行动轨迹预测方法、装置、计算机可读介质及电子设备与流程

1.本技术涉及计算机技术领域，具体而言，涉及一种行动轨迹预测方法、行动轨迹预测装置、计算机可读介质及电子设备。


背景技术：

2.在智能出行领域中，通常根据获取到的路况信息预测对象(如，行人、车辆等)的行动轨迹，进行可以根据预测结果生成可以规避一定程度的危险的驾驶路线，可见，对于对象的预测越准确，生成的驾驶路线安全性越高。一般来说，当检测到移动对象时，可以根据对象的移动轨迹对其接下来的行动轨迹进行预测，但是，实际路况通常存在数量较多的移动对象，如果通过上述方法分别对每个对象进行行动轨迹预测，则可能存在预测准确率不高的问题。
3.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

4.本技术的目的在于提供一种行动轨迹预测方法、行动轨迹预测装置、计算机可读介质及电子设备，可以通过结合待预测对象周围多个障碍物对象的信息，提升对于待预测对象的行动轨迹预测准确率。
5.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
6.本技术的第一方面提供了一种行动轨迹预测方法，可以包括以下步骤：
7.计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量；
8.根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量；
9.根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量；
10.根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
11.在本技术的一种示例性实施例中，在计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量之前，上述方法还可以包括以下步骤：
12.根据当前场景对应的实景图生成简略图；
13.从简略图中确定出障碍物对象所占用区域。
14.在本技术的一种示例性实施例中，计算当前场景中障碍物对象所占用区域对应的第一特征向量，包括：
15.通过深度学习网络提取简略图对应的图特征向量；
16.根据障碍物对象在简略图中的位置信息和方向信息计算障碍物对象所占用区域对应的第一特征向量。
17.在本技术的一种示例性实施例中，根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量，包括：
18.将第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接结果确定为当前场景中待预测对象对应的当前特征向量。
19.在本技术的一种示例性实施例中，当前场景中包括至少一个障碍物对象，根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型，包括：
20.确定当前场景中障碍物对象的第一影响范围以及待预测对象的第二影响范围；
21.根据第一影响范围和第二影响范围的交集从障碍物对象中筛选得到目标对象；
22.构建用于表征目标对象和待预测对象之间关系的关系模型。
23.在本技术的一种示例性实施例中，计算关系模型对应的关系特征向量，包括：
24.确定目标对象对应的当前特征向量；
25.对目标对象对应的当前特征向量进行多层特征提取，得到关系模型对应的关系特征向量。
26.在本技术的一种示例性实施例中，根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹，包括：
27.采集多个样本轨迹并对多个样本轨迹进行归一化处理并对归一化结果进行聚类，得到多个轨迹集；
28.分别从多个轨迹集中确定出目标轨迹；
29.根据目标轨迹训练轨迹预测模型；
30.将关系特征向量和当前场景中待预测对象对应的当前特征向量输入训练后的轨迹预测模型，以使得轨迹预测模型预测待预测对象的运动轨迹。
31.根据本技术的第二方面，提供一种行动轨迹预测装置，包括第一特征向量计算单元、第二特征向量计算单元、第三特征向量计算单元以及运动轨迹预测单元，其中：
32.第一特征向量计算单元，用于计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量；
33.第二特征向量计算单元，用于根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量；
34.第三特征向量计算单元，用于根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量；
35.运动轨迹预测单元，用于根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
36.在本技术的一种示例性实施例中，上述装置还可以包括简略图生成单元和占用区域确定单元：
37.简略图生成单元，用于在第一特征向量计算单元计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象
的当前状态对应的第三特征向量之前，根据当前场景对应的实景图生成简略图；
38.占用区域确定单元，用于从简略图中确定出障碍物对象所占用区域。
39.在本技术的一种示例性实施例中，第一特征向量计算单元计算当前场景中障碍物对象所占用区域对应的第一特征向量，包括：
