无人机探测任务分配方法及装置与流程

本发明实施例涉及无人机
技术领域：
，具体涉及一种无人机探测任务分配方法及装置。
背景技术：
：随着航空技术的不断发展，越来越多的高科技设备已经应用到航空领域中。而在众多高科技设备当中，无人机以其作业效率高、劳动强度小、综合成本低等方面的优势，迅速成为航空作业过程中一种较为重要的高科技设备。例如，可以执行航拍或扫描成像等作业任务。目前的无人机大致可以大致分为多旋翼(例如四旋翼、六旋翼或八旋翼无人机等)以及固定翼两大类。其中固定翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被较为广泛应用于航空作业中。然而，在实施本发明的过程中发明人发现，由于当前多旋翼无人机作业主要是人为遥控为主，实际作业的效果受到操作员的操作水平的影响较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致无人机的作业遗漏率和重复率往往偏高。此外，当一架多旋翼无人机对多块待探测区域完成一种探测任务时，在此过程中由于无人机的飞行时长有限，如何选择待探测区域以及路径规划使得完成任务后的收益最大(即尽可能多的完成区域探测任务且完成区域探测后所有区域的总收益最大)，并在收益最大的基础上选择出花费时间最短的方案也成为了一个亟待解决的问题。技术实现要素：本发明的一个实施例提供了一种无人机探测任务分配方法及装置，用于克服现有技术中无人机的航行受人为操作的影响较大，且在利用一架多旋翼无人机对多块待探测区域进行作业时无法对无人机的航迹进行合理规划以获得最大总收益花费最短时间的缺陷。第一方面，本发明的一个实施例提供了一种无人机探测任务分配方法，当一架多旋翼无人机对多块矩形待探测区域执行多种探测任务，所述方法包括：获取待探测区域信息以及多旋翼无人机信息；获取满足预设的uav-o-op模型约束条件的初始解，其中，所述uav-o-op模型为多旋翼无人机在此次探测任务中获得总收益最大的目标函数；所述约束条件包括多旋翼无人机所飞行时长约束；采用预设的遗传算法基于所述初始解对所述uav-o-op模型求解得到最优解，并将该最优解作为一架多旋翼无人机对多块待探测区域的任务分配结果。第二方面，本发明的又一个实施例一种无人机探测任务分配装置，当一架多旋翼无人机对多块矩形待探测区域执行多种探测任务，所述装置包括：信息获取单元，用于获取待探测区域信息以及多旋翼无人机信息；初始解获取单元，用于获取满足预设的uav-o-op模型约束条件的初始解，其中，所述uav-o-op模型为多旋翼无人机在此次探测任务中获得总收益最大的目标函数；所述约束条件包括多旋翼无人机所飞行时长约束；最优解计算单元，用于采用预设的遗传算法基于所述初始解对所述uav-o-op模型求解得到最优解，并将该最优解作为一架多旋翼无人机对多块待探测区域的任务分配结果。本发明的一个实施例提供了一种无人机探测任务分配方法，该方法中针对一架多旋翼无人机对多块待探测区域执行多种作业任务的情况，首先获取执行本次任务的待探测区域信息以及多旋翼无人机信息，接着根据这一信息基于预设的uav-o-op模型以及遗传算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中无人机的任务以及航迹规划，使得无人机可以按照该任务以及航迹规划自动执行作业任务，避免受到人为操作的影响。此外，由于本发明提供的方法是将预设的最大化收益模型的最优解作为航迹规划结果，因此基于该结果执行作业任务的无人机在执行任务的同时也能够获得最大总收益，花费最短的时间，从而能够有效地提高作业的效率，使得无人机作业形式能够应用于更广泛的探测任务中。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是本发明提供的一种无人机探测任务分配的方法实施例流程图；图2(a)-2(c)是本发明提供的待探测区域探测方式示意图；图3是本发明提供的进入点位置示意图；图4是本发明提供的染色体交叉过程示意图；图5是本发明提供的染色体变异规则示意图；图6是本发明提供的5个待探测区域示意图；图7是本发明提供的最优解收敛示意图；图8是本发明提供的一种无人机探测任务分配的装置实施例结构示意图。