具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的多传感器数据融合方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取目标区域102内的点云数据集合103和车载单目摄像机拍摄的图像104,其中,上述点云数据包括:横坐标值、纵坐标值和竖坐标值。其次,计算设备101可以对上述图像104进行特征提取以生成图像特征图105。然后,计算设备101可以对上述目标区域102进行网格划分以生成子目标区域集合106。进而,计算设备101可以确定上述子目标区域集合106中每个子目标区域内的点云数据的均值以生成点云数据均值信息,得到点云数据均值信息集合107。进而,计算设备101可以基于上述子目标区域集合106、上述点云数据均值信息集合107和上述点云数据集合103,生成点云数据特征信息集合108。然后,计算设备101可以确定上述点云数据特征信息集合108中的每个点云数据特征信息对应的点云数据在上述图像特征图105中的映射坐标,得到映射坐标集合109。进而,计算设备101可以将上述点云数据特征信息集合108中每个点云数据特征信息与对应的图像特征进行特征拼接,以生成拼接特征信息,得到拼接特征信息集合110,其中,上述图像特征是上述图像特征图105中坐标和上述点云数据特征信息对应的映射坐标相同的特征。进一步,计算设备101可以将上述拼接特征信息集合110输入至特征融合模型111以生成融合特征信息112。除此之外,计算设备101可以将上述融合特征信息112输入至障碍物检测模型113以生成障碍物检测信息114。最后计算设备101可以将上述障碍物检测信息114发送至目标显示终端115以及在上述目标显示终端115上进行显示。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的多传感器数据融合方法的一些实施例的流程200。该多传感器数据融合方法,包括以下步骤:
步骤201,获取目标区域内的点云数据集合和车载单目摄像机拍摄的图像。
在一些实施例中,多传感器数据融合方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接的方式获取目标区域内的点云数据集合和车载单目摄像机拍摄的图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。其中,上述点云数据集合可以通过激光雷达对周围环境进行扫描得到。上述目标区域可以是激光雷达感知范围内的区域。上述点云数据可以包括:横坐标值、纵坐标值和竖坐标值。可选地,上述点云数据还可以包括:反射强度值。可选地,上述目标区域可以通过以下公式得到:
其中,
表示上述点云数据集合中点云数据包括的横坐标值。
表示上述点云数据集合中点云数据包括的纵坐标值。
表示上述点云数据集合中点云数据包括的竖坐标值。
表示第一扫描角度值,取值范围为
。
表示第二扫描角度值,取值范围为
。
表示激光雷达感知半径。
为表示第一感知半径,取值范围为
。
为第二感知半径,取值范围为
。
作为示例,上述目标区域的平面图可以是图3中的阴影部分。其中,上述目标区域可以是在车辆坐标系下的区域。上述车辆坐标系可以是以自动驾驶车辆的后轴中心为原点,以与后轴平行的线为横轴,以与上述自动驾驶车辆行驶方向平行的线为纵轴,以与地面垂直的线为竖轴建立的坐标系。图3中的变量与上述公式中的变量对应,图3中的阴影部分与上述公式对应。
上述公式及对应内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题三“实际情况中,自动驾驶车辆在行驶过程中的前后两侧的点云数据更加重要,车身两侧的点云数据相对重要程度较低,现有技术往往是通过传感器获取车辆周围的全部点云数据,而未抛弃相对不重要的点云数据,使得在计算过程中包含了较多的不重要的点云数据,使得计算效率不够高”。导致计算效率不够高的因素往往如下:没有对获取到的点云数据进行筛选,从而使得在计算过程中包含了较多的不重要的点云数据。如果解决了上述因素,就能够提高计算效率。为了达到这一效果,首先,本公开引入了激光雷达感知半径,在实际情况中,自动驾驶车辆往往是通过激光雷达,感知自动驾驶车辆周围的环境数据以生成点云数据。通过激光雷达感知半径以此确定车载激光雷达所能感知的最大范围。其次,自动驾驶车辆周围一定范围内的点云数据相对重要。因此,本公开引入了第一感知半径,以此,确定自动驾驶车辆周围相对重要的区域对应的公式。然后,由于车辆前方跟后方的点云数据相对重要,因此本公开引入了第一扫描角度值和第二扫描角度值,以此来确定自动驾驶车辆前方以及后方的感知范围。除此之外,为了降低确定感知区域的难度,本公开还引入了第二感知半径。通过两圆相交的原理以此确定部分感知区域对应的表达式。最后,在实际情况中,道路上方可能存在电线,广告牌等障碍物。因此对感知区域进行了立体化。从而保证了获取数据的全面性以及精简性,进而,提高了计算效率。