40.第一特征向量计算单元通过深度学习网络提取简略图对应的图特征向量；
41.第一特征向量计算单元根据障碍物对象在简略图中的位置信息和方向信息计算障碍物对象所占用区域对应的第一特征向量。
42.在本技术的一种示例性实施例中，第二特征向量计算单元根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量，包括：
43.第二特征向量计算单元将第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接结果确定为当前场景中待预测对象对应的当前特征向量。
44.在本技术的一种示例性实施例中，当前场景中包括至少一个障碍物对象，第三特征向量计算单元根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型，包括：
45.第三特征向量计算单元确定当前场景中障碍物对象的第一影响范围以及待预测对象的第二影响范围；
46.第三特征向量计算单元根据第一影响范围和第二影响范围的交集从障碍物对象中筛选得到目标对象；
47.第三特征向量计算单元构建用于表征目标对象和待预测对象之间关系的关系模型。
48.在本技术的一种示例性实施例中，第三特征向量计算单元计算关系模型对应的关系特征向量，包括：
49.第三特征向量计算单元确定目标对象对应的当前特征向量；
50.第三特征向量计算单元对目标对象对应的当前特征向量进行多层特征提取，得到关系模型对应的关系特征向量。
51.在本技术的一种示例性实施例中，运动轨迹预测单元根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹，包括：
52.运动轨迹预测单元采集多个样本轨迹并对多个样本轨迹进行归一化处理并对归一化结果进行聚类，得到多个轨迹集；
53.运动轨迹预测单元分别从多个轨迹集中确定出目标轨迹；
54.运动轨迹预测单元根据目标轨迹训练轨迹预测模型；
55.运动轨迹预测单元将关系特征向量和当前场景中待预测对象对应的当前特征向量输入训练后的轨迹预测模型，以使得轨迹预测模型预测待预测对象的运动轨迹。
56.根据本技术的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述实施例中第一方面所述的行动轨迹预测方法。
57.根据本技术的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述实施例中第一方面所述的行动轨迹预测方法。
58.本技术提供的技术方案可以包括以下有益效果：
59.在本技术的实施例所提供的技术方案中，可以计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量。进而，可以根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量。进而，可以根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量。进而，可以根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。依据上述方案描述，本技术一方面可以通过结合待预测对象周围多个障碍物对象的信息，提升对于待预测对象的行动轨迹预测准确率；另一方面，通过构建关系模型，能够整合与待预测对象存在交互的障碍物对象，以提升对于障碍物对象的分析效率，减少对于计算资源的浪费。
60.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
61.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。在附图中：
62.图1示出了根据本技术一示例性实施例的一种行动轨迹预测方法的流程示意图；
63.图2示出了根据本技术一示例性实施例的简略图的示意图；
64.图3示出了根据本技术一示例性实施例的障碍物对象的影响范围示意图；
65.图4示出了根据本技术一示例性实施例的当前场景中各对象的影响范围示意图；
66.图5示出了根据本技术一示例性实施例的关系模型示意图；
67.图6示出了根据本技术一示例性实施例的对多个样本轨迹进行归一化处理所得到的归一化结果的示意图；
68.图7示出了根据本技术一示例性实施例的分别从多个轨迹集中确定出的目标轨迹的示意图；
69.图8示出了根据本技术一示例性实施例中一种行动轨迹预测方法对应的架构示意图；
70.图9示出了根据本技术一示例性实施例的行动轨迹预测装置的结构框图；
71.图10示出了适于用来实现本技术一示例性实施例的电子设备的计算机系统的结构示意图。
具体实施方式
72.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
73.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，
本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
74.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
75.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
76.请参阅图1，图1示出了根据本技术一示例性实施例的一种行动轨迹预测方法的流程示意图，该行动轨迹预测方法可以由服务器或终端设备来实现。