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。第一方面，本发明实施例提供了一种无人机探测任务分配方法，当一架多旋翼无人机对多块矩形待探测区域执行多种探测任务时，如图1所示，所述方法包括：s101、获取待探测区域信息以及多旋翼无人机信息；s102、获取满足预设的uav-o-op模型约束条件的初始解，其中，所述uav-o-op模型为多旋翼无人机在此次探测任务中获得总收益最大的目标函数；所述约束条件包括多旋翼无人机所飞行时长约束；s103、采用预设的遗传算法基于所述初始解对所述uav-o-op模型求解得到最优解，并将该最优解作为该多旋翼无人机对多块待探测区域的任务分配结果。本发明的一个实施例提供了一种无人机探测任务分配方法，该方法中针对一架多旋翼无人机对多块待探测区域执行多种作业任务的情况，首先获取执行本次任务的待探测区域信息以及多旋翼无人机信息，接着根据这一信息基于预设的uav-o-op模型以及遗传算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中无人机的任务以及航迹规划，使得无人机可以按照该任务以及航迹规划自动执行作业任务，避免受到人为操作的影响。此外，由于本发明提供的方法是将预设的最大化收益模型的最优解作为航迹规划结果，因此基于该结果执行作业任务的无人机在执行任务的同时也能够获得最大总收益，花费最短的时间，从而能够有效地提高作业的效率，使得无人机作业形式能够应用于更广泛的探测任务中。在具体实施时，可以理解的是，上述方法中的uav-o-op模型包含的目标函数以及约束条件是本发明能够获得最优规划结果的重要依据，其可以通过多种方式来设置，下面对其中一种可选的设置方式进行详细说明。所述uav-o-op模型是一个定向问题(op)。多旋翼无人机自身性能、待探测区域的大小与多旋翼无人机执行任务时的路径等方面也对任务分配的结果产生影响。具体模型中的具体参数及设置如下：(一)多旋翼无人机用u表示执行待探测任务的一架多旋翼无人机；该架无人机从同一起点出发，并最终返回到该起点。在飞行过程中，多旋翼无人机的飞行速度为v，且均携带探测半径为rd的传感器。结合多旋翼无人机执行探测任务的特点，本文做出以下假设：(1)多旋翼无人机均具有自动避障的能力，可在面临碰撞的情形下，采用自主规避的控制策略，由此而产生的路径偏差相对于总的飞行路径长度也很小，可忽略不计；(2)多旋翼无人机均以相同的巡航速度和巡航高度飞行，从而在不考虑其他因素影响时达到最佳的探测效果；(3)多旋翼无人机飞行过程中不考虑外界环境对多旋翼无人机飞行轨迹的影响；(4)多旋翼无人机飞行过程中燃料有限；(二)待探测区域设分别为多旋翼无人机的起点和终点，本文中起点和终点相同；为na块待探测区域，且待探测区域ai是顶点坐标为(ai1,ai2,ai3,ai4)面积为si的矩形；多旋翼无人机的起点、终点以及待探测区域的集合为当多旋翼无人机对待探测区域ai覆盖式扫描时，多旋翼无人机飞入待探测区域的进入点为ini，飞离待探测区域的离开点为outi，并假设该多旋翼无人机必须完全探测整块待探测区域后才能离开。与此同时，每一个待探测区域最多只能被探测一次。(三)飞行路径在多旋翼无人机执行探测任务的过程中，不仅需要在待探测区域内部通过覆盖式扫描完成作业任务，而且还需要在不同待探测区域间飞行以实现任务之间的切换，由此而产生了两种类型的飞行路径，即待探测区域间和待探测区域内的飞行路径。(1)多旋翼无人机在待探测区域间的飞行路径：在两块待探测区域ai,aj之间，多旋翼无人机飞行的路径长度为欧式距离长度。且多旋翼无人机在两块待探测区域ai,aj之间的花费的时间为tij。