无人机协同的水上清洁机器人路径规划方法及设备

1.本发明实施例涉及移动机器人技术领域，尤其涉及一种无人机协同的水上清洁机器人路径规划方法及设备。


背景技术：

2.在移动机器人领域中，路径规划是其中的重要环节。对于智能化的水上清洁机器人，其路径规划应达到的要求是：能够避开水上障碍物，保证行驶过程中清洁机器人的安全稳定；能够在区域内高效彻底的进行水上清洁。由于水面清洁具有更高的复杂性，水面清洁机器人的路径规划往往存在清洁效率不足，清洁范围较低，智能化程度不足的问题。因此，开发一种无人机协同的水上清洁机器人路径规划方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。


技术实现要素：

3.针对现有技术存在的上述问题，本发明实施例提供了一种无人机协同的水上清洁机器人路径规划方法及设备。
4.第一方面，本发明的实施例提供了一种无人机协同的水上清洁机器人路径规划方法，包括：无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以a*算法为基础的路径规划系统；无人机先在河道上空进行巡航，记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，并标记出来；采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；水上清洁机器人结合图像识别系统进行动态避障设计。
5.在上述方法实施例内容的基础上，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用u-net语义分割网络实现对水面和路面的划分，并标记出来，包括：步骤一：利用主干提取网络可以获得五个初步有效的网络特征层，得到了水面和路面目标的特征后；步骤二：u-net进入强化特征提取的阶段，利用网络的上采样功能，得到特征融合之后的总的有效特征层；步骤三：在经过步骤一、步骤二的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类；步骤四：搭建u-net网络，按照其组成原理进行编程，利用opencv实现对图像的输入以及检测输入。
6.在上述方法实施例内容的基础上，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息，包括：采用卷积神经网络，基于获取的研究对象，创建目标识别框架，主体框架采用yolov4目标检测网络，为进一步获取目标水域的场景信息设计基于darknet网络主体的识别算法。
7.在上述方法实施例内容的基础上，本发明实施例中提供的无人机协同的水上清洁
机器人路径规划方法，所述采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，包括：步骤一：将无人机识别出的预处理垃圾目标点彼此之间的距离、出发点和各个目标点的距离利用a*算法计算出来；步骤二：选取距离水面清洁机器人直线距离最近的若干个目标点作为本次清洁的对象，然后建立代价矩阵，进行规划路径，建立动态规划函数；步骤三：水面清洁机器人结合图像识别系统进行动态避障设计。
8.在上述方法实施例内容的基础上，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述建立动态规划函数，包括：
9.d(i,v')＝min{cik d(k,v-{k})}(k∈v')
10.d(k,{})＝cki(k≠i)
11.其中，d表示从出发点i经过中各目标点一次，仅且一次，最后回到i的路程；v为所有点集合；v'为表示经过点的集合；cik为点i到点k的距离；min为取最小值；d(k,{})＝cki为最后一步回原点。
12.第二方面，本发明的实施例提供了一种无人机协同的水上清洁机器人路径规划装置，包括：第一主模块，用于无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以a*算法为基础的路径规划系统；第二主模块，用于无人机先在河道上空进行巡航，记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，并标记出来；第三主模块，用于采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；第四主模块，用于水上清洁机器人结合图像识别系统进行动态避障设计。
13.第三方面，本发明的实施例提供了一种电子设备，包括：
14.至少一个处理器；以及
15.与处理器通信连接的至少一个存储器，其中：
16.存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的无人机协同的水上清洁机器人路径规划方法。
17.第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的无人机协同的水上清洁机器人路径规划方法。
