车辆控制方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及自动驾驶技术领域，尤其涉及一种车辆控制方法、装置、电子设备及存储介质。

背景技术

随着智能车辆的发展，自动驾驶功能在车辆中的应用越来越广泛。在自动驾驶过程中，周围环境中交通参与者可能会对自动驾驶车辆的行驶安全造成不同程度的影响，因此，如何对周围环境中交通参与者进行轨迹预测，并根据周围环境中交通参与者的预测轨迹，对自动驾驶车辆的行驶进行控制，以提高车辆的行驶安全是非常重要的。

发明内容

本公开旨在至少在一定程度上解决上述技术中的技术问题之一。

为此，本公开的第一个目的在于提出一种车辆控制方法，以实现根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹，从而，根据至少一检测对象在第二设定时段内的预测行驶轨迹对目标车辆进行行驶控制，由此，在确定至少一检测对象在第二设定时段内的预测行驶轨迹时考虑到至少一检测对象对应的行驶意图和历史行驶轨迹，提高了至少一检测对象在第二设定时段内的行驶轨迹预测的准确性，从而，提高了对目标车辆控制的准确性，提高了目标车辆行驶的安全性。

本公开的第二个目的在于提出一种车辆控制装置。

本公开的第三个目的在于提出一种电子设备。

本公开的第四个目的在于提出一种非临时性计算机可读存储介质。

本公开的第五个目的在于提出一种计算机程序产品。

为达上述目的，本公开第一方面实施例提出了一种车辆控制方法，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中所述至少一个检测框的位置，确定所述至少一检测对象在所述第一设定时段内的历史行驶轨迹；根据所述至少一检测对象的历史行驶轨迹，确定所述至少一检测对象在所述目标时刻之后的第二设定时段内的行驶意图；根据所述至少一检测对象对应的行驶意图和历史行驶轨迹，确定所述至少一检测对象在所述第二设定时段内的预测行驶轨迹；根据所述至少一检测对象的预测行驶轨迹，对所述目标车辆进行行驶控制。

本公开实施例的车辆控制方法，通过对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中至少一个检测框的位置，确定至少一检测对象在第一设定时段内的历史行驶轨迹；根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图；根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹；根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制，由此，在确定至少一检测对象在第二设定时段内的预测行驶轨迹时考虑到至少一检测对象对应的行驶意图和历史行驶轨迹，提高了至少一检测对象在第二设定时段内的行驶轨迹预测的准确性，从而，提高了对目标车辆控制的准确性，提高了目标车辆行驶的安全性。

为达上述目的，本公开第二方面实施例提出了一种车辆控制装置，包括：检测模块，用于对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；第一确定模块，用于根据各帧图像中所述至少一个检测框的位置，确定所述至少一检测对象在所述第一设定时段内的历史行驶轨迹；第二确定模块，用于根据所述至少一检测对象的历史行驶轨迹，确定所述至少一检测对象在所述目标时刻之后的第二设定时段内的行驶意图；第三确定模块，用于根据所述至少一检测对象对应的行驶意图和历史行驶轨迹，确定所述至少一检测对象在所述第二设定时段内的预测行驶轨迹；控制模块，用于根据所述至少一检测对象的预测行驶轨迹，对所述目标车辆进行行驶控制。

为达上述目的，本公开第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面实施例所述的方法。

为了实现上述目的，本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面实施例所述的方法。

为了实现上述目的，本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现本公开第一方面实施例所述的方法。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开一个实施例所提供的车辆控制方法的流程示意图；

图2为本公开一个实施例所提供的车辆控制方法的流程示意图；

图3为本公开一个实施例所提供的车辆控制方法的流程示意图；

图4为本公开一个实施例所提供的车辆控制方法的流程示意图；

图5为本公开一个实施例所提供的样本检测对象与样本车辆的碰撞风险识别结果的示意图；

图6为本公开一个实施例所提供的车辆控制方法的流程示意图；

图7为本公开一个实施例提供的车辆控制装置的结构示意图；

图8是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

本公开提出一种车辆控制方法、装置、电子设备及存储介质。

下面参考附图描述本公开实施例的车辆控制方法、装置、电子设备及存储介质。

图1为本公开一个实施例所提供的车辆控制方法的流程示意图。本公开实施例以该车辆控制方法被配置于车辆控制装置中来举例说明，该车辆控制装置可以应用于任一电子设备中，以使该电子设备可以执行车辆控制功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑（PersonalComputer，简称PC）、移动终端等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该车辆控制方法可包括以下步骤：

