基于双注意力机制和改进socialgan的车辆轨迹预测方法
技术领域：
：1.本发明属于自动驾驶
技术领域：
：，涉及一种基于双注意力机制和改进socialgan的车辆轨迹预测方法。
背景技术：
：：2.自动驾驶技术的发展推动着智慧城市的建设步伐，为道路交通安全和城市交通管理带来重大影响。3.为保证自动驾驶汽车的安全行驶，需要对周边车辆的行驶轨迹进行预测，自动驾驶车辆利用预测到的周边车辆轨迹可以做到提前规划路径，既能够提高车辆行驶的安全性，也能够提高乘客的乘坐舒适性。4.现有技术仅使用周边车辆的轨迹信息进行预测，无法有效利用车辆与道路的交互信息，导致预测精度较低。技术实现要素：5.针对现有技术中存在不足，本发明提供了一种基于双注意力机制和改进socialgan的车辆轨迹预测方法，提高周边车辆轨迹预测的精度。6.本发明是通过以下技术手段实现上述技术目的的。7.基于双注意力机制和改进socialgan的车辆轨迹预测方法，构建基于双注意力机制和改进socialgan的车辆轨迹预测模型预测目标车辆未来时刻的行驶轨迹；8.所述基于双注意力机制和改进socialgan的车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层；9.所述编码层包括n 1个lstm编码器，1个lstm编码器对目标车辆的输入轨迹特征进行编码，n个lstm编码器对n个周边车辆的输入轨迹特征进行编码；10.所述池化层包括两个注意力模块和一个改进socialgan的池化模块，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进socialgan的池化模块用于提取周边车辆的交互特征；11.所述驾驶意图预测模块用于预测目标车辆下一时间段的横纵向驾驶意图，并通过解码层的lstm解码器解码。12.进一步地，所述改进socialgan的池化模块用于提取周边车辆的交互特征，具体为：计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆与目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度由多层感知机独立处理，再使用最大池化提取周边车辆的交互特征。13.进一步地，所述驾驶意图预测模块输入的是将注意力加权后目标车辆的轨迹和池化后的周边车辆的轨迹拼接后的完整轨迹。14.更进一步地，所述驾驶意图预测模块由两组lstm层和softmax层组成，所述lstm层对完整的轨迹进行编码，并使用softmax激活函数进行多分类，得到下一时间段横向驾驶意图和纵向驾驶意图。15.更进一步地，所述lstm解码器输入的是预测的驾驶意图与完整轨迹拼接形成的带有驾驶意图的轨迹。16.更进一步地，所述驾驶意图是通过设置轨迹预测时间和加速度阈值确定的。17.进一步地，所述目标车辆的轨迹特征包括目标车辆的位置信息、车道信息、速度和加速度信息以及横纵向驾驶意图。18.进一步地，所述周边车辆的轨迹特征为周边车辆的位置信息。19.与现有技术相比，本发明的有益效果为：20.本发明采用双注意力机制，分别作用于目标车辆轨迹数据的相关变量和周边车辆的位置信息，通过重新分配权重可以有效提取对目标车辆轨迹影响较大的特征；改进socialgan的池化模块，在任意时刻t，识别出目标车辆的周边车辆，计算目标车辆的相对位置、相对速度以及每个周边车辆和目标车辆的相对位置、相对速度；相对位置和相对速度与每辆车的lstm隐藏态相连接，由多层感知机独立处理，并使用最大池化以计算输出目标车辆的池化张量，最后通过多个lstm网络，按概率生成多条可能的预测轨迹；利用本发明基于双注意力机制和改进socialgan的车辆轨迹预测方法，可以提高预测周边车辆轨迹的精度。附图说明21.图1为本发明所述基于双注意力机制和改进socialgan的车辆轨迹预测方法流程图；22.图2为本发明所述提取周边车辆示意图；23.图3为本发明所述车辆轨迹预测模型结构图；24.图4为本发明所述车辆轨迹模型中池化模块结构图。具体实施方式25.为了对本发明作出更加详细、完整的说明，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。26.如图1所示，本发明一种基于双注意力机制和改进socialgan的车辆轨迹预测方法，具体包括以下步骤：27.s1，对车辆轨迹数据集进行预处理，构建训练集、验证集和测试集28.首先从车辆轨迹数据集中获取车辆(包括目标车辆和周边车辆)的位置信息、车道信息、速度和加速度信息；其次根据驾驶意图标准提取目标车辆的横纵向驾驶意图，横向驾驶意图分为车道保持、向左变道、向右变道，纵向驾驶意图分为加速、减速、匀速；将目标车辆的位置信息、车道信息、速度和加速度信息以及横纵向驾驶意图作为目标车辆的输入轨迹特征。