一种测试方法及装置
技术领域
本发明涉及仿真测试技术领域，更具体的说，是涉及一种测试方法及装置。
背景技术
仿真测试是智能驾驶或无人驾驶算法开发过程中的重要环节，通过构建场景库实现智能驾驶算法或控制器的测试，目前已经成为智能驾驶开发过程的主要验证手段和方法。
目前对于智能驾驶算法的仿真测试，都是基于一些构建的模型来实现的，这种测试方法存在一定的缺点，主要原因有以下几点：1)智能驾驶仿真使用的传感器模型的拟真度不能完全达到理想的状态，即与实车真正的传感器模型采集信号还有一定的差别；2)真实场景与仿真软件模拟的场景有一定的差别，仿真软件模拟的场景大都来自法规、功能规范、经验，这些场景与真实路况遇到的场景不能一概而论；3)车辆模型与仿真线控与实车有一定差别。因此，实际应用中，在对智能驾驶算法进行仿真测试的基础上，还需要进行大量的实车测试进行交叉验证。
当前对于智能驾驶算法的实车测试，受限于开发成本和实车测试场景的构造难度，存在一些极端场景无法完成测试以及测试场景数量单薄导致测试结果准确度差的问题。因此，如何提供测试方法，能够方便准确的对智能驾驶算法进行测试，是领域内技术人员亟待解决的问题。
发明内容
有鉴于此，本发明提供如下技术方案：
一种测试方法，包括：
在预设条件下触发智能驾驶孪生算法，所述智能驾驶孪生算法与智能驾驶算法的算法模型一致，所述智能驾驶孪生算法与所述智能驾驶算法的触发条件不同；
获取实车传感器数据输入车辆模型和实车；
基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动；
基于所述车辆模型的运行情况和实车情况生成测试结果。
可选的，所述基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动，包括：
获取实车的第一定位信息和所述车辆模型的第二定位信息，确定所述第一定位信息和所述第二定位信息的定位差分；
基于所述定位差分确定所述第一定位信息和所述第二定位信息之间的坐标转换参数；
基于所述坐标转换参数，将实车传感器坐标系下检测的目标交通车辆、障碍物、路标和车道线的位置变换到车辆模型传感器坐标系下；
基于所述车辆模型传感器坐标系下的目标交通车辆、障碍物、路标和车道线的位置，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
可选的，所述基于所述车辆模型的运行情况和实车情况生成测试结果，包括：
基于所述车辆模型的运行情况和实车情况，判断所述智能驾驶算法驱动的所述车辆模型是否存在异常行为，并确定驾驶员的舒适性数据，所述车辆模型的运行数据包括运行轨迹和动力学信息。
可选的，在所述基于所述车辆模型的运行情况和实车情况生成测试结果之后，还包括：
将所述测试结果和测试过程中的数据上传至服务器。
可选的，所述在预设条件下触发智能驾驶孪生算法包括：
在驾驶员触发智能驾驶功能，且待测试的功能属于经过仿真测试但未经过实车测试的功能项和/或驾驶员没有启动的功能项时，触发智能驾驶孪生算法；
或，
在驾驶员触发智能驾驶功能，实车传感器检测到周围环境满足测试相应的智能驾驶功能的触发条件，且待测试的功能属于预设功能集合时，触发智能驾驶孪生算法。
可选的，还包括：
在满足退出条件时，自动退出所述智能驾驶孪生算法。
可选的，在所述待测试的功能属于经过仿真测试但未经过实车测试的功能项时，所述退出条件包括：
在所述车辆模型和实车的质心坐标的欧氏距离大于实车传感器感知的功能域半径，其中，所述功能域为所述智能驾驶孪生算法执行所述待测试的功能时实车所处的区域；
在所述待测试的功能属于驾驶员没有启动的功能项时，所述退出条件包括：
在所述车辆模型和实车的质心坐标的欧氏距离大于实车传感器感知的功能域半径；
或，
驾驶员主动开启之前没有启动的所述待测试的功能。
可选的，所述车辆模型为三自由六状态双输入非线性系统。
一种测试装置，包括：
算法触发模块，用于在预设条件下触发智能驾驶孪生算法，所述智能驾驶孪生算法与智能驾驶算法的算法模型一致，所述智能驾驶孪生算法与所述智能驾驶算法的触发条件不同；
数据输入模块，用于获取实车传感器数据输入车辆模型和实车；
驱动控制模块，用于基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动；