(2)多旋翼无人机在待探测区域内覆盖式扫描时的飞行路径多旋翼无人机作业方式：在待探测区域ai内部，多旋翼无人机使用平行扫描策略进行路径规划。在覆盖式扫描时多旋翼无人机从待探测区域ai的ini点进入，进入待探测区域后的路径平行于待探测区域某条边，然后从outi点离开，此时，多旋翼无人机探测扫描待探测区域的花费时间为ti。在给定速度下多旋翼无人机的探测扫描时间取决于转弯的次数，针对图2(c)的待探测区域就有两个不同的转弯半径次数，如图2(a)以及图2(b)所示，其中图2(b)所示航迹中的转弯次数比图2(a)所示航迹要少，且总路径长度也比图2(a)要少。多旋翼无人机采用平行扫描策略执行区域探测任务时，需要先确定进入待探测区域的点和进入方向。多旋翼无人机进入待探测区域的点可以是任意点，但是当进入点距离待探测区域顶点处距离为rd时多旋翼无人机的转弯次数最少，总路径最短。由于本文的待探测区域均为矩形，则距离顶点为rd的点有八个(如图3所示)，分别为{rd1,rd2...rd8}，所以多旋翼无人机进入待探测区域的进入点ini有八种可能，且进入方向均为垂直于该点所在的边。且由进入点可以唯一确定离开点，因为当多旋翼无人机的转弯半径确定，扫描半径确定，进入待探测区域方向确定，待探测区域边长确定时，则转弯次数确定，多旋翼无人机离开待探测区域的方向和离开点outi是确定的。然而在对待探测区域进行探测扫描时不仅需要考虑待探测区域内部的花费时间还需要考虑待探测区域之间的花费时间，需要均衡两者之间的时间，所以不再以所花费的时间为衡量标准，而是以探测过的待探测区域的收益为标准。因此，针对所描述的一种无人机探测任务分配问题，本文以多旋翼无人机完成任务后的总收益最大化作为优化问题的目标函数，建立如下数学模型。所述uav-o-op模型的目标函数为：所述uav-o-op模型的约束条件为：在uav-o-op模型中，na表示待探测区域ai的个数；表示多旋翼无人机的起始点和终点，所述起始点与终点为同一点；si表示待探测区域ai的面积；pi表示完成待探测区域ai的任务所获得的收益；ti表示多旋翼无人机对探测区域ai按照平行扫描策略执行任务的时间；tij表示多旋翼无人机在待探测区域ai,aj之间飞行的时间；e表示多旋翼无人机最大飞行时长限制；ui表示待探测区域ai在路线中的位置；xi表示多旋翼无人机对待探测区域ai完成任务的情况，若xi＝1，则表示完成探测任务，否则多旋翼无人机没有对待探测区域ai执行任务；yij表示多旋翼无人机是否经过待探测区域ai,aj，若yij＝1表示多旋翼无人机经过待探测区域ai,aj，否则该多旋翼无人机没有经过待探测区域ai,aj。其中，目标函数式(1)为多旋翼无人机执行任务后获得的总收益最大；约束式(2)是为了保证多旋翼无人机的路径起始点为a0，终点为约束式(3)是确保每个待探测区域最多被访问一次；约束式(4)是确保多旋翼无人机的最大飞行时长不能超过e；约束式(5)和式(6)是防止无人机路线形成子回路；约束式(7)是目标、路径变量的定义。不难理解的是，在获得了uav-o-op模型之后，本发明实施例提供的方法可以根据预设的遗传算法求解uav-o-op模型的最优解。其中这一求取最优解的预设遗传算法可以通过多种方法实现，下面对其中一种可选的方式进行详细说明。本发明实施例提供的方法的总体思路为：对于本发明实施例所要解决的任务分配问题来说，每一个可行解(也即满足预设模型约束的解)可以表示为一条染色体。可行解种群(也即初始父代种群)可以由多条染色体组成，其规模根据实际情况自行定义。在得到这样的初始父代种群后，进而可以将初始父代种群通过染色体的交叉、变异来进行更新种群，形成新的子代种群。其中，这里的交叉是指两条父代染色体根据交叉概率形成新的两条子代染色体，这里的变异是指一条染色体根据变异概率形成一条新的染色体。这一交叉变异更新的循环过程不断迭代，最终在迭代次数达到预设值时选出当前最优的子代染色体，该子代染色体即为满足模型约束的能够使得目标函数获得最大化收益的最优解，该最优解即为本发明最终所需的任务分配结果。