29.具体驾驶意图标准为：设置轨迹预测时间，在预测时间内目标车辆的车道id改变，即为变道，否则为车道保持状态。设置加速度阈值，作为判断目标车辆纵向驾驶意图类别的标准，当目标车辆加速度大于设置的阈值时，认为车辆加速行驶；当目标车辆加速度小于负阈值时，即认为车辆减速行驶；其余情况认为车辆匀速行驶。30.如图2所示，划分周边车辆查找区域，查找目标车辆的周边车辆，其中深色车辆为目标车辆，椭圆形曲线为周边车辆查找区域，被椭圆形曲线包含的浅色车辆即为目标车辆的周边车辆，其余椭圆曲线外的浅色车辆为不参与目标车辆的轨迹预测的其他车辆；将周边车辆所在的位置信息作为周边车辆的输入轨迹特征。31.将仅包含目标车辆的输入轨迹特征和周边车辆的输入轨迹特征的轨迹数据集按7：1：2的比例划分为训练集、验证集和测试集。测试集按不同的横向驾驶意图类别又分为车道保持测试集、向左变道测试集和向右变道测试集。32.s2，构建基于双注意力机制和改进socialgan的车辆轨迹预测模型33.基于双注意力机制和改进socialgan的车辆轨迹预测模型如图3所示，包括输入层、编码层、池化层、驾驶意图预测模块、解码层和输出层；输入层用于将目标车辆的轨迹、周边车辆的轨迹输入双注意力机制和改进socialgan的车辆轨迹预测模型；编码层包含n 1个lstm编码器，一个lstm编码器对目标车辆的输入轨迹特征进行编码，n个lstm编码器对n个周边车辆的输入轨迹特征进行编码；池化层包括两个注意力模块和一个改进socialgan的池化模块，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，如车速，加速度等，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权(为现有技术，参见shihsy,sunfk,leeh.temporalpatternattentionformultivariatetimeseriesforecasting[j].machinelearning,2019,108(8):1421-1441.)，改进socialgan的池化模块用于提取周边车辆的交互特征(为现有技术，参见guptaa,johnsonj,fei-feil,etal.socialgan:sociallyacceptabletrajectorieswithganerativeadversarialnetworks[c]//proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition.2018:2255-2264.)，将重要度进行注意力加权后的周边车辆轨迹特征传入改进socialgan的池化模块，由于注意力机制突出了周边车辆与目标车辆之间的影响关系，这有助于在池化操作时更容易提取车辆之间的交互特征；驾驶意图预测模块用于预测目标车辆下一时间段的横纵向驾驶意图，并通过解码层的lstm解码器解码，最后通过输出层输出。[0034]构建车辆轨迹预测模型的具体过程为：[0035]s2.1，使用lstm编码器对目标车辆的输入轨迹特征及其周边车辆的输入轨迹特征进行编码；[0036]s2.2，应用双注意力机制(两个注意力模块)，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，如车速，加速度等，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权；[0037]s2.3，改进socialgan的池化模块[0038]计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆与目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度与每辆车的lstm隐藏态相连接，由多层感知机(mlp)独立处理，并使用最大池化(max)以提取周边车辆的交互特征，如图4所示；[0039]s2.4，将注意力加权后目标车辆的轨迹和池化后的周边车辆的轨迹进行拼接，形成完整的轨迹，然后将轨迹传给驾驶意图预测模块，驾驶意图预测模块由两组lstm层和softmax层组成，分别用来预测下一时间段横向驾驶意图和纵向驾驶意图，其中lstm层对完整的轨迹进行编码，并使用softmax激活函数进行多分类，得到预测的驾驶意图；[0040]s2.5，将预测的驾驶意图与完整的轨迹进行拼接，形成带有驾驶意图的轨迹，传入lstm解码器，解码器由多个lstm网络组成，可输出多条可能存在的轨迹。