一種無人機避障方法和裝置與流程

本發明實施例涉及航空科學技術領域，尤其涉及一種無人機避障方法和裝置。

背景技術：

近年來，多軸無人機發展迅速，無人機在飛行過程中，其飛行環境信息很難完全預知，經常會遇到突發威脅和障礙，這時預先規劃的全局航跡路徑已無法滿足要求，為達到預期的目的，需要具備實時偵測并避開障礙物的功能；現有技術中的方案是基于激光雷達與雙目視覺來實現無人機避障，該方案采用激光雷達與雙目視覺互補的方式獲取環境點云數據，得到點云數據后進行算法處理，根據數據處理結果重新規劃合理的航跡路徑；但是該方案一方面測距范圍與成本存在不可調和的矛盾，另一方面測量結果受環境光影響較大，光線條件惡劣時，無論激光雷達或雙目視覺的檢測效果均不理想。

技術實現要素：

本發明實施例提供一種無人機避障方法和裝置，用以解決現有技術中測量遠距離點云數據成本高以及測量結果受環境光影響較大的問題。

本發明實施例提供一種無人機避障方法，包括：

獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上；

根據第一類點云數據得到卡爾曼濾波的噪聲矩陣；

將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據；

根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。

可選的，將第二類點云數據作為卡爾曼濾波的觀測量，包括：

將第二類點云數據中距離小于閾值的第二類點云數據作為卡爾曼濾波的觀測量，閾值根據激光雷達的探測范圍來確定。

可選的，根據第二類點云數據和第三類點云數據確定無人機的行駛路徑，包括：

將第二類點云數據中距離不小于閾值的第二類點云數據作為第四類點云數據；

根據聚類算法對第三類點云數據和第四類點云數據進行分類，確定各點云數據所歸屬的潛在障礙物的類型；

根據點云數據所歸屬的潛在障礙物的類型，計算點云數據對無人機的斥力；

計算各點云數據的斥力之和，并根據斥力之和得到無人機的行駛路徑。

可選的，通過如下方式計算點云數據對無人機的斥力：

根據點云數據的距離和比例系數確定斥力勢場，比例系數的值是根據點云數據所歸屬的潛在障礙物的分類確定的；

通過計算斥力勢場的負梯度值確定點云數據對無人機的斥力。

可選的，根據第一類點云數據得到卡爾曼濾波的噪聲矩陣之前，還包括：

分別濾除第一類點云數據和第二類點云數據中的野值點。

相應的，本發明實施例提供一種無人機避障裝置，包括：

獲取模塊，用于獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上；

計算模塊，用于根據第一類點云數據得到卡爾曼濾波的噪聲矩陣；

濾波模塊，用于將所述第一類點云數據作為所述卡爾曼濾波的狀態量，將所述第二類點云數據作為所述卡爾曼濾波的觀測量，通過所述卡爾曼濾波確定第三類點云數據；

避障模塊，用于根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。

可選的，濾波模塊具體用于：

將第二類點云數據中距離小于閾值的第二類點云數據作為卡爾曼濾波的觀測量，閾值根據激光雷達的探測范圍來確定。

可選的，避障模塊具體用于：

根據聚類算法對第三類點云數據和第四類點云數據進行分類，確定各點云數據所歸屬的潛在障礙物的類型，第四類點云數據為第二類點云數據中距離不小于閾值的第二類點云數據；

根據點云數據所歸屬的潛在障礙物的類型，計算點云數據對所述無人機的斥力；

計算各點云數據的斥力之和，并根據斥力之和得到無人機的行駛路徑。

可選的，避障模塊具體用于：

通過如下方式計算點云數據對無人機的斥力：

根據點云數據的距離和比例系數確定斥力勢場，比例系數的值是根據點云數據所歸屬的潛在障礙物的分類確定的；

通過計算斥力勢場的負梯度值確定點云數據對無人機的斥力。

可選的，還包括去噪聲模塊：用于在根據第一類點云數據得到卡爾曼濾波的噪聲矩陣之前，分別濾除第一類點云數據和第二類點云數據中的野值點。

本發明實施例提供一種無人機避障方法和裝置，獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上。接著根據第一類點云數據得到卡爾曼濾波的噪聲矩陣，將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據。然后根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。本發明實施例中，由于低成本的激光雷達對近距離障礙物的檢測精度較高，穩定性較好，但對遠距離障礙物進行檢測時，成本較高，故利用激光雷達探測近距離的障礙物的點云數據。