一种无人机避障方法和装置与流程

本发明实施例涉及航空科学技术领域，尤其涉及一种无人机避障方法和装置。

背景技术：

近年来，多轴无人机发展迅速，无人机在飞行过程中，其飞行环境信息很难完全预知，经常会遇到突发威胁和障碍，这时预先规划的全局航迹路径已无法满足要求，为达到预期的目的，需要具备实时侦测并避开障碍物的功能；现有技术中的方案是基于激光雷达与双目视觉来实现无人机避障，该方案采用激光雷达与双目视觉互补的方式获取环境点云数据，得到点云数据后进行算法处理，根据数据处理结果重新规划合理的航迹路径；但是该方案一方面测距范围与成本存在不可调和的矛盾，另一方面测量结果受环境光影响较大，光线条件恶劣时，无论激光雷达或双目视觉的检测效果均不理想。

技术实现要素：

本发明实施例提供一种无人机避障方法和装置，用以解决现有技术中测量远距离点云数据成本高以及测量结果受环境光影响较大的问题。

本发明实施例提供一种无人机避障方法，包括：

获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上；

根据第一类点云数据得到卡尔曼滤波的噪声矩阵；

将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据；

根据第二类点云数据和第三类点云数据确定无人机的行驶路径。

可选的，将第二类点云数据作为卡尔曼滤波的观测量，包括：

将第二类点云数据中距离小于阈值的第二类点云数据作为卡尔曼滤波的观测量，阈值根据激光雷达的探测范围来确定。

可选的，根据第二类点云数据和第三类点云数据确定无人机的行驶路径，包括：

将第二类点云数据中距离不小于阈值的第二类点云数据作为第四类点云数据；

根据聚类算法对第三类点云数据和第四类点云数据进行分类，确定各点云数据所归属的潜在障碍物的类型；

根据点云数据所归属的潜在障碍物的类型，计算点云数据对无人机的斥力；

计算各点云数据的斥力之和，并根据斥力之和得到无人机的行驶路径。

可选的，通过如下方式计算点云数据对无人机的斥力：

根据点云数据的距离和比例系数确定斥力势场，比例系数的值是根据点云数据所归属的潜在障碍物的分类确定的；

通过计算斥力势场的负梯度值确定点云数据对无人机的斥力。

可选的，根据第一类点云数据得到卡尔曼滤波的噪声矩阵之前，还包括：

分别滤除第一类点云数据和第二类点云数据中的野值点。

相应的，本发明实施例提供一种无人机避障装置，包括：

获取模块，用于获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上；

计算模块，用于根据第一类点云数据得到卡尔曼滤波的噪声矩阵；

滤波模块，用于将所述第一类点云数据作为所述卡尔曼滤波的状态量，将所述第二类点云数据作为所述卡尔曼滤波的观测量，通过所述卡尔曼滤波确定第三类点云数据；

避障模块，用于根据第二类点云数据和第三类点云数据确定无人机的行驶路径。

可选的，滤波模块具体用于：

将第二类点云数据中距离小于阈值的第二类点云数据作为卡尔曼滤波的观测量，阈值根据激光雷达的探测范围来确定。

可选的，避障模块具体用于：

根据聚类算法对第三类点云数据和第四类点云数据进行分类，确定各点云数据所归属的潜在障碍物的类型，第四类点云数据为第二类点云数据中距离不小于阈值的第二类点云数据；

根据点云数据所归属的潜在障碍物的类型，计算点云数据对所述无人机的斥力；

计算各点云数据的斥力之和，并根据斥力之和得到无人机的行驶路径。

可选的，避障模块具体用于：

通过如下方式计算点云数据对无人机的斥力：

根据点云数据的距离和比例系数确定斥力势场，比例系数的值是根据点云数据所归属的潜在障碍物的分类确定的；

通过计算斥力势场的负梯度值确定点云数据对无人机的斥力。

可选的，还包括去噪声模块：用于在根据第一类点云数据得到卡尔曼滤波的噪声矩阵之前，分别滤除第一类点云数据和第二类点云数据中的野值点。

本发明实施例提供一种无人机避障方法和装置，获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上。接着根据第一类点云数据得到卡尔曼滤波的噪声矩阵，将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据。然后根据第二类点云数据和第三类点云数据确定无人机的行驶路径。本发明实施例中，由于低成本的激光雷达对近距离障碍物的检测精度较高，稳定性较好，但对远距离障碍物进行检测时，成本较高，故利用激光雷达探测近距离的障碍物的点云数据。