无人清扫车避障方法、装置、电子设备及存储介质与流程

1.本技术涉及智能控制技术领域，尤其是涉及一种无人清扫车避障方法、装置、电子设备及存储介质。


背景技术：

2.随着科技的不断发展和进步，机器自动化的水平越来越高。无人清扫车应运而生，正在慢慢应用到一些封闭园区的道路清扫工作中，并可能在将来完全取代人工驾驶的传统清扫车。不过，在此之前，无人清扫车的许多功能也亟待完善。
3.不同于室内环境，封闭园区的道路上可能会有行人、车辆等，成为无人清扫车清扫道路时的障碍物；但也不同于开放道路，这些行人、车辆的数量一般比较少，且速度较慢。因此，应用于室内清洁机器人的避障方法和应用于开放道路的无人车的避障方法均不适用于无人清扫车的避障。
4.而当前无人清扫车在遇到障碍物时多采用静止等待的策略进行避障，这种方式显然会浪费许多时间，导致清扫效率较低。


技术实现要素：

5.本技术提供一种无人清扫车避障方法、装置、电子设备及存储介质。提供一种适用于无人清扫车的避障方法，在避障的同时保证清扫效率。
6.第一方面，本技术提供一种无人清扫车避障方法，包括：获取实时检测的路况信息数据；若检测到障碍物，则根据所述路况信息，确定所述障碍物的预测运动轨迹；根据所述障碍物的预测运动轨迹，选择对应的避障策略。
7.可选的，所述根据所述路况信息，确定所述障碍物的预测运动轨迹，包括：获取第一预设时长内连续多个时间点的路况信息数据；对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹；根据第一预设时长内所述障碍物的运动轨迹，确定所述障碍物在第二预设时长内的预测运动轨迹。
8.可选的，所述路况信息数据包括无人清扫车距所述障碍物的距离；所述对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹，包括：根据所述多个时间点对应的所述无人清扫车距所述障碍物的距离、所述无人清扫车的运行参数，确定第一预设时长内所述障碍物的运动速度。
9.可选的，所述路况信息数据包括所述障碍物的自然位置；所述对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹，包括：
根据所述多个时间点对应的所述障碍物的自然位置，确定第一预设时长内所述障碍物的运动方向。
10.可选的，所述根据所述障碍物的预测运动轨迹，选择对应的避障策略，包括：若所述障碍物的预测运动轨迹与所述预设清扫路径有交点，且无人清扫车距所述障碍物的距离在第一减速距离范围内，则控制无人清扫车以第一加速度减速。
11.可选的，所述根据所述障碍物的预测运动轨迹，选择对应的避障策略，还包括：若所述障碍物的预测运动轨迹与所述预设清扫路径有交点，且无人清扫车距所述障碍物的距离在第二减速距离范围内，则控制无人清扫车停止行进。
12.可选的，所述根据所述障碍物的预测运动轨迹，选择对应的避障策略，还包括：若停止行进等待第三预设时长后，无人清扫车距所述障碍物的距离在第二减速距离范围内，则重新规划局部清扫路径，以绕过所述障碍物。
13.第二方面，本技术提供一种无人清扫车避障装置，包括：路况检测模块，用于获取实时检测的路况信息数据；运动轨迹预测模块，用于在检测到障碍物时，根据所述路况信息，确定所述障碍物的预测运动轨迹；避障模块，用于根据所述障碍物的预测运动轨迹，选择对应的避障策略。
14.可选的，所述运动轨迹预测模块在根据所述路况信息，确定所述障碍物的预测运动轨迹时，具体用于：获取第一预设时长内连续多个时间点的路况信息数据；对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹；根据第一预设时长内所述障碍物的运动轨迹，确定所述障碍物在第二预设时长内的预测运动轨迹。
