用于确定意图目标的设备和方法与流程

本公开涉及用于确定物体的意图目标的设备和方法。

背景技术：

用户通过以下称为指向姿势的指向选择动作与机器相互作用，即，所谓的人机交互(HMI)是常见的。例如，用户可以指向按钮或其他控件或交互式显示器例如可以显示在触敏显示装置上的图形用户界面(GUI)。然而，尤其当这种姿势用于移动车辆时，这可能会导致用户输入中的不稳定和不可预测的扰动，从而导致错误的选择，这可能会损害系统可用性并且牵制不期望的用户注意量，特别是在用户是车辆的驾驶员的情况下亦是如此。

本发明的实施方式的目的是至少缓解现有技术的问题中的一个或更多个问题。本发明的实施方式的目的是减少指向姿势的持续时间。本发明的实施方式的目的是提高指向姿势的准确性。

技术实现要素：

根据本发明的方面，提供了如在所附权利要求中阐述的方法及设备。

根据本发明的方面提供了一种确定与用户界面相关的物体的意图目标的人机交互方法，该方法包括：确定物体在多个时间间隔处的三维位置；确定与用户界面的多个项目中的每个项目相关联的度量，所述度量指示相应的项目是物体的意图目标，其中，度量是基于模型和物体在多个时间间隔处在三个维度中的位置来确定的；以及基于与用户界面的多个项目中的每个项目相关联的度量使用贝叶斯推理过程来从多个项目中确定意图目标。

一种用于确定与用户界面相关的物体的意图目标的人机界面(HMI)系统，该系统包括：位置确定装置，位置确定装置用于确定物体的三维位置；存储器装置，存储器装置用于储存指示物体在多个时刻处在三个维度中的位置；处理装置，处理装置设置成：确定关于相应的项目是物体的意图目标的与用户界面的多个项目中的每个项目相关联的度量，其中，度量是基于模型和物体在多个时间间隔处的位置来确定的；以及基于与用户界面的多个项目中的每个项目相关联的度量使用贝叶斯推理过程来从多个项目中确定意图目标。

根据本发明的方面，提供了一种确定物体的意图目标的方法，该方法包括：确定物体在多个时间间隔处的位置；确定与多个目标中的每个目标相关联的度量，该度量指示相应的目标是物体的意图目标，其中，度量是基于模型和物体在多个时间间隔处的位置来确定的；基于与多个目标中的每个目标相关联的度量使用贝叶斯推理过程来从多个目标中确定意图目标。

可选地，意图目标是基于物体的位置确定的。意图目标可以在物体到达目标之前被确定。

方法可以包括确定物体的轨迹。物体的轨迹可以包括指示物体在多个时间间隔处的位置的数据。使用物体的轨迹可以改进意图目标的确定。

方法可以包括对物体的轨迹进行滤波。滤波可以使物体的轨迹平滑，以及/或者滤波可以减少物体的非意图运动和/或从轨迹中减少噪声。有利地，对轨迹进行滤波可以减少非意图运动例如跳跃或颠簸的影响。

模型可以为贝叶斯意向性预测模型。模型可以为线性模型。模型可以基于一个或更多个滤波器，可选地，一个或更多个滤波器是卡尔曼滤波器。

模型可以是非线性模型。模型包含物体的不规则运动。非线性模型可以基于一个或更多个统计滤波器，可选地，为粒子滤波器。

模型可以是基于根据历史数据的学习分布的模型，其可以是高斯或其他。模型可以是最近邻(NN)模型。NN模型可以基于介于物体的位置与目标中的每个目标之间的距离来确定度量。度量可以指示介于物体与目标中的每个目标之间的距离。

模型可以是方位角(BA)模型。度量可以指示介于物体的轨迹与目标中的每个目标之间的角度。

模型可以是前导立体角(HSA)模型。度量可以指示介于物体与目标中的每个目标之间的立体角。

模型可以是线性目的回复(LDR)模型或非线性目的回复(NLDR)模型。方法可以包括确定目标中的每个目标的模型。度量可以指示与物体的轨迹最佳匹配的模型。NLDR模型可以包括轨迹的非线性扰动。

