CN113137974B

CN113137974B - 智能车及其路径规划方法、装置

Info

Publication number: CN113137974B
Application number: CN202110277590.2A
Authority: CN
Inventors: 孙靓; 孟祥雨
Original assignee: Beijing Automotive Research Institute Co Ltd
Current assignee: Beijing Automotive Research Institute Co Ltd
Priority date: 2021-03-15
Filing date: 2021-03-15
Publication date: 2023-05-19
Anticipated expiration: 2041-03-15
Also published as: CN113137974A

Abstract

本发明公开了一种智能车及其路径规划方法、装置，其中方法包括：采用基于规则的行为决策对智能车进行路径规划得到第一行车路径；构建智能车对应的车辆危险势能场；根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。由此，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

Description

智能车及其路径规划方法、装置

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种智能车及其路径规划方法、装置。

背景技术

随着自动驾驶技术的发展，人们对于智能车的路径规划提出了更高的要求。

相关技术中，在进行路径规划时，对于存在障碍物的环境，通常将障碍物信息(如障碍物的形状、位置等)以及环境信息抽象成数学模型，并通过决策树、人工智能等算法模型来描述驾驶状态、驾驶行为与场景特征之间的映射，或者，运用模型预测控制(MPC)在运动学的约束下进行轨迹规划，并利用数值优化法生成目标路径点。但是，这些常用的路径规划控制算法解决的多数是静态障碍物或者静态复杂环境下的路径规划问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种智能车的路径规划方法，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

本发明的第二个目的在于提出一种智能车的路径规划装置。

本发明的第三个目的在于提出一种智能车。

为达到上述目的，本发明第一方面实施例提出了一种智能车的路径规划方法，包括：采用基于规则的行为决策对智能车进行路径规划得到第一行车路径；构建智能车对应的车辆危险势能场；根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。

根据本发明实施例的智能车的路径规划方法，通过采用基于规则的行为决策对智能车进行路径规划得到第一行车路径，并构建智能车对应的车辆危险势能场，以及根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。由此，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

根据本发明的一个实施例，采用基于规则的行为决策对智能车进行路径规划得到第一行车路径，包括：构建道路模型、场景模型和本车运动模型；根据道路模型、场景模型和本车运动模型确定本车行驶状态事件集和本车行驶状态事件集对应的触发条件；根据本车行驶状态事件集和触发条件确定本车驾驶行为状态；根据本车驾驶行为状态获取第一行车路径。

根据本发明的一个实施例，构建道路模型、场景模型和本车运动模型，包括：获取全局路径，基于全局路径和道路信息构建道路模型；获取本车周围环境信息，基于本车周围环境信息构建场景模型；获取本车姿态信息，基于本车姿态信息构建本车运动模型。

根据本发明的一个实施例，根据本车行驶状态事件集和触发条件确定本车驾驶行为状态，包括：获取决策状态机，决策状态机包括至少一个驾驶行为状态；根据本车行驶状态事件集和触发条件从决策状态机中获取最优驾驶行为状态，以作为本车驾驶行为状态。

根据本发明的一个实施例，构建智能车对应的车辆危险势能场，包括：构建道路危险势能场和其它车辆危险势能场；对道路危险势能场和其它车辆危险势能场求和获得车辆危险势能场。

根据本发明的一个实施例，道路危险势能场通过以下公式进行表达：

其中，P_r(x)为道路危险势能场，A(x)为道路危险势能振幅，L_W为预设的车辆危险势能场的宽度，x为本车在当前道路宽度方向上坐标。

根据本发明的一个实施例，其它车辆危险势能场通过以下公式进行表达：

其中，P_v(x,y)为其它车辆危险势能场，x₀为其它车辆在当前道路宽度方向上的坐标，y₀为其它车辆在当前道路长度方向上的坐标，c₁为其它车辆危险势能在当前道路宽度方向上的变化系数，根据预设的车辆危险势能场的宽度L_W确定，c₂为其它车辆危险势能在当前道路长度方向上的变化系数，根据预设的车辆危险势能场的长度L_C确定。