18.本发明实施例提供的无人机协同的水上清洁机器人路径规划方法及设备，通过记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，水上清洁机器人得到位置信息，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，有效解决了智能化的水上清洁机器人在自主航行的过程中存在清洁范围有限以及清洁效率低，清洁过程耗能大的问题。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明实施例提供的无人机协同的水上清洁机器人路径规划方法流程图；
21.图2为本发明实施例提供的无人机协同的水上清洁机器人路径规划装置结构示意图；
22.图3为本发明实施例提供的电子设备的实体结构示意图；
23.图4为本发明实施例提供的图像预测结果效果示意图；
24.图5为本发明实施例提供的视觉slam建模流程图；
25.图6为本发明实施例提供的遗传算法三维路径规划仿真效果示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
27.本发明实施例提供了一种无人机协同的水上清洁机器人路径规划方法，参见图1，该方法包括：无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以a*算法为基础的路径规划系统；无人机先在河道上空进行巡航，记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，并标记出来；采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；水上清洁机器人结合图像识别系统进行动态避障设计。
28.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用u-net语义分割网络实现对水面和路面的划分，并标记出来，包括：步骤一：利用主干提取网络可以获得五个初步有效的网络特征层，得到了水面和路面目标的特征后；步骤二：u-net进入强化特征提取的阶段，利用网络的上采样功能，得到特征融合之后的总的有效特征层；步骤三：在经过步骤一、步骤二的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类；步骤四：搭建u-net网络，按照其组成原理进行编程，利用opencv实现对图像的输入以及检测输入。
29.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息，包括：采用卷积神经网
络，基于获取的研究对象，创建目标识别框架，主体框架采用yolov4目标检测网络，为进一步获取目标水域的场景信息设计基于darknet网络主体的识别算法。
30.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，包括：步骤一：将无人机识别出的预处理垃圾目标点彼此之间的距离、出发点和各个目标点的距离利用a*算法计算出来；步骤二：选取距离水面清洁机器人直线距离最近的若干个目标点作为本次清洁的对象，然后建立代价矩阵，进行规划路径，建立动态规划函数；步骤三：水面清洁机器人结合图像识别系统进行动态避障设计。
31.基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划方法，所述建立动态规划函数，包括：
32.d(i,v')＝min{cik d(k,v-{k})}(k∈v')
ꢀꢀꢀꢀꢀꢀꢀ
(1)
33.d(k,{})＝cki(k≠i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
34.其中，d表示从出发点i经过中各目标点一次，仅且一次，最后回到i的路程；v为所有点集合；v'为表示经过点的集合；cik为点i到点k的距离；min为取最小值；d(k,{})＝cki为最后一步回原点。
35.本发明实施例提供的无人机协同的水上清洁机器人路径规划方法，通过记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，水上清洁机器人得到位置信息，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，有效解决了智能化的水上清洁机器人在自主航行的过程中存在清洁范围有限以及清洁效率低，清洁过程耗能大的问题。
36.在另一实施例中，为遗传算法无人机路径规划流程，具体过程如下：
37.(1)建立理论模型
38.通过无人机视觉做好对路标等坐标信息的标记随时根据自身获得的gps数据以及传感器对周边环境的感知数据更新地图状态。该路径规划需要在动态的场景下进行迭代更新，采用基于遗传算法的三维空间路径方案，以解决动态环境下的路径规划问题。
39.(2)设计算法
40.遗传算法是通过将优化函数的可能解表示成一个个体，每个个体用一定编码方式形成基因，借助遗传算子，选择、交叉、变异操作，对种群进行演化，选择出更适应环境的种群。在路径规划中，将每一条路径规划为一个个体，每个种群有n个个体，即有n条路径,同时，每个个体又有m个染色体，即中间过渡点的个数，每个点(染色体)又有两个维度(x，y)，在代码中用genx和geny表示一个种群。通过每一代的演化，对种群进行遗传算子操作，选择合适个体(最优路径)。遗传算法三维路径规划仿真如图6所示。