模型可以是均值回复扩散(MRD)模型。MRD可以将物体的位置建模为向意图目标回复的过程。

模型可以是平衡回复速度(ERV)模型。度量可以基于物体向目标的行进速度。

模型可以是桥接模型。桥接模型可以基于一个或更多个桥。例如，桥接模型可以基于一组马尔可夫桥。每个桥可以确定为终止于被跟踪物体的名义意图目的并且可以基于多个目标的空间区域和/或多个时间间隔的持续时间。

方法可以包括确定物体的状态。

方法可以包括接收一项或更多项环境信息。环境信息可以包括下述信息中的一者或更多者：指示加速度的信息、指示车辆状态的信息、和/或指示车辆周围环境的图像数据。度量的确定可以是至少部分地基于一项或更多项环境信息来进行的。模型可以是至少部分地基于一项或更多项环境信息来选择的。

确定意图目标可以是基于成本函数来进行的。成本函数可以强加错误确定意图目标的成本。意图目标可以确定为减少成本函数。

确定意图目标可以是基于一项或更多项先验信息来进行的。先验信息可以与目标中的至少一些目标相关联。先验信息可以指示先前选择的目标。有利地，先验信息可以改进意图目标的确定。

方法可以包括选择多个最近的时间间隔，其中，确定与多个目标中的每个目标相关联的度量可以是基于物体在多个最近的时间间隔处的位置来进行的。

物体可以是指向物体。物体的位置可以在三个维度中确定。确定物体的位置可以包括跟踪物体的位置。确定物体的位置可以包括接收来自物体的辐射。

方法可以包括输出意图目标的指示。意图目标的指示可以包括识别意图目标，可选地，意图目标可以被视觉识别。有利地，用户可以意识到所确定的意图目标。用户可以随后促使意图目标的选择。

方法可以包括输出意图目标和一个或更多个可能目标的指示。方法可以包括启动意图目标。

多个目标可以包括图形显示项目或物理控件中的一个或更多个。物体的位置可以在三个维度中确定。

根据本发明的方面，提供了一种用于确定物体的意图目标的系统，该系统包括：位置确定装置，位置确定装置用于确定物体的位置；存储器装置，存储器装置用于储存指示物体在一个或更多个时刻处的位置；处理装置，处理装置设置成确定关于相应的目标是物体的意图目标的与多个目标中的每个目标相关联的度量，其中，度量是基于模型和物体在多个时间间隔处的位置来确定的，并且处理装置设置成基于与多个目标中的每个目标相关联的度量使用贝叶斯推理过程来从多个目标中确定意图目标。

处理装置可以设置成执行根据本发明的第一方面的方法。

位置确定装置可以包括用于接收来自物体的辐射的装置。位置确定装置可以包括一个或更多个成像装置。

指示物体在每个时刻处的位置的位置数据可以存储在存储器装置中。

系统可以包括用于输出加速度数据的一个或更多个加速度计。有利地，加速度数据可以在确定过程中使用，例如以便例如通过选择模型来改进确定。

系统可以包括显示装置，该显示装置用于在该显示装置上显示图形用户界面(GUI)，其中，多个目标为GUI项目。

系统的模型可以是桥接模型。桥接模型可以基于一个或更多个桥。例如，桥接模型可以基于一组马尔可夫桥。每个桥可以确定为终止于被跟踪物体的名义意图目的，并且每个桥可以基于多个目标的空间区域和/或多个时间间隔的持续时间。

处理装置可以设置成从一个或更多个感测装置接收环境数据，可选地，感测装置可以包括用于确定车辆和/或成像装置的状态的装置。

根据本发明的方面，提供了一种车辆，该车辆包括设置成在使用时执行根据本发明的第一方面的方法的处理装置、或包括根据本发明的第二方面的系统。

根据本发明的方面，提供了一种确定物体的意图目标的方法，该方法包括：确定物体在多个时间间隔处的位置；确定一目标是意图目标的与所述目标相关联的概率。

该概率可以基于模型和物体在多个时间间隔处的位置来确定。

根据本发明的方面，提供了一种包括处理装置的设备，该处理装置设置成在使用时确定物体的意图目标，其中，处理装置设置成确定物体在多个时间间隔处的位置并且设置成确定一目标是意图目标的与所述目标相关联的概率。

