前向目标选择方法、装置及车载设备与流程

本发明涉及自动驾驶技术领域，具体涉及一种前向目标选择方法、装置及车载设备。

背景技术：

智能驾驶车辆在自动换道过程中，不仅需要监测车辆正前方目标，还需要监测左(右)前目标、左(右)侧目标、正后目标、左(右)后目标，因此获得了大量的传感数据。由于监测目标较多，即使经过数据融合算法对监测到的目标进行融合，仍然有数十个目标的运动信息。因此，如何从众多的目标中准确、稳定地选择出智能驾驶车辆所需要的前向目标成为研究重点之一。

常见的前向目标选择方式是基于规则和目标运动属性的目标选择方式。这种目标选择方式只能处理已经考虑到的情况，对新出现的情况不具备泛化能力，容易出现目标选择不合理的情况，导致智能驾驶车辆存在安全隐患。

技术实现要素：

为此，本发明提供一种前向目标选择方法、装置及车载设备，以解决现有技术中由于目标选择不合理而导致的智能驾驶车辆存在安全隐患的问题。

为了实现上述目的，本发明第一方面提供一种前向目标选择方法，所述方法包括：

获取实时感知数据；

获取前向目标选择模型，其中，所述前向目标选择模型是通过集成学习方法训练获得；

利用所述前向目标选择模型和所述实时感知数据确定实时前向目标。

为了实现上述目的，本发明第二方面提供一种前向目标选择装置，所述前向目标选择装置包括：

数据获取模块，用于获取实时感知数据；

前向目标确定模块，用于利用所述前向目标选择模型和所述实时感知数据确定实时前向目标，其中，所述前向目标选择模型是通过集成学习方法训练获得的模型。

为了实现上述目的，本发明第三方面提供一种车载设备，包括处理器、存储器和通信接口，所述通信接口数据连接所述处理器和所述存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行本发明提供的所述前向目标选择方法的步骤。

为了实现上述目的，本发明第四方面提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行本发明提供的所述前向目标选择方法的步骤。

本发明具有如下优点：本发明提供的前向目标选择方法，利用集成学习方法训练前向目标选择模型，以提高模型的泛化能力，在利用实时感知数据和该前向目标选择模型快速、准确地确定实时前向目标，提高了未知环境的处理能力，从而提高车辆处于新场景时行驶的安全性。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本实施例提供的一种自动驾驶系统的整体结构框图；

图2为本发明实施例提供的一种自动驾驶系统中部分结构的示意性框图；

图3为本发明实施例提供的一种车辆的结构示意图；

图4为本发明实施例提供的一种前向目标选择方法的流程图；

图5为本发明实施例提供的一种前向目标选择模型的训练流程图；

图6为本发明实施例提供的一种前向目标选择装置的示意性框图；

图7为本发明实施例提供的一种前向目标选择模型的示意性框图；

图8为本发明实施例提供的一种训练集获取单元的示意性框图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

针对搭载自动驾驶系统的车辆在行驶过程中前向目标选择不合理的问题，本发明提供一种前向目标选择方法、装置及车载设备，利用实时感知数据以及由集成学习方法训练的前向目标选择模型来确定前向目标，提高了在新场景时车辆确定前向目标选择的能力，从而提高车辆对未知环境的处理能力，进而降低车辆的安全隐患。

图1为本实施例提供的一种自动驾驶系统的整体结构框图。如图1所示，自动驾驶系统包括传感器组100、智能驾驶系统200、车辆底层执行系统300以及其他可用于车辆的系统。

其中，传感器组100，用于采集车辆外界环境的数据和探测障碍物(包括但并不限于机动车辆、非机动车辆、行人、动物等)的位置数据，如包括但不限于感知路径的方向、宽度、曲率、道路交叉以及路障等细节信息。传感器组如包括但不限于摄像头、激光雷达、毫米波雷达、车速传感器、全球定位系统(globalpositioningsystem，gps)、imu(inertialmeasurementunit，惯性测量单元)中的至少一个。