步骤101，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置。

作为本公开实施例的一种可能的实现方式，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行特征提取，以得到多帧图像对应的原始特征图，采用目标识别模型的编码层对多帧图像对应的原始特征图进行编码，并采用目标识别模型的解码层对所述各帧图像的编码特征进行解码，以得到各帧目标图像的解码特征；采用目标识别模型的预测层对各帧图像的解码特征进行预测，以得到各帧图像中至少一检测对象的检测框的位置。

在本公开实施例中，目标识别模型为经过训练的模型，比如可以基于机器学习技术或深度学习技术，对初始的目标识别模型进行训练，使得经过训练的目标识别模型能够学习得到特征图与检测结果之间的对应关系。

其中，多帧目标图像可通过目标车辆的车载摄像头采集的图像中获取。

作为一种示例，获取目标车辆的车载摄像头在目标时刻之前的第一设定时段内采集的连续的多帧图像。

作为另一种示例，将车辆上车载摄像头在目标时刻之前的第一设定时段内采集的连续的多帧图像进行关键帧图像抽取，可得到包含关键帧的多帧图像。

作为又一种示例，将车辆上车载摄像头在目标时刻之前的第一设定时段内采集的连续的多帧图像进行等间隔抽取，可得到多帧图像。比如，从连续的多帧图像中，以间隔为1进行抽取，可得到多帧图像。

步骤102，根据各帧图像中至少一个检测框的位置，确定至少一检测对象在第一设定时段内的历史行驶轨迹。

在本公开实施例中，根据在第一设定时段内的各帧图像中每个检测对象对应的检测框的位置，可确定在第一设定时段内每个检测对象的历史行驶轨迹。作为一种示例，可将第一设定时段内的各帧图像中每个检测对象对应的检测框的位置进行拟合，可得到第一设定时段内每个检测对象的历史行驶轨迹。

步骤103，根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

作为一种示例，对至少一检测对象的历史行驶轨迹进行特征提取，以得到至少一检测对象的历史行驶轨迹对应的历史行驶轨迹特征；根据至少一检测对象的历史行驶轨迹对应的历史行驶轨迹特征，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

比如，可对至少一检测对象的历史行驶轨迹进行特征提取，得到至少一检测对象的历史轨迹对应的方向特征、速度特征以及加速度特征等，根据至少一检测对象的历史轨迹对应的方向特征、速度特征以及加速度特征进行分析，可确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图，其中，行驶意图可包括：左转、右转、加速、减速、直行或停止行驶等。

步骤104，根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹。

进而，根据至少一检测对象对应的行驶意图和历史行驶轨迹，对至少一检测对象在第二设定时段内的行驶轨迹进行预测，可得到至少一检测对象在第二设定时段内的预测行驶轨迹。

步骤105，根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制。

进一步地，对目标车辆进行行驶控制时，考虑到至少一检测对象的预测行驶轨迹，以提高目标车辆的行驶安全性。

综上，根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹，从而，根据至少一检测对象在第二设定时段内的预测行驶轨迹对目标车辆进行行驶控制，由此，在确定至少一检测对象在第二设定时段内的预测行驶轨迹时考虑到至少一检测对象对应的行驶意图和历史行驶轨迹，提高了至少一检测对象在第二设定时段内的行驶轨迹预测的准确性，从而，提高了对目标车辆控制的准确性，提高了目标车辆行驶的安全性。

为了确定至少一检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹，如图2所示，图2为本公开一个实施例所提供的车辆控制方法的流程示意图，在本公开实施例中，可根据检测对象在目标时刻与目标车辆之间的位置关系，各检测对象在第二设定时段内的行驶意图以及对应的历史行驶轨迹，预测各检测对象在第二设定时段内的行驶轨迹，图2 所示实施例可包括如下步骤：

步骤201，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置。

步骤202，根据各帧图像中至少一个检测框的位置，确定至少一检测对象在第一设定时段内的历史行驶轨迹。

步骤203，根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

步骤204，针对至少一检测对象，根据在目标时刻所处的位置与目标车辆的位置，确定至少一检测对象与目标车辆之间的位置关系。

在本公开实施例中，可根据高精地图，确定各检测对象在目标时刻所处的车道线位置，以及目标车辆所处的车道线位置，进而，根据各检测对象在目标时刻所处的车道线位置以及目标车辆所处的车道线位置，可确定至少一检测对象与目标车辆之间的位置关系。

