地铁限界空间检测方法、装置、设备及存储介质

技术领域

本申请涉及轨道交通检测技术领域，尤其涉及一种地铁限界空间检测方法、装置、设备及存储介质。

背景技术

限界是指为了确保机车车辆在铁路线路上运行的安全，防止机车车辆撞击邻近线路的建筑物和设备，而对机车车辆和接近线路的建筑物、设备所规定的不允许超越的轮廓尺寸线。地铁限界检测是保证地铁安全运行的重要手段之一，从车体的角度要限制地铁的横断面不向外超界，从设备和建筑的角度要限制设备和建筑的横断面不向内侵界。因此，在地铁的运行过程中实时检测地铁的限界空间并判断是否存在侵界隐患具有极其重要的安全意义。现有技术主要用于地铁隧道建设过程中的限界空间检测，难以实现在地铁运行中获取实时位置和前方的限界空间，且每一列地铁都需要装多套高精度装置，难以大规模装车运用。

发明内容

有鉴于此，本申请的目的在于提出一种地铁限界空间检测方法、装置、设备及存储介质。

基于上述目的，本申请提供了一种地铁限界空间检测方法，包括：

获取地铁行驶环境中的所有目标物体的点云数据作为第一点云数据，对所述第一点云数据进行结构化处理以得到结构化地图；

获取地铁行驶的初始位姿数据，基于所述结构化地图和所述初始位姿数据通过计算得到轨迹位姿数据，从所述结构化地图中提取出与所述轨迹位姿数据相对应的初始限界空间；

获取地铁实时行驶环境的点云数据作为第二点云数据，对所述第二点云数据进行分类和校正，通过计算从经过分类和校正的所述第二点云数据中的每一帧图像中提取特征点云；

基于相邻两帧图像对应的所述特征点云，通过计算得到地铁的帧间位姿数据；

基于所述帧间位姿数据、所述轨迹位姿数据和所述结构化地图，通过计算得到地铁的实时位姿数据；

计算所述实时位姿数据相较于所述轨迹位姿数据的偏移量，基于所述偏移量和所述初始限界空间，通过计算得到地铁的实时限界空间。

基于同一发明构思，本申请还提供了一种地铁限界空间检测装置，包括：

结构化地图模块，被配置为获取地铁行驶环境中的所有目标物体的点云数据作为第一点云数据，对所述第一点云数据进行结构化处理以得到结构化地图；

初始限界空间模块，被配置为获取地铁行驶的初始位姿数据，基于所述结构化地图和所述初始位姿数据通过计算得到轨迹位姿数据，从所述结构化地图中提取出与所述轨迹位姿数据相对应的初始限界空间；

特征点云模块，被配置为获取地铁实时行驶环境的点云数据作为第二点云数据，对所述第二点云数据进行分类和校正，通过计算从经过分类和校正的所述第二点云数据中的每一帧图像中提取特征点云；

帧间位姿模块，被配置为基于相邻两帧图像对应的所述特征点云，通过计算得到地铁的帧间位姿数据；

实时位姿模块，被配置为基于所述帧间位姿数据、所述轨迹位姿数据和所述结构化地图，通过计算得到地铁的实时位姿数据；

实时限界空间模块，被配置为计算所述实时位姿数据相较于所述轨迹位姿数据的偏移量，基于所述偏移量和所述初始限界空间，通过计算得到地铁的实时限界空间。

基于同一发明构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。

基于同一发明构思，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。

从上面所述可以看出，本申请提供的地铁限界空间检测方法、装置、设备及存储介质，通过预先构建结构化地图、提取初始限界空间和获取地铁的轨迹位姿数据，在地铁实际运行过程中计算实时位姿数据与轨迹位姿数据的偏移量，基于初始限界空间通过计算进而得到实时限界空间。使用预建结构化地图和预先提取初始限界空间的方法，在检测实时限界空间时只需对初始限界空间进行相应的转换，降低了检测实时限界空间的运算量，提高了检测效率，提高了实时性，提高了地铁的运行安全性。此外，地铁上还设有远距离感知系统，可判断远距离障碍物目标是否侵界，进一步保证了地铁列车的运行安全。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的地铁限界空间检测方法的流程示意图；