智能驾驶系统200，用于获取传感器组的数据。其中，传感器组中的所有传感器在车辆行驶过程中均满足传送数据的频率要求。

在一些实施例中，智能驾驶系统200包括环境感知模块，环境感知模块可采用融合摄像头、激光雷达、毫米波雷达等多种传感器的数据进行环境感知。在一些实施例中，智能驾驶系统200还用于基于传感器组的数据感知环境信息和对车辆进行定位，并基于环境感知信息和车辆定位信息进行路径规划和决策，以及基于规划的路径生成车辆控制指令，从而控制车辆按照规划路径行驶。在一些实施例中，智能驾驶系统200基于传感器组的数据感知前向目标，并基于前向目标进行路径规划和决策，并输出车辆控制指令。

在一些实施例中，智能驾驶系统200可以为软件系统、硬件系统或者软硬件结合的系统。例如，智能驾驶系统200是运行在操作系统上的软件系统，车载硬件系统是支持操作系统运行的硬件系统。

车辆底层执行系统300，用于接收智能驾驶系统200的车辆控制指令，并依据车辆控制指令实现对车辆的控制。在一些实施例中，车辆底层执行系统包括但不限于：转向系统、驱动系统和驱动系统。转向系统、驱动系统和驱动系统属于车辆领域成熟系统，在此不再赘述。

在一些实施例中，车辆还可包括车辆can(controllerareanetwork，控制器局域网络)总线，用于连接智能驾驶系统200与车辆底层执行系统300。车辆的can总线能够满足车辆对传输数据的速度和容量的要求。智能驾驶系统200与车辆底层执行系统300之间的信息交互通过车辆can总线进行传递。

其中，车辆的坐标系为以车辆的前保险杠的中心为原点的笛卡尔坐标系，即以车辆前保险杠中心为原点，以车辆行驶方向为x轴建立右手坐标系，作为车辆坐标系。

在一些实施例中，车辆包括前向目标选择装置，该前向目标选择装置能够感知车辆周围环境中的目标，并基于感知目标进行规划路径和决策。在一些实施例中，前向目标选择装置用于感知车辆的前向目标，并根据前向目标规划路径和决策。

图2为本发明实施例提供的一种车辆的示意性框图，图3为本发明实施例提供的一种车辆的结构示意图。如图2和图3所示，车辆包括第一传感器201、第二传感器202、感知模块203和前向目标选择装置204，而且，第一传感器201和第二传感器202与感知模块203信号连接，感知模块203与前向目标选择装置204信号连接，第一传感器201和第二传感器202将获得的传感数据传输至感知模块203，感知模块203对所述传感数据进行处理获得感知数据，并将感知数据传输至前向目标选择装置204。

在一些实施例中，第一传感器201设置在车辆的前保险杠位置，第二传感器202设置在车辆的前挡风玻璃的靠上位置。在一些实施例中，第一传感器201和第二传感器202也可以设置在车辆的其他位置，只有能够获得车辆周围的传感信息。在一些实施例中，在车辆上设置三个或更多个传感器，用以获得车辆周围的传感信息。

在一些实施例中，第一传感器201采用毫米波雷达，用于检测车辆周围的机动车、护栏等障碍物。第一传感器201输出前向目标的坐标(x，y)、纵向绝对速度vx和横向绝对速度vy。在车辆的坐标系下，第一传感器201输出的前向目标的坐标(x，y)的原点为前保险杠的中心。

在一些实施例中，第二传感器202采用摄像头，用于检测车辆周围的机动车、护栏等障碍物，以及获得车道线信息。第二传感器202不仅可以输出目标的坐标(x，y)、纵向绝对速度vx和横向绝对速度vy，还可以输出目标的类别，如小轿车、卡车、摩托车、自行车、行人、动物等，以及车道线曲线和车道线有效长度。

需要说明的是，在本实施例中，利用毫米波雷达全天候精确测距和测速的特性，同时利用摄像头获得的目标清晰的特性，可以低成本地获得全天候的目标信息。

在一些实施例中，车道线曲线可由三阶曲线方程(1)和(2)描述：

yl＝c0l+c1lx+c2lx²+c3lx³(1)

yr＝c0r+c1rx+c2rx²+c3rx³(2)