根据本发明的一个实施例，根据车辆危险势能场和第一行车路径获取智能车的第二行车路径，包括：获取车辆危险势能场对应的第一权重和第一行车路径对应的第二权重；根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。

根据本发明的一个实施例，在根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径之前，上述方法还包括：判断当前是否存在行车风险；如果存在行车风险，则将第一行车路径作为第二行车路径；如果未存在行车风险，则根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。

根据本发明的一个实施例，在根据车辆危险势能场和第一行车路径获取第二行车路径之后，上述方法还包括：获取虚拟质点，其中，虚拟质点包括真实目标和非真实目标；根据虚拟质点和第二行车路径构建本车控制模型；根据本车控制模型对车辆进行行车控制。

为达到上述目的，本发明第二方面实施例提出了一种智能车的路径规划装置，包括：第一路径规划模块，用于采用基于规则的行为决策对智能车进行路径规划得到第一行车路径；第一构建模块，用于构建智能车对应的车辆危险势能场；第二路径规划模块，用于根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。

根据本发明实施例的智能车的路径规划装置，通过第一路径规划模块采用基于规则的行为决策对智能车进行路径规划得到第一行车路径，并通过第一构建模块构建智能车对应的车辆危险势能场，以及通过第二路径规划模块根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。由此，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

为达到上述目的，本发明第三方面实施例提出了一种智能车，包括如第二方面实施例的智能车的路径规划装置。

根据本发明实施例的智能车，通过上述的智能车的路径规划装置，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为根据本发明一个实施例的智能车的路径规划方法的流程图；

图2为根据本发明一个实施例的基于规则的行为决策的路径规划的流程图；

图3为根据本发明一个实施例的构建车辆危险势能场的示意图；

图4为根据本发明一个实施例的获取第二行车路径后的路径规划方法的流程图；

图5为根据本发明一个实施例的智能车的路径规划装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例提出的智能车及其路径规划方法、装置。

图1为根据本发明一个实施例的智能车的路径规划方法的流程图。如图1所示，该智能车的路径规划方法包括以下步骤：

步骤S101，采用基于规则的行为决策对智能车进行路径规划得到第一行车路径。

需要说明的是，基于规则的行为决策是将智能车的行为进行划分，根据行驶规则、知识、经验、交通法规等建立行为规则库，根据不同的环境信息划分车辆状态，按照规则逻辑确定车辆行为的方法，可包括有限状态机法，所谓有限状态机是一种离散输入、输出系统的数学模型，其由有限个状态组成，且由当前状态接收触发事件并产生相应的动作，从而引起状态的转移。

具体地，在一些实施例中，如图2所示，采用基于规则的行为决策对智能车进行路径规划得到第一行车路径，包括：

步骤S201，构建道路模型、场景模型和本车运动模型。

在一些实施例中，构建道路模型、场景模型和本车运动模型，包括：获取全局路径，基于全局路径和道路信息构建道路模型；获取本车周围环境信息，基于本车周围环境信息构建场景模型；获取本车姿态信息，基于本车姿态信息构建本车运动模型。

具体地，可根据组合惯导和地图实现全局路径规划，并在全局路径规划的基础上，利用道路坡道、转弯半径、附着系数等道路信息或参数构建道路模型∑₁；根据车辆本身自带的传感器件感知获取车辆周围车道线、动态障碍物、静态障碍物以及路沿信息(如交通标识牌、施工指示牌等)等场景，并结合交通场景，如直道行驶路段、匝道/弯道/坡道等特殊路段、直转弯/弯转直等缓冲路段，构建出场景模型∑₂；利用航迹推算出本车姿态信息，并基于本车位姿信息以及本车执行机构传感器，构建出本车运动模型∑₃。