如本文所使用的，术语“处理装置”将被理解为包括单个处理器、控制单元或控制器，以及共同操作以提供所需的控制功能的多个处理器、控制单元或控制器。可以提供一组指令，所述指令在被执行时使所述控制器或控制单元实施本文中所描述的控制技术(包括下文描述的方法)。该组指令可以嵌入一个或更多个电子处理器中，或者替代性地，该组指令可以提供作为待由一个或更多个电子处理器执行的软件。例如，第一控制器可以在于一个或更多个电子处理器上运行的软件中实施，并且一个或更多个其他控制器也可以在于一个或更多个电子处理器——可选地，与第一控制器相同的一个或更多个处理器——上运行的软件中实施。然而，将理解的是，其他设置也是可用的，并且因此，本发明并非意在限制于任何特定设置。在任何情况下，上述一组指令可以嵌入计算机可读存储介质(例如，非暂时性存储介质)中，该计算机可读存储介质可以包括用于以能够被机器或电子处理器/计算装置读取的形式存储信息的任何机制，其包括但不限于：磁存储介质(例如，软盘)；光存储介质(例如，CD-ROM)；磁光存储介质；只读存储器(ROM)；随机存取存储器(RAM)；可擦除可编程存储器(例如，EPROM和EEPROM)；闪存；或者用于存储这样的信息/指令的电的或其他类型的介质。还将理解的是，术语“位置确定装置”可以理解为指的是用于确定物体的位置的一个或更多个位置确定装置，并且术语“存储器装置”可以被理解为指的是用于存储指示物体在一个或更多个时刻处的位置的数据的一个或更多个存储器装置。

在本申请的范围内，明确地意图在前面段落中、在权利要求中、和/或在以下描述和附图中阐述的各种方面、实施方式、示例和替代方案、以及特别是其各自的特征可以独立地或以任何组合被采用。也就是说，所有实施方式和/或任何实施方式的特征可以以任何方式组合和/或以组合的方式组合，除非这些特征是不相容的。申请人保留改变任何原始提交的权利要求或相应地提交任何新的权利要求的权利，所述权利包括将任何原始提交的权利要求修改为引用任何其他权利要求和/或结合任何其他权利要求的任何特征的权利，尽管原本未以该方式要求保护。

附图说明

现在将参照附图仅通过示例的方式对本发明的各实施方式进行描述，在附图中：

图1示出了在指向姿势期间的指尖轨迹的图示；

图2示出了根据本发明的实施方式的系统的图示；

图3示出了目标的立体角；

图4示出了根据本发明的实施方式的方法的图示；

图5示出了本发明的各种实施方式的性能的图示；以及

图6示出了本发明的各种实施方式的性能的另外的图示；

图7示出了本发明的各种实施方式的性能的又一图示；

图8示出了根据本发明的实施方式的车辆；

图9为根据本发明的实施方式的物体的受扰轨迹和经滤波轨迹的图示；

图10为根据本发明的实施方式的各种模型的目的成功预测的平均百分比的图示；

图11为根据本发明的实施方式的具有各种模型的成功预测的姿势部分(在时间上)的图示；以及

图12为根据本发明的实施方式的预测不确定性的平均对数的图示。

具体实施方式

本发明的实施方式涉及用于确定物体的意图目标的方法和设备。物体可以是指向物体例如触笔或手指，但是将认识到这并非是限制性的。将通过示例的方式参照在车辆中执行的指尖指向姿势来对本发明的实施方式进行说明。然而，将认识到的是，指向物体可以是除手指之外的物体，诸如例如触笔之类的长形物体。此外，本发明的实施方式不限于在车辆内使用，而可以用于例如确定指向物体在例如诸如平板计算机或智能手机之类的计算装置上的意图目的。此外，将参照确定指向物体在显示装置上的意图目的来对本发明的实施方式进行说明。具体地，判定显示在显示装置上的一个或多个图形对象中何者为意图目标或者何者具有作为意图目标的可能性。将认识到的是，本发明的实施方式不限于显示在显示装置的表面上的意图目标。显示装置可以是用于将图像投影到表面例如车辆的内部表面上且检测意图目标的装置，该意图目标可以是显示在该表面上的图形对象。例如，该表面可以是车辆的仪表板或内部部分，但是将认识到的是可以设想其他表面。意图目标还可以是例如多个物理按钮或其他控件中的一者。在一些实施方式中，图像可以包括3D日像仪图像和/或立体图像。

