训练调度模型的方法、装置、实现协同驾驶的方法及装置

1.本文涉及但不限于神经网络技术，尤指一种训练调度模型的方法、装置、实现协同驾驶的方法及装置。


背景技术：

2.智能车路协同系统采用先进的无线通信和快速的边缘计算等技术，全方位实现车辆与车辆、车辆与路侧设备之间的信息共享。车辆协同驾驶技术基于采集到的实时交通和车辆信息，采用集中式的决策与控制方法，不仅可以保证车辆行驶过程中的交通安全，而且可以显著提高交通系统的效率，是一种全新的实现自动驾驶的技术路线。
3.在无信号交叉口，车辆协同驾驶决策问题的核心是路权分配问题，其决定了车辆通过无信号交叉口的耗时，直接影响无信号交叉口的交通效率。由于交叉口路权分配问题是一个非确定多项式(np)-难(hard)问题，相关技术提供的方法只能应对车辆较少的场景(少于15辆)，对于更一般的具有较多车辆的场景(多于20辆)，无法提供实时且高效的路权分配决策方案；此外，相关技术的方法大多依赖于交叉口的拓扑结构，对于新的交叉口，往往需要通过大量探究实验对路权分配决策进行调整和适应，无法高效快速的部署到拥有各类交叉口的城市路网交通系统。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本发明实施例提供一种训练调度模型的方法、装置、实现协同驾驶的方法及装置，能够提升车辆调度效率和质量。
6.本发明实施例提供了一种训练调度模型的方法，包括：
7.待训练的调度模型对输入的每一辆待通过无信号交叉口的第一车辆的样本车辆状态信息进行嵌入处理，获得各第一车辆相应的高维状态向量；其中，所述高维状态向量的维度为预设维度；
8.对获得的高维状态向量进行处理，获得每一辆第一车辆的关联关系信息；其中，所述关联关系信息包括每一辆第一车辆的：高维状态向量和该第一车辆与其他第一车辆的冲突和耦合关系信息，其他第一车辆为该第一车辆自身以外的其他车辆；
9.根据获得的关联关系信息确定第一车辆的通行顺序信息；
10.根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和；
11.根据计算出的延迟总和确定待训练的调度模型的参数。
12.另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述训练调度模型的方法。
13.再一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储器中
保存有计算机程序；其中，
14.处理器被配置为执行存储器中的计算机程序；
15.所述计算机程序被所述处理器执行时实现如上述训练调度模型的方法。
16.还一方面，本发明实施例还提供一种实现协同驾驶的方法，包括：
17.接收路测设备实时获取的待通过无信号交叉口的第二车辆的车辆实时状态信息；
18.将接收到的车辆实时状态信息输入预设的调度模型，获得第二车辆的通行顺序信息；
19.根据获得的第二车辆的通行顺序信息对第二车辆进行行驶控制；
20.其中，通过上述的训练调度模型的方法训练的所述调度模型。
21.还一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述实现协同驾驶的方法。
22.还一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储器中保存有计算机程序；其中，
23.处理器被配置为执行存储器中的计算机程序；
24.所述计算机程序被所述处理器执行时实现如上述实现协同驾驶的方法。
25.还一方面，本发明实施例还提供一种训练调度模型的装置，包括：嵌入单元、确定关联信息单元、确定通信顺序单元、计算延迟总和单元及确定模型单元；其中，
26.嵌入单元设置为：待训练的调度模型对输入的每一辆待通过无信号交叉口的第一车辆的样本车辆状态信息进行嵌入处理，获得各第一车辆相应的高维状态向量；其中，所述高维状态向量的维度为预设维度；
27.确定关联信息单元设置为：对获得的高维状态向量进行处理，获得每一辆第一车辆的关联关系信息；其中，所述关联关系信息包括每一辆第一车辆的：高维状态向量和该第一车辆与其他第一车辆的冲突和耦合关系信息，其他第一车辆为该第一车辆自身以外的其他车辆；
28.确定通信顺序单元设置为：根据获得的关联关系信息确定第一车辆的通行顺序信息；
29.计算延迟总和单元设置为：根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和；
