用于检测加速踏板误踩的方法及系统与流程

1.本发明涉及车辆安全领域，并且更具体地涉及一种用于检测加速踏板误踩的方法、系统、计算机存储介质、计算机设备及车辆。


背景技术：

2.在车辆驾驶过程中，驾驶员面对突发状况需要紧急制动时，有时会由于疲劳驾驶、注意力不集中、过分紧张、经验不足等原因误触加速踏板或误将加速踏板当成刹车踏板而引发严重的交通事故。
3.目前，为了防止加速踏板被误踩，可以通过当跟车距离过近时在短时间内显著增加踏板反作用力矩，从而通过触感提醒驾驶员避免跟车距离过近，或者通过在车身上安装多组摄像头识别车辆周围环境，并对在识别车辆前方有障碍物却误踩加速踏板的操作进行自动制动干预以避免或减缓碰撞。
4.然而，以上防止加速踏板被误踩的方法仅利用有限的环境信息来识别加速踏板误踩行为，导致在实际应用场景中可能将正常驾驶行为误判为误踩加速踏板行为而进行干预，严重影响了驾驶体验。


技术实现要素：

5.为了解决或至少缓解以上问题中的一个或多个，提供了以下技术方案。
6.按照本发明的第一方面，提供一种用于检测加速踏板误踩的方法，其包括：获取车辆行驶数据；利用误踩预测模型处理所述车辆行驶数据以预测加速踏板是否发生误踩；响应于预测所述加速踏板发生误踩而判断车辆是否处于预定加速场景；以及响应于判断车辆不处于所述预定加速场景而确定所述加速踏板发生误踩。
7.根据本发明一实施例所述的用于检测加速踏板误踩的方法，其中所述车辆行驶数据包括以下中的一个或多个：车速、方向盘角度、纵向加速度、加速踏板开度、加速踏板开度的变化率。
8.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中利用误踩预测模型处理所述车辆行驶数据以预测加速踏板是否发生误踩包括：将所述车辆行驶数据输入到所述误踩预测模型以生成误踩概率值；以及当所述生成的误踩概率值大于预设概率值时预测所述加速踏板发生误踩。
9.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中所述预定加速场景包括以下中的一个或多个：上坡加速、弯道出弯加速、前进后退挡位切换时加速和刹车释放后加。
10.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中所述方法进一步包括：在利用误踩预测模型处理所述车辆行驶数据以预测加速踏板是否发生误踩之前，基于车辆gps数据确定车辆当前处于的道路场景；以及选择与所述确定的车辆当前处于的道路场景相关联的误踩预测模型。
11.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中所述误踩预测模型通过以下步骤训练：对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集；对所述加速踏板误踩的样本数据进行负样本增强以获取第二训练数据样本集；以及将所述第一训练数据样本集和所述第二训练数据样本集输入到所述误踩预测模型以训练所述误踩预测模型。
12.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集包括：选取在预定时间段内加速踏板的开度变化量大于预设变化量的变化前后时刻的数据特征作为第一训练数据样本集，其中所述数据特征与所述车辆行驶数据相关联。
13.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中基于xgboost算法训练所述误踩预测模型。
14.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的方法，其中所述误踩预测模型的模型参数基于驾驶员行为数据来动态调整。