参照图1，图示了三个单独的指向任务的三维(3D)指尖轨迹，所述指向任务用以选择显示在车辆内的显示装置上的多个图形项目中的一个图形项目。从t₁到t_k在多个时间间隔t_n中的每个时间间隔处确定指尖的位置。在每个时间间隔处，在3D中确定指尖的位置作为位置矢量矢量m_n用于表示例如手指的被记录的指向物体位置，其可能包括噪声和/或扰动。

在一些实施方式中，m_n可以参照设置成检测指尖位置的传感器的原点来确定，但是在其他实施方式中，m_n可以参照另外的位置例如车辆内的位置——例如关于显示装置的位置——来确定。此外，在一些实施方式中，矢量m_n可以包括其他传感器数据，例如由一个或更多个加速度计、陀螺仪等输出的传感器数据。换句话说，矢量m_n可以表示除物体的位置之外的信息。

图1(a)图示了三个单独的指向任务的指尖轨迹150(为清楚起见仅一个指尖轨迹被标记)，所述指向任务用以选择被表示为显示在静止车辆中的显示装置100上的圆圈110(为清楚起见仅一个圆圈被标记)的不同的图形项目或按钮。可以理解的是，即使在静止车辆内，轨迹仍是不规则的。图1(b)图示了当车辆在不平坦的道路上以变化的速度移动时用以选择不同的显示的图形项目的三个单独的指向任务的轨迹160(同样仅一个轨迹被标记)。可以理解的是，轨迹经历显著的扰动。其他扰动可能由于例如用户在持有计算装置并尝试做出指向姿势的同时走动而产生。

图2图示了根据本发明的实施方式的系统200。系统200是用于确定指向物体的意图目标的系统。系统200包括：用于确定指向物体的位置的确定装置210、用于判定指向物体的意图目标的处理装置220、和用于显示指向物体的至少一个可能目标的显示装置230，但是如上所述，但在其他实施方式中，指向物体的可能目标可以是诸如按钮或其他控件之类的物理物体，因而显示器是可选的。处理装置220可以判定指向物体的目标是意图的还是已经被意外当做目标。例如，图形项目或按钮是有意地被用户触摸还是诸如由于车辆的运动之类地被意外触摸。因此，如果处理装置220判定目标是非有意的，则可以放弃输入。响应于处理装置对意图目标进行判定，在一些实施方式中，可以使显示装置230响应于该判定而作用，以例如通过突出显示意图目标或一个或更多个可能目标来帮助选择过程，或者可以使显示装置230响应于该判定而扩大显示在显示装置230上的信息的一部分。

在一些实施方式中，系统200可以包括或接收来自一个或更多个附加传感器的数据，所述一个或更多个附加传感器例如为一个或更多个加速度计、监测车辆的悬架的传感器、例如面向前以面向道路从而实现道路状况分类的一个或更多个相机等。一个或更多个传感器可以帮助确定系统200的操作环境。例如，可以使用加速度计/相机来确定正在经历或即将经历的大量振动。一个或更多个加速度计可以例如通过选择适当的模型来使系统能够适应当前状况，如将要说明的。

用于确定物体的位置的装置210是位置感测装置210。位置感测装置可以响应于接收到的辐射而基于来自一个或更多个装置的数据来确定物体的位置。辐射可以是从形成系统200的一部分的一个或更多个装置发射的，该辐射例如为声波或电磁辐射。在一个实施方式中，位置感测装置可以是与正被跟踪的物体相关联的加速度计。位置感测装置可以包括用于输出与物体相关的图像数据的一个或更多个成像装置。一个或更多个成像装置可以是一个或更多个相机，所述一个或更多个相机设置成输出包括与物体相对应的图像数据在内的图像数据，使得可以根据该图像数据确定物体的位置。位置感测装置可以是市售装置，例如从Leap Motion公司可获得的Microsoft Kinect(RTM)控制器或Leap Motion(RTM)控制器。将认识到的是，可以使用其他装置。