其中，yl表示主车左侧车道线，yr表示主车右侧车道线，c0l表示左侧车道线曲线的权重系数、c1l表示左侧车道线曲线的权重系数、c2l表示左侧车道线曲线的权重系数、c3l表示左侧车道线曲线的权重系数、rl表示左侧车道线有效长度、c0r表示右侧车道线曲线的权重系数、c1r表示右侧车道线曲线的权重系数、c2r表示右侧车道线曲线的权重系数、c3r表示右侧车道线曲线的权重系数。

在一些实施例中，第一传感器201和第二传感器202将获得的传感器信息传输至感知模块，感知模块处理所述传感信息，获得感知数据。

图4为本发明实施例提供的一种前向目标选择方法的流程图。该前向目标选择方法是基于感知模块获得的感知数据并利用前向目标选择方法来确定前向目标。如图4所示，在前向目标选择方法包括：

401，获取实时感知数据。实时感知数据是通过传感器组获得的传感数据，经过处理后获得的。

402，获取前向目标选择模型。

在一些实施例中，通过集成学习方法训练前向目标选择模型。

图5为本发明实施例提供的一种前向目标选择模型的训练流程图。如图5所示，前向目标选择模型的训练步骤包括：

501，获取原始训练集。

在一些实施例中，原始训练集是对传感器获得的训练传感信息进行处理后获得的训练集。在一些实施例中，训练传感信息可以在测试过程中采集，也可以通过当前车辆的实际驾驶过程中采集。在一些实施例中，处理传感数据后不仅获得了训练集，还获得了测试集和验证集。利用训练集训练前向目标选择模型，利用测试集评估模型的泛化能力，利用验证集调整前向目标选择模型的参数和对模型的能力进行评估。在一些实施例中，在测试过程中，采集设置在车辆上的多个传感器的训练传感信息。在一些实施例中，传感器包括但不限于毫米波雷达和摄像头。对应地，训练传感信息包括但不限于毫米波雷达数据和摄像头数据。

根据所述训练传感信息选择探测目标。在一些实施例中，根据各个传感器的训练传感信息获得各自的探测目标。不难理解，根据各个所述传感器的训练传感信息得到的探测目标可能完全相同，也可能部分相同。如，根据毫米波雷达获得的训练传感信息获得探测目标a、b、c，根据摄像头获得的训练传感信息获得探测目标a、b、d。

在一些实施例中，对训练传感信息进行融合处理，获得目标的融合状态。在一些实施例中，融合状态包括单探测目标和多探测目标。其中，所述单探测目标是指仅由一个所述传感器探测到的所述探测目标，所述多探测状态是指由多个所述传感器探测到的所述探测目标。例如，探测目标a、b是毫米波雷达和摄像头均探测到的探测目标，因此，探测目标a、b的融合状态为多探测目标。探测目标c是仅由毫米波雷达探测到的探测目标，探测目标d是仅由摄像头探测到的探测目标，因此，探测目标c和探测目标d的融合状态为单探测目标。在一些实施例中，当融合状态为单探测目标时，可以进一步将融合状态标注为探测目标是由哪个传感器探测到，如探测目标c的融合状态可以标注为1，用以表示探测目标c是由毫米波雷达探测到。类似地，探测目标d的融合状态可以标注为2，用以表示探测目标d是由摄像头探测到。

在一些实施例中，依据所述探测目标确定所述前向目标。在一些实施例中，前向目标的确定还依据探测目标是否影响车辆的行驶。

在一些实施例中，在确定前向目标后，提取所述前向目标对应的训练传感信息形成所述原始训练集。从训练传感信息中提取前向目标对应的传感信息，然后对训练传感信息进行处理形成多维数据，利用多维数据自行建立原始训练集。