结果确定模块，用于基于所述车辆模型的运行情况和实车情况生成测试结果。
可选的，所述驱动控制模块包括：
信息获取模块，用于获取实车的第一定位信息和所述车辆模型的第二定位信息，确定所述第一定位信息和所述第二定位信息的定位差分；
参数确定模块，用于基于所述定位差分确定所述第一定位信息和所述第二定位信息之间的坐标转换参数；
数据转换模块，用于基于所述坐标转换参数，将实车传感器坐标系下检测的目标交通车辆、障碍物、路标和车道线的位置变换到车辆模型传感器坐标系下；
驱动控制子模块，用于基于所述车辆模型传感器坐标系下的目标交通车辆、障碍物、路标和车道线的位置，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种测试方法及装置，该方法包括：在预设条件下触发智能驾驶孪生算法，智能驾驶孪生算法与智能驾驶算法的算法模型一致但触发条件不同；获取实车传感器数据输入车辆模型和实车；基于实车传感器数据，采用智能驾驶孪生算法对车辆模型进行驱动；基于车辆模型的运行情况和实车情况生成测试结果。该测试方法及装置，采用真实的实车场景和传感器作为功能验证数据的来源，使其具备有优于仿真测试验证的准确性，且其实现不需要构造实车场景，避免了大量人力、物力的投入；该实现可部署在量产的车辆控制器产品中，然后收集量产车辆实际功能的执行情况，得到测试结果，具备成本小且准确性高的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种测试方法的流程图；
图2为传统智能驾驶车辆的实现链路示意图；
图3为本发明实施公开的采用智能驾驶孪生算法的智能驾驶车辆的实现链路示意图；
图4为本发明实施例公开的对车辆模型进行运行控制的流程示意图；
图5为传统的智能驾驶算法的控制链路示意图；
图6为本发明实施例公开的智能驾驶孪生算法的控制链路示意图；
图7为本发明实施例公开的另一种测试方法的流程图；
图8为本发明实施例公开的一种测试装置的结构示意图；
图9为本发明实施例公开的运行控制模块的结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
图1为本发明实施例公开的一种测试方法的流程图，参见图1所示，测试方法可以包括：
步骤101：在预设条件下触发智能驾驶孪生算法，所述智能驾驶孪生算法与智能驾驶算法的算法模型一致，所述智能驾驶孪生算法与所述智能驾驶算法的触发条件不同。
其中，智能驾驶孪生算法与智能驾驶算法的算法模型完全一致，智能驾驶算法用于在智能驾驶功能启动后，控制实车运行；而智能驾驶孪生算法用于在满足预设条件的情况下对车辆模型进行控制，通过智能驾驶孪生算法各项功能的执行效果来确定智能驾驶算法各项功能的执行效果。
对于实车控制的所有功能项，由于一些功能项已经经过成熟的仿真测试，或在上述智能驾驶算法运行时就能够得到功能项的执行结果，因此本实现中，并不需要对所有功能项都进行测试，从而上述智能驾驶孪生算法可以在满足预设条件的情况下伺机启动运行，而非一直运行。其中的预设条件具有不同的实现，具体内容将在后续的内容中详细记载，在此不再过多介绍。
图2为传统智能驾驶车辆的实现链路示意图，图3为本发明实施公开的采用智能驾驶孪生算法的智能驾驶车辆的实现链路示意图，结合图2和图3所示，采用智能驾驶孪生算法的控制链路相对于传统的控制链路，增加了智能驾驶孪生算法和车辆模型，这两个模块可安装部署在智能驾驶控制器中，作为与仿真测试或实车测试并行的一个测试验证方式。具体的，智能驾驶孪生算法是和智能驾驶控制器内置的智能驾驶算法完全相同的应用层控制算法，相当于把智能驾驶算法复制了相同的一份；车辆模型指的是车辆动力学模型，通过智能驾驶孪生算法控制车辆动力学模型，车辆模型的运动学行为就会通过数字的形式表现出来，类似于在线的实时仿真；车辆的运动结果不是通过真实车辆的运动行为表现出来的，而是通过车辆模型的运动行为表现出来的。可结合图2、图3及上述内容理解本申请实施例的具体应用。
步骤101后，进入步骤102。
步骤102：获取实车传感器数据并输入到车辆模型和实车。