[0041]s3，训练基于双注意力机制和改进socialgan的车辆轨迹预测模型，使用均方根误差rmse作为损失函数；[0042]训练车辆轨迹预测模型的具体步骤为：训练车辆轨迹预测模型，用概率最大的预测轨迹作为输出值，用均方根误差rmse作为损失函数，在每个时间步长上用负对数似然函数nll作为验证集的关键指标；其中损失函数为：[0043][0044]其中tpred是预测的时间步长，(xt,yt)是目标车辆的真实位置坐标，(x′t,y′t)是预测的目标车辆位置坐标。[0045]利用训练集训练基于双注意力机制和改进socialgan的车辆轨迹预测模型，在训练过程中通过将验证集计算出车辆轨迹预测模型的准确率，再结合训练过程损失函数的变化特征来防止模型发生过拟合。[0046]s4，保存训练结束的车辆轨迹预测模型。[0047]s5，测试基于双注意力机制和改进socialgan的车辆轨迹预测模型；[0048]使用测试集作为训练后的车辆轨迹预测模型输入，预测目标车辆可能的轨迹，测试车辆轨迹预测模型的精度。[0049]s6，与其他流行的车辆轨迹预测模型进行比较分析；[0050]将基于双注意力机制和改进socialgan的车辆轨迹预测模型的测试结果，包含均方根误差rmse、平均位移误差ade和最终位移误差fde，与其他车辆轨迹预测模型的测试结果进行比较；使用时间步长为3的历史轨迹数据来预测未来5个时间步长的轨迹。[0051]本发明进行了大量的实验，以评估本发明的有效性和先进性，与其他模型的比较结果如表1所示：[0052]表1rmse值比较[0053][0054]如表1所示，本发明提出的基于双注意力机制和改进socialgan的车辆轨迹预测模型在所有预测时间步长方面均优于所有其他方法。[0055]相较于现有的轨迹预测方法，本发明采用双注意力机制，分别作用于目标车辆轨迹数据的相关变量和周边车辆的位置信息，通过重新分配权重可以有效提取对目标车辆轨迹影响较大的特征；改进socialgan的池化模块，在任意时间t，计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆和目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度与每辆车的lstm隐藏态相连接，由多层感知机(mlp)独立处理，并使用最大池化(max)以计算输出周边车辆间交互的池化张量；最后通过多个lstm网络，按概率生成多条可能的预测轨迹。[0056]以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12
技术领域：
：1.本发明属于自动驾驶
技术领域：
：，涉及一种基于双注意力机制和改进socialgan的车辆轨迹预测方法。
背景技术：
：：2.自动驾驶技术的发展推动着智慧城市的建设步伐，为道路交通安全和城市交通管理带来重大影响。3.为保证自动驾驶汽车的安全行驶，需要对周边车辆的行驶轨迹进行预测，自动驾驶车辆利用预测到的周边车辆轨迹可以做到提前规划路径，既能够提高车辆行驶的安全性，也能够提高乘客的乘坐舒适性。4.现有技术仅使用周边车辆的轨迹信息进行预测，无法有效利用车辆与道路的交互信息，导致预测精度较低。技术实现要素：5.针对现有技术中存在不足，本发明提供了一种基于双注意力机制和改进socialgan的车辆轨迹预测方法，提高周边车辆轨迹预测的精度。6.本发明是通过以下技术手段实现上述技术目的的。7.基于双注意力机制和改进socialgan的车辆轨迹预测方法，构建基于双注意力机制和改进socialgan的车辆轨迹预测模型预测目标车辆未来时刻的行驶轨迹；8.所述基于双注意力机制和改进socialgan的车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层；9.所述编码层包括n 1个lstm编码器，1个lstm编码器对目标车辆的输入轨迹特征进行编码，n个lstm编码器对n个周边车辆的输入轨迹特征进行编码；10.所述池化层包括两个注意力模块和一个改进socialgan的池化模块，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进socialgan的池化模块用于提取周边车辆的交互特征；11.所述驾驶意图预测模块用于预测目标车辆下一时间段的横纵向驾驶意图，并通过解码层的lstm解码器解码。12.进一步地，所述改进socialgan的池化模块用于提取周边车辆的交互特征，具体为：计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆与目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度由多层感知机独立处理，再使用最大池化提取周边车辆的交互特征。13.进一步地，所述驾驶意图预测模块输入的是将注意力加权后目标车辆的轨迹和池化后的周边车辆的轨迹拼接后的完整轨迹。14.