在一些实施例中，在原始训练集中的每个目标包括多维数据，例如19维特征。其中，多维数据包括特征数据和标签属性。在一些实施例中，特征数据包括车道线特征数据、主车运动信息特征数据、目标类型特征数据、目标运动信息特征数据和融合状态特征数据。在一些实施例中，车道特征数据包括左侧车道线曲线的权重系数c0l、左侧车道线曲线的权重系数c1l、左侧车道线曲线的权重系数c2l、左侧车道线曲线的权重系数c3l、左侧车道线有效长度rl、右侧车道线曲线的权重系数c0r、右侧车道线曲线的权重系数c1r、右侧车道线曲线的权重系数c2r、右侧车道线曲线的权重系数c3r、右侧车道线有效长度rr。在一些实施例中，主车运动信息特征数据包括车辆的速度、方向盘转角和横摆角速度。在一些实施例中，目标类型特征数据包括目标类型，如小轿车、卡车、摩托车、自行车、行人和动物。其中，目标类型可以用不同的数字表示。在一些实施例中，目标运动信息特征数据包括目标纵向距离x、目标横向距离y、目标纵向速度vx和目标横向速度vy。在一些实施例中，融合状态特征数据包括单探测目标和多探测目标。其中，单探测目标可以根据传感器的类型进一步包括雷达目标或视觉目标等。在一些实施例中，标签属性表示是否被选为前向目标，如前向目标、非前向目标。

在一些实施例中，依据所述前向目标的训练传感信息获得所述前向目标的特征数据和标签属性；并利用所述前向目标的特征数据和标签属性构建所述原始训练集。

502，从所述原始训练集中抽取训练样本获得m个子训练集，而且每个所述子训练集包括n个所述训练样本；其中，m、n均为大于2的整数。

在一些实施例中，从原始训练集中有放回的抽取训练样本，获得子训练集，每个子训练集包括n个训练样本。在一些实施例中，经过多轮抽取，获得m个子训练集。其中，n、m是大于2的整数。

503，训练所述m个子训练集，获得m个弱分类器。

在一些实施例中，目标选择模型包括所述m个弱分类器，即m个弱分类器构成了子训练集。通过m个弱分类器的分类结果确定最终的输出结果。

需要说明的是，当车辆在城区道路行驶时，可能会遇到车道线丢失的情况。因此，在建立原始训练集时，可以选择特征数据的维数，以训练不同类型的前向目标选择模型，如前向目标选择完全模型和前向目标选择部分模型，其中，前向目标选择完全模型包含的特征数据类型多于前向目标选择部分模型所包含的特征数据类型。在一些实施例中，前向目标选择完全模型是通过包含车道线信息在内的特征数据训练，前向目标选择部分模型是通过不包含车道线信息的特征数据训练。

在一些实施例中，建立第一训练集，并通过第一训练集的训练获得前向目标选择完全模型。其中，第一训练集中的特征数据包括车道线特征数据、主车运动信息特征数据、目标类型特征数据、目标运动信息特征数据和融合状态特征数据。

在一些实施例中，建立第二训练集，并通过第二训练集的训练获得前向目标选择部分模型。其中，第二训练集中的特征数据包括主车运动信息特征数据、目标类型特征数据、目标运动信息特征数据和融合状态特征数据。

在测试和实际使用过程中，根据车道线是否缺失自主选择对应的前向目标选择模型，以进行前向目标的选择。

在一些实施例中，前向目标选择模型包括不同驾驶风格的前向目标选择模型。例如，标注员根据其驾驶风格，主观判断目标是否会影响到车辆的驾驶行为，并依据判断结果标注该目标的标签属性。不同的标注员对同一目标标注的标签属性可以不同。例如，对于驾驶风格比较激进的标注员，同样的目标不容易被选为前向目标，但对于驾驶风格比较保守的标注员，同样的目标容易被选为前向目标。

504，通过m个弱分类器的分类结果确定最终的输出结果。

每个弱分类器根据感知数据得到一个分类结果，最终的输出结果选择得票高的结果，即统计m个弱分类器的分类结果，选取统计值最高的分类结果为最终的输出结果。例如，5个弱分类器，其中的三个弱分类器的分类结果为前向目标，另外两个弱分类器的分类结果为非前向目标，那么最终的输出结果为前向目标。

403，利用所述前向目标选择模型和所述实时感知数据确定实时前向目标。

在一些实施例中，分析实时感知数据得到实时候选目标。再利用前向目标选择模型中的m个弱分类器对实时候选目标进行预测，并根据预测结果确定实时候选目标是否是实时前向目标。