步骤S202，根据道路模型、场景模型和本车运动模型确定本车行驶状态事件集和本车行驶状态事件集对应的触发条件。

具体地，在构建出道路模型∑₁、场景模型∑₂和本车运动模型∑₃后，可根据道路模型∑₁、场景模型∑₂和本车运动模型∑₃确定出本车行驶状态事件集∑＝{∑₁,∑₂,∑₃}，以及本车行驶状态事件集∑＝{∑₁,∑₂,∑₃}对应的触发条件E(包含车道有效性、道路缓冲区状态、有效区域内障碍物状态等信息)。

步骤S203，根据本车行驶状态事件集和触发条件确定本车驾驶行为状态。

在一些实施例中，根据本车行驶状态事件集和触发条件确定本车驾驶行为状态，包括：获取决策状态机，决策状态机包括至少一个驾驶行为状态；根据本车行驶状态事件集和触发条件从决策状态机中获取最优驾驶行为状态，以作为本车驾驶行为状态。

也就是说，可以采用有限状态机法对智能车进行路径规划以获得第一行车路径。

具体的，在采用有限状态机法进行路径规划时，可将决策估计要素抽象为车辆行驶状态和驾驶行为状态的集合，并根据开放导航设定的非特定场景、道路、车辆状态和全局规划要求，设计决策状态机顶层集合，同时定义外部离散事件即转移事件∑₀＝{∑₀₁,∑₀₂,∑₀₃}的触发条件E₀，并增加状态目标候选点集，对决策状态机顶层集合进行扩展，以形成最终的决策状态机F＝(a,∑₀,δ,q₀,H,V)，其中，a为底层行为状态集合，即驾驶行为状态集合，该集合包含多个驾驶行为状态，∑₀＝{∑₀₁,∑₀₂,∑₀₃}转移事件集合，∑₀₁、∑₀₂和∑₀₃分别为道路模型、场景模型和车辆运动模型，δ为底层行为状态之间的转移条件，即触发条件，q₀为初始行为状态，H为终止行为状态集合，即最终的行为状态集合，V为行为状态对应的目标候选点集和期望速度等信息。

在获得决策状态机F后，可根据本车行驶状态事件集∑＝{∑₁,∑₂,∑₃}和本车行驶状态事件集的触发条件E，从决策状态机F中获取最优驾驶行为状态，该最优驾驶行为状态即为本车驾驶行为状态，其中，本车行驶状态事件集∑＝{∑₁,∑₂,∑₃}对应初始行为状态q₀，触发条件E对应底层行为状态之间的转移条件δ。

步骤S204，根据本车驾驶行为状态获取第一行车路径。

具体地，可根据本车驾驶行为状态规划出轨迹目标T(A₀,A₁,A₂,A₃,v,l)，得到第一行车路径，其中，A₀、A₁、A₂和A₃为轨迹系数，v为车速，l为预瞄距离。

步骤S102，构建智能车对应的车辆危险势能场。

在一些实施例中，构建智能车对应的车辆危险势能场，包括：构建道路危险势能场和其它车辆危险势能场；对道路危险势能场和其它车辆危险势能场求和获得车辆危险势能场。

具体地，在构建智能车对应的车辆危险势能场时，可对智能车所在的道路环境进行参数化建模和区域划分，可选的，如图3所示，以道路宽度方向为X轴、道路长度方向为Y轴建立道路坐标系，并定义智能车的几何中心在道路坐标系下的位置为(x,y)，其它车辆的几何中心在道路坐标系下的位置为(x₀,y₀)，车辆危险势能场的宽度为L_W，车辆危险势能场的长度为L_C，以及智能车所在位置的势能场为P_F，智能车相邻车道上对应位置的势能场为P_L，同时设定智能车所在车道前方[0,L_C/2]范围内的区域为制动避撞区域(保证足够的空间和时间用于主动制动并避免发生碰撞)，智能车所在车道前方[L_C/2,L_C]范围内为车辆跟随区域(实现自适应跟车)，智能车相邻车道的前、后L_C范围内为变道区域(该区域中心位置可用于判断是否具备变道条件)。需要说明的是，当智能车位于超车道时，相应的区域划分沿两车道间的中心线左右互换。

