视觉伺服控制方法、装置和无人设备与流程
本公开涉及无人控制领域，尤其涉及一种视觉伺服控制方法、装置和无人设备。
背景技术：
基于机器人或者无人机的视觉伺服算法得到广泛研究，视觉伺服系统就是利用一个或者多个相机来感知机器人或者无人机的位置姿态，从而对其位置方向进行精确控制。根据反馈信息构造误差量的形式，视觉伺服控制系统可以分为基于位置的视觉伺服控制(pbvs)、基于图像的视觉伺服控制(ibvs)以及混合的视觉伺服控制。
近年来基于图像的视觉伺服控制在无人机上得到了应用，但基于图像的视觉伺服控制的关键问题是如何得到反映图像特征与无人机位置姿态之间的图像雅可比矩阵，并且，基于图像的视觉伺服控制对系统的约束问题难以处理，可能导致总体飞行控制系统的性能下降。
技术实现要素：
本公开要解决的一个技术问题是，提供一种视觉伺服控制方法、装置和无人设备，能够提高无人设备的运行控制性能。
根据本公开一方面，提出一种视觉伺服控制方法，包括：获取无人设备的视觉传感器在当前位置拍摄的地面标识图像；基于地面标识图像确定当前视觉特征点坐标；利用预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值，以及控制时域内各个时刻的无人设备的运行参数，构建模型预测控制器的代价函数，其中，根据当前视觉特征点坐标以及对应的运行参数，获得预测时域内各个时刻的视觉特征点坐标；通过最小化模型预测控制器的代价函数，预测得到控制时域内各个时刻的无人设备的运行参数；将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，以使无人设备运行到期望位置。
在一个实施例中，该方法还包括：对模型预测控制器的代价函数进行约束，获得满足无人设备的视场约束条件和运行约束条件的目标运行参数。
在一个实施例中，构建模型预测控制器的代价函数包括：根据预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值确定预测时域内各个时刻的视觉特征点误差；根据预测时域内各个时刻的视觉特征点误差，确定视觉特征点误差的二次型函数；根据控制时域内各个时刻的无人设备的运行参数，确定运行参数的二次型函数；基于视觉特征点误差的二次型函数与运行参数的二次型函数之和，确定模型预测控制器的代价函数。
在一个实施例中，获得预测时域内各个时刻的视觉特征点坐标包括：根据当前视觉特征坐标和无人设备在当前时刻的运行参数，预测无人设备在下一时刻的视觉特征点坐标；重复执行预测无人设备在下一时刻的视觉特征点坐标，直到预测出无人设备在预测时域内最后一个时刻的视觉特征点坐标。
在一个实施例中，预测无人设备在下一时刻的视觉特征点坐标包括：获取视觉特征点在当前时刻对应的图像雅可比矩阵；对无人设备在当前时刻的运行参数、图像雅可比矩阵、与视觉传感器采样周期，进行求积运算；根据求积运算的结果和当前视觉特征坐标，预测无人设备在下一时刻的视觉特征点坐标。
在一个实施例中，对无人设备进行视觉伺服控制包括：将目标运行参数输入至串联的位置控制器和姿态控制器，其中，位置控制器和姿态控制器具有比例、积分、微分控制功能；将通过串联的位置控制器和姿态控制器输出的位置信息反馈至位置控制器，将输出的姿态信息反馈至姿态控制器。
在一个实施例中，运行参数为能够反映无人设备的位置和姿态的速度信息。
根据本公开的另一方面，还提出一种视觉伺服控制装置，包括：地面标识图像获取单元，被配置为获取无人设备的视觉传感器在当前位置拍摄的地面标识图像；特征点坐标确定单元，被配置为基于地面标识图像确定当前视觉特征点坐标；运行参数预测单元，被配置为利用预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值，以及控制时域内各个时刻的无人设备的运行参数，构建模型预测控制器的代价函数，其中，根据当前视觉特征点坐标以及对应的运行参数，获得预测时域内各个时刻的视觉特征点坐标；通过最小化模型预测控制器的代价函数，预测得到控制时域内各个时刻的无人设备的运行参数；视觉伺服控制单元，被配置为将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，以使无人设备运行到期望位置。
在一个实施例中，运行参数预测单元还被配置为对模型预测控制器的代价函数进行约束，获得满足无人设备的视场约束条件和运行约束条件的目标运行参数。
根据本公开的另一方面，还提出一种视觉伺服控制装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的视觉伺服控制方法。