由于毫米波雷達進行近距離檢測時，存在盲區，無法檢測到正常的點云數據，但測量遠距離障礙物時精度較高，故利用毫米波雷達探測遠距離的障礙物的點云數據。將激光雷達和毫米波雷達結合進行障礙物檢測時，一方面使探測的范圍更廣，使無人機對較遠的障礙物能提前做好路徑規劃，另一方面降低了對遠距離障礙物測量時的成本。利用卡爾曼濾波器對激光雷達探測的點云數據進行濾波，濾波過程中以毫米波雷達探測的點云數據作為觀測量，根據第一類點云數據得到噪聲矩陣，一方面濾除了激光雷達探測到的點云數據中強光干擾下的野值點；另一方面利用毫米波雷達探測到的近距離的點云數據對激光雷達探測到的點云數據進行補償，保障了激光雷達探測近距離點云數據的精度。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡要介紹。

圖1為本發明實施例提供的一種無人機避障方法的流程示意圖；

圖1a為本發明實施例提供的激光雷達在無環境光干擾下的點云數據；

圖1b為本發明實施例提供的激光雷達在有環境光干擾下的點云數據；

圖2為本發明實施例提供的另一種無人機避障方法的流程示意圖；

圖3為本發明實施例提供的一種無人機避障裝置的結構示意圖。

具體實施方式

為了使本發明的目的、技術方案及有益效果更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

本發明實施例中使用的激光雷達是以發射激光束探測特征量的雷達系統，激光雷達向目標發射探測信號，比如激光束，然后將接收到的從目標反射回來的信號與發射信號進行比較，作適當處理后，就可獲得目標的有關信息，比如目標距離、方位、高度、速度、姿態、甚至形狀等參數，從而對飛機、導彈等目標進行探測、跟蹤和識別。毫米波雷達與激光雷達工作原理相同，工作頻率在毫米波波段，工作頻率通常選在30～300GHz范圍內。點云數據指通過掃描得到的以點的形式記錄的數據，每一個點包含有二維坐標或三維坐標，有些可能含有顏色信息或反射強度信息。

圖1示例性示出了本發明實施例提供的一種無人機避障方法流程示意圖，如圖1所示，包括以下步驟：

步驟S101，獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據。

步驟S102，根據第一類點云數據得到卡爾曼濾波的噪聲矩陣。

步驟S103，將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據。

步驟S104，根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。

在步驟S101中，獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上。具體指對近距離的障礙物采用低成本的激光雷達進行探測，測距范圍為10cm-6m，得到反映障礙物的二維點云數據，激光雷達對近距離障礙物的探測精度較高，但是有強光干擾時，存在較多野值點，同時會丟失部分有關障礙物的點云數據，圖1a示例性示出了本發明實施例提供的激光雷達在無環境光干擾下的點云數據，圖1b示例性示出了本發明實施例提供的激光雷達在有環境光干擾下的點云數據。如圖1a和圖1b所示，在無環境光影響時，探測到的點云數據組成的輪廓清晰并且點云數據的排列有一定的規律，在有環境光影響時，首先探測到的有規律的點云數據減少，同時探測到一些異常點，這些異常點稱之為野值點。需要說明的是激光雷達可以探測到遠距離的障礙物，但在探測遠距離的障礙物時成本較高，從而對遠距離的障礙物采用毫米波雷達進行探測。毫米波雷達的探測范圍比激光雷達的探測范圍大，能夠探測到50m以內的障礙物，并且可以得到二維點云數據或三維點云數據，但距離較近時存在盲區，需要說明的是，毫米波雷達在距離較近時能夠檢測到點云數據，但得到的點云數據無法反應障礙物的真實距離。激光雷達和毫米波雷達可以安裝在無人機的前、后、左、右四個方向上。采用激光雷達和毫米波雷達互補的方式獲取反應障礙物的點云數據，一方面實現了遠、近距離的無人機快速避障，另一方面降低了對遠距離障礙物測量時的成本。

在步驟S102和步驟S103中，根據第一類點云數據得到卡爾曼濾波的噪聲矩陣，將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據。利用卡爾曼濾波對激光雷達探測的點云數據進行濾波，濾波過程中以毫米波雷達探測的點云數據作為觀測量，根據第一類點云數據得到噪聲矩陣，一方面濾除了激光雷達探測到的點云數據中強光干擾下的野值點；另一方面利用毫米波雷達探測到的近距離的點云數據對激光雷達探測到的點云數據進行補償，保障了激光雷達探測近距離點云數據的精度。具體實施中，卡爾曼濾波的噪聲矩陣根據激光雷達二維點云數據的距離動態變化，距離越近，噪聲矩陣R越大；距離越遠，則噪聲矩陣R越小。