41.在另一实施例中，无人机在识别污染物的过程中，视觉部分是主要利用视觉对目标区域进行循环实现：图像分割、图像识别，即利用视觉算法在配有云台的高清摄像头下对外部环境的识别和处理。
42.(1)u-net图像分割
43.基于对水面上图像分割训练的需求，利用u-net语义分割网络实现对水面和路面的划分，并标记出来。u-net主要分为三个部分，第一部分为主干特征提取网络，其主要组成
为卷积层和池化层的相互叠加，利用主干提取网络可以获得五个初步有效的网络特征层。得到了水面和路面目标的特征后，u-net进入第二个阶段是强化特征提取的阶段。此阶段主要作用是利用网络的上采样功能，得到特征融合之后的总的有效特征层。第三个阶段是预测部分，在经过前面的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类。
44.利用水面航行数据集对目标特征先进行数据集的制作，首先将视频分帧，分为3000张图像。之后利用lableme进行标注，打下标签。完成后u-net搭建网络。u-net网络的搭建主要按照其组成原理进行编程，利用opencv实现对图像的输入以及检测输入，图像显示。
45.(2)卷积神经网络图像识别
46.基于对研究对象的获取，创建目标识别框架，相关主体框架采用yolov4目标检测网络。yolov4主要由主干提取网络，特征金字塔，分类回归层三部分组成。其backbone由cspdarknet53主干网络构成，特征金字塔部分包括spp,panet网络两部分。yolohead部分主要用于预测
47.为了进一步获取目标水域的场景信息设计了一种基于darknet网络主体的识别算法。无人机利用高空摄像头，识别目标水域、通过对目标物体进行标记而获得视场内的环境状态。算法主要对垃圾、水华以及自然建筑进行识别。
48.利用对部分质量低下的图像预处理后得到的数据结合原图像中的数据组成航道中的污染物数据集，训练输入图像大小为608*608，有效帧共3510张。在训练前，设定训练集和测试集比例为9:1，设定其每一轮迭代的batch size设定为2，每一轮需要完成1580个batch，总共迭代的epoch为50轮。目标的训练主要分为两个部分，训练准备阶段和训练过程。
49.训练过程中，卷积神经网络的训练主要是其卷积层，池化层，全连接层的迭代运算和更新，得到的预测结果如图4。
50.在另一实施例中，在无人机将信号传输给清洁机器人后，通过三维重建实现机器人的自动行驶，在算法上采用orb-slam2的建图算法，通过双目摄像头实现对周围景物的位置和深度感知。在算法上，由需要考虑到路径中遇到的障碍物所以机器人建图需要足够精确。项目组拟采用雷达辅助建图，通过激光雷达获取周围点云数据。流程如图5所示。
51.在另一实施例中，水面清洁机器人在获得地图数据和垃圾位置后需要规划自身运动路径以达到清洁垃圾的目的。针对水面清洁机器人需要清洁多个地点的垃圾并要返回起始点的特点，本项目组分析并采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标。
52.建立理论模型
53.方案从基于假设的路径规划问题出发，通过无人机视觉做好对路标等坐标信息的标记，在未知地形中，随时根据自身获得的gps数据以及传感器对周边环境的感知数据更新地图状态。根据规划好的运动路径依次前往目标点清洁垃圾。由于动态规划方法随着目标点数的增多，其时间复杂度增长越大，同时考虑到水面清洁机器人单次清洁回收的垃圾也为有限个，故设定单次清洁目标点至多为n个，以此来降低算法时间复杂度，提高清洁效率。
54.算法设计
55.首先将无人机识别出的预处理垃圾目标点彼此之间的距离、出发点和各个目标点
的距离利用a*算法计算出来。假设在网格化地图上计算任意两点ab之间的距离，运用a*算法就要进行估价运用估价公式
56.f＝g h
57.g为从起点a移动到指定方格的移动代价，沿着到达该方格而生成的路径。我们约定直行移动一次代价是10，对角线的移动代价为14。(实际对角移动距离是2的平方根，或者是近似的1.414倍的横向或纵向移动代价)。h为从指定的方格移动到终点b的估算成本。计算从当前方格横向或纵向移动到目标所经过的方格数，忽略对角移动，然后把总数乘以10。
58.在一个方格中将fgh标记在它的左上，左下和右下三个位置，以便观察每次估价的结果。
59.坐标访问和父节点查找约定顺序：右，右上，上，左上，左，左下，下，右下，沿x轴增加的方向为右，沿y轴增加的方向为上，父节点可能会有多个，障碍物不可访问这里选择代价最小最后搜索的为父节点。
60.计算出所有距离数据后，选取距离水面清洁机器人直线距离最近的至多n个目标点作为本次清洁的对象。然后建立代价矩阵，进行规划路径，建立动态规划函数如(1)式和(2)式所示。
61.本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种无人机协同的水上清洁机器人路径规划装置，该装置用于执行上述方法实施例中的无人机协同的水上清洁机器人路径规划方法。参见图2，该装置包括：第一主模块，用于无人机以卷积神经网络为基础的图像识别系统、无人机以遗传算法路径规划系统、水上清洁机器人视觉系统、无人机与水上清洁机器人通信系统以及水上清洁机器人以a*算法为基础的路径规划系统；第二主模块，用于无人机先在河道上空进行巡航，记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，并标记出来；第三主模块，用于采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息,采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标；第四主模块，用于水上清洁机器人结合图像识别系统进行动态避障设计。
