CN115099128B

CN115099128B - 一种异常驾驶行为识别与致因分析方法和系统

Info

Publication number: CN115099128B
Application number: CN202210604426.2A
Authority: CN
Inventors: 孙剑; 饶红玉; 倪颖
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2022-05-30
Filing date: 2022-05-30
Publication date: 2023-07-07
Anticipated expiration: 2042-05-30
Also published as: CN115099128A

Abstract

本发明涉及一种异常驾驶行为识别与致因分析方法和系统，方法包括：基于自然驾驶数据，进行数据清洗及跟驰场景提取；为每个驾驶人标定一个标准跟驰模型并进行轨迹仿真；计算所有跟驰场景中间距相对误差的分布，根据分位数的统计学意义，将误差较大的时间段识别为异常跟驰行为；对正常和异常跟驰行为进行定义和研究时段抽样，同时控制正负样本的比例以获得更好的模型结果；计算正常和异常驾驶行为样本涵盖人‑车‑路的全面且详细的影响因素特征指标；拟合考虑随机效应的多层logit回归模型，根据回归结果及显著变量的具体意义解释驾驶人异常跟驰行为的致因。与现有技术相比，本发明具有异常驾驶行为识别不受主观认知限制、致因分析全面详细等优点。

Description

一种异常驾驶行为识别与致因分析方法和系统

技术领域

本发明涉及异常驾驶判别技术领域，尤其是涉及一种异常驾驶行为识别与致因分析方法和系统。

背景技术

驾驶人异常驾驶行为识别及其致因分析不仅是交通安全领域的重要研究内容，也贯穿自动驾驶技术发展的始终。异常驾驶行为识别可以为低级别自动驾驶车辆提供驾驶人状态监测技术，在驾驶人出现疲劳驾驶等异常行为时提醒驾驶人或主动介入，以提高行车安全性。此外，对驾驶人异常驾驶行为的致因进行分析，可以帮助自动驾驶研发人员更深入地理解人类驾驶行为，为高等级自动驾驶车辆朝拟人化发展提供指导，有助于自动驾驶技术的大规模推广应用。

目前，异常驾驶行为识别的研究方法主要可以分为两类，一类是基于车载图像进行识别的方法，另一类是基于车辆轨迹或运行数据进行分析的方法。前者大多基于车载摄像头采集到的驾驶人图像，通过计算机视觉的方法，识别驾驶人的体态特征，确认其是否出现打哈欠等疲劳驾驶行为，或接打手机等分心驾驶行为，仅能识别预先定义且有明显动作特征的行为。

基于车辆轨迹或运行数据的异常驾驶行为识别，可以细分为两种。一种方法通过设置阈值，当车辆的某一或某些运行指标超过阈值，如车辆加速度超过最大加速度阈值时，就认为驾驶人出现了异常驾驶行为。另一种方法则先对车辆轨迹数据片段进行人工判别和标注，然后基于有标注的轨迹数据集训练机器学习模型，从而对驾驶人的行为进行分类和预测，以达到异常驾驶行为识别的目的。

然而，上述各种方法在训练或调试过程中需要进行大量的人工标注或调参工作，存在由主观因素导致的异常驾驶行为判别标准不统一的风险。同时，这些方法在识别驾驶人异常行为后，没有对异常驾驶行为的致因进行有效分析，导致其结果存在一定的局限性。此外，现有方法大多没有考虑驾驶人在车辆交互过程中的异常行为，这限制了其在实际中的应用。

因此，客观地对驾驶人在车辆交互过程中的异常驾驶行为进行识别并分析其致因是十分必要的。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种异常驾驶行为识别与致因分析方法和系统，基于自然驾驶轨迹数据，从驾驶人内在异质性角度出发，对驾驶人在车辆跟驰过程中的异常驾驶行为进行识别并分析其致因。