位置感测装置210可以设置成输出下述数据：物体的位置可以由处理装置220根据该数据来确定，或者位置感测装置210可以输出指示物体的位置的位置数据。在一个实施方式中，位置感测装置210设置成输出指示物体的位置的呈形式的在时刻t_k处的位置数据。m_k的值——其可以以mm为单位——可以参照预定基准来指定物体的位置。基准可以是相对于位置感测装置210而言的、或者可以是相对于另一基准例如关于显示装置230的点而言的。

位置感测装置或处理装置220可以设置成例如当位置感测装置210暂时失去物体的轨迹时通过执行数据关联来提取或识别物体。例如，可能在位置感测装置210的视野内检测到数个物体，例如具有数个可能的手指的指向用手、方向盘、后视镜等。提取和/或识别期望的物体例如指向手指或其他物体可以作为预备步骤来执行。

显示装置230是用于显示可以形成图形用户界面(GUI)的一部分的一个或更多个可选项目的显示装置。显示装置可以是用于输出包括可形成GUI的一部分的一个或更多个可选项目在内的视觉图像的触敏屏幕。显示装置230响应于用户触摸屏幕的表面而可以输出指示被触摸的位置的数据或者可以输出指示所选择的项目的数据。在另一实施方式中，显示装置230可以包括设置成将图像投影到表面例如车辆的内表面上的投影装置，其中，图像包括显示在该表面上的可选择对象。例如，表面可以是车辆的仪表板或内部部分，但是将认识到的是，可以设想其他表面。

处理装置220可以是包括一个或更多个处理器以及存储器的处理装置，其中，处理装置可访问该存储器。存储器可以存储设置成在由处理装置执行时实施根据本发明的实施方式的方法的计算机软件。存储器还可以在使用时存储指示在一个或更多个时刻的物体位置的数据。

处理装置220可以包括用于确定物体的轨迹的轨迹模块221。将认识到的是，术语轨迹可以被理解为指的是物体在多个时刻的位置。轨迹模块221设置成确定一个或更多个可能的目标是物体的意图目标的可能性。

具体地，轨迹模块221可以在时刻t_k确定可选项目B_i是意图目标的概率为P(B_i|m_1：k)，其中b_i＝[b_x，ib_y，ib_z，i]^T表示第i个可选图标B_i的中心的坐标，并且包括在连续离散时间处物体的所有可用坐标。在一些实施方式中，轨迹模块221可以例如在已经执行了预处理操作以例如使物体的轨迹平滑之后确定作为物体的处理后位置。预处理可以从位置数据m_1：k消除噪声、不期望运动、振动、跳跃等中的一者或更多者，以产生c_1：k。不期望运动例如是图1(b)中图示的运动。应当理解的是，下面的m_1：k可以替换为c_1：k。

在一些实施方式中，轨迹模块221可以确定多个N个项目中的每个项目的概率为P(B_i|m_1：k)，其中，是诸如可选择的GUI项目之类的项目集。

可以执行滤波操作以减少物体的不规则或非期望的运动。这种运动可能是由于道路条件或驾驶条件——例如道路不平坦或车辆被例如以运动方式剧烈地驾驶——而产生的。这种运动也可能是由于用户正在步行或移动而产生的。

滤波操作可以是蒙特卡罗滤波操作例如顺序蒙特卡罗(SMC)。如将要描述的，滤波是在意图推断过程之前执行的。在时刻t_n处的滤波操作的输出指示因而在消除不期望运动或不期望的噪声之后由表示的指向物体的真实位置。

对于轻微的扰动，滤波操作可以基于物体的运动的线性状态空间模型。该模型可能会引起线性统计滤波操作，例如线性卡尔曼滤波。较不规则的不期望的指向物体运动例如显著的跳动或颠簸可以被建模为可能引起非线性执行方式——例如诸如顺序蒙特卡罗(SMC)或马尔可夫链蒙特卡罗(MCMC)之类的蒙特卡罗滤波或任何其他数值方法——的跳跃。