15.可选的，所述路况信息数据包括无人清扫车距所述障碍物的距离；所述运动轨迹预测模块在对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹时，具体用于：根据所述多个时间点对应的所述无人清扫车距所述障碍物的距离、所述无人清扫车的运行参数，确定第一预设时长内所述障碍物的运动速度。
16.可选的，所述路况信息数据包括所述障碍物的自然位置；所述运动轨迹预测模块在对所述多个时间点的路况信息数据进行分析，确定第一预设时长内所述障碍物的运动轨迹时，具体用于：根据所述多个时间点对应的所述障碍物的自然位置，确定第一预设时长内所述障碍物的运动方向。
17.可选的，所述避障模块用于：在所述障碍物的预测运动轨迹与所述预设清扫路径有交点，且无人清扫车距所述障碍物的距离在第一减速距离范围内时，控制无人清扫车以第一加速度减速。
18.可选的，所述避障模块，还用于：在所述障碍物的预测运动轨迹与所述预设清扫路径有交点，且无人清扫车距所述障碍物的距离在第二减速距离范围内时，控制无人清扫车停止行进。
19.可选的，所述避障模块，还用于：在停止行进等待第三预设时长后，无人清扫车距所述障碍物的距离在第二减速距离范围内时，重新规划局部清扫路径，以绕过所述障碍物。
20.第三方面，本技术提供一种电子设备，包括：存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
21.第四方面，本技术提供一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面的方法的计算机程序。
22.本技术提供了一种无人清扫车避障方法、装置、电子设备及存储介质。其中，无人清扫车避障方法包括：获取实时检测的路况信息数据；若检测到障碍物，则根据所述路况信息，确定所述障碍物的预测运动轨迹；根据所述障碍物的预测运动轨迹，选择对应的避障策略。本技术提供了一种灵活的避障方法，在检测到障碍物时，通过对障碍物的运行轨迹进行预测，判断是否会对无人清扫车造成实质性的阻碍，再对应地去选择对应的避障策略。相对于现有技术中的避障方式更为灵活，也能提高清扫效率。
附图说明
23.图1是本技术一实施例提供的一种无人清扫车避障方法的流程图；图2为本技术一实施例提供的一种清扫路径的示意图；图3为本技术一实施例提供的一种无人清扫车与障碍物的相对位置关系的示意图；图4为本技术一实施例提供的一种局部清扫路径的示意图；图5为本技术一实施例提供的一种无人清扫车避障装置的结构示意图；图6为本技术一实施例提供的一种电子设备的结构示意图。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
26.下面结合说明书附图对本技术实施例作进一步详细描述。
27.图1为本技术一实施例提供的一种无人清扫车避障方法的流程图，本实施例的方法可以应用于无人清扫车，或者无人清扫车的管理设备。如图1所示的，该方法包括：s101、获取实时检测的路况信息数据。
28.为了使无人清扫车能够实现自动行驶的功能，一般会在车身上多个方向设置多种类型的传感器，例如多线激光雷达、单线激光雷达、3d摄像头、超声雷达等。这些传感器可以基于自身的工作原理和特性对无人清扫车周围的环境中的物体进行检测，基于检测到的数据可以构建出无人清扫车周围的环境，分析路况。因此，在本技术中，将这些传感器检测到
的数据称为路况信息数据。
29.在一些实现方式中，本实施例的方法可以由无人清扫车执行。则可以由无人清扫车中的处理器去实时获取传感器检测到的路况信息数据，并进行后续的处理。
30.在另一些实现方式中，本实施例的方法可以由无人清扫车的管理设备（服务器，或其它终端设备）执行。则无人清扫车的管理设备可以实时从无人清扫车中获取传感器检测到的路况信息数据，并进行后续的处理。
31.s102、若检测到障碍物，则根据路况信息数据，确定障碍物的预测运动轨迹。
32.通过分析路况信息数据，可以确定是否检测到障碍物。