而在这一过程中，涉及到对于遗传算法中的编码、交叉、变异、以及适应度的函数规则的设置以使得设置之后的遗传算法能够应用于对预设模型的求解获得最优解中。可以理解的是，遗传算法中的各个函数的设置可以有多种方式来实现，下面对一种可选的函数设置方式进行具体说明。(1)编码本发明中的编码包括待探测区域、是否执行待探测区域任务、待探测区域进入点，其中，待探测区域属于集合{1,2,...na}，待探测区域的进入点属于集合{rd1,rd2,...rd8}。例如，表1给出了一条编码之后的染色体每一行的内容。其中，染色体第一行是待探测区域的信息也即待探测区域的标识信息，第二行是表示无人机是否执行待探测区域任务，1表示有，0表示无，第三行是无人机对待探测区域执行任务时的进入点标识信息(进入点标号对应于图2所示的待探测区域rd1-rd8)。整条染色体表示多旋翼无人机先从rd7进入点进入待探测区域a3完成任务，再从rd5点进入待探测区域a5完成任务，然后从rd8点进入待探测区域a4完成任务，最后返回起始点，而目标a1,a2没有被访问。表1染色体:na＝5待探测区域31542是否执行任务10110进入点71586(2)交叉本发明实施例选择的交叉方式是先随机选择第一染色体的两个交叉位置，然后寻找第二染色体中与第一染色体交叉位置的第一行相同的基因；将第一染色体与第二染色体的交叉位置基因进行替换，从而得到第三染色体以及第四染色体；例如在图4中，两条父代染色体先在父代a中随机选择进行交叉的2个位置，然后找到父代b相同目标区域位置进行交换，从而得到两条新的子代染色体a，b。(3)变异本发明中变异可能是一个基因也可能是多个基因，本文染色体变异主要有以下几种情况：待探测区域顺序变异，是否有多旋翼无人机执行任务变异，待探测区域进入点变异。其中，若第一行发生变异，则对第一行进行随机全排列，若第二行发生变异，确定变异位置，并由原来的无多旋翼无人机执行任务变成有多旋翼无人机执行任务，或者相反，若第三行发生变异，确定其变异的位置，并将随机生成的进入点替换原变异位置处的进入点；例如，图5中染色体a进行了三种变异，待探测区域访问顺序由3,1,5,4,2变异为4,2,1,3,5，第二行第三列由1变为0表示无人机本来执行的待探测区域任务不执行，第三行第一列的进入点由rd7变成rd2。(4)适应度函数和选择所述染色体的适应度为：其中，na表示待探测区域ai的个数；si表示待探测区域ai的面积；pi表示完成待探测区域ai的任务所获得的收益；若xi＝1，则表示完成探测任务，否则该多旋翼无人机没有对待探测区域ai执行任务；其中，0,...na+1表示起始点、待探测区域和终止点；ti表示多旋翼无人机对探测区域ai按照平行扫描策略执行任务的时间；tij表示多旋翼无人机在待探测区域ai,aj之间飞行的时间；xi表示多旋翼无人机完成待探测区域ai完成任务的情况，若xi＝1，则表示完成探测任务，否则该多旋翼无人机没有对待探测区域ai执行任务；yij表示多旋翼无人机是否经过待探测区域ai,aj，若yij＝1表示多旋翼无人机经过待探测区域ai,aj，否则该多旋翼无人机没有经过待探测区域ai,aj。本发明实施例中有两个适应度函数，第一适应度为式(8)，越大越好，表示所有被访问待探测区域的总收益，即与被访问的区域和区域的面积有关。而当多条染色体的第一适应度相同时，即分配方案不同总收益相同，但是每个分配方案的花费时间却是不同的，因此需要进行第二适应度的计算(如式(9)所示)，进行二次筛选，从而选择出总收益最大，且在总收益最大的基础上花费时间最短的分配方案。由于上述交叉变异过程的不断地循环迭代进行，使得父代种群被不断更新，从而生成更多的新的种群。可以理解的是，这一迭代循环的过程是可以无限进行下去的，但这样无法获得一个最终的结果。因此本发明在每次迭代结束后会判断当前累计的迭代次数是否已经达到了迭代次数阈值，其中这一阈值可以根据实际情况自行设置。