雷达检测中的多路径分类的制作方法

1.本发明总体上涉及近距离雷达监视的领域，并且具体地涉及用于对场景的雷达检测中的轨迹进行分类的方法和控制器。


背景技术：

2.雷达检测的基础是发射的雷达信号被物体反射并被雷达的天线检测到。通过诸如物体速度和相对位置的适当的信号处理特性可以估计雷达。然而，估计物体的位置受到与检测所谓的虚假目标(ghost target)(即，环境中的多次反射被误认为是真实目标)相关的挑战。
3.虚假目标的出现是由于难以确定检测到的信号的来源。没有直接的方法可以高精度地确定检测到的信号是来自真实目标的直接反射，还是检测到的信号是来自附近表面的二次反射。
4.在存在诸如建筑物墙壁、集装箱、停放的汽车和交通标志的许多反射表面的城市环境中，虚假目标是主要问题。
5.在城市环境中处理虚假目标的一种方式是要求用户在由雷达覆盖区域的映射中绘制排除区域，从而明确指示雷达应该忽略哪些信号。然而，这显著降低了雷达的易用性。附加地，源自多次反射的虚假目标可能出现在检测区域中，并且通过添加排除区域不排除这样的反射。进一步，场景中可能引入新的反射表面(例如，由场景中的卡车停放引起的)，并且预限定的排除区域不处理场景的这样的改变。


技术实现要素：

6.鉴于现有技术的上述和其他缺陷，本发明的目的是提供一种改进的方法，以用于将场景的雷达检测中的轨迹分类为属于虚假目标或真实目标，该方法至少减轻了现有技术的一些缺陷。
7.根据本发明的第一方面，因此提供了用于对由静止雷达单元获取的场景的雷达检测中的轨迹进行分类的方法。该方法包括以下步骤。使用静态雷达单元获取场景的雷达检测。将雷达检测的至少一部分馈送到轨迹器模块中，以用于产生指示场景中的特定轨迹的轨迹特定特征数据。将雷达检测的至少一部分馈送到场景模型中，场景模型包括关于随时间的推移聚合的场景特定特征的信息以及关于场景中具有预期虚假目标检测的区域和具有预期真实目标检测的区域的信息。模型的场景特定特征的至少一个子集根据雷达检测来确定。该方法进一步包括：通过将特定轨迹与场景模型中的位置相关来将特定轨迹分类为属于真实目标或属于虚假目标。
8.本发明基于通过利用来自雷达的检测来产生场景特定特征的场景模型和产生轨迹特定特征两者，从而实现将来自真实目标的轨迹与虚假目标(也被称为多路径目标)的轨迹分离。更具体地，场景模型是关于场景的信息随时间的推移的时间聚合，关于场景的信息可以包括关于检测到的物体和先前检测到的轨迹的信息。因此，场景特定特征可以包括关
于场景中的静态物体和表面两者的信息以及关于来自虚假目标和来自真实目标两者的轨迹的信息。换句话说，场景模型包括关于根据雷达检测确定的描述场景的场景特定特征的信息以及历史轨迹的空间信息。
9.发明人意识到这样的场景模型基于来自先前检测到的轨迹和场景中的场景特定特征的聚合信息，提供了关于在场景中最有可能出现虚假目标的位置以及最有可能出现真实目标的位置的信息。
10.轨迹特定特征数据提供关于特定轨迹的信息。通过将轨迹特定特征信息与存储在场景模型中的关于先前轨迹和场景的总体布局的信息相关(例如，相关联)，可以预测特定轨迹属于虚假目标还是真实目标。换句话说，特定轨迹的特征数据可以提供关于特定轨迹的快照信息，并将该信息与场景模型中的历史数据进行比较以对特定轨迹进行分类。
11.通过本发明的实施例，本文中描述的目标的分类提供减少的误报数量，误报可能在例如监视应用中引起假警报。进一步，安装变得不那么复杂，因为例如不需要排除区域。更进一步，该分类方法还可以在室内、在与室外环境相比虚假轨迹的数量更大的更密集的环境中使用。