33.无人清扫车在进行道路清扫之前，一般需要基于园区地图预先设置清扫路径。为了达到高效清扫的目的，无人清扫车按照清扫路径运行一周后应当将园区内待清扫的实际道路（目标道路）完全覆盖。作为示例，参考图2，以一段目标道路及其中对应的清扫路径进行说明。如图2所示的，无人清扫车20要对目标道路进行清扫，清扫路径如虚线所指示的，箭头方向表示行进方向。无人清扫车的清扫装置（毛刷等）一般突出于车外，沿清扫路径运行一周后即可将目标道路全覆盖，实现全部清扫。其中，清扫路径可以为以图示方向排布的一些离散的点，无人清扫车沿清扫路径行进，就是从一个点到达下一个点的过程。
34.在无人清扫车行进过程中，检测到位于无人清扫车前进方向的目标道路上的物体即为障碍物。
35.障碍物的检测方式可以包括：预先存储无人清扫车在无障碍物的情况下采集到的标准路况信息数据；在实际执行清扫任务时，将实时检测到的路况信息数据与标准路况信息数据进行比较，误差超出一定范围即可确定检测到了障碍物。
36.无人清扫车投入使用后，至少在一段时间内一般会固定在某个园区内执行相同的清扫任务。因此，可以对目标道路上无障碍物情况下的标准路况信息数据进行存储。将目标道路上的具体位置点与该位置点的标准路况信息数据对应存储，在执行清扫任务行至该位置点时检测到的路况信息数据应该是与该点的标准路况信息数据相差不大的。一旦误差超出一定范围，可以理解是路况信息发生了变化，确定检测到了障碍物。
37.障碍物检测的方式还可以为：预先构建无人清扫车在无障碍物的情况下的标准三维地图；在实际执行清扫任务时，将实时检测到的路况信息数据匹配到标准三维地图中，如果构建出了标准三维地图以外的物体，可以确定为障碍物。
38.障碍物检测的方式还可以为：检测各传感器数据是否发生突变，如果发生突变可以确定出现障碍物。
39.无人清扫车在正常行进过程中，因其速度是稳定的，各传感器检测到的数据也应当是连续渐变的。如果传感器的数据产生了突变，当前又不是转弯等特殊位置，则说明检测环境中出现了新的物体，可能是突然出现在传感器检测范围内的障碍物。例如，雷达可以检测到检测方向上的物体的距离，一旦发生突变（变小），说明检测方向上突然出现了距离较近的物体。
40.障碍物检测的方式还可以为：构建图像识别模型；利用有障碍物道路图片、无障碍物道路图片进行模型训练，使其具备判断有无障碍物的能力；使用训练好的图像识别模型对摄像头拍摄的图像进行识别，以确定是否有障碍物。
41.在确定检测到障碍物时，还需要进一步判断此障碍物是否会对无人清扫车的行进
造成阻碍，以及可能会造成何种阻碍，再针对性地采取不同的避障策略。
42.因为无人清扫车的清扫路径是确定的，实际上只要障碍物不会在无人清扫车的清扫路径上，即不会对清扫车造成阻碍。因此，障碍物的未来一段时间内的运动轨迹则是比较重要的。通过对障碍物的运动轨迹进行预测（即确定障碍物的预测运动轨迹），即可对避障策略的选择提供参考。
43.障碍物的预测运动轨迹可能是以某个速度朝某个方向运动，也可能是静止不动。
44.s103、根据障碍物的预测运动轨迹，选择对应的避障策略。
45.可以预先设置好若干避障策略，以及每个避障策略所适用的预测运动轨迹的情况。在确定出障碍物的预测运动轨迹后，即可根据预测运动轨迹选择对应的避障策略。
46.本实施例提供的无人清扫车避障方法包括：获取实时检测的路况信息数据；若检测到障碍物，则根据路况信息，确定障碍物的预测运动轨迹；根据障碍物的预测运动轨迹，选择对应的避障策略。本技术提供了一种灵活的避障方法，在检测到障碍物时，通过对障碍物的运行轨迹进行预测，判断是否会对无人清扫车造成实质性的阻碍，再对应地去选择对应的避障策略。相对于现有技术中的避障方式更为灵活，也能提高清扫效率。
47.在一些实施例中，可选的，根据路况信息，确定障碍物的预测运动轨迹的方式可以包括：获取第一预设时长内连续多个时间点的路况信息数据；对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹；根据第一预设时长内障碍物的运动轨迹，确定障碍物在第二预设时长内的预测运动轨迹。