為了進一步保障卡爾曼濾波的效果，在根據第一類點云數據得到卡爾曼濾波器的噪聲矩陣之前，還包括：分別濾除第一類點云數據和第二類點云數據中的野值點。具體實施中，無人機軸距一般在30cm以上，根據實際應用場景，可以將距離小于30cm的點云當做野值點，從而可以先使用普通的濾波器對激光雷達探測到的點云數據和毫米波雷達探測到的點云數據進行第一次濾波，將距離小于30cm的點云數據濾除；進一步利用跟蹤微分器對激光雷達探測到的點云數據和毫米波雷達探測到的點云數據分別進行第二次濾波，激光雷達探測到的點云數據經過第二次濾波后，可以用來計算卡爾曼濾波器的噪聲矩陣；需要說明的是，本發明實施例中的跟蹤微分器不限于離散跟蹤微分器、非線性跟蹤微分器、快速跟蹤微分器等。采用跟蹤微分器濾除激光雷達和毫米波雷達探測到的點云數據中的野值點，不但濾除效果好，同時算法計算量小。

可選的，由于激光雷達探測范圍小，故可設計在進行卡爾曼濾波時，將毫米波雷達探測的點云數據中距離小于閾值的點云數據作為觀測量輸入卡爾曼濾波器，閾值根據激光雷達的探測范圍來確定。比如激光雷達的探測范圍是10cm-6m，由于隨著探測距離越遠，激光雷達的測量精度呈下降趨勢，而毫米波雷達的探測精度隨著探測距離越遠精度呈上升趨勢，為了保證探測的精度，可以將閾值設定為5.5m，從而激光雷達探測的點云數據中可以只選取距離小于5.5m的點云數據作為狀態量輸入卡爾曼濾波器。同時將毫米波雷達探測的點云數據中距離小于5.5m的點云數據作為觀測量輸入卡爾曼濾波器。經過卡爾曼濾波處理后，激光雷到探測的點云數據和毫米波雷達探測的點云數據融合成一組點云數據，后續對融合后的點云數據進行算法處理得到范圍在5.5m內的障礙物。需要說明的是本發明實施例所指的卡爾曼濾波不限于標準卡爾曼濾波，還包括自適應卡爾曼濾波、EKF(Extended Kalman Filte，擴展卡爾曼濾波)等。采用卡爾曼濾波器利用毫米波雷達的二維點云數據對激光雷達傳感器的點云數據進行濾波，濾除強光干擾下的野值點的同時補償濾波帶來的相位損失。

在步驟S104中，本發明實施例提供了根據第二類點云數據和第三類點云數據確定無人機的行駛路徑的方法。具體為：將第二類點云數據中距離不小于閾值的第二類點云數據作為第四類點云數據。接著根據聚類算法對第三類點云數據和第四類點云數據進行分類，確定各點云數據所歸屬的潛在障礙物的類型，然后根據點云數據所歸屬的潛在障礙物的類型，計算點云數據對無人機的斥力。最后計算各點云數據的斥力之和，并根據斥力之和得到無人機的行駛路徑。

可選的，通過如下方式計算點云數據對無人機的斥力：

根據點云數據的距離和比例系數確定斥力勢場，比例系數的值是根據點云數據所歸屬的潛在障礙物的分類確定的。然后通過計算斥力勢場的負梯度值確定點云數據對無人機的斥力。具體實施中可根據公式(1)計算點云數據的斥力勢場，公式(1)如下所示：

其中，U_rf(d)表示斥力勢場，k_rf表示比例系數且根據點云數據所歸屬的潛在障礙物的分類確定k_rf的值，d表示點云數據的距離，U_{rf max}表示最大斥力勢場，d_{rf min}表示最小距離；

接著根據公式(2)計算得到點云數據對無人機的斥力，公式(2)如下所示：

其中，F_rf(d)表示斥力，U_rf(d)表示斥力勢場，k_rf表示比例系數且根據點云數據所歸屬的潛在障礙物的分類確定k_rf的值，d表示點云數據的距離，F_{rf max}表示最大斥力勢場，d_{rf min}表示最小距離。