12.场景模型可以是随时间的推移检测到的场景特定特征的映射，并且因此，可以包括关于例如反射表面和强目标区域(例如，具有高信噪比)、最接近目标、弱目标(例如，具有低信噪比)和最远目标的信息以及轨迹特定特征。最接近和最远的目标很重要，因为虚假目标通常出现在比真实目标更远的距离处。
13.场景特定特征可以被视为轨迹特定的、随时间的推移聚合的空间特征，即场景中的轨迹特定特征的时空演变。进一步，由于聚合，场景特定特征的时间尺度比轨迹特定特征的生命周期长，这可能指示特定轨迹的状态的快照。换句话说，轨迹特定数据可以被视为与特定轨迹的当前状态相关，例如描述在当前帧中检测到的特定轨迹的信息。帧在本文中与雷达的离散化/数字化操作相关。
14.静止雷达应解释为静态安装且不四处移动的雷达。进一步，静止雷达没有扫描场景的移动部分。相反，雷达适用于检测来自各个方向的信号，而无需使用波束形成或扫描。
15.静止雷达单元可以是被配置用于监视场景的近距离雷达。
16.在一些实施例中，将来自与特定轨迹相关的场景模型的特定轨迹特征数据和场景特定特征传递到适于对特定轨迹进行分类的分类器模块。因此，分类器模块适于根据与特定轨迹相关的轨迹特定特征数据和场景模型的场景特定特征数据中的信息对特定轨迹进行分类。在一种可能的实现中，分类器模块包括用于对特定轨迹进行分类的神经网络。
17.神经网络提供了有效的分类工具。神经网络优选地适于捕获特定轨迹的时间演化。适于执行分类的各种类型的神经网络本身是可设想和已知的。示例合适的神经网络是循环神经网络和卷积神经网络。循环神经网络对于捕捉时间演化特别有效。
18.进一步，其他合适的分类器可以是诸如随机森林分类器的对分类有效的决策树分类器。此外，诸如支持向量机分类器和逻辑回归分类器的分类器也是可设想的。
19.此外，分类器可以是统计分类器、启发式分类器、模糊逻辑分类器。进一步，还可以使用表格，即具有诸如场景特定特征和轨迹特定特征的数据的组合的查找表以及对应的分类、虚假目标或真实目标。
20.在一些实施例中，特定轨迹可以基于在场景中的特定轨迹的所确定的位置被分配
有场景特定特征。例如，这些场景特定特征是特定轨迹被反射表面遮挡的概率以及来自同一区域中的先前轨迹的信号有多强。这提供了在分类器中对特定轨迹进行更准确地分类。具体地，分配步骤提供将最合适的场景特定特征转发到分类器。
21.进一步，分配给特定轨迹的场景特定特征可以有利地添加到场景模型中。此外，可以将特定轨迹添加到场景模型中。因此，更多的信息被添加到场景模型中，从而改进了场景模型，并且因此，也改进了分类步骤在未来的检测中将来自真实目标的轨迹与虚假目标的轨迹分离的准确性。换句话说，场景模型是在线改进的，同时使用分类方法使得场景模型对未来的分类更加准确。
22.在实施例中，产生轨迹特定特征数据可以包括形成距离测量、多普勒测量、方位角测量和仰角测量中的至少一种的时间演化的表示，并且在神经网络中处理该表示。
23.轨迹特定特征可以根据雷达检测执行的各种类型的测量来确定。例如，诸如使用距离测量、多普勒测量、方位角测量和仰角测量、以及特定轨迹是当前最强的特定轨迹还是当前时间帧中最接近雷达单元的轨迹、或者特定轨迹是最弱的特定轨迹还是在当前时间帧中离雷达单元最远的轨迹中的至少一种。
24.本发明的实施例适用于各种类型的静止雷达。在一个优选实施例中，静止雷达是调频连续波雷达。
25.在一些实施例中，所有场景特定特征可以根据雷达检测来确定。因此，雷达可以作为独立单元可操作。
26.然而，在其他可能的实施例中，场景特定特征的至少一部分根据由光学传感装置捕获的光学图像数据来确定。因此，该方法适用于包括例如相机和雷达的融合系统，其中通过还包括由相机检测到的场景特定特征来改进场景特定特征的细节。