步骤205，将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型，以得到各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

进一步地，将各检测对象与目标车辆之间的位置关系、各检测对象在第二设定时段内的行驶意图、以及各检测对象在第一设定时段内的历史行驶轨迹，输入至经过训练的轨迹预测模型中，轨迹预测模型可输出各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

步骤206，根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制。

需要说明的是，步骤201至203的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。

综上，将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型，以得到各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹，由此，通过深度学习技术获取各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹时，考虑各检测对象与目标车辆之间的位置关系、各检测对象在第二设定时段内的行驶意图、以及各检测对象在第一设定时段内的历史行驶轨迹，提高了各检测对象的预测行驶轨迹的准确性。

为了使轨迹预测模型可根据各检测对象对应的位置关系、行驶意图和历史行驶轨迹，确定各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹，如图3所示，图3为本公开一个实施例所提供的车辆控制方法的流程示意图，在本公开实施例中，可对轨迹预测模型进行训练，使经过训练的轨迹预测模型学习得到各检测对象对应的位置关系、行驶意图和历史行驶轨迹，与预测行驶轨迹之间的对应关系，图3所示实施例可包括如下步骤：

步骤301，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置。

步骤302，根据各帧图像中至少一个检测框的位置，确定至少一检测对象在第一设定时段内的历史行驶轨迹。

步骤303，根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

步骤304，针对至少一检测对象，根据在目标时刻所处的位置与所述目标车辆的位置，确定至少一检测对象与目标车辆之间的位置关系。

步骤305，获取样本数据。

其中，样本数据包括样本车辆采集的多帧图像中的多个样本检测对象在参考时刻之前的第一时段内的第一行驶轨迹、多个样本检测对象在参考时刻之后的第二时段内的第二行驶轨迹、多个样本检测对象在第二时段内的参考行驶意图以及多个样本检测对象与样本车辆之间的参考位置关系。

在本公开实施例中，可从现有的训练数据集中获取样本数据，或者，根据样本车辆采集的多帧图像中多个样本检测对象的检测框的位置，对参考时刻之前的第一时段内的第一行驶轨迹进行标注，以得到第一行驶轨迹的标注标签，并对参考时刻之后的第二时段内的第二行驶轨迹进行标注，以得到第二行驶轨迹的标注标签，并根据第二行驶轨迹，对多个样本检测对象在第二时段内的参考行驶意图进行标注，以得到参考行驶意图的标注标签，同时，根据参考时刻多个样本检测的位置与目标车辆的位置，对多个样本检测对象与样本车辆之间的参考位置关系进行标注，以得到参考位置关系的标注标签。

需要说明的是，为了提升模型的训练效果，标签可以通过人工标注，或者，为了降低人工成本，提升模型的训练效率，标签也可以自动标注，比如可以通过标注模型，对多帧图像中的多个样本检测对象在参考时刻之前的第一时段内的第一行驶轨迹、多个样本检测对象在参考时刻之后的第二时段内的第二行驶轨迹、多个样本检测对象在第二时段内的参考行驶意图以及多个样本检测对象与样本车辆之间的参考位置关系自动标注，本公开对此并不做限制。进一步地，在对多帧图像中的多个样本检测对象在参考时刻之前的第一时段内的第一行驶轨迹、多个样本检测对象在参考时刻之后的第二时段内的第二行驶轨迹、多个样本检测对象在第二时段内的参考行驶意图以及多个样本检测对象与样本车辆之间的参考位置关系进行自动标注后，还可以通过人工审核的方式，对多帧图像中标注的标签进行审核，以提升样本标注结果的准确性，从而提升模型的训练效果。

步骤306，针对多个样本检测对象中的各样本检测对象，将各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹，输入至初始的轨迹预测模型中，以得到各样本检测对象在第二时段内的第三行驶轨迹。

进一步地，将多个样本检测对象中的各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹输入至初始的轨迹预测模型中，初始的轨迹预测模型可输出各样本检测对象在第二时段内的第三行驶轨迹。

