用于驾驶策略的轨迹预测的制作方法

1.本公开一般涉及自动驾驶车辆，更具体地，涉及用于驾驶策略的轨迹预测。


背景技术：

2.自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车或机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为adv)使用各种技术来检测其周边环境，诸如使用雷达、激光、gps、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。
3.为了实现高等级(3
‑
5级)自动驾驶，应精确地建模对象的未来轨迹以用于驾驶策略决策和碰撞避免。目前，轨迹预测的现有技术包括以下方法：
4.(1)应用卡尔曼滤波器或其变体来估计对象的运动学状态，诸如速度、位置和加速度等；
5.(2)考虑道路环境中的障碍物，使用模型预测控制(mpc)方法来最小化道路碰撞的发生率；
6.(3)预定义各种机动行为，并且利用隐马尔可夫模型(hmm)基于每个对象当前的运动学特征为每个对象选择最合理的机动行为；以及
7.(4)利用动态贝叶斯网络(dbn)来对对象的特征状态进行建模。
8.上述现有技术方法可至少具有以下缺点：
9.(1)目前的预测主要是基于车道，即，不是车道间；
10.(2)为应用这些算法和方法做了很多假设，诸如直线车道、车道中仅考虑有限数目的对象、假设恒定速度模型等。这些假设通常在实践中不成立；
11.(3)预定义轨迹不适用于城市驾驶环境中的各种复杂场景；
12.(4)有时，根本不存在车道，因此这些现有技术在这种情况下不容易适应，因为这些算法显著取决于车道；
13.(5)这些现有技术是基于恒速模型或恒加速度模型构建的，这在时间范围在一秒内时很有用，但对于几秒的时间范围而言效率较低，因为对象的运动学特征通常随着时间而发生变化；
14.(6)一些静止的对象由一个或多个激光雷达检测到，但由于它们是静止的，有时云点会发生振荡，所融合的对象也不稳定。在检测噪声不可忽略的情况下，将导致预测性能不佳；
15.(7)自动驾驶车辆将需要更准确地预测其他车辆的未来轨迹，以实现安全高效的驾驶；以及
16.(8)基于车道的驾驶假设限制了预测的能力并且导致结果不准确。
17.因此，期望用于自动驾驶车辆的改进的轨迹预测解决方案。


技术实现要素：

18.本公开旨在提供一种用于轨迹预测的方法、装置和车辆。
19.根据本公开的第一示例性实施例，提供了一种用于轨迹预测的计算机实现的方法。该方法包括：从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；将所获取的传感器数据馈入混合预测器中，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器；对于当前时刻，该多个预测器中的每一者基于来自该至少一个传感器的历史传感器数据来给出其自己针对从当前时刻起的预定时间段的预测；该混合预测器确定该多个预测器中的每一者的可靠性；该混合预测器基于由该多个预测器中的每一者给出的相应预测以及该多个预测器中的每一者的可靠性来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器；以及基于加权混合预测来提供所预测的轨迹。
20.根据本公开的第二示例性实施例，提供了一种轨迹预测装置。该装置包括传感器数据获取模块，该传感器数据获取模块被配置成从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；混合预测器，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器，并且该混合预测器被配置成：从传感器数据获取模块接收传感器数据；对于当前时刻，使用自由空间预测器和基于道路模型的预测器基于来自该至少一个传感器的历史传感器数据来各自给出其自己针对从当前时刻起的预定时间段的预测；确定该多个预测器中的哪个预测器给出了更接近对象在前一个或多个时刻的实际运动的更好的预测；以及基于由该多个预测器中的每一者针对当前时刻给出的相应预测来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的那一个预测器；以及轨迹预测模块，该轨迹预测模块被配置成基于加权混合预测来提供所预测的轨迹。