30.确定模型单元设置为：根据计算出的延迟总和确定待训练的调度模型的参数。
31.还一方面，本发明实施例还提供一种实现协同驾驶的装置，包括：接收单元、路权分配单元和控制处理单元；其中，
32.接收单元设置为：接收路测设备实时获取的待通过无信号交叉口的第二车辆的车辆实时状态信息；
33.路权分配单元设置为：将接收到的车辆实时状态信息输入预设的调度模型，获得第二车辆的通行顺序信息；
34.控制处理单元设置为：根据获得的第二车辆的通行顺序信息对第二车辆进行行驶控制；
35.其中，通过上述训练调度模型的装置训练的所述调度模型。
36.本技术技术方案包括：待训练的调度模型对输入的每一辆待通过无信号交叉口的
第一车辆的样本车辆状态信息进行嵌入处理，获得各第一车辆相应的高维状态向量；其中，所述高维状态向量的维度为预设维度；对获得的高维状态向量进行处理，获得每一辆第一车辆的关联关系信息；其中，所述关联关系信息包括每一辆第一车辆的：高维状态向量和该第一车辆与其他第一车辆的冲突和耦合关系信息，其他第一车辆为该第一车辆自身以外的其他车辆；根据获得的关联关系信息确定第一车辆的通行顺序信息；根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和；根据计算出的延迟总和确定待训练的调度模型的参数。本发明实施例通过离线数据训练获得了可用于车辆调度的调度模型，通过调度模型缩短了车辆调度时长，提升了车辆调度效率和质量。
37.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
38.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
39.图1为本发明实施例训练调度模型的方法的流程图；
40.图2为本发明实施例实现协同驾驶的方法的流程图；
41.图3为本发明实施例训练调度模型的装置的结构框图；
42.图4为本发明实施例实现协同驾驶的装置的结构框图；
43.图5为本发明应用示例无信号交叉口的示意图；
44.图6为本发明应用示例深度神经网络的示意图；
45.图7为本发明应用示例实现协同驾驶的方法的流程图。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
47.在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
48.图1为本发明实施例训练调度模型的方法的流程图，如图1所示，包括：
49.步骤101、待训练的调度模型对输入的每一辆待通过无信号交叉口的第一车辆的样本车辆状态信息进行嵌入处理，获得各第一车辆相应的高维状态向量；其中，高维状态向量的维度为预设维度；
50.在一种示例性实例中，本发明实施例高维状态向量的维度为大于样本车辆状态信息的维度，在一种示例性实例中样本车辆状态信息的维度为10左右，高维状态向量的维度大于或者等于100；需要说明的是，本发明实施例嵌入处理可以有可实现嵌入处理的任意的神经网络实施；例如、通过嵌入处理，可以将低维的样本车辆状态信息映射为高维状态向量；
51.本发明实施例中的第一车辆是指用于调度模型训练的样本车辆。
52.步骤102、对获得的高维状态向量进行处理，获得每一辆第一车辆的关联关系信息；关联关系信息包括每一辆第一车辆的：高维状态向量和该第一车辆与其他第一车辆的冲突和耦合关系信息，其他第一车辆为该第一车辆自身以外的其他车辆；
53.步骤103、根据获得的关联关系信息确定第一车辆的通行顺序信息；
54.步骤104、根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和；
55.步骤105、根据计算出的延迟总和确定待训练的调度模型的参数。
56.本发明实施例通过离线的样本数据训练获得了可用于车辆调度的调度模型，通过调度模型缩短了车辆调度时长，提升了车辆调度的效率和质量。
57.在一种示例性实例中，本发明实施例中的样本车辆状态信息包括：预先存储的用于调度模型训练的样本车辆的车辆状态信息；在一种示例性实例中，样本车辆状态信息可以存储在离线数据库中。
58.在一种示例性实例中，本发明实施例对获得的高维状态向量进行处理，包括：
59.对获得的高维状态向量通过预设的第一循环神经网络进行处理。
60.在一种示例性实例中，本发明实施例根据获得的关联关系信息确定第一车辆的通行顺序信息，包括：
