用于辅助驾驶的状态预测方法、装置、电子设备和车辆与流程

文档序号:16189952发布日期:2018-12-08 05:35阅读:198来源:国知局
用于辅助驾驶的状态预测方法、装置、电子设备和车辆与流程

本申请总的来说涉及辅助驾驶(ADAS)领域,更特别地,涉及一种用于辅助驾驶的状态预测方法、状态预测装置、电子设备和车辆。



背景技术:

近年来,自动驾驶,或者说高级驾驶辅助系统(ADAS),受到了广泛的关注和热烈的研究。ADAS系统需要使用各种车载传感器来感知车辆本身以及周围环境的各种状态,收集数据,进行静态、动态实体的辨识、侦测与追踪,并结合地图数据进行系统的运算与分析,从而做出驾驶策略决定,最终实现自动驾驶功能。

在自动驾驶场景中,需要对环境中实体进行动态预测,并且,在该预测任务中,往往采用预测模型生成一个或多个预测结果的概率分布,以供后续模块使用。然而,由于驾驶环境的复杂多样性,常规的预测模型并不能提供完备的约束方案,其内在的不精确性会在预测结果中引入一定的误差,在后续使用步骤中造成误差的累积和(或)放大,从而导致预测结果不准确,甚至可能会引起驾驶事故。

因此,仍需要改进的用于辅助驾驶的状态预测方案。



技术实现要素:

为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于辅助驾驶的状态预测方法、状态预测装置、电子设备和车辆,其通过鉴别模型对预测模型生成的预测结果进行打分,并基于打分优化预测模型的预测结果,从而提升状态预测的精确性。

根据本申请的一个方面,提供一种用于辅助驾驶的状态预测方法,其包括:获取驾驶环境的初始状态量;使用预测模型基于所述初始状态量生成多个初始预测结果;使用鉴别模型对所述多个初始预测结果进行打分;基于所述打分从所述多个初始预测结果中选择一部分预测结果;以及将所选择的一部分预测结果提供给所述预测模型,以基于其进行进一步的预测,直到获得最终预测结果。

在一些示例中,所述方法可进一步包括基于所述最终预测结果来决定驾驶策略。

在一些示例中,所述方法可进一步包括:将所述驾驶环境中的待预测实体的结构化状态量表达为非结构化数据,以作为所述初始状态量;以及从所述最终预测结果中提取所述待预测实体的结构化状态量。

在一些示例中,所述待预测实体包括车辆、行人、分道线、道路指示牌、建筑物、路肩、路旁绿化带、路面障碍物中的一种或多种,所述结构化状态量包括位置、速度、加速度、方位角、轮廓线、轮廓包围框、属性、类别中的一种或多种,且所述非结构化数据包括图像。

在一些示例中,在使用预测模型基于所述初始状态量生成多个初始预测结果之前,所述方法可进一步包括对所述鉴别模型进行训练。

在一些示例中,对所述鉴别模型进行训练可包括:将所述预测模型的预测结果和预测真值提供给所述鉴别模型作为输入;使用所述鉴别模型鉴别所述输入是预测结果还是预测真值;以及优化所述鉴别模型的参数以提高正确鉴别的概率。

在一些示例中,在使用预测模型基于所述初始状态量生成多个初始预测结果之前,所述方法可进一步包括:使用所述鉴别模型对所述预测模型进行对抗训练。

在一些示例中,所述对抗训练可包括:使用预测模型基于训练数据生成预测数据;使用鉴别模型鉴别该预测数据是真值的概率;以及基于所鉴别的概率优化所述预测模型的参数。

在一些示例中,对所述鉴别模型进行的训练和对所述预测模型进行的对抗训练可交替进行。

根据本申请的另一方面,提供一种用于辅助驾驶的状态预测装置,其包括:获取单元,用于获取驾驶环境的初始状态量;预测单元,用于使用预测模型基于所述初始状态量生成多个初始预测结果;鉴别单元,用于使用鉴别模型对所述多个初始预测结果进行打分;选择单元,用于基于所述打分从所述多个初始预测结果中选择一部分预测结果以提供给所述预测模型,从而进行进一步的预测,直到获得最终预测结果。

在一些示例中,所述装置还可包括:决策单元,用于基于所述最终预测结果来决定驾驶策略。

在一些示例中,所述装置还可包括:第一训练单元,用于在使用预测模型基于所述初始状态量生成多个初始预测结果之前,对所述鉴别模型进行训练。

在一些示例中,所述装置还可包括:第二训练单元,用于在使用预测模型基于所述初始状态量生成多个初始预测结果之前,使用所述鉴别模型对所述预测模型进行对抗训练。

根据本申请的另一方面,提供一种电子设备,其包括:处理器;以及存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行上述用于辅助驾驶的状态预测方法。