进一步的，可利用三角函数及指数函数分别构建道路危险势能场P_r(x)和其它车辆危险势能场P_v(x,y)，并根据道路危险势能场P_r(x)和其它车辆危险势能场P_v(x,y)计算得到智能车对应的车辆危险势能场P(x,y)。

其中，在构建道路危险势能场时，可设定道路两侧的危险势能为1，主车道中心线和超车道中心线的危险势能均为0，且两车道之间的危险势能为P_m，且0＜P_m＜1，并且当划分的各区域无其它车辆行驶时，道路危险势能场应能保证智能车在当前车道上行驶，所构建的道路危险势能场可如下式所示：

其中，P_m为两车道之间的危险势能，x_c超车道中心线横向坐标，x_z为主车道中心线横向坐标。

在构建其它车辆危险势能场时，可以其它车辆的几何中心在道路坐标系下的位置(x₀,y₀)为原点，构建三维虚拟危险势能场，所构建的其它车辆危险势能场可如下式所示：

其中，P_v(x,y)为其它车辆危险势能场，x₀为其它车辆在当前道路宽度方向上的坐标，y₀为其它车辆在当前道路长度方向上的坐标，c₁为其它车辆危险势能在当前道路宽度方向上的变化系数，根据预设的车辆危险势能场的宽度L_W确定，c₂为其它车辆危险势能在当前道路长度方向上的变化系数，根据预设的车辆危险势能场的长度L_C确定，具体如下式：

其中，P₁为变道势能阈值，P₃为跟车势能阈值。

在获得道路危险势能场P_r(x)和其它车辆危险势能场P_v(x,y)后，可对道路危险势能场P_r(x)和其它车辆危险势能场P_v(x,y)求和得到智能车对应的车辆危险势能场P(x,y)。

步骤S103，根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。

具体地，在采用基于规则的行为决策对智能车进行路径规划得到第一行车路径和车辆危险势能场后，可基于两者确定最终的智能车的行车路径即第二行车路径。

在一个实施例中，根据车辆危险势能场和第一行车路径获取智能车的第二行车路径，包括：获取车辆危险势能场对应的第一权重和第一行车路径对应的第二权重；根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。

也就是说，可针对两种方式获得的路径结果分别赋予相应的权重即比例，基于该权重最终确定出智能车的第二行车路径，例如可将第一行车路径对应的权重设置为0.7，车辆危险势能场对应的权重设置为0.3，然后根据第一行车路径、第一行车路径对应的权重0.7、车辆危险势能场以及车辆危险势能场对应的权重0.3计算获得第二行车路径。

可选的，在根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径之前，还可包括：判断当前是否存在行车风险；如果存在行车风险，则将第一行车路径作为第二行车路径；如果未存在行车风险，则根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。也就是说，在可能发生危险的情况下，采用基于规则的行为决策对智能车进行路径规划得到第一行车路径的优先权高于车辆危险势能场的决策，此时第一行车路径即为智能车的最终行车路径，而在未发生危险的情况下，基于两者结合的结果确定智能车的最终行车路径。

根据本发明实施例的智能车的路径规划方法，充分考虑了车辆本身的状态以及道路、交通规则约束限制等因素，使得规划路径的可行性大大提升，保证了驾驶的安全性，同时通过基于规则的行为决策和车辆危险势能场相结合的方式，在保证安全的前提下，可以中和传统决策算法的机械性，同时对生成的行车路径有一定的优化作用，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

在一些实施例中，如图4所示，在根据车辆危险势能场和第一行车路径获取第二行车路径之后，上述的智能车的路径规划方法还包括：

步骤S301，获取虚拟质点，其中，虚拟质点包括真实目标和非真实目标。

也就是说，将道路中的真实目标和非真实目标均描述成虚拟点，其中，真实目标可以包括机动车、非机动车以及行人等；非真实目标可包括道路限速指示、交通灯、停止线和天气限制等。