步骤307，根据各第三行驶轨迹与对应的第二行驶轨迹之间的差异，对初始的轨迹预测模型进行训练。

进而，根据各样本检测对象在第二时段内的第三行驶轨迹与对应的第二行驶轨迹之间的差异，对初始的轨迹预测模型进行训练。

作为一种示例，为了提高轨迹预测模型的准确性，可识别各样本检测对象与样本车辆之间是否存在碰撞风险，并根据碰撞风险识别结果，确定对应的轨迹评价指标，进而，根据轨迹评价指标，对初始的轨迹预测模型进行参数调整。

步骤308，将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型，以得到各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

进一步地，将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至经过训练的轨迹预测模型，轨迹预测模型可输出各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

步骤309，根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制。

需要说明的是，本公开对轨迹预测模型的训练时机不做具体限定，在将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型之前，对初始的轨迹预测模型进行训练即可。

需要说明的是，步骤301至304、步骤309的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。

综上，通过获取样本数据，针对多个样本检测对象中的各样本检测对象，将各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹，输入至初始的轨迹预测模型中，以得到各样本检测对象在第二时段内的第三行驶轨迹，根据各第三行驶轨迹与对应的第二行驶轨迹之间的差异，对初始的轨迹预测模型进行训练，由此，根据样本数据中的各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹，对初始的轨迹预测模型进行训练，可使经过训练的轨迹预测模型学习得到各检测对象对应的位置关系、行驶意图以及历史行驶轨迹，与预测行驶轨迹之间的对应关系。

为了提高轨迹预测模型的准确性，如图4所示，图4为本公开一个实施例所提供的车辆控制方法的流程示意图，在本公开实施例中，可识别各样本检测对象与样本车辆之间是否存在碰撞风险，并根据碰撞风险识别结果，确定对应的轨迹评价指标，进而，根据轨迹评价指标，对初始的轨迹预测模型进行参数调整，图4所示实施例可包括如下步骤：

步骤401，对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置。

步骤402，根据各帧图像中至少一个检测框的位置，确定至少一检测对象在第一设定时段内的历史行驶轨迹。

步骤403，根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

步骤404，针对至少一检测对象，根据在目标时刻所处的位置与所述目标车辆的位置，确定至少一检测对象与目标车辆之间的位置关系。

步骤405，获取样本数据。

其中，样本数据包括样本车辆采集的多帧图像中的多个样本检测对象在参考时刻之前的第一时段内的第一行驶轨迹、多个样本检测对象在参考时刻之后的第二时段内的第二行驶轨迹、多个样本检测对象在第二时段内的参考行驶意图以及多个样本检测对象与样本车辆之间的参考位置关系。

步骤406，针对多个样本检测对象中的各样本检测对象，将各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹，输入至初始的轨迹预测模型中，以得到各样本检测对象在第二时段内的第三行驶轨迹。

步骤407，根据各样本检测对象对应的参考位置关系和第一行驶轨迹，识别各样本检测对象与样本车辆之间是否存在碰撞风险。

在本公开实施例中，根据各样本检测对象与样本车辆之间的位置关系，以及各样本检测对象在第一时段内的第一行驶轨迹，采用相关技术中的相关算法，可识别各样本检测对象在参考时刻之后与样本车辆之间是否存在碰撞风险，即，识别各样本检测对象在参考时刻之后对样本车辆的行驶是否存在影响。

比如，如图5所示，样本检测对象1与样本车辆之间存在碰撞风险，样本检测对象2与样本车辆之间不存在碰撞风险，样本检测对象3与样本车辆之间存在碰撞风险，样本检测对象4与样本车辆之间不存在碰撞风险，其中，图5中虚线表示车道线，实线表示车辆行驶轨迹。

需要说明的是，还可根据各样本检测对象的第二行驶轨迹与样本车辆在第二时段内的行驶轨迹，对各样本检测对象与样本车辆之间是否存在碰撞风险进行人工标注。

步骤408，根据各样本检测对象对应的碰撞风险识别结果和第二行驶轨迹，确定各样本检测对象的第三行驶轨迹对应的轨迹评价指标，并根据各样本检测对象的第三行驶轨迹对应的轨迹评价指标，对初始的轨迹预测模型进行参数调整。

为了避免与样本车辆不存在碰撞风险的样本检测对象对样本车辆的行驶造成影响，在本公开实施例中，可分别确定与样本车辆存在碰撞风险的样本检测对象的第三行驶轨迹的轨迹评价指标，以及与样本车辆不存在碰撞风险的样本检测对象的第三行驶轨迹的轨迹评价指标，进而，根据与样本车辆存在碰撞风险的样本检测对象的第三行驶轨迹的轨迹评价指标，以及与样本车辆不存在碰撞风险的样本检测对象的第三行驶轨迹的轨迹评价指标，分别对初始的轨迹预测模型进行参数调整。

