一种路径规划方法及装置

1.本技术涉及路径规划技术领域，尤其涉及一种路径规划方法及装置。


背景技术：

2.随着技术的发展，自动驾驶技术日益趋于成熟。
3.自动驾驶技术可分为感知层、决策层和执行层。感知层用于采集并处理道路环境和车辆内部的信息，供后续环节使用。决策层用于根据感知层获取的信息进行决策判断，制定相应的控制策略。执行层用于根据控制策略，对车辆的加减速、转向和制动等参数进行控制。
4.在行驶过程中，面对复杂多变的道路环境，以及驾驶人对于安全性和舒适性的需求，给自动驾驶技术带来了一定的挑战。
5.目前应用于自动驾驶技术中的路径规划的方法主要有人工势场法、基于采样的方法和基于图搜索的方法等。但现有的路径规划方法在规划路径时更趋向于避障的目的，而缺乏对驾驶人的主观感受的考虑，在驾驶拟人化方面还有欠缺。


技术实现要素：

6.本技术实施例提供一种路径规划方法及装置，用以解决目前的路径规划方法更趋向于避障的目的，而缺乏对驾驶人的主观感受的考虑，导致规划出的路径存在不合理之处的问题。
7.本技术实施例提供的一种路径规划方法，包括：
8.获取目标车辆的车辆信息、其他车辆的车辆信息以及道路信息，确定所述目标车辆在当前行驶状态下对应的行驶规划范围；
9.对所述车辆信息、道路信息进行frenet坐标转换；
10.在所述行驶规划范围内，预测所述目标车辆可能到达的目标位置点集，并确定对应的若干候选轨迹；
11.根据行车风险场理论，确定所述若干候选轨迹分别对应的风险，以及根据所述车辆信息，确定所述若干候选轨迹分别对应的舒适性；
12.根据所述风险和舒适性构建损失函数，从所述若干候选轨迹中选择目标轨迹。
13.在一个示例中，所述车辆信息包括所在车道、最大加速度、最大制动减速度，所述道路信息包括车道信息、限制速度；
14.确定所述目标车辆在当前行驶状态下对应的行驶规划范围，具体包括：根据所述所在车道、车道信息，确定所述目标车辆横向的行驶规划范围；根据所述限制速度、最大加速度、最大制动减速度，确定所述目标车辆纵向的行驶规划范围。
15.在一个示例中，所述车辆信息包括横向速度、纵向速度、横向加速度、纵向加速度；
16.在所述行驶规划范围内，预测所述目标车辆可能到达的目标位置点集，具体包括：根据预设的采样时间间隔，以及所述横向速度、横向加速度，确定所述目标车辆对应的若干
横向目标位置；根据所述采样时间间隔，以及所述纵向速度、纵向加速度，确定所述目标车辆对应的若干纵向目标位置；根据所述横向目标位置、纵向目标位置，确定对应的目标位置点集。
17.在一个示例中，所述方法还包括：在所述行驶规划范围内，根据行车风险场理论中的最大作用距离，确定采样间隔，进行目标位置的采样。
18.在一个示例中，所述方法还包括：确定所述目标车辆在相应目标位置时对应的车辆信息。
19.在一个示例中，从所述若干候选轨迹中选择确定目标轨迹之前，所述方法还包括：根据所述道路信息，确定所述候选轨迹中各目标位置对应的速度、曲率、加速度不符合预定阈值的，对相应候选轨迹进行筛除；根据所述其他车辆的车辆信息以及预设的碰撞半径，确定所述候选轨迹中存在目标位置在所述碰撞半径内的，对相应候选轨迹进行筛除。
20.在一个示例中，根据行车风险场理论，确定所述若干候选轨迹分别对应的风险，具体包括：确定在相应候选轨迹中，所述目标车辆分别邻近的其他车辆；采用行车风险场理论模型，根据所述目标车辆和其他车辆的速度、距离，判断所述目标车辆与其他车辆之间的场力，并确定所述若干候选轨迹分别对应的风险。
21.在一个示例中，根据所述车辆信息，确定所述若干候选轨迹分别对应的舒适性，具体包括：根据所述目标车辆的车辆信息，确定所述若干候选轨迹分别对应的横向加速度变化率和纵向加速度变化率；根据所述横向加速度变化率和纵向加速度变化率，确定相应候选轨迹对应的舒适性。