步骤S302，根据虚拟质点和第二行车路径构建本车控制模型。

可选的，基于虚拟质点分别对车辆的转向、制动、驱动控制设定相应的补偿，以协调高速情形下智能车的横向、纵向控制的一致性，有效避免传统控制算法中因目标或控制模式切换产生的速度或加速度跳变的问题。

步骤S303，根据本车控制模型对车辆进行行车控制。

本实施例中，通过将真实目标和非真实目标均描述成虚拟质点，以将两个维度数据集合至一个维度，可以避免使用两个维度时需要确定维度的优先级，如先根据真实目标确定控制模块还是先根据非真实目标确定控制模型的情况，同时通过虚拟质点构建控制模型，保证了算法的统一性，有效避免了传统控制算法中因目标或控制模式切换产生的速度或加速度跳变的问题。

综上所述，根据本发明实施例的智能车的路径规划方法，通过采用基于规则的行为决策对智能车进行路径规划得到第一行车路径，并构建智能车对应的车辆危险势能场，以及根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。由此，通过基于规则的行为决策和车辆危险势能场相结合的方式，能够在保证安全的前提下，使得规划的路径更加接近拟人化，且能够解决有动态障碍物或者复杂场景下的路径规划问题。

图5为根据本发明一个实施例的智能车的路径规划装置的结构示意图。如图5所示，该智能车的路径规划装置40包括：第一路径规划模块41、第一构建模块42和第二路径规划模块43。

其中，第一路径规划模块41用于采用基于规则的行为决策对智能车进行路径规划得到第一行车路径；第一构建模块42用于构建智能车对应的车辆危险势能场；第二路径规划模块43用于根据车辆危险势能场和第一行车路径获取智能车的第二行车路径。

在一些实施例中，第一路径规划模块41包括第二构建模块和第一路径规划子模块，其中，第二构建模块用于构建道路模型、场景模型和本车运动模型；第一路径规划子模块用于根据道路模型、场景模型和本车运动模型确定本车行驶状态事件集和本车行驶状态事件集对应的触发条件，并根据本车行驶状态事件集和触发条件确定本车驾驶行为状态，以及根据本车驾驶行为状态获取第一行车路径。

在一些实施例中，第二构建模块具体用于：获取全局路径，基于全局路径和道路信息构建道路模型；获取本车周围环境信息，基于本车周围环境信息构建场景模型；获取本车姿态信息，基于本车姿态信息构建本车运动模型。

在一些实施例中，第一路径规划子模块在根据本车行驶状态事件集和触发条件确定本车驾驶行为状态时，具体用于：获取决策状态机，决策状态机包括至少一个驾驶行为状态；根据本车行驶状态事件集和触发条件从决策状态机中获取最优驾驶行为状态，以作为本车驾驶行为状态。

在一些实施例中，第一构建模块42具体用于：构建道路危险势能场和其它车辆危险势能场；对道路危险势能场和其它车辆危险势能场求和获得车辆危险势能场。

在一些实施例中，道路危险势能场通过以下公式进行表达：

在一些实施例中，其它车辆危险势能场通过以下公式进行表达：

在一些实施例中，第二路径规划模块43具体用于：获取车辆危险势能场对应的第一权重和第一行车路径对应的第二权重；根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。

在一些实施例中，上述的智能车的路径规划装置还包括：判断模块，用于判断当前是否存在行车风险；第二路径规划模块43还用于存在行车风险时，将第一行车路径作为第二行车路径，并在未存在行车风险时，根据车辆危险势能场、第一权重、第一行车路径和第二权重获取第二行车路径。

在一些实施例中，上述的智能车的路径规划装置还包括：获取模块，用于获取虚拟质点，其中，虚拟质点包括真实目标和非真实目标；第三构建模块，用于根据虚拟质点和第二行车路径构建本车控制模型，以根据本车控制模型对车辆进行行车控制。

需要说明的是，本申请中关于智能车的路径规划装置的描述，请参考本申请中关于智能车的路径规划方法的描述，具体这里不再赘述。

另外，本发明的实施例还提供一种智能车，包括前述实施例的智能车的路径规划装置。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。