21.根据本公开的第三示例性实施例，提供了一种车辆。该车辆包括至少一个传感器，该至少一个传感器被配置成捕捉针对车辆周围对象的感测数据；根据第二实施例的轨迹预测装置；以及决策模块，该决策模块被配置成基于由该轨迹预测装置预测的车辆周围对象的轨迹来做出车辆控制决策。
22.利用以上用于轨迹预测的方法、装置和车辆，相对于现有技术方法至少可以实现以下优点：
23.(1)本发明可以处置不存在车道的场景(诸如道路交叉口)。
24.(2)本发明不需要结合道路的任何假设。
25.(3)本发明可以预测可能不在车道上移动的对象(诸如行人、滑板车、自行车等)的未来轨迹和运动状态，因为自由空间预测器将在这些场景中扮演重要角色。
26.(4)本发明可以缓解在对象正以非常低的速度移动或甚至静止时所预测结果振荡的现象，因为混合预测器具有静态对象分类器。
27.(5)本发明提高了未来车辆轨迹的预测精度，并且它更加灵活且独立于道路结构。
28.提供本发明内容以便以简化的形式介绍以下在具体实施方式中进一步描述的概念的选集。本发明内容并非旨在标识出要求保护的主题内容的关键特征或必要特征，亦非
旨在用于限定要求保护的主题内容的范围。诸示例的附加的方面、特征和/或优点将在下面的描述中部分地阐述，并且部分地从描述中将是显而易见的，或者可以通过本公开的实践而获知。
附图说明
29.结合附图，通过以下对示例性实施例的详细描述，本公开的上述和其它方面和优点将变得显而易见，这些附图作为示例解说了本公开的原理。注意，附图不一定按比例绘制。
30.图1解说了示例性道路环境。
31.图2示出了根据本发明的一个实施例的轨迹预测装置的示意框图。
32.图3是图1的道路环境的部分放大视图。
33.图4是图1的道路环境的另一部分放大视图。
34.图5是根据本发明的一个实施例的用于轨迹预测的方法的流程图。
35.图6解说了根据本发明的一实施例的示例性车辆。
36.图7解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境。
具体实施方式
37.在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有一些或所有这些具体细节的情况下实践所描述的实施例。在其他示例性实施例中，未详细描述众所周知的结构或处理步骤，以避免不必要地使本公开的概念模糊。
38.贯穿说明书所使用的术语“车辆”是指任何类型的汽车，包括但不限于轿车、货车、卡车、公共汽车等。为简单起见，结合“汽车”来描述本发明。说明书中使用的术语“a或b”是指“a和b”和“a或b”，而不是意味着a和b是排他的，除非另有说明。
39.如前所述，现有技术中存在若干种轨迹预测方法。在这些方法中，更典型的轨迹预测是基于道路模型的轨迹预测和基于运动历史的轨迹预测。
40.基于道路模型的轨迹预测基于现有的道路模型，并且因此显然这种轨迹预测仅适用于存在道路模型的那些区域。此外，它仅适用于汽车。此外，这种轨迹预测还假设汽车遵守交通规则，例如汽车将沿着车道的中心线行驶，汽车将根据车道方向指示符来改变方向，汽车将不随意或非法变道等。基于运动历史的轨迹预测基于对象在一时间段(也称为“时间范围”)内的运动来预测未来的轨迹。将结合图1解释这两种轨迹预测将如何在道路环境中工作。
41.图1解说了示例性道路环境。图1中示出了示例性三路交叉口，其包括垂直方向上的主干道和水平方向上的支路。主干道具有2条车道，一条为仅直行车道，而另一条为仅右转车道，以供汽车右转进入支路。图1中还示出了汽车102正在右转车道上行驶并且即将到达交叉口。此时，基于道路模型的轨迹预测由于该交叉口的道路模型的知识而能够识别出汽车102正在右转车道上行驶。同时，根据该模型的假设，即汽车102将遵守交通规则，因此基于道路模型的轨迹预测给出了汽车102将沿着如虚线104所示的轨迹行驶的预测，即，在交叉口右转并且驶入支路。另一方面，基于运动历史的轨迹预测不知晓交叉口的道路模型。