由于毫米波雷达进行近距离检测时，存在盲区，无法检测到正常的点云数据，但测量远距离障碍物时精度较高，故利用毫米波雷达探测远距离的障碍物的点云数据。将激光雷达和毫米波雷达结合进行障碍物检测时，一方面使探测的范围更广，使无人机对较远的障碍物能提前做好路径规划，另一方面降低了对远距离障碍物测量时的成本。利用卡尔曼滤波器对激光雷达探测的点云数据进行滤波，滤波过程中以毫米波雷达探测的点云数据作为观测量，根据第一类点云数据得到噪声矩阵，一方面滤除了激光雷达探测到的点云数据中强光干扰下的野值点；另一方面利用毫米波雷达探测到的近距离的点云数据对激光雷达探测到的点云数据进行补偿，保障了激光雷达探测近距离点云数据的精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。

图1为本发明实施例提供的一种无人机避障方法的流程示意图；

图1a为本发明实施例提供的激光雷达在无环境光干扰下的点云数据；

图1b为本发明实施例提供的激光雷达在有环境光干扰下的点云数据；

图2为本发明实施例提供的另一种无人机避障方法的流程示意图；

图3为本发明实施例提供的一种无人机避障装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例中使用的激光雷达是以发射激光束探测特征量的雷达系统，激光雷达向目标发射探测信号，比如激光束，然后将接收到的从目标反射回来的信号与发射信号进行比较，作适当处理后，就可获得目标的有关信息，比如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对飞机、导弹等目标进行探测、跟踪和识别。毫米波雷达与激光雷达工作原理相同，工作频率在毫米波波段，工作频率通常选在30～300GHz范围内。点云数据指通过扫描得到的以点的形式记录的数据，每一个点包含有二维坐标或三维坐标，有些可能含有颜色信息或反射强度信息。

图1示例性示出了本发明实施例提供的一种无人机避障方法流程示意图，如图1所示，包括以下步骤：

步骤S101，获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据。

步骤S102，根据第一类点云数据得到卡尔曼滤波的噪声矩阵。

步骤S103，将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据。

步骤S104，根据第二类点云数据和第三类点云数据确定无人机的行驶路径。

在步骤S101中，获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上。具体指对近距离的障碍物采用低成本的激光雷达进行探测，测距范围为10cm-6m，得到反映障碍物的二维点云数据，激光雷达对近距离障碍物的探测精度较高，但是有强光干扰时，存在较多野值点，同时会丢失部分有关障碍物的点云数据，图1a示例性示出了本发明实施例提供的激光雷达在无环境光干扰下的点云数据，图1b示例性示出了本发明实施例提供的激光雷达在有环境光干扰下的点云数据。如图1a和图1b所示，在无环境光影响时，探测到的点云数据组成的轮廓清晰并且点云数据的排列有一定的规律，在有环境光影响时，首先探测到的有规律的点云数据减少，同时探测到一些异常点，这些异常点称之为野值点。需要说明的是激光雷达可以探测到远距离的障碍物，但在探测远距离的障碍物时成本较高，从而对远距离的障碍物采用毫米波雷达进行探测。毫米波雷达的探测范围比激光雷达的探测范围大，能够探测到50m以内的障碍物，并且可以得到二维点云数据或三维点云数据，但距离较近时存在盲区，需要说明的是，毫米波雷达在距离较近时能够检测到点云数据，但得到的点云数据无法反应障碍物的真实距离。激光雷达和毫米波雷达可以安装在无人机的前、后、左、右四个方向上。采用激光雷达和毫米波雷达互补的方式获取反应障碍物的点云数据，一方面实现了远、近距离的无人机快速避障，另一方面降低了对远距离障碍物测量时的成本。

在步骤S102和步骤S103中，根据第一类点云数据得到卡尔曼滤波的噪声矩阵，将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据。利用卡尔曼滤波对激光雷达探测的点云数据进行滤波，滤波过程中以毫米波雷达探测的点云数据作为观测量，根据第一类点云数据得到噪声矩阵，一方面滤除了激光雷达探测到的点云数据中强光干扰下的野值点；另一方面利用毫米波雷达探测到的近距离的点云数据对激光雷达探测到的点云数据进行补偿，保障了激光雷达探测近距离点云数据的精度。具体实施中，卡尔曼滤波的噪声矩阵根据激光雷达二维点云数据的距离动态变化，距离越近，噪声矩阵R越大；距离越远，则噪声矩阵R越小。