15.按照本发明的第二方面，提供一种用于检测加速踏板误踩的系统，其包括：采集单元，其配置成获取车辆行驶数据；处理单元，其配置成利用误踩预测模型处理所述车辆行驶数据以预测加速踏板是否发生误踩；以及判断单元，其配置成：响应于预测所述加速踏板发生误踩而判断车辆是否处于预定加速场景；以及响应于判断车辆不处于所述预定加速场景而确定所述加速踏板发生误踩。
16.根据本发明一实施例所述的用于检测加速踏板误踩的控制系统，其中所述车辆行驶数据包括以下中的一个或多个：车速、方向盘角度、纵向加速度、加速踏板开度、加速踏板开度的变化率。
17.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中所述处理单元进一步配置成：将所述车辆行驶数据输入到所述误踩预测模型以生成误踩概率值；以及当所述生成的误踩概率值大于预设概率值时预测所述加速踏板发生误踩。
18.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中所述预定加速场景包括以下中的一个或多个：上坡加速、弯道出弯加速、前进后退挡位切换时加速和刹车释放后加速。
19.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中所述系统还包括选择单元，所述选择单元配置成：在利用误踩预测模型处理所述车辆行驶数据以预测加速踏板是否发生误踩之前，基于车辆gps数据确定车辆当前处于的道路场景；以及选择与所述确定的车辆当前处于的道路场景相关联的误踩预测模型。
20.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中所述误踩预测模型通过以下步骤训练：对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集；对所述加速踏板误踩的样本数据进行负样本增强以获取第二训练数据样本集；以及将所述第一训练数据样本集和所述第二训练数据样本集输入到所述误踩预测模型以训练所述误踩预测模型。
21.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制
系统，其中对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集包括：选取在预定时间段内加速踏板的开度变化量大于预设变化量的变化前后时刻的数据特征作为第一训练数据样本集，其中所述数据特征与所述车辆行驶数据相关联。
22.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中基于xgboost算法训练所述误踩预测模型。
23.根据本发明一实施例或以上任一实施例的所述的用于检测加速踏板误踩的控制系统，其中所述误踩预测模型的模型参数基于驾驶员行为数据来动态调整。
24.根据本发明的第三方面，提供一种计算机存储介质，所述计算机存储介质包括指令，所述指令在运行时执行根据本发明第一方面所述的用于检测加速踏板误踩的方法的步骤。
25.根据本发明的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现根据本发明第一方面所述的用于检测加速踏板误踩的方法的步骤。
26.根据本发明的第五方面，提供一种车辆，所述车辆包括根据本发明第二方面所述的用于检测加速踏板误踩的系统。
27.根据本发明的一个或多个实施例的用于检测加速踏板误踩的方案能够结合实际加速踏板误踩的样本数据建立误踩预测模型，通过改进模型训练样本的选择过程以及模型参数的调整过程，提高了模型预测结果的准确性和可靠性。此外，在误踩预测模型预测加速踏板发生误踩的情况下进一步判断车辆是否处于特殊加速场景，进一步提高了加速踏板误踩的检测鲁棒性，避免将特殊加速场景下的正常驾驶行为误判为误踩加速踏板行为而进行干预，从而改善了驾驶体验。
附图说明