48.第一预设时长指已经过去的一段时间。
49.第一预设时长内连续多个时间点的路况信息数据即传感器在过去的一段时间内实际检测到的数据。
50.优选的，可以将第一预设时长设定为从当前时刻向前的一段时长。在时间上越新的数据对未来运动轨迹的预测准确率越高。
51.相似的，第一预设时长可以尽可能长，例如包括从检测到该障碍物之后到当前时刻的全部时长。分析障碍物的过往数据越丰富，对未来运动轨迹的预测准确率越高。
52.结合已经检测到的路况信息数据，可以对障碍物在第一预设时长内的实际运动轨迹进行分析确定。因为运动是具有连续性的，所以基于第一预设时长内的实际运动轨迹的特点，可以对未来一段时间（第二预设时长）内的运动轨迹进行预测，得到预测运动轨迹。
53.第二预设时长的具体长度可以根据无人清扫车与障碍物的距离去确定。例如，可以设置为清扫车正常行驶到障碍物所在位置处所用的时间。若清扫车的行进速度是1m/s，清扫车当前距障碍物10m，则第二预设时长可以设置为10s。或者，也可以以此时间为基准延长或缩短。这里不做限制，本领域技术人员可以根据实际的场景进行确定。
54.在一些实施例中，上述的路况信息数据不但可以包括传感器直接检测到的原始数据，还可以包括根据这些原始数据计算出来的相关数据，例如无人清扫车距障碍物的距离。相对应的，上述的对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹的方式可以包括：根据多个时间点对应的无人清扫车距障碍物的距离、无人清扫车的运行参数，确定第一预设时长内障碍物的运动速度。
55.具体的，根据多个时间点对应的为人清扫车距障碍物的距离，可以确定出第一预设时长内每个时间点两者之间的距离变化；再结合无人清扫车的相关的运行参数（运行速
度、运行方向等），即可确定出第一预设时长内每个时间点障碍物的运动速度。当然，这里确定的障碍物的运动速度包含了方向信息，可能是障碍物的实际速度在朝向无人清扫车的方向上的分量。
56.在进行这个分析之前，假设障碍物也是运动的。那么障碍物与无人清扫车之间的距离的变化就是障碍物和无人清扫车双方运动的结果。除去其中无人清扫车的运行距离的贡献，即可分析出障碍物的运动速度。
57.为了更直观地说明，请参考图3中列举的其中一种可能的场景。在图3所示的场景中，无人清扫车20正在沿清扫路径l0方向，车上检测方向为l1的激光雷达在t时间内连续检测到障碍物30。通过分析这段时间内的检测数据，可以确定，在这段时间的开始时刻t0，无人清扫车20距障碍物30的距离为s1，在这段时间的结束时刻t1，无人清扫车20前进了距离s3，无人清扫车20距障碍物30的距离为s2。
58.通过激光雷达的方向l1与清扫路径方向l0的夹角，结合s1、s2、s3，即可确定出障碍物30在l0方向上前进的大致距离。这里涉及到一些基本的数学计算推倒，属于本领域技术人员可以知晓的内容，就不在赘述。
59.需要说明的是，因为激光雷达的检测范围是一个点，而障碍物实体必然占有一定的空间范围。所以，无法确定激光雷达所检测到的是障碍物的哪个位置，因此计算中可能会产生一些误差，这在图3中也可以直观地看到。因此，上面使用了“大致距离”这样的描述。
60.实际上，也可以采用一些技术手段较为准确地判断障碍物的位置。
61.在一些实施例中，上述的路况信息数据还可以包括障碍物的自然位置。在本技术中，自然位置指的是以园区（道路）作为参考系的位置。也可以理解为障碍物相对于周围环境的位置。相对应的，上述的对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹可以包括：根据多个时间点对应的障碍物的自然位置，确定第一预设时长内障碍物的运动方向。
62.障碍物的自然位置可以通过图像识别确定。具体的，结合第一预设时间内摄像头拍摄的图像进行识别和分析。