22.在一个示例中，根据所述风险和舒适性构建损失函数，从所述若干候选轨迹中选择目标轨迹，具体包括：根据所述候选轨迹对应的风险、舒适性，以及包含的目标位置与对应所在车道的中心点之间的偏移，确定损失函数；通过寻优确定所述若干候选轨迹中损失函数值最小的，作为目标轨迹。
23.本技术实施例提供的一种路径规划装置，包括：
24.获取模块，获取目标车辆的车辆信息、其他车辆的车辆信息以及道路信息，确定所述目标车辆在当前行驶状态下对应的行驶规划范围；
25.转换模块，对所述车辆信息、道路信息进行frenet坐标转换；
26.预测模块，在所述行驶规划范围内，预测所述目标车辆可能到达的目标位置点集，并确定对应的若干候选轨迹；
27.确定模块，根据行车风险场理论，确定所述若干候选轨迹分别对应的风险，以及根据所述车辆信息，确定所述若干候选轨迹分别对应的舒适性；
28.选择模块，根据所述风险和舒适性构建损失函数，从所述若干候选轨迹中选择目标轨迹。
29.本技术实施例提供一种路径规划方法及装置，利用frenet坐标系将车辆的二维运动解耦成横向和纵向的一维运动，根据初始配置和目标配置，通过多项式法生成横向和纵向轨迹集合。然后，进行速度、曲率、加速度和碰撞检查，得到具有可行性的候选轨迹集合，并计算出候选轨迹量化后的行车风险值和加速度变化率。最后，以行车风险和舒适性构建损失函数，选择最小化损失的轨迹作为最优轨迹。
30.本方案利用frenet坐标系，可以方便得到复杂场景下车辆与道路之间的位置关
系。在保留状态网格法计算量小和轨迹平滑等优点的同时，为了使决策更加拟人化，将行车风险场理论引入路径规划中，以量化道路环境中车辆的行车风险，使车辆对于风险的判断更加符合人在行车过程中对风险的判断。这样使得对路径的选定不再仅依赖车辆的运动状态，还能按驾驶人对行驶风险的主观感受进行判断和评估。并且，通过计算加速度变化率，来评价车辆轨迹的舒适性，将舒适性作为损失函数中的一项，使得规划出的路径不是趋于避障而更具拟人化。
附图说明
31.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
32.图1为本技术实施例提供的路径规划方法流程图；
33.图2为frenet坐标系与笛卡尔坐标系的关系示意图；
34.图3为本技术实施例提供的目标车辆的目标位置示意图；
35.图4为本技术实施例提供的目标车辆的候选轨迹风险仿真示意图；
36.图5为本技术实施例提供的候选轨迹的量化风险值示意图；
37.图6为本技术实施例提供的对应于图1的路径规划仿真示意图；
38.图7为本技术实施例提供的对应于图1的路径规划装置结构示意图。
具体实施方式
39.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、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，都属于本技术保护的范围。
40.图1为本技术实施例提供的路径规划方法流程图，具体包括以下步骤：
41.s101：获取目标车辆的车辆信息、其他车辆的车辆信息以及道路信息，确定所述目标车辆在当前行驶状态下对应的行驶规划范围。
42.在本技术实施例中，目标车辆表示需要进行路径规划的车辆，其他车辆表示与目标车辆行驶在同一路段、可能对路径规划产生影响的车辆。在进行路径规划时，需要实时获取目标车辆的车辆信息、其他车辆的车辆信息以及道路信息，结合车辆动力学模型和控制约束条件，据此确定目标车辆在当前行驶状态下对应的横向和纵向的行驶规划范围。
43.具体地，车辆信息用于表征车辆的行驶状态，包括地理位置(global position system，gps)信息、所在车道、速度、发动机转速等。道路信息用于表示道路中与车辆行驶相关的信息，包括车道数量、车道宽度、车道线坐标、道路边界、限制速度等。行驶规划范围用于表示目标车辆在当前行驶状态下进行路径规划时，可能到达的任意位置所组成的范围。