根据本申请的另一方面,提供一种车辆,其包括上述电子设备。

根据本申请的另一方面,提供一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行上述用于辅助驾驶的状态预测方法。

与现有技术相比,采用根据本申请实施例的用于辅助驾驶的状态预测方法、状态预测装置、电子设备、车辆和计算机可读介质,可以获取驾驶环境的初始状态量;使用预测模型基于所述初始状态量生成多个初始预测结果;使用鉴别模型对所述多个初始预测结果进行打分;基于所述打分从所述多个初始预测结果中选择一部分预测结果;以及,将所选择的一部分预测结果提供给所述预测模型,以基于其进行进一步的预测,直到获得最终预测结果。因此,可以通过鉴别模型对预测模型生成的预测结果进行打分,并基于打分优化预测模型的预测结果,从而提升状态预测的精确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的用于辅助驾驶的状态预测方法所应用的系统架构的示意图。

图2图示了根据本申请实施例的用于辅助驾驶的状态预测方法的流程图。

图3图示了根据本申请实施例的将结构化状态量表达为非结构化数据的示意图。

图4图示了根据本申请实施例的从最终预测结果提取结构化状态量的示意图。

图5图示了根据本申请实施例的用于辅助驾驶的状态预测装置的框图。

图6图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。

申请概述

如上所述,在当前的自动驾驶场景中,由于驾驶环境的多样性,用于对环境中的实体进行动态预测的生成式模型往往不能给出精确的预测结果,在后续环节中造成误差的累积和(或)放大,从而导致预测结果不准确,甚至可能会引起驾驶事故。

这里,现有的面向自动驾驶场景的预测方法都是生成式的,典型方法包括根据固定的公式直接给出预测结果或者通过数据驱动的方式学习历史信息和预测输出之间的对应关系然后输出预测结果。

在上述方法中,预测模型性能的调优主要依靠生成过程之前模型参数的优选以及模型训练过程中基于预测结果与预测真值之间差距的自监督。在用于推断的生成模型确定后,无法再对生成精度做出进一步的改善。

在自动驾驶场景之外的预测问题中,已经提出了基于鉴别模型对生成模型的结果进行进一步改善。其中一种方法是使用鉴别模型对生成模型进行对抗性训练,通过二者的博弈提升生成模型的性能。

但是,这些方法都是针对非结构化数据的预测设计的,而自动驾驶场景中需要处理结构化状态量的精确生成问题,需要额外处理。

另外,对生成模型预测结果进行后筛选也可以提升预测性能。例如,在自然语言文字序列的预测问题中,已有工作提出了采用Beam Search等方法进行后筛选。但是在后筛选中采用的评分标准一般来自于生成器自身(单步生成概率),没有借助外部鉴别模型。

针对上述技术问题,本申请的基本构思是提出一种用于辅助驾驶的状态预测方法、状态预测装置、电子设备、车辆和计算机可读介质,其使用预测模型生成多个初始预测结果,使用鉴别模型对所述多个初始预测结果进行打分以选择部分预测结果,并再次提供给所述预测模型进行进一步的预测。因此,可以通过鉴别模型对预测模型生成的预测结果进行打分,并基于打分优化预测模型的预测结果,从而提升状态预测的精确性。

另一方面,对于结构化数据,本申请的基本构思还包括将其表达为非结构化数据,从而可以使用非结构化预测模型来对其进行预测,然后再从非结构化数据的预测结果中提取结构化数据的预测值。通过这种方式,可以针对复杂驾驶环境中的结构化状态量进行更灵活的预测。

在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1图示了根据本申请实施例的用于辅助驾驶的状态预测方法所应用的系统架构的示意图。如图1所示,系统100包括预测模型110和鉴别模型120。其中,预测模型110用于接收驾驶环境的初始状态量,例如,所述初始状态量可以是通过各种传感器获得的当前车辆或周围实体的各种状态参数,例如位置、速度、加速度、方位角等。这些状态量一般称为结构化数据,其可通过例如固定公式来进行约束和预测,但是对于复杂驾驶环境,这些实体的运动趋势可能因各种原因而发生变化,因此很难用固定公式来实现准确和全面的预测。因此,在一些实施例中,这些初始状态量还被表达为非结构化数据例如图像数据,从而可以使用非结构化预测模型例如图像预测模型来对其进行预测。预测模型110,其可以是例如上述非结构化预测模型,基于所接收的初始状态量生成多个初始预测结果,每个预测结果可包括其对应的概率。鉴别模型120用于从预测模型110接收多个初始预测结果并对其进行打分,基于打分结果,从所述多个初始预测结果中选择部分预测结果返回给预测模型110。预测模型110可以基于从鉴别模型120返回的这部分预测结果进行进一步的预测,直到输出最终预测结果。

