障碍物方位预测方法、系统、电子设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种障碍物方位预测方法、系统、电子设备及存储介质。

背景技术

在高阶辅助驾驶以及L3及以上自动驾驶中，如图1所示，常规的2D目标检测无法满足现实需求，比如需要知道车辆的位姿便于后续的自动驾驶规划控制。如图2所示，单目3D目标检测相对于激光雷达、双目相机等传感器有成本小及操作便捷等优点，因而在自动驾驶领域得到了广泛应用，但是仅基于车辆的长宽高以及障碍物与车辆在水平面的坐标差值，单目图像缺少深度信息及复杂场景，导致无法准确预测障碍物的旋转角度。

发明内容

本发明提供一种障碍物方位预测方法、系统、电子设备及存储介质，用以解决现有技术中由于单目图像缺少深度信息，导致无法准确预测障碍物的旋转角度的缺陷。

本发明提供一种障碍物方位预测方法，包括：

获取车辆环境图像，所述车辆环境图像包括障碍物；

将所述车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；

将所述车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

根据所述障碍物深度预测值置信度确定是否将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；

在确定将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；

在确定不将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将所述第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

根据本发明提供的一种障碍物方位预测方法，所述根据所述障碍物深度预测值置信度确定是否将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，包括：

当所述障碍物深度预测值置信度大于预设阈值时，将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，生成第二障碍物旋转角度预测值；

当所述障碍物深度预测值置信度小于预设阈值时，不将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将所述第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

根据本发明提供的一种障碍物方位预测方法，所述生成第二障碍物旋转角度预测值，包括：

将所述障碍物深度预测值置信度作为所述障碍物深度预测值的权重，将加权后的障碍物深度预测值置信度叠加到所述第一障碍物旋转角度预测值，生成第二障碍物旋转角度预测值。

根据本发明提供的一种障碍物方位预测方法，所述得到障碍物深度预测值置信度，包括：

将障碍物总深度按照预设值划分为不同类别，得到障碍物每个深度类别；

根据所述障碍物每个深度类别对所述障碍物深度预测值进行分类，将每个类别对应的分值作为所述深度预测值置信度。

根据本发明提供的一种障碍物方位预测方法，所述深度预测分支的训练方法包括：

获取包含障碍物的环境图像及障碍物深度标签；

将所述包含障碍物的环境图像输入至深度预测分支，得到障碍物深度预测值；

根据第一损失函数计算所述障碍物深度预测值与所述障碍物深度标签的第一误差；

根据所述第一误差优化所述深度预测分支的参数。

根据本发明提供的一种障碍物方位预测方法，所述旋转角度预测分支的训练方法包括：

获取包含障碍物的环境图像及障碍物旋转角度标签；

将所述包含障碍物的环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

根据所述障碍物深度预测值置信度确定是否将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，得到第二障碍物旋转角度预测值；

根据第二损失函数计算所述第二障碍物旋转角度预测值与所述障碍物旋转角度标签的第二误差；

根据所述第二误差优化所述深度预测分支和旋转角度预测分支的参数。

根据本发明提供的一种障碍物方位预测方法，所述第二损失函数根据深度预测值置信度及Smooth L1损失函数得到，其中Smooth L1损失函数基于第二障碍物旋转角度预测值及障碍物旋转角度标签得到。

本发明还提供一种障碍物方位预测系统，包括：

获取模块，用于获取车辆环境图像，所述车辆环境图像包括障碍物；

深度预测模块，用于将所述车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；

旋转角度预测模块，用于将所述车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

确定模块，用于根据所述障碍物深度预测值置信度确定是否将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；

第一输出模块，用于在确定将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；

第二输出模块，用于在确定不将所述障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将所述第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

本发明还提供一种电子设备，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上述任一种所述障碍物方位预测方法。

本发明还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上述任一种所述障碍物方位预测方法。

本发明提供一种障碍物方位预测方法、系统、电子设备及存储介质，该方法包括：获取车辆环境图像；将车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；将车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；在不同情况下得到第二障碍物旋转角度预测值。通过根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将旋转角度的计算与障碍物深度相结合，提高了旋转角度的预测精度，实现了准确预测障碍物旋转角度的目的。

