CN115257692A - 一种基于视觉交通信息的phev能量管理方法及系统 - Google Patents

Abstract

本发明涉及一种基于视觉交通信息的PHEV能量管理方法及系统，所述系统包括：上层感知模块，用于采用预训练好视觉交通信息权重的YOLO图像识别模型提取出采集到的图像信息中的有效交通信息；速度规划模块，用于依据有效交通信息进行速度轨迹预测；下层能量管理模块，用于基于规划得到的目标车速轨迹进行最优控制量预测，实现能量实时管理。与现有技术相比，本发明具有交通信息获取精准、PHEV功率流分配高效的优点。

Description

一种基于视觉交通信息的PHEV能量管理方法及系统

技术领域

本发明涉及混合动力汽车PHEV能量管理技术领域，尤其是涉及一种基于视觉交通信息的PHEV能量管理方法及系统。

背景技术

作为节能与新能源车辆的一个重要组成部分，混合动力汽车PHEV通常具有两种以上动力源的动力系统结构，混合动力汽车能量管理系统的作用是通过对多种动力源的协调控制，优化分配功率流从而实现整车工作性能的改善和提高。

近年来，随着智能汽车与车联网等技术的兴起和研究热潮，车路协同、智能交通信息等技术得到大力发展和应用，可使混合动力汽车获得到达目标地点所经过的道路信息、工况信息等交通信息数据，为能量管理系统工作效率的提升奠定基础。混合动力汽车因具备多种动力源的驱动系统特征，可根据所融合的道路及车辆状态等交通信息，主动进行不同动力源之间的动力实时有效分配，以适应车辆在不同工况下的多目标控制需求。实现融合交通信息的混合动力汽车能量管理多目标控制及优化对于车辆能耗降低和驾驶性提升等方面均有着实际重要的意义。

交通信息的融合能够增加驾驶工况数据的丰富程度，有助于优化混合动力车辆能量管理效率，但是交通流信息的提取与融合存在数据量大且维度较高的问题，在目前的应用中，车企较多是通过车载导航将交通信息载入车载ECU，基于规则化的控制策略，改变控制策略中的能量分配比例，实现功率流的动态调整。

但是，上述技术存在以下问题：

1)基于普通车辆GPS定位的精度，难以实现精确的车道级定位，难以准确的获取当前车道前后的交通流信息；

2)车载导航所获取的交通信息较为有限，较多的是当前路段的车流信息，难以充分利用交通信息如红绿灯相位灯，实时动态地实现PHEV功率流优化分配。

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了一种交通信息获取精准、PHEV功率流分配高效的基于视觉交通信息的PHEV能量管理方法及系统。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种基于视觉交通信息的PHEV能量管理方法，该方法包括以下步骤：

步骤S1、通过车载前视摄像头实时获取目标车辆前方的图像信息，并采用预训练好视觉交通信息权重的YOLO图像识别模型提取出图像信息中的有效交通信息；

步骤S2、将提取得到的有效交通信息作为实时状态量和约束量输入，基于QP二次规划策略进行给定预测时域内的轨迹规划，输出在当前预测时域内的目标车速轨迹；

步骤S3、基于规划的得到的当前预测时域内的目标车速轨迹，计算得到当前时刻的需求功率，并将电池电流输入作为代价指标之一，构建基于PMP最小值原理的最优控制模型，通过哈密顿函数优化求解当前时刻发动机需求转矩的最优控制量；

步骤S4、采用模型预测控制MPC滚动优化架构，在迭代向前的每一步进行求解发动机需求转矩的最优控制量序列，并将求解得到的控制量序列中的第一个控制量输出给车载控制单元。

优选地，所述步骤S1中的有效交通信息包括距离前方车辆的纵向距离、前方路口红绿灯的状态和距离、以及前方限速指示牌的距离和限速值信息。

优选地，所述步骤S1中的预训练训练视觉交通信息权重的YOLO图像识别模型，其视觉交通信息的权重预训练过程为：

1)在三维仿真环境中对常规交通环境以及目标车辆进行建模；其中，目标车辆的前挡风玻璃正前方加装前视摄像头，用于拍摄前方交通场景；

2)设置跟车场景，前车的速度轨迹固定，后车为加装摄像头的目标车辆，设置仿真步长，并在设定工况下进行跟车仿真测试；仿真过程中，按仿真步长实时保存前视摄像头所拍摄的前视图像；