28.本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。在所述附图中：图1示出了按照本发明的一个实施例的用于检测加速踏板误踩的方法的流程图。
29.图2示出了按照本发明的一个实施例的用于检测加速踏板误踩的系统的示意图。
30.图3示出了按照本发明的一个实施例的用于建立误踩预测模型的过程示意图。
31.图4示出了按照本发明的一个实施例的计算机设备的框图。
具体实施方式
32.以下具体实施方式的描述本质上仅仅是示例性的，并且不旨在限制所公开的技术或所公开的技术的应用和用途。此外，不意图受在前述技术领域、背景技术或以下具体实施方式中呈现的任何明示或暗示的理论的约束。
33.在实施例的以下详细描述中，阐述了许多具体细节以便提供对所公开技术的更透彻理解。然而，对于本领域普通技术人员显而易见的是，可以在没有这些具体细节的情况下实践所公开的技术。在其他实例中，没有详细描述公知的特征，以避免不必要地使描述复杂化。
34.诸如“包含”和“包括”之类的用语表示除了具有在说明书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。
35.在下文中，将参考附图详细地描述根据本发明的各示例性实施例。
36.图1示出了按照本发明的一个实施例的用于检测加速踏板误踩的方法的流程图。
37.如图1中所示，在步骤110中，获取车辆行驶数据。可选地，车辆行驶数据可以包括但不限于车速、方向盘角度、纵向加速度、加速踏板开度、加速踏板开度的变化率等。
38.示例性地，可以通过电子稳定控制器系统获取车速，通过方向盘转角传感器获取方向盘角度，通过惯性测量单元获取纵向加速度，以及通过采集加速踏板传感器电压而直接获取加速踏板开度。
39.在步骤120中，利用误踩预测模型处理获取的车辆行驶数据以预测加速踏板是否发生误踩。在下文中将结合图3详细描述误踩预测模型的训练过程。在本发明的上下文中，至少部分地基于实际加速踏板误踩的样本数据建立误踩预测模型，并且进一步改进其他模型训练样本的选择过程以及模型参数的调整过程，提高了模型预测结果的准确性和可靠性。
40.可选地，在步骤120中，可以将车辆行驶数据作为误踩预测模型的输入以生成误踩概率值，当所生成的误踩概率值大于预设概率值时预测加速踏板发生误踩。作为示例，预设概率值可以由初次训练得到的误踩预测模型给出，并且在后续误踩预测模型的更新迭代过程中同步更新。
41.在预测加速踏板发生误踩的情况下，进入步骤130。在步骤130中，判断车辆是否处于预定加速场景。作为示例，预定加速场景可以包括但不限于上坡加速、弯道出弯加速、前进后退挡位切换时加速和刹车释放后加速等。可以理解的是，本文中的预定加速场景是指在该场景下车辆行驶数据与加速踏板发生误踩的情况下的车辆行驶数据具有高度相似性的车辆行驶场景，以上列举的预定加速场景仅是示例性的。因此，在误踩预测模型的预测结果为加速踏板发生误踩的情况下，需要进一步判断车辆是否处于预定加速场景。当判断车辆不处于预定加速场景时，确定加速踏板发生误踩。由此，提高了检测加速踏板误踩的鲁棒性和有效性，避免将特殊加速场景下的正常驾驶行为误判为误踩加速踏板行为而严重影响驾驶体验。当确定加速踏板发生误踩时，可以利用车辆控制器内部指定的响应策略进行干预。示例性地，响应策略可以包括但不限于声音警示提醒、通过踏板反作用力的触觉提醒、禁用扭矩输出、紧急制动等。
42.示例性地，在步骤130中，可以通过车辆的惯性测量单元获取的纵向加速度来判断车辆是否处于上坡加速的场景中，结合转向灯信号辅助判断车辆是否处于弯道出弯加速的场景中，结合档位信号判断车辆是否处于前进后退挡位切换时加速的场景中，以及通过刹车踏板状态信号判断车辆是否处于刹车释放后加速的场景中。