示例性方法

图2图示了根据本申请实施例的用于辅助驾驶的状态预测方法200的流程图。如图2所示,根据本申请实施例的用于辅助驾驶的状态预测方法200可包括如下步骤:步骤S210,获取驾驶环境的初始状态量;步骤S220,使用预测模型基于所述初始状态量生成多个初始预测结果;步骤S230,使用鉴别模型对所述多个初始预测结果进行打分;步骤S240,基于所述打分从所述多个初始预测结果中选择一部分预测结果;以及步骤S250,将所选择的一部分预测结果提供给所述预测模型,以基于其进行进一步的预测,直到获得最终预测结果。下面将作为示例详细描述这些步骤。

在步骤S210中获取的驾驶环境的初始状态量可以是通过各种车载传感器获得的当前车辆或周围实体的各种状态参数。这里,当前车辆和周围实体可统称为待预测实体,周围实体可包括动态实体和静态实体,例如车辆、行人、分道线、道路指示牌、建筑物、路肩、路旁绿化带、路面障碍物等。这里描述的状态参数的示例可包括位置、速度、加速度、方位角、轮廓线、轮廓包围框、属性、类别等。

在一些实施例中,预测模型可以是结构化预测模型,例如其中可包括各种实体的运动模型,从而可以直接对这些状态参数进行预测。在本发明的另一些实施例中,预测模型可以是非结构化预测模型,例如图像预测模型。受益于近年来神经网络和深度学习方面的进展,图像预测技术取得了较大的进展,与常规的结构化预测模型相比,其更适合于复杂驾驶场景下的预测任务。因此,在一些实施例中,还可以将结构化状态量表达为非结构化数据,例如图像数据,其作为所述初始状态量以供图像预测模型使用。

图3图示了根据本申请实施例的将结构化状态量表达为非结构化数据(这里为图像数据)的示意图。图3仅示出了将一组结构化状态量的一个已知值表达为一帧图像数据的示例,实际上,可以将多个已知值表达成多帧图像,其构成图像序列,以用于进行预测。还应注意,每一个结构化状态量可对应于一个图像通道,或者也可称为图像层,多个结构化状态量的在同一时刻的已知值可表达为一帧图像的多个图像层。

图3示出了将实体11和12的位置、速度和方位角这三个状态量表达为图像数据的例子,这三个状态量可分别对应于一帧图像的位置层10a、速度层10b和方位角层10c。在位置层10a中,像素11a和12a可分别表示实体11和12的位置,其取值可以为1,位置层10a中的其他像素的取值可以为零。在速度层10b中,分别与像素11a和12a对应的像素11b和12b表示实体11和12的速度,其取值可以为实体11和12的速度值。速度层10b中的其他像素的取值可以为零。在方位角层10c中,分别与像素11a和12a对应的像素11c和12c表示实体11和12的方位角,其取值可以为实体11和12的方位角值。速度层10c中的其他像素的取值可以为零。

应理解,图3仅示出一示例,根据图3所示的原理,还可以将其他结构化状态量表达成非结构化数据。

接下来,返回参照图2,在步骤S220中,使用预测模型基于初始状态量生成多个初始预测结果。这里,可以使用任何适当的预测模型来进行预测,包括已有的预测模型或将来开发的预测模型。可以理解,所使用的预测模型应适合于需要预测的初始状态量。例如,如果初始状态量是结构化状态量的形式,则可以使用结构化预测模型,其根据固定的公式或模型等给出预测结果;如果初始状态量已经被表达为非结构化状态量例如图像的形式,则可以使用非结构化预测模型例如图像预测模型来进行预测。可以理解,图像预测模型可通过数据驱动的方式学习历史信息和预测输出之间的对应关系来加以训练,其将在下面详细描述。

