一种自动泊车定位方法和装置与流程

本发明涉及自动驾驶技术领域，尤其涉及一种自动泊车定位方法和装置。

背景技术：

自动驾驶技术中就自动泊车而言，室内停车场是一个不能回避的场所。全球定位系统在室内环境下，信号很弱或完全没有，无法为汽车提供精准位置信息，并且其他技术，如超声波雷达、监控等单个系统在室内环境的精准度和稳定度不足。

现有自动驾驶泊车系统多采用超声波雷达或摄像头检测周围环境信息。在单一检测模式下，超声波雷达仅能识别障碍物的位置信息，需要人为参与识别障碍物种类，并判断是否为泊车位置；摄像头可识别车位线，但受环境影响较大，在光照条件不佳或车位线遮挡的情况下识别效果往往会受到一定影响。

室内定位技术如蓝牙室内定位技术、红外线室内定位技术、超宽带(ultrawideband，uwb)室内定位技术、wifi室内定位技术等，但这些技术使用不便或成本高，不能满足量产自动泊车的定位需求。因此自动泊车急需一种鲁棒性和精度较高的定位方法。

技术实现要素：

本发明的目的是针对现有技术所存在的缺陷，提供一种自动泊车定位方法，该方法车辆利用激光雷达、图像采集装置、imu和轮速计等传感器采集的数据，经过处理计算，可实现在室内的精确导航定位。

为实现上述目的，本发明实施例第一方面提供了一种一种自动泊车定位方法，其特征在于，所述自动泊车定位方法包括：

实时获取车载惯性测量单元imu检测的车辆的加速度信息和角速度信息；

实时获取轮速计检测的车辆的轮速信息；

将所述加速度信息、所述角速度信息和所述轮速信息进行捷联解算，得到车辆在第一坐标系下的第一位置信息和第一航向信息；

实时获取车载激光雷达检测到的车辆在第二坐标系下的点云数据；对所述点云数据进行第一处理得到第二位置信息和第二航向信息；

通过第一算法将所述第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；

获取车辆上的图像采集装置采集的待泊车位的图像数据；

对所述图像数据进行hough处理，构建所述待泊车位的车位标志线对应的方程；

根据所述方程，确定所述待泊车位的每个角点在第三坐标系中的坐标，并确定车辆在所述第三坐标系下的第二位姿信息；其中，所述第三坐标系为以所述待泊车位的多个角点中的第一角点为原点所构建的坐标系；

将所述第一坐标系的第一位姿信息转换为第三坐标系的第三位姿信息；

对所述第二位姿信息和所述第三位姿信息进行融合处理，确定车辆的目标位置信息和目标航向信息。

优选的，所述实时获取车载惯性测量单元imu检测的车辆的加速度信息和角速度信息之前，所述方法还包括：

获取所述imu在预设时间内检测到的车辆的初始加速度信息，并根据所述初始加速度信息计算得到车辆初始的俯仰角和初始的横滚角；

获取车辆上的车载激光雷达检测到的车位周围的激光点云数据；

根据所述激光点云数据，构建激光点云地图；

根据所述车辆初始的俯仰角、初始的横滚角和所述激光点云地图，确定车辆的初始化位置以及所述imu的零偏。

进一步优选的，获取车辆上的图像采集装置采集的待泊车位的图像数据之前，所述方法还包括：

根据所述车辆的实时位置，计算所述实时位置至所述待泊车位的距离；

当所述距离不大于预设距离阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。

优选的，所述对所述图像数据进行hough处理，构建所述待泊车位的车位标志线对应的方程具体包括：

对所述图像数据进行灰度化、滤波、二值化和矫正处理，得到处理后的图像数据；

对所述处理后的图像数据进行hough变换，得到车位标志线；

根据所述车位标志线构建方程。

优选的，所述方法还包括：

对所述点云数据进行第二处理，得到点云的高斯分布；所述高斯分布包括均值和方差；

将所述均值与预设的均值阈值进行比较，并且将所述方差与预设的方差阈值进行比较；

当在预设的时长内，所述均值不小于预设的均值阈值，并且将所述方差不小于预设的方差阈值时，通过第一算法将所述第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；

当在预设的时长内，所述均值小于预设的均值阈值，并且将所述方差小于预设的方差阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。

本发明实施例第二方面提供了一种自动泊车定位装置，包括：

处理模块，用于实时获取车载惯性测量单元imu检测的车辆的加速度信息和角速度信息；

实时获取轮速计检测的车辆的轮速信息；

将所述加速度信息、所述角速度信息和所述轮速信息进行捷联解算，得到车辆在第一坐标系下的第一位置信息和第一航向信息；

实时获取车载激光雷达检测到的车辆在第二坐标系下的点云数据；对所述点云数据进行第一处理得到第二位置信息和第二航向信息；

通过第一算法将所述第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；获取车辆上的图像采集装置采集的待泊车位的图像数据；