43.在一个实施例中，在步骤120之前，可以基于车辆gps数据确定车辆当前处于的道路场景，并选择与所确定的车辆当前处于的道路场景相关联的误踩预测模型。示例性地，道路场景可以包括但不限于城市道路、高速公路、国道、省道、县道、乡道、停车场道路等。在一个实施例中，可以基于车辆gps数据确定车辆当前处于的道路场景，并选择与所确定的车辆
当前处于的道路场景相关联的响应策略以用于在确定加速踏板发生误踩的情况下对驾驶员的误踩加速踏板行为进行干预。例如，当确定车辆处于停车场道路时，可以通过声音警示信号来提醒驾驶员加速踏板发生误踩，当确定车辆处于城市道路时，可以通过踏板反作用力的触觉来提醒驾驶员加速踏板发生误踩。
44.通过选择与车辆当前处于的道路场景相关联的误踩预测模型处理车辆行驶数据以预测加速踏板是否发生误踩，能够使得模型更好地适用于不同的道路场景，从而提高模型预测结果的准确性和可靠性。此外，通过选择与所确定的车辆当前处于的道路场景相关联的响应策略以用于在确定加速踏板发生误踩的情况下对驾驶员的误踩加速踏板行为进行干预，能够尽可能降低对驾驶员的驾驶行为的干预，提高了驾驶体验。
45.根据本发明的一个方面提出的用于检测加速踏板误踩的方法能够在误踩预测模型预测加速踏板发生误踩的情况下进一步判断车辆是否处于特殊加速场景，提高了加速踏板误踩的检测鲁棒性，避免将特殊加速场景下的正常驾驶行为误判为误踩加速踏板行为而进行干预，从而改善了驾驶体验。
46.图2示出了按照本发明的一个实施例的用于检测加速踏板误踩的系统的示意图。
47.如图2中所示，用于检测加速踏板误踩的系统200包括采集单元210、处理单元220和判断单元230。
48.采集单元210可以配置成获取车辆行驶数据。可选地，车辆行驶数据可以包括但不限于车速、方向盘角度、纵向加速度、加速踏板开度、加速踏板开度的变化率等。
49.示例性地，采集单元210可以通过电子稳定控制器系统获取车速，通过方向盘转角传感器获取方向盘角度，通过惯性测量单元获取纵向加速度，以及通过采集加速踏板传感器电压而直接获取加速踏板开度。
50.处理单元220可以配置成利用误踩预测模型处理获取的车辆行驶数据以预测加速踏板是否发生误踩。在下文中将结合图3详细描述误踩预测模型的训练过程。
51.可选地，处理单元220可以配置成将车辆行驶数据作为误踩预测模型的输入以生成误踩概率值，当所生成的误踩概率值大于预设概率值时预测加速踏板发生误踩。作为示例，预设概率值可以由初次训练得到的误踩预测模型给出，并且在后续误踩预测模型的更新迭代过程中同步更新。
52.判断单元230可以配置成响应于处理单元220预测加速踏板发生误踩而判断车辆是否处于预定加速场景，以及响应于判断车辆不处于预定加速场景而确定加速踏板发生误踩。
53.作为示例，预定加速场景可以包括但不限于上坡加速、弯道出弯加速、前进后退挡位切换时加速和刹车释放后加速等。可以理解的是，本文中的预定加速场景是指在该场景下车辆行驶数据与加速踏板发生误踩的情况下的车辆行驶数据具有高度相似性的车辆行驶场景，以上列举的预定加速场景仅是示例性的。因此，在误踩预测模型的预测结果为加速踏板发生误踩的情况下，需要进一步判断车辆是否处于预定加速场景。当判断车辆不处于预定加速场景时，确定加速踏板发生误踩。由此，提高了检测加速踏板误踩的鲁棒性和有效性，避免将特殊加速场景下的正常驾驶行为误判为误踩加速踏板行为而严重影响驾驶体验。
54.示例性地，判断单元230可以配置成通过车辆的惯性测量单元获取的纵向加速度
来判断车辆是否处于上坡加速的场景中，结合转向灯信号辅助判断车辆是否处于弯道出弯加速的场景中，结合档位信号判断车辆是否处于前进后退挡位切换时加速的场景中，以及通过刹车踏板状态信号判断车辆是否处于刹车释放后加速的场景中。