具體實施中，經過卡爾曼濾波器濾波后的點云數據是距離小于閾值的點云數據，距離不小于閾值的點云數據不進行卡爾曼濾波處理，兩組點云數據一起組成最終的反應障礙物的點云數據，利用聚類算法對最終的二維點云數據進行歸類，比如可以采用K均值聚類算法將點云數據分為A、B、C三大類，分別對應大型障礙物、中型障礙物、小型障礙物。根據聚類算法的結果對二維點云中的每個點云采用不同的斥力算法模型計算對應的斥力勢場，斥力勢場的計算公式如式(1)所示，同時根據斥力勢場的計算結果計算斥力F(d)，斥力的計算公式如式(2)所示。根據得到的各點云的斥力計算無人機所受的和斥力。進一步的，選擇合適的非線性函數對和斥力進行加權計算，得到載體坐標系下的線性補償加速度Acc_Bf，同時從飛控計算機獲取到的旋轉矩陣計算導航坐標系下的線性補償加速度Acc_Ef，其中，從飛控計算機得到的旋轉矩陣M如式(3)所示，導航坐標系下的線性補償加速度的計算公式如式(4)所示；

Acc_Ef＝Acc_Bf*M (4)

其中*為矩陣相乘。

最后將導航坐標系下的線性補償加速度Acc_Ef進行積分計算得到導航坐標系下的線性補償速度Vel_Ef，經導航坐標系下的線性補償速度Vel_Ef進行積分計算得到線性補償位置Pos_Ef。

根據聚類算法的計算結果以及斥力算法模型的計算結果對不同類型的障礙物采取不同的避障策略。比如針對A類大型障礙物，根據當前無人機飛行的加速度、速度、位置判斷當前無人機飛行狀態能否繞過該障礙物，若能，則根據斥力模型得到的補償加速度、補償速度、補償位置修正無人機當前飛行狀態。若不能，則采取升高后繞行的策略。本發明實施例中，利用聚類算法對障礙物進行分類，針對不同類型的障礙物采用不同的斥力模型進行計算，從而實現對不同類型障礙物采用不用的路徑規劃，路徑規劃更具有針對性，精度更高。

為了更清楚的介紹上述方法流程，本發明實施例提供以下示例，圖2示例性示出了本發明實施例提供的另一種無人機避障方法流程示意圖。

如圖2所述，該方法包括以下步驟：

步驟S201，獲取激光雷達探測的點云數據；

步驟S202，用普通的濾波器濾除激光雷達探測到的點云數據中距離小于30cm的點云數據；

步驟S203，跟蹤微分器濾除激光雷達探測到的點云數據中一部分野值點；

步驟S204，判斷濾除野值點后的點云數據的距離是否小于閾值；若是執行步驟S210，否則執行步驟S205；

步驟S205，將距離大于閾值的點云數據直接濾除；

步驟S206，獲取毫米波雷達探測的點云數據；

步驟S207，用普通的濾波器濾除毫米波雷達探測到的點云數據中距離小于30cm的點云數據；

步驟S208，跟蹤微分器濾除毫米波雷達探測到的點云數據中一部分野值點；

步驟S209，判斷濾除野值點后的點云數據的距離是否小于閾值；若是執行步驟S210，否則執行步驟S211；

步驟S210，將激光雷達探測到的點云數據濾除野值點后作為卡爾曼濾波的狀態量，將毫米波雷達探測到的點云數據濾除野值點后作為卡爾曼濾波的觀測量，利用濾除野值點后的激光雷達探測到的點云數據計算卡爾曼濾波的噪聲矩陣，根據狀態量、觀測量和噪聲矩陣進行卡爾曼濾波；

步驟S211，獲取經卡爾曼濾波后的點云數據以及毫米波探測到的距離大于閾值的點云數據，使用聚類算法對獲取的點云數據進行處理，得到各點云的分類；

步驟S212，根據點云所屬的類型采用不同的斥力算法模型進行處理；

步驟S213，根據斥力算法模型的處理結果采取對應的路徑規劃策略。

從上述內容可看出：本發明實施例提供一種無人機避障方法和裝置，獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上。接著根據第一類點云數據得到卡爾曼濾波的噪聲矩陣，將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據。然后根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。本發明實施例中，由于低成本的激光雷達對近距離障礙物的檢測精度較高，穩定性較好，但對遠距離障礙物進行檢測時，成本較高，故利用激光雷達探測近距離的障礙物的點云數據。由于毫米波雷達進行近距離檢測時，存在盲區，無法檢測到正常的點云數據，但測量遠距離障礙物時精度較高，故利用毫米波雷達探測遠距離的障礙物的點云數據。將激光雷達和毫米波雷達結合進行障礙物檢測時，一方面使探測的范圍更廣，使無人機對較遠的障礙物能提前做好路徑規劃，另一方面降低了對遠距離障礙物測量時的成本。利用卡爾曼濾波器對激光雷達探測的點云數據進行濾波，濾波過程中以毫米波雷達探測的點云數據作為觀測量，根據第一類點云數據得到噪聲矩陣，一方面濾除了激光雷達探測到的點云數據中強光干擾下的野值點；另一方面利用毫米波雷達探測到的近距離的點云數據對激光雷達探測到的點云數據進行補償，保障了激光雷達探測近距離點云數據的精度。