它仅基于对象在一时间段内的运动历史给出预测。在图1中示意性地解说了汽车102的先前两个观察位置102'和102”。将领会，为了简单起见仅示出了两个先前位置，并且在实践中，可能需要更多的历史位置(例如，5个或10个位置)来预测轨迹。由于汽车的先前位置102'和102"与当前位置102几乎在一条直线上，因此基于运动历史的轨迹预测预测汽车102将沿着虚线106所示的轨迹行驶，即，继续直行。
42.可以理解，在以上示例中，对于遵守交通规则行驶的车辆，基于道路模型的轨迹预测(如果适用)一般可以准确地预测车辆的未来轨迹。然而，如前所述，这种基于道路模型的轨迹预测仅能应用于具有道路模型的区域，并且必须假设对象遵守交通规则，并且这种预测仅适用于汽车。相比之下，基于运动历史的轨迹预测要灵活得多。它在没有各种假设的情况下工作，并且不限于汽车。其缺点在于，由于其预测仅基于历史轨迹，因此这种预测实际上更类似于总结过去的轨迹(诸如为位置点找到共同的平滑曲线)并且将该轨迹延伸到未来。因此，对于具有剧烈变化的运动轨迹(诸如直角转弯)，轨迹预测可能与实际轨迹有很大的偏差，并且随着预测的未来时间进一步远离当前时间，预测可能更不准确。
43.图2示出了根据本发明的一个实施例的轨迹预测装置200的示意框图。如图2所示，轨迹预测装置200可包括传感器数据获取模块202、混合预测器204和轨迹预测模块206。传感器数据获取模块202被配置成从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据。混合预测器204可包括多个现有的预测器。作为非限制性示例，混合预测器204可包括至少一个自由空间预测器208和一个基于道路模型的预测器210。此外，混合预测器204可以可任选地包括静态对象分类器212。自由空间预测器208可以是先前提及的基于对象的运动历史的轨迹预测器。作为非限制性示例，自由空间预测器208可以是经训练的基于rnn的预测器。应领会，这种自由空间预测器208适用于各种对象，并且因此本发明的轨迹预测适用的对象包括但不限于汽车、行人、自行车、滑板车或任何其他运动对象。如先前所提及的，自由空间预测器208可基于由传感器数据获取模块202提供的传感器数据(诸如对象的历史位置)来计算对象的运动轨迹曲线。例如，这可以借助于卡尔曼滤波器来完成。此后，自由空间预测器208可以给出运动轨迹曲线上与未来的多个时间点相对应的点的位置作为预测结果。如先前所提及的，基于道路模型的预测器210可基于其对对象当前位置所在的道路模型的知识来给出对象未来位置的预测。
44.在每个时刻(即，“当前”时刻，t
c
)，自由空间预测器208(标记为预测器1)和基于道路模型的预测器210(标记为预测器2)可以分别给出在未来时间段(例如，5秒、10秒)中的多个时间实例(t
c 1
、t
c 2
、t
c 3
、t
c 4
、
……
)处的位置预测，和时间实例的数目可取决于时间范围的大小和采样精度。因此，可以构想如下表1所示的数据结构：
[0045][0046]
表1
[0047]
因此，可以理解，上表中与当前时间实例t
c
相对应的和是由预测器1和预测器2在先前时间实例处分别给出的对对象在当前时间实例处t
c
的位置的预测。另一方面，对象的实际当前位置已经可以由从传感器获取的传感器数据来确定。因此，假设实际位置为g
c
，通过将g
c
与和进行比较，可以确定哪个预测器当前更可靠或更准确。
[0048]
图3是图1的道路环境的部分放大视图。在图3中，解说了汽车102已经到达交叉口并且刚刚开始向右转弯。假设与汽车102的当前位置相对应的当前时间点为t
c
，并且其位置被标记为g
c
。另外，可以看出汽车102的先前位置分别为g
c－1
、g
c－2
、g
c－3
、g
c－4
、g
c－5
、
……
。如先前所提及的，在时间实例t
c
‑1处，即，当汽车102仍在g
c
‑1处时，分别由自由空间预测器208和基于道路模型的预测器210给出的预测值和位于如图所示的对应位置处。可以看出，自由空间预测器208基于汽车102的当前和先前位置g
c－1
、g
c－2
、g
c－3
、g
c－4
和g
c－5