本发明的目的可以通过以下技术方案来实现：

一种异常驾驶行为识别与致因分析方法，包括以下步骤：

1)获取驾驶人的自然驾驶数据，对该自然驾驶数据进行数据清洗及跟驰场景提取，获取驾驶人的跟驰轨迹数据；

2)为每个驾驶人构建对应的跟驰模型，根据对应驾驶人的跟驰轨迹数据对跟驰模型进行标定，采用标定后的跟驰模型对该驾驶人的跟驰场景进行轨迹仿真；

3)将通过步骤2)仿真获取的轨迹与步骤1)中对应的跟驰轨迹数据对比，得到跟驰场景的间距相对误差分布，从而识别异常驾驶行为；

4)对正常驾驶行为和异常驾驶行为分别进行研究时段抽样，构建样本集；

5)根据预先构建的驾驶行为的影响因素特征指标，通过所述样本集对预先构建的考虑随机效应的多层logit回归模型进行拟合，根据回归结果及显著变量的具体意义解释驾驶人异常跟驰行为的致因。

进一步地，步骤1)中，所述数据清洗的过程包括采用三次样条插值对空值进行填补、采用卡尔曼滤波对数据进行平滑处理。

进一步地，步骤2)中，所述标定过程包括采用遗传算法，以单个驾驶人所有跟驰场景的间距的均方根相对误差为目标函数，标定跟驰模型的最大加速度、期望速度、舒适减速度、静止时的前后车最小间距和期望车头时距。

进一步地，步骤2)中，所述轨迹仿真具体为：采用跟驰模型根据在对应跟驰轨迹数据相同的跟驰场景中，以相同的数据采集频率进行轨迹仿真。

进一步地，所述异常驾驶行为定义为：根据间距相对误差分布，以预设的第一分位数为阈值，将误差相对较大的时间段的自然驾驶数据的跟驰轨迹数据作为异常驾驶行为。

进一步地，所述异常驾驶行为开始的点被定义为跟驰间距的相对误差超出阈值前的最后一个局部最小值点，相关影响因素在该开始的点处前的第一时间内被提取出来，以分析异常驾驶行为发生的前兆，所述第一时间由预先设定。

进一步地，从无异常驾驶行为出现的跟驰场景中剔除前第二时间的数据，之后每隔第三时间作为一个正常驾驶行为的样本，所述第二时间和第三时间由预先设定。

进一步地，所述正常驾驶行为的样本的采样数与异常驾驶行为的样本的采样数的比值在2-6范围以内。

进一步地，所述驾驶行为的影响因素特征指标，根据自然驾驶实验自身的特性和其更新频率的快慢，划分为驾驶人层、出行层和事件层。

进一步地，步骤5)中，所述多层logit回归模型为含随机效应的多层logit回归模型，所述多层logit回归模型的表达式为：

式中，y为异常驾驶行为样本的因变量，p为异常驾驶行为发生的概率，1-p为正常驾驶行为发生的概率，U是总效应函数；

U_ijk＝β₀+β₁X_1i+V_jk

式中，U_ijk是驾驶人k在出行j内的事件i的效应函数，β₀是截距，X_1i是事件i的解释变量，β₁是事件层变量的系数，V_jk是驾驶人k的出行j的效应函数；

V_jk＝β₂X_2j+α_2j+W_k

式中，X_2j是出行j的解释变量，β₂是出行层变量的系数，α_2j是出行层的随机效应，W_k是驾驶人k的效应函数；

W_k＝β₃X_3k+α_3k

式中，X_3k是驾驶人k的解释变量，β₃是驾驶人层变量的系数，α_3k是驾驶人层的随机效应。

本发明还提供一种异常驾驶行为识别与致因分析系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。

与现有技术相比，本发明具有以下优点：

(1)本发明从驾驶人内在异质性理论出发，定义了驾驶人的异常跟驰行为，并提出了相应的识别方法，解决了现有方法中识别结果受限或存在主观因素等弊端，并为异常驾驶行为识别的研究提供了新视角；

(2)本发明研究并提出了跟驰交互情况下的异常驾驶行为识别方法，相较于传统配备有异常驾驶行为识别的驾驶人监控系统仅关注单车的异常行为，拓宽了其在实际中的应用范围；

(3)本发明提供了一种基于对驾驶人行为进行分类和预测的影响因素分析方法，从全面且详细的人-车-路(环境)要素中，分析得出了异常驾驶行为的致因，有助于更深入地理解人类驾驶行为，推动相关技术的发展及应用。