若判断当前未达到迭代次数阈值，则需要继续进行迭代过程；若判断当前达到了迭代次数阈值，则认为此时的迭代次数已经足够，当前的最优解即可以作为本次作业的任务分配的结果。进而还可以将该结果分配至对应的一架多旋翼无人机，以使得该架无人机可以根据这一结果执行本次作业任务，达到本次作业的目的且获得待探测区域的最大化收益。为体现本发明实施例提供的方法的优越性，下面举几个具体的实例，详细说明如何根据上述函数设置利用遗传算法对uav-o-op模型的求解，从而获得最终的任务分配结果。具体来说，在matlab2013的环境中实现了所述遗传算法对uav-o-op模型的求解，并进行了实验。假设有1架无人机对五块待探测区域执行任务，并使用所述遗传算法获取分配方案，其中取所述遗传算法的交叉概率为0.9，变异概率为0.5，种群规模为500，迭代次数为100。实验过程中涉及到的具体参数描述如下：(1)无人机在本文的实验中无人机的具体配置如表2所示，无人机速度为4m/s，最大探测半径为5m，最大续航时间为1800s。表2无人机基本参数配置表无人机参数a0\an+1vrde无人机信息(0,0)4m/s5m1800s(2)待探测区域有五块待探测区域，具体如图6所示。具体坐标和收益如表3所示。表3待探测区域坐标信息坐标左下顶点左上顶点右上顶点右下顶点收益区域1(100,100)(100,200)(200,200)(200,100)0.9区域2(10,410)(10,560)(110,560)(110,410)0.94区域3(350,10)(350,110)(540,110)(540,10)0.87区域4(150,300)(150,400)(260,400)(260,300)0.89区域5(350,350)(350,480)(450,480)(450,350)0.97使用所述遗传算法对上述场景获得的最优解的收益为4.9420，且在第4代已收敛，收敛速度较快，具体如图7所示。在收益最大的情形下花费最短时间的最优分配方案如表4所示，且最短花费时间为1735.5s。而在所有的待探测区域中，区域5没有被探测，其他区域均被探测。表4最优分配方案区域34521任务执行11011进入点28783第二方面，本发明的一个实施例还提供了一种无人机探测任务分配装置，当一架多旋翼无人机对多块矩形待探测区域执行多种探测任务，如图8所示，所述装置包括：信息获取单元201，用于获取待探测区域信息以及多旋翼无人机信息；初始解获取单元202，用于获取满足预设的uav-o-op模型约束条件的初始解，其中，所述uav-o-op模型为多旋翼无人机在此次探测任务中获得总收益最大的目标函数；所述约束条件包括多旋翼无人机所飞行时长约束；最优解计算单元203，用于采用预设的遗传算法基于所述初始解对所述uav-o-op模型求解得到最优解，并将该最优解作为该多旋翼无人机对多块待探测区域的任务分配结果。在具体实施时，其特征在于：所述uav-o-op模型的目标函数为：所述uav-o-op模型的约束条件为：在uav-o-op模型中，na表示待探测区域ai的个数；表示多旋翼无人机的起始点和终点，所述起始点与终点为同一点；si表示待探测区域ai的面积；pi表示完成待探测区域ai的任务所获得的收益；ti表示多旋翼无人机对探测区域ai按照平行扫描飞行方式执行任务的时间；tij表示多旋翼无人机在待探测区域ai,aj之间飞行的时间；e表示多旋翼无人机最大飞行时长限制；ui表示待探测区域ai在路线中的位置；xi表示多旋翼无人机对待探测区域ai完成任务的情况，若xi＝1，则表示完成探测任务，否则多旋翼无人机没有对待探测区域ai执行任务；yij表示多旋翼无人机是否经过待探测区域ai,aj，若yij＝1表示多旋翼无人机经过待探测区域ai,aj，否则该多旋翼无人机没有经过待探测区域ai,aj；其中，所述平行扫描飞行方式为：以垂直于待探测区域第一边的方向从第一边上的第一进入点进入待探测区域，所述第一进入点与最近的待探测区域顶点的距离为多旋翼无人机探测半径，所述第一边为待探测区域的任意一边；在待探测区域内部采用平行于待探测区域的一边的方式飞行。