具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本申请一实施例提供的避障方法的流程示意图,该方法包括:
S101:获取跟踪目标的场景图像。
在本实施例中,获取移动机器人与跟踪目标之间的场景图像。场景图像可以是彩色图像和/或深度图像,在此不做限定。
S102:根据场景图像,确定移动机器人和跟踪目标之间是否存在障碍物。
在本实施例中,可以通过图像处理方法或者卷积神经网络等方式识别场景图像,从而判断移动机器人和跟踪目标之间是否存在障碍物。
利用深度直方图来判断移动机器人和跟踪目标之间是否存在障碍物。深度直方图可根据获取到的深度图像,利用计算机程序直接获得。
S103:若是,则确定障碍物所属的障碍物类型和边界信息,其中,每种障碍物类型对应于一种预设避障策略。
在本实施例中,障碍物类型的个数和分类方式可以根据实际需求进行设定,在此不做限定。例如,障碍物类型可以分为两类:静态障碍物和动态障碍物;或者,障碍物也可以分为三类:静态障碍物、低速运动障碍物、高速运动障碍物。
边界信息可以是当前行驶平面中障碍物所在区域的边界轮廓信息,或者障碍物所在三维空间的边界轮廓信息等,在此不对边界信息进行限定。预设障碍策略可以根据障碍物类型的形状特点、运动特点等预先进行设定,在此不作限定。
如果存在障碍物,可以采用三帧差分法与金字塔LK流光法结合的方法,判断该障碍物的类型为静态障碍物还是动态障碍物。也可以利用雷达获取机器人的位置坐标及周围环境坐标信息,将当前坐标信息与坐标信息库进行比对,从而判断障碍物类型;或者结合雷达、场景图像等多种感测数据进行分析,以判断判断障碍物类型,在此不做限定。
S104:根据边界信息和障碍物所属的障碍物类型所对应的预设避障策略,控制机器人移动。
在本实施例中,根据障碍物所属的障碍物类型,机器人选择对应的预设避障策略进行避障。
本发明实施例通过获取包含跟踪目标的场景图像;根据场景图像,确定机器人和跟踪目标之间是否存在障碍物;若是,则确定障碍物所属的障碍物类型和边界信息,其中,每种障碍物类型对应于一种预设避障策略;根据边界信息和障碍物所属的障碍物类型所对应的预设避障策略,控制机器人移动,通过设置障碍物类型对应的预设避障策略,在识别到存在障碍物时,根据障碍物所属的类型对应的预设避障策略对机器人进行避障控制,能够减少避障所需处理的数据量,降低机器人的能耗。
图2为本申请另一实施例提供的避障方法的流程示意图。在上述实施例的基础上,障碍物类型包括动态障碍物和静态障碍物;动态障碍物对应于动态避障策略,静态障碍物对应于静态避障策略。根据边界信息和障碍物所属的障碍物类型所对应的预设避障策略,控制机器人移动,可以包括:
S201:在障碍物所属的障碍物类型为动态障碍物时,根据边界信息和动态避障策略控制机器人移动。
在本实施例中,当确定障碍物类型为动态障碍物时,机器人执行动态避障策略。动态避障策略可以采用机器人原地等待,待障碍物通过后继续跟踪目标的方法,也可以采用机器人获取动态障碍物的移动范围后,直接避开动态障碍物的移动范围,或者也可以采用机器人实时获取动态障碍物的移动位置,实时避障,在此不作限定。
S202:在障碍物所属的障碍物类型为静态障碍物时,根据边界信息和静态避障策略控制机器人移动。
在本实施例中,当确定障碍物类型为静态障碍物时,机器人执行静态避障策略。静态避障策略可以采用机器人直接绕开静态障碍物的方法,也可以采用机器人距离静态障碍物距离较远时保持直线跟踪,当机器人与静态障碍物之间的距离达到阈值后,机器人采取绕开静态障碍物的行为,在此不作限定。
本实施例通过将障碍物分为静态障碍物和动态障碍物两类,并相应设置静态避障策略和动态避障策略,能够以是否运动的特点对障碍物进行划分,以对机器人进行不同的避障控制,能够提高避障的精准性。
图3为本申请再一实施例提供的避障方法的流程示意图,在上述图2所示实施例的基础上,根据边界信息和动态避障策略控制机器人移动可以包括:
S301:根据向量场直方图和边界信息,确定机器人的目标运动方向。
在本实施例中,可以将移动机器人运动场景的环境信息表征成若干个二维栅格,每个二维栅格都有一个概率值用来表示该像素点存在障碍物的可能性大小,即可信度(Certainty Value,CV)。
(1)对当前视频图像进行二维栅格向量化,具体计算公式为:m
i,j=(c
i,j)
2(a-bd
i,j);其中a、b是正常数,C
i,j为视频图像中栅格(i,j)的CV值,d
i,j是该栅格到机器人中心点的距离。移动机器人下一时刻的运动方向由当前时刻与障碍物的相对位置决定:
其中(x
0,y
0)是当前时刻移动机器人中心点的绝对位置坐标,(x
j,y
j)是栅格的绝对位置。
(2)确定活动窗口分区:假设图像的分辨率为α,此时一共包括n个区间,其中
对于任意区间k,(k=0,1,2,...,n-1),有k=int(β
i,j/α),障碍密度为:
各个分区计算得到的CV值大小不一,也就意味着图像中障碍物的标注较为离散,因此需要对上述算法进行平滑处理:
(3)确定移动机器人的运动方向θ。
在本实施例中,经上式(1-1)的计算得到环境图像每个分区中障碍物的概率密度,通过与预先设定的阈值τ做对比来确定区间是否可以供移动机器人行走。当障碍物的概率密度小于预先设定的阈值τ时,定义该区域为“安全区域”,当有连续多个区间都为“安全区域”时,定义它们为“宽谷”,否则称之为“窄道”。所述“宽谷”的最左边区间记为k
l,最右边区间记为k
r,那么此时移动机器人的移动方向为:
S302:控制机器人向目标方向移动。
在判断出障碍物类型为动态障碍物并得到该障碍物的位置与边缘信息的基础上,将移动机器人运动场景的环境信息表征成若干个若干二维栅格,其中所述每个二维栅格都用一个概率值(可信度CV)来表示该像素点存在障碍物的可能性大小,使用VFH算法进行移动机器人的动态障避障策略——栅格向量化、活动窗口分区、确定移动机器人的移动方向。
本实施例中,通过向量场直方图算法和障碍物的边界信息能够准确控制机器人避开动态的障碍物,提高避障的精准度。
图4为本申请另一实施例提供的避障方法的流程示意图,在上述图2或图3所示实施例的基础上,根据边界信息和静态避障策略控制机器人移动可以包括:
S401:根据边界信息和机器人的位置信息,确定静态障碍物与机器人之间的距离。
在本实施例中,可以利用雷达直接获取到障碍物与机器人之间的距离,也可以利用边界信息和机器人的位置信息确定障碍物与机器人之间的距离,在此不做限定。
S402:在距离大于或等于预设距离阈值时,控制机器人沿直线方向移动。
在本实施例中,静态障碍物与机器人之间的距离阈值可以人为地根据机器人体积或移动速度进行设定,在此不做限定。
S403:在距离小于预设距离阈值时,根据边界信息确定静态障碍物位于机器人的视场,在静态障碍物位于机器人的左视场或左中视场时,控制机器人右转;在静态障碍物位于机器人的右视场或右中视场时,控制机器人左转;在静态障碍物位于机器人的中间视场时,控制机器人左转或右转。
在本实施例中,对视场进行划分的方式和划分的范围可以根据实际需求确定,在此不做限定。例如,可以将视场从机器人运动前方的左侧向右侧依次划分为左视场、左中视场、中视场、右中视场、右视场,左视场或左中视场;也可以将机器人前方视场平均分为左、右视场,且只有当静态障碍物框图的垂直平分线与机器人前方视场垂直平分线重合时,确定静态障碍物位于机器人前方视场的中间视场,控制机器人左转或右转;当静态障碍物框图位于机器人前方视场的左视场或左中视场时,控制机器人右转;当静态障碍物框图位于机器人前方视场的右视场或右中视场时,控制机器人左转。