图2为本申请实施例的结构化地图的示意图；

图3为本申请实施例的第一平面限界空间的示意图；

图4为本申请实施例的初始限界空间的示意图；

图5为本申请实施例的划分地面点云与非地面点云方法的示意图；

图6为本申请实施例的地铁限界空间检测装置结构示意图；

图7为本申请实施例的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如背景技术所述，在地铁的运行过程中实时检测地铁的限界空间并判断是否存在侵界隐患具有极其重要的安全意义。目前对于地铁限界空间的检测，采用的方案大多是通过三维激光扫描检测装置获取隧道断面点云图，转换成断面图像，然后再将隧道的断面图像和地铁的限界图进行比对，根据比对结果和地铁的限界空间检测标准得到限界分析结果。上述方案存在的问题如下：高精度的三维激光扫描检测装置成本高，每一列地铁都需要装多套高精度的三维激光扫描检测装置，难以大规模装车运用；上述方案主要用于地铁隧道建设过程中的限界空间检测，因此自动化程度较低，实时性低，在地铁运行过程中无法实时获取列车实时位置和前方的限界空间，从而无法保证地铁前方是否有障碍物发生侵界危害地铁列车的运行安全。

本申请通过使用高精度的点云测绘设备和惯性导航装置预先采集地铁运行环境的高精度点云数据与轨迹位姿数据，处理得到结构化地图与初始限界空间，再结合装载在地铁列车上的激光雷达和惯性测试单元(IMU,Inertial Measurement Unit)的实时数据，与结构化地图进行匹配得到列车的实时位姿数据，基于轨迹位姿数据和初始限界空间进行计算实时输出地铁列车运行前方的实时限界空间，有效降低了装车成本，简化了对实时限界空间的计算过程，提高了实时性，保证了地铁列车的运行安全。此外，地铁上还设置有远距离感知系统，可检测远距离障碍物目标并判断是否存在侵界危险，进一步保证了地铁运行的安全性。

以下结合附图来详细说明本申请的实施例。

本申请提供一种地铁限界空间检测方法，参考图1，包括以下步骤：

步骤S101，获取地铁行驶环境中的所有目标物体的点云数据作为第一点云数据，对所述第一点云数据进行结构化处理以得到结构化地图；

具体的，在本实施例中，利用装载有三维激光扫描检测装置的列车作为测试车，在轨道上以40km/h的速度匀速运行，采集列车行驶环境的所有点云数据作为第一点云数据，并对第一点云数据进行结构化处理，生成结构化地图。测试车相较于实际运行的地铁列车速度更为缓慢，对点云数据的采集更为全面准确，且只需在测试车上装载三维激光扫描检测装置就可预先构建结构化地图，无需在实际运行的地铁列车上再次装载，降低了装车成本，提高了经济效益。

步骤S102，获取地铁行驶的初始位姿数据，基于所述结构化地图和所述初始位姿数据通过计算得到轨迹位姿数据，从所述结构化地图中提取出与所述轨迹位姿数据相对应的初始限界空间；

具体的，在本实施例中，测试车上还装载惯性导航装置，采集测试车的位置、速度和姿态角数据作为初始位姿数据，将初始位姿数据与结构化地图通过误差卡尔曼(ESKF，Error State Kalman Filter)滤波器算法进行融合，得到测试车的轨迹位姿数据，并从结构化地图中提取出与每一个轨迹位姿数据相对应的初始限界空间。基于结构化地图，预建测试车的轨迹位姿数据和提取相应的初始限界空间，为后期计算地铁的实时位姿数据和计算实时限界空间提供基础，提高了计算效率，从而提高实时性。在一些实施例中，除了使用ESKF滤波器算法，还可以使用图优化等其他优化方法得到测试车的轨迹位姿数据。

步骤S103，获取地铁实时行驶环境的点云数据作为第二点云数据，对所述第二点云数据进行分类和校正，通过计算从经过分类和校正的所述第二点云数据中的每一帧图像中提取特征点云；

具体的，在本实施例中，地铁上装载有机械旋转式多线激光雷达，用于在地铁快速运行中实时采集行驶环境的点云数据作为第二点云数据，对第二点云数据进行分类和校正，对校正后的每一帧第二数据点云中的点进行计算，提取特征点云。由于地铁运行时速度很快，且在进出站时存在频繁的加减速，激光雷达采集的每一帧点云数据的所有点并不是在同一时刻采集的，因此需要结合地铁的位姿变化数据对第二点云数据进行校正，提高了每一帧第二点云数据的准确性。在一些实施例中，除了使用机械旋转式多线激光雷达，还可以用半固态式激光雷达等其他激光雷达实时采集行驶环境的点云数据作为第二点云数据。

步骤S104，基于相邻两帧图像对应的所述特征点云，通过计算得到地铁的帧间位姿数据；

具体的，在本实施例中，将从当前帧的第二点云数据中提取的特征点云与从上一帧的第二点云数据中提取的特征点云通过最近点迭代(ICP，Iterative Closest Point)算法进行配准，得到地铁的帧间位姿数据。利用特征点云进行算法配准，相较于数量庞大的第二点云数据，点的数量减少，计算量大大减低，提高了计算频率，可以满足地铁高速运行情况下的实时定位要求。