3)对前视仿真图像进行预标定，并依据距离前车的距离、距离前方交通信号灯的距离、以及基于前方限速牌的距离进行分类；

4)将分类完成的图像按类别分别导入YOLO v5图像识别模型中，通过YOLO v5的图像识别训练，经过离线迭代训练，拟合出不同类别的神经网络权重文件；所述神经网络按类别分为包括第一神经网络、第二神经网络和第三神经网络；其中，第一神经网络输出的是前车距离L_fr，第二神经网络输出的是红绿灯距离L_lgt以及红绿灯状态Sta_lgt，第三神经网络输出的是前方限速牌距离L_lim及限速值V_lim。

优选地，所述步骤S2中的QP二次规划模型的数学表达式为：

1)二次规划目标函数：

式中，x为优化参数，此处指待规划的加速度轨迹；H、Q为系数矩阵，表达式分别为：

其中，M为车辆的质量，A为车辆的迎风横截面积，C_D为风阻系数，f为道路摩擦系数，ρ为空气密度；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；

2)约束条件：

ψ·v_min≤ψ·v₀+ψ·a≤ψ·v_max

ψ·a_min≤a≤ψ·a_max

式中，S_lower为目标下限轨迹，S_upper为目标上限轨迹；a_min、a_max分别为设定的最小加速度和最大加速度值；v₀为初始速度，α为待规划的加速度轨迹；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；I为单位矩阵。

优选地，所述目标下限轨迹S_lower为以最低匀速V_low通过路口的速度轨迹，其中，V_low计算表达式为：

所述目标上限轨迹S_upper为以最高匀速V_upp通过路口的速度轨迹，其中，V_upp计算表达式为：

式中，ΔL_lgt为车辆距离前方路口红绿灯的距离；T_g、T_r、T_c分别为前方红绿灯的绿灯信号周期、前方红绿灯的红灯信号周期、摄像头采集的当前红绿灯显示时刻；sta_lgt为摄像头采集的红绿灯状态，包括green和red状态；V_lim为限速值。

优选地，所述步骤S3中基于PMP最小值原理的最优控制模型，具体数学表达式为：

式中，

为燃油消耗量，I_bat为电池电流；x(t)为状态量，此处以电池SOC进行表征；u(t)为控制量，此处为车辆当前的发动机需求转矩；k为输入电流的权重系数；m_f(t)为燃油消耗量；t₀、t_f分别为给定预测时域的起始时间；H为对应的哈密顿函数；p(t)为协态变量，

为电池SOC的微分量。

优选地，所述步骤S3中基于规划的得到的当前预测时域内的目标车速轨迹，计算得到当前时刻的需求功率，具体数学表达式为：

P_t＝V_t·(f·M·g·cosα+1/2·ρ·A·C_DV_t ²+M·a_t+M·g·sinα)·R_wheel

其中，P_t为当前时刻的需求功率，α为道路坡度，f为道路摩擦系数，ρ为空气密度，C_D为风阻系数，R_wheel为车轮半径，g为重力加速度，V_t为步骤S2优化得到的目标车速轨迹，A为车辆的迎风横截面积，M为车辆的质量，a_t为优化得到的规划加速度轨迹。

根据本发明的第二方面，提供了一种基于视觉交通信息的PHEV能量管理系统，采用任一项所述的方法，所述系统包括：

上层感知模块，用于采用预训练好视觉交通信息权重的YOLO图像识别模型提取出采集到的图像信息中的有效交通信息；

速度规划模块，用于依据有效交通信息进行速度轨迹预测；

下层能量管理模块，用于基于规划得到的目标车速轨迹进行最优控制量预测，实现能量实时管理。

根据本发明的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。

与现有技术相比，本发明具有以下优点：

1)本发明依据车辆智能化发展背景下车载摄像头的广泛应用，应用摄像头提取交通信息，相较以往所获取的只有的相对位置等信息，能够为PHEV能量管理系统获取更多的状态量输入，包括距离信息和交通标志物信息，能够有效提高能量管理效率；