77.如图1所示，根据本技术的一个实施例的行动轨迹预测方法，包括如下步骤s110～步骤s140，其中：
78.步骤s110：计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量。
79.步骤s120：根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量。
80.步骤s130：根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量。
81.步骤s140：根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
82.实施图1所示的行动轨迹预测方法，可以通过结合待预测对象周围多个障碍物对象的信息，提升对于待预测对象的行动轨迹预测准确率。此外，通过构建关系模型，能够整合与待预测对象存在交互的障碍物对象，以提升对于障碍物对象的分析效率，减少对于计算资源的浪费。
83.以下对各步骤进行详细说明：
84.在步骤s110中，计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量。
85.其中，当前场景可以为路况场景，当前场景中可以包括一个或多个对象，若包含多个对象，则多个对象包括一个待预测对象以及一个或多个障碍物对象。此外，障碍物对象所占区域可以为该障碍物对象在当前场景中所覆盖的区域，障碍物对象的历史轨迹可以由障碍物对象在各历史时刻的所处位置绘制得到，障碍物对象的当前状态用于描述障碍物对象在当前场景中的运动，当前状态可以包括障碍物对象的类别、长宽高、行动方向、速度、加速度、角速度等；其中，障碍物对象可以为行人、机动车、自行车或电动车等。此外，当前场景中还包括待预测对象，待预测对象也可以为行人、机动车、自行车或电动车等，本技术实施例不作限定。
86.在本技术实施例中，可选的，在计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应
的第三特征向量之前，上述方法还可以包括以下步骤：
87.根据当前场景对应的实景图生成简略图；
88.从简略图中确定出障碍物对象所占用区域。
89.其中，实景图可以为拍摄的路况诗实景，简略图可以为通过线条、标识等简化实景图的图像。上述的简略图中可以包括待预测对象、障碍物对象、道路路径、自行车道、人行横道、路沿以及道路中间线等，本技术实施例不作限定。请参阅图2，图2示出了根据本技术一示例性实施例的简略图的示意图。如图2所示，障碍物对象通过长方形进行表示、待预测对象通过正方形进行表示、道路路径通过曲线进行表示、自行车道和人行横道通过垂直于其所在道路的长矩形区域进行表示、路沿通过图2中各顶点的1/4圆曲线进行表示、道路中间线通过虚线进行表示。举例来说，在图2中，待预测对象(即，图2中的正方形)可以为行人，障碍物对象(即，图2中的长方形)可以为机动车。
90.另外，可选的，根据当前场景对应的实景图生成简略图的方式具体可以为：根据当前场景对应的实景图的相邻像素差对实景图进行描边，进而根据描边结果生成简略图；其中，简略图可以在表示待预测对象以及障碍物对象的同时减少预测所不需的实景细节，这样可以有利于对障碍物对象进行分析，进而根据分析结果预测待预测对象的行动轨迹，减少实景图中障碍物对象或待预测对象的图像细节内容(如，光照效果)对预测结果的影响，提升了预测效率。
91.另外，可选的，从简略图中确定出障碍物对象所占用区域的方式具体可以为：检测简略图中的障碍物对象对于路面的覆盖面积，将该覆盖面积对应的区域确定为障碍物对象所占用区域。
92.可见，实施该可选的实施例，能够将实景图进行简化，进而得到简化图，这样可以减少对于计算资源的占用，并提升轨迹预测效率。
93.进一步地，计算当前场景中障碍物对象所占用区域对应的第一特征向量，包括：
94.通过深度学习网络提取简略图对应的图特征向量；
95.根据障碍物对象在简略图中的位置信息和方向信息计算障碍物对象所占用区域对应的第一特征向量。
96.其中，深度学习网络可以为vgg、resnet或mobilenetv2等，本技术实施例不作限定，深度学习网络可以通过可视化数据库中的图像训练得到。具体地，通过深度学习网络提取简略图对应的图特征向量的方式具体可以为：通过深度学习网络中的卷积核对简略图进行多层卷积处理(如，3层卷积处理)，得到第一参考特征向量，将第一参考特征向量输入全连接层，以使得全连接层对第一参考特征向量进行分类，得到图特征向量并输出；其中，卷积核的大小可以为3*3，上一层输出的卷积结果可以作为下一层的输入，全连接层的数量可以为一层或多层(如，3层)，本技术实施例不作限定。需要说明的是，在深度学习网络中，卷积层与卷积层之间还包括池化层，池化层用于将上一层卷积层的输出进行最大池化并将最大池化结果作为下一层卷积层的输入。
97.进一步地，根据障碍物对象在简略图中的位置信息和方向信息计算障碍物对象所占用区域对应的第一特征向量的方式具体可以为：获取障碍物对象在简略图中的位置信息并根据障碍物对象的前一时刻的轨迹获取障碍物对象在简略图中的方向信息；通过位置信息和方向信息从图特征向量中提取障碍物对象所占用区域对应的第二参考特征向量；进而
将第二参考特征向量输入多层感知机(multilayer perceptron，mlp)，以使得mlp通过多个隐藏层进行特征计算，进而输出障碍物对象所占用区域对应的第一特征向量；其中，位置信息用于描述障碍物对象在简略图中的位置，位置信息可以包括坐标、经纬度等，本技术实施例不作限定；方向信息用于描述障碍物对象在当前场景中的行动方向。其中，mlp也可以称为人工神经网络(ann，artificial neural network)。