步骤S105，基于所述帧间位姿数据、所述轨迹位姿数据和所述结构化地图，通过计算得到地铁的实时位姿数据；

步骤S106，计算所述实时位姿数据相较于所述轨迹位姿数据的偏移量，基于所述偏移量和所述初始限界空间，通过计算得到地铁的实时限界空间。

在一些实施例中，所述结构化处理包括：对所述第一点云数据进行第一次预处理，以剔除所述第一点云数据中的噪声点和运动目标点；基于所述目标物体类别对经过所述第一次预处理的所述第一点云数据进行分类；基于线路区间和地铁站台对分类后的所述第一点云数据进行分段；基于分段后的所述第一点云数据建立第一空间索引结构，并对该所述第一点云数据进行曲率计算。

具体的，对三维激光扫描检测装置采集的第一点云数据，剔除其中的噪声点和运动目标点；剔除后，通过半自动方法基于点云数据的语义信息对第一点云数据进行分类，赋予第一点云数据相应的语义信息，包括：电缆点云、柱杆点云、建筑点云、地形点云、轨道点云、悬臂点云、植被点云、设备点云、道砟点云、隧道壁点云等；在分类的基础上，根据线路区间与地铁站台对第一点云数据进行分段；对分段后的第一点云数据建立kd-tree邻域查询结构，并计算分类分段后的第一点云数据中包含的点的曲率，得到结构化地图如图2所示。

在一些实施例中，除了使用kd-tree数据结构保存点云数据外，还可以使用OctoMap等其他数据结构保存点云数据，方便快速查找点云中符合条件的点。

在一些实施例中，所述从所述结构化地图中提取出与所述轨迹位姿数据相对应的初始限界空间包括：所述结构化地图中全部的点云数据记为集合S

具体的，以地铁前进的方向为z轴，向上方向为y轴，向右方向为x轴构建点云地图坐标系；

结构化地图中包含的所有点云数据记为集合S

所述轨迹位姿数据包括路径点和姿态角，以测试车车头的质心作为基准点，设测试车在采集第一点云地图过程中行驶的路径点p＝{x,y,z}和姿态角

以测试车出发前车头的质心作为基准点，设此时测试车的路径点为p

设T

所有平面限界空间的和组成初始限界空间，记为

在一些实施例中，基于第一点云数据建立的kd-tree邻域查询结构，判断集合S

在一些实施例中，所述对所述第二点云数据进行分类和校正，通过计算从经过分类和校正的所述第二点云数据中的每一帧图像中提取特征点云，包括：对所述第二点云数据进行第二次预处理，以剔除所述第二点云数据中的无效点；将经过所述第二次预处理的所述第二点云数据划分为地面点云和非地面点云，对所述非地面点云进行聚类得到聚类点云；获取地铁行驶时的实时加速度、实时角速度和实时欧拉角，基于所述实时加速度、所述实时加速度和所述实时欧拉角，对所述地面点云和所述聚类点云进行校正，得到校正地面点云和校正聚类点云；对所述校正地面点云进行曲率计算，基于曲率计算结果得到平面特征点云；对所述校正聚类点云进行曲率计算，基于曲率计算结果得到折线特征点云；将所述平面特征点云和所述折线特征点云作为所述特征点云。

具体的，对激光雷达采集的第二点云数据进行预处理以剔除其中的无效点和在激光雷达探测角度范围以外的点；

通过计算激光雷达相邻线数落点的坐标与激光雷达安装平面的角度，判断是否满足地面点云阈值条件从而将第二点云数据划分为地面点云和非地面点云。在本实施例中，如图5所示，假设激光雷达平行于地面水平安装，在同一旋转角度和同一时刻发出A

由于地铁运行速度很快，激光雷达所获取的每一帧点云数据并非是同一时刻采集的，在本实施例中，激光雷达采集相邻两点的时间差为100ms，地铁上装有IMU，采集地铁在此100ms内的加速度、角速度和欧拉角数据，并基于采集到的地铁位姿变化数据对地面点云数据和聚类点云数据进行校正，去除畸变，得到校正地面点云数据和校正聚类点云数据；

利用同一线束的点不同扫描时刻前后五个点的空间距离平方和对校正地面点云和校正聚类点云中的点进行曲率计算，在地面点云中提取曲率最小的20个点作为平面特征点云，在聚类点云中提取曲率最大的20个点作为折线特征点云，所述平面特征点云和所述折线特征点云组成所述特征点云。