本实施例中,在机器人执行静态避障策略时,首先计算静态障碍物与机器人之间的距离,当静态障碍物与机器人之间的距离大于或等于预设距离阈值时,控制机器人沿直线方向移动。当静态障碍物与机器人之间的距离小于预设距离阈值时,根据静态障碍物框图在机器人前方视场所处的位置,控制机器人左转或右转,使得机器人与跟踪目标之间出现静态障碍物时,机器人能够及时根据静态障碍物与机器人之间的距离以及预设距离阈值做出相应的调整,从而在降低机器人避障的能耗的同时,提高避障的精准度。
图5为本申请另一实施例提供的避障方法的流程示意图,在上述任一实施例的基础上,场景图像包括多个视频帧,确定障碍物所属的障碍物类型可以包括:
S501:获取连续的三帧图像,并将三帧图像中每相邻的两帧图像做差分运算处理,以得到两帧帧差图像。
在本实施例中,将三帧图像中每相邻的两帧图像做差分运算,以得到两帧帧差图像具体过程可以包括:
(1)对机器人的视觉成像系统获取到的视频序列预处理、去噪;
(2)取视频序列的连续三帧图像Ii-1(x,y)、Ii(x,y)、Ii+1(x,y),对Ii-1(x,y)、Ii(x,y)做差分运算,得到帧差图像fi(x,y),对Ii(x,y)、Ii+1(x,y)做差分运算,得到帧差图像fi+1(x,y)。
S502:对两帧帧差图像进行二值化处理和逻辑与运算处理,以得到运动区域图像。
在本实施例中,对帧差图像fi(x,y)、fi+1(x,y)做二值化处理,并进行逻辑与运算处理,得到运动区域图像J(x,y)。
S503:根据金字塔LK光流法对运动区域图像处理,以确定障碍物是否属于动态障碍物。
在本实施例中,利用金字塔LK光流法确定障碍物是否属于动态障碍物具体过程包括:
(1)将J(x,y)建立金字塔模型J
L,L=0,1,……,L
m。初始化金字塔最底层即L
m层的光流估计值
L
m层图像上特征点U的速度为:
(4)计算得到Lm层的光流值dL=G-1b,计算Lm-1层的光流gL-1=2(gL+dL),以此类推得到最后的光流值d=g0+d0;
(5)图像P(x,y)的对应特征点为ν=u+d;
(6)得到运动目标图像P(x,y)。
S504:若否,则确定障碍物属于静态障碍物。
在本实施例中,若检测到存在其它运动物体的有效图像时,则确定障碍物类型为动态障碍物,否则确定障碍物类型为静态障碍物。
本实施例中,在已确定机器人和跟踪目标之间存在障碍物的基础上,采用三帧差分法与金字塔LK流光法结合的方法,判断该障碍物是否为动态障碍物,并且得到该动态障碍物的运动图像,以便于后期的避障,能够提高障碍物类型识别的准确度,并且减少了运算数据量,降低了功耗。
图6为本申请另一实施例提供的避障方法的流程示意图,在上述任一实施例的基础上,场景图像包括彩色图像和深度图像;根据所述场景图像,确定机器人和跟踪目标之间是否存在障碍物可以包括:
S601:通过贝叶斯分类器对彩色图像和深度图像中的跟踪目标进行识别,以得到跟踪目标在深度图像中的位置框。
在本实施例中,第t帧中目标位置记为A=(xt,yt,wt,ht),然后在目标位置附近提取一些正样本并且在远离目标位置提取一些负样本,分别在彩色图像和深度图像中计算其特性来更新贝叶斯分类器的参数。在接下来的t+1帧,获取位置A周围的样本,把样本数据放入更新后的贝叶斯分类器。分类器中得分最高的样本数据被认为是当前帧的目标位置(xt+1,yt+1,wt+1,ht+1)。
S602:对深度图像中的深度值进行归一化处理,其中,归一化处理后的深度图像中各像素点的深度值与各像素点所对应的对象到相机的距离呈负相关。
在本实施例中,对场景深度图进行预处理时,把深度值归一化到0-255之间,靠近机器人则深度值越大,远离机器人则深度值越小。因此,当发生遮挡时,遮挡物的深度值将大于目标的深度值。
S603:根据归一化处理后的深度图像,生成深度直方图,其中,深度直方图中跟踪目标所对应的像素点呈高斯分布。
在本实施例中,对于同一个目标,其融合后的高斯分布深度值是连续的:
所以在直方图中会有一个最大值的峰值,如图7中左图箭头a指向的位置所示,其中坐标轴横轴代表当前图像中跟踪目标的深度值,坐标轴纵轴代表某个深度值所对应的像素数量占整个图像像素数量的百分比。对于后续获得的每一帧,在得到跟踪目标的位置后,计算新一帧的深度直方图。