98.可见，实施该可选的实施例，能够通过从图特征向量中确定出障碍物对象对应的区域的特征，进而有利于计算得到障碍物对象在简略图中对应的特征向量，提升了特征向量的计算效率，进而有利于提升对于待预测对象行动轨迹的预测效率。
99.本技术实施例中，可选的，计算当前场景中障碍物对象的历史轨迹对应的第二特征向量的方式具体可以为：根据预设的截取时段从障碍物对象的所有历史轨迹中截取与上述截取时段(如，2020年1月1日12:00～13:00)相对应的历史轨迹；通过长短期记忆网络(long short-term memory，lstm)计算与截取时段相对应的历史轨迹的第二特征向量；其中，lstm通常包括遗忘门、输入门以及输出门。具体地，通过lstm计算与截取时段相对应的历史轨迹的第二特征向量的方式具体可以为：
100.步骤一：根据当前时刻的历史轨迹以及上一时刻的隐含状态信息，计算候选状态信息、候选状态信息的输入权重、上一时刻中目标状态信息的遗忘权重以及当前时刻中目标状态信息的输出权重；其中，截取时段中包括上述的当前时刻，在截取时段中，每个时刻对应一个时刻窗口。
101.具体地，遗忘门用于决定从上一时刻的目标状态信息中丢弃多少信息，所以遗忘权重用于表示上一时刻的目标状态信息不被遗忘的(即能够保留的)权重；遗忘权重实质上可以为权重矩阵。示例性的，可以通过用于表征遗忘门的激活函数，对当前时刻的时刻窗口的历史轨迹以及上一时刻的隐含状态信息进行编码，映射到0到1之间的数值，得到上一时刻中目标状态信息的遗忘权重。其中，0表示完全舍弃，1表示完全保留。例如，可以按照以下公式计算得到上一时刻中目标状态信息的遗忘权重f
t
：f
t
＝σ(w
f
·
[h
t-1
，s
t
] b
f
)。其中，h
t-1
表示上一时刻隐含状态信息，s
t
表示当前时刻的时刻窗口的历史轨迹，σ表示激活函数sigmod函数，w
f
和b
f
表示遗忘门中sigmod函数的参数，[h
t-1
，s
t
]表示将h
t-1
和s
t
进行组合。
[0102]
输入门用于决定当前输入的历史轨迹中，有多少信息是重要且需要保留下来的。示例性的，可以通过用于表征输入门的激活函数，对当前时刻的时刻窗口的历史轨迹以及上一时刻的隐含状态信息进行编码，得到候选状态信息以及所述候选状态信息的输入权重；其中，所述候选状态信息的输入权重用于决定候选状态信息中有多少新的信息可以加入到目标状态信息中。例如，可以按照以下公式计算得到候选状态信息入到目标状态信息中。例如，可以按照以下公式计算得到候选状态信息其中，tanh表示激活函数为正曲双切函数，w
c
和b
c
表示输入门中tanh函数的参数。并可以按照以下公式计算得到候选状态信息的输入权重i
t
：i
t
＝σ(w
i
·
[h
t-1
，s
t
] b
i
)。其中，σ表示激活函数sigmod函数，w
i
和b
i
表示输入门中sigmod函数的参数。
[0103]
输出门用于确定输出至下一个时刻窗口的隐含状态信息中应该包含哪些信息。示例性的，可以通过用于表征输出门的激活函数，对当前时刻的时刻窗口的历史轨迹以及上一时刻的隐含状态信息进行编码，得到当前时刻中目标状态信息的输出权重。例如，可以按
照以下公式计算得到候选状态信息o
t
：o
t
＝σ(w
o
·
[h
t-1
，s
t
] b
o
)
[0104]
其中，σ表示激活函数sigmod函数，w
o
和b
o
表示输出门中sigmod函数的参数。
[0105]
步骤二：根据遗忘权重对上一时刻中目标状态信息进行保留，得到第一中间状态信息。举例而言，得到的第一中间状态信息可以为其中，c
t-1
表示上一转换过程目标状态信息。
[0106]
步骤三：根据候选状态信息的输入权重对候选状态信息进行保留，得到第二中间状态信息。举例而言，得到的第二中间状态信息可以为
[0107]
步骤四：根据第一中间状态信息和第二中间状态信息，得到当前时刻中的目标状态信息。举例而言，当前时刻中的目标状态信息可以为
[0108]
步骤五：根据当前时刻中目标状态信息的输出权重对当前时刻中的目标状态信息进行保留，得到当前时刻的隐含状态信息。举例而言，当前时刻的隐含状态信息可以为
[0109]
步骤六：当执行至截取时段中最后时刻对应的时刻窗口时，将该时刻窗口输出的隐含状态信息确定为截取时段的历史轨迹对应的第二特征向量。
[0110]
本技术实施例中，可选的，计算当前场景中障碍物对象的当前状态对应的第三特征向量的方式具体可以为：将障碍物对象的当前状态输入mlp，以使得mlp通过多个隐藏层进行特征计算，进而输出障碍物对象的当前状态对应的第三特征向量。
[0111]
在步骤s120中，根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量。
[0112]
其中，第一特征向量、第二特征向量以及第三特征向量可以维度相同也可以维度不同，本技术实施例不作限定。
[0113]
在本技术实施例中，可选的，根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量，包括：
[0114]
将第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接结果确定为当前场景中待预测对象对应的当前特征向量。