44.进一步地，以道路的延伸方向为纵向，垂直于道路的方向为横向。在横向上，设定目标车辆在规划路径时，横向能够到达的最大范围为其所在车道相邻的两个车道。则在确定横向的行驶规划范围时，可根据目标车辆的所在车道，以及道路的车道信息(包含上述车道数量、车道宽度等)，确定目标车辆横向的行驶规划范围。而在纵向上，需要根据车辆信息中的车辆的最大加速度、最大制动减速度，以及道路的限制速度，确定目标车辆能够到达的
最远距离、最近距离，即可获得目标车辆的纵向的行驶规划范围。
45.s102：对所述车辆信息、道路信息进行frenet坐标转换。
46.通过笛卡尔坐标系与frenet坐标系之间的转换，将s101中得到的车辆信息和道路信息映射到frenet坐标系中，将二维的车辆运动解耦成独立的一维的纵向和横向运动。frenet坐标系可方便的表示车辆与道路之间的位置关系，该方法通常选择道路的中心线为基准，沿参考线方向为纵轴，垂直于参考线方向为横轴，可以很容易确定车辆偏离车道中心线的距离以及车辆沿车道线行驶的距离。
47.如图2所示为frenet坐标系与笛卡尔坐标系之间的关系示意图。在笛卡尔坐标系下，用来描述车辆任意时刻的运动状态。其中，为车辆当前位置q，θ
x
为方位角，k
x
为曲率，v
x
为速度，a
x
为加速度。在frenet坐标系下，用来描述车辆任意时刻的运动状态。其中，s为纵向位移，为纵向速度，为纵向加速度，d为横向位移，为横向速度，为横向加速度，d
′
为横向位移对弧长的一阶导数，d
″
为横向位移对弧长的二阶导数。
48.设在笛卡尔坐标系下的坐标分别为(x，y)、(xr，yr)，和分别为当前轨迹点的单位切向量和单位法向量，和分别为当前参考线的单位切向量和单位法向量。
49.确定目标车辆的实际位置q距离参考线最近的一点p，此时p点处的弧长即为s的值。可以求出q点与p点之间的距离d，其正负与(y-yr)cosθ
r-(x-xr)sinθr有关，如公式(1)：
[0050][0051]
又因为可以得到横向速度如公式(2)：
[0052][0053]
在公式(2)中，θ
x
为轨迹点的方位角，θr为参考线的方位角。
[0054]
如公式(3)，对求导得：
[0055][0056]
在公式(3)中，kr为参考线上投影点的曲率，
[0057]
由公式(3)可求得v
x
、a
x
，如公式(4)、(5)：
[0058][0059][0060]
在公式(5)中，δθ＝θ
x-θr。
[0061]
而可进一步通过公式(6)、(7)、(8)求得：
[0062]d′
＝(1-krd)tan(δθ)
ꢀꢀꢀ
(6)
[0063][0064][0065]
在公式(8)中，k
x
为实际轨迹的曲率，即
[0066]
通过上述公式(1)～(8)，可实现frenet坐标系与笛卡尔坐标系之间的转换。
[0067]
s103：在所述行驶规划范围内，预测所述目标车辆可能到达的目标位置点集，并确定对应的若干候选轨迹。
[0068]
在本技术实施例中，根据目标车辆的行驶状态，其他车辆的行驶状态，以及道路信息，可预测目标车辆在行驶规划范围内可能到达的多个目标位置，组成目标位置点集，从而由点集确定对应的轨迹，作为候选轨迹。候选轨迹表示目标车辆可能的行驶路线。
[0069]
在一个实施例中，车辆信息还可包括横向速度、纵向速度、横向加速度、纵向加速度。在确定目标车辆的目标位置点集时，在横向上，可根据预设的采样时间间隔，进行多个采样，基于目标车辆的横向速度、横向加速度，确定其在各个采样点对应的若干横向目标位置。在纵向上，可根据同样的采样时间间隔，以及目标车辆的纵向速度、纵向加速度，确定其在各个采样点对应的若干纵向目标位置。之后，根据同一采样点对应的横向目标位置、纵向目标位置，即可确定相应的目标位置，从而确定目标位置点集。将目标位置进行连线，可得到若干条候选轨迹。