在具体实施时，所述初始解获取单元202进一步用于：对所述待探测区域信息、多旋翼无人机信息进行编码，随机生成多条染色体；其中，所述多条染色体的第一行为所述待探测区域的标识信息的随机全排列，所述多条染色体的第二行表示多旋翼无人机是否执行待探测区域任务，所述多条染色体的第三行为多旋翼无人机进入待探测区域的进入点的随机组合。在具体实施时，所述最优解计算单元，进一步用于执行以下步骤：步骤一、根据所述初始解生成预设规模的初始父代种群，并计算种群中每条染色体的适应度；步骤二、对父代种群中染色体进行交叉操作得到第一代子代种群，所述交叉的步骤具体包括：随机选择第一染色体中的两个交叉位置，然后寻找第二染色体中与第一染色体交叉位置的第一行相同的基因；将第一染色体与第二染色体的交叉位置基因进行替换，从而得到第三染色体以及第四染色体；判断所述第三染色体以及第四染色体是否满足所述预设约束条件；若满足，则替换所述父代种群中的第一染色体以及第二染色体；若不满足，则结束当前操作；步骤三、对第一代子代种群中染色体进行变异操作得到第二代子代种群，所述变异的步骤具体包括：随机选择第五染色体进行变异操作，若第一行发生变异，则对第一行进行随机全排列，若第二行发生变异，确定变异位置，并由原来的无多旋翼无人机执行任务变成有多旋翼无人机执行任务，或者相反，若第三行发生变异，确定其变异的位置，并将随机生成的进入点替换原变异位置处的进入点；步骤四、根据所述适应度函数获取所述第二子代种群中的最优解，并将所述第二子代种群与所述父代种群按照预设比例组合形成新的父代种群；判断当前步骤二、三、四整体循环迭代的次数是否达到预设值；若否，则返回步骤二，并将所述新的父代种群作为当前的父代种群执行步骤二；若是，则执行步骤五；步骤五：结束迭代，并将最终获得的最优解作为本次任务的分配结果。在具体实施时，所述染色体的适应度为：其中，na表示待探测区域ai的个数；si表示待探测区域ai的面积；pi表示完成待探测区域ai的任务所获得的收益；若xi＝1，则表示完成探测任务，否则该多旋翼无人机没有对待探测区域ai执行任务；其中，0,...na+1表示起始点、待探测区域和终止点；ti表示多旋翼无人机对探测区域ai按照平行扫描策略执行任务的时间；tij表示多旋翼无人机在待探测区域ai,aj之间飞行的时间；xi表示多旋翼无人机完成待探测区域ai完成任务的情况，若xi＝1，则表示完成探测任务，否则该多旋翼无人机没有对待探测区域ai执行任务；yij表示多旋翼无人机是否经过待探测区域ai,aj，若yij＝1表示多旋翼无人机经过待探测区域ai,aj，否则该多旋翼无人机没有经过待探测区域ai,aj。由于本实施例所介绍的无人机探测任务分配的装置为可以执行本发明实施例中的无人机探测任务分配的方法的装置，故而基于本发明实施例中所介绍的无人机探测任务分配的方法，本领域所属技术人员能够了解本实施例的无人机探测任务分配的装置的具体实施方式以及其各种变化形式，所以在此对于该无人机探测任务分配的装置如何实现本发明实施例中的无人机探测任务分配的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中无人机探测任务分配的方法所采用的装置，都属于本申请所欲保护的范围。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。此外，本领域的技术人员能够理解，尽管在此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发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。本发明的某些部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。当前第1页12