[0115]
其中，将第一特征向量、第二特征向量以及第三特征向量进行拼接的方式具体可以为：将第一特征向量、第二特征向量以及第三特征向量进行串联。举例来说，若第一特征向量、第二特征向量以及第三特征向量对应的维度均为1*3，拼接得到的当前场景中待预测对象对应的当前特征向量的维度可以为3*3。
[0116]
可见，实施该可选的实施例，能够通过对于多种信息的融合，提取障碍物对象之间的交互关系和博弈关系，进而有利于确定出当前场景中待预测对象对应的当前特征向量，提升对于待预测对象的行动轨迹的预测准确率。
[0117]
在步骤s130中，根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量。
[0118]
在本技术实施例中，可选的，当前场景中包括至少一个障碍物对象，根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型，包括：
[0119]
确定当前场景中障碍物对象的第一影响范围以及待预测对象的第二影响范围；
[0120]
根据第一影响范围和第二影响范围的交集从障碍物对象中筛选得到目标对象；
[0121]
构建用于表征目标对象和待预测对象之间关系的关系模型。
[0122]
其中，若当前场景中包括多个障碍物对象，多个障碍物对象对应的影响范围的半径可以相同可以不同，本技术实施例不作限定。第一影响范围和第二影响范围的交集可以通过不规则区域进行标识，第一影响范围的半径与第二影响范围的半径可以相同也可以不同。此外，目标对象的数量小于等于障碍物对象。关系模型可以通过节点和连边构成，连边用于连接两个节点。
[0123]
另外，影响范围用于限定障碍物对象的警戒区，影响范围可以通过半径r对应的圆形区域进行标识，r＝speed*t λ*volume，需要说明的是，speed用于表示障碍物对象的速度，t为时间长度，λ为常数系数，volume用于表示障碍物对象的体积。请参阅图3，图3示出了根据本技术一示例性实施例的障碍物对象的影响范围示意图。如图3所示，障碍物对象处于影响范围的圆心，影响范围通过半径为r的圆形区域进行表示。
[0124]
另外，可选的，确定当前场景中障碍物对象的第一影响范围以及待预测对象的第二影响范围的方式具体可以为：确定当前场景中各障碍物对象对应的半径以及待预测对象对应的半径；根据各障碍物分别对应的半径确定各障碍物对象的第一影响范围；根据待预测对象对应的半径确定待预测对象的第二影响范围。
[0125]
另外，可选的，根据第一影响范围和第二影响范围的交集从障碍物对象中筛选得到目标对象的方式具体可以为：将与第二影响范围不存在交集的第一影响范围对应的障碍物对象筛除，以得到与第二影响范围存在交集的目标对象；其中，目标对象的数量可以为一个或多个，本技术实施例不作限定。
[0126]
请参阅图4，图4示出了根据本技术一示例性实施例的当前场景中各对象的影响范围示意图。具体地，可以通过矩形表示障碍物对象，通过正方形表示待预测对象，在图4中，障碍物对象存在多个，各障碍物对象存在与其对应的以其为圆心的第一影响范围以及行动方向，第一影响范围通过圆形区域进行表示。参见图4可知，与待预测对象的第二影响范围存在交集的第一影响范围的数量为3，因此，目标对象的数量为3，进而，可以得到如图5所示的关系模型。进一步地，请参阅图5，图5示出了根据本技术一示例性实施例的关系模型示意图。图5是根据与待预测对象的第二影响范围存在交集的目标对象生成的，在图5中，待预测对象和目标对象均通过节点进行表示，并通过连边对存在对应关系的节点进行连接。
[0127]
可见，实施该可选的实施例，能够根据障碍物对象的影响范围与待预测对象的影响范围的交集确定出关系模型，这样可以减少对待预测对象影响不大的障碍物对象的分析，进而提升预测效率及预测准度。
[0128]
进一步地，计算关系模型对应的关系特征向量，包括：
[0129]
确定目标对象对应的当前特征向量；
[0130]
对目标对象对应的当前特征向量进行多层特征提取，得到关系模型对应的关系特征向量。
[0131]
其中，确定目标对象对应的当前特征向量的方式具体可以为：将目标对象确定为待预测对象并执行步骤s110～步骤s120；进而，可以通过v(i)表示各目标对象的当前特征向量，i用于表示目标对象，i为正整数。进一步地，对目标对象对应的当前特征向量进行多层特征提取，得到关系模型对应的关系特征向量的方式具体可以为：通过表达式e
ij
＝a
(w
gat
v(i),w
gat
v(j))；a
ij
＝softmax(e
ij
)；p
ι
(i)＝∑
j∈n
a
ij
w
gat
v(j)对v(i)进行多层特征提取，并将p
l
确定为关系模型(gat)对应的关系特征向量；其中，w
gat
是线性变换权值矩阵，v(j)用于表示与v(i)相邻的目标对象的当前特征向量，p
ι
是第ι层的输出结果，layer(ι＝l)用于表示多层特征提取中的最后一层。
[0132]
可见，实施该可选的实施例，能够计算得到关系模型对应的关系特征向量，进而有助于将待预测对象与障碍物对象进行融合，以提升对于待预测对象的行动轨迹预测效率。
[0133]
在步骤s140中，根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
[0134]
其中，运动轨迹可以通过曲线进行表示。
[0135]
在本技术实施例中，可选的，根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹，包括：