63.在一些实现方式中，结合上述两种方式可以精准地确定出障碍物的运动轨迹，包括运动方向以及运动速度等信息。
64.在一些实施例中，上述的根据障碍物的预测运动轨迹，选择对应的避障策略，可以包括：若障碍物的预测运动轨迹与预设清扫路径有交点，且无人清扫车距障碍物的距离在第一减速距离范围内，则控制无人清扫车以第一加速度减速。
65.障碍物的预测运动轨迹与预设清扫路径有交点，即如果障碍物与无人清扫车均保持原来的运动速度行进，则在未来的某个时刻，两者可能相遇，即障碍物可能真实地影响到无人清扫车的行进过程。这个时候无人清扫车应当采取一定的避障措施了。
66.如果此时无人清扫车与障碍物之间的距离较大，还不产生影响，则可以保持原速行驶。
67.如果此时无人清扫车与障碍物之间的距离较小，大小处于预设的第一减速距离范围内，则控制无人清扫车适当减速，尽量保持甚至增加与障碍物的距离。
68.其中，第一减速距离范围，可以是设定为2米-4米之间，或者其他数值范围。但是，不宜过短，以免发生碰撞。
69.减速的加速度（第一加速度）可以保持一个稳定的数值，使无人清扫车可以均匀缓慢地减速。一方面可以保持车体的稳定运行状态，另一方面也便于在后续检测到障碍物消失后及时恢复正常的行驶速度。
70.这种策略一般适用于以下几种情境：1、障碍物与无人清扫车同向运动，但速度较慢（也可能速度为0，即静止不动）。无人清扫车可能会距障碍物越来越近，通过减速可以保持安全距离。
71.在园区内的障碍物可能会是人、车辆、静止的物体。其中，人和驾驶车辆的人有其主观意识，可能在发现无人清扫车之后主动进行避让。因此，障碍物可能通过转向、加速等改变运动轨迹，不再对无人清扫车形成阻碍，则可以控制无人清扫车恢复行进速度，正常行驶。
72.2、障碍物与清扫车对向运动。清扫车会距障碍物越来越近，通过采取此策略减速后，可以减缓两者相遇的速度。
73.另外，障碍物可能通过转向、减速等改变运动轨迹，不再形成阻碍。
74.在另一些情境中，障碍物也可能保持运动轨迹，无人清扫车与障碍物的距离越来越近，直至突破第一减速距离范围，缩小到第二减速距离范围。具体的，上述的根据障碍物的预测运动轨迹，选择对应的避障策略，还可以包括：若障碍物的预测运动轨迹与预设清扫路径有交点，且无人清扫车距障碍物的距离在第二减速距离范围内，则控制无人清扫车停止行进。
75.第二减速距离范围是比第一减速距离范围更小的一个范围。具体的，第二减速距离范围的上限值与第一减速距离范围的下限值相同。例如，第二减速距离范围可以为0.5米-2米。
76.此时，障碍物与无人清扫车之间的距离已经比较小，相对产生碰撞的风险更高，此时可以直接刹车停止行进。稍作停留，并观察障碍物的状态。如果等待一段时间后，障碍物未移动，或者还在第二减速距离范围内，可以执行另一策略。具体的，上述的根据障碍物的预测运动轨迹，选择对应的避障策略，还可以包括：若停止行进等待第三预设时长后，无人清扫车距障碍物的距离在第二减速距离范围内，则重新规划局部清扫路径，以绕过障碍物。
77.这里所说的“局部清扫路径”为可以从无人清扫车当前位置绕过障碍物到达预设清扫路径的一段新路径。如图4所示的，l41为预设清扫路径，l42为其中一种可行的局部清扫路径。
78.局部清扫路径的具体规划方式可以包括：确定障碍物的形状和尺寸（包括沿预设清扫路径方向的长度）；根据障碍物的长度，确定出障碍物的后方（背离无人清扫车的一侧）的预设清扫路径上的一个点（目标点）；规划若干条从当前位置到达目标点的候选路径；从若干候选路径中选取一条作为局部清扫路径，这条局部清扫路径与障碍物在地面的投影不产生任何交集。
79.其中，障碍物的形状和尺寸，可以通过图像识别的方式确定。具体的，可以先进行分类识别，确定障碍物是人、车辆、规则物体中的哪一个。如果是人或车辆，则可以对照预设的人体模型或车辆模型的参数确定障碍物形状和尺寸。当然，针对车辆，也可以预先存储各个型号车辆对应的标准参数，通过识别障碍物的标识匹配车辆型号并获取对应的标准参数。