2)本发明采用的YOLO v5框架进行交通信息的输入处理，能够保证交通信息处理结果的实时性和可靠性，为能量管理系统的实时计算提供了良好的支撑；

3)本发明QP二次规划策略进行给定预测时域内的速度轨迹规划，实时性更好；

4)以电池电流输入作为代价指标之一，采用基于PMP最小值原理的最优控制模型优化求解最优控制量，从理论上保证了优化指标如车辆纵向加速度和燃油消耗以及电池寿命等的最优性和可解释性；

5)应用模型预测控制MPC滚动优化架构，在迭代向前的每一步进行求解发动机需求转矩的最优控制量序列，增加了实时计算的可行性。

附图说明

图1为本发明的融合视觉交通信息的PHEV能量管理系统结构示意图；

图2为视觉交通信息权重训练流程；

图3为实车能量管理在线优化流程。

具体实施方式

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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

首先给出本发明的方法实施例，一种基于视觉交通信息的PHEV能量管理方法，该方法包括以下步骤：

步骤S1、通过车载前视摄像头实时获取目标车辆前方的图像信息，并采用预训练视觉交通信息权重的YOLO图像识别模型提取出图像信息中的有效交通信息；其中，有效交通信息包括距离前方车辆的纵向距离、前方路口红绿灯的状态和距离、以及前方限速指示牌的距离和限速值信息；

其中，预训练视觉交通信息权重的具体过程为：

1)在三维仿真环境中对常规交通环境以及目标车辆进行建模；

其中，交通环境包括且不限于：一定长度的标准车道、车道线、红绿交通信号灯、限速提示牌等；目标车辆的前挡风玻璃正前方加装前视摄像头，用于拍摄前方交通场景；

2)设置跟车场景，前车的速度轨迹固定，后车为加装摄像头的目标车辆，设置仿真步长为10ms，并在设定工况下进行跟车仿真测试；仿真过程中，按仿真步长实时保存前视摄像头所拍摄的前视图像；

3)对前视仿真图像进行预标定，并依据距离前车的距离、距离前方交通信号灯的距离、以及基于前方限速牌的距离进行分类，并分别基于距离拟合出bounding-box边长与三类距离之间的多项式关系s1＝f(L_fr)，s2＝f(L_lgt)，s3＝f(L_lim)；其中，L_fr为前车距离，L_lgt为红绿灯距离，L_lim为前方限速牌距离；

4)将分类完成的图像按类别分别导入YOLO v5图像识别模型中，通过YOLO v5的图像识别训练，经过离线迭代训练，拟合出不同类别的神经网络权重文件；所述神经网络按类别分为包括第一神经网络、第二神经网络和第三神经网络；其中，第一神经网络输出的是前车距离L_fr，第二神经网络输出的是红绿灯距离L_lgt、红绿灯状态Sta_lgt以及红绿灯显示时刻T_c，第三神经网络输出的是前方限速牌距离L_lim及限速值V_lim。

步骤S2、将提取得到的有效交通信息作为实时状态量和约束量输入，基于QP二次规划策略进行给定预测时域内的轨迹规划，输出在当前预测时域内的目标车速轨迹；所述QP二次规划模型的数学表达式为：

1)二次规划目标函数：

式中，x为优化参数，此处指待规划的加速度轨迹；H、Q为系数矩阵，表达式分别为：

其中，M为车辆的质量，A为车辆的迎风横截面积，C_D为风阻系数，f为道路摩擦系数，ρ为空气密度；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；

2)约束条件：

ψ·v_min≤ψ·v₀+ψ·a≤ψ·v_max

ψ·a_min≤a≤ψ·a_max

式中，S_lower为目标下限轨迹，S_upper为目标上限轨迹；a_min、a_max分别为设定的最小加速度和最大加速度值；v₀为初始速度，α为待规划的加速度轨迹；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；I为单位矩阵；

