一种驾驶行为预警方法、装置及系统与流程

1.本技术涉及驾驶安全技术领域，尤其是涉及一种驾驶行为预警方法、装置及系统。


背景技术：

2.目前我国汽车的保有量已接近3亿大关，由于当前的技术条件限制，过往及未来的一段时间内驾驶员仍然是汽车在道路运行过程中的控制主体。但由于驾驶行为的不可预测性以及可能出现的用户异常的驾驶行为，其轻则会导致车辆的使用寿命与使用经济型降低，重则会引发严重的交通事故。据估计汽车在能源消耗中的占比已超过三分之一，并且平均每年高达20万起的交通事故造成了难以估量的损失。如何基于用户的驾驶行为对车辆行驶过程中存在的安全隐患进行提前预警成为目前需要解决的技术问题。


技术实现要素：

3.本技术的目的在于提供一种驾驶行为预警方法、装置及系统，从而解决现有技术中无法针对由于用户的驾驶行为导致的安全隐患进行提前预警的问题。
4.第一方面，为了达到上述目的，本技术实施例提供一种驾驶行为预警方法，包括：
5.获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；
6.根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；
7.根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；
8.在评分结果小于预设分值的情况下，输出预警信息。
9.可选地，根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据，包括：
10.对所述当前行驶数据进行预处理；
11.将预处理后的所述当前行驶数据输入至用户驾驶行为分析预测模型，获取初始预测行驶数据；
12.根据预先存储的与所述用户相关的数据分布曲线，对所述初始预测行驶数据进行修正，获得所述目标预测行驶数据。
13.可选地，对所述当前行驶数据进行预处理，包括以下至少一项：
14.在所述当前行驶数据中，剔除数据传输过程中丢失的数据；
15.利用无监督学习的聚类算法，剔除所述当前行驶数据中的异常离群数据。
16.可选地，根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分，包括：
17.根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车的动力电池的影响程度的第一信息；
18.根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车出现交通事故的影响程度的第二信息；
19.根据所述第一信息和所述第二信息，对所述用户的驾驶行为进行评分。
20.可选地，根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车的动力电池的影响程度的第一信息，包括：
21.将所述目标预测行驶数据输入至电池寿命相关关系分析模型，获得所述第一信息；其中，所述第一信息包括所述电动汽车的电耗和所述动力电池的电池健康度。
22.可选地，根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车出现交通事故的影响程度的第二信息，包括：
23.获取所述电动汽车当前所处的路况数据；
24.将所述目标预测行驶数据和所述路况数据输入至交通事故相关关系分析模型，获得所述第二信息，其中，所述第二信息包括事故类型和发生事故的概率。
25.可选地，根据所述第一信息和所述第二信息，对所述用户的驾驶行为进行评分，包括：
26.将所述第一信息和所述第二信息输入至用户驾驶行为评价反馈模型，获得评分结果。
27.可选地，所述当前的行驶数据包括：车速、油门踏板开度和方向盘转角中的至少一个。
28.第二方面，为了达到上述目的，本技术实施例还提供一种驾驶行为预警装置，包括：
29.第一获取模块，用于获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；
30.预测模块，用于根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；
31.评分模块，用于根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；
32.输出模块，用于在评分结果小于预设分值的情况下，输出预警信息。
33.第三方面，为了达到上述目的，本技术实施例还提供一种驾驶行为预警系统，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上第一方面所述的驾驶行为预警方法的步骤。
34.本技术的上述技术方案至少具有如下有益效果：