附图说明

为了更清楚地说明本发明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是传统的2D目标检测原理图；

图2是传统的单目3D目标检测原理图；

图3是本发明提供的障碍物方位预测方法的流程示意图之一；

图4是本发明提供的障碍物方位预测模型的功能结构示意图；

图5是本发明提供的障碍物方位预测方法的流程示意图之二；

图6是本发明提供的障碍物方位预测方法的流程示意图之三；

图7是本发明提供的障碍物方位预测方法的流程示意图之四；

图8是本发明提供的障碍物方位预测系统的结构示意图；

图9是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，都属于本发明保护的范围。

图3为本发明实施例提供的障碍物方位预测方法的流程图，如图3所示，本发明实施例提供的障碍物方位预测方法包括：

步骤301、获取车辆环境图像，车辆环境图像包括障碍物；

在本发明实施例中，车辆环境图像包括障碍物，例如为其他车辆或者路障等。

步骤302、将车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；

在本发明实施例中，障碍物深度为障碍物在车辆环境中的位置，或者障碍物与相机平面的距离。

步骤303、将车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

步骤304、根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；

步骤305、在确定将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；

步骤306、在确定不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

本发明实施例基于深度预测值是否可信的两种场景建立深度预测值与旋转角度预测值的关联关系，当深度预测值准确时，使用深度相关特征加强对旋转角度的预测，其中，深度相关特征包括深度预测值及深度预测值置信度，当深度预测值不准确时，避免使用深度相关特征对旋转角度的预测，从而提升旋转角度预测值的精度。

本发明实施例通过比较障碍物深度预测值置信度与预设阈值判断深度预测值是否准确，进而确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将旋转角度的计算与障碍物深度相结合，提高了旋转角度的预测精度，实现了准确预测障碍物旋转角度的目的。

基于上述任一实施例，本发明实施例提供一种障碍物方位预测模型，如图4所示，本发明实施例提供的障碍物方位预测模型基于CenterNet3D构建，包括骨干网络、深度预测分支、旋转角度预测分支及融合模块，CenterNet是一种anchor-free的目标检测网络，不仅可以用于目标检测，还可以用于其他的一些任务，如肢体识别或者3D目标检测等等。

其中，骨干网络可以为ResNet18、ResNet101、DLA34、Hourglass104等结构，通过将包括障碍物图像的车辆环境图像输入至障碍物方位预测模型的骨干网络，得到特征图像。

深度预测分支和旋转角度预测分支都通过骨干网络来提取对应的特征，通过深度预测分支获取障碍物深度预测值及深度预测值置信度，通过旋转角度预测分支获取障碍物旋转角度预测值。其中，深度预测分支和旋转角度预测分支可以为CNN(ConvolutionalNeural Network，卷积神经网络)。

融合模块用于当深度预测值准确时，将深度特征预测值与旋转角度预测值进行关联，得到精度更高的旋转角度预测值。

通过融合模块将深度预测分支获取的障碍物深度特征及根据旋转角度预测分支获取的第一障碍物旋转角预测值进行特征融合，极大地提升了障碍物旋转角预测值的精度，从而提高了模型的性能。

通过上述模型实现障碍物方位预测的具体方法如下：

输入车辆环境图像至骨干网络，得到特征图像；

将特征图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

将特征图像输入至深度预测分支，得到障碍物深度预测值和深度预测值置信度；

当障碍物深度预测值置信度大于预设阈值时，在旋转角度预测分支后设置融合模块，融合模块输出值feature_add＝rotation branch+depth score*depth branch，其中，rotation branch为第一障碍物旋转角度预测值，depth score为深度预测值置信度，depthbranch为障碍物深度预测值，融合模块的输出值为第二障碍物旋转角度预测值，作为最终的障碍物旋转角度预测值。

当障碍物深度预测值置信度小于预设阈值时，将旋转角度预测分支输出的第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值，并作为最终的障碍物旋转角度预测值。