所述目标下限轨迹S_lower为以最低匀速V_low通过路口的速度轨迹，其中，V_low计算表达式为：

所述目标上限轨迹S_upper为以最高匀速V_upp通过路口的速度轨迹，其中，V_upp计算表达式为：

式中，ΔL_lgt为车辆距离前方路口红绿灯的距离；T_g、T_r、T_c分别为前方红绿灯的绿灯信号周期、前方红绿灯的红灯信号周期、摄像头采集的当前红绿灯显示时刻；sta_lgt为摄像头采集的红绿灯状态，包括green和red状态；V_lim为限速值。

步骤S3、基于规划的得到的当前预测时域内的目标车速轨迹，计算得到当前时刻的需求功率，并将电池电流输入作为代价指标之一，构建基于PMP最小值原理的最优控制模型，通过哈密顿函数优化求解当前时刻发动机需求转矩的最优控制量；

其中，当前时刻的需求功率的数学表达式为：

P_t＝V_t·(f·M·g·cosα+1/2·ρ·A·C_DV_t ²+M·a_t+M·g·sinα)·R_wheel

其中，α为道路坡度，f为道路摩擦系数，ρ为空气密度，C_D为风阻系数，R_wheel为车轮半径，g为重力加速度，V_t为步骤S2优化得到的目标车速轨迹，A为车辆的迎风横截面积，M为车辆的质量，a_t为优化得到的规划加速度轨迹。

基于PMP最小值原理的最优控制模型，具体数学表达式为：

式中，

为燃油消耗量，I_bat为电池电流；x(t)为状态量，此处以电池SOC进行表征；u(t)为控制量，此处为车辆当前的发动机需求转矩；k为输入电流的权重系数；m_f(t)为燃油消耗量；t₀、t_f分别为给定预测时域的起始时间；H为对应的哈密顿函数；p(t)为协态变量，

为电池SOC的微分量。

步骤S4、采用模型预测控制MPC滚动优化架构，在迭代向前的每一步进行求解发动机需求转矩的最优控制量序列，并将求解得到的控制量序列中的第一个控制量输出给车载控制单元。

接下来给出本发明的系统实施例，一种基于视觉交通信息的PHEV能量管理系统，采用任一项所述的方法，所述系统包括：

上层感知模块，用于采用预训练视觉交通信息权重的YOLO图像识别模型提取出采集到的图像信息中的有效交通信息；

速度规划模块，用于依据有效交通信息进行速度轨迹预测；

下层能量管理模块，用于基于规划得到的目标车速轨迹进行最优控制量预测，实现能量实时管理。

本发明电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。

设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元执行上文所描述的各个方法和处理，例如方法S1～S4。例如，在一些实施例中，方法S1～S4可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S1～S4的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S1～S4。

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：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上所述，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。

Claims (10)

1.一种基于视觉交通信息的PHEV能量管理方法，其特征在于，该方法包括以下步骤：

步骤S1、通过车载前视摄像头实时获取目标车辆前方的图像信息，并采用预训练好视觉交通信息权重的YOLO图像识别模型提取出图像信息中的有效交通信息；

步骤S2、将提取得到的有效交通信息作为实时状态量和约束量输入，基于QP二次规划策略进行给定预测时域内的轨迹规划，输出在当前预测时域内的目标车速轨迹；

步骤S3、基于规划的得到的当前预测时域内的目标车速轨迹，计算得到当前时刻的需求功率，并将电池电流输入作为代价指标之一，构建基于PMP最小值原理的最优控制模型，通过哈密顿函数优化求解当前时刻发动机需求转矩的最优控制量；

步骤S4、采用模型预测控制MPC滚动优化架构，在迭代向前的每一步进行求解发动机需求转矩的最优控制量序列，并将求解得到的控制量序列中的第一个控制量输出给车载控制单元。

2.根据权利要求1所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述步骤S1中的有效交通信息包括距离前方车辆的纵向距离、前方路口红绿灯的状态和距离、以及前方限速指示牌的距离和限速值信息。

3.根据权利要求1所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述步骤S1中的预训练训练视觉交通信息权重的YOLO图像识别模型，其视觉交通信息的权重预训练过程为：