对所述图像数据进行hough处理，构建所述待泊车位的车位标志线对应的方程；

根据所述方程，确定所述待泊车位的每个角点在第三坐标系中的坐标，并确定车辆在所述第三坐标系下的第二位姿信息；其中，所述第三坐标系为以所述待泊车位的多个角点中的第一角点为原点所构建的坐标系；将所述第一坐标系的第一位姿信息转换为第三坐标系的第三位姿信息；

对所述第二位姿信息和所述第三位姿信息进行融合处理，确定车辆的目标位置信息和目标航向信息。

本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；

所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；

所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。

本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。

本发明实施例提供的一种自动泊车定位方法、一种自动泊车定位装置、一种电子设备和一种计算机可读存储介质，该方法通过车载激光雷达、惯性测量单元和轮速计检测的数据进行融合处理，得到车辆高精度的绝对定位，然后通过图像采集装置采集待泊车位附近的图像数据，并经过处理，结合惯性测量单元和轮速计测量的数据，进而计算出车辆相对于车位标志线的位姿，基于相对位置关系确定该车辆的目标位置信息和目标航向信息，从而实现了车辆的相对定位。

附图说明

图1为本发明实施例一提供的一种自动泊车定位方法；

图2为本发明实施例二提供的一种自动泊车定位装置的模块结构图；

图3为本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与本发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为本发明实施例一提供的一种自动泊车定位方法流程示意图，该方法应用在安装有激光雷达、惯性测量单元(inertialmeasurementunit，imu)、轮速计、图像采集装置等的终端上，比如安装有以上设备的无人驾驶车辆，本申请的执行主体为具有计算功能的终端、服务器或者处理器。本申请以将该方法应用在无人驾驶车辆为例进行说明，当将该方法应用在无人驾驶车辆时，该方法的执行主体为自动驾驶车辆控制单元(automatedvehiclecontrolunit，avcu)，即无人驾驶车辆的中央处理器相当于无人驾驶车辆的“大脑”。如图1所示，本申请包括以下步骤：

步骤101，实时获取车载惯性测量单元imu检测的车辆的加速度信息和角速度信息；

具体的，车辆上安装有激光雷达、惯性测量单元(inertialmeasurementunit，imu)、轮速计、摄像头等设备。惯性测量单元是测量物体三轴角速度(或角速率)以及加速度的装置。一般的，一个imu包含了三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标系统独立三轴的加速度信息，而陀螺检测载体相对于导航坐标系的角速度信息。

其中，在步骤101之前，需要进行车辆位姿初始化，下面介绍位姿初始化的详细过程。

在一个示例中，首先，获取imu在预设时间内检测到的车辆的初始加速度信息，并根据初始加速度信息计算得到车辆初始的俯仰角和初始的横滚角。

具体的，imu中的加速度计输出xyz三轴的加速度值，以地平面为基准，在车辆完全水平的情况下，z轴为重力加速度值，其他轴(xy)为0，通过xy轴的测量值是由重力加速度分解而来，便可得到车辆初始的俯仰角和横滚角，预设时间为2s。

其次，获取车辆上的车载激光雷达检测到的车位周围的激光点云数据；

具体的，可以通过单线或多线激光雷达获取车位周围的激光点云数据。

再次，根据激光点云数据，构建激光点云地图；

具体的，激光点云地图构建的目的是生成整个泊车路径。

最后，根据车辆初始的俯仰角、初始的横滚角和激光点云地图，确定车辆的初始化位置以及imu的零偏。

步骤102，实时获取轮速计检测的车辆的轮速信息；

具体的，车辆上的轮速计会实时检测车辆的轮速信息并上传到自动驾驶车辆控制单元，方便自动驾驶车辆控制单元进行数据的处理。

步骤103，将加速度信息、角速度信息和轮速信息进行捷联解算，得到车辆在第一坐标系下的第一位置信息和第一航向信息；

具体的，加速度计、陀螺和轮速计测得的信息不能直接进行积分，都各自包含各种冗余信息，在解算时需要去掉这些信息，得到载体系相对于导航系的加速度和角速度，然后再进行解算。本实施例中，导航系即第一坐标系，也可以理解为当地水平坐标系，本实施例采用东北天坐标系即以车辆的初始位置为原点，x轴指向北方；y轴指向东方；z轴指向天向。第一位置信息和第一航向信息均是在东北天坐标系下得到的车辆的位置和航向。