然后在步骤S230中,可以使用鉴别模型对预测模型生成的多个初始预测结果进行打分。这里应注意的是,预测模型在生成多个可能的预测结果时,一般都同时生成了这些可能结果的概率。然而,由于预测模型本身的内在不准确性,可能这些预测结果及其概率与实际可能情况之间存在差异。因此,在本发明中,还采用了鉴别模型,其可以对预测模型生成的初始预测结果进行打分。还可以理解,预测模型和鉴别模型可以都是训练过的模型,并且在本发明中,采用了对抗训练的概念,以提升预测模型和鉴别模型的准确性,其将在下面详细描述。在步骤S230中,鉴别模型对多个初始预测结果的打分可以是0-1范围内的取值,或者也可以是参数化的分数取值。

接下来在步骤S240中,可以基于鉴别模型的打分结果,从预测模型提供的多个初始预测结果中选择一部分预测结果。例如,可以按照多个初始预测结果的打分分数进行排序,从而选择分值高的一个或一部分预测结果。当然,在另一些实施例中,例如为了保证预测结果的多样性,则在选择时使用的排序规则不一定严格按照打分高低。例如,可以根据打分分数对多个初始预测结果进行采样、平均等操作,以输出一个或一部分初始预测结果。

然后在步骤S250中,可以将所选择的一部分初始预测结果提供给预测模型,以基于其进行进一步的预测,直到获得最终预测结果。这样,针对自动驾驶场景中的预测问题,通过上述过程可以实现根据鉴别模型的打分结果对预测模型的输出进行后筛选,从而提升预测性能。

另外,在一些实施例中,当预测和鉴别后筛选是针对非结构化数据进行时,则方法200还可以包括从作为预测结果得到的非结构化数据中提取所需的结构化数据的步骤。图4图示了提取过程的示意图。如图4所示,可以通过一个估计器13从非结构化的最终预测结果,即预测图像帧10'中,提取待预测实体的结构化状态量。估计器13可以对每一个图像位置输出包含实体的概率,并输出如果是真实实体的话目标状态量的取值。在图4的示例中,预测图像帧10'也包括位置层10a、速度层10b和方位角层10c。估计器13可以检测位置层10a中的像素11a和12a的位置,其表示实体11和12的位置,并且从速度层10b和方位角层10c的对应像素中提取实体11和12的速度预测值和方位角预测值。估计器13可以是通过数据驱动的方式训练得到的,在训练预测模型的过程中,以预测目标实体的目标状态量真值为指导进行训练。

此外,在一些简单的实现中,当非结构化预测的结果对各预测目标实体及其预测目标状态量的表达解耦性佳时,可以通过对各通道和区域进行基于规则的计算获得目标状态量的估计。例如,如果各目标实体的对应数值区域在图像中不重合且可相互取分,且各实体的目标预测状态量分别独立编码在不同的通道中,则可以通过实体区域相应通道内值的平均作为状态量的估计值。

在获得状态量的预测值之后,在一些实施例中,还可以将该预测值提供给车辆的辅助驾驶系统,以基于预测结果来决定合适的驾驶策略。

如前所述,在使用预测模型进行预测以及使用鉴别模型进行后筛选之前,还可以包括对预测模型和鉴别模型的训练步骤。在一些实施例中,该训练步骤可包括对抗式训练过程,该对抗式训练过程可包括对鉴别模型的训练和对预测模型的对抗训练,二者可以交替进行,或者也可以同步进行。

对鉴别模型的训练可包括将预测模型的预测结果和预测真值提供给鉴别模型作为输入,使用鉴别模型鉴别所述输入是预测结果还是预测真值,以及优化鉴别模型的参数以提高正确鉴别的概率。

具体地,可以将预测模型的预测结果以及训练数据集中的预测真值作为输入提供给鉴别模型,由鉴别模型输出一个确定的评分标准为输出,通过数据驱动的方法训练鉴别模型为预测结果打分。例如,可以为预测真值赋予目标输出为1,预测模型的预测结果的目标输出为0,鉴别模型采用二分类模型并采用二分类逻辑损失(logistic loss)训练。鉴别模型的训练目标可以被解释为预测结果是真值的概率。当然,在上述训练过程中,鉴别模型的目标输出也可以并非0-1范围内取值,而是例如采取一个参数化的打分模型衡量预测结果与真值的误差,并以误差作为训练目标。通过这种训练,提升鉴别模型的正确鉴别概率。