61.将关联关系信息输入至预设的第二循环神经网络，通过第二循环神经网络训练获得第一车辆的通行顺序信息。
62.在一种示例性实例中，本发明实施例中的样本车辆状态信息包括第一车辆的以下一项或任意组合信息：
63.位置、优先级、速度、转向和路线。
64.在一种示例性实例中，本发明实施例根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和，包括通过以下目标函数计算延迟总和：
[0065][0066]
其中，表示待通过无信号交叉口的第一车辆i按照通行顺序信息通过无信号交叉口时的延迟，n表示待通过无信号交叉口的第一车辆的数目，j表示延迟总和。
[0067]
在一种示例性实例中，本发明实施例根据计算出的延迟总和确定待训练的调度模型的参数，包括：
[0068]
通过策略梯度调整调度模型的参数，以使根据参数调整后的调度模型计算出的延迟总和收敛；
[0069]
调度模型计算出的延迟总和收敛时，保持调度模型的参数不变。
[0070]
需要说明的是，通过策略梯度调整调度模型的参数时，如果延迟总和不收敛，则在参数调整过程中，延迟总和会不断减小，当延迟总和保持不变或者在一定范围内小幅波动时，则认为延迟总和达到收敛状态，即满足收敛。
[0071]
在一种示例性实例中，本发明实施例可以对进行嵌入处理的神经网络、第一混合神经网络和第二混合神经网络中的一项或任意组合的神经网络，通过策略梯度进行参数调
整；需要说明的是，策略梯度为相关技术中的已有算法，在此不做赘述。
[0072]
本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述训练调度模型的方法。
[0073]
本发明实施例还提供一种终端，包括：存储器和处理器，存储器中保存有计算机程序；其中，
[0074]
处理器被配置为执行存储器中的计算机程序；
[0075]
计算机程序被处理器执行时实现如上述训练调度模型的方法。
[0076]
图2为本发明实施例实现协同驾驶的方法的流程图，如图2所示，包括：
[0077]
步骤201、接收路测设备实时获取的待通过无信号交叉口的第二车辆的车辆实时状态信息；
[0078]
这里，本发明实施例中的第二车辆是指实时的待通过调度模型进行调度的车辆。
[0079]
步骤202、将接收到的车辆实时状态信息输入预设的调度模型，获得第二车辆的通行顺序信息；
[0080]
步骤203、根据获得的第二车辆的通行顺序信息对第二车辆进行行驶控制；
[0081]
其中，调度模型通过上述步骤101～步骤105训练获得的调度模型。
[0082]
本发明实施例通过调度模型缩短了车辆调度时长，提升了车辆调度的效率和质量。
[0083]
在一种示例性实例中，本发明实施例中的车辆实时状态信息包括第二车辆的以下一项或任意组合信息：
[0084]
位置、优先级、速度、转向和路线。
[0085]
本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述实现协同驾驶的方法。
[0086]
本发明实施例还提供一种终端，包括：存储器和处理器，存储器中保存有计算机程序；其中，
[0087]
处理器被配置为执行存储器中的计算机程序；
[0088]
计算机程序被处理器执行时实现如上述实现协同驾驶的方法。
[0089]
图3为本发明实施例模型训练的装置的结构框图，如图3所示，包括：嵌入单元、确定关联信息单元、确定通信顺序单元、计算延迟总和单元和确定模型单元；其中，
[0090]
嵌入单元设置为：待训练的调度模型对输入的每一辆待通过无信号交叉口的第一车辆的样本车辆状态信息进行嵌入处理，获得各第一车辆相应的高维状态向量；其中，高维状态向量的维度为预设维度；
[0091]
确定关联信息单元设置为：对获得的高维状态向量进行处理，获得每一辆第一车辆的关联关系信息；其中，关联关系信息包括每一辆第一车辆的：高维状态向量和该第一车辆与其他第一车辆的冲突和耦合关系信息，其他第一车辆为该第一车辆自身以外的其他车辆；
[0092]
确定通信顺序单元设置为：根据获得的关联关系信息确定第一车辆的通行顺序信息；
[0093]
计算延迟总和单元设置为：根据获得的通行顺序信息计算所有待通过无信号交叉口的第一车辆均通过无信号交叉口的延迟总和；
[0094]
确定模型单元设置为：根据计算出的延迟总和确定待训练的调度模型的参数。
[0095]