附图说明

图1为本发明实施例中提供的一种异常驾驶行为特征提取抽样示意图；

图2为本发明实施例中提供的一种正常驾驶行为特征提取抽样示意图；

图3为本发明实施例中提供的一种标准IDM模型标定及验证误差分布图；

图4为本发明实施例中提供的一种所有跟驰场景的间距相对误差分布图；

图5为本发明实施例中提供的一种异常驾驶行为识别与致因分析方法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例1

本实施例提供一种异常驾驶行为识别与致因分析方法，包括以下步骤：

下面对各步骤进行具体描述

步骤一、基于自然驾驶数据，进行数据清洗及跟驰场景提取：

自然驾驶实验是让参与的驾驶人在其日常生活中驾驶配备有数据采集装置的车辆，在自然的驾驶环境中正常行驶并采集本车及周围车的相关数据，与高空拍摄、驾驶模拟器等轨迹数据采集方法相比，具有单个驾驶人能采集多条轨迹、驾驶环境真实等优点。在原始自然驾驶数据基础上，首先对本车速度、纵向加速度、与雷达目标的间距、速度差等关键数据进行三次样条插值填补空值，用卡尔曼滤波进行数据平滑，以待后续进行跟驰场景提取。

跟驰场景中的前车被定义为是本车正前方同车道的第一辆车，其与本车的横向间距应小于1.25m，以保证前车与本车在同一车道；纵向间距小于80m，以保证本车处于跟驰前车的状态中。此外，在一段跟驰过程中，本车与前车的速度均应大于1m/s，以保证前后车均处于运动状态；本车横向加速度小于0.05g，以保证本车不在弯道中行驶或未执行换道行为；跟驰时长超过30s，以保证有足够的轨迹数据进行分析。根据上述标准，设计相应的自动化提取算法脚本，基于自然驾驶数据提取驾驶人全部符合要求的跟驰场景。

步骤二、为驾驶人标定标准跟驰模型并进行轨迹仿真：

跟驰模型是描述跟驰交互过程中，后车在受前车影响情况下的纵向运动方程，智能驾驶人模型(IDM)是其中一个基于驾驶人期望的模型，被许多国内外研究证实是最适合中国驾驶人的跟驰模型，其表达式如下：

式中，

是本车的加速度，a是待标定的最大加速度参数，v_α是本车的速度，v₀是待标定的本车期望速度，δ是加速度指数，一般取为4，s_α是前后车之间的间距，而s^*(v_α，Δv_α)是本车的期望间距，其计算式如下：

式中，s₀是待标定的静止状态下本车能接受的最小间距，T是待标定的本车期望车头时距，Δv_α是前后车之间的速度差，b是待标定的本车舒适减速度。

基于步骤一中提取得到的单个驾驶人的大量跟驰轨迹数据，使用遗传算法，以所有时刻的跟驰间距的均方根相对误差(RMSPE)为目标函数，为每个驾驶人标定一个IDM模型，待标模型参数的取值范围和初始值如表1所示。因为遗传算法是启发式的随机搜索算法，为了得到更接近全局最优的解，将优化过程重复5遍，取误差最小的一次作为最终结果，遗传算法目标函数的表达式如下：

式中，

是i时刻根据IDM模型计算得到的间距，而/>

是观测得到的实际间距。

表1 IDM模型待标定参数的取值范围和初始值

IDM模型参数标定完成后，将其代回对应驾驶人的跟驰场景中，通过数值仿真得到本车跟驰前车的轨迹。

步骤三、计算跟驰间距相对误差的分布，识别驾驶人异常跟驰行为：

一般而言，驾驶人在其大部分时间内会保持一种固有的正常驾驶行为，而在受到某些因素影响后会短暂地调整为某种异常的驾驶行为。而驾驶人内在异质性是指，同一驾驶人在多次面对相同跟驰情况(跟驰速度、间距、速度差、外部环境等)时，其驾驶行为表现会存在不同。上述异常行为与驾驶人在未受影响的相同情况下表现出的行为不同，是驾驶人内在异质性的一种体现。