而认为汽车102正沿直线行驶，并且因此预测值因此预测值反映汽车102将继续沿直线(即轨迹106)向前行驶。作为对比，由于基于道路模型的预测器210知晓汽车102正在右转车道上行驶，因此由其给出的预测值反映汽车102将沿着轨迹104行驶。由此可见，在过去的时间实例t
c
‑1处，由基于道路模型的预测器210针对当前时间t
c
给出的预测值更接近实际值g
c
，并且因此基于道路模型的预测器210是当前更准确和可靠的预测器。
[0049]
混合预测器204被配置成融合来自多个预测器的预测并且输出经融合的预测结果。通常，融合可以通过向每个预测器指派权重并且使用加权值作为经融合预测来完成。例如，可以为预测器1指派权重w1并且可以为预测器2指派权重w2。因此，经融合预测结果可被计算为：
[0050]
[0051]
其中权重w1和w2之和为1，并且i是正整数。
[0052]
返回到图3，由于基于道路模型的预测器210是当前(在时间t
c
处)更准确的预测器，因此混合预测器204在预测针对未来时间实例t
c 1
、t
c 1
、t
c 1
、
……
的轨迹时向基于道路模型的预测器210指派更高的权重，即，w2＞w1。值w1和w2的具体指派可以分别基于和g
c
以及和g
c
之间的差异来确定。
[0053]
作为另一实施例，指派值w1和w2可以进一步考虑历史预测值与实际值的偏差。图4也是图1的道路环境的部分放大视图。与图3不同，现在假设当前时间实例为t
c 1
，并且汽车102已经沿着轨迹104向前行驶了某个距离。在先前的时间实例t
c
处，自由空间预测器208基于汽车102的当前和先前位置g
c
、g
c－1
、g
c－2
、g
c－3
、g
c－4
和g
c－5
而认为汽车102仅略微偏离线路，并且相应地，给出的预测位置反映汽车102将沿着仅略微偏离原始轨迹106的轨迹106'行驶。基于道路模型的预测器210知晓汽车102正在右转车道上行驶，因此由其给出的预测值反映汽车102将继续沿着轨迹104行驶。类似于图3的情形，由于g
c 1
的位置更接近由基于道路模型的预测器210在时间t
c
处给出预测因此混合预测器204将为基于道路模型的预测器210指派更高的权重。而如果进一步考虑g
c 1
的位置和分别由两个预测器在时间t
c
‑1处给出的和则由自由空间预测器208给出的预测仍在虚线106上，并且预测与实际位置g
c 1
之间的距离比在时间t
c
处给出的预测与实际位置g
c 1
之间的距离更远。同时，由基于道路模型的预测模型210在时间t
c
‑1和时间t
c
处给出的预测和与g
c 1
近似一致。因此，混合预测器204更相信此时基于道路模型的预测器210的可靠性更高，并且因此基于道路模型的预测器210将被给予更大的权重。
[0054]
返回图2，在混合预测器204给出经融合预测值(诸如)之后，轨迹预测模块206可以基于经融合预测值来提供所预测的轨迹。
[0055]
作为替换实施例，混合预测器204也可以可任选地包括静态对象分类器212。众所周知，当前的传感器或多或少不稳定或不准确。例如，对于静止的对象，针对该对象的传感器的观察数据可能随着时间的推移而抖动。因此，对静态对象的观察数据执行运动轨迹预测是一种资源浪费，并且还可能导致错误的轨迹预测。为了避免这种情况，静态对象分类器212可被配置成通过分析传感器数据来将对象分类为静态或非静态。作为非限制性示例，静态对象分类器212可以通过例如为不同类型的传感器数据设置阈值来区分静态和非静态，诸如在检测到对象的速度低于某个预定的阈值时将对象分类为静态对象。此外，静态对象分类器212还可以分析传感器数据随时间的分布，并且在数据表现出绕某个值(例如，零速度值和零加速度值)的小波动时将对象分类为静态对象。在静态对象分类器212将对象分类为静态对象的情形中，自由空间预测器208和基于道路模型的预测器210将不对此类静态对象执行任何轨迹预测。相反，混合预测器204输出静态对象的当前位置作为其预测结果，即预测静态对象将保持静止。在静态对象分类器212将对象分类为非静态的情形中，它可以可任选地使用卡尔曼滤波器来进一步平滑观察数据，并且随后将其馈入自由空间预测器208和基于道路模型的预测器210中。
[0056]
