假人姿态设置方法、电子设备和存储介质

技术领域

本发明涉及汽车碰撞试验领域，尤其涉及一种假人姿态设置方法、电子设备和存储介质。

背景技术

汽车碰撞试验中，通常使用假人来模拟驾驶员真人来评价车辆碰撞安全性能。假人在碰撞试验中所获得数据的可靠性，与其所摆放的姿态能否正确模拟出实际驾驶环境下驾驶员的标准姿态有直接的关系。

现有的假人姿态预测方法存在着定位精度低、操作繁琐、迁移性差等问题。其主要原因是人体部位间的关系非常复杂，现有的姿态预测方法往往采用低阶方程，不足以对部位间的关系全面表达，并且某些部位间存在相关性，对定位的精度存在明显影响，若依据每个部位分别与车辆座椅参数建立单独的预测方程，其操作繁琐，计算量巨大，若对人体的部位进行额外限制，例如某些部位的对称限制等，既没有简化操作过程，又存在与实际驾驶情况不符的问题。

有鉴于此，特提出本发明。

发明内容

为了解决上述技术问题，本发明提供了一种假人姿态设置方法、电子设备和存储介质，实现了快速且准确的标定假人的位姿，提高假人与驾驶员的姿态匹配程度的效果。

本发明实施例提供了一种假人姿态设置方法，该方法包括：

建立座椅坐标系，确定所述座椅坐标系下驾驶员座椅的座椅结构参数；

获取目标驾驶员的体型特征信息，基于预先建立的驾驶员定位方程、所述体型特征信息以及所述座椅结构参数，确定所述座椅坐标系下所述目标驾驶员的定位部位坐标值；其中，所述驾驶员定位方程用于表示所述体型特征信息和所述座椅结构参数与所述定位部位坐标值之间的函数关系；

基于预先建立的运动学方程以及所述定位部位坐标值，确定所述座椅坐标系下所述目标驾驶员的目标部位坐标值以及目标姿态角度值；其中，所述运动学方程用于表示所述定位部位坐标值与所述目标部位坐标值之间的函数关系，以及所述定位部位坐标值与所述目标姿态角度值之间的函数关系；

根据所述目标部位坐标值以及所述目标姿态角度值，确定目标假人的目标姿态。

本发明实施例提供了一种电子设备，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的假人姿态设置方法的步骤。

本发明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存储程序或指令，所述程序或指令使计算机执行任一实施例所述的假人姿态设置方法的步骤。

本发明实施例具有以下技术效果：

通过建立座椅坐标系，确定座椅坐标系下驾驶员座椅的座椅结构参数，以对驾驶员座椅进行标准化的参数处理，获取目标驾驶员的体型特征信息，基于预先建立的驾驶员定位方程、体型特征信息以及座椅结构参数，确定座椅坐标系下目标驾驶员的定位部位坐标值，以通过驾驶员定位方程预测目标驾驶员各定位部位的坐标值，基于预先建立的运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标部位坐标值以及目标姿态角度值，以通过运动学方程对定位部位坐标值进行处理，预测各目标部位的坐标值，以及各目标姿态的角度值，根据目标部位坐标值以及目标姿态角度值，确定目标假人的目标姿态，以准确的设置目标假人，实现了快速且准确的标定假人的位姿，提高假人与驾驶员的姿态匹配程度的效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是本发明实施例提供的一种假人姿态设置方法的流程图；

图2是本发明实施例提供的一种座椅坐标系以及座椅结构参数的示意图；

图3是本发明实施例提供的一种驾驶员定位模型的示意图；

图4是本发明实施例提供的一种第一运动学模型的示意图；

图5是本发明实施例提供的一种第二运动学模型的示意图；

图6是本发明实施例提供的一种第三运动学模型的示意图；

图7是本发明实施例提供的一种第四运动学模型的示意图；

图8是本发明实施例提供的一种各目标部位坐标值所对应的位置示意图；

图9是本发明实施例提供的一种各目标姿态角度值所对应的夹角示意图；

图10是本发明实施例提供的一种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，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