为了进一步保障卡尔曼滤波的效果，在根据第一类点云数据得到卡尔曼滤波器的噪声矩阵之前，还包括：分别滤除第一类点云数据和第二类点云数据中的野值点。具体实施中，无人机轴距一般在30cm以上，根据实际应用场景，可以将距离小于30cm的点云当做野值点，从而可以先使用普通的滤波器对激光雷达探测到的点云数据和毫米波雷达探测到的点云数据进行第一次滤波，将距离小于30cm的点云数据滤除；进一步利用跟踪微分器对激光雷达探测到的点云数据和毫米波雷达探测到的点云数据分别进行第二次滤波，激光雷达探测到的点云数据经过第二次滤波后，可以用来计算卡尔曼滤波器的噪声矩阵；需要说明的是，本发明实施例中的跟踪微分器不限于离散跟踪微分器、非线性跟踪微分器、快速跟踪微分器等。采用跟踪微分器滤除激光雷达和毫米波雷达探测到的点云数据中的野值点，不但滤除效果好，同时算法计算量小。

可选的，由于激光雷达探测范围小，故可设计在进行卡尔曼滤波时，将毫米波雷达探测的点云数据中距离小于阈值的点云数据作为观测量输入卡尔曼滤波器，阈值根据激光雷达的探测范围来确定。比如激光雷达的探测范围是10cm-6m，由于随着探测距离越远，激光雷达的测量精度呈下降趋势，而毫米波雷达的探测精度随着探测距离越远精度呈上升趋势，为了保证探测的精度，可以将阈值设定为5.5m，从而激光雷达探测的点云数据中可以只选取距离小于5.5m的点云数据作为状态量输入卡尔曼滤波器。同时将毫米波雷达探测的点云数据中距离小于5.5m的点云数据作为观测量输入卡尔曼滤波器。经过卡尔曼滤波处理后，激光雷到探测的点云数据和毫米波雷达探测的点云数据融合成一组点云数据，后续对融合后的点云数据进行算法处理得到范围在5.5m内的障碍物。需要说明的是本发明实施例所指的卡尔曼滤波不限于标准卡尔曼滤波，还包括自适应卡尔曼滤波、EKF(Extended Kalman Filte，扩展卡尔曼滤波)等。采用卡尔曼滤波器利用毫米波雷达的二维点云数据对激光雷达传感器的点云数据进行滤波，滤除强光干扰下的野值点的同时补偿滤波带来的相位损失。

在步骤S104中，本发明实施例提供了根据第二类点云数据和第三类点云数据确定无人机的行驶路径的方法。具体为：将第二类点云数据中距离不小于阈值的第二类点云数据作为第四类点云数据。接着根据聚类算法对第三类点云数据和第四类点云数据进行分类，确定各点云数据所归属的潜在障碍物的类型，然后根据点云数据所归属的潜在障碍物的类型，计算点云数据对无人机的斥力。最后计算各点云数据的斥力之和，并根据斥力之和得到无人机的行驶路径。

可选的，通过如下方式计算点云数据对无人机的斥力：

根据点云数据的距离和比例系数确定斥力势场，比例系数的值是根据点云数据所归属的潜在障碍物的分类确定的。然后通过计算斥力势场的负梯度值确定点云数据对无人机的斥力。具体实施中可根据公式(1)计算点云数据的斥力势场，公式(1)如下所示：

其中，U_rf(d)表示斥力势场，k_rf表示比例系数且根据点云数据所归属的潜在障碍物的分类确定k_rf的值，d表示点云数据的距离，U_{rf max}表示最大斥力势场，d_{rf min}表示最小距离；

接着根据公式(2)计算得到点云数据对无人机的斥力，公式(2)如下所示：

其中，F_rf(d)表示斥力，U_rf(d)表示斥力势场，k_rf表示比例系数且根据点云数据所归属的潜在障碍物的分类确定k_rf的值，d表示点云数据的距离，F_{rf max}表示最大斥力势场，d_{rf min}表示最小距离。