55.在一个实施例中，用于检测加速踏板误踩的系统200还可以包括选择单元（图2中未示出），其可以配置成在利用误踩预测模型处理车辆行驶数据以预测加速踏板是否发生误踩之前，基于车辆gps数据确定车辆当前处于的道路场景，并选择与所确定的车辆当前处于的道路场景相关联的误踩预测模型。示例性地，道路场景可以包括但不限于城市道路、高速公路、国道、省道、县道、乡道、停车场道路等。在一个实施例中，选择单元还可以配置成基于车辆gps数据确定车辆当前处于的道路场景，并选择与所确定的车辆当前处于的道路场景相关联的响应策略以用于在确定加速踏板发生误踩的情况下对驾驶员的误踩加速踏板行为进行干预。例如，当确定车辆处于停车场道路时，可以通过声音警示信号来提醒驾驶员加速踏板发生误踩，当确定车辆处于城市道路时，可以通过踏板反作用力的触觉来提醒驾驶员加速踏板发生误踩。
56.通过选择与车辆当前处于的道路场景相关联的误踩预测模型处理车辆行驶数据以预测加速踏板是否发生误踩，能够使得模型更好地适用于不同的道路场景，从而提高模型预测结果的准确性和可靠性。此外，通过选择与所确定的车辆当前处于的道路场景相关联的响应策略以用于在确定加速踏板发生误踩的情况下对驾驶员的误踩加速踏板行为进行干预，能够尽可能降低对驾驶员的驾驶行为的干预，提高了驾驶体验。
57.根据本发明的一个方面提出的用于检测加速踏板误踩的系统能够在误踩预测模型预测加速踏板发生误踩的情况下进一步判断车辆是否处于特殊加速场景，提高了加速踏板误踩的检测鲁棒性，避免将特殊加速场景下的正常驾驶行为误判为误踩加速踏板行为而进行干预，从而改善了驾驶体验。
58.图3示出了按照本发明的一个实施例的用于建立误踩预测模型的过程示意图。如图3中所示，用于建立误踩预测模型的过程可以包括三个阶段，分别为数据样本采集与特征提取阶段、模型训练阶段和模型输出阶段。
59.框310示出了用于建立误踩预测模型的数据样本采集与特征提取阶段。可选地，在该阶段中，可以对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集，对加速踏板误踩的样本数据进行负样本增强以获取第二训练数据样本集，将所述第一训练数据样本集和所述第二训练数据样本集作为误踩预测模型的训练数据以训练误踩预测模型。通过将加速踏板误踩的样本数据作为训练数据样本的一部分，能够使得训练的模型更好地适应于用户实际发生加速踏板误踩情况的数据特征，保证了模型预测结果的有效性。
60.可选地，对车辆正常行驶的数据样本和加速踏板误踩的样本数据进行数据特征提取以获取第一训练数据样本集可以包括：选取在预定时间段内加速踏板的开度变化量大于预设变化量的变化前后时刻的数据特征作为第一训练数据样本集。例如，预定时间段可以设置为1秒，预设变化量可以设置为70%，可以选取在1秒内加速踏板的开度变化量大于70%的变化前后时刻的数据特征作为第一训练数据样本集。示例性地，预定时间段可以通过标定的方式进行调整。示例性地，提取的数据特征可以包括但不限于车速、方向盘角度、纵向加速度、加速踏板开度、加速踏板开度变化率等。
61.在一个实施例中，数据样本采集与特征提取可以包括采集多车驾驶样本数据、采集单车加速踏板误踩发生前后时序的数据、数据特征提取和负样本数据增强。
62.示例性地，可以从运行车辆数据库中采集符合筛选条件的车辆运行数据作为多车驾驶样本数据，其中筛选条件可以基于大数据统计结果来确定。例如，发生加速踏板误踩前后的大多数情况下，加速踏板开度大于90%同时加速踏板开度在1秒内的变化率大于20%。因此，可以以此作为筛选条件来筛选出运行车辆数据库中满足此条件的车辆正常行驶的数据作为多车驾驶样本数据。
63.示例性地，可以根据反馈的加速踏板事件发生时刻从运行车辆数据库中采集对应时间片段的时序数据作为单车加速踏板误踩发生前后时序的数据。
64.示例性地，数据特征提取包括对多车驾驶样本数据和加速踏板误踩样本数据进行数据切分及特征提取操作。例如，可以提取加速踏板开度在1秒内从小于20%初始值变化到大于90%开度时刻的数据特征。