27.到场景模型和轨迹器模块中的雷达检测的馈送可以以不同的方式拆分或组合。例如，同一雷达检测可以被馈送到轨迹器模块和场景模型中。这提供了简单而直接的馈送，而无需分离不同类型的检测。
28.然而，将所有雷达检测馈送到场景模型并且仅将指示移动目标的雷达检测馈送到轨迹器模块可能是有利的。以这样的方式，轨迹器模块只需处理与确定特定轨迹最相关的目标相关的数据，从而减轻轨迹模块所需的处理能力，并潜在地改进后续分类步骤的准确性。
29.在一些实施例中，可以将特定轨迹与由光学传感装置获取的场景的表示进行比较，从而，如果由光学传感装置获取的场景的表示中不存在对应的轨迹，则将特定轨迹分类为虚假轨迹。因此，包括雷达单元和例如相机的融合系统可以提供空间对应和非对应测试，以提供轨迹是虚假轨迹还是真实轨迹的指示。该类型的融合系统使用可以进一步改进分类，因为它提供了关于场景和其中轨迹的附加信息。光学传感装置的一个实施例是在相机中使用的图像传感器。这样的传感装置的其他示例是激光雷达和光学飞行时间传感器。甚至可以使用获得与雷达类似的关于场景特定特征的空间数据的声学传感器，特别是麦克风阵列。
30.根据本发明的第二方面，提供了包括指令的计算机程序，当该程序由计算机执行时，使计算机执行本文中讨论的实施例中的任何实施例的方法。
31.本发明的第二方面的进一步实施例和通过该第二方面获得的效果在很大程度上
类似于以上针对本发明的第一方面所描述的那些。
32.根据本发明的第三方面，提供了一种用于对由静止雷达单元获取的场景的雷达检测中的轨迹进行分类的控制单元，控制单元被配置成：获取指示由静态雷达单元捕获的场景的雷达检测的数据；在轨迹器模块中处理雷达检测的至少一部分，以用于产生指示场景中的特定轨迹的轨迹特定特征数据，将雷达检测的至少一部分馈送到场景模型中，场景模型包括关于随时间的推移聚合的场景特定特征的信息以及关于场景中具有预期虚假目标检测的区域和具有预期真实目标检测的区域的信息，其中，场景特定特征的至少一个子集根据雷达检测来确定，以及通过将特定轨迹与场景模型中的位置相关来将特定轨迹分类为属于真实目标或属于虚假目标。
33.本发明的该第三方面的进一步实施例和通过该第三方面获得的效果在很大程度上类似于上面针对本发明的第一方面和第二方面所描述的那些。
34.还提供了一种系统，包括静止雷达单元和根据第三方面的控制单元。该系统提供了与本文中描述的实施例中的任何一个实施例类似的优点和特征。
35.当研究所附权利要求和以下描述时，本发明的其他特征和优点将变得显而易见。本领域技术人员意识到，可以组合本发明的不同特征以创建不同于以下描述的实施例，而不脱离本发明的范围。
附图说明
36.根据以下详细描述和附图将容易地理解本发明的各个方面(包括其特定特征和优点)，在附图中：
37.图1概念性地图示出被布置成从场景获取雷达检测的静止雷达单元；
38.图2是根据本发明的实施例的雷达单元和用于对检测到的轨迹进行分类的相关功能或模块的框图；
39.图3概念性地图示出根据本发明的实施例的场景模型和在与场景模型中的位置相关的处理中的特定轨迹；
40.图4是根据本发明的实施例的方法步骤的流程图；
41.图5是根据本发明的实施例的系统的框图；并且
42.图6是根据本发明的实施例的系统的框图。
具体实施方式
43.现在将在下文中参照附图更全面地描述本发明，在附图中示出了本发明的当前优选实施例。然而，本发明可以以许多不同的形式实施并且不应被解释为限于本文中阐述的实施例；相反，提供这些实施例是为了彻底和完整，并向本领域技术人员充分传达本发明的范围。相同的附图标记始终指代相同的元件。