更进一步地，所述驾驶意图预测模块由两组lstm层和softmax层组成，所述lstm层对完整的轨迹进行编码，并使用softmax激活函数进行多分类，得到下一时间段横向驾驶意图和纵向驾驶意图。15.更进一步地，所述lstm解码器输入的是预测的驾驶意图与完整轨迹拼接形成的带有驾驶意图的轨迹。16.更进一步地，所述驾驶意图是通过设置轨迹预测时间和加速度阈值确定的。17.进一步地，所述目标车辆的轨迹特征包括目标车辆的位置信息、车道信息、速度和加速度信息以及横纵向驾驶意图。18.进一步地，所述周边车辆的轨迹特征为周边车辆的位置信息。19.与现有技术相比，本发明的有益效果为：20.本发明采用双注意力机制，分别作用于目标车辆轨迹数据的相关变量和周边车辆的位置信息，通过重新分配权重可以有效提取对目标车辆轨迹影响较大的特征；改进socialgan的池化模块，在任意时刻t，识别出目标车辆的周边车辆，计算目标车辆的相对位置、相对速度以及每个周边车辆和目标车辆的相对位置、相对速度；相对位置和相对速度与每辆车的lstm隐藏态相连接，由多层感知机独立处理，并使用最大池化以计算输出目标车辆的池化张量，最后通过多个lstm网络，按概率生成多条可能的预测轨迹；利用本发明基于双注意力机制和改进socialgan的车辆轨迹预测方法，可以提高预测周边车辆轨迹的精度。附图说明21.图1为本发明所述基于双注意力机制和改进socialgan的车辆轨迹预测方法流程图；22.图2为本发明所述提取周边车辆示意图；23.图3为本发明所述车辆轨迹预测模型结构图；24.图4为本发明所述车辆轨迹模型中池化模块结构图。具体实施方式25.为了对本发明作出更加详细、完整的说明，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。26.如图1所示，本发明一种基于双注意力机制和改进socialgan的车辆轨迹预测方法，具体包括以下步骤：27.s1，对车辆轨迹数据集进行预处理，构建训练集、验证集和测试集28.首先从车辆轨迹数据集中获取车辆(包括目标车辆和周边车辆)的位置信息、车道信息、速度和加速度信息；其次根据驾驶意图标准提取目标车辆的横纵向驾驶意图，横向驾驶意图分为车道保持、向左变道、向右变道，纵向驾驶意图分为加速、减速、匀速；将目标车辆的位置信息、车道信息、速度和加速度信息以及横纵向驾驶意图作为目标车辆的输入轨迹特征。29.具体驾驶意图标准为：设置轨迹预测时间，在预测时间内目标车辆的车道id改变，即为变道，否则为车道保持状态。设置加速度阈值，作为判断目标车辆纵向驾驶意图类别的标准，当目标车辆加速度大于设置的阈值时，认为车辆加速行驶；当目标车辆加速度小于负阈值时，即认为车辆减速行驶；其余情况认为车辆匀速行驶。30.如图2所示，划分周边车辆查找区域，查找目标车辆的周边车辆，其中深色车辆为目标车辆，椭圆形曲线为周边车辆查找区域，被椭圆形曲线包含的浅色车辆即为目标车辆的周边车辆，其余椭圆曲线外的浅色车辆为不参与目标车辆的轨迹预测的其他车辆；将周边车辆所在的位置信息作为周边车辆的输入轨迹特征。31.将仅包含目标车辆的输入轨迹特征和周边车辆的输入轨迹特征的轨迹数据集按7：1：2的比例划分为训练集、验证集和测试集。测试集按不同的横向驾驶意图类别又分为车道保持测试集、向左变道测试集和向右变道测试集。32.s2，构建基于双注意力机制和改进socialgan的车辆轨迹预测模型33.基于双注意力机制和改进socialgan的车辆轨迹预测模型如图3所示，包括输入层、编码层、池化层、驾驶意图预测模块、解码层和输出层；输入层用于将目标车辆的轨迹、周边车辆的轨迹输入双注意力机制和改进socialgan的车辆轨迹预测模型；编码层包含n 1个lstm编码器，一个lstm编码器对目标车辆的输入轨迹特征进行编码，n个lstm编码器对n个周边车辆的输入轨迹特征进行编码；池化层包括两个注意力模块和一个改进socialgan的池化模块，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，如车速，加速度等，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权(为现有技术，参见shihsy,sunfk,leeh.temporalpatternattentionformultivariatetimeseriesforecasting[j].machinelearning,2019,108(8):1421-1441.)，改进socialgan的池化模块用于提取周边车辆的交互特征(为现有技术，参见guptaa,johnsonj,fei-feil,etal.socialgan:sociallyacceptabletrajectorieswithganerativeadversarialnetworks[c]//proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition.2018:2255-2264.)