根据物体的模型和轨迹来确定一个项目是意图目标的概率P(B_i|m_1：k)或P(B_i|c_1：k)。模型可以是线性模型或非线性模型。在一些实施方式中，模型可以模拟诸如由于扰动所引起的例如跳跃或颠簸之类的非意图运动，即，例如由于车辆运动引起的运动。

该模型可以是下述各项中的一者：最近邻(NN)、方位角(BA)，前导和立体角(HSA)、线性目的回复(LDR)例如均值回复扩散(MRD)以及平衡回复速度、非线性目的回复(NLDR)和桥接分布(BD)。除下面的信息之外，在所附的草案文件中提供了根据本发明的实施方式的与这些模型相关联的进一步信息。

意图推断模块222设置成确定物体的意图目标。使用贝叶斯方法确定意图目标。意图推断模块222可以设置成基于与多个目标中的每个目标相关联的可能性P(B_i|m_1：k)从多个N个目标中确定意图目标。这可以等同于通过下式计算N个名义目标的集合的最大后验概率(MAP)：

，其中，是预测目的，根据贝叶斯规则P(B_i|m_1：k)∝P(m_1：k|B_i)P(B_i)的P(B_i|m_1：k)∝P(m_1：k|B_i)P(B_i)。

以下部分提供了可以由轨迹模块221使用的多个模型的讨论。最近邻(NN)模型

在NN模型中，基于与物体在时刻t_k的当前位置的距离向每个项目分配可能性P。与NN的传统方法不同，在这里，最近邻模型的概率解释被公式化，以便计算每个名义目的的概率。

该方法选择诸如最接近物体——例如指向手指——的当前位置的界面可选图标之类的项目，即，B_i∈B，其中，最小欧几里得距离d_k，i＝||c_k-b_i||₂，i＝1，2，...，N。在概率框架中，这可以表示为：

其中P(.)是已知分布例如高斯分布、或者是从先前记录的数据获知的分布。然而，分布平均值f(b_i)是第i个目的的位置的函数，例如f(b_i)＝b_i。最简单的NN模型由给出，其中，物体位置c_k具有多元正态分布，其中，平均值等于可能的目的和固定协方差的平均值。固定协方差是设计参数。假设在各个时刻的记录的手指位置是独立的，则寻找P(c_1：k|B_i)减小至否则，连续测量之间的相关性将决定对从每个测量获得的目的概率进行组合。

方位角(BA)模型

BA模型基于物体直接朝向意图目的移动的假设。BA模型可以使用物体在时刻t_k的当前位置和物体在t_k-1的先前位置。物体的位置与项目的位置之间的方位角可以用于计算概率。

该模型基于指向手指直接朝向意图目的前进的前提，即，手指位置与目标之间的累积角度最小。对于每两个连续测量，相对于目的的方位角可以假定为随机变量，其中，零平均值和固定方差按照下式：

其中p(.)是已知分布例如高斯分布、或者从先前记录的数据获知的分布。然而，对于B_i的θ_i，k＝∠(v_k，b_i)，v_k＝c_k-c_k-1和是设计参数。可以写成如下：

本算法可以被认为代表线性回归外推技术的最佳结果；例如假设准确地估计了与意图目的d_M的距离。根据(6)和(7)，BA形成楔形置信区间，其宽度由设定。落在该区域内的任何可选图标被分配高概率。

前导和立体角(HSA)模型

HSA模型基于物体在时刻t_k距离项目的距离和项目的立体角。HSA模型可以使用物体在时刻t_k的当前位置和物体的在t_k-1的先前位置。

在HSA模型中，与观测者在附近的情况相比，对象B_i在观测者远离其位置的情况下具有较小的立体角，如图3中所示。位于距离d_i，k处的球的立体角(球面度)通过下式逼近：

其中，A是目标对象的面积。任意形状的目标可以由许多球体紧密逼近。作为暴露角的参数α_k与预测问题无关，并且假定α_k＝0。行程方向由在t_k处测量到的速度矢量V_k指定，并且两个连续指向位置的HSA可能性概率可以通过下式获得：