[0136]
采集多个样本轨迹并对多个样本轨迹进行归一化处理并对归一化结果进行聚类，得到多个轨迹集；
[0137]
分别从多个轨迹集中确定出目标轨迹；
[0138]
根据目标轨迹训练轨迹预测模型；
[0139]
将关系特征向量和当前场景中待预测对象对应的当前特征向量输入训练后的轨迹预测模型，以使得轨迹预测模型预测待预测对象的运动轨迹。
[0140]
其中，采集多个样本轨迹并对多个样本轨迹进行归一化处理并对归一化结果进行聚类，得到多个轨迹集的方式具体可以为：
[0141]
从数据库中采集样本障碍物对象的历史轨迹作为样本轨迹。
[0142]
进而，可以对多个样本轨迹进行旋转平移操作，以使得多个样本轨迹具有相同起点并处于同一坐标系中；请参阅图6，图6示出了根据本技术一示例性实施例的对多个样本轨迹进行归一化处理所得到的归一化结果的示意图。在图6所示的坐标系中，表示了将多个样本轨迹进行旋转平移之后使得多个样本轨迹具有相同起点。
[0143]
进而，可以选取预设数目的原始样本轨迹作为初始聚类中心，并选择一未聚类的样本轨迹作为当前样本轨迹，计算当前样本轨迹与当前各聚类中的距离；具体地，可以先确定聚类簇的数量，聚类簇的数量可以依经验确定，同时也可以进一步经过不断的迭代测试，最终确定最合适的聚类簇数量。举例来说，若存在聚类簇a0、聚类簇b0、聚类簇c0以及聚类簇d0，对于聚类簇a0，初始选取的原始样本轨迹记为a1；对于聚类簇b0，初始选取的原始样本轨迹记为b1；对于聚类簇c0，初始选取的原始样本轨迹记为c1；对于聚类簇d0，初始选取的原始样本轨迹记为d1；初始选取的方式可以是人工选取，也可以是随机选取或其他选取方式，本示例性实施例中对此不做特殊限定。假设当前聚类簇a0中样本轨迹个数为o，聚类簇b0中样本轨迹个数为p，聚类簇c0中样本轨迹为k，聚类簇d0中样本轨迹为m。在各聚类簇中，每一个样本轨迹均被表示为n维向量。因此对聚类簇a0、聚类簇b0、聚类簇c0、聚类簇d0的一般化表示如下；其中，n表示维度，r
n
表示是n维向量空间：a0＝{a1,a2,...,a
o
}a
i
∈r
n
(i＝1,2,...,o)；b0＝{b1,b2,...,b
p
}b
i
∈r
n
(i＝1,2,...,p)；c0＝{c1,c2,...,c
k
}c
i
∈4
n
(i＝1,2,...,k)；d0＝{d1,d2,...,d
m
}d
i
∈r
n
(i＝1,2,...,m)。在得到聚类簇a0、聚类簇b0、聚类簇c0、聚类簇d0的一般化表示后，则聚类簇a0、聚类簇b0、聚类簇c0、聚类簇d0的聚类中心μ
a
、μ
b
、μ
c
、μ
d
可以通过下式计算：
即在本示例实施方式中，聚类簇的聚类中心计算的方法是计算聚类簇中所有样本轨迹的特征向量的平均值，最终得到的μ
a
、μ
b
、μ
c
、μ
d
均为n维向量。但在本公开的其他示例性实施例中，也可以通过其他方式计算聚类簇的聚类中心，本示例性实施例中并不以此为限。在计算得到各聚类簇的聚类中心之后，对于所述当前样本轨迹，可以计算当前样本轨迹的特征向量与聚类簇a0、聚类簇b0、聚类簇c0、聚类簇d0的聚类中心μ
a
、μ
b
、μ
c
、μ
d
的距离dis_a、dis_b、dis_c、dis_d。例如：dis_a＝||n-μ
a
||2；dis_b＝||n-μ
b
||2；dis_c＝||n-μ
c
||2；dis_d＝||n-μ
d
||2。其中，||x-y||是向量作差之后各分量的平方和的开根号。需要说明的，在本示例实施方式中，计算的是欧式距离，但在本公开的其他示例性实施例中，也可以计算马氏距离、余弦距离、曼哈顿距离等；这些同样属于本公开的保护范围。
[0144]
进一步地，分别从多个轨迹集中确定出目标轨迹的方式具体可以为：将当前样本轨迹分配至距离最近的聚类中心，并在分配后重新计算聚类中心并将重新计算得到的聚类中心对应的轨迹确定为目标轨迹。如果该当前样本轨迹与一聚类簇的聚类中心的距离最小，则将该当前样本轨迹分配至该聚类簇。举例而言，对于上述当前样本轨迹，如果其与聚类簇a0的聚类中心的距离最小，则将当前样本轨迹分配至聚类簇a0；如果其与聚类簇b0的聚类中心的距离最小，则将当前样本轨迹分配至所述聚类簇b0。在对当前样本轨迹分配完毕之后，则可以重新计算轨迹集的聚类中心。本示例实施方式中，可以通过上述步骤重新计算其聚类中心以及迭代上述步骤，直至满足聚类终止条件，例如聚类终止条件可以为，对于所有样本轨迹均聚类完成。请参阅图7，图7示出了根据本技术一示例性实施例的分别从多个轨迹集中确定出的目标轨迹的示意图。图7示出的是在每个轨迹集中选取的目标轨迹。
[0145]
其中，根据目标轨迹训练轨迹预测模型的方式具体可以为：将目标轨迹输入轨迹预测模型，以使得轨迹预测模型输出预测结果；进而，可以根据表达式计算损失函数并根据更新轨迹预测模型中的模型参数，直到处于预设阈值范围内；其中，模型参数可以包括权重参数以及偏置项等，本技术实施例不作限定。另外，关于的表达式，m和m分别用于表示截取时段的上限时间点和下限时间点，k用于表示目标轨迹以及通过赋值来区分不同的目标轨迹，用于表示指示函数，表示第k个目标轨迹与真实轨迹距离最近，p
mk
用于表示第m时刻的目标轨迹为真实轨迹的概率，α为常数系数。当选择第k个目标轨迹时，表示第m时刻，预测的轨迹点和第k个目标轨迹点τ
mk
的距离，该距离可以通过欧氏距离进行表示。
[0146]