本申请实施例中，在驾驶员触发智能驾驶功能后，智能驾驶孪生算法可以在智能驾驶算法控制实车的某功能执行节点同步控制车辆模型的运行。与现有的智能驾驶算法的仿真测试过程不同的是，本申请实施例中车辆模型获取的感知数据，也即实车传感器数据，不是由虚拟的传感器模型模拟产生的，而是实车上传感器采集到的真实传感器数据，从而保证了传感器数据的真实准确；基于该真实的传感器数据进行的测试，实现了智能驾驶算法的“半实车测试”，其测试结果相对于仿真测试和局限性较大的实车测试，具有很好的实际意义。
步骤103：基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
步骤103既是在实车传感器数据的基础上，通过智能驾驶孪生算法对车辆模型进行控制，通过该过程，可以确定在某些特定的场景下，如车辆运行前方存在障碍物的场景，智能驾驶孪生算法是否能够控制车辆模型准确的避开障碍物继续前行。
步骤104：基于所述车辆模型的运行情况和实车情况生成测试结果。
其中的实车情况可以是实车的一些基本项条件，如车辆是否处于启动状态，是否处于运动状态等。
沿用上述车辆运行前方存在障碍物的场景的例子，如果智能驾驶孪生算法能够准确避开障碍物并继续前行，确定智能驾驶孪生算法的避障功能通过测试；如若智能驾驶孪生算法没有避开障碍物，发生与障碍物碰撞停止或车辆模型侧方与障碍物摩擦碰撞后继续前行，确定智能驾驶孪生算法的避障功能没有通过测试。
本实施例提供的所述测试方法，采用真实的实车场景和传感器作为功能验证数据的来源，使其具备有优于仿真测试验证的准确性，且其实现不需要构造实车场景，避免了大量人力、物力的投入；该实现可部署在量产的车辆控制器产品中，然后收集量产车辆实际功能的执行情况，得到测试结果，具备成本小且准确性高的优点。
图4为本发明实施例公开的对车辆模型进行运行控制的流程示意图，参见图4所示，上述实施例中，所述基于所述实车传感器数据，采用所述智能驾驶孪生算法对车辆模型进行驱动，可以包括：
步骤401：获取实车的第一定位信息和所述车辆模型的第二定位信息，确定所述第一定位信息和所述第二定位信息的定位差分。
其中，实车的第一定位信息即真实车辆的位置信息；车辆模型的第二定位信息即虚拟位置信息。
步骤402：基于所述定位差分确定所述第一定位信息和所述第二定位信息之间的坐标转换参数。
由于实车坐标系和车辆模型采用的坐标系不同，因此需要确定第一定位信息和第二定位信息的定位差分，进而确定第一定位信息和第二定位信息之间的坐标转换参数，确定两个坐标系下数据之间的对应关系。
步骤403：基于所述坐标转换参数，将实车传感器坐标系下检测的目标交通车辆、障碍物、路标和车道线的位置变换到车辆模型传感器坐标系下。
步骤404：基于所述车辆模型传感器坐标系下的目标交通车辆、障碍物、路标和车道线的位置，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
图5为传统的智能驾驶算法的控制链路示意图，图6为本发明实施例公开的智能驾驶孪生算法的控制链路示意图，结合图5和图6所示，智能驾驶孪生算法的感知模块之后，设置有坐标变换模块；由于智能驾驶孪生算法采用原始感知信号进行感知识别，获得的感知结果是实车周围环境的感知结果，而非车辆模型周围感知结果，因此需要通过实车的定位以及车辆模型的定位进行定位差分，再通过坐标变换，得出车辆模型运行半虚拟环境的感知融合结果。其中的半虚拟环境指的是周围场景为真实场景，但本车运动轨迹是车辆模型计算的，所以运动轨迹是虚拟的。坐标变换需要将实车传感器坐标系检测的目标交通车辆、障碍物、路标和车道线的位置变换到车辆模型传感器坐标系下。
在上述本发明公开的实施例的基础上，图7为本发明实施例公开的另一种测试方法的流程图，图7所示方法同样应用于智能驾驶控制器。如图7所示，测试方法可以包括：
步骤701：在预设条件下触发智能驾驶孪生算法，所述智能驾驶孪生算法与智能驾驶算法的算法模型一致，所述智能驾驶孪生算法与所述智能驾驶算法的触发条件不同。
步骤702：获取实车传感器数据输入车辆模型和实车。
步骤703：基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
步骤704：基于所述车辆模型的运行情况和实车情况生成测试结果。
步骤705：将所述测试结果和测试过程中的数据上传至服务器。
其中测试过程中的数据可以但不限制为包括整个测试过程中车辆模型的运行轨迹和功能执行数据。