，将重要度进行注意力加权后的周边车辆轨迹特征传入改进socialgan的池化模块，由于注意力机制突出了周边车辆与目标车辆之间的影响关系，这有助于在池化操作时更容易提取车辆之间的交互特征；驾驶意图预测模块用于预测目标车辆下一时间段的横纵向驾驶意图，并通过解码层的lstm解码器解码，最后通过输出层输出。[0034]构建车辆轨迹预测模型的具体过程为：[0035]s2.1，使用lstm编码器对目标车辆的输入轨迹特征及其周边车辆的输入轨迹特征进行编码；[0036]s2.2，应用双注意力机制(两个注意力模块)，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，如车速，加速度等，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权；[0037]s2.3，改进socialgan的池化模块[0038]计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆与目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度与每辆车的lstm隐藏态相连接，由多层感知机(mlp)独立处理，并使用最大池化(max)以提取周边车辆的交互特征，如图4所示；[0039]s2.4，将注意力加权后目标车辆的轨迹和池化后的周边车辆的轨迹进行拼接，形成完整的轨迹，然后将轨迹传给驾驶意图预测模块，驾驶意图预测模块由两组lstm层和softmax层组成，分别用来预测下一时间段横向驾驶意图和纵向驾驶意图，其中lstm层对完整的轨迹进行编码，并使用softmax激活函数进行多分类，得到预测的驾驶意图；[0040]s2.5，将预测的驾驶意图与完整的轨迹进行拼接，形成带有驾驶意图的轨迹，传入lstm解码器，解码器由多个lstm网络组成，可输出多条可能存在的轨迹。[0041]s3，训练基于双注意力机制和改进socialgan的车辆轨迹预测模型，使用均方根误差rmse作为损失函数；[0042]训练车辆轨迹预测模型的具体步骤为：训练车辆轨迹预测模型，用概率最大的预测轨迹作为输出值，用均方根误差rmse作为损失函数，在每个时间步长上用负对数似然函数nll作为验证集的关键指标；其中损失函数为：[0043][0044]其中tpred是预测的时间步长，(xt,yt)是目标车辆的真实位置坐标，(x′t,y′t)是预测的目标车辆位置坐标。[0045]利用训练集训练基于双注意力机制和改进socialgan的车辆轨迹预测模型，在训练过程中通过将验证集计算出车辆轨迹预测模型的准确率，再结合训练过程损失函数的变化特征来防止模型发生过拟合。[0046]s4，保存训练结束的车辆轨迹预测模型。[0047]s5，测试基于双注意力机制和改进socialgan的车辆轨迹预测模型；[0048]使用测试集作为训练后的车辆轨迹预测模型输入，预测目标车辆可能的轨迹，测试车辆轨迹预测模型的精度。[0049]s6，与其他流行的车辆轨迹预测模型进行比较分析；[0050]将基于双注意力机制和改进socialgan的车辆轨迹预测模型的测试结果，包含均方根误差rmse、平均位移误差ade和最终位移误差fde，与其他车辆轨迹预测模型的测试结果进行比较；使用时间步长为3的历史轨迹数据来预测未来5个时间步长的轨迹。[0051]本发明进行了大量的实验，以评估本发明的有效性和先进性，与其他模型的比较结果如表1所示：[0052]表1rmse值比较[0053][0054]如表1所示，本发明提出的基于双注意力机制和改进socialgan的车辆轨迹预测模型在所有预测时间步长方面均优于所有其他方法。[0055]相较于现有的轨迹预测方法，本发明采用双注意力机制，分别作用于目标车辆轨迹数据的相关变量和周边车辆的位置信息，通过重新分配权重可以有效提取对目标车辆轨迹影响较大的特征；改进socialgan的池化模块，在任意时间t，计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆和目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度与每辆车的lstm隐藏态相连接，由多层感知机(mlp)独立处理，并使用最大池化(max)以计算输出周边车辆间交互的池化张量；最后通过多个lstm网络，按概率生成多条可能的预测轨迹。[0056]以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