图5是根据本发明的一个实施例的用于轨迹预测的方法500的流程图。方法500开始于框502，其中可以从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据。在框504，所获取的传感器数据可以被馈入混合预测器中。本发明的混合预测器可包括各自具有由该混合预测器指派的权重的多个预测器。如前所述，该多个预测器至少包括自由空间预测器(诸如图2中的自由空间预测器208)以及基于道路模型的预测器(诸如基于道路模型的预测器210)。
[0057]
随后，方法500进行到框506，其中该多个预测器中的每一者可以给出其针对从当前时刻起的预定时间段的自己的预测。例如，自由空间预测器208可基于来自至少一个传感器的历史传感器数据来给出其预测，如先前结合图3所描述的。同时，基于道路模型的预测器210还可以主要基于其对道路模型的知识来给出其预测，同时它还使用历史传感器数据来确定对象在道路模型中的位置。
[0058]
在框508，混合预测器204确定该多个预测器中的每一者的可靠性。作为示例，这可以通过评估哪个预测器给出更接近对象在前一个或多个时刻的实际运动的更好预测来确定，如先前结合图3和4所述。
[0059]
此后，在框510，混合预测器可基于由该多个预测器中的每一者给出的相应预测来输出针对从当前时刻起的预定时间段的加权混合预测，其中更大的权重被指派给更可靠的预测器。在优选实施例中，可以从加权混合预测中丢弃异常值。例如，迭代多元高斯模型被用于在迭代地丢弃异常值后融合具有不同时间范围的不同源的所有预测。随后，在框512，可基于加权混合预测来提供所预测的轨迹。方法500结束。
[0060]
在混合预测器204具有静态对象分类器212的可任选情形中，在多个预测器中的每一者给出其自己的预测之前，所获取的传感器数据可被首先馈入静态对象分类器212以将对象分类成静态或非静态。响应于静态对象分类器212将对象分类为静态，可以基于该对象的静态状态来直接提供所预测的轨迹，这意味着跳过该多个预测器的预测。否则，如果对象被分类为非静态，则静态对象分类器212可以可任选地在将传感器数据馈入多个预测器之前平滑该传感器数据(诸如通过使用卡尔曼滤波器)。
[0061]
图6解说了根据本发明的一实施例的示例性车辆600。车辆600可包括至少一个传感器602，该至少一个传感器602被配置成捕捉针对车辆周围的对象的感测数据；用于提供轨迹预测的轨迹预测装置604(诸如图2中的轨迹预测装置200)；以及决策模块606，该决策模块606被配置成基于由轨迹预测装置604预测的车辆周围对象的轨迹来做出车辆控制决策。
[0062]
图7解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境700。
[0063]
参照图7，现在将描述计算设备700，计算设备700是可应用于本公开的各方面的硬件设备的示例。计算设备700可以是配置成执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机、或其任何组合。以上提及的系统可以全部或者至少部分地由计算设备700或类似设备或系统来实现。
[0064]
计算设备700可以包括可能地经由一个或多个接口来与总线702连接或者与总线702处于通信的元件。例如，计算设备700可以包括总线702、以及一个或多个处理器704、一个或多个输入设备706和一个或多个输出设备708。该一个或多个处理器704可以是任何类
型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专门的处理芯片)。输入设备706可以是可将信息输入计算设备的任何类型的设备，并且可以包括但不限于鼠标、键盘、触摸屏、话筒、和/或遥控器。输出设备708可以是可呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备700还可以包括非瞬态存储设备710或者与非瞬态存储设备710相连接，该非瞬态存储设备710可以是为非瞬态的且可实现数据存储的任何存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储、软盘、软磁盘、硬盘、磁带或任何其他磁性介质、光盘或任何其他光介质、rom(只读存储器)、ram(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或存储器盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备710可以能与接口分开。