具体实施中，经过卡尔曼滤波器滤波后的点云数据是距离小于阈值的点云数据，距离不小于阈值的点云数据不进行卡尔曼滤波处理，两组点云数据一起组成最终的反应障碍物的点云数据，利用聚类算法对最终的二维点云数据进行归类，比如可以采用K均值聚类算法将点云数据分为A、B、C三大类，分别对应大型障碍物、中型障碍物、小型障碍物。根据聚类算法的结果对二维点云中的每个点云采用不同的斥力算法模型计算对应的斥力势场，斥力势场的计算公式如式(1)所示，同时根据斥力势场的计算结果计算斥力F(d)，斥力的计算公式如式(2)所示。根据得到的各点云的斥力计算无人机所受的和斥力。进一步的，选择合适的非线性函数对和斥力进行加权计算，得到载体坐标系下的线性补偿加速度Acc_Bf，同时从飞控计算机获取到的旋转矩阵计算导航坐标系下的线性补偿加速度Acc_Ef，其中，从飞控计算机得到的旋转矩阵M如式(3)所示，导航坐标系下的线性补偿加速度的计算公式如式(4)所示；

Acc_Ef＝Acc_Bf*M (4)

其中*为矩阵相乘。

最后将导航坐标系下的线性补偿加速度Acc_Ef进行积分计算得到导航坐标系下的线性补偿速度Vel_Ef，经导航坐标系下的线性补偿速度Vel_Ef进行积分计算得到线性补偿位置Pos_Ef。

根据聚类算法的计算结果以及斥力算法模型的计算结果对不同类型的障碍物采取不同的避障策略。比如针对A类大型障碍物，根据当前无人机飞行的加速度、速度、位置判断当前无人机飞行状态能否绕过该障碍物，若能，则根据斥力模型得到的补偿加速度、补偿速度、补偿位置修正无人机当前飞行状态。若不能，则采取升高后绕行的策略。本发明实施例中，利用聚类算法对障碍物进行分类，针对不同类型的障碍物采用不同的斥力模型进行计算，从而实现对不同类型障碍物采用不用的路径规划，路径规划更具有针对性，精度更高。

为了更清楚的介绍上述方法流程，本发明实施例提供以下示例，图2示例性示出了本发明实施例提供的另一种无人机避障方法流程示意图。

如图2所述，该方法包括以下步骤：

步骤S201，获取激光雷达探测的点云数据；

步骤S202，用普通的滤波器滤除激光雷达探测到的点云数据中距离小于30cm的点云数据；

步骤S203，跟踪微分器滤除激光雷达探测到的点云数据中一部分野值点；

步骤S204，判断滤除野值点后的点云数据的距离是否小于阈值；若是执行步骤S210，否则执行步骤S205；

步骤S205，将距离大于阈值的点云数据直接滤除；

步骤S206，获取毫米波雷达探测的点云数据；

步骤S207，用普通的滤波器滤除毫米波雷达探测到的点云数据中距离小于30cm的点云数据；

步骤S208，跟踪微分器滤除毫米波雷达探测到的点云数据中一部分野值点；

步骤S209，判断滤除野值点后的点云数据的距离是否小于阈值；若是执行步骤S210，否则执行步骤S211；

步骤S210，将激光雷达探测到的点云数据滤除野值点后作为卡尔曼滤波的状态量，将毫米波雷达探测到的点云数据滤除野值点后作为卡尔曼滤波的观测量，利用滤除野值点后的激光雷达探测到的点云数据计算卡尔曼滤波的噪声矩阵，根据状态量、观测量和噪声矩阵进行卡尔曼滤波；