步骤104，实时获取车载激光雷达检测到的车辆在第二坐标系下的点云数据；对点云数据进行第一处理得到第二位置信息和第二航向信息；

具体的，第二坐标系可以理解为激光雷达坐标系。激光雷达坐标系的坐标原点为激光发射中心，x轴向前,y轴向左,z轴向上。第二位置信息和第二航向信息是在激光雷达坐标系中得到的车辆的位置和航向。

步骤105，通过第一算法将第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；

具体的，第一算法可以是卡尔曼滤波数据融合算法。第一位姿信息为车辆在东北天坐标系下的车辆的位姿信息。也就是说该位姿信息是通过imu、轮速计和激光雷达检测的各项数据融合得到的，并且是车辆的绝对位姿。

为了提高该绝对位姿的精度，在进行卡尔曼滤波时距融合的同时，还要进行误差的修正。误差的修正是通过预设的误差模型方程实现的。

卡尔曼波融合的具体计算如下：

其中，该公式中，a/b：系统结构参数；h：测量结构参数；u：系统噪声；q：测量噪声；i：单位矩阵；kk：系统k时刻的增益；zk：k时刻的测量值；pk：k时刻的均方误差；pk^-：k时刻的均方误差预测值；k时刻的预测值；k时刻的估计值；k-1时刻的估计值。需要说明的是，公式中的k时刻的均方误差；k时刻的均方误差预测值；k时刻的预测值；k时刻的估计值；k-1时刻的估计值是通过上述公式计算的，其余数据可以直接读取。

步骤106，获取车辆上的图像采集装置采集的待泊车位的图像数据；

在步骤106之前，avcu首先要判断车辆是否已经达到待泊车位附近。

首先，根据车辆的实时位置，计算实时位置至待泊车位的距离；

具体的，车辆根据自车在物理世界上的绝对位置，进行自动路径规划，完成路径规划后，根据前述高精度的绝对定位结果，自动驾驶至车位附近。并将实时位置发送给avcu，avcu结合激光点云地图构建的整个泊车路径，计算实时位置至待泊车位的距离。

当距离不大于预设距离阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。图像采集装置可以为摄像头。

步骤107，对图像数据进行hough处理，构建待泊车位的车位标志线对应的方程；

具体的，对图像数据进行灰度化、滤波、二值化和矫正处理，得到处理后的图像数据；

对处理后的图像数据进行hough变换，得到车位标志线；需要说明的是，采用hough变换到的车位标志线仅仅是车位标志线的骨架。

根据车位标志线构建方程。

具体的，采用k均值法对hough空间中的峰值点进行聚类从而得到车位标志线所对应的直线方程。

步骤108，根据方程，确定待泊车位的每个角点在第三坐标系中的坐标，并确定车辆在第三坐标系下的第二位姿信息；其中，第三坐标系为以待泊车位的多个角点中的第一角点为原点所构建的坐标系；

具体的，车位的每一条边根据上述方程可以拟合成一条直线，计算存在交点的直线并计算其交点坐标，即可得到待泊车位的每个角点的坐标。第三坐标系可以理解为车位坐标系。

步骤109，将第一坐标系的第一位姿信息转换为第三坐标系的第三位姿信息；

步骤110，对第二位姿信息和第三位姿信息进行融合处理，确定车辆的目标位置信息和目标航向信息。

具体的，由于第一坐标系是东北天坐标系，而第三坐标系是车位坐标系，因此，必须将第一坐标系下的车辆的第一位姿信息转换至第三坐标系下的位姿信息，然后进行数据融合，得到车辆的目标位置和目标航向信息。由于这个过程中，主要依靠图像采集装置、imu和轮速计，因此，该定位为相对定位。

在一个优选的方案中，定位模式是可以进行切换的。在前期建立整个泊车路径的激光点云地图时，采集路线只包含主要的运行路径，不包含各个车位的倒库路径。待泊车位附近车位左右两侧是否已有车辆，对激光定位泊车入库时激光匹配结果的影响。因此，要对激光雷达的定位结果是否可靠进行判断，从而进行定位模式的切换。具体步骤如下：

对点云数据进行第二处理，得到点云的高斯分布；高斯分布包括均值和方差；

将均值与预设的均值阈值进行比较，并且将方差与预设的方差阈值进行比较；

当在预设的时长内，均值不小于预设的均值阈值，并且将方差不小于预设的方差阈值时，通过第一算法将第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；在一个具体的例子中，预设的时长为0.5s。也就是说，在0.5s内，高斯分布的均值不小于预设的均值阈值，并且将方差不小于预设的方差阈值时的定位为绝对定位。