根据本公开的另一方面，还提出一种无人设备，包括上述的视觉伺服控制装置。
在一个实施例中，该无人设备还包括：视觉传感器，被配置为拍摄地面标识图像。
根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的视觉伺服控制方法的步骤。
与相关技术相比，本公开实施例通过构建模型预测控制器的代价函数，最小化代价函数后，可以预测出控制时域内各个时刻的无人设备的运行参数，将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，即将模型预测控制算法与基于图像的视觉伺服控制相结合，使得无人设备的运行不再依赖于gps信号，并且能够克服传统基于图像的视觉伺服控制算法存在调节参数困难的问题，提高无人设备的运行控制性能。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开视觉伺服控制方法的一个实施例的流程示意图。
图2为本公开视觉伺服控制方法的另一个实施例的流程示意图。
图3为本公开视觉伺服控制方法中模型预测控制框架示意图。
图4为本公开模型预测控制器输出的预测时域内无人机的运行参数示意图。
图5为本公开串级pid速度跟踪控制器的示意图。
图6为本公开视觉伺服控制装置的一个实施例的结构示意图。
图7为本公开视觉伺服控制装置的另一个实施例的结构示意图。
图8为本公开视觉伺服控制装置的再一个实施例的结构示意图。
图9为本公开无人设备的一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
图1为本公开视觉伺服控制方法的一个实施例的流程示意图。
在步骤110，获取无人设备的视觉传感器在当前位置拍摄的地面标识图像。地面标识例如为特定形状或者特定颜色的标志物，比如黑白棋盘格、h形地标等，该标志物可以平铺于地面，也可以放置在可移动平台上，例如放置在可移动的地面机器人上。无人设备例如为无人机，具体可以为四旋翼无人机，视觉传感器例如为相机。
在步骤120，基于地面标识图像确定当前视觉特征点坐标。在获得地面标识图像后，进行图像处理，能够提取地面标识的角点信息，将角点信息作为视觉特征点，然后确定视觉特征点在图像坐标系中的坐标。
对于图像坐标系而言，其主要可以分为两种类别，分别是图像物理坐标系及图像像素坐标系。在图像物理坐标系(xs,ys)之中，原点是由像平面与光栅之间的焦点进行确定，坐标的单位为毫米；在图像像素坐标系(us,vs)之中，原点是由图像的左上角进行确定，坐标的单位为像素，整个坐标系的列数由us确定，整个坐标系的行数由vs确定。其中，us轴与xs轴对应，vs轴与ys轴对应。
在步骤130，利用预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值，以及控制时域内各个时刻的无人设备的运行参数，构建模型预测控制器的代价函数，其中，根据当前视觉特征点坐标以及对应的运行参数，获得预测时域内各个时刻的视觉特征点坐标。
在一个实施例中，可以建立视觉特征点的运动学方程，并进行离散化，构建当前视觉特点坐标与预测的下一时刻视觉特征坐标点之间的对应关系。通过离散化运动学方程可知，根据当前视觉特点坐标和当前时刻的无人设备的运行参数可以预测下一时刻视觉特征坐标点，因此，控制时域内各个时刻的无人设备的运行参数可以作为获得预测时域内各个时刻的视觉特征点坐标的参数。运行参数例如为能够反映无人设备的位置和姿态的速度信息。
在一个实施例中，假设当前时刻为第k时刻，当前视觉特点坐标为sk，根据当前视觉特点坐标sk预测第k+1时刻的视觉特点坐标为sk+1，然后根据第k+1时刻的视觉特点坐标sk+1预测得到第k+2时刻的视觉特点坐标为sk+2，依次类推，直到预测得到第k+i时刻的视觉特点坐标为sk+i。例如，根据公式sk+i＝sk+i-1+tlvk+i-1计算预测时域内各个时刻的视觉特征点坐标，其中，i的取值为1到np，其中，np为预测时域，t为视觉传感器采样周期，l为图像雅可比矩阵，vk+i-1为预测的第k+i-1时刻的运行参数。
在一个实施例中，将当前视觉特征点坐标以及期望视觉特征点坐标输入至模型预测控制器，并且设置预测时域参数和控制时域参数，同时建立模型预测控制的代价函数，该代价函数与预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值，以及控制时域内各个时刻的无人设备的运行参数相关。
在步骤140，通过最小化模型预测控制器的代价函数，预测得到控制时域内各个时刻的无人设备的运行参数。