本实现中，当驾驶员控制实车时，智能驾驶孪生算法伺机工作控制车辆模型工作，根据运行控制的结果得到智能驾驶孪生算法的测试结果，然后可以整个控制结果的轨迹、功能执行情况、测试结果通过4G或5G等无线移动通讯手段上传到研发企业后端服务器中。
上述实施例中，在预设条件下触发智能驾驶孪生算法可以包括：在驾驶员触发智能驾驶功能，且待测试的功能属于经过仿真测试但未经过实车测试的功能项和/或驾驶员没有启动的功能项时，触发智能驾驶孪生算法；或，在驾驶员触发智能驾驶功能，实车传感器检测到周围环境满足测试相应的智能驾驶功能的触发条件，且待测试的功能属于预设功能集合时，触发智能驾驶孪生算法。
具体的，智能驾驶算法通常有如下启动模式，1)驾驶员选择智能驾驶功能，或驾驶员进行智能驾驶功能切换时会进入Standby模式(功能切换到准备模式，但是功能并没有完全激活，相当于是预备激活状态，但当传感器检测到触发信号时，功能就会彻底激活)，当传感器探测到周围环境满足某项功能的触发条件会启动；2)驾驶员选择智能驾驶功能，智能驾驶功能直接自动执行。智能驾驶孪生算法启动同时也要满足上述条件。
智能驾驶孪生算法的启动方式除了满足上两项启动模式之外，需要同时满足功能项的选择性执行，即智能驾驶算法需要执行的功能属于预设功能集合。设可以执行的智能驾驶功能项集合全集A包括{A1,A2,A3,…,Am}项可以独立执行的功能项，设驾驶员启动已经激活的功能项集合B包括{B1,B2,B3,…,Bn}项可以独立执行的功能，其中B包含于A，另外，设OEM(Original EntrustedManufacture，原始委托生产)或供应商要测试的测试功能项C包括{C1,C2,C3,…,Ck}项可以独立执行的功能，这些功能项有可能不完全在可执行的智能驾驶功能项集合中，则可以启动的功能(对应预设功能集合)为c∈(C-A∩C)∪(A-B)，其中，C-A∩C代表由于功能成熟度问题只做过仿真测试但未做过实车测试的功能，A-B代表驾驶员并没有启动的功能。
则预设功能集合中包含的功能项为没有做过实车测试的功能项和驾驶员没有启动的功能项。
在上述实施例公开内容的基础上，测试方法还可以包括：在满足退出条件时，自动退出智能驾驶孪生算法；在所述待测试的功能属于经过仿真测试但未经过实车测试的功能项时，所述退出条件包括：在所述车辆模型和实车的质心坐标的欧氏距离大于实车传感器感知的功能域半径，其中，所述功能域为所述智能驾驶孪生算法执行待测试的功能时实车所处的区域。在所述待测试的功能属于驾驶员没有启动的功能项时，所述退出条件包括：在所述车辆模型和实车的质心坐标的欧氏距离大于实车传感器感知的功能域半径；或，驾驶员主动开启之前没有启动的所述待测试的功能。
具体的，智能驾驶算法传统的退出条件一般是驾驶员主动退出，而智能驾驶孪生算法的退出条件与控制实车的智能驾驶算法的退出条件不同。在预设功能集合c∈(C-A∩C)∪(A-B)中，在执行A-B功能集合中a功能的汽车，设a∈(A-B)，一般满足条件P或者由驾驶员主动开启a功能，则智能驾驶孪生算法中的a功能退出；对于在执行C-A∩C功能集合中功能的汽车，一般满足条件P，则功能集合中的所有功能退出。
智能驾驶孪生算法的各项功能无法也不必要从头到尾一直工作，原因包括：1)实车真实传感器获得的场景信号是有空间限制的，一般为本车周围150-300m的半径范围内工作，如果车辆模型由于执行与驾驶员不同操作的功能，会造成实车传感器感知区域(简称感知域)与车辆模型需求的感知区域无法重叠，甚至功能执行区域(简称功能域)无法重叠，则采用智能驾驶孪生算法无法给被控的车辆模型提供功能执行所需求的感知输入。2)车辆模型以及道路模型与真实的车辆与道路精度毕竟无法完全一致，在长时间行驶后，即使驾驶员操作与智能驾驶算法控制完全一致，两方位置也会造成很大的偏差。因此，智能驾驶孪生算法一般只需要执行运行时间短的一些功能，验证功能是否能正常触发，以及在短时间内验证功能执行是否正常，同时需要具备功能提前退出条件；将智能驾驶孪生算法控制的车辆模型的质心坐标定位为A点，实车真实的质心坐标定位B点，设A点与B点的欧式距离为l，设传感器感知的功能域半径为L，则当l>L时，条件P触发。
此外，由于智能驾驶孪生算法控制车辆模型，所以车辆模型的启停条件来源于或跟随于智能驾驶孪生算法的启停。