44.现在转向附图并且特别是图1，示出了场景1和被布置成从场景1获取雷达检测的静止雷达单元100。在场景1中，也考虑雷达单元100的检测区域，目标102正在沿路径103移动。静止雷达单元100朝向场景1发射雷达信号104。这里指示为105的一些信号被目标102反射并直接返回到静止雷达单元100。雷达信号105由静止雷达单元100的天线检测。使用雷达对雷达信号的检测和雷达的操作在本领域中被认为是已知的并且将不在本文中详细描述。
45.场景1进一步包括诸如建筑物的墙壁的反射物体106。直接从目标102返回到雷达单元100的信号105表示对真实目标102的检测。因此，真实目标102的特定轨迹属于真实目标102。
46.真实目标102进一步朝向物体106的表面108反射雷达信号107，表面108朝向雷达单元100反射。通过标准雷达检测技术，从表面108发射的反射信号107的检测被解释为属于沿路径110移动的物体106“内部”的物体109。因此，目标109表示虚假目标109，因为在物体106内部的该位置处不可能存在真实目标。
47.基于以上讨论，使用接下来将描述的方法，通过将检测到的轨迹的位置以及关于在哪里预期真实目标102和在哪里预期虚假目标109的信息与场景模型中的位置相关，可以将检测到的轨迹分类为属于真实目标102或属于虚假目标109。
48.雷达单元100可以是各种类型，但在一种可能的实现中，静止雷达单元100是调频连续波雷达。其他合适的实现是其他种类的频率调制雷达、相位调制雷达，特别是连续波相位调制雷达、发射相干脉冲或脉冲串的雷达或使用多载波的雷达(特别是ofdm雷达)。
49.图2是雷达单元100和用于对检测到的轨迹进行分类的相关功能或模块的框图。
50.来自雷达单元100的雷达检测被馈送到轨迹器模块206。轨迹器模块206可以是在单独的处理电路上或在用于分类方法的其他功能的公共控制器上可操作的软件模块。轨迹器模块206被配置成处理从雷达单元100接收的雷达检测以确定轨迹特定特征。
51.轨迹特定特征包括距离测量、多普勒测量、方位角测量和仰角测量、以及特定轨迹是当前最强的特定轨迹还是当前时间帧中最接近雷达单元的轨迹、特定轨迹是最弱的特定轨迹还是在当前时间帧中离雷达单元最远的轨迹以及特定轨迹的当前寿命中的至少一种。轨迹器模块可以在笛卡尔或极坐标中输出空间坐标和速度测量值。可以从多普勒测量或通过本领域已知的其他方法确定速度。
52.轨迹器模块206优选地仅检测相对于雷达单元具有非零速度的目标。这对于最接近雷达单元的检测尤其重要，因为可能存在比最接近物体更接近雷达的静态反射。通过允许雷达轨迹器仅检测非零速度目标可缓解该问题，因为轨迹器模块不检测静态反射。
53.产生轨迹特定特征数据包括形成距离测量、多普勒测量、方位角测量和仰角测量中的至少一种的时间演化的表示，并且在神经网络中处理该表示。因此，轨迹器模块206可以是用于使用上述轨迹特定特征测量作为神经网络的输入来产生轨迹特定数据的神经网络。
54.产生轨迹特定特征数据的一种方式是在几帧内为每帧的轨迹绘制距离和多普勒测量等的测量的分布，为每个轨迹形成图像。这些图像可以被视为示出了轨迹特定特征的时间演化，并且可以用作卷积神经网络的输入，在卷积神经网络中它们被转换成密集特征。轨迹特定特征的其他表示(诸如例如，所谓的点云)是可能的。
55.进一步，来自雷达单元100的雷达检测可以被馈送到场景模型208。场景模型208可以存储在存储器设备中并且包括随时间的推移聚合的场景特定特征。场景模型208可以由场景中随时间的推移聚合的不同特征的映射来表示。场景中物体的位置和物体的轨迹以及随时间的推移聚合的关于检测到的轨迹的空间信息可以被包括在场景模型208中。