由于单目图像缺少深度信息以及复杂场景等导致旋转角度预测值不准，本发明实施例提供的3D障碍物方位检测模型在不增加计算量的前提下，基于深度预测值是否可信的两种场景建立深度预测值与旋转角度预测值的关联关系，当深度预测值准确时，使用深度相关特征加强对旋转角度的预测，其中，深度相关特征包括深度预测值及深度预测值置信度，当深度预测值不准确时，避免使用深度相关特征对旋转角度的预测，从而提升旋转角度预测值的精度。

基于上述任一实施例，本发明提供一种障碍物方位预测方法，根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，包括：

当障碍物深度预测值置信度大于预设阈值时，将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，生成第二障碍物旋转角度预测值；

在本发明实施例中，生成第二障碍物旋转角度预测值，包括：

将障碍物深度预测值置信度作为障碍物深度预测值的权重，将加权后的障碍物深度预测值置信度叠加到第一障碍物旋转角度预测值，生成第二障碍物旋转角度预测值。

在本发明实施例中，通过将深度预测值与旋转角度预测值进行特征融合，得到精度更高的旋转角度预测值。

当障碍物深度预测值置信度小于预设阈值时，不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

在本发明实施例中，相关技术中的障碍物方位预测方法往往不考察深度或者深度的准确性，本方案通过估计深度对应的深度置信度提高障碍物旋转角度预测值的精度，置信度可理解为障碍物深度预测值正确的概率，其中，置信度越大表明所得障碍物深度预测值的误差越小。

基于上述任一实施例，本发明提供一种障碍物方位预测方法，如图5所示，根据障碍物深度预测值得到障碍物深度预测值置信度，包括：

步骤501、将障碍物总深度按照预设值划分为不同类别，得到障碍物每个深度类别；

步骤502、根据障碍物每个深度类别对障碍物深度预测值进行分类，将每个类别对应的分值作为深度预测值置信度。

在本发明实施例中，将总深度值根据预设值划分为若干个bins，每个bin为一类，深度预测值对应的深度类别得分即为深度预测值置信度。举例来说，当预测的总深度为200米，根据预设值20，对深度进行分类，每20米为一类，当深度预测值为98m时，属于80～100m的类别，此时该深度预测值在该类别的得分0.8，则深度预测值置信度为0.8，需要说明的是，本发明实施例对预设值不做特别限定，本领域技术人员可以根据需要选择。

通过计算深度预测值的置信度评估深度预测值的准确性，进而为后续提高旋转角度预测值的精度提供数据支持。

基于上述任一实施例，如图6所示，深度预测分支的训练方法包括：

步骤601、获取包含障碍物的环境图像及障碍物深度标签；

在本发明实施例中，通过人工标注的方式对包含障碍物的环境图像进行标注，将部分已标注的图像作为训练集训练障碍物方位预测模型。

步骤602、将包含障碍物的环境图像输入至深度预测分支，得到障碍物深度预测值；

在本发明实施例中，障碍物深度预测所采用的损失函数为L1 loss:Loss＝|depth_label-depth_pred|，其中||为绝对值符号，depth_label是深度标签，depth_pred是深度预测值。

步骤603、根据第一损失函数计算障碍物深度预测值与障碍物深度标签的第一误差；

在本发明实施例中，第一损失函数采用交叉熵损失函数，其输入为障碍物深度预测值所属bins类别以及障碍物深度标签。

步骤604、根据第一误差优化深度预测分支的参数。

在本发明实施例中，将剩余图像输入训练后的障碍物方位预测模型，利用模型得到深度预测值，模型中深度预测分支，例如为CNN(Convolutional Neural Network，卷积神经网络)，由于CNN卷积神经网络的权重能够高度复用，因此深度预测分支的权重参数相比于其他网络结构权重参数少，因此训练速度快且不易发生过拟合问题，能够使用较少的数据达到训练的目的。

基于上述任一实施例，如图7所示，旋转角度预测分支的训练方法包括：

步骤701、获取包含障碍物的环境图像及障碍物旋转角度标签；

步骤702、将包含障碍物的环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；

在本发明实施例中，旋转角度预测分支例如为CNN(Convolutional NeuralNetwork，卷积神经网络)，由于CNN卷积神经网络的权重能够高度复用，因此旋转角度预测分支的权重参数相比于其他网络结构权重参数少，因此训练速度快且不易发生过拟合问题，能够使用较少的数据达到训练的目的。