S604:若深度直方图中除跟踪目标所对应的像素点所对应的峰值之外,存在满足高斯分布均值和标准差的预设条件的峰值,则确定机器人和跟踪目标之间存在障碍物。
在本实施例中,如果出现了满足高斯分布均值和标准差特定条件的新的峰值,则认为发生了遮挡,即在移动机器人和跟踪目标之间存在障碍物,如图7中右图箭头b指向的位置所示,其中坐标轴横轴代表当前图像中跟踪目标的深度值,坐标轴纵轴代表某个深度值所对应的像素数量占整个图像像素数量的百分比。
预设条件可以为:|μ-largerdepthvalue|>2*σ (2-1)
其中μ代表高斯分布中的均值,σ代表是高斯分布中的标准差,largerdepthvalue代表“更大的深度值”,即表现为图7中右图箭头b指向的峰值,其深度值大于跟踪目标的深度值。若满足式(2-1),则表明图7中右图箭头b指向的峰值,与跟踪目标即箭头a指向的峰值之间是相互独立的,并非跟踪目标峰值的延伸值,而是确定存在的障碍物的峰值,可以避免误判。
S605:否则,确定机器人和跟踪目标之间不存在障碍物。
本实施例通过结合彩色图像和深度图像,而深度图像包含空间信息、深度图像编码等。将深度图像进行预处理后得到跟踪目标及障碍物的深度值信息,根据深度值信息将深度图像融合成深度直方图,利用跟踪目标与障碍物在深度直方图中高斯分布峰值的不同,可以直接确定机器人与障碍物之间是否存在障碍物,算法过程简单,处理数据量少,数据结果直观准确。同时,彩色图像与深度图像相结合,能够使障碍物的边界信息更加清楚,提高机器人避障过程的精准度。
作为一种实施方式,在上述任一实施例的基础上,该方法还可以包括:
若所述机器人和所述跟踪目标之间不存在障碍物,则控制所述机器人沿直线方向移动,以使所述跟踪目标处于所述机器人的中间视场。
由以上描述可知,在本申请所列举的具体实施例中,将彩色图像与深度图像相结合,能够获得更加清晰的障碍物边缘;将深度图像与深度值信息融合成深度直方图,根据深度直方图判断机器人与跟踪目标之间是否存在障碍物,减少了计算量,数据结果直观准确;对障碍物类型进行分类,根据障碍物类型,选择不同的避障策略,当检测到机器人与跟踪目标之间存在障碍物时,开始运行避障算法,与现有技术中机器人在跟踪目标时,在未知环境下需要实时运行避障算法相比,本申请具体实施例中的技术方案能够降低机器人的功耗,同时根据障碍物类型选择对应的避障策略,能够提高机器人的避障效率;在判断障碍物类型时,将三帧差分法与金字塔LK光流法结合,可以避免光照环境对检测结果的影响,同时还可以检测到运动速度过大的障碍物。
对于上文实施例提供的避障方法,图8为本申请一实施例提供的避障装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。如图8,该装置包括:
采集模块100,用于获取包含跟踪目标的场景图像。
处理模块200,用于根据场景图像,确定机器人和跟踪目标之间是否存在障碍物;若是,则确定障碍物所属的障碍物类型和边界信息,其中,每种障碍物类型对应于一种预设避障策略;
处理模块200,还用于根据边界信息和障碍物所属的障碍物类型所对应的预设避障策略,控制机器人移动。
本发明实施例通过获取包含跟踪目标的场景图像;根据场景图像,确定机器人和跟踪目标之间是否存在障碍物;若是,则确定障碍物所属的障碍物类型和边界信息,其中,每种障碍物类型对应于一种预设避障策略;根据边界信息和障碍物所属的障碍物类型所对应的预设避障策略,控制机器人移动。本发明实施例通过设置障碍物类型对应的预设避障策略,在识别到存在障碍物时,根据障碍物所属的类型对应的预设避障策略对机器人进行避障控制,能够减少避障所需处理的数据量,降低机器人的能耗。
可选地,障碍物类型包括动态障碍物和静态障碍物;动态障碍物对应于动态避障策略,静态障碍物对应于静态避障策略;