具体地，分析所述实时感知数据确定实时候选目标，实时感知数据的分析方法可以采用现有的感知数据分析方法，也可以采用未来出现的感知数据分析方法。在一些实施例中，利用所述前向目标选择模型中的所述m个弱分类器分别判断所述实时候选目标是否是前向目标，每个弱分类器输出一个结果。在一些实施例中，统计判定为所述前向目标的所述弱分类器的数量，将所述弱分类器的数量超过预设阈值的所述实时候选目标确定为所述实时前向目标。在一些实施例中，预设阈值可以由厂家设定，也可以由用户根据自己的驾驶风格设定。预设阈值设定较大时，被判定为前向目标的概率会增加，这会增加预测时间。预设阈值设定较小时，被判定为前向目标的概率会减少，安全性相应降低。

在一些实施例中，增加前向目标选择模型中弱分类器的数量来提高预测精度，但弱分类器数量的增加会导致预测时间延长。在一些实施例中，在前向目标选择模型中所述弱分类器的数量为20-50个。在一些实施例中，在前向目标选择模型中所述弱分类器的数量为30个。

在一些实施例中，当车辆中包括前向目标完全预测模型和前向目标部分预测模型时，根据实时感知数据获得实时候选目标后，首先依据是否存在车道线确定前向目标选择模型。当车道线存在时，采用前向目标选择完全模型；当车道线不存在时，采用前向目标选择部分模型。然后，在依据前向目标选择模型判断实时候选前向目标是否为实时前向目标。

本发明提供的前向目标选择方法，利用集成学习方法训练前向目标选择模型，以提高模型的泛化能力，在利用实时感知数据和该前向目标选择模型快速、准确地确定实时前向目标，提高了未知环境的处理能力，从而提高车辆处于新场景时行驶的安全性。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本实施例还提供一种前向目标选择装置，对不同情况、尤其是新出现的情况具有泛化能力，更准确地确定车辆的前向目标，从而提高车辆的安全性。

图6为本发明实施例提供的一种前向目标选择装置的示意性框图。如图6所示，所述前向目标选择装置包括：

数据获取模块601，用于获取实时感知数据。

在一些实施例中，实时感知数据是通过处理传感器的传感信息获得。传感器的类型、数量和设置方式与图3所示相同，在此不再赘述。

前向目标确定模块602，用于利用所述前向目标选择模型和所述实时感知数据确定实时前向目标。

在一些实施例中，前向目标选择模型用于依据感知数据确定前向目标。在一些实施例中，前向目标选择模型用于依据实时感知数据确定实时前向目标。在一些实施例中，所述前向目标选择模型是通过集成学习方法训练获得的模型。

在一些实施例中，前向目标确定模块602包括多个弱分类器、统计单元和前向目标确定单元，其中，多个弱分类器，用于根据所述实时感知数据确定候选前向目标；统计单元，用于统计判定为所述前向目标的所述弱分类器的数量；前向目标确定单元，用于将所述弱分类器的数量超过预设阈值的所述前向目标确定为所述实时前向目标。

图7为本发明实施例提供的前向目标选择模型的示意性框图。如图7所示，前向目标选择模型700包括：

训练集获取单元701，用于获取原始训练集。

在一些实施例中，原始训练集用于训练前向目标确定模型。原始训练集是对传感信息处理后获得的集合。原始训练集的获取方式可参见本发明实施例提供的前向目标选择方法中的步骤402，在此不再赘述。

训练样本抽取模块702，用于从所述原始训练集中抽取训练样本获得m个子训练集，而且每个所述子训练集包括n个所述训练样本；其中，m、n均为大于2的整数。

训练单元703，用于分别训练所述m个子训练集，获得m个弱分类器；所述m个弱分类器构成所述目标选择模型。

需要说明的是，弱分类器的数量越多，前向目标选择模型的预测精度越高，但占用资源越多，预测的运行耗时越长。

图8为本发明实施例提供的一种训练集获取单元的示意性框图。如图8所示，训练集获取单元800包括：

目标选择子单元801，用于根据各个传感器采集的所述训练传感信息选择探测目标。其中，训练传感信息是用于训练前向目标的传感信息，可以在实际驾驶过程中采集。

在一些实施例中，探测目标是分析传感器采集的传感信息获得，而且，单独分析每个传感器采集的传感信息，因此，不同传感器探测到的探测目标并不一定完全相同。通过融合探测目标，可以获得每个探测目标的融合状态。