1)在三维仿真环境中对常规交通环境以及目标车辆进行建模；其中，目标车辆的前挡风玻璃正前方加装前视摄像头，用于拍摄前方交通场景；

2)设置跟车场景，前车的速度轨迹固定，后车为加装摄像头的目标车辆，设置仿真步长，并在设定工况下进行跟车仿真测试；仿真过程中，按仿真步长实时保存前视摄像头所拍摄的前视图像；

3)对前视仿真图像进行预标定，并依据距离前车的距离、距离前方交通信号灯的距离、以及基于前方限速牌的距离进行分类；

4)将分类完成的图像按类别分别导入YOLO v5图像识别模型中，通过YOLO v5的图像识别训练，经过离线迭代训练，拟合出不同类别的神经网络权重文件；所述神经网络按类别分为包括第一神经网络、第二神经网络和第三神经网络；其中，第一神经网络输出的是前车距离L_fr，第二神经网络输出的是红绿灯距离L_lgt以及红绿灯状态Sta_lgt，第三神经网络输出的是前方限速牌距离L_lim及限速值V_lim。

4.根据权利要求1所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述步骤S2中的QP二次规划模型的数学表达式为：

1)二次规划目标函数：

式中，x为优化参数，此处指待规划的加速度轨迹；H、Q为系数矩阵，表达式分别为：

其中，M为车辆的质量，A为车辆的迎风横截面积，C_D为风阻系数，f为道路摩擦系数，ρ为空气密度；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；

2)约束条件：

ψ·v_min≤ψ·v₀+ψ·a≤ψ·v_max

ψ·a_min≤a≤ψ·a_max

式中，S_lower为目标下限轨迹，S_upper为目标上限轨迹；a_min、a_max分别为设定的最小加速度和最大加速度值；v₀为初始速度，α为待规划的加速度轨迹；

为N阶对角矩阵，N为预测时域；ψ＝ones(N)，为N阶向量；I为单位矩阵。

5.根据权利要求4所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述目标下限轨迹S_lower为以最低匀速V_low通过路口的速度轨迹，其中，V_low计算表达式为：

所述目标上限轨迹S_upper为以最高匀速V_upp通过路口的速度轨迹，其中，V_upp计算表达式为：

式中，ΔL_lgt为车辆距离前方路口红绿灯的距离；T_g、T_r、T_c分别为前方红绿灯的绿灯信号周期、前方红绿灯的红灯信号周期、摄像头采集的当前红绿灯显示时刻；sta_lgt为摄像头采集的红绿灯状态，包括green和red状态；V_lim为限速值。

6.根据权利要求1所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述步骤S3中基于PMP最小值原理的最优控制模型，具体数学表达式为：

式中，

为燃油消耗量，I_bat为电池电流；x(t)为状态量，此处以电池SOC进行表征；u(t)为控制量，此处为车辆当前的发动机需求转矩；k为输入电流的权重系数；m_f(t)为燃油消耗量；t₀、t_f分别为给定预测时域的起始时间；H为对应的哈密顿函数；p(t)为协态变量，

为电池SOC的微分量。

7.根据权利要求1所述的一种基于视觉交通信息的PHEV能量管理方法，其特征在于，所述步骤S3中基于规划的得到的当前预测时域内的目标车速轨迹，计算得到当前时刻的需求功率，具体数学表达式为：

P_t＝V_t·(f·M·g·cosα+1/2·ρ·A·C_DV_t ²+M·a_t+M·g·sinα)·R_wheel

其中，P_t为当前时刻的需求功率，α为道路坡度，f为道路摩擦系数，ρ为空气密度，C_D为风阻系数，R_wheel为车轮半径，g为重力加速度，V_t为步骤S2优化得到的目标车速轨迹，A为车辆的迎风横截面积，M为车辆的质量，a_t为优化得到的规划加速度轨迹。

8.一种基于视觉交通信息的PHEV能量管理系统，其特征在于，采用权利要求1～7任一项所述的方法，所述系统包括：

上层感知模块，用于采用预训练视觉交通信息权重的YOLO图像识别模型提取出采集到的图像信息中的有效交通信息；

速度规划模块，用于依据有效交通信息采用进行速度轨迹预测；

下层能量管理模块，用于基于规划得到的目标车速轨迹进行最优控制量预测，实现能量实时管理。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。

Images