作为一种示例，在多个样本检测对象中存在至少一个与样本车辆之间存在碰撞风险的第一样本检测对象时，根据第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的差异，确定第一样本检测对象的第三行驶轨迹的第一轨迹评价指标和第二轨迹评价指标；根据第一样本检测对象对应的第一轨迹评价指标和/或第二轨迹评价指标，对初始的轨迹预测模型中的参数进行调整。

其中，第一轨迹评价指标用于指示第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹的各轨迹点之间的位置差异，第二轨迹评价指标用于指示第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度差异。

在本公开实施例中，第一轨迹评价指标可包括但不限于最小平均轨迹点预测误差（Minimum Average Displacement Error，简称minADE）、最小终点轨迹预测误差（MinimumFinal Displacement Error，简称minFDE）和终点轨迹预测误差大于2米的轨迹比例（MR）中的至少一项，第二评价指标可为曲线相似度指标；

其中，minADE可为各第三行驶轨迹上的各个轨迹点与对应的第二行驶轨迹上的各个轨迹点之间的欧式距离的平均值中的最小值，minFDE可为各第三行驶轨迹的终点和第二行驶轨迹的终点之间的欧氏距离中的最小值；MR为第三行驶轨迹的终点与第三行驶轨迹终点之间的误差大于2米的轨迹比例；曲线相似度指标用于指示第三行驶轨迹与第二行驶轨迹之间的曲线相似度差异。

在本公开实施例中，针对每个第一样本检测对象，可根据第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的差异，确定该第一样本检测对象的第三行驶轨迹的第一轨迹评价指标和第二轨迹评价指标。根据第一样本检测对象对应的第一轨迹评价指标，对初始的轨迹预测模型中的参数进行调整，以使第一轨迹评价指标最小化；根据第一样本检测对象对应的第二轨迹评价指标，对初始的轨迹预测模型中的参数进行调整，以使第二轨迹评价指标最大化。

需要说明的是，根据第一评价指标以及第二评价指标可对轨迹预测模型的优化进行定位。

比如，第一评价指标较低，第二评价指标较高，可确定轨迹预测模型在预测行驶轨迹时，对检测对象的速度预测上需要优化，如，预测出的行驶轨迹与真实的行驶轨迹之间曲线相似度较高，但终点位置差异大于设定阈值，可对轨迹预测模型相关参数进行调整，以使预测出的行驶轨迹与真实的行驶轨迹之间的终点位置差异小于或等于设定阈值；

又比如，第一评价指标较低，第二评价指标较低，可确定轨迹预测模型在预测行驶轨迹时，对检测对象的速度预测上需要优化，同时，在检测对象的行驶轨迹的位置上也需要优化，如，预测出的行驶轨迹与真实的行驶轨迹之间曲线相似度较低，且终点位置差异大于设定阈值，可对轨迹预测模型相关参数进行调整，以使预测出的行驶轨迹与真实的行驶轨迹之间的终点位置差异小于或等于设定阈值，且预测出的行驶轨迹与真实的行驶轨迹之间的曲线相似度大于设定相似度阈值。

又比如，第一评价指标较高，第二评价指标较低，如，第一评价指标为minFDE，可确定轨迹预测模型在预测行驶轨迹时，预测出的行驶轨迹的终点位置与真实的行驶轨迹之间的终点位置差异小于或等于设定阈值，但曲线相似度较低，可确定轨迹预测模型在预测行驶轨迹时，对检测对象的各个轨迹点位置的预测上需要优化，可对轨迹预测模型相关参数进行调整，以使预测出的行驶轨迹与真实的行驶轨迹之间的终点位置差异小于或等于设定阈值，且预测出的行驶轨迹与真实的行驶轨迹之间的曲线相似度大于设定相似度阈值。

作为另一种示例，在多个样本检测对象中存在至少一个与样本车辆之间不存在碰撞风险的第二样本检测对象时，根据第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的差异，确定第二样本检测对象的第三行驶轨迹的第三轨迹评价指标和第四轨迹评价指标；根据第二样本检测对象对应的第三轨迹评价指标和第四轨迹评价指标，对初始的轨迹预测模型中的参数进行调整。