步骤202,对图像进行特征提取以生成图像特征图。
在一些实施例中,上述执行主体可以使用SURF(快速鲁棒性特征,Speeded UpRobust Features)算法,也可以是通过ORB(特征提取,Oriented Fast and RotatedBrief)算法对图像进行特征提取以生成图像特征图。
在一些实施例的一些可选的实现方式,上述执行主体对图像进行特征提取以生成图像特征图,可以包括以下步骤:
如附图4所示。
第一步,对上述图像104进行特征提取以生成第一子特征图401。其中,上述执行主体可以通过SIFT(Scale-invariant feature transform,尺度不变特征变换)算法对上述图像104进行特征提取以生成上述第一子特征图401。上述第一子特征图401的尺寸为上述图像104的尺寸的1/4。
第二步,对上述第一子特征图401进行特征提取以生成第二子特征图402。其中,上述执行主体可以通过CNN(Convolutional Neural Networks,卷积神经网络)模型对上述第一子特征图401进行特征提取以生成第二子特征图402。上述第二子特征图402的尺寸为上述图像104的尺寸的1/8。
第三步,对上述第二子特征图402进行特征提取以生成第三子特征图403。其中,上述执行主体可以通过RNN(Recurrent Neural Network,循环神经网络)模型对上述第二子特征图402进行特征提取以生成第三子特征图403。其中,上述第三子特征图403的尺寸为上述图像104的尺寸的1/8。
第四步,将上述第二子特征图402和第三子特征图403进行特征放大,以生成第一放大特征图404和第二放大特征图405。其中,上述执行主体可以通过基于边缘的图像差值算法或基于区域的图像差值算法等算法实现将上述第二子特征图402和第三子特征图403进行特征放大,以生成第一放大特征图404和第二放大特征图405。其中,上述第一放大特征图404的尺寸为上述图像104尺寸的1/4。上述第二放大特征图405的尺寸为上述图像104尺寸的1/4
第五步,将上述第一子特征图401、第一放大特征图404和第二放大特征图405进行特征叠加以生成上述图像特征图105。其中,上述执行主体可以通过VGG19卷积神经网络将上述第一子特征图401、第一放大特征图404和第二放大特征图405进行特征叠加以生成上述图像特征图105。上述图像特征图105的尺寸为上述图像104尺寸的1/4。
步骤203,对目标区域进行网格划分以生成子目标区域集合。
在一些实施例中,上述执行主体可以对上述目标区域进行体素化处理,以生成上述子目标区域集合。
步骤204,确定子目标区域集合中每个子目标区域内的点云数据的均值以生成点云数据均值信息,得到点云数据均值信息集合。
在一些实施例中,上述执行主体可以通过各种方式确定子目标区域集合中每个子目标区域内的点云数据的均值以生成点云数据均值信息,得到点云数据均值信息集合。
步骤205,基于子目标区域集合、点云数据均值信息集合和点云数据集合,生成点云数据特征信息集合。
在一些实施例中,上述执行主体可以将上述子目标区域集合中的每个子目标区域对应的点云数据均值和上述子目标区域内的所有点云数据进行数据拼接,以生成点云数据特征信息,得到上述点云数据特征信息集合。
作为示例,点云数据均值可以是(1,2,3)。点云数据可以是(2,3,4)。生成的点云数据特征可以是(1,2,3,2,3,4)。
在一些实施例的一些可选的实现方式中,上述执行主体基于子目标区域集合、点云数据均值信息集合和点云数据集合,生成点云数据特征信息集合,其中,上述点云数据均值信息可以包括:点云数据横坐标均值、点云数据纵坐标均值和点云数据竖坐标均值,可以包括以下步骤:
第一步,通过以下公式,确定上述子目标区域集合中的每个子目标区域内的每个点云数据与上述子目标区域对应的点云数据均值信息的差值以生成第一偏差信息,得到第一偏差信息组集合,其中,上述第一偏差信息包括:第一横坐标偏差值和第一纵坐标偏差值:
其中,
表示上述第一偏差信息包括的第一子偏差信息。
表示上述第一偏差信息包括的第二子偏差信息。
表示上述点云数据包括的横坐标值。
表示上述点云数据包括的纵坐标值。
表示上述点云数据均值信息包括的点云数据横坐标均值。
表示上述点云数据均值信息包括的点云数据纵坐标均值。
第二步,通过以下公式,确定上述子目标区域集合中的每个子目标区域内的每个点云数据与上述子目标区域的中心点的差值以生成第二偏差信息,得到第二偏差信息组集合,其中,上述第二偏差信息包括:第二横坐标偏差值,第二纵坐标偏差值:
其中,
表示上述第二偏差信息包括的第二横坐标偏差值。
表示上述第二偏差信息包括的第二纵坐标偏差值。
表示上述子目标区域的中心点的横坐标值。
表示上述子目标区域的中心点的纵坐标值。
表示上述点云数据包括的横坐标值。
表示上述点云数据包括的纵坐标值。
第三步,基于上述点云数据集合、上述上述第一偏差信息组集合和上述第二偏差信息组集合,生成上述点云数据特征信息集合。其中,上述执行主体可以将上述点云数据集合中的每个点云数据和上述点云数据对应的第一偏差信息组合第二偏差信息组进行拼接,以生成点云数据特征信息。
步骤206,确定点云数据特征信息集合中的每个点云数据特征信息对应的点云数据在图像特征图中的映射坐标,得到映射坐标集合。
在一些实施例中,上述执行主体可以通过数学软件确定点云数据特征信息集合中的每个点云数据特征信息对应的点云数据在图像特征图中的映射坐标,得到映射坐标集合。
步骤207,将点云数据特征信息集合中每个点云数据特征信息与对应的图像特征进行特征拼接,以生成拼接特征信息,得到拼接特征信息集合。
在一些实施例中,上述执行主体可以通过各种方式将上述点云数据特征信息集合中每个点云数据特征信息与对应的图像特征进行特征拼接,以生成拼接特征信息,得到拼接特征信息集合。
步骤208,将拼接特征信息集合输入至特征融合模型以生成融合特征信息。
在一些实施例中,上述执行主体可以将拼接特征信息集合输入至特征融合模型以生成融合特征信息。其中,上述特征融合模型可以是CNN(Convolutional NeuralNetworks,卷积神经网络)模型,也可以是RNN(Recurrent Neural Network,循环神经网络)模型。
步骤209,将融合特征信息输入至障碍物检测模型以生成障碍物检测信息。
在一些实施例中上述执行主体可以将将融合特征信息输入至障碍物检测模型以生成障碍物检测信息。其中,上述障碍物检测模型可以是KNN(K-NearestNeighbor,临近算法)模型。
步骤210,将障碍物检测信息发送至目标显示终端以及在上述目标显示终端上进行显示。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式,将障碍物检测信息发送至目标显示终端以及在上述目标显示终端上进行显示。其中,上述目标显示终端可以是车载显示终端。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的多传感器融合方法简化了障碍物信息生成步骤,减少了计算资源的浪费以及提高了障碍物信息的生成精度。具体来说,造成计算机资源浪费以及障碍物信息生成精度低下的原因在于:需要通过不同的感知算法对从各个传感器获取到的数据进行障碍物检测,然后,通过融合算法将多个障碍物检测的结果进行数据融合。并且,经过障碍物检测得到的结果相比从传感器获取得到的数据,特征维度较低,使得最终生成的障碍物信息不够精准。基于此,本公开的一些实施例的多传感器数据融合方法,首先,对图像数据进行特征提取,得到图像特征图。然后,对点云数据进行特征提取,得到点云数据特征信息集合。进而,根据上述点云数据特征信息集合中的各个点云数据特征信息对应的映射坐标,将点云数据特征信息与杉树图像特征图中对应的图像特征进行关联以及拼接。然后,将得到的拼接特征信息集合输入特征融合模型以生成融合特征信息。最后,将上述融合特征信息输入障碍物检测模型,从而得到障碍物检测信息。此种方法,无需通过多个感知算法对从各个传感器得到的数据分别进行障碍物信息生成。而是直接提取到从各个传感器得到的数据的特征信息后,直接对特征信息进行拼接。然后,通过特征融合算法将得到的多个拼接特征信息进行融合,最后,将融合特征信息输入障碍物检测模型,从而得到最终的障碍物信息。