可见，实施该可选的实施例，能够通过训练得到的轨迹预测模型预测当前场景中的待预测对象的行动轨迹，有利于根据行动轨迹对障碍物对象进行安全预警，以免发生安全事故，当障碍物对象为车辆时，实施本技术实施例有利于使得驾驶员及时了解到行人(即，待预测对象)的预测行动轨迹，便于驾驶员规避危险。
[0147]
请参阅图8，图8示出了根据本技术一示例性实施例中一种行动轨迹预测方法对应的架构示意图。如图8所示，可以通过深度学习网络cnn801提取简略图对应的图特征向量，
进而通过mlp802中的多个隐藏层对图特征向量进行特征计算，以确定障碍物对象所占用区域对应的第一特征向量。进而，还可以通过lstm803计算当前场景中障碍物对象的历史轨迹对应的第二特征向量以及通过mlp802计算当前场景中障碍物对象的当前状态对应的第三特征向量。进而，可以将第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接结果确定为当前场景中待预测对象对应的当前特征向量。进而，可以根据当前场景中各对象的影响范围构建用于表征待预测对象与障碍物对象之间关系的关系模型gat804，并通过特征提取确定出关系模型中各障碍物对象对应的当前特征向量，以生成关系模型对应的关系特征向量。进而，可以将关系特征向量与待预测对象对应的当前特征向量进行拼接，得到拼接结果805并输入mlp802，以使得mlp802预测待预测对象的运动轨迹。
[0148]
可见，实施图8所示的架构图，可以通过结合待预测对象周围多个障碍物对象的信息，提升对于待预测对象的行动轨迹预测准确率。此外，通过构建关系模型，能够整合与待预测对象存在交互的障碍物对象，以提升对于障碍物对象的分析效率，减少对于计算资源的浪费。
[0149]
请参阅图9，图9示出了根据本技术一示例性实施例的行动轨迹预测装置的结构框图。该行动轨迹预测装置包括第一特征向量计算单元901、第二特征向量计算单元902、第三特征向量计算单元903以及运动轨迹预测单元904，其中：
[0150]
第一特征向量计算单元901，用于计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量；
[0151]
第二特征向量计算单元902，用于根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量；
[0152]
第三特征向量计算单元903，用于根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量；
[0153]
运动轨迹预测单元904，用于根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
[0154]
可见，实施图9所示的行动轨迹预测装置，可以通过结合待预测对象周围多个障碍物对象的信息，提升对于待预测对象的行动轨迹预测准确率。此外，通过构建关系模型，能够整合与待预测对象存在交互的障碍物对象，以提升对于障碍物对象的分析效率，减少对于计算资源的浪费。
[0155]
在本技术的一种示例性实施例中，上述装置还可以包括简略图生成单元(未图示)和占用区域确定单元(未图示)：
[0156]
简略图生成单元，用于在第一特征向量计算单元901计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量之前，根据当前场景对应的实景图生成简略图；
[0157]
占用区域确定单元，用于从简略图中确定出障碍物对象所占用区域。
[0158]
可见，实施该可选的实施例，能够将实景图进行简化，进而得到简化图，这样可以减少对于计算资源的占用，并提升轨迹预测效率。
[0159]
在本技术的一种示例性实施例中，第一特征向量计算单元计算当前场景中障碍物对象所占用区域对应的第一特征向量，包括：
[0160]
第一特征向量计算单元901通过深度学习网络提取简略图对应的图特征向量；
[0161]
第一特征向量计算单元901根据障碍物对象在简略图中的位置信息和方向信息计算障碍物对象所占用区域对应的第一特征向量。
[0162]
可见，实施该可选的实施例，能够通过从图特征向量中确定出障碍物对象对应的区域的特征，进而有利于计算得到障碍物对象在简略图中对应的特征向量，提升了特征向量的计算效率，进而有利于提升对于待预测对象行动轨迹的预测效率。
[0163]
在本技术的一种示例性实施例中，第二特征向量计算单元902根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量，包括：
[0164]
第二特征向量计算单元902将第一特征向量、第二特征向量以及第三特征向量进行拼接，并将拼接结果确定为当前场景中待预测对象对应的当前特征向量。
[0165]
可见，实施该可选的实施例，能够通过对于多种信息的融合，提取障碍物对象之间的交互关系和博弈关系，进而有利于确定出当前场景中待预测对象对应的当前特征向量，提升对于待预测对象的行动轨迹的预测准确率。
[0166]
在本技术的一种示例性实施例中，当前场景中包括至少一个障碍物对象，第三特征向量计算单元903根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型，包括：
[0167]
第三特征向量计算单元903确定当前场景中障碍物对象的第一影响范围以及待预测对象的第二影响范围；
[0168]
第三特征向量计算单元903根据第一影响范围和第二影响范围的交集从障碍物对象中筛选得到目标对象；
[0169]
第三特征向量计算单元903构建用于表征目标对象和待预测对象之间关系的关系模型。