其中，第三轨迹评价指标用于指示第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹的各轨迹点之间的位置差异，第四轨迹评价指标用于指示第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度差异。

在本公开实施例中，在多个样本检测对象中存在至少一个与样本车辆之间不存在碰撞风险的第二样本检测对象时，确定第二样本检测对象的第三行驶轨迹的终点位置是否与对应的第二行驶轨迹的终点位置重合，在第二样本检测对象的第三行驶轨迹的终点位置与对应的第二行驶轨迹的终点位置重合时，确定第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度，根据曲线相似度，确定第二样本检测对象的第三行驶轨迹的第三轨迹评价指标与第四轨迹评价指标。

也就是说，在多个样本检测对象中存在至少一个与样本车辆之间不存在碰撞风险的第二样本检测对象时，可确定第二样本检测对象的第三行驶轨迹的终点位置是否与对应的第二行驶轨迹的终点位置重合，在第二样本检测对象的第三行驶轨迹的终点位置与对应的第二行驶轨迹的终点位置重合时，若第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度较低，可表示轨迹预测模型在轨迹位置的方向预测上需要优化，则第二样本检测对象的第三行驶轨迹的第三评价指标较低，第四评价指标较低；若第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度较高，则第二样本检测对象的第三行驶轨迹的第三评价指标与第四评价指标均较高。进而，根据第三行驶轨迹的第三评价值与第四评价值调整轨迹预测模型的相关参数。

需要说明的是，根据第三行驶轨迹的第一评价指标与第二评价指标对轨迹预测模型的相关参数进行调整，或者，根据第三行驶轨迹的第三评价指标与第四评价指标对轨迹预测模型的相关参数进行调整，可使轨迹预测模型对检测对象的轨迹位置预测与速度预测上进行解耦，可提高轨迹预测模型的轨迹预测准确性。

此外，为了进一步避免与样本车辆不存在碰撞风险的样本检测对象对样本车辆的行驶造成影响，可根据各样本检测对象对应的碰撞风险识别结果，确定各样本检测对象的第三轨迹对应的轨迹评价权重，进而，根据各样本检测对象的第三轨迹对应的轨迹评价权重，对各样本检测对象的第三行驶轨迹的各轨迹评价指标进行加权求和，以得到初始的轨迹预测模型的目标评价指标；根据目标评价指标，对所述初始的轨迹预测模型进行参数调整。

比如，可将与样本车辆存在碰撞风险的第一样本检测对象的第三行驶轨迹对应的轨迹评价权重设置为第一权重(比如，0.8)，将与样本车辆不存在碰撞风险的第二样本检测对象的第三行驶轨迹对应的轨迹评价权重设置为第二权重（比如，0.2）；对各样本检测对象的第三行驶轨迹的各轨迹评价指标进行加权求和，可得到初始的轨迹预测模型的目标评价指标，比如，采用第一权重分别乘以与第一样本检测对象的第三行驶轨迹的第一评价指标与第二评价指标，采用第二权重分别乘以第二样本检测对象的第三行驶轨迹的第三评价指标与第四评价指标，将加权之后的第一评价指标对应的与加权之后的第三评价指标进行相加，以得到初始的轨迹预测模型的第一子目标评价指标，并将加权之后的第二评价指标与加权之后的第四评价指标进行相加，以得到初始的轨迹预测模型的第二子目标评价指标，进而，根据第一子目标评价指标和第二子目标评价指标对初始的轨迹预测模型进行参数调整。

其中，第一子目标评价指标可包括minADE、minFDE和MR中的至少一项，第二子目标评价指标可包括曲线相似度指标。

步骤409，将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型，以得到各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

步骤410，根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制。

需要说明的是，步骤401至406、步骤409至410的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。

综上，根据各样本检测对象对应的参考位置关系和第一行驶轨迹，识别各样本检测对象与样本车辆之间是否存在碰撞风险；根据各样本检测对象对应的碰撞风险识别结果和第二行驶轨迹，确定各样本检测对象的第三行驶轨迹对应的轨迹评价指标，并根据各样本检测对象的第三行驶轨迹对应的轨迹评价指标，对初始的轨迹预测模型进行参数调整，由此，对样本检测对象进行碰撞风险识别，可在初始的轨迹预测模型训练时，避免大量无关样本检测对象对行驶轨迹预测的影响，同时，根据各样本检测对象的第三行驶轨迹对应的轨迹评价指标进行模型训练，可将模型的轨迹位置预测和速度预测解耦，提高了轨迹预测模型的轨迹预测的准确性。