由于IDM模型中不存在随机项，故在其参数固定后，一个确定的输入仅会得到一个确定的输出。若基于步骤二中提取得到的驾驶人跟驰轨迹数据标定IDM模型的参数，模型能够学习到驾驶人在大部分时间内的常规驾驶行为，且在仿真中其行为不会发生改变。因此，可以以标定得到的IDM模型为基准，作为代表对应驾驶人常规跟驰行为的标准模型，若驾驶人的实际跟驰轨迹与该标准模型在仿真中模拟得到的轨迹基本一致时，认为驾驶人在按照其常规驾驶行为进行跟驰；而若两条轨迹之间有显著差异时，则可认为驾驶人的跟驰行为特征出现了改变，其驾驶行为从正常转为异常，也即驾驶人表现出了内在异质性。

为了定量地衡量驾驶人实际跟驰轨迹和其标准模型在仿真中模拟得到的轨迹之间的差异，计算仿真中所有驾驶人的所有跟驰场景中间距的相对误差(PE)的分布，并取统计学上有显著意义的85％分位数作为区分两条轨迹之间是否有显著差异的阈值。即相较于驾驶人群体的驾驶行为而言，跟驰间距的相对误差最大的15％的时长被识别为是异常驾驶行为：

步骤四、对正常和异常跟驰行为进行抽样：

通过对驾驶人的跟驰行为进行正常或异常的分类和预测，即可分析得到步骤三中识别出的异常驾驶行为的致因。为了分析异常驾驶行为发生的前兆，相关影响因素将在异常驾驶行为开始前的5s内被提取出来。考虑误差的累计效应，将跟驰间距的相对误差超出阈值前的最后一个局部最小值点作为异常驾驶行为开始的点，即认为异常驾驶行为发生在实际和仿真轨迹刚开始偏离时，如图1所示。

为了排除驾驶人内在异质性的影响，正常驾驶行为将从无异常驾驶行为出现的跟驰场景中抽样得到。由于在仿真中每个跟驰场景开始时刻的误差均为0，并自此开始累积，故在剔除不能排除有异常驾驶行为出现的前5s后，之后的每5s即可作为一个正常驾驶行为样本，如图2所示。此外，因异常驾驶行为的出现是小概率事件，为了得到更好的模型拟合效果，样本集中正样本(异常驾驶行为)和负样本(正常驾驶行为)的比例被控制为1:4，取正常驾驶行为中误差较小的组成样本集。

步骤五、计算正常和异常驾驶行为的特征指标：

基于步骤四得到的样本集，即可从自然驾驶实验采集的数据中计算正常和异常驾驶行为的特征指标。为了全面且详细地考虑人-车-路(环境)全要素对驾驶人的影响，以得到异常驾驶行为的致因，共提出了24个特征指标，其含义见表2。

表2正常和异常驾驶行为的特征指标及其定义

步骤六、拟合多层logit回归模型并解释驾驶人异常跟驰行为的致因：

由于自然驾驶实验自身的特性，同一个驾驶人会有多次出行被记录，而一次出行中会有多个跟驰场景被提取出来，故根据特征指标更新频率的快慢，需将其重新划分为驾驶人、出行和事件三层。“驾驶人”指的是参与自然驾驶实验的单个驾驶人，其自然社会属性指标被归到这一层中；“出行”是指驾驶人从车辆点火到熄火的一次完整出行，慢变量如天气在一次出行中被认为是不变的；“事件”则是指驾驶人在驾驶过程中遇到的各种情况，快变量都被划分到事件层中。

基于上述嵌套的数据结构和驾驶行为分类类别，步骤五得到的样本集需要一个多层logit模型来进行拟合，多层logit模型允许在层次结构中的每一层都有残留项，特别适合于样本数据被组织在一个以上层次的情况。此外，在出行层和驾驶人层中分别还加入了一个随机效应项，随机效应是面板数据回归中常用的用于解释未被观测到的异质性的因个体而异的随机参数。