[0070]
具体地，给定轨迹预测时间为t秒，目标车辆的最大制动减速度为a
min，
最大加速度为a
max
，当前速度为v。则对目标车辆进行采样时，垂直于道路方向(即横向，frenet坐标系下的横轴)可直接以目标车辆所在车道的左侧和右侧车道中心为边界，沿道路行驶方向(即纵向，frenet坐标系下的纵轴)的距离应在s
min
和s
max
范围内，如公式(9)、(10)：
[0071][0072][0073]
将横向的目标位置记为[d1，d2…dm
]，纵向的目标位置记为[s1，s2…
sn]，目标位置点集tp＝{(di，sj)|i＝1，2...m；j＝1，2...n}。
[0074]
对于目标车辆的横向运动规划问题，设初始配置为目标配置为其中初始配置和目标配置中的参数分别为车辆横向偏移、横向速度和横向加速度。用于描述横向运动d(t)的五次多项式如下公式(11)所示：
[0075]
d(t)＝k
d0
k
d1
t k
d2
t2 k
d3
t3 k
d4
t4 k
d5
t5ꢀꢀꢀ
(11)
[0076]
令t1＝0，代入式d(t)、和中，可以求出系数k
d0
＝d(t1)，
进一步，令t＝t2，将系数k
d3
，k
d4
和k
d5
用矩阵表示，如下公式(12)：
[0077][0078]
由于纵向轨迹规划不需要约束车辆位置，只需要对纵向的速度和加速度进行规划，可使用四次多项式对车辆纵向轨迹规划进行求解。设初始配置为划，可使用四次多项式对车辆纵向轨迹规划进行求解。设初始配置为目标配置为则用于描述纵向运动s(t)的四次多项式如下公式(13)所示：
[0079]
s(t)＝k
s0
k
s1
t k
s2
t2 k
s3
t3 k
s4
t4ꢀꢀꢀ
(13)
[0080]
令t1＝0，代入式s(t)、和可以求解系数k
s0
＝s(t1)，)，进一步，令t＝t2，可以求出系数k
s3
和k
s4
，如下公式(14)：
[0081][0082]
根据车辆的初始状态和目标位置的目标状态，通过上述公式(11)～(14)可分别求出目标车辆的横向目标位置和纵向目标位置，从而确定目标位置点集。
[0083]
图3所示，图中道路包括两条车道，左侧的实心圆点表示目标车辆，按照目标车辆从左向右的行驶方向，右侧的多个空心圆点表示目标车辆在后续行驶过程中可能到达的目标位置。比如，给定轨迹预测时间为t秒，则空心圆点表示目标车辆在t秒后可能到达的目标位置
[0084]
进一步地，根据行车风险场理论中的最大作用距离d
max
，确定采样间隔(比如不大于2d
max
)，以在行驶规划范围内进行目标位置采样，通过多项式法得到横向和纵向轨迹集合。
[0085]
更进一步地，在确定目标车辆的目标位置的同时，可同时确认目标车辆在相应目标位置对应的车辆信息。比如，在第二个采样点对应的目标位置的时刻，目标车辆的横向速度、纵向速度等。
[0086]
另外，确定出的候选轨迹中可能存在不合理的行驶轨迹，可根据预定条件对其进行筛选，从速度、加速度、曲率、碰撞等多个方面，对确定出的候选轨迹进行合理性检查。预定条件可包括：根据道路信息，确定候选轨迹中各目标位置对应的速度、曲率、加速度不符合预定阈值的，可确定目标车辆存在超速、超出车辆自身参数等不合理驾驶行为，对相应候选轨迹进行筛除；根据其他车辆的车辆信息以及预设的碰撞半径，确定候选轨迹中存在目标位置在碰撞半径内的，表示目标车辆可能会与其他车辆发生碰撞，对相应候选轨迹进行筛除；等等。
[0087]
具体地，如公式(15)表示速度需满足的条件：
[0088]vmin
≤vi(j)≤v
max
ꢀꢀꢀ
(15)
[0089]
其中，vi(j)表示第i条轨迹中第j采样点的速度，v
min
和v
max
表示道路允许的速度极值。
[0090]
如公式(16)表示曲率需满足的条件：
[0091]
