策规划算法从多个参考轨迹中确定最优轨迹，这样，在各种各样的行驶场景中，控制车辆按照最优轨迹行驶可以保证行驶的安全性和舒适性。

(2)由于车辆的行驶场景复杂多变，使用规则的决策算法进行决策规划可能影响多种行驶场景下的安全性和舒适性，对此，本申请根据获取到的环境信息，识别车辆的行驶场景，进而确定与行驶场景相匹配的第一决策规划算法，这样，可以使经过不同算法确定的参考轨迹更加安全和舒适，以更好地满足驾驶需求。

(3)本申请在综合考虑参考轨迹长度、纵向速度、速度曲率、车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级的因素下，可以确定出安全性和舒适性最高的轨迹信息。

需要说明的是，第二方面至第五方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果，此处不再赘述。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。

图1是根据一示例性实施例示出的一种智能驾驶系统的结构示意图；

图2是根据一示例性实施例示出的又一种智能驾驶系统的结构示意图；

图3是根据一示例性实施例示出的又一种智能驾驶系统的结构示意图；

图4是根据一示例性实施例示出的一种智能驾驶方法的流程图；

图5是根据一示例性实施例示出的一种智能驾驶方法的应用场景示意图；

图6是根据一示例性实施例示出的又一种智能驾驶系统的结构示意图；

图7是根据一示例性实施例示出的一种交通工具的框图。

具体实施方式

为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

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。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

为了便于理解，首先对本申请实施例涉及到的一些术语或技术的基本概念进行简单的介绍和说明。

参考路径：是指在规划阶段预先定义的车辆行驶的理想路径，通常是一条抽象的、平滑的曲线或线段，用以指导车辆在规划过程中选择合适的路径。

参考轨迹：是指车辆在实际行驶过程中的真实路径，可以包括车辆的位置信息、路径信息、速度信息、加速度信息等，参考轨迹是车辆实际行驶的真实路径。参考路径作为输入用于规划决策，参考轨迹作为输出用于控制车辆行驶。

规则算法：是指基于预先定义的规则和逻辑来进行决策的算法，通常由人工制定。例如，若检测到车辆前方有障碍物，则执行紧急制动。

机器学习算法：是指通过从大量数据中学习和优化来进行决策的算法。例如，通过训练数据集，机器学习算法可以学习到如何根据路况和行驶历史来预测最优的车速和转向角度。

以上是本申请实施例中所涉及到的部分概念的介绍，以下不再赘述。

如背景技术所述，随着人工智能的发展，智能汽车的无人驾驶技术得到了广泛关注。智能驾驶决策规划是实现智能汽车无人驾驶的关键技术之一，在智能驾驶系统中，通常将智能驾驶系统划分为获取单元、规划单元和控制单元，其中获取单元用于获取车辆周围的环境信息以及车辆自身的位置信息。规划单元需要根据获取的周围环境的信息和车辆自身的位置信息，做出相应的决策并规划车辆的行驶轨迹，在规划单元中，规划出的可行驶轨迹从安全性的角度出发需要考虑以下因素：路径约束信息和速度约束信息，另一个是规划的轨迹不与其他障碍物(包括静止障碍物和运动障碍物)发生碰撞。控制单元用于控制车辆按照规划单元规划的轨迹行驶。

但是，在实际驾驶过程中，智能车辆所处的环境复杂多变，简单的决策规划不能满足在复杂行驶场景下的安全性和舒适性。

基于此，本申请提供的智能驾驶方法，基于导航信息，确定约束条件和多个参考路径，再根据第一决策规划算法，结合约束信息、环境信息、车辆位置信息和障碍物信息，从多个参考路径中选取多个参考轨迹，进一步地，基于第二决策规划算法从多个参考轨迹中确定最优轨迹，这样，控制车辆按照最优轨迹行驶可以保证行驶的安全性和舒适性。

为进一步对本申请实施例的技术方案进行描述，如图1所示，为本申请实施例提供的一种智能行驶系统。

参照图1，该智能行驶系统可以包括：主决策模块、后决策模块和规划模块。

在一些实施例中，主决策模块可以包括环境模型构建模块、约束信息构建模块和参考路径生成模块。其中，如图2所示，

环境模型构建模块，主要用于接收感知模块发送的数据预处理后的车辆在行驶过程中的环境信息、定位模块发送的数据预处理后的车辆位姿信息、预测模块发送的数据预处理后的障碍物信息、地图模块提供的数据预处理后的道路信息、环境重构模块发送的行驶场景以及导航模块发送的导航信息。环境模型构建模块将上述信息封装成决策所需的数据信息，并提供候选车道的组合信息。