然后,可以利用鉴别模型来对预测模型进行对抗训练。具体而言,预测模型的对抗训练过程可包括使用预测模型基于训练数据生成预测数据,使用鉴别模型鉴别该预测数据是真值的概率,以及基于所鉴别的概率优化预测模型的参数。在一些示例中,预测模型的训练代价可包括与鉴别模型的输出负相关的项,训练过程中最小化预测模型的该代价项的过程就是尝试修正自己的输出以提升鉴别模型输出的过程。从而,通过这种对抗训练,可以提升预测模型的准确性。在一些实施例中,鉴别模型和预测模型的对抗训练可以交替进行,从而不断提升二者的准确性,直到达到相互平衡的状态。

此外,在一些实施例中,鉴别模型也可以不需要进行训练。例如,在对结构化状态量直接进行预测时,鉴别模型可包括一个确定的参数化公式,其不需要进行训练。

示例性装置

图5图示了根据本申请实施例的用于辅助驾驶的状态预测装置500的功能框图。如图5所示,根据本申请实施例的用于辅助驾驶的状态预测装置500可包括获取单元510、预测单元520、鉴别单元530、选择单元540和可选的决策单元550。

获取单元510可用于获取驾驶环境的初始状态量,其可以是例如车载传感器获得的当前车辆或周围实体的各种状态量。在一些实施例中,这些初始状态量还可以被表达为非结构化数据的形式。虽然未示出,在一些示例中,用于辅助驾驶的状态预测装置500还可以包括转换单元和提取单元,转换单元用于将待预测实体的结构化状态量表达为非结构化数据,作为所述初始状态量以供预测过程使用,提取单元则可以从作为非结构化数据的最终预测结果中提取待预测实体的结构化状态量。

预测单元520可用于使用预测模型基于初始状态量生成多个初始预测结果。鉴别单元530可用于使用鉴别模型来对所述多个初始预测结果进行打分。基于打分结果,选择单元540可以从所述多个初始预测结果中选择一部分预测结果,并将其提供给预测模型,从而预测模型可以进行进一步的预测,直到获得最终预测结果。决策单元550可利用最终预测结果来决定相应的驾驶策略。

虽然未示出,在一些示例中,用于辅助驾驶的状态预测装置500还可以包括一个或多个训练单元。例如,第一训练单元可用于对鉴别模型进行训练,第二训练单元可用于使用鉴别模型对预测模型进行对抗训练。如前所述,鉴别模型和预测模型的训练可以交替或同步进行。

这里,本领域技术人员可以理解,上述用于辅助驾驶的状态预测装置500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4描述的用于辅助驾驶的状态预测方法中详细介绍,并因此,将省略其重复描述。

如上所述,根据本申请实施例的用于辅助驾驶的状态预测装置500可以实现在各种终端设备中,例如用于辅助驾驶的车载设备中。一个示例中,根据本申请实施例的用于辅助驾驶的状态预测装置500可以作为一个软件模块和/或硬件模块而集成到所述终端设备中。例如,该装置500可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序,其运行在CPU(中央处理单元)和/或GPU(图形处理单元)上,或者运行在专用的硬件加速芯片,例如适于运行深度神经网络的专用芯片上;当然,该装置500同样可以是该终端设备的众多硬件模块之一。

替换地,在另一示例中,该用于辅助驾驶的状态预测装置500与该终端设备也可以是分立的设备,并且该装置500可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面,参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备600的结构框图。如图6所示,电子设备600包括一个或多个处理器610和存储器620。处理器610可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备600中的其他组件以执行期望的功能。

存储器620可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器610可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于辅助驾驶的状态预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始状态量,初始预测结果,打分分数等各种内容。

在一个示例中,电子设备600还可以包括:输入装置630和输出装置640,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如,输入装置630可以包括各种输入接口,其可以连接到适当的外部设备以接收其输入。例如,输入装置630可连接到车载传感器或与之相关的处理单元,以接收各种状态量数据。这样的车载传感器可包括摄像头、激光雷达、超声雷达、惯性测量单元、底盘里程计等。

输出装置640可以向外部输出例如预测结果,预测结果可包括最终预测结果的结构化数据形式,其可被例如辅助驾驶系统使用以做出适当的驾驶策略决定。

当然,为了简化,图6中仅示出了该电子设备600中与本申请有关的组件中的一些,省略了许多其他必要的组件。除此之外,根据具体应用情况,电子设备600还可以包括任何其他适当的组件。

应理解,上述电子设备600可以实施在例如配备有辅助驾驶系统的车辆上。因此,在一些实施例中,还提供包括电子设备600的车辆。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于辅助驾驶的状态预测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于辅助驾驶的状态预测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。

还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1