35.本技术实施例的驾驶行为预警方法，首先，获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；其次，根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；如此，实现了对用户的驾驶行为的预测，再次，根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；最后，在评分结果小于预设分值的情况下，输出预警信息。这样，实现了基于预测的驾驶行为判断车辆的行驶过程中是否存在安全隐患，且在存在安全隐患时通过输出预警信息提醒用户，以避免出现安全事故，提高了车辆驾驶的安全性。
附图说明
36.图1为本技术实施例的驾驶行为预警方法的流程示意图；
37.图2为本技术实施例的驾驶行为预警装置的结构示意图。
具体实施方式
38.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。
39.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
40.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的驾驶行为预警方法、装置及系统进行详细地说明。
41.如图1所示，为本技术实施例的驾驶行为预警方法的流程示意图，该方法包括：
42.步骤101，获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；
43.这里，需要说明的是，与用户的驾驶行为相关的行驶数据如可以为：车速、油门踏板开度、方向盘转角等；因此，本步骤中的行驶参数可以从安装在电动汽车上的传感器获得，其中，各个传感器用于实时采集相应的行驶数据。
44.步骤102，根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；
45.这里，需要说明的是，依托于车联网技术的快速发展以及国家、地方及企业车辆监控平台的逐步成熟，尤其是电动汽车的行驶与使用数据已形成庞大的规模体量，在此基础上，本步骤可以利用大数据分析用户驾驶习惯，并在此基础上，利用当前的行驶数据预测电动汽车在未来预设时长内的目标预测行驶数据。
46.步骤103，根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；
47.本步骤中，基于目标预测行驶数据对用户的驾驶行为进行评分，能够降低用户危险驾驶操作的概率，进而降低事故发生概率及风险，也可直接促进用户驾驶技术的提升与驾驶风格的转变，进而提升车辆的使用经济性。
48.步骤104，在评分结果小于预设分值的情况下，输出预警信息。
49.本步骤中，在评分结果小于预设分值时，预测用户的驾驶行为可能会使驾驶过程存在安全隐患，从而通过输出预警信息以提醒用户。
50.具体的，本步骤可以通过在车机屏幕上显示预警信息的方式，或者，通过在车载蜂鸣器输出报警音的方式，提醒用户。
51.本技术实施例的驾驶行为预警方法，首先，获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；其次，根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；如此，实现了对用户的驾驶行为的预测，再次，根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；最后，在评分结果小于预设分值的情况下，输出预警信息。这样，实现了基于预测的驾驶行为判断车辆的行驶过程中是否存在安全隐患，且在存在安全隐患时通过输出预警信息的方式提醒用户，以避免出现安全事故，提高了车辆驾驶的安全性，同时有助于提升用户的驾驶
技术。
52.作为一个可选的实现方式，步骤102，根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据，包括：
53.(1)对所述当前行驶数据进行预处理；
54.本步骤通过对所述当前行驶数据进行预处理，能够将所述当前行驶数据中无效的数据剔除，仅保留对预测过程有效的数据。
55.(2)将预处理后的所述当前行驶数据输入至用户驾驶行为分析预测模型，获取初始预测行驶数据；
56.这里，需要说明的是，用户驾驶行为分析预测模型为对人工智能学习算法，如：长短时记忆网络(long short term memory network,lstm)，进行训练获得的，其中，训练所需的数据可以是基于大数据技术获得的历史数据。具体的训练过程为：将以时间轴为横坐标的历史车速曲线与油门踏板开度曲线作为学习数据导入长短时记忆网络(用户驾驶行为分析预测模型)中，通过神经网络学习得到不同用户的纵向驾驶行为。通过学习后的用户驾驶行为分析预测模型可对未来一段时间内的整车车速曲线与油门踏板开度曲线进行预测；