在步骤150，将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，以使无人设备运行到期望位置。
在一个实施例中，可以设计串级pid运行参数跟踪控制器，使得无人设备实际运行参数根据目标运行参数。
在上述实施例中，通过构建模型预测控制器的代价函数，最小化代价函数后，可以预测出控制时域内各个时刻的无人设备的运行参数，将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，即将模型预测控制算法与基于图像的视觉伺服控制相结合，使得无人设备的运行不再依赖于gps信号，并且能够克服传统基于图像的视觉伺服控制算法存在调节参数困难的问题，提高无人设备的运行控制性能。
图2为本公开视觉伺服控制方法的另一个实施例的流程示意图。
在步骤210，确定无人机的相机在期望位置和当前位置拍摄的地面标识图像。当前位置包括初始位置，期望位置例如为降落地点。
在步骤220，基于地面标识图像确定期望视觉特征点坐标和当前视觉特征点坐标。
在一个实施例中，例如取四个点作为无人机的视觉伺服控制中的视觉控制点，通过相机成像模型得到图像平面的投影作为视觉特征点，这样无人机的运动变化可以由视觉特征点的预测控制得到。为了简化分析，可以选取一个视觉特征点进行建模分析。
期望视觉特征点坐标和当前视觉特征点坐标都是图像坐标系的坐标。例如，当前视觉特征点坐标为s(t)＝[u1,v1,..u4,v4]t，期望视觉特征点坐标为s*(t)＝[u*1,v*1,..u*4,v*4]t。
在步骤230，判断当前视觉特征点坐标与期望视觉特征点坐标之差是否为0，若是，则结束流程，否则，执行步骤240。
由于无人机的相机会实时拍摄地面标识，当无人机拍摄的地面标识图像对应的视觉特征点坐标与期望视觉特征点坐标之差为零时，说明无人机达到期望位置，否则，无人机继续拍摄地面标识图像，并执行步骤240。
在步骤240，构建模型预测控制器的代价函数，设置代价函数的预测时域参数和控制时域参数，并对模型预测控制器的代价函数进行视场约束和运行约束。
如图3所示，模型预测控制器包括模型预测器和优化模型。模型预测器用于预测预测时域内的视觉特征点坐标，其中，模型预测器的输出值和期望视觉特征点坐标的差值作为优化模型的输入参数，同时，在优化模型中也可以输入限制条件，例如，视野约束条件和速度约束条件。
在一个实施例中，需要先构建运动学方程，例如，设相机坐标系中视觉特征点的坐标为p＝[xc,yc,zc]t，则该视觉特征点p＝[xc,yc,zc]t到图像坐标系中的特征点s(t)＝[u,v]t的映射关系可以表示为公式(1)。
其中，f的值为标定的相机内参；zc的值为预估的相机到地面标识的距离。
在一个实施例中，相机安装在无人机上，在相机坐标系(ocxcyczc)中，相机光心是作为整个坐标系的原点，其中相机光轴与oczc重合，对应正向为相机摄影方向，相机的x轴与ocxc平行，y轴与ocyc轴平行。而对于机体坐标系(obxbybzb)而言，首先需要对整个坐标系的原点进行确定，坐标系的原点与无人机的重心重合，无人机的纵轴指向无人机运行的前方，与obzb轴的方向一致，这两者都是在对称平面之中；obxb轴的方面指向右方，obyb轴的方向指向地面，obyb轴的方向与obxb轴的方向垂直，总体在飞机的对称平面之中。
当携带着相机的无人机飞行时，假设相机坐标系中特征点p的平移速率为t＝[tx,ty,tz]t，转动速率为ω＝[wx,wy,wz]t，相机坐标系中特征点p的运动学方程可表示为公式(2)，其中，平移速率反映无人机的位置，转动速率反映无人机的姿态。
其中，
将公式(1)带入公式(2)，可以得到相机坐标系中特征点p的关于图像坐标的动力学方程，如公式(3)所示。
将s(t)＝[u,v]t对时间求导得到图像坐标系下的速度信息
假设装载在无人机上的相机的速度表示为
其中，
假设模型预测控制算法中每次迭代的视觉特征取样周期为t，则离散化公式(5)得到公式(7)。
sk+1＝sk+tl(sk,zk)vk(7)
其中，
通过公式(7)可知，获取视觉特征点在当前时刻对应的图像雅可比矩阵l(sk,zk)，对无人机在当前时刻的运行参数vk、图像雅可比矩阵l(sk,zk)、与视觉传感器采样周期t，进行求积运算，根据求积运算的结果和当前视觉特征坐标sk，预测无人机在下一时刻的视觉特征点坐标sk+1。重复执行预测无人机在下一时刻的视觉特征点坐标，直到预测出无人机在预测时域np内最后一个时刻的视觉特征点坐标sk+i，其中，0≤i≤np。