62.本发明实施例提供的无人机协同的水上清洁机器人路径规划装置，采用图2中的若干模块，通过记录移动路径，采用u-net语义分割网络实现对水面和路面的划分，水上清洁机器人得到位置信息，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，有效解决了智能化的水上清洁机器人在自主航行的过程中存在清洁范围有限以及清洁效率低，清洁过程耗能大的问题。
63.需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
64.基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划装置，还包括：第一子模块，用于实现所述采用u-net语义分割网络实现对水面和路面的划分，并标记出来，包括：步骤一：利用主干提取网络可以获得五个初步有效的网络特征层，得到了水面和路面目标的特征后；步骤二：u-net进入强化特征提取的阶段，利用网络的上采样功能，得到特征融合之后的总的有效特征层；步骤三：在经过步骤一、步骤二的特征识别后，网络将会利用特征识别的结果进行分类，相当于对每一个像素点进行分类；步骤四：搭建u-net网络，按照其组成原理进行编程，利用opencv实现对图像的输入以及检测输入。
65.基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划装置，还包括：第二子模块，用于实现所述采用卷积神经网络识别垃圾污染物后将其位置信息传递给水上清洁机器人，水上清洁机器人得到位置信息，包括：采用卷积神经网络，基于获取的研究对象，创建目标识别框架，主体框架采用yolov4目标检测网络，为进一步获取目标水域的场景信息设计基于darknet网络主体的识别算法。
66.基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划装置，还包括：第三子模块，用于实现所述采用a*算法计算目标点之间的距离，建立代价矩阵，运用动态规划的路径设计以达到运动路径最短并且回收相应垃圾的目标，包括：步骤一：将无人机识别出的预处理垃圾目标点彼此之间的距离、出发点和各个目标点的距离利用a*算法计算出来；步骤二：选取距离水面清洁机器人直线距离最近的若干个目标点作为本次清洁的对象，然后建立代价矩阵，进行规划路径，建立动态规划函数；步骤三：水面清洁机器人结合图像识别系统进行动态避障设计。
67.基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的无人机协同的水上清洁机器人路径规划装置，还包括：第四子模块，用于实现所述建立动态规划函数，包括：
68.d(i,v')＝min{cik d(k,v-{k})}(k∈v')
69.d(k,{})＝cki(k≠i)
70.其中，d表示从出发点i经过中各目标点一次，仅且一次，最后回到i的路程；v为所有点集合；v'为表示经过点的集合；cik为点i到点k的距离；min为取最小值；d(k,{})＝cki为最后一步回原点。
71.本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(communications interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
72.此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令
用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
73.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
74.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
75.附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
76.在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物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它要素，或者是还包括为这种过程、方法、物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
……
"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
77.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。