本发明实施例通过离线的样本数据训练获得了可用于车辆调度的调度模型，通过调度模型缩短了车辆调度时长，提升了车辆调度的效率和质量。
[0096]
在一种示例性实例中，本发明实施例确定关联信息单元是设置为：
[0097]
对获得的高维状态向量通过预设的第一循环神经网络进行处理。
[0098]
在一种示例性实例中，本发明实施例确定通信顺序单元是设置为：
[0099]
将关联关系信息输入至预设的第二循环神经网络，通过第二循环神经网络训练获得第一车辆的通行顺序信息。
[0100]
在一种示例性实例中，本发明实施例中的样本车辆状态信息包括第一车辆的以下一项或任意组合信息：
[0101]
位置、优先级、速度、转向和路线。
[0102]
在一种示例性实例中，本发明实施例计算延迟总和单元是设置为通过以下目标函数计算延迟总和：
[0103][0104]
其中，表示待通过无信号交叉口的第一车辆i按照通行顺序信息通过无信号交叉口时的延迟，n表示待通过无信号交叉口的第一车辆的数目，j表示延迟总和。
[0105]
在一种示例性实例中，本发明实施例确定模型单元是设置为：
[0106]
延迟总和大于或等于预设的延迟阈值时，通过策略梯度调整调度模型的参数，以使根据参数调整后的调度模型计算出的延迟总和收敛；
[0107]
调度模型计算出的延迟总和收敛时，保持调度模型的参数不变。
[0108]
图4为本发明实施例实现协同驾驶的装置的结构框图，如图4所示，包括：接收单元、路权分配单元和控制处理单元；其中，
[0109]
接收单元设置为：接收路测设备实时获取的待通过无信号交叉口的第二车辆的车辆实时状态信息；
[0110]
路权分配单元设置为：将接收到的车辆实时状态信息输入预设的调度模型，获得第二车辆的通行顺序信息；
[0111]
控制处理单元设置为：根据获得的第二车辆的通行顺序信息对第二车辆进行行驶控制；
[0112]
其中，通过图3示例的训练调度模型的装置训练的调度模型。
[0113]
本发明实施例通过调度模型缩短了车辆调度时长，提升了车辆调度的效率和质量。
[0114]
以下通过应用示例对本发明实施例进行简要说明，应用示例仅用于陈述本发明实施例，并不用于限定本发明的保护范围。
[0115]
应用示例
[0116]
图5为本发明应用示例无信号交叉口的示意图，如图5所示，阴影区域是可能发生车辆碰撞的冲突区域，圆形区域内为控制区域，其半径大小由车辆与路侧设备的可靠通信范围决定。在无信号交叉口，协同驾驶决策的目标是通过确定车辆驶入冲突区域的优先级关系，使得所有的车辆通过交叉口的延迟总和最短。而车辆驶入冲突区域的优先级关系可
以简洁的用车辆符号的排列来表示，本用示例将其称之为“通行顺序”；比如，在图5所示的无信号交叉口，用adbce表示：车辆a具有最高的优先级，车辆d次之，
……
，以此类推。当两辆车遇到冲突时，比如车辆b与车辆d，车辆d将先获得路权，而车辆b则需要减速甚至停车，进行等待。不同的通行顺序将导致不同的延迟总和，本发明应用示例通过以下公式计算延迟总和：
[0117][0118]
其中，表示车辆i按照通行顺序信息通过无信号交叉口时的延迟，n是车辆数目，j是延迟总和。上述车辆调度的问题的解空间随车辆数目n指数增长，相关技术中的方法很难在有限的计算时间内求得具有小延迟总j的通行顺序。
[0119]
根据上述的无信号交叉口车辆协同驾驶决策问题的描述，本发明应用示例可将上述问题转化为序列到序列的映射问题。其中输入序列是交叉口控制区域内的所有车辆，输出序列是由这些车辆构成的通行顺序。因此，协同驾驶决策问题的目标是求得更好的映射关系，使得由输出序列构成的通行顺序具有更短的延迟总和j。
[0120]
本发明应用示例输入序列(待通过无信号交叉口的所有第一车辆的样本车辆状态信息)可以表示为：v＝{v1,v2,
…
,vn}，其中n表示车辆数目。vi(i＝1,2,
……
，n)是车辆i的车辆状态信息，包括：车辆i的速度、位置、转向以及路线等。
[0121]
为了能够实时的端到端的输出足够好(即具有较小的延迟总和j)的通行顺序，本应用示例设计了图6所示的深度神经网络，用于学习样本车辆状态信息到通行顺序信息之间潜在的映射关系。深度神经网络的核心思想是为每一个通行顺序分配一个出现的概率。经过训练，深度学习模型将给具有较小延迟总和j的通行顺序分配较大的出现概率，给具有较大延迟总和j的通行顺序分配较小的出现概率。为此，本发明应用示例设计的深度学习模型的深度神经网络结构如图6所示，包括：状态嵌入、编码器及解码器；其中，状态嵌入由进行嵌入处理的神经网络组成，可以是一层线性神经网络，用于将输入序列包含的低维的样本车辆状态信息映射为高维状态向量，便于提取关键的关联关系信息；编码器为第一混合神经网络，用于获得高维状态向量的隐藏状态表征序列(关联关系信息)。解码器为第二混合神经网络，用于构建输出序列，即通行顺序信息。经过训练获得用于车辆调度的调度模型，调度模型将端到端的输出接近最优的通行顺序，避免了在巨大的解空间内进行从零开始的搜索。