56.具体地，场景模型208包括指示场景中具有预期虚假目标检测的区域和具有预期真实目标检测的区域的信息。
57.轨迹特定特征和场景特定特征以某种方式连接或融合，并且然后用作分类器210的输入。具体地，分类器210被配置成利用来自场景模型208的信息和由轨迹器206检测到的特定轨迹的位置的信息，以将特定轨迹分类为属于真实轨迹或虚假轨迹。
58.分类器模块210可以根据具体实现来操作不同类型的分类器。例如，可以使用适于执行分类步骤的分类器神经网络。神经网络优选地适于捕获特定轨迹的时间演化。适于执行分类的各种类型的神经网络本身是可设想和已知的。示例合适的神经网络是循环神经网络和卷积神经网络。其他合适的分类器可以是诸如随机森林分类器的决策树分类器。此外，诸如支持向量机分类器、逻辑回归分类器、启发式分类器、模糊逻辑分类器、统计分类器或查找表的分类器也可设想用于分类器模块210中。
59.分类器模块提供指示分类步骤的结果的输出212。
60.在轨迹器模块206中确定的轨迹可以基于轨迹在场景中的位置被分配有场景特定特征。因此，一旦检测到特定轨迹，它的位置可以与场景模型中的位置相关联，从而可以将场景特定特征分配给特定轨迹。例如，可以为特定轨迹分配指示轨迹被反射表面遮挡以及来自同一区域中的先前轨迹的信号有多强的场景特定特征。这样的分配提供了特定轨迹是源自真实目标还是源自虚假目标的指示。分配的场景特定特征被馈送到分类器模块210。
61.此外，可以通过将分配给特定轨迹的场景特定特征添加到场景模型208来更新场景模型208。因此，在模型中聚合更多场景特定特征。进一步，可以将关于特定轨迹的信息添加到场景模型208。将特征添加到场景模型208的优点是增强场景模型208以用于后续分类。进一步，它允许在场景1发生改变的情况下更新场景模型，从而提供轨迹的自适应分类。
62.图2指示雷达检测被馈送到场景模型208和轨迹器模块206两者中。雷达检测可以以不同的方式被拆分或过滤，或者相同的雷达检测可以被馈送到轨迹器模块206和场景模型208中。在一些实现中，所有雷达检测被馈送到场景模型208中，并且仅指示移动目标的雷达检测被馈送到轨迹器模块206。
63.所有场景特定特征可以根据雷达检测来确定。然而，在其他可能的实施例中，雷达由诸如相机的光学传感装置补充。在这样的融合系统中，场景特定特征的至少一部分可以根据由光学传感装置捕获的光学图像数据来确定，从而通过添加来自另一源的附加数据来进一步增强场景模型208。
64.图3概念性地图示出场景模型208和在与场景模型208中的位置相关的处理中的特定轨迹302。
65.场景模型208包括指示场景中具有预期虚假目标检测的区域320、324和具有预期真实目标检测的区域322的信息。信息可以包括可能关于区域与真实目标检测或虚假目标检测的任何指示，或者可能由区域与真实目标检测或虚假目标检测可导出的任何指示。场景模型208不直接指示映射中的区域320、322、324本身。然而，如果基于落在例如区域320中的位置的轨迹从场景模型208中提取场景特定特征，则提取的场景特定特征与轨迹的轨迹特定特征一起可能导致虚假目标分类。类似地，如果基于落在例如区域322中的位置的轨迹从场景模型208中提取场景特定特征，则提取的场景特定特征与轨迹的轨迹特定特征一起可能导致真实目标分类。
66.作为进一步示例，从先前检测到的轨迹可以知道，出现在一个位置的轨迹通常延续到属于场景的物体(例如，建筑物或集装箱或真实目标无法定位的停放的卡车)的位置的