[0170]
可见，实施该可选的实施例，能够根据障碍物对象的影响范围与待预测对象的影响范围的交集确定出关系模型，这样可以减少对待预测对象影响不大的障碍物对象的分析，进而提升预测效率及预测准度。
[0171]
在本技术的一种示例性实施例中，第三特征向量计算单元903计算关系模型对应的关系特征向量，包括：
[0172]
第三特征向量计算单元903确定目标对象对应的当前特征向量；
[0173]
第三特征向量计算单元903对目标对象对应的当前特征向量进行多层特征提取，得到关系模型对应的关系特征向量。
[0174]
可见，实施该可选的实施例，能够计算得到关系模型对应的关系特征向量，进而有助于将待预测对象与障碍物对象进行融合，以提升对于待预测对象的行动轨迹预测效率。
[0175]
在本技术的一种示例性实施例中，运动轨迹预测单元904根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹，包括：
[0176]
运动轨迹预测单元904采集多个样本轨迹并对多个样本轨迹进行归一化处理并对归一化结果进行聚类，得到多个轨迹集；
[0177]
运动轨迹预测单元904分别从多个轨迹集中确定出目标轨迹；
[0178]
运动轨迹预测单元904根据目标轨迹训练轨迹预测模型；
[0179]
运动轨迹预测单元904将关系特征向量和当前场景中待预测对象对应的当前特征
向量输入训练后的轨迹预测模型，以使得轨迹预测模型预测待预测对象的运动轨迹。
[0180]
可见，实施该可选的实施例，能够通过训练得到的轨迹预测模型预测当前场景中的待预测对象的行动轨迹，有利于根据行动轨迹对障碍物对象进行安全预警，以免发生安全事故，当障碍物对象为车辆时，实施本技术实施例有利于使得驾驶员及时了解到行人(即，待预测对象)的预测行动轨迹，便于驾驶员规避危险。
[0181]
由于本技术的示例实施例的行动轨迹预测装置的各个功能模块与上述行动轨迹预测方法的示例实施例的步骤对应，因此对于本技术装置实施例中未披露的细节，请参照本技术上述的行动轨迹预测方法的实施例。
[0182]
请参阅图10，图10示出了适于用来实现本技术一示例性实施例的电子设备的计算机系统1000的结构示意图。图10示出的电子设备的计算机系统1000仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0183]
如图10所示，计算机系统1000包括中央处理单元(cpu)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储部分1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram 1003中，还存储有系统操作所需的各种程序和数据。cpu 1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0184]
以下部件连接至i/o接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0185]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(cpu)1001执行时，执行本技术的系统中限定的上述功能。
[0186]
需要说明的是，本技术所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可
读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0187]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0188]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0189]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的行动轨迹预测方法。
[0190]
例如，所述的电子设备可以实现如图1中所示的：步骤s110：计算当前场景中障碍物对象所占用区域对应的第一特征向量、障碍物对象的历史轨迹对应的第二特征向量以及障碍物对象的当前状态对应的第三特征向量；步骤s120：根据第一特征向量、第二特征向量以及第三特征向量确定当前场景中待预测对象对应的当前特征向量；步骤s130：根据当前场景构建用于表征待预测对象与障碍物对象之间关系的关系模型并计算关系模型对应的关系特征向量；步骤s140：根据关系特征向量和当前场景中待预测对象对应的当前特征向量预测待预测对象的运动轨迹。
[0191]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0192]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术的实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本技术的实施方式的方法。
[0193]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或
者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0194]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。