为了更加清楚地说明上述实施例，现举例进行说明。

举例而言，如图6所示，图6为本公开一个实施例所提供的车辆控制方法的流程示意图，车辆控制方法的流程可如下：

步骤1、输入被检测视频帧；

步骤2、对输入视频帧进行目标检测，以得到各视频帧图像中的至少一检测对象的检测框的位置；

步骤3、通过对至少一检测对象的历史2秒行驶轨迹，结合至少一检测对象在高精地图中的车道线位置与自车的关系，预测至少一检测对象的未来行车是否会影响自车行车，将至少一检测对象分级为影响行车目标A和不影响行车的目标B，其中，影响行车的目标A的目标轨迹可设置较大的权重，不影响行车的目标B可设置较小的权重；

步骤4、对目标A和目标B分别进行未来n秒轨迹预测；

步骤5、对目标A将预测轨迹与真值轨迹比较，分别输出 minFDE、minADE或MR（第一轨迹评价指标）和曲线相似度指标（第二轨迹评价指标），通过上述指标可以定位轨迹的预测位置需要优化，还是速度预测需要优化；

步骤6、对目标B除了按照步骤5中的指标进行评价，还需要将预测轨迹与真值去交集，评价终点位置一致情况下，两条曲线的相关度，对于不影响行车的对象，确定行为预测和速度预测的评价指标。

本公开实施例的车辆控制方法，通过对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中至少一个检测框的位置，确定至少一检测对象在所述第一设定时段内的历史行驶轨迹；根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图；根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹；根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制，由此，在确定至少一检测对象在第二设定时段内的预测行驶轨迹时考虑到至少一检测对象对应的行驶意图和历史行驶轨迹，提高了至少一检测对象在第二设定时段内的行驶轨迹预测的准确性，从而，提高了对目标车辆控制的准确性，提高了目标车辆行驶的安全性。

为了实现上述实施例，本公开还提出一种车辆控制装置。

图7为本公开一个实施例提供的车辆控制装置的结构示意图。

如图7所示，该车辆控制装置700包括：检测模块710、第一确定模块720、第二确定模块730、第三确定模块740和控制模块750。

其中，检测模块710，用于对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；第一确定模块720，用于根据各帧图像中所述至少一个检测框的位置，确定所述至少一检测对象在所述第一设定时段内的历史行驶轨迹；第二确定模块730，用于根据所述至少一检测对象的历史行驶轨迹，确定所述至少一检测对象在所述目标时刻之后的第二设定时段内的行驶意图；第三确定模块740，用于根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹；控制模块750，用于根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制。

作为本公开实施例的一种可能的实现方式，第三确定模块740，还用于：针对至少一检测对象，根据在目标时刻所处的位置与目标车辆的位置，确定至少一检测对象与目标车辆之间的位置关系；将各检测对象对应的位置关系、行驶意图和历史行驶轨迹，输入至轨迹预测模型，以得到各检测对象在目标时刻之后的第二设定时段内的预测行驶轨迹。

作为本公开实施例的一种可能的实现方式，轨迹预测模型采用以下模块训练得到：获取模块、输入模块和训练模块。

其中，获取模块，用于获取样本数据，其中，样本数据包括样本车辆采集的多帧图像中的多个样本检测对象在参考时刻之前的第一时段内的第一行驶轨迹、多个样本检测对象在参考时刻之后的第二时段内的第二行驶轨迹、多个样本检测对象在第二时段内的参考行驶意图以及多个样本检测对象与样本车辆之间的参考位置关系；输入模块，用于针对多个样本检测对象中的各样本检测对象，将各样本检测对象对应的参考位置关系、参考行驶意图以及第一行驶轨迹，输入至初始的轨迹预测模型中，以得到各样本检测对象在所述第二时段内的第三行驶轨迹；训练模块，用于根据各第三行驶轨迹与对应的第二行驶轨迹之间的差异，对初始的轨迹预测模型进行训练。