区域。因此，如果轨迹302出现在预期发现虚假轨迹的区域320中，则与这样的轨迹相关的场景模型208的场景特定特征可能导致分类器将轨迹分类为属于虚假目标。因此，从场景模型208中的聚合数据可以知道，出现在区域320中的轨迹很可能是虚假目标。
67.应当理解，区域320不一定是场景中物体所占据的区域。应该理解为这样的区域，如果在该区域中检测到轨迹，则它很可能属于虚假目标。
68.每次检测到特定目标时，特定目标可以被分配有场景特定特征。例如，特定轨迹302可以被分配有与它被检测到的位置(例如，对应于区域320)相关的场景特定特征。这些场景特定特征和对应的轨迹特定特征被前馈到分类器，以用于对特定轨迹进行分类。
69.进一步，为特定目标分配场景特定特征可以使场景模型208适应改变的场景。例如，假设在场景中引入了一个新物体。使用馈送到场景模型208的雷达检测来检测和映射该新物体，场景模型208随时间的推移聚合检测并因此将新物体映射到场景模型208。当检测到新轨迹时，越来越多的轨迹被分配有与新物体相关的场景特定特征。因此，与另一区域324相关的场景特定特征在预期检测到的轨迹属于虚假目标的位置处形成。因此，本发明构思允许使分类适应改变的场景。
70.图4是根据本发明的实施例的方法步骤的流程图。
71.在步骤s102中，使用静态雷达单元100获取场景的雷达检测。
72.在步骤s104中，将雷达检测的至少一部分馈送到轨迹器模块106中，以用于产生指示场景中的特定轨迹302的轨迹特定特征数据。
73.在步骤s106中，将雷达检测的至少一部分馈送到场景模型208中，场景模型208包括关于随时间的推移聚合的场景特定特征的信息以及指示场景中具有预期虚假目标检测的区域和具有预期真实目标检测的区域322的信息。场景特定特征的至少一个子集根据雷达检测来确定。
74.在步骤s108中，通过将特定轨迹与场景模型208中的位置相关来将特定轨迹分类为属于真实目标102或属于虚假目标109。
75.在可选步骤s110中提供输出。该输出可用于进一步的处理步骤和/或作为对用户界面的指示或信号。
76.图5概念性地图示出根据本发明的实施例的系统400。系统400包括静止雷达单元100和控制单元402。
77.控制单元402被配置成对由静止雷达单元100获取的场景1的雷达检测中的轨迹进行分类。
78.控制单元402通信地连接到雷达单元100，使得它可以获取指示由静态雷达单元100捕获的场景的雷达检测的数据。控制单元402可以无线地连接到雷达单元100，或者它可以硬连线到雷达单元100，使得数据可以从雷达单元100传送到控制单元402。在一些可能的实现中，控制单元可以位于远程服务器等上，例如，在“云”中实现分类方法。在其他可能的实现中，控制单元402被包括在雷达单元100中。
79.进一步，控制单元402被配置成在轨迹器模块206中处理雷达检测数据的至少一部分，以用于产生指示场景中的特定轨迹302的轨迹特定特征数据。轨迹器模块206在这里被概念性地图示为控制单元402的一部分或在控制单元402上可操作，例如，作为软件模块。然而，轨迹器模块同样可以在与主控制单元402通信的单独控制单元上可操作。
80.控制单元402进一步被配置成将雷达检测数据的至少一部分馈送到场景模型208中，场景模型208包括关于随时间的推移聚合的场景特定特征的信息以及关于场景中具有预期虚假目标检测的区域320和具有预期真实目标检测的区域322的信息。场景特定特征的至少一个子集根据雷达检测来确定。因此，控制单元402可以被配置成根据雷达检测产生场景特定特征并将它们添加到场景模型208中。场景模型208存储在控制单元402可访问或作为控制单元402的一部分的存储器装置中。