57.(3)根据预先存储的与所述用户相关的数据分布曲线，对所述初始预测行驶数据进行修正，获得所述目标预测行驶数据。
58.这里，需要说明的是，与所述用户相关的数据分布曲线的生成过程可以是：针对每个用户，应用数值统计的方法，得到与用户的驾驶行为相关的行驶数据的柱状分布；再应用多项式拟合的方法得到时机的数据分布曲线。
59.本步骤中，利用预先存储的与所述用户相关的数据分布曲线对所述初始预测行驶数据进行修正，获得目标预测行驶数据，使得目标预测行驶数据更符合用户的驾驶习惯，进一步提高了预测的准确性。
60.作为一个具体的实现方式，对所述当前行驶数据进行预处理，包括以下至少一项：
61.在所述当前行驶数据中，剔除数据传输过程中丢失的数据；即：剔除所述当前行驶数据中的空白点；
62.利用无监督学习的聚类算法，剔除所述当前行驶数据中的异常离群数据。
63.本具体实现方式通过将所述当前行驶数据中的无效数据剔除，使得预测过程所用到的数据均有效，从而提高了预测的准确性。
64.这里，对根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据的步骤的一种实现方式进行说明：
65.a)前期准备工作：
66.首先，确定用户驾驶行为的量化分析指标，主要包含纵向速度、纵向加速度、横摆角、横摆角速度等；
67.其次，将分析得出的驾驶行为量化分析指标与车辆现有数据进行关联；具体的，纵向速度关联车速、纵向加速度关联油门踏板开度、横摆角和横摆角速度关联方向盘转交等；其中，上述数据均为本技术中与驾驶行为相关的行驶数据；
68.再次，针对每个用户，应用数值统计的方法，得到与用户的驾驶行为相关的行驶数据的柱状图分布，再应用多项式拟合的方法得到实际的数据分布曲线；
69.b)预测过程：
70.首先，对与驾驶行为相关的行驶数据进行处理，具体包括：剔除与用户的驾驶行为相关的行驶数据中的空白点(即传输中丢失的数据)；通过无监督学习的聚类算法筛选出与用户的驾驶行为相关的行驶数据中的异常离群点，并将其剔除出待处理的与用户的驾驶行为相关的行驶数据；
71.其次，将处理后的与用户的驾驶行为相关的行驶数据输入至用户驾驶行为分析预测模型，进行预测，获得初始预测行驶数据，例如，初始预测行驶数据可以为纵向驾驶行为预测曲线；
72.再次，利用前期通过拟合的方法得到实际的数据分布曲线对预测获得的纵向驾驶行为预测曲线进行修正，得到最终的预测曲线(目标预测行驶数据)。
73.作为一个可选的实现方式，步骤103，根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分，包括：
74.根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车的动力电池的影响程度的第一信息；
75.根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车出现交通事故的影响程度的第二信息；
76.根据所述第一信息和所述第二信息，对所述用户的驾驶行为进行评分。
77.本可选实现方式中，基于驾驶行为对动力电池的影响程度和造成交通事故的影响程度两方面对用户的驾驶行为进行评分，可以提升整车的使用经济性且能够降低事故发生的风险。
78.作为一个具体的实现方式，根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车的动力电池的影响程度的第一信息，包括：
79.将所述目标预测行驶数据输入至电池寿命相关关系分析模型，获得所述第一信息；其中，所述第一信息包括所述电动汽车的电耗和所述动力电池的电池健康度。
80.本具体实现方式中，电耗即为电动汽车的耗电情况，如：电动汽车的每小时耗电量；电池健康度可以包括：电池的剩余行驶里程，电池的充放电次数等；其中，行驶数据与电池的电耗/电池健康度的关系可以通过神经网络的自学习获得；下面，对电池寿命相关关系分析模型的建立与训练过程进行说明：
81.首先，建立整车电耗与电池寿命的理论与公式定义；
82.其次，通过每个用户的历史行驶数据与电池状态数据计算以往整车电耗曲线与电池寿命曲线；
83.再次，应用相关性分析、主成分分析方法，结合纯电动汽车领域知识，从驾驶行为相关数据中提取与整车电耗、电池寿命强相关的驾驶行为影响因素(包含强正相关与强负相关)，经分析整车行驶速度、加速度、行驶温度、电池充放电功率等因素为相关的主要影响因素；其中，整车行驶速度和加速度与用户的驾驶行为相关；
84.最后，通过深度循环神经网络方法建立前述影响因素同整车电耗与电池寿命的预测模型。