本发明实施例提供的假人姿态设置方法，主要适用于将假人的姿态与待模拟的驾驶员的姿态进行匹配，对假人的姿态进行定位的情况。本发明实施例提供的假人姿态设置方法可以由电子设备执行。

图1是本发明实施例提供的一种假人姿态设置方法的流程图。参见图1，该假人姿态设置方法具体包括：

S110、建立座椅坐标系，确定座椅坐标系下驾驶员座椅的座椅结构参数。

其中，座椅坐标系为用于后续确定各部位位置的坐标系，可以根据实际需求建立。驾驶员座椅可以是待进行碰撞测试的车辆内的主驾驶座椅。座椅结构参数是用于描述座椅尺寸、位置等的参数。

具体的，根据需求建立座椅坐标系，座椅坐标系可以是非笛卡尔坐标系。进一步的，根据驾驶员座椅，确定其在座椅坐标系下的各尺寸参数和位置参数，即得到座椅结构参数。

在上述示例的基础上，可以通过下述方式来建立座椅坐标系，确定座椅坐标系下驾驶员座椅的座椅结构参数：

以脚跟参考点为横轴原点，以驾驶员座椅的正后方为横轴正方向，建立横轴；

以驾驶员座椅在前后方向上的中线与横轴的交点为纵轴原点，以垂直于横轴，于水平面上指向副驾驶的方向为纵轴正方向，建立纵轴；

以踏板参考点为竖轴原点，以垂直于水平面向上的方向为竖轴正方向，建立竖轴；

基于横轴、纵轴以及竖轴，建立座椅坐标系；

在座椅坐标系下，确定驾驶员座椅的座椅结构参数。

其中，座椅结构参数包括驾驶员座椅的高度，驾驶员座椅的座垫倾角以及转向盘中心与横轴的距离。驾驶员座椅的正后方可以理解为驾驶员座椅的椅背方向。驾驶员座椅在前后方向可以理解为垂直于椅背朝向车头的方向。脚跟参考点可以是车辆踏板延长线于车辆底面的交点。踏板参考点可以是车辆踏板的中点。

示例性的，座椅坐标系以及座椅结构参数的示意图如图2所示。其中，X轴表示横轴，Y轴表示纵轴，Z轴表示竖轴，驾驶员座椅的高度是座椅参考点与竖轴的距离，座椅参考点是95百分位假人的H点。座垫倾角是座椅较低部相对于横轴的方向的角度。

S120、获取目标驾驶员的体型特征信息，基于预先建立的驾驶员定位方程、体型特征信息以及座椅结构参数，确定座椅坐标系下目标驾驶员的定位部位坐标值。

其中，目标驾驶员可以是目标假人所模拟的驾驶员。体型特征信息可以包括性别、身高、体重、坐姿高度等。驾驶员定位方程用于表示体型特征信息和座椅结构参数与定位部位坐标值之间的函数关系。定位部位坐标值可以是用于固定目标驾驶员位置的坐标值。

具体的，可以通过对目标驾驶员进行测量，获取目标驾驶员的体型特征信息。进而，将目标驾驶员的体型特征信息以及座椅结构参数，通过预先建立的驾驶员定位方程进行计算，得到的计算结果为座椅坐标系下目标驾驶员的定位部位坐标值。

在上述示例的基础上，驾驶员定位方程基于下述方式确定：

以样本体型信息和样本座椅参数作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到训练完成的驾驶员定位模型，并基于驾驶员定位模型确定驾驶员定位方程。

其中，样本体型信息可以是作为样本的驾驶员的体型特征信息。样本座椅参数可以是作为样本的驾驶员所使用的驾驶员座椅的座椅结构参数。初始神经网络模型可以是初始的，没有训练得到合适的层数，神经元个数，权值，偏置以及神经元连接方式的神经网络模型。样本定位部位坐标可以是作为样本的驾驶员的定位部位坐标值。驾驶员定位模型是以样本体型信息和样本座椅参数作为输入，以样本定位部位坐标作为输出，对初始神经网络模型进行训练，并验证通过的模型。