81.控制单元402被配置成通过将特定轨迹与场景模型208中的位置相关来将特定轨迹分类为属于真实目标102或属于虚假目标109。控制单元402将轨迹特定特征数据和场景模型208馈送到分类器模块210，分类器模块210包括适于对特定轨迹进行分类的分类器。
82.场景模型208可以表示为例如查找表或存储在存储器装置上的映射数据，或存储为离散网格点。
83.图6是本发明的另一可能实施例的框图。除了关于图5讨论的特征和元件之外，系统500进一步包括诸如相机或lidar的光学传感装置502。进一步，也可以设想声学传感器，特别是麦克风阵列。
84.作为分类的一部分，可以在分类器模块210中将由轨迹器模块206确定的特定轨迹与由光学传感装置502获取的场景208或从场景中提取的特征的表示进行比较。例如，如果在由光学传感装置502获取的场景的表示中不存在对应的轨迹，则分类器模块210可以将特定轨迹分类为虚假轨迹。换句话说，如果分类器模块210发现由相机502检测到的轨迹与由雷达100检测到的轨迹之间没有对应关系，则分类器模块210的输出更可能是特定轨迹属于虚假目标。
85.类似地，如果分类器模块210指示由相机502检测到的轨迹与由雷达100检测到的轨迹之间的对应关系，则来自分类器模块210的输出更有可能是特定轨迹属于真实目标。也取决于分类模块210的输出。
86.控制单元包括微处理器、微控制器、可编程数字信号处理器或另一可编程装置。控制单元还可以或替代地包括专用集成电路、可编程门阵列或可编程阵列逻辑、可编程逻辑器件或数字信号处理器。在控制单元包括诸如上述微处理器、微控制器或可编程数字信号处理器的可编程装置的情况下，处理器可以进一步包括控制可编程装置的操作的计算机可执行代码。
87.本公开的控制功能可以使用现有的计算机处理器来实现、或者通过为这个或另一目的而合并的适当系统的专用计算机处理器来实现、或者通过硬线系统来实现。本公开的范围内的实施例包括程序产品，该程序产品包括用于承载或具有存储在其上的机器可执行指令或数据结构的机器可读介质。这样的机器可读介质可以是可以由通用或专用计算机或具有处理器的其他机器访问的任何可用介质。举例来说，这样的机器可读介质可以包括ram、rom、eprom、eeprom、cd-rom或其他光盘存储、磁盘存储器或其他磁存储设备或者可用于以机器可执行指令或数据结构的形式携带或存储所需程序代码并且可由通用或专用计算机或具有处理器的其他机器访问的任何其他介质。当信息通过网络或其他通信连接(硬连线、无线或硬连线或无线的组合)传送或提供到机器时，机器将连接恰当地视为机器可读介质。因此，任何这样的连接被恰当地称为机器可读介质。以上的组合也被包括在机器可读介质的范围内。例如，机器可执行指令包括使通用计算机、专用计算机或专用处理机器执行
特定功能或功能组的指令和数据。
88.尽管附图可能示出了顺序，但步骤的顺序可能与所描绘的顺序不同。此外，可以同时或部分同时执行两个或多个步骤。这样的变化将取决于所选择的软件和硬件系统以及设计师的选择。所有这样的变化都在本公开的范围内。同样，软件实现可以用具有基于规则的逻辑和其他逻辑的标准编程技术来完成，以完成各种连接步骤、处理步骤、比较步骤和决策步骤。附加地，尽管本发明已经参照其特定的示例性实施例进行了描述，但是对于本领域的技术人员来说，许多不同的改变和修改等将变得显而易见。
89.此外，通过研究附图、本公开和所附权利要求，本领域技术人员在实践所要求保护的发明时可以理解和实现所公开的实施例的变化。此外，在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”不排除多个。