85.作为另一个具体的实现方式，根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车出现交通事故的影响程度的第二信息，包括：
86.(1)获取所述电动汽车当前所处的路况数据；
87.本步骤中，路况信息可以是由车载检测设备(车载摄像头、雷达等)检测到的电动汽车周围的路况，如，电动汽车周围的环境信息(如静态障碍物)、道路参与者(周围的车辆、行人)、交通信息(交通信号灯、道路导向标识、车道线)；
88.(2)将所述目标预测行驶数据和所述路况数据输入至交通事故相关关系分析模型，获得所述第二信息，其中，所述第二信息包括事故类型和发生事故的概率。
89.下面，对交通事故相关关系分析模型的建立与训练过程进行说明：
90.首先，获取车辆事故相关数据，数据获取方式分为两种，分别为事故发生后的车辆数据复现、事故发生时车辆数据上传；
91.其次，根据获取的数据自动对事故类型进行分类，筛选出与用户驾驶行为相关的事故，并按照严重度级别分为高(安全气囊全部开启)、中(安全气囊部分开启)、低(轻度剐蹭与紧急制动)三类；
92.再次，针对不同严重度的事故，统计其对应的驾驶行为相关数据的分布，目的为获取不同用户加速与转向行为会引起事故的相关性；
93.然后，对于具备雷达与摄像头及行车记录仪的车辆，同时记录其视频流与雷达信息数据，其中通过cnn与语义分割技术来识别视频流中的车道线、行人、交通信号灯、交通标识与道路障碍物等。通过雷达数据来获取车辆周边是否存在其他车辆及其相对距离与相对速度信息；
94.之后，通过融合视频流与雷达数据中获取的信息可直接复现出事故发生时的真实场景，至此就可得到完整的事故场景与用户驾驶行为的关联数据库。
95.最后，基于建立的事故场景与用户驾驶行为的关联数据库中的数据训练交通事故相关关系分析模型。
96.这里，再对获得第二信息的另一种实现方式进行说明：首先，通过查表的方式，确定目标预测行驶数据中的车速/加速度，以及，电动汽车周围的路况信息可能会导致的交通事故的类型；其次，提取预先存储的发生该类交通事故时的标称车速/加速度，以及，标称的路况信息和标称的概率；再次，计算目标预测行驶数据中的车速与标称车速的比值，目标预测行驶数据中的加速度与标称加速度的比值，路况信息与标称路况信息的比值；最后，根据这些比值和标称的概率，计算发生事故的概率。
97.作为再一个具体的实现方式，根据所述第一信息和所述第二信息，对所述用户的驾驶行为进行评分，包括：
98.将所述第一信息和所述第二信息输入至用户驾驶行为评价反馈模型，获得评分结果。
99.这里，需要说明的是，用户驾驶行为评价反馈模型具体可以通过加权求和等方式进行评分。其中，第一信息和第二信息的权重可以是预先设定的，也可以是动态调整的，其中，若为动态调整，则可以根据紧急程度进行调整，如发生交通事故的概率较大时，第二信息所占的权重更大。
100.进一步地，本技术实施例还可以进一步将评分结果上传至云端服务器，以实现对不同用户的驾驶技术的排名，增加驾驶的趣味性。
101.简言之，本技术实施例的驾驶行为预警方法的实现过程为：
102.第一，获取车载检测设备检测到的与用户的驾驶行为相关的行驶参数，如：车速、
加速踏板开度和方向盘转角等；
103.第二，对获取到的与用户的驾驶行为相关的行驶参数进行预处理，以剔除无效的数据，如：剔除传输过程中丢失的数据；剔除异常离群数据等；
104.第三，将预处理后的数据输入至用户驾驶行为分析预测模型，以预测电动汽车在未来的预设时长内的初始预测行驶数据；
105.第四，利用预先存储的数据分布曲线对所述初始预测行驶数据进行修正，获得目标预测行驶数据；
106.第五，将目标预测行驶数据输入至电池寿命相关性分析模型，获得电耗和电池健康度；
107.第六，将目标预测行驶数据和获取到的路况信息输入至交通事故相关性分析模型，获得事故类型和发生事故的概率；
108.第七，将电耗、电池健康度、事故类型和发生事故的概率输入至用户驾驶行为评价反馈模型，对用户的驾驶行为进行评分，获得评分结果；
109.第八，在评分结果小于预设分值时，通过机车屏幕或蜂鸣器输出预警信息；
110.第九，将评分结果上传至云端服务器，按照驾驶行为的优劣进行排名。
111.需要说明的是，本技术实施例提供的驾驶行为预警方法，执行主体可以为驾驶行为预警装置，或者该驾驶行为预警装置中的用于执行加载驾驶行为预警方法的控制模块。本技术实施例中以驾驶行为预警装置执行加载驾驶行为预警方法为例，说明本技术实施例提供的驾驶行为预警方法。
112.本技术实施例的驾驶行为预警方法，基于与用户的驾驶行为相关的行驶参数预测电动汽车的未来一段时间内的预测行驶参数，从而基于预测行驶参数从对电池的影响和产生交通事故的可能性两个方面对用户的驾驶行为进行评分，并在评分较低时输出预警信息，这样，能够降低用户危险驾驶操作的概率，进而降低事故发生概率及风险；也可以直接促进用户驾驶技术的提升与驾驶风格的转变，进而提升车辆的使用经济性与电池寿命。