环境模型构建模块，用于获取车辆在行驶过程中的环境信息、车辆位置信息、障碍物信息以及导航信息，基于获取到的环境信息，识别车辆的行驶场景。

约束条件构建模块，用于根据环境信息、车辆位置信息、障碍物信息以及导航信息构建约束，其中约束条件构建模块根据障碍物信息确定路径约束信息，根据环境信息中的交通规则信息确定速度约束信息。

参考路径生成模块，用于根据候选车道信息筛选出参考路径及边界，并对参考路径进行平滑处理。

在一些实施例中，决策规划模块，用于根据识别出的车辆的行驶场景确定第一决策规划算法，基于第一决策规划算法、导航信息和约束条件，确定多条参考路径，进一步地，根据约束信息和导航信息，从多个参考路径中确定多个参考轨迹。

在一些实施例中，后决策模块用于从决策规划模块中生成的多个参考轨迹中确定最优轨迹。

如图3所示，本申请的智能驾驶方法的实际软件数据流为：系统感知模块、定位模块将包括障碍物类型、大小以及位置等障碍物信息传输至预测模块，预测模块预测障碍物的运动轨迹，并将预测的障碍物运动轨迹传输至主决策模块，主决策模块基于障碍物信息计算参考轨迹的路径约束信息和速度约束信息，规划模块依据路径约束信息和速度约束信息确定多条参考轨迹，并由后决策模块从多条参考轨迹中确定最优轨迹。

为了便于理解，以下结合附图对本申请提供的智能驾驶方法进行具体介绍。

如图4所示，本申请实施例提供的一种智能驾驶方法，可以应用于一种智能驾驶系统，该智能驾驶系统可以是具有计算和处理能力的电子设备，嵌入在车辆中。以该方法应用于车辆的控制装置为例，该智能驾驶方法包括以下步骤：

S101、获取车辆在行驶过程中的环境信息、车辆位置信息、障碍物信息以及导航信息。

可选的，车辆在行驶中的环境信息可以包括天气信息等；车辆的位置信息可以包括车辆自身的车头朝向信息、行驶速度信息、加速度信息以及所在区域类型(如城区、乡镇、高速)等；障碍物信息可以包括静态障碍物信息和动态障碍物信息的种类、大小以及位置等；导航信息可以包括车辆起始点和目的地的路径长度、路径类型、交通指示灯信息。

S102、基于导航信息，确定约束条件和多个参考路径。

其中，约束条件至少包括路径约束信息和速度约束信息。示例性的，路径约束信息包括：车辆与障碍物的安全距离，避开障碍物的方法等；速度约束信息包括：车辆的当前行驶速度、车辆当前行驶加速度以及车辆在参考路径中每个路径点的速度信息。

示例性的，基于导航信息中车辆起始点和目的地的路径长度、路径类型、交通指示灯信息，确定多个参考路径和车辆与障碍物的安全距离、车辆在参考路径中每个轨迹点的速度信息。

在一些实施例中，多个参考路径还可以包括车道中心线以及边界线序列。

S103、基于约束条件、环境信息、车辆位置信息、障碍物信息以及第一决策规划算法，从多个参考路径中确定多个参考轨迹。

在一些实施例中，第一决策规划算法由以下步骤获得：基于环境信息，识别车辆的行驶场景；确定与行驶场景相匹配的第一决策规划算法。

由于车辆的行驶场景复杂多变，使用规则的决策算法进行决策规划可能影响多种行驶场景下的安全性和舒适性，对此，本申请根据获取到的环境信息，识别车辆的行驶场景，进而确定与行驶场景相匹配的第一决策规划算法，这样，可以使经过不同算法确定的参考轨迹更加安全和舒适，以更好地满足驾驶需求。

在一些实施例中，当行驶场景为弯道超车场景时，与弯道超车场景相匹配的第一决策规划算法包括规则算法；当行驶场景为通过十字路口场景时，与通过十字路口场景相匹配的第一决策规划算法包括机器学习算法。

在规则算法中，通过对自动驾驶车辆的驾驶行为进行划分，并基于感知环境、导航信息等信息建立驾驶行为规则库。自动驾驶车辆在行驶过程中，实时获取车辆周围的环境信息和导航信息等，进而确定接下来的决策。在机器学习算法中，依靠自然驾驶数据直接拟合神经网络模型的方法，首先用提前采集到的老司机开车时的自然驾驶数据训练神经网络模型，而后将训练好的算法模型部署到车上。

S104、基于第二决策规划算法，从多个参考轨迹中，确定最优轨迹。

在一些实施例中，基于第二决策规划算法以及各个参考轨迹的综合评价指标和安全约束指标，确定最优轨迹。

其中，综合评价指标包括：参考轨迹长度、纵向速度以及速度曲率中的一项或多项，安全约束指标包括：车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级中的一项或多项。