具体的，以样本体型信息和样本座椅参数作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，进行模型训练，根据数据的规模、计算所需要的时间、损失函数的损失值等对每层的神经元个数、神经层层数进行调节。还可以将样本体型信息、与样本体型信息对应的样本座椅参数和样本定位部位坐标，进行划分，得到训练集和测试集，训练集内的数据量不小于测试集内的数据量。使用训练集的数据对初始神经网络模型进行训练，待训练完成后，利用测试集对其进行测试，以验证其精度是否满足条件，若满足，则得到驾驶员定位模型，若不满足，则重新进行模型训练。驾驶员定位模型的示意图如图3所示，在得到驾驶员定位模型后，可以得到驾驶员定位模型的公式形式，即驾驶员定位方程。

S130、基于预先建立的运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标部位坐标值以及目标姿态角度值。

其中，运动学方程用于表示定位部位坐标值与目标部位坐标值之间的函数关系，以及定位部位坐标值与目标姿态角度值之间的函数关系。目标部位坐标值是目标驾驶员的多个关键位置的坐标值。目标姿态角度值是目标驾驶员驾驶模拟时各关键部位的夹角。

具体的，通过预先建立的运动学方程中与目标部位坐标值相关的方程对定位部位坐标值进行处理，得到的结果为座椅坐标系下目标驾驶员的目标部位坐标值；通过预先建立的运动学方程中与目标姿态角度值相关的方程对定位部位坐标值进行处理，得到的结果为座椅坐标系下目标驾驶员的目标姿态角度值。

在上述示例的基础上，可以分别确定定位部位坐标值与目标部位坐标值之间的函数关系，以及定位部位坐标值与目标姿态角度值之间的函数关系，因此，可以基于下述方式来基于预先建立的运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标部位坐标值以及目标姿态角度值：

基于预先建立的第一运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标部位坐标值；基于预先建立的第二运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标姿态角度值。

其中，第一运动学方程用于表示定位部位坐标值与目标部位坐标值之间的函数关系。第二运动学方程用于表示定位部位坐标值与目标姿态角度值之间的函数关系。

具体的，将定位部位坐标值输入至预先建立的第一运动学方程中进行计算，得到的计算结果为座椅坐标系下目标驾驶员的目标部位坐标值。并且，将定位部位坐标值输入至预先建立的第二运动学方程中进行计算，得到的计算结果为座椅坐标系下目标驾驶员的目标姿态角度值。

在上述示例的基础上，第一运动学方程和第二运动学方程可以基于下述方式确定：

以样本定位部位坐标作为初始神经网络模型的输入，以样本目标部位坐标作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到训练完成的第一运动学模型，并基于第一运动学模型确定第一运动学方程；

以样本定位部位坐标作为初始神经网络模型的输入，以样本目标姿态角度作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到训练完成的第二运动学模型，并基于第二运动学模型确定第二运动学方程。

其中，样本目标部位坐标可以是作为样本的驾驶员的目标部位坐标值。样本目标姿态角度可以是作为样本的驾驶员的目标姿态角度值。第一运动学模型以样本定位部位坐标作为输入，以样本目标部位坐标作为输出，对初始神经网络模型进行训练，并验证通过的模型。第二运动学模型以样本定位部位坐标作为输入，以样本目标姿态角度作为输出，对初始神经网络模型进行训练，并验证通过的模型。

具体的，以样本定位部位坐标作为初始神经网络模型的输入，以样本目标部位坐标作为初始神经网络模型的输出，进行模型训练，可以是将样本数据（样本定位部位坐标以及对应的样本目标部位坐标）划分训练集和测试集，使用训练集进行模型训练，使用测试集进行模型测试，以验证其精度是否满足条件，若满足，则得到第一运动学模型，若不满足，则重新进行模型训练。第一运动学模型的示意图如图4所示，在得到第一运动学模型后，可以得到第一运动学模型的公式形式，即第一运动学方程。以样本定位部位坐标作为初始神经网络模型的输入，以样本目标姿态角度作为初始神经网络模型的输出，进行模型训练，可以是将样本数据（样本定位部位坐标以及对应的样本目标姿态角度）划分训练集和测试集，使用训练集进行模型训练，使用测试集进行模型测试，以验证其精度是否满足条件，若满足，则得到第二运动学模型，若不满足，则重新进行模型训练。第二运动学模型的示意图如图5所示，在得到第二运动学模型后，可以得到第二运动学模型的公式形式，即第二运动学方程。