在一个实施例中，根据预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值确定预测时域内各个时刻的视觉特征点误差；根据预测时域内各个时刻的视觉特征点误差，确定视觉特征点误差的二次型函数；根据控制时域内各个时刻的无人机的运行参数，确定运行参数的二次型函数，运行参数的二次型函数为能量函数；基于视觉特征点误差的二次型函数与运行参数的二次型函数之和，确定模型预测控制器的代价函数。例如，该代价函数如公式(8)所示。
其中，参数np表示预测控制的预测时域参数，nc表示控制时域参数，r和q是对称正定加权矩阵。
在一个实施例中，考虑到无人机的视野约束条件和速度约束条件，对代价函数中的视觉特征点坐标和运行参数进行约束，例如建立约束方程如公式(9)、(10)所示。
其中，tmax,wmax表示无人机的最大速度，umin,vmin,umax和vmax表示相机可视范围内特征点在图像平面投影坐标的边界值。
在步骤250，将期望视觉特征点坐标和当前视觉特征点坐标输入至构建好的模型预测控制器，通过最小化模型预测控制器的代价函数，预测得到控制时域内各个时刻的无人机的飞行速度。
如图4所示，曲线1表示参考轨迹，曲线2表示预测输出的预测时域内各个时刻的视觉特征点坐标构成的曲线，曲线3为预测输出的控制时域内各个时刻的无人机的飞行速度。
在步骤260，将控制时域内第一个时刻的飞行速度作为满足无人机的视场约束条件和运行约束条件的目标飞行速度。即将优化模型输出的
在一个实施例中，可以利用matlab/mpt工具箱求解目标飞行速度，即将上述建立的各个方程都输入至matlab/mpt工具中，能够得到满足约束的无人机的飞行速度的最优解。
在步骤270，将目标飞行速度输入至串级pid速度跟踪控制器，使得无人机的实际飞行速度跟踪目标飞行速度。如图3所示，通过无人机模型中的串级pid速度跟踪控制器，无人机输出的实际飞行速度为vc(k)，此时，通过相机模型可以输出视觉特征点坐标。
如图5所示，在一个实施例中，将目标运行参数输入至串联的位置控制器和姿态控制器，其中，位置控制器和姿态控制器具有比例、积分、微分控制功能；将通过串联的位置控制器和姿态控制器输出的位置信息反馈至位置控制器，将输出的姿态信息反馈至姿态控制器。
在上述实施例中，通过构建模型预测控制器的代价函数，并对代价函数进行视场约束和运行约束，使得模型预测控制器输出目标飞行速度满足视场约束条件和运行约束条件，能够使无人机实际飞行速度更加准确的跟踪目标飞行速度，从而减少噪声和标定误差对视觉伺服控制的影响，并且，由于该实施例中不需要精确无人机动态模型与视觉特征点动态模型，因此增强了系统的抗干扰性能，使得系统的鲁棒性更强、适用性更好、可操作性更优。
在一个实施例中，无人机的期望位置可以为无人机的降落位置，从而使得无人机在不依赖gps信号的情况下完成自主降落。
图6为本公开视觉伺服控制装置的一个实施例的结构示意图。该装置包括地面标识图像获取单元610、特征点坐标确定单元620、运行参数预测单元630和视觉伺服控制单元640。
地面标识图像获取单元610被配置为获取无人设备的视觉传感器在当前位置拍摄的地面标识图像。地面标识例如为特定形状或者特定颜色的标志物，比如黑白棋盘格、h形地标等，该标志物可以平铺于地面，也可以放置在可移动平台上，例如放置在可移动的地面机器人上。无人设备例如为无人机，具体可以为四旋翼无人机，视觉传感器例如为相机。
特征点坐标确定单元620被配置为基于地面标识图像确定当前视觉特征点坐标。在获得地面标识图像后，进行图像处理，能够提取地面标识的角点信息，将角点信息作为视觉特征点，然后确定视觉特征点在图像坐标系中的坐标。
运行参数预测单元630被配置为利用预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值，以及控制时域内各个时刻的无人设备的运行参数，构建模型预测控制器的代价函数，其中，根据当前视觉特征点坐标以及对应的运行参数，获得预测时域内各个时刻的视觉特征点坐标；通过最小化模型预测控制器的代价函数，预测得到控制时域内各个时刻的无人设备的运行参数。运行参数例如为能够反映无人设备的位置和姿态的速度信息。
在一个实施例中，可以建立视觉特征点的运动学方程，并进行离散化，构建当前视觉特点坐标与预测的下一时刻视觉特征坐标点之间的对应关系。假设当前时刻为第k时刻，当前视觉特点坐标为sk，根据当前视觉特点坐标sk预测第k+1时刻的视觉特点坐标为sk+1，然后根据第k+1时刻的视觉特点坐标sk+1预测得到第k+2时刻的视觉特点坐标为sk+2，依次类推，直到预测得到第k+i时刻的视觉特点坐标为sk+i。