处理模块200,用于:
在障碍物所属的障碍物类型为动态障碍物时,根据边界信息和动态避障策略控制机器人移动;
在障碍物所属的障碍物类型为静态障碍物时,根据边界信息和静态避障策略控制机器人移动。
可选地,处理模块200,用于:
根据向量场直方图算法和边界信息,确定机器人的目标运动方向;
控制机器人向跟踪目标运动方向移动。
可选地,处理模块200,用于:
根据边界信息和机器人的位置信息,确定静态障碍物与机器人之间的距离;
在静态障碍物与机器人之间的距离大于或等于预设距离阈值时,控制机器人沿直线方向移动;
在距离小于预设距离阈值时,根据边界信息确定静态障碍物位于机器人的视场,在静态障碍物位于机器人的左视场或左中视场时,控制机器人右转;在静态障碍物位于机器人的右视场或右中视场时,控制机器人左转;在静态障碍物位于机器人的中间视场时,控制机器人左转或右转。
可选地,场景图像包括多个视频帧;处理模块200,用于:
确定障碍物所属的障碍物类型,包括:获取连续的三帧图像,并将三帧图像中每相邻的两帧图像做差分运算处理,以得到两帧帧差图像;
对两帧帧差图像进行二值化处理和逻辑与运算处理,以得到运动区域图像;
根据金字塔LK光流法对运动区域图像处理,以确定障碍物是否属于动态障碍物;
若否,则确定障碍物属于静态障碍物。
可选地,场景图像包括彩色图像和深度图像,处理模块200,用于:
通过贝叶斯分类器对彩色图像和深度图像中的跟踪目标进行识别,以得到跟踪目标在深度图像中的位置框;
对深度图像中的深度值进行归一化处理,其中,归一化处理后的深度图像中各像素点的深度值与各像素点所对应的对象到相机的距离呈负相关;
根据归一化处理后的深度图像,生成深度直方图,其中,深度直方图中跟踪目标所对应的像素点呈高斯分布;
若深度直方图中除跟踪目标所对应的像素点所对应的峰值之外,存在满足高斯分布均值和标准差的预设条件的峰值,则确定机器人和跟踪目标之间存在障碍物;
否则,确定机器人和跟踪目标之间不存在障碍物。
可选地,处理模块200,还用于:
若机器人和跟踪目标之间不存在障碍物,则控制机器人沿直线方向移动,以使跟踪目标处于机器人的中间视场。
本实施例提供的避障装置,可用于执行上述的方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
参见图9,图9为本发明一实施例提供的电子设备的示意框图。如图9所示的本实施例中的电子设备900可以包括但不限于下述至少一项:一个或多个处理器901、一个或多个输入设备902、一个或多个输出设备903及一个或多个存储器904。上述处理器901、输入设备902、则输出设备903及存储器904通过通信总线905完成相互间的通信。存储器904用于存储计算机程序,计算机程序包括程序指令。处理器901用于执行存储器904存储的程序指令。其中,处理器901被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图8所示模块100至200的功能。
应当理解,在本发明实施例中,所称处理器901可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备902可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备903可以包括显示器(LCD等)、扬声器等。
该存储器904可以包括只读存储器和随机存取存储器,并向处理器901提供指令和数据。存储器904的一部分还可以包括非易失性随机存取存储器。例如,存储器904还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器901、输入设备902、输出设备903可执行本发明实施例提供的方法实施例所描述的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。