[0122]
本应用示例基于强化学习的无监督训练范式，将调度模型输出的通行顺序的目标值j作为性能反馈，进行模型训练与优化。为了端到端的输出接近最优的通行顺序，本发明实施例对上述调度模型的参数进行优化，即需要进行模型训练以获得更好的“车辆状态”到“通行顺序”之间的映射关系。然而，由于无信号交叉口车辆协同驾驶决策问题的解空间巨大，导致获得大量训练样本的最优解标签是非常耗时，即监督学习在无信号交叉口协同驾驶决策问题中很难开展。为此，本应用示例基于强化学习的无监督自提升训练范式，其可以根据通行顺序的目标值求得指正网络的参数梯度。在一种示例性实例中，本发明实施例基于相关技术中的策略梯度的强化学习算法求解上述调度模型的梯度，不断迭代优化更新该调度模型的模型参数。经过训练的网络，将为任意的交叉口车辆协同驾驶场景，实时的端到端的求得接近最优的通行顺序。
[0123]
本应用示例通过离线训练获得潜在的车辆状态到通行顺序之间的映射关系，直接用于在线车辆协同驾驶决策问题的求解，避免了在线求解需要在巨大的解空间内从零开始求解与搜索的难点。基于离线训练得到的经验，调度模型可为在线的无信号交叉口协同驾驶场景实时的求得接近最优的通行顺序，显著减小了车辆通过无信号交叉口的耗时，提高了交通系统的效率。
[0124]
本应用示例求解无信号交叉口车辆协同驾驶决策问题的调度模型，以及调度模型的训练，都与无信号交叉口的拓扑结构无关；因此，本发明应用示例调度模型可在无需改动的情况下用于具有任意拓扑结构的无信号交叉口。同时，由于不同交叉口之间潜在的最优映射关系存在本质上的相似性，本发明应用示例可以通过高效的迁移学习，将调度模型快速部署到包含各类拓扑结构的无信号交叉口的城市路网。
[0125]
在车路协同环境下，车辆和交叉口路侧设备均装有车辆对基础设施(v2i)通讯设备，车辆可向路侧设备发送实时的状态信息，路侧设备可进行车辆协同驾驶决策规划，并将决策结果发送给车辆。车辆根据决策结果，规划自身的运动控制并执行，完成协同驾驶任务，安全高效的通过无信号交叉口。
[0126]
图7为本发明应用示例实现协同驾驶的方法的流程图，如图7所示，包括：
[0127]
步骤701、控制区域内的车辆向路侧设备发送实时的车辆实时状态信息；车辆实时状态信息包括：位置、速度、车道、车辆转向与驾驶路线等信息。
[0128]
步骤702、路侧设备调用训练好的调度模型，将车辆实时状态信息输入调度模型，获得车辆通行顺序信息；
[0129]
步骤703、根据求得的通行顺序信息以及车辆之间的冲突关系，路侧设备生成路权分配结果；路权分配结果包括：车辆通行顺序及每一辆车进入冲突区域的时间。
[0130]
步骤704、路侧设备将路权分配结果发送给控制区域内的每一辆车；
[0131]
步骤705、车辆的车载计算单元根据接收到的路权分配结果，规划车辆的运动控制并执行，以在按照分配的时间准时驶入冲突区域。
[0132]
本应用示例基于深度学习的无信号交叉口的车辆协同驾驶决策方法，使之在满足实时性约束的条件下，端到端的输出接近最优的路权分配解决方案，避免了在巨大的解空间内从零开始的求解。与交叉口拓扑结构无关的协同驾驶决策模型，显著提升了模型的一般性和适用性，可高效快速地部署到具有任意拓扑结构的无信号交叉口。
[0133]
本应用示例提供的方法还可以用于有效解决多机器人系统协同运动的时空资源分配问题，特别是通过调度分配路权资源，提高多机器人系统的作业效率。
[0134]
采用本应用示例方法，可提高车辆通过无信号交叉口的交通效率。表1为延迟总和对比数据，表1统计了针对包含不同车辆数目的无信号交叉口协同驾驶场景，本发明应用示例方法求解的决策结果与常用的先进先出方法求解的决策结果的平均性能。可以看出，本应用示例方法减小了车辆通过无信号交叉口的延迟，提高了无信号交叉口的交通效率。
[0135][0136]
表1
[0137]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。