假设异常驾驶行为样本的因变量y等于1，而正常驾驶行为样本的因变量等于0，这两种行为发生的概率分别是p和1-p，则logit模型可列为：

其中，U是总效应函数，计算如下：

U_ijk＝β₀+β₁X_1i+V_jk#(6)

式中，U_ijk是驾驶人k在出行j内的事件i的效应函数，β₀是截距，X_1i是事件i的解释变量，β₁是事件层变量的系数，V_jk是驾驶人k的出行j的效应函数，计算如下：

V_jk＝β₂X_2j+α_2j+W_k#(7)

式中，X_2j是出行j的解释变量，β₂是出行层变量的系数，α_2j是出行层的随机效应，W_k是驾驶人k的效应函数，计算如下：

W_k＝β₃X_3k+α_3k#(8)

模型中的随机效应变量(α₂₍₃₎)服从均值为0，方差待估计的正态分布：

随机效应变量(α₂₍₃₎)指α_2j和α_3k，α_2j和α_3k是具体到某个行程或驾驶人的随机效应值，α₂₍₃₎泛指所有行程或驾驶人的随机效应。

然后，使用最大似然法估计变量的系数，经后向特征选择，逐一筛除不显著的变量，得到模型拟合结果。最后，根据回归结果，结合显著变量的具体含义，解释驾驶人异常跟驰行为的致因。

下面介绍本实施例的具体实施过程：

步骤一、基于自然驾驶数据，提取跟驰场景并进行跟驰模型标定和轨迹仿真：

基于经三次样条插值和卡尔曼滤波处理后的自然驾驶数据，根据上述标准，设计相应的自动化算法脚本，提取驾驶人全部符合要求的跟驰场景。为了获得充足的跟驰轨迹数据，随机选择了41个驾驶人，每人100个跟驰场景作为研究对象。

基于提取得到的跟驰轨迹数据，以其100个场景的跟驰间距的均方根相对误差为目标函数，使用遗传算法，为每个驾驶人标定一个IDM模型，且每人用额外20个跟驰场景进行参数验证，其误差分布如图3所示。

基于标定得到的标准IDM模型，将其代回相应的跟驰场景中，通过数值仿真得到驾驶人的跟驰轨迹数据。

步骤二、计算跟驰间距相对误差的分布，识别驾驶人的异常跟驰行为：

基于仿真中驾驶人的跟驰轨迹数据，计算得到所有跟驰场景中间距相对误差的分布，如图4所示，其85％分位数等于40.62％。根据提出的定义，当驾驶人实际的跟驰轨迹和标准IDM模型仿真得到的轨迹之间有较大差异，即跟驰间距的相对误差超过阈值40.62％时，可认为驾驶人的跟驰行为特征较其正常情况下出现了改变，有异常跟驰行为出现。基于此方法和阈值，在4100个场景中共识别得到3139段异常驾驶行为片段。

步骤三、对正常和异常跟驰行为进行抽样，并计算其特征指标：

为了分析异常驾驶行为发生的前兆，将跟驰间距的相对误差超出阈值前的最后一个局部最小值点作为异常驾驶行为开始的点，相关影响因素将在异常驾驶行为开始前的5s内被提取出来。为了排除驾驶人内在异质性的影响，正常驾驶行为样本将从无异常驾驶行为出现的跟驰场景中得到，剔除场景的前5s后，之后每5s作为一个正常驾驶行为样本。

此外，因异常驾驶行为的出现是小概率事件，为了得到更好的模型拟合效果，样本集中正样本(异常驾驶行为)和负样本(正常驾驶行为)的比例被控制为1:4，取正常驾驶行为样本中误差较小的12556个组成样本集。基于样本时段内的自然驾驶数据，计算表2中所列的全部特征指标。