当在预设的时长内，均值小于预设的均值阈值，并且将方差小于预设的方差阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。也就是说，在0.5s内，高斯分布的均值小于预设的均值阈值，并且将方差小于预设的方差阈值时的定位为相对定位。由此实现了定位模式的转换。

本发明实施例一提供的一种自动泊车定位方法，该方法通过车载激光雷达、惯性测量单元和轮速计检测的数据进行融合处理，得到车辆高精度的绝对定位，然后通过图像采集装置采集待泊车位附近的图像数据，并经过处理，结合惯性测量单元和轮速计测量的数据，进而计算出车辆相对于车位标志线的位姿，基于相对位置关系确定该车辆的目标位置信息和目标航向信息，从而实现了车辆的相对定位。

图2为本发明实施例二提供的一种自动泊车定位装置的模块结构图，该装置可以为能够实现本申请实施例1提供的方法的装置，例如的自动泊车定位装置或芯片系统。如图2所示，该装置包括：

处理模块201，用于实时获取车载惯性测量单元imu检测的车辆的加速度信息和角速度信息。

处理模块201，还用于实时获取轮速计检测的车辆的轮速信息；

将加速度信息、角速度信息和轮速信息进行捷联解算，得到车辆在第一坐标系下的第一位置信息和第一航向信息；

实时获取车载激光雷达检测到的车辆在第二坐标系下的点云数据；对点云数据进行第一处理得到第二位置信息和第二航向信息；

通过第一算法将第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；

获取车辆上的图像采集装置采集的待泊车位的图像数据；

对图像数据进行hough处理，构建待泊车位的车位标志线对应的方程；

根据方程，确定待泊车位的每个角点在第三坐标系中的坐标，并确定车辆在第三坐标系下的第二位姿信息；其中，第三坐标系为以待泊车位的多个角点中的第一角点为原点所构建的坐标系；

将第一坐标系的第一位姿信息转换为第三坐标系的第三位姿信息；

对第二位姿信息和第三位姿信息进行融合处理，确定车辆的目标位置信息和目标航向信息。

在本实施例提供的一个具体实现方式中，处理模块201具体用于：

获取imu在预设时间内检测到的车辆的初始加速度信息，并根据初始加速度信息计算得到车辆初始的俯仰角和初始的横滚角；

获取车辆上的车载激光雷达检测到的车位周围的激光点云数据；

根据激光点云数据，构建激光点云地图；

根据车辆初始的俯仰角、初始的横滚角和激光点云地图，确定车辆的初始化位置以及imu的零偏。

在本实施例提供的另一个具体实现方式中，处理模块201还用于：

根据车辆的实时位置，计算实时位置至待泊车位的距离；

当距离不大于预设距离阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。

在本实施例提供的另一个具体实现方式中，处理模块201具体用于：

对图像数据进行灰度化、滤波、二值化和矫正处理，得到处理后的图像数据；

对处理后的图像数据进行hough变换，得到车位标志线；

根据车位标志线构建方程。

在本实施例提供的另一个具体实现方式中，处理模块201还用于：

对点云数据进行第二处理，得到点云的高斯分布；高斯分布包括均值和方差；

将均值与预设的均值阈值进行比较，并且将方差与预设的方差阈值进行比较；

当在预设的时长内，均值不小于预设的均值阈值，并且将方差不小于预设的方差阈值时，通过第一算法将第一位置信息、第一航向信息、第二位置信息和第二航向信息进行融合处理，得到车辆在第一坐标系下的第一位姿信息；

当在预设的时长内，均值小于预设的均值阈值，并且将方差小于预设的方差阈值时，获取车辆上的图像采集装置采集的待泊车位的图像数据。

本发明实施例提供的一种自动泊车定位装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，asic)，或，一个或多个微处理器(digitalsignalprocessor，dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((digitalsubscriberline，dsl))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solidstatedisk，ssd))等。

图3为本发明实施例三提供的一种电子设备的结构示意图。如图3所示，该电子设备300可以包括：处理器31(例如cpu)、存储器32、收发器33；收发器33耦合至处理器31，处理器31控制收发器33的收发动作。存储器32中可以存储各种指令，以用于完成各种处理功能以及实现本发明实施例电子设备执行的方法步骤。优选的，本发明实施例涉及的电子设备还可以包括：电源34、系统总线35以及通信端口36。系统总线35用于实现元件之间的通信连接。上述通信端口36用于电子设备与其他外设之间进行连接通信。

该图3中提到的系统总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器cpu、网络处理器(networkprocessor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。

本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。

本发明实施例还提供一种程序产品，该程序产品包括计算机程序，该计算机程序存储在存储介质中，至少一个处理器可以从上述存储介质读取上述计算机程序，上述至少一个处理器执行上述实施例中提供的方法和处理过程。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。