113.如图2所示，本技术实施例还提供一种驾驶行为预警装置，包括：
114.第一获取模块201，用于获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；
115.预测模块202，用于根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；
116.评分模块203，用于根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；
117.输出模块204，用于在评分结果小于预设分值的情况下，输出预警信息。
118.本技术实施例的驾驶行为预警装置，首先，第一获取模块201获取电动汽车当前的行驶数据，所述行驶数据与用户的驾驶行为相关；其次，预测模块202根据所述当前的行驶数据，对所述用户的驾驶行为进行预测，获得所述电动汽车在未来的预设时长内的目标预测行驶数据；如此，实现了对用户的驾驶行为的预测，再次，评分模块203根据所述目标预测行驶数据，对所述用户的驾驶行为进行评分；最后，输出模块204在评分结果小于预设分值的情况下，输出预警信息。这样，实现了基于预测的驾驶行为判断车辆的行驶过程中是否存在安全隐患，且在存在安全隐患时通过输出预警信息的方式提醒用户，以避免出现安全事
故，提高了车辆驾驶的安全性，同时有助于提升用户的驾驶技术。
119.可选地，所述预测模块202包括：
120.处理子模块，用于对所述当前行驶数据进行预处理；
121.预测子模块，用于将预处理后的所述当前行驶数据输入至用户驾驶行为分析预测模型，获取初始预测行驶数据；
122.修正子模块，用于根据预先存储的与所述用户相关的数据分布曲线，对所述初始预测行驶数据进行修正，获得所述目标预测行驶数据。
123.可选地，所述处理子模块具体用于执行以下至少一项：
124.在所述当前行驶数据中，剔除数据传输过程中丢失的数据；
125.利用无监督学习的聚类算法，剔除所述当前行驶数据中的异常离群数据。
126.可选地，所述评分模块203包括：
127.第一确定子模块，用于根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车的动力电池的影响程度的第一信息；
128.第二确定子模块，用于根据所述目标预测行驶数据，确定所述用户的驾驶行为对所述电动汽车出现交通事故的影响程度的第二信息；
129.评分子模块，用于根据所述第一信息和所述第二信息，对所述用户的驾驶行为进行评分。
130.可选地，所述第一确定子模块具体用于：
131.将所述目标预测行驶数据输入至电池寿命相关关系分析模型，获得所述第一信息；其中，所述第一信息包括所述电动汽车的电耗和所述动力电池的电池健康度。
132.可选地，所述第二确定子模块包括：
133.第一获取单元，用于获取所述电动汽车当前所处的路况数据；
134.第二获取单元，用于将所述目标预测行驶数据和所述路况数据输入至交通事故相关关系分析模型，获得所述第二信息，其中，所述第二信息包括事故类型和发生事故的概率。
135.可选地，所述评分子模块具体用于：将所述第一信息和所述第二信息输入至用户驾驶行为评价反馈模型，获得评分结果。
136.可选地，所述当前的行驶数据包括：车速、油门踏板开度和方向盘转角中的至少一个。
137.本技术实施例还提供一种驾驶行为预警系统，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的驾驶行为预警方法实施例的各个过程，且能达到相同的技术效果，为了避免重复，这里不再赘述。
138.本技术实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的驾驶行为预警方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
139.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作
之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、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“包括一个
……”
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。
140.以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。