非瞬态存储设备710可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备700还可以包括通信设备712。通信设备712可以是能实现与外部装置和/或网络的通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、诸如蓝牙
tm
设备、802.11设备、wifi设备、wimax设备、蜂窝通信设施之类的无线通信设备和/或芯片组、等等。
[0065]
当计算设备700被用作车载设备时，计算设备700还可以连接至外部设备，例如gps接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪)、等等。以此方式，计算设备700可以例如接收指示车辆的行驶情况的位置数据和传感器数据。当计算设备700被用作车载设备时，计算设备700还可以连接至用于控制车辆的行驶和操作的其他设施(诸如引擎系统、雨刮器、制动防抱死系统等)。
[0066]
另外，非瞬态存储设备710可以具有地图信息和软件元素，以使得处理器704可以执行路线引导处理。另外，输出设备706可以包括用于显示地图、车辆的位置标记以及指示车辆的行驶情况的图像的显示器。输出设备706还可以包括具有用于音频引导的耳机的扬声器或接口。
[0067]
总线702可以包括但不限于工业标准架构(isa)总线、微通道架构(mca)总线、增强型isa(eisa)总线、视频电子标准协会(vesa)本地总线、以及外围组件互连(pci)总线。具体地，对于车载设备，总线702可以包括控制器局域网(can)总线或者被设计成用于汽车上的应用的其他架构。
[0068]
计算设备700还可以包括工作存储器714，工作存储器714可以是可存储对于处理器704的工作而言有用的指令和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
[0069]
软件元素可以位于工作存储器714中，包括但不限于操作系统716、一个或多个应用程序718、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序718中，并且以上提及的装置800的各单元可以通过处理器704读取和执行一个或多个应用程序718的指令来实现。软件元素的指令的可执行代码或源代码可以被存储在非瞬态计算机可读存储介质(诸如上述存储设备710)中，并且可以可能地通过编译和/或安装而被读取到工作存储器714中。软件元素的指令的可执行代码或源代码也可以从远程位置下载。
[0070]
从上面的实施例中，本领域技术人员可以清楚地知道，本公开可以由具有必要硬件的软件来实现，或者由硬件、固件等来实现。基于这样的理解，本公开的实施例可以部分
地以软件形式来实施。可以将计算机软件存储在诸如计算机的软盘、硬盘、光盘或闪存之类的可读存储介质中。该计算机软件包括一系列指令，以使计算机(例如，个人计算机、服务站或网络终端)执行根据本公开的相应实施例的方法或其一部分。
[0071]
在整个说明书中，已经对“一个示例”或“一示例”进行了参考，这意味着在至少一个示例中包括具体描述的特征、结构或特性。因此，此类短语的使用可能涉及不止一个示例。此外，所描述的特征、结构或特性可以在一个或多个示例中以任何合适的方式组合。
[0072]
然而，相关领域的技术人员可以认识到，可以在没有一个或多个特定细节的情况下，或者在其他方法、资源、材料等的情况下实践这些示例。在其他实例中，没有详细示出或描述众所周知的结构、资源或操作以避免使这些示例的各方面模糊。
[0073]
尽管已经解说和描述了诸样例和应用，但是应当理解，这些示例不限于上述精确的配置和资源。可以对本文公开的方法和系统的布置、操作和细节作出对于本领域技术人员而言显而易见的各种修改、改变和变化，而不会脱离所要求保护的示例的范围。