在一个实施例中，根据预测时域内各个时刻的视觉特征点坐标和期望视觉特征点坐标的差值确定预测时域内各个时刻的视觉特征点误差；根据预测时域内各个时刻的视觉特征点误差，确定视觉特征点误差的二次型函数；根据控制时域内各个时刻的无人机的运行参数，确定运行参数的二次型函数，运行参数的二次型函数为能量函数；基于视觉特征点误差的二次型函数与运行参数的二次型函数之和，确定模型预测控制器的代价函数。
在一个实施例中，运行参数预测单元630还被配置为对模型预测控制器的代价函数进行约束，获得满足无人设备的视场约束条件和运行约束条件的目标运行参数。
视觉伺服控制单元640被配置为将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，以使无人设备运行到期望位置。
在一个实施例中，可以设计串级pid运行参数跟踪控制器，使得无人设备实际运行参数根据目标运行参数。例如，将目标运行参数输入至串联的位置控制器和姿态控制器，其中，位置控制器和姿态控制器具有比例、积分、微分控制功能；将通过串联的位置控制器和姿态控制器输出的位置信息反馈至位置控制器，将输出的姿态信息反馈至姿态控制器。
在一个实施例中，由于无人机的相机会实时拍摄地面标识，当无人机拍摄的地面标识图像对应的视觉特征点坐标与期望视觉特征点坐标之差为零时，说明无人机达到期望位置。
在上述实施例中，通过构建模型预测控制器的代价函数，最小化代价函数后，可以预测出控制时域内各个时刻的无人设备的运行参数，将控制时域内第一个时刻的运行参数作为目标运行参数，对无人设备进行视觉伺服控制，即将模型预测控制算法与基于图像的视觉伺服控制相结合，使得无人设备的运行不再依赖于gps信号，并且能够克服传统基于图像的视觉伺服控制算法存在调节参数困难的问题，达到滚动优化的效果，提高无人设备的运行控制性能。
另外，对于多约束和动态不确定性的环境下，对非线性、强耦合的无人机来说，相关技术中基于图像的视觉伺服控制的控制效果不够稳定，而该实施例中对代价函数中的参数进行视场约束和运行约束，使得模型预测控制器输出目标运行参数满足视场约束条件和运行约束条件，能够使无人设备实际运行参数更加准确的跟踪目标运行参数，从而减少噪声和标定误差对视觉伺服控制的影响，增强了系统的抗干扰性能，使得系统的鲁棒性更强、适用性更好、可操作性更优。
图7为本公开视觉伺服控制装置的另一个实施例的结构示意图。该装置包括存储器710和处理器720，其中：
存储器710可以是磁盘、闪存或其它任何非易失性存储介质。存储器710用于存储图1、2所对应实施例中的指令。处理器720耦接至存储器710，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器720用于执行存储器中存储的指令。
在一个实施例中，还可以如图8所示，该装置800包括存储器810和处理器820。处理器820通过bus总线830耦合至存储器810。该装置800还可以通过存储接口840连接至外部存储装置850以便调用外部数据，还可以通过网络接口860连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，提高了无人设备的运行控制性能。
在本公开的另一个实施例中，保护一种无人设备，如图9所示，该无人设备包括上述实施例中的视觉伺服控制装置910，无人设备例如为无人机。
在另一个实施例中，该无人设备还包括视觉传感器920，其中，视觉传感器920例如为相机，被配置为拍摄地面标识图像。
在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1、2所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开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，本公开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非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、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。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
- 还没有人留言评论。精彩留言会获得点赞！