80.另外，目标点距离障碍物的距离至少能容纳无人清扫车通过。
81.确定出局部清扫路径后，将预设清扫路径上当前位置与目标点之间的路径删除，并加入重新规划的局部清扫路径，即可形成重新规划后的清扫路径。
82.为了使无人清扫车可以通过局部清扫路径，可以计算局部清扫路径上每个点的切线方向，并据此确定无人清扫车的行进方向和对应的行进速度。无人清扫车以此方向和速度行进，即可通过局部清扫路径绕过障碍物，并最终回到预设清扫路径上。
83.在整个清扫过程中，因为避障可能会有一些区域未能清扫到。对此，可以在规划局部清扫路径的位置进行标记，并计算未清扫的区域的面积；若未清扫面积较大，则可以在完成清扫后根据标记的位置重新清扫。
84.在另一些实现方式中，也可以忽略躲避行人而未清扫的区域（面积较小），而重新清扫躲避车辆而未清扫的区域（面积较大）。
85.如此，即可在保证清扫效率的同时，保障清扫的质量。
86.图5为本技术一实施例提供的一种无人清扫车避障装置的结构示意图，如图5所示的，本实施例的无人清扫车避障装置500包括：路况检测模块501、运动轨迹预测模块502、避障模块503。
87.路况检测模块501，用于获取实时检测的路况信息数据；运动轨迹预测模块502，用于在检测到障碍物时，根据路况信息，确定障碍物的预测运动轨迹；避障模块503，用于根据障碍物的预测运动轨迹，选择对应的避障策略。
88.可选的，运动轨迹预测模块502在根据路况信息，确定障碍物的预测运动轨迹时，具体用于：获取第一预设时长内连续多个时间点的路况信息数据；对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹；根据第一预设时长内障碍物的运动轨迹，确定障碍物在第二预设时长内的预测运动轨迹。
89.可选的，路况信息数据包括无人清扫车距障碍物的距离；运动轨迹预测模块502在对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹时，具体用于：根据多个时间点对应的无人清扫车距障碍物的距离、无人清扫车的运行参数，确定第一预设时长内障碍物的运动速度。
90.可选的，路况信息数据包括障碍物的自然位置；运动轨迹预测模块502在对多个时间点的路况信息数据进行分析，确定第一预设时长内障碍物的运动轨迹时，具体用于：根据多个时间点对应的障碍物的自然位置，确定第一预设时长内障碍物的运动方向。
91.可选的，避障模块503用于：在障碍物的预测运动轨迹与预设清扫路径有交点，且无人清扫车距障碍物的距离在第一减速距离范围内时，控制无人清扫车以第一加速度减速。
92.可选的，避障模块503还用于：在障碍物的预测运动轨迹与预设清扫路径有交点，且无人清扫车距障碍物的距离在第二减速距离范围内时，控制无人清扫车停止行进。
93.可选的，避障模块503还用于：在停止行进等待第三预设时长后，无人清扫车距障碍物的距离在第二减速距离范围内时，重新规划局部清扫路径，以绕过障碍物。
94.本实施例的装置，可以用于执行上述任一实施例的方法，其实现原理和技术效果类似，此处不再赘述。
95.图6为本技术一实施例提供的一种电子设备的结构示意图，如图6所示，本实施例的电子设备600可以包括：存储器601和处理器602。
96.存储器601上存储有能够被处理器602加载并执行上述实施例中方法的计算机程序。
97.本实施例的电子设备，可以用于执行上述任一实施例的方法，其实现原理和技术效果类似，此处不再赘述。
98.本技术还提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上实施例中的方法的计算机程序。
99.本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。