κi(j)≤κ
max
ꢀꢀꢀ
(16)
[0092]
其中，κi(j)表示第i条轨迹中第j采样点的曲率，κ
max
表示道路允许的最大曲率。
[0093]
如公式(17)表示加速度需满足的条件：
[0094]
αi(j)≤α
max
ꢀꢀꢀ
(17)
[0095]
其中，αi(j)表示第i条轨迹中第j采样点的加速度，α
max
表示道路允许的最大加速度。
[0096]
如公式(18)表示与其他车辆或障碍物碰撞需满足的条件：
[0097]
(x
i-x
obc
)2 (y
i-y
obc
)2＜r
min2
ꢀꢀꢀ
(18)
[0098]
其中，xi和yi为笛卡尔坐标系下的候选轨迹的横轴坐标，x
obc
和y
obc
为笛卡尔坐标系下障碍物的横轴坐标，r
min
为碰撞区域的最小半径。
[0099]
s104：根据行车风险场理论，确定所述若干候选轨迹分别对应的风险，以及根据所述车辆信息，确定所述若干候选轨迹分别对应的舒适性。
[0100]
在本技术实施例中，分别确定候选轨迹的风险和舒适性，以便后续据此选定目标轨迹。
[0101]
在一方面，风险用于表示候选轨迹的安全性，以提升驾驶人的安全感。判断风险时，确定在相应候选轨迹中，目标车辆分别邻近的其他车辆。采用行车风险场理论模型，根据目标车辆和其他车辆的速度、距离，判断目标车辆与其他车辆之间的场力，并确定若干候选轨迹分别对应的风险。通过计算候选轨迹量化后的行车风险值，使车辆对于风险的判断更加符合人在行车过程中的主观感受。
[0102]
具体地，在公式(19)中，令
[0103]
f＝f(ego，obsc)
ꢀꢀꢀ
(19)
[0104]
其中，ego为自动驾驶车辆的当前状态，obsc为道路中其他车辆的状态，f为路径规划算法使用的行车风险场理论模型，f为得出的目标车辆在ego状态下的行车风险。
[0105]
所采用的行车风险场理论将两车c1、c2之间的场力表示如公式(20)～(22)：
[0106][0107][0108][0109]
其中，为c1的自身属性，和为两车速度，为两车距离，r0为驾驶人的跟车距离，r
min
和r
max
为场理论的距离判定参数。公式(22)为按照多普勒频移效应对两车
距离做出的调整，和分别表示车辆c1纵向和横向上与车辆c2的距离。k
x
与ky的定义如公式(23)、(24)：
[0110][0111][0112]
其中，
[0113][0114][0115]
x
c1
，x
c2
，v
xc1
，v
xc2
和y
c1
，y
c2
，v
yc1
，v
yc2
分别为两车在x轴，y轴上的坐标，v
max
为风险传播速度。
[0116]
如图4所示，图中左侧的实心圆点为目标车辆，右侧两个实心圆点为障碍物，目标车辆共包括从上到下9条候选轨迹。根据各条候选轨迹的风险，临近障碍物的轨迹风险高，远离障碍物的轨迹风险低，则第5条轨迹的风险是最低的。
[0117]
如图5所示为轨迹量化后的行车风险值。图中横坐标表示各条轨迹，纵坐标表示量化的风险值，根据该折线图可知，第5条轨迹的风险是最低的。
[0118]
因此，在选择目标轨迹时，将行车风险作为判断标准时合理的，将行车风险场引入本方案的损失函数中也是比较合理的，这样更符合驾驶人在行驶过程中的主观感受。
[0119]
在另一方面，舒适性用于反映驾驶人在行驶过程中的主观感受，以提升驾驶人的使用感。判断舒适性时，根据目标车辆的车辆信息，确定若干候选轨迹分别对应的横向加速度变化率和纵向加速度变化率。根据横向加速度变化率和纵向加速度变化率，确定相应候选轨迹对应的舒适性。一般来说，加速度变化率越小，驾驶人在车辆内的晃动越小，则舒适性越高。通过求解候选轨迹的加速度变化率，以保证所选轨迹的舒适性。
[0120]
具体地，通过横向和纵向的加速度变化率来评价候选轨迹的舒适性，如下公式(27)、(28)所示：