在一些实施例中，所述基于所述帧间位姿数据、所述轨迹位姿数据和所述结构化地图，通过计算得到地铁的实时位姿数据，包括：将所述帧间位姿数据对应的所述特征点云作为第一特征点云；从所述轨迹位姿数据中提取与所述帧间位姿数据最接近的轨迹位姿数据作为第一轨迹位姿数据，从所述结构化地图中提取与所述第一轨迹位姿数据对应的当前帧的前后多帧的点云数据，分别从所述前后多帧中的每一帧的点云数据中提取特征点云，作为第二特征点云；基于所述第一特征点云和所述第二特征点云通过非线性优化算法得到地铁的实时位姿数据。

具体的，获取地铁在所述帧间位姿数据时的实时所述第二点云数据，按上述方法提取此时该第二点云数据中的平面特征点云和折线特征点云作为第一特征点云；

根据帧间位姿数据(p

所述10组第二特征点云分别与所述第一特征点云通过ICP算法进行配准，得到10个位姿数据，基于10个位姿数据通过最小二乘法的非线性优化方法，最终优化出实时位姿数据。

帧间位姿数据的精度较低且误差会随着时间的延长而放大，与轨迹位姿数据和结构化地图再次匹配定位可使误差趋于收敛。通过计算帧间位姿数据保证了地铁列车实时位姿的输出频率，基于帧间位姿数据、轨迹位姿数据和结构化地图再次计算得到实时位姿数据保证了误差的逐步收敛。

在一些实施例中，所述计算所述实时位姿数据相较于所述轨迹位姿数据的偏移量，包括：在所述轨迹位姿数据中提取与所述实时位姿数据最接近的数据作为第二轨迹位姿数据，计算所述实时位姿数据相较于所述第二轨迹位姿数据的偏移量，所述偏移量包括旋转矩阵和平移向量。

具体的，根据实时位姿数据(p

根据地铁的实时位姿数据与在结构化地图中预先提取的初始限界空间，可以实现对地铁运行过程中实时限界空间的解算。获取第二轨迹位姿数据(p

在一些实施例中，获取地铁行驶环境中的远距离点云数据作为第三点云数据，基于所述第三点云数据和所述结构化地图获取障碍物点云数据，响应于确定所述障碍物点云数据与所述实时限界空间存在侵界交叉且侵界程度大于预设安全阈值，执行地铁减速或停车。

具体的，地铁上安装有远距离感知系统，包括激光雷达和长焦相机，激光雷达用于采集地铁运行前方的第三点云数据，长焦相机用于辅助激光雷达得到第三点云数据的语义信息。剔除第三点云数据中的无效点，划分出第三点云数据中的地面点云和隧道壁点云。对第三点云数据中的剩余点云数据进行聚类，得到聚类目标簇，聚类目标的判断条件可适当放宽，从而降低障碍物的漏报率。从结构化地图中提取当前位姿前方的所述第一点云数据，基于该所述第一点云数据的语义信息和聚类目标簇中第三点云数据的语义信息，对聚类目标簇中的点云数据进行过滤，去除相同的点云数据，遗留的点云数据记为所述障碍物点云数据。基于所述障碍物点云数据构建kd-tree邻域查询结构，并判断实时限界空间中包括的点云数据S

在一些实施例中，除了使用kd-tree数据结构保存点云数据外，还可以使用OctoMap、MVOG等其他数据结构保存点云数据，方便快速查找点云中符合条件的点。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种地铁限界空间检测装置。

参考图6，所述地铁限界空间检测装置，包括：

结构化地图模块601，被配置为获取地铁行驶环境中的所有目标物体的点云数据作为第一点云数据，对所述第一点云数据进行结构化处理以得到结构化地图；

初始限界空间模块602，被配置为获取地铁行驶的初始位姿数据，基于所述结构化地图和所述初始位姿数据通过计算得到轨迹位姿数据，从所述结构化地图中提取出与所述轨迹位姿数据相对应的初始限界空间；

特征点云模块603，被配置为获取地铁实时行驶环境的点云数据作为第二点云数据，对所述第二点云数据进行分类和校正，通过计算从经过分类和校正的所述第二点云数据中的每一帧图像中提取特征点云；

帧间位姿模块604，被配置为基于相邻两帧图像对应的所述特征点云，通过计算得到地铁的帧间位姿数据；

实时位姿模块605，被配置为基于所述帧间位姿数据、所述轨迹位姿数据和所述结构化地图，通过计算得到地铁的实时位姿数据；

实时限界空间模块606，被配置为计算所述实时位姿数据相较于所述轨迹位姿数据的偏移量，基于所述偏移量和所述初始限界空间，通过计算得到地铁的实时限界空间。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的地铁限界空间检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的地铁限界空间检测方法。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，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上任意一实施例所述的地铁限界空间检测方法。

图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(RandomAccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的地铁限界空间检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的地铁限界空间检测方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的地铁限界空间检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。