在一些实施例中，基于第二决策规划算法计算各个参考轨迹的综合评价指标得分和安全约束指标的得分，以多个参考轨迹中综合评价指标得分和安全约束指标的得分的平均分最高的参考轨迹为最优轨迹。

这样，在综合考虑参考轨迹长度、纵向速度、速度曲率、车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级的因素下，可以确定出安全性和舒适性最高的轨迹信息。

在另一些实施例中，如图5所示，向用户显示多个参考轨迹，由用户从多个参考轨迹中选择最优轨迹。

S105、控制车辆按照最优轨迹行驶。

图4所示的实施例至少带来以下有益效果，本申请基于导航信息，确定约束条件和多个参考路径，再根据第一决策规划算法，结合约束信息、环境信息、车辆位置信息和障碍物信息，从多个参考路径中选取多个参考轨迹，进一步地，基于第二决策规划算法从多个参考轨迹中确定最优轨迹，这样，在各种各样的行驶场景中，控制车辆按照最优轨迹行驶可以保证行驶的安全性和舒适性。

上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，智能驾驶系统或交通工具包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法，示例性的对智能驾驶系统或交通工具进行功能模块的划分，例如，智能驾驶系统或交通工具可以包括对应各个功能划分的各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，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。

图6是根据一示例性实施例示出的一种智能驾驶系统的框图。参照图6，该智能驾驶系统10包括：获取模块101、决策规划模块102以及处理模块103。

获取模块101，用于获取车辆在行驶过程中的环境信息、车辆位置信息、障碍物信息以及导航信息。

决策规划模块102，用于基于导航信息，确定约束条件和多个参考路径；约束条件至少包括路径约束信息和速度约束信息。

决策规划模块102，还用于基于约束条件、环境信息、车辆位置信息、障碍物信息以及第一决策规划算法，从多个参考路径中确定多个参考轨迹。

决策规划模块102，还用于基于第二决策规划算法，从多个参考轨迹中，确定最优轨迹。

处理模块103，用于控制车辆按照最优轨迹行驶。

在一些实施例中，决策规划模块102，还用于基于环境信息，识别车辆的行驶场景；确定与行驶场景相匹配的第一决策规划算法。

在一些实施例中，当行驶场景为弯道超车场景时，与弯道超车场景相匹配的第一决策规划算法包括规则算法；当行驶场景为通过十字路口场景时，与通过十字路口场景相匹配的第一决策规划算法包括机器学习算法。

在一些实施例中，决策规划模块102，还用于基于第二决策规划算法以及各个参考轨迹的综合评价指标和安全约束指标，确定最优轨迹；其中，综合评价指标包括：参考轨迹长度、纵向速度以及速度曲率中的一项或多项，安全约束指标包括：车辆与障碍物的相对速度、车辆与障碍物的距离、最大加速度以及安全等级中的一项或多项。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

上述智能驾驶系统采用硬件的形式实现上述集成的模块的功能的情况下，本申请实施例提供一种交通工具的结构示意图。如图7所示，该交通工具20包括：处理器202，通信接口203，总线204。可选的，交通工具20还可以包括存储器201。

处理器202，可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器202可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器202也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

通信接口203，用于与其他设备通过通信网络连接。该通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。

存储器201，可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

作为一种可能的实现方式，存储器201可以独立于处理器202存在，存储器201可以通过总线204与处理器202相连接，用于存储指令或者程序代码。处理器202调用并执行存储器201中存储的指令或程序代码时，能够实现本申请实施例提供的智能驾驶方法。

另一种可能的实现方式中，存储器201也可以和处理器202集成在一起。

总线204，可以是扩展工业标准结构(extended industry standardarchitecture，EISA)总线等。总线204可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器201，上述指令可由交通工具20的处理器202执行以实现上述实施例中的方法。

在实际实现时，图6中的获取模块101、决策规划模块102、处理模块103的功能均可以由图7中的处理器202调用存储器201中存储的计算机程序实现。其具体的执行过程可参考上实施例中的方法部分的描述，这里不再赘述。

可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存储存储器(Random Access Memory，RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，本申请实施例还提供了一种包括一条或多条指令的计算机程序产品，该一条或多条指令可以由交通工具的处理器202执行以完成上述实施例中的方法。

需要说明的是，上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被交通工具的处理器执行时实现上述方法实施例的各个过程，且能达到与上述方法相同的技术效果，为避免重复，这里不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全分类部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，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装置，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全分类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。

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，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例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分类部或部分可以以软件产品的形式体现出来，该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个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全分类部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。