受限于实车测试数据能够提供的有限车辆行驶状态信息，车辆模型可采用式(1)所示的三自由六状态双输入非线性系统，式中涉及到的模型输入、状态和参数和外部干扰项如表1所示。
表1车辆模型涉及到的输入、状态和参数的具体信息
通过对上述简化三自由度双输入六状态多输出非线性车辆系统模型，结合初始条件，通过线性化，离散化等技术手段，可实现对不同的输入组合的动态响应实现预测。上述简化车辆模型所需的初始条件如式(2)。式中各个模型初始条件及实时路面纵向坡度干扰信息的获取方式如表二所示。
x(0)＝{X(0),vx(0),Y(0),vy(0),ψ(0),γ(0)}T (2)
表1车辆模型涉及到的输入、状态和参数的具体信息
上述实施例中，所述基于所述车辆模型的运行情况和实车情况生成测试结果，可以包括：基于所述车辆模型的运行情况和实车情况，判断所述智能驾驶算法驱动的所述车辆模型是否存在异常行为，并确定驾驶员的舒适性数据，所述车辆模型的运行数据包括运行轨迹和动力学信息。
其中，确定所述车辆模型是否存在异常行为，可以包括：基于所述车辆模型的运行轨迹确定所述车辆模型是否与周围物体发生碰撞，并基于地图信息与所述车辆模型的动力学信息确定所述车辆模型是否违反交通法规。确定驾驶员舒适性数据，可以包括：基于所述车辆模型的所述动力学信息确定驾驶员的舒适性数据。
例如，在一个具体实现中，得到测试结果后，可对测试结果进行评判，结果评判标准，可用于智能驾驶开发商筛选功能执行的不正常的工况，方便无线回传到开发商的DT部门，以检查运营和测试的结果。具体评判标准可参考下面几项：
是否违反交通法规
1、是否与交通车，交通障碍物发生碰撞？
a、要检测被智能驾驶孪生算法控制的车辆模型是否与交通车、交通障碍物发生碰撞，需要检测车辆模型的运行轨迹是否与周围交通障碍物发生碰撞；车辆模型的运行轨迹详见车辆运动学信息的推算方式(式1)，周围交通障碍物的位置由实车传感器感知后的数据与坐标变换得出，是否碰撞由现有判断是否碰撞的算法(如矩形包围盒相交算法)得出。
b、是否由闯红绿灯、违反交通标志、压线行驶等违规现象？
可通过读取高精地图与车辆运动学信息做规则判断。
2、驾驶员舒适性的评判标准
通过车辆模型的动力学信息(由式1推算得出)判断驾驶员舒适性，具体判别方法可依据现有的汽车乘员的舒适性评价方式执行。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。
图8为本发明实施例公开的一种测试装置的结构示意图，如图8所示，测试装置80可以包括：
算法触发模块801，用于在预设条件下触发智能驾驶孪生算法，所述智能驾驶孪生算法与智能驾驶算法的算法模型一致，所述智能驾驶孪生算法与所述智能驾驶算法的触发条件不同。
数据输入模块802，用于获取实车传感器数据输入车辆模型和实车。
驱动控制模块803，用于基于所述实车传感器数据，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
结果确定模块804，用于基于所述车辆模型的运行情况和实车情况生成测试结果。
本实施例所述测试装置，采用真实的实车场景和传感器作为功能验证数据的来源，使其具备有优于仿真测试验证的准确性，且其实现不需要构造实车场景，避免了大量人力、物力的投入；该实现可部署在量产的车辆控制器产品中，然后收集量产车辆实际功能的执行情况，得到测试结果，具备成本小且准确性高的优点。
上述实施例中，驱动控制模块803的具体实现可参见图9，如图9所示，驱动控制模块803可以包括：
信息获取模块901，用于获取实车的第一定位信息和所述车辆模型的第二定位信息，确定所述第一定位信息和所述第二定位信息的定位差分。
参数确定模块902，用于基于所述定位差分确定所述第一定位信息和所述第二定位信息之间的坐标转换参数。
数据转换模块903，用于基于所述坐标转换参数，将实车传感器坐标系下检测的目标交通车辆、障碍物、路标和车道线的位置变换到车辆模型传感器坐标系下。
驱动控制子模块904，用于基于所述车辆模型传感器坐标系下的目标交通车辆、障碍物、路标和车道线的位置，采用所述智能驾驶孪生算法对所述车辆模型进行驱动。
测试装置以及上述各个模块的具体实现以及达到的效果可参照方法实施例中相关部分的内容介绍，在此不再重复介绍。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