与BA模型类似，方位与B_i的位置的发散度是由θ_i，k＝∠(v_k，b_i)限定的，k是设计参数。在指向手指紧密接近可能的目标的情况下，更大的θ_i，k值由于结果Ω_i，k而被容许。HSA模型可以看作是BA和NN模型的组合。可以类似于(7)来计算概率P(c_1：k|B_i)。

应当指出的是，除具有相对矩的高斯分布之外的分布例如从所收集到的指向轨迹中获知的分布可以应用在NN预测模型、BA预测模型和HSA预测模型中。

线性目的回复(LDR)模型

在该方法中，指向物体的运动被建模为意图目的的函数。由采用的模型捕捉到的指向运动的特征由在时刻t的状态s_t表示。这些特征可以包括指向物体位置、多维速度、多维加速度等。隐含的前提是指向物体以可以在模型中指定的速率回复至意图目的。因而限定马尔可夫过程，其中，当前的指向运动特性是一个或更多个先前运动和目的的线性函数。因而，集合中的N个可能目的中的每个目的都与模型相关联。与当前的指向任务中的指向物体指向轨迹的特征相匹配的模型被分配高概率，反之亦然。下面描述两种可能的LDR楷模。

均值回复扩散(MRD)

MRD将物体运动建模为回复至特定的平均值——例如可能的目的——的过程。可以仅考虑指向运动的位置特征，并且因此s_k＝c_k。假设当前指向物体位置应当在这样的目的处：该目的施加吸引力以将指向物体带到其位置。在连续时间内，指向物体运动被建模为具有均值回复项的多变量奥恩斯坦-乌伦贝克过程。对于N个可能的目的，描述为：

ds_i，t＝Λ(b_i-s_t)dt+σdwt，_i＝1，2，...，N. (10)

方矩阵对引导过程的演进的均值回复速率进行设定，b_i是第i个可能目的的位置，σ是推动过程离散的方矩阵，并且W_t是维纳过程。在整合(10)并且使结果离散时，我们有：

其中，s_i，k和s_i，k-1分别是在时刻t_k和t_k-1相对于B_i的状态矢量。时间步长由τ_k＝t_k-t_k-1表示，并且是加性高斯噪声。

平衡回复速度(ERV)

名义目的中的每个名义目的被假定为具有重力场，其中，重力场的强度与远离其中心b_i的距离成反比。期望物体朝向目的位置b_i的行进速度在该物体远离b_i时最高，并且在靠近b_i时最低。物体的运动相对于第i个目的被建模为：

其中，使得和分别是沿着x轴、y轴和z轴的速度。然而，A＝diag{A_x，A_y，A_z}，包含B_i和的坐标的是维纳过程。η_x、η_y和η_z中的每一者指示沿着其对应轴线的恢复力；ρ_x、ρ_y和ρ_z表示用以使速度转变平滑的阻尼因子。在积分(12)之后，可以用下式表示离散结果：

考虑到LDR模型的高斯和线性性质，例如(11)和(13)，线性最优递归滤波器可以用于确定所寻找的{P(m_1：k|B_i)：i＝1，2，...，N}，假设线性收集的测量m_k＝H_ks_k+n_k，使得n_k为多变量加性高斯白噪声。对于目的B_i，由于根据链式规则可以依次计算概率P(m_1：k|B_i)，以下适用P(m_1：k|B_i)＝P(m_k|m_1：k-1，B_i)，...，P(m₂|m₁，B_i)×P(m₁|B_i)。这意味着在时间t_k，仅需要预测概率P(m_k|m_1：k-1，B_i)来确定第i个名义目的的P(m_1：k|B_i)。所追寻的P(m_k|m_1：k-1，B_i)可以从线性卡尔曼滤波器(LKF)获得，其目的在本申请中不在于跟踪物体，而在于产生预测概率。因此，预测器折中N个卡尔曼滤波器，所述N个卡尔曼滤波器各自专用于特定的名义怀疑目的。

可以应用除MRD和ERV之外的包括有更多运动特性例如加速