作为本公开实施例的一种可能的实现方式，训练模块，还用于：根据各样本检测对象对应的参考位置关系和第一行驶轨迹，识别各样本检测对象与所述样本车辆之间是否存在碰撞风险；根据各样本检测对象对应的碰撞风险识别结果和第二行驶轨迹，确定各样本检测对象的第三行驶轨迹对应的轨迹评价指标，并根据各样本检测对象的第三行驶轨迹对应的轨迹评价指标，对初始的轨迹预测模型进行参数调整。

作为本公开实施例的一种可能的实现方式，训练模块，还用于：在多个样本检测对象中存在至少一个与样本车辆之间存在碰撞风险的第一样本检测对象时，根据第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的差异，确定第一样本检测对象的第三行驶轨迹的第一轨迹评价指标和第二轨迹评价指标；根据第一样本检测对象对应的第一轨迹评价指标和第二轨迹评价指标，对初始的轨迹预测模型中的参数进行调整；其中，第一轨迹评价指标用于指示第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹的各轨迹点之间的位置差异，第二轨迹评价指标用于指示第一样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度差异。

作为本公开实施例的一种可能的实现方式，训练模块，还用于：在多个样本检测对象中存在至少一个与样本车辆之间不存在碰撞风险的第二样本检测对象时，根据第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的差异，确定第二样本检测对象的第三行驶轨迹的第三轨迹评价指标和第四轨迹评价指标；根据第二样本检测对象对应的第三轨迹评价指标和第四轨迹评价指标，对初始的轨迹预测模型中的参数进行调整；其中，第三轨迹评价指标用于指示第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹的各轨迹点之间的位置差异，第四轨迹评价指标用于指示第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度差异。

作为本公开实施例的一种可能的实现方式，训练模块，还用于：确定第二样本对象的第三行驶轨迹的终点位置是否与对应的第二行驶轨迹的终点位置重合；在第二样本检测对象的第三行驶轨迹的终点位置与对应的第二行驶轨迹的终点位置重合时，确定第二样本检测对象的第三行驶轨迹与对应的第二行驶轨迹之间的曲线相似度；根据曲线相似度，确定第二样本检测对象的第三行驶轨迹的第三轨迹评价指标与第四轨迹评价指标。

作为本公开实施例的一种可能的实现方式，车辆控制装置还包括：第四确定模块和处理模块。

其中，第四确定模块，用于根据各样本检测对象对应的碰撞风险识别结果，确定各样本检测对象的第三轨迹对应的轨迹评价权重；处理模块，用于根据各样本检测对象的第三轨迹对应的轨迹评价权重，对各样本检测对象的第三行驶轨迹的各轨迹评价指标进行加权求和，以得到初始的轨迹预测模型的目标评价指标；训练模块，还用于根据目标评价指标，对初始的轨迹预测模型进行参数调整。

作为本公开实施例的一种可能的实现方式，第二确定模块730，还用于：对至少一检测对象的历史行驶轨迹进行特征提取，以得到至少一检测对象的历史行驶轨迹对应的历史行驶轨迹特征；根据至少一检测对象的历史行驶轨迹对应的历史行驶轨迹特征，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图。

本公开实施例的车辆控制装置，通过对目标车辆在目标时刻之前的第一设定时段内采集的多帧图像进行目标检测，以得到各帧图像中至少一检测对象的检测框的位置；根据各帧图像中至少一个检测框的位置，确定至少一检测对象在所述第一设定时段内的历史行驶轨迹；根据至少一检测对象的历史行驶轨迹，确定至少一检测对象在目标时刻之后的第二设定时段内的行驶意图；根据至少一检测对象对应的行驶意图和历史行驶轨迹，确定至少一检测对象在第二设定时段内的预测行驶轨迹；根据至少一检测对象的预测行驶轨迹，对目标车辆进行行驶控制，由此，在确定至少一检测对象在第二设定时段内的预测行驶轨迹时考虑到至少一检测对象对应的行驶意图和历史行驶轨迹，提高了至少一检测对象在第二设定时段内的行驶轨迹预测的准确性，从而，提高了对目标车辆控制的准确性，提高了目标车辆行驶的安全性。

需要说明的是，前述对车辆控制方法实施例的解释说明也适用于该实施例的车辆控制装置，此处不再赘述。

为了实现上述实施例，本公开还提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开图1至图6实施例所述的车辆控制方法。

为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现图1至图6实施例所述的车辆控制方法。

为了实现上述实施例，本公开还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现图1至图6实施例所述的车辆控制方法。

图8是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出（I/ O）接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

电力组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/ O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，4G或5G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。