在一些实施例中，融合状态包括单探测目标和多探测目标。其中，所述单探测目标是指仅由一个所述传感器探测到的所述探测目标，所述多探测状态是指由多个所述传感器探测到的所述探测目标。例如，探测目标a、b是毫米波雷达和摄像头均探测到的探测目标，因此，探测目标a、b的融合状态为多探测目标。探测目标c是仅由毫米波雷达探测到的探测目标，探测目标d是仅由摄像头探测到的探测目标，因此，探测目标c和探测目标d的融合状态为单探测目标。在一些实施例中，当融合状态为单探测目标时，可以进一步将融合状态标注为探测目标是由哪个传感器探测到，如探测目标c的融合状态可以标注为1，用以表示探测目标c是由毫米波雷达探测到。类似地，探测目标d的融合状态可以标注为2，用以表示探测目标d是由摄像头探测到。

目标确定子单元802，用于依据所述探测目标确定所述前向目标。

数据提取子单元803，用于提取所述前向目标对应的训练传感信息形成所述原始训练集。

在一些实施例中，特征数据包括车道线特征数据、主车运动信息特征数据、目标类型特征数据、目标运动信息特征数据和融合状态特征数据。在一些实施例中，车道特征数据包括左侧车道线曲线的权重系数c0l、左侧车道线曲线的权重系数c1l、左侧车道线曲线的权重系数c2l、左侧车道线曲线的权重系数c3l、左侧车道线有效长度rl、右侧车道线曲线的权重系数c0r、右侧车道线曲线的权重系数c1r、右侧车道线曲线的权重系数c2r、右侧车道线曲线的权重系数c3r、右侧车道线有效长度rr。在一些实施例中，主车运动信息特征数据包括车辆的速度、方向盘转角和横摆角速度。在一些实施例中，目标类型特征数据包括目标类型，如小轿车、卡车、摩托车、自行车、行人和动物。其中，目标类型可以用不同的数字表示。在一些实施例中，目标运动信息特征数据包括目标纵向距离x、目标横向距离y、目标纵向速度vx和目标横向速度vy。在一些实施例中，融合状态特征数据包括单探测目标和多探测目标。其中，单探测目标可以根据传感器的类型进一步包括雷达目标或视觉目标等。在一些实施例中，标签属性表示是否被选为前向目标，包括前向目标和非前向目标。

在一些实施例中，依据所述前向目标的训练传感信息获得所述前向目标的特征数据和标签属性；并利用所述前向目标的特征数据和标签属性构建所述原始训练集。

结果输出单元704，用于通过m个弱分类器的分类结果确定最终的输出结果。

在一些实施例中，每个弱分类器根据感知数据得到一个分类结果，最终的输出结果选择得票高的结果，即统计m个弱分类器的分类结果，选取统计值最高的分类结果为最终的输出结果。例如，5个弱分类器，其中的三个弱分类器的分类结果为前向目标，另外两个弱分类器的分类结果为非前向目标，那么，结果输出单元704最终的输出结果为前向目标。

本发明提供的前向目标选择装置，前向目标确定模块根据数据获取模块获得的实时感知数据，并利用前向目标选择模型确定实时前向目标，而且，该前向目标选择模型是通过集成学习方法训练获得，泛化能力强，提高了未知环境的处理能力，能快速、准确地确定实时前向目标，从而提高车辆处于新场景时行驶的安全性。

需要说明的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本实施例还提供一种车载设备，包括处理器、存储器和通信接口，所述通信接口数据连接所述处理器和所述存储器；所述处理器通过调用所述存储器存储的程序或指令，用于执行本实施例提供的前向目标选择方法的步骤，为避免重复描述，在此不再赘述前向目标选择方法的具体步骤。

本实施例还提供一种非暂态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本实施例提供的前向目标选择方法，为避免重复描述，在此不再赘述前向目标选择方法的具体步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其它存储器技术、cd-rom、数字多功能盘(dvd)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本实施例的范围之内并且形成不同的实施例。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。