由于上述方式的模型是输出数量大于输入数量的形式，会导致模型的精度下降，训练难度增加，因此，可以考虑模型的反向训练，并将反向训练的模型结果，进行求逆处理的方式。据此，第一运动学方程和第二运动学方程还可以基于下述方式确定：

以样本目标部位坐标作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到训练完成的第三运动学模型，并基于第三运动学模型确定第三运动学方程；

对第三运动学方程进行求逆处理，得到第一运动学方程；

以样本目标姿态角度作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，对初始神经网络模型进行训练，得到训练完成的第四运动学模型，并基于第四运动学模型确定第四运动学方程；

对第四运动学方程进行求逆处理，得到第二运动学方程。

其中，第三运动学方程用于表示目标部位坐标值与定位部位坐标值之间的函数关系。第四运动学方程用于表示目标姿态角度值与定位部位坐标值之间的函数关系。第三运动学模型和第四运动学模型的激活函数均具有可逆性质，第三运动学模型中的各层权值之间相互正交，第三运动学模型的最后一层的输入数据的协方差矩阵的非对角线数据为0；第四运动学模型中的各层权值之间相互正交，第四运动学模型的最后一层的输入数据的协方差矩阵的非对角线数据为0。

需要说明的是，在模型训练的过程中，添加权值正交和无关性特征两种限制。权值正交可以使得模型的网络中每一层权值之间相互正交，无关系特征可通过至少是最后一层的输入数据的协方差矩阵的非对角线数据为0，使得最终的输出数据的协方差矩阵的非对角线数据接近于0。通过上述两种限制的结合，可去除各目标部位间的相关性，提高数据的独立性，避免相关性对运动学方程精度产生影响。

具体的，以样本目标部位坐标作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，进行模型训练，可以是将样本数据（样本定位部位坐标以及对应的样本目标部位坐标）划分训练集和测试集，使用训练集进行模型训练，使用测试集进行模型测试，以验证其精度是否满足条件，若满足，则得到第三运动学模型，若不满足，则重新进行模型训练。第三运动学模型的示意图如图6所示，在得到第三运动学模型后，可以得到第三运动学模型的公式形式，即第三运动学方程。进而，对第三运动学方程进行求逆处理，通常是广义逆处理，处理结果就是第一运动学方程，用于表示定位部位坐标值与目标部位坐标值之间的函数关系。以样本目标姿态角度作为初始神经网络模型的输入，以样本定位部位坐标作为初始神经网络模型的输出，进行模型训练，可以是将样本数据（样本定位部位坐标以及对应的样本目标姿态角度）划分训练集和测试集，使用训练集进行模型训练，使用测试集进行模型测试，以验证其精度是否满足条件，若满足，则得到第四运动学模型，若不满足，则重新进行模型训练。第四运动学模型的示意图如图7所示，在得到第四运动学模型后，可以得到第四运动学模型的公式形式，即第四运动学方程。进而，对第四运动学方程进行求逆处理，通常是广义逆处理，处理结果就是第二运动学方程，用于表示定位部位坐标值与目标姿态角度值之间的函数关系。