基于同樣的發明構思，本發明實施例提供一種無人機避障裝置，如圖3所示，該裝置包括獲取模塊301、去噪模塊302、計算模塊303、濾波模塊304、避障模塊305，其中：

獲取模塊301，用于獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上。

計算模塊303，用于根據第一類點云數據得到卡爾曼濾波的噪聲矩陣。

濾波模塊304，用于將所述第一類點云數據作為所述卡爾曼濾波的狀態量，將所述第二類點云數據作為所述卡爾曼濾波的觀測量，通過所述卡爾曼濾波確定第三類點云數據。

避障模塊305，用于根據所述第二類點云數據和所述第三類點云數據確定所述無人機的行駛路徑。

可選的，濾波模塊304具體用于：

將所述第二類點云數據中距離小于閾值的第二類點云數據作為所述卡爾曼濾波的觀測量，閾值根據激光雷達的探測范圍來確定。

可選的，避障模塊305具體用于：

根據聚類算法對第三類點云數據和所述第四類點云數據進行分類，確定各點云數據所歸屬的潛在障礙物的類型，第四類點云數據為第二類點云數據中距離不小于閾值的第二類點云數據；

根據點云數據所歸屬的潛在障礙物的類型，計算點云數據對所述無人機的斥力；

計算各點云數據的斥力之和，并根據斥力之和得到無人機的行駛路徑。

可選的，避障模塊305具體用于：

通過如下方式計算所述點云數據對所述無人機的斥力：

根據點云數據的距離和比例系數確定斥力勢場，所述比例系數的值是根據所述點云數據所歸屬的潛在障礙物的分類確定的；

通過計算所述斥力勢場的負梯度值確定所述點云數據對所述無人機的斥力。

可選的，還包括去噪模塊302：用于在根據所述第一類點云數據得到卡爾曼濾波的噪聲矩陣之前，分別濾除所述第一類點云數據和所述第二類點云數據中的野值點。

從上述內容可看出：本發明實施例提供一種無人機避障方法和裝置，獲取激光雷達探測到的第一類點云數據，獲取毫米波雷達探測到的第二類點云數據，激光雷達和毫米波雷達安裝在無人機上。接著根據第一類點云數據得到卡爾曼濾波的噪聲矩陣，將第一類點云數據作為卡爾曼濾波的狀態量，將第二類點云數據作為卡爾曼濾波的觀測量，通過卡爾曼濾波確定第三類點云數據。然后根據第二類點云數據和第三類點云數據確定無人機的行駛路徑。本發明實施例中，由于低成本的激光雷達對近距離障礙物的檢測精度較高，穩定性較好，但對遠距離障礙物進行檢測時，成本較高，故利用激光雷達探測近距離的障礙物的點云數據。由于毫米波雷達進行近距離檢測時，存在盲區，無法檢測到正常的點云數據，但測量遠距離障礙物時精度較高，故利用毫米波雷達探測遠距離的障礙物的點云數據。將激光雷達和毫米波雷達結合進行障礙物檢測時，一方面使探測的范圍更廣，使無人機對較遠的障礙物能提前做好路徑規劃，另一方面降低了對遠距離障礙物測量時的成本。利用卡爾曼濾波器對激光雷達探測的點云數據進行濾波，濾波過程中以毫米波雷達探測的點云數據作為觀測量，根據第一類點云數據得到噪聲矩陣，一方面濾除了激光雷達探測到的點云數據中強光干擾下的野值點；另一方面利用毫米波雷達探測到的近距離的點云數據對激光雷達探測到的點云數據進行補償，保障了激光雷達探測近距離點云數據的精度。

本領域內的技術人員應明白，本發明的實施例可提供為方法、或計算機程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。

本發明是參照根據本發明實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本發明的優選實施例，但本領域內的技術人員一旦得知了基本創造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權利要求意欲解釋為包括優選實施例以及落入本發明范圍的所有變更和修改。

顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，則本發明也意圖包含這些改動和變型在內。