步骤S211，获取经卡尔曼滤波后的点云数据以及毫米波探测到的距离大于阈值的点云数据，使用聚类算法对获取的点云数据进行处理，得到各点云的分类；

步骤S212，根据点云所属的类型采用不同的斥力算法模型进行处理；

步骤S213，根据斥力算法模型的处理结果采取对应的路径规划策略。

从上述内容可看出：本发明实施例提供一种无人机避障方法和装置，获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上。接着根据第一类点云数据得到卡尔曼滤波的噪声矩阵，将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据。然后根据第二类点云数据和第三类点云数据确定无人机的行驶路径。本发明实施例中，由于低成本的激光雷达对近距离障碍物的检测精度较高，稳定性较好，但对远距离障碍物进行检测时，成本较高，故利用激光雷达探测近距离的障碍物的点云数据。由于毫米波雷达进行近距离检测时，存在盲区，无法检测到正常的点云数据，但测量远距离障碍物时精度较高，故利用毫米波雷达探测远距离的障碍物的点云数据。将激光雷达和毫米波雷达结合进行障碍物检测时，一方面使探测的范围更广，使无人机对较远的障碍物能提前做好路径规划，另一方面降低了对远距离障碍物测量时的成本。利用卡尔曼滤波器对激光雷达探测的点云数据进行滤波，滤波过程中以毫米波雷达探测的点云数据作为观测量，根据第一类点云数据得到噪声矩阵，一方面滤除了激光雷达探测到的点云数据中强光干扰下的野值点；另一方面利用毫米波雷达探测到的近距离的点云数据对激光雷达探测到的点云数据进行补偿，保障了激光雷达探测近距离点云数据的精度。

基于同样的发明构思，本发明实施例提供一种无人机避障装置，如图3所示，该装置包括获取模块301、去噪模块302、计算模块303、滤波模块304、避障模块305，其中：

获取模块301，用于获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上。

计算模块303，用于根据第一类点云数据得到卡尔曼滤波的噪声矩阵。

滤波模块304，用于将所述第一类点云数据作为所述卡尔曼滤波的状态量，将所述第二类点云数据作为所述卡尔曼滤波的观测量，通过所述卡尔曼滤波确定第三类点云数据。

避障模块305，用于根据所述第二类点云数据和所述第三类点云数据确定所述无人机的行驶路径。

可选的，滤波模块304具体用于：

将所述第二类点云数据中距离小于阈值的第二类点云数据作为所述卡尔曼滤波的观测量，阈值根据激光雷达的探测范围来确定。

可选的，避障模块305具体用于：

根据聚类算法对第三类点云数据和所述第四类点云数据进行分类，确定各点云数据所归属的潜在障碍物的类型，第四类点云数据为第二类点云数据中距离不小于阈值的第二类点云数据；

根据点云数据所归属的潜在障碍物的类型，计算点云数据对所述无人机的斥力；

计算各点云数据的斥力之和，并根据斥力之和得到无人机的行驶路径。

可选的，避障模块305具体用于：

通过如下方式计算所述点云数据对所述无人机的斥力：

根据点云数据的距离和比例系数确定斥力势场，所述比例系数的值是根据所述点云数据所归属的潜在障碍物的分类确定的；

通过计算所述斥力势场的负梯度值确定所述点云数据对所述无人机的斥力。

可选的，还包括去噪模块302：用于在根据所述第一类点云数据得到卡尔曼滤波的噪声矩阵之前，分别滤除所述第一类点云数据和所述第二类点云数据中的野值点。

从上述内容可看出：本发明实施例提供一种无人机避障方法和装置，获取激光雷达探测到的第一类点云数据，获取毫米波雷达探测到的第二类点云数据，激光雷达和毫米波雷达安装在无人机上。接着根据第一类点云数据得到卡尔曼滤波的噪声矩阵，将第一类点云数据作为卡尔曼滤波的状态量，将第二类点云数据作为卡尔曼滤波的观测量，通过卡尔曼滤波确定第三类点云数据。然后根据第二类点云数据和第三类点云数据确定无人机的行驶路径。本发明实施例中，由于低成本的激光雷达对近距离障碍物的检测精度较高，稳定性较好，但对远距离障碍物进行检测时，成本较高，故利用激光雷达探测近距离的障碍物的点云数据。由于毫米波雷达进行近距离检测时，存在盲区，无法检测到正常的点云数据，但测量远距离障碍物时精度较高，故利用毫米波雷达探测远距离的障碍物的点云数据。将激光雷达和毫米波雷达结合进行障碍物检测时，一方面使探测的范围更广，使无人机对较远的障碍物能提前做好路径规划，另一方面降低了对远距离障碍物测量时的成本。利用卡尔曼滤波器对激光雷达探测的点云数据进行滤波，滤波过程中以毫米波雷达探测的点云数据作为观测量，根据第一类点云数据得到噪声矩阵，一方面滤除了激光雷达探测到的点云数据中强光干扰下的野值点；另一方面利用毫米波雷达探测到的近距离的点云数据对激光雷达探测到的点云数据进行补偿，保障了激光雷达探测近距离点云数据的精度。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。