由于融合特征信息包含了较多的数据特征信息,使得最终生成的障碍物信息的精度有所提高。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种多传感器数据融合装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的多传感器数据融合装置500包括:获取单元501、特征提取单元502、网格划分单元503、第一确定单元504、生成单元505、第二确定单元506、拼接单元507、特征融合单元508、障碍物检测信息生成单元509和发送及显示单元510。其中,接收单元501被配置成接收用户的网页浏览请求,其中,获取单元501,被配置成获取目标区域内的点云数据集合和车载单目摄像机拍摄的图像,其中,上述点云数据包括:横坐标值、纵坐标值和竖坐标值;特征提取单元502,被配置成对上述图像进行特征提取以生成图像特征图;网格划分单元503,被配置成对上述目标区域进行网格划分以生成子目标区域集合;第一确定单元504,被配置成确定上述子目标区域集合中每个子目标区域内的点云数据的均值以生成点云数据均值信息,得到点云数据均值信息集合;生成单元505,被配置成基于上述子目标区域集合、上述点云数据均值信息集合和上述点云数据集合,生成点云数据特征信息集合;第二确定单元506,被配置成确定上述点云数据特征信息集合中的每个点云数据特征信息对应的点云数据在上述图像特征图中的映射坐标,得到映射坐标集合;拼接单元507,被配置成将上述点云数据特征信息集合中每个点云数据特征信息与对应的图像特征进行特征拼接,以生成拼接特征信息,得到拼接特征信息集合,其中,上述图像特征是上述图像特征图中坐标和上述点云数据特征信息对应的映射坐标相同的特征;特征融合单元508,被配置成将上述拼接特征信息集合输入至特征融合模型以生成融合特征信息;障碍物检测信息生成单元509,被配置成将上述融合特征信息输入至障碍物检测模型以生成障碍物检测信息;发送及显示单元510,被配置成将上述障碍物检测信息发送至目标显示终端以及在上述目标显示终端上进行显示。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标区域内的点云数据集合和车载单目摄像机拍摄的图像,其中,上述点云数据包括:横坐标值、纵坐标值和竖坐标值;对上述图像进行特征提取以生成图像特征图;对上述目标区域进行网格划分以生成子目标区域集合;确定上述子目标区域集合中每个子目标区域内的点云数据的均值以生成点云数据均值信息,得到点云数据均值信息集合;基于上述子目标区域集合、上述点云数据均值信息集合和上述点云数据集合,生成点云数据特征信息集合;确定上述点云数据特征信息集合中的每个点云数据特征信息对应的点云数据在上述图像特征图中的映射坐标,得到映射坐标集合;将上述点云数据特征信息集合中每个点云数据特征信息与对应的图像特征进行特征拼接,以生成拼接特征信息,得到拼接特征信息集合,其中,上述图像特征是上述图像特征图中坐标和上述点云数据特征信息对应的映射坐标相同的特征;将上述拼接特征信息集合输入至特征融合模型以生成融合特征信息;将上述融合特征信息输入至障碍物检测模型以生成障碍物检测信息;将上述障碍物检测信息发送至目标显示终端以及在上述目标显示终端上进行显示。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。在这点上,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,该模块、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,两个接连地表示的方框实际上可以基本并行地执行,它们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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、特征提取单元、网格划分单元、第一确定单元、生成单元、第二确定单元、拼接单元、特征融合单元、障碍物检测信息生成单元和发送及显示单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标区域内的点云数据集合和车载单目摄像机拍摄的图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。