[0121][0122][0123]
s105：根据所述风险和舒适性构建损失函数，从所述若干候选轨迹中选择目标轨迹。
[0124]
在本技术实施例中，对轨迹的风险和舒适性进行结合，从避障和考虑驾驶人主观感受出发，以车辆的行车风险和舒适性构建损失函数，选择损失函数最小的轨迹作为最优轨迹，选定目标轨迹。
[0125]
具体地，根据候选轨迹对应的风险、舒适性，以及包含的目标位置与对应所在车道的中心点之间的偏移，确定损失函数。通过寻优确定若干候选轨迹中损失函数值最小的，表示风险小、舒适性高的路径，作为目标轨迹。其中，舒适性包括与上述横向加速度变化率对应的横向舒适性，以及与纵向加速度变化率对应的纵向舒适性。
[0126]
损失函数式如下公式(29)所示：
[0127]
cost＝k
scs
k
dcd
k
fcf
kc|d
center-d(t)|
ꢀꢀꢀ
(29)
[0128]
其中，cs和cd分别是评价轨迹纵向和横向舒适性的加权项，cf是评价轨迹风险程度的加权项，d
center
为目标状态下车辆所在车道的中心坐标，k为比例系数。
[0129]
如图6所示，图中间的实心圆点表示目标车辆，左右两个实心圆点表示障碍物，右侧包括多条轨迹。经过本方案的选择，左侧车道中靠近障碍物的几条轨迹存在碰撞危险，为不可行轨迹，可被筛除，右侧车道中的几条可作为候选轨迹，在这之中，右侧车道中间的候选轨迹风险较小、且舒适性较高，可选择其为目标轨迹，即规划得到的最优轨迹。
[0130]
在本技术实施例中，利用frenet坐标系将车辆的二维运动解耦成横向和纵向的一维运动，根据初始配置和目标配置，通过多项式法生成横向和纵向轨迹集合。然后，进行速度、曲率、加速度和碰撞检查，得到具有可行性的候选轨迹集合，并计算出候选轨迹量化后的行车风险值和加速度变化率。最后，以行车风险和舒适性构建损失函数，选择最小化损失的轨迹作为最优轨迹。
[0131]
本方案利用frenet坐标系，可以方便得到复杂场景下车辆与道路之间的位置关系。在保留状态网格法计算量小和轨迹平滑等优点的同时，为了使决策更加拟人化，将行车风险场理论引入路径规划中，以量化道路环境中车辆的行车风险，使车辆对于风险的判断更加符合人在行车过程中对风险的判断。这样使得对路径的选定不再仅依赖车辆的运动状态，还能按驾驶人对行驶风险的主观感受进行判断和评估。并且，通过计算加速度变化率，来评价车辆轨迹的舒适性，将舒适性作为损失函数中的一项，使得规划出的路径不是趋于避障而更具拟人化。
[0132]
以上为本技术实施例提供的路径规划方法，基于同样的发明思路，本技术实施例还提供了相应的路径规划装置，如图7所示。
[0133]
图7为本技术实施例提供的路径规划装置结构示意图，具体包括：
[0134]
获取模块701，获取目标车辆的车辆信息、其他车辆的车辆信息以及道路信息，确定所述目标车辆在当前行驶状态下对应的行驶规划范围；
[0135]
转换模块702，对所述车辆信息、道路信息进行frenet坐标转换；
[0136]
预测模块703，在所述行驶规划范围内，预测所述目标车辆可能到达的目标位置点集，并确定对应的若干候选轨迹；
[0137]
确定模块704，根据行车风险场理论，确定所述若干候选轨迹分别对应的风险，以及根据所述车辆信息，确定所述若干候选轨迹分别对应的舒适性；
[0138]
选择模块705，根据所述风险和舒适性构建损失函数，从所述若干候选轨迹中选择目标轨迹。
[0139]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的
部分说明即可。
[0140]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0141]
以上所述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。