步骤四、拟合多层logit回归模型并解释驾驶人异常跟驰行为的致因：

通过对驾驶人的跟驰行为进行正常或异常的分类和预测，即可分析得到异常驾驶行为的致因，基于自然驾驶数据的结构特点，选择多层logit模型并结合随机效应来对样本集进行拟合。使用最大似然法估计变量的系数，经后向特征选择，逐一筛除不显著的变量，得到模型回归结果如表3所示。

表3多层logit模型回归结果

注：显著性<0.001^***，<0.01^**，<0.05^*。

基于模型回归结果并结合显著变量的具体含义，可得到以下结论：

(1)驾驶人异常驾驶行为的出现与本车的行驶状态和来自前车的影响密切相关，较慢的本车速度，本车的加速过程，较大的跟驰车头时距，较大的前车加速度波动，以及周围车辆的切入行为，都是驾驶人出现异常驾驶行为的显著诱因；

(2)周围环境对驾驶人的影响比较有限，在被考虑的环境因素中，只有道路类型会对异常驾驶行为的出现产生显著影响，即在地面道路上行驶会导致驾驶人更容易出现异常驾驶行为；

(3)不同驾驶人在相同情况下出现异常驾驶行为的概率有显著不同，但统计依据表明，不能将其自然社会属性如性别、年龄等作为异常驾驶行为发生的致因。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种异常驾驶行为识别与致因分析方法，其特征在于，包括以下步骤：

5)根据预先构建的驾驶行为的影响因素特征指标，通过所述样本集对预先构建的考虑随机效应的多层logit回归模型进行拟合，根据回归结果及显著变量的具体意义解释驾驶人异常跟驰行为的致因；

步骤1)中，所述数据清洗的过程包括采用三次样条插值对空值进行填补、采用卡尔曼滤波对数据进行平滑处理；

所述异常驾驶行为定义为：根据间距相对误差分布，以预设的第一分位数为阈值，将误差相对较大的时间段的自然驾驶数据的跟驰轨迹数据作为异常驾驶行为。

2.根据权利要求1所述的一种异常驾驶行为识别与致因分析方法，其特征在于，步骤2)中，所述标定过程包括采用遗传算法，以单个驾驶人所有跟驰场景的间距的均方根相对误差为目标函数，标定跟驰模型的最大加速度、期望速度、舒适减速度、静止时的前后车最小间距和期望车头时距。

3.根据权利要求1所述的一种异常驾驶行为识别与致因分析方法，其特征在于，步骤2)中，所述轨迹仿真具体为：采用跟驰模型根据在对应跟驰轨迹数据相同的跟驰场景中，以相同的数据采集频率进行轨迹仿真。

4.根据权利要求1所述的一种异常驾驶行为识别与致因分析方法，其特征在于，所述异常驾驶行为开始的点被定义为跟驰间距的相对误差超出阈值前的最后一个局部最小值点，相关影响因素在该开始的点处前的第一时间内被提取出来，以分析异常驾驶行为发生的前兆，所述第一时间由预先设定。

5.根据权利要求1所述的一种异常驾驶行为识别与致因分析方法，其特征在于，从无异常驾驶行为出现的跟驰场景中剔除前第二时间的数据，之后每隔第三时间作为一个正常驾驶行为的样本，所述第二时间和第三时间由预先设定；

所述正常驾驶行为的样本的采样数与异常驾驶行为的样本的采样数的比值在2-6范围以内。

6.根据权利要求1所述的一种异常驾驶行为识别与致因分析方法，其特征在于，所述驾驶行为的影响因素特征指标，根据自然驾驶实验自身的特性和其更新频率的快慢，划分为驾驶人层、出行层和事件层。

7.根据权利要求6所述的一种异常驾驶行为识别与致因分析方法，其特征在于，步骤5)中，所述多层logit回归模型为含随机效应的多层logit回归模型，所述多层logit回归模型的表达式为：

U_ijk＝β₀+β₁X_1i+V_jk

V_jk＝β₂X_2j+α_2j+W_k

W_k＝β₃X_3k+α_3k

8.一种异常驾驶行为识别与致因分析系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1至7任一所述的方法的步骤。