65.示例性地，负样本数据增强包括对加速踏板误踩发生前后时序的数据进行负样本增强，以增加误踩数据样本的数量。例如，可以通过将方向盘角度为左发生误踩数据的方向盘角度更改为向右以及可以通过将方向盘角度为右发生误踩数据的方向盘角度更改为向左来进行负样本增强。类似地，其他数据特征也可以进行同样的处理。
66.通过对加速踏板误踩数据样本进行负样本增强，可以改善由于加速踏板误踩属于极小概率事件导致的误踩数据训练样本有限而影响模型训练结果的问题。
67.框320示出了模型训练阶段。可选地，在该阶段中，可以选择适合数据特征的模型进行训练，同时将预测准确性作为模型优化方向。示例性地，基于数据规模、数据分布特点等因素可以选择xgboost算法进行模型训练。通过利用xgboost算法进行模型训练，可以提高模型训练的精度、效率和灵活性。
68.需要说明的是，利用xgboost算法训练模型仅是示例性的，在不脱离本发明的精神和范围的情况下，也可以选择其他模型训练算法来训练模型。
69.可选地，误踩预测模型的模型参数可以由初次训练得到的误踩预测模型给出，并且在后续误踩预测模型的更新迭代过程中同步更新。示例性地，误踩预测模型的模型参数可以基于驾驶员行为数据来动态调整。例如，可以在车内埋点以监测驾驶员驾驶行为并基于驾驶行为建立驾驶员驾驶行为模型，从而基于驾驶员行为模型结果来针对不同驾驶员设定不同的模型参数以校准模型，使得校准后的模型能够根据驾驶员的驾驶习惯准确判断驾驶员的操作是否为误踩加速踏板的操作。在一个实施例中，可以为误踩预测模型预留可用动态调整模型参数的模型参数接口，以便于根据不同驾驶员的驾驶行为习惯动态调整模型参数。
70.框330示出了模型输出结果。可选地，模型输出结果可以指示发生加速踏板误踩的概率值。
71.根据本发明的一个或多个实施例的用于训练误踩预测模型的方案能够结合实际加速踏板误踩的样本数据，通过改进模型训练样本的选择过程以及模型参数的调整过程，提高了模型预测结果的准确性和可靠性。
72.图4示出了按照本发明的一个实施例的计算机设备的框图。如图4中所示，计算机设备400包括存储器410、处理器420和存储在存储器410上并可在处理器420上运行的计算
机程序430。处理器420执行所述计算机程序430时实现例如图1所示的按照本发明的一个方面的用于检测加速踏板误踩的方法的各个步骤。
73.另外，如上所述，本发明也可以被实施为一种计算机存储介质，在其中存储有用于使计算机执行按照本发明的一个方面的用于检测加速踏板误踩的方法的程序。
74.在此，作为计算机存储介质，能采用盘类（例如，磁盘、光盘等）、卡类（例如，存储卡、光卡等）、半导体存储器类（例如，rom、非易失性存储器等）、带类（例如，磁带、盒式磁带等）等各种方式的计算机存储介质。
75.在可适用的情况下，可以使用硬件、软件或硬件和软件的组合来实现由本公开提供的各种实施例。而且，在可适用的情况下，在不脱离本公开的范围的情况下，本文中阐述的各种硬件部件和/或软件部件可以被组合成包括软件、硬件和/或两者的复合部件。在可适用的情况下，在不脱离本公开的范围的情况下，本文中阐述的各种硬件部件和/或软件部件可以被分成包括软件、硬件或两者的子部件。另外，在可适用的情况下，预期的是，软件部件可以被实现为硬件部件，以及反之亦然。
76.根据本公开的软件（诸如程序代码和/或数据）可以被存储在一个或多个计算机存储介质上。还预期的是，可以使用联网的和/或以其他方式的一个或多个通用或专用计算机和/或计算机系统来实现本文中标识的软件。在可适用的情况下，本文中描述的各个步骤的顺序可以被改变、被组合成复合步骤和/或被分成子步骤以提供本文中描述的特征。
77.提供本文中提出的实施例和示例，以便最好地说明按照本发明及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本发明。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。