在上述示例的基础上，第三运动学方程的表示形式为

第一运动学方程的表示形式为

其中，

由第三运动学方程推导出第一运动学方程的过程如下：

根据如图6所示的第三运动学模型，第l层中第i个神经元与第（l-1）层的各神经元及其相应权值、偏置间的关系为：

其中，→表示以目标部位坐标值为输入，定位部位坐标值为输出的神经网络模型，N

上述公式可以转换为：

，j=1，2，…，N

上述公式使用矩阵和向量的表示形式可表示为：

其中，

其对角线上的元素

表示权值矩阵：

由于权值矩阵不可逆，所以后续进行广义逆处理。

对上述公式进行求逆处理，可以得到：

其中，采用了标准正则化最小二乘法，α

据此，可以得到第一运动学方程：

其中，←表示求逆处理后的结果。

第四运动学方程的表示形式为

/>

第二运动学方程的表示形式为

其中，

可以理解的是，第四运动学方程以及第二运动学方程的推导过程与第三运动学方程以及第一运动学方程相类似，在此不做赘述。

可以理解的是，上述方法在预测时，先通过车辆座椅结构参数以及体型特征信息得到与定位部位坐标值，进而，再通过运动学方程反求出其他各目标部位坐标值位置和各目标姿态角度值。与现有方法相比，上述方法采用神经网络来建立运动学关系方程和驾驶员定位方程，可以建立高阶方程来对复杂的数据全面表达，提高预测精度。并且，上述方法在建立运动学方程时，在神经网络中添加限制条件，有效地去除各个目标部位间的相关性，增强各目标部位的独立性，以减少目标部位间相关性对神经网络预测精度的影响。上述方法所加的限制只为去除目标部位坐标值的数据间的相关性，不会对实际驾驶姿态做任何约束，能够保证预测的真实性。上述方法选择具有代表性的几个定位部位作为人体姿态与座椅结构关系间的转化因子，计算量小，预测速度快，在步骤简化的同时减少了计算量。

S140、根据目标部位坐标值以及目标姿态角度值，确定目标假人的目标姿态。

其中，目标假人是模拟目标驾驶员进行碰撞试验的假人。目标姿态包括目标假人各部位的位置和/或角度，可以包括目标部位坐标值以及目标姿态角度值。

具体的，在得到目标驾驶员的目标部位坐标值以及目标姿态角度值之后，将目标驾驶员的目标部位坐标值以及目标姿态角度值，作为目标假人的目标姿态，以根据目标姿态对目标假人进行摆放，使得定位摆放的目标假人能够准确的模拟目标驾驶员的姿态，便于进行后续的碰撞试验，提高碰撞试验的准确性。

在上述示例的基础上，目标部位坐标值包括H点、头部质心、眼球中心点、上颈部目标点、下颈部目标点、上腹部目标点、下腹部目标点、肘部目标点、腕部目标点、膝部目标点、脚踝目标点、脚跟目标点以及脚尖目标点中的至少一个点在所述座椅坐标系下的坐标值；目标姿态角度值包括头顶角、骨盆角、膝盖角以及上臂夹角中的至少一种。

示例性的，各目标部位坐标值所对应的位置示意图如图8所示，各目标姿态角度值所对应的夹角示意图如图9所示。

本实施例具有以下技术效果：通过建立座椅坐标系，确定座椅坐标系下驾驶员座椅的座椅结构参数，以对驾驶员座椅进行标准化的参数处理，获取目标驾驶员的体型特征信息，基于预先建立的驾驶员定位方程、体型特征信息以及座椅结构参数，确定座椅坐标系下目标驾驶员的定位部位坐标值，以通过驾驶员定位方程预测目标驾驶员各定位部位的坐标值，基于预先建立的运动学方程以及定位部位坐标值，确定座椅坐标系下目标驾驶员的目标部位坐标值以及目标姿态角度值，以通过运动学方程对定位部位坐标值进行处理，预测各目标部位的坐标值，以及各目标姿态的角度值，根据目标部位坐标值以及目标姿态角度值，确定目标假人的目标姿态，以准确的设置目标假人，实现了快速且准确的标定假人的位姿，提高假人与驾驶员的姿态匹配程度的效果。

图10是本发明实施例提供的一种电子设备的结构示意图。如图10所示，电子设备400包括一个或多个处理器401和存储器402。

处理器401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400中的其他组件以执行期望的功能。

存储器402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401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的假人姿态设置方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，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。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404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10中仅示出了该电子设备400中与本发明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400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，本发明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发明任意实施例所提供的假人姿态设置方法的步骤。

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发明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，本发明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发明任意实施例所提供的假人姿态设置方法的步骤。

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。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。