步骤703、根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，得到第二障碍物旋转角度预测值；

步骤704、根据第二损失函数计算第二障碍物旋转角度预测值与障碍物旋转角度标签的第二误差；

在本发明实施例中，第二损失函数根据深度预测值置信度及Smooth L1损失函数得到，其中Smooth L1损失函数基于第二障碍物旋转角度预测值及障碍物旋转角度标签得到。第二损失函数具体为：loss_rotatio＝(1-depth_score)

*Smooth L1(rotation_pred,rotation_label)

其中，depth_score为深度预测值置信度，rotation_pred为第二障碍物旋转角度预测值，rotation_label为障碍物旋转角度标签，Smooth L1为L1范式。

Smooth L1计算方法如下，x为rotation_label-rotation_pred：

步骤705、根据第二误差优化深度预测分支和旋转角度预测分支的参数。

在本发明实施例中，先根据第一误差对障碍物旋转角度预测模型的深度预测分支进行优化，然后将训练好的深度预测分支的权重迁移到完整的模型上，再根据第二误差对完整模型进行优化，通过这种方式加快模型收敛速度。

在本发明实施例中，通过损失函数评估深度预测值和旋转角度的准确度，并通过对深度预测分支和旋转角度预测分支的训练实现对深度预测分支和旋转角度预测分支参数的优化，有效改善障碍物旋转角度预测值的精度。

本发明提供一种障碍物方位预测方法，首先，获取包括障碍物的车辆环境图像，然后将车辆环境图像输入至障碍物旋转角度预测模型，通过骨干网络获取特征图像，将获取到的特征图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值，将特征图像输入至深度预测分支，得到障碍物深度预测值，将障碍物总深度按照预设值划分为不同类别，得到障碍物每个深度类别，根据障碍物每个深度类别对障碍物深度预测值进行分类，将每个类别对应的分值作为深度预测值置信度。当障碍物深度预测值置信度大于预设阈值时，将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，具体来说，将障碍物深度预测值置信度作为障碍物深度预测值的权重，将加权后的障碍物深度预测值置信度叠加到第一障碍物旋转角度预测值，生成第二障碍物旋转角度预测值。当障碍物深度预测值置信度小于预设阈值时，不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

通过根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值，将旋转角度的计算与障碍物深度相结合，提高了旋转角度的预测精度，实现了准确预测障碍物旋转角度的目的。

下面对本发明提供的障碍物方位预测系统进行描述，下文描述的障碍物方位预测系统与上文描述的障碍物方位预测方法可相互对应参照。

图8为本发明实施例提供的障碍物方位预测系统的结构示意图，如图8所示，本发明实施例提供的障碍物方位预测系统包括：

获取模块801，用于获取车辆环境图像，车辆环境图像包括障碍物；深度预测模块802，用于将车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；旋转角度预测模块803，用于将车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；确定模块804，用于根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；第一输出模块805，用于在确定将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；第二输出模块806，用于在确定不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

本发明提供的一种障碍物方位预测系统，通过深度预测模块获取障碍物深度预测值，通过确定模块、第一输出模块及第二输出模块将旋转角度的计算与障碍物深度相结合，提高了旋转角度的预测精度，实现了准确预测障碍物旋转角度的目的。

图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行障碍物方位预测方法，该方法包括：获取车辆环境图像，车辆环境图像包括障碍物；将车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；将车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；在确定将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；在确定不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

此外，上述的存储器930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。

另一方面，本发明还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以执行上述各方法提供的障碍物方位预测方法，该方法包括：获取车辆环境图像，车辆环境图像包括障碍物；将车辆环境图像输入至深度预测分支，得到障碍物深度预测值及障碍物深度预测值置信度；将车辆环境图像输入至旋转角度预测分支，得到第一障碍物旋转角度预测值；根据障碍物深度预测值置信度确定是否将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值；在确定将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，生成第二障碍物旋转角度预测值；在确定不将障碍物深度预测值及障碍物深度预测值置信度融合至第一障碍物旋转角度预测值的情况下，将第一障碍物旋转角度预测值作为第二障碍物旋转角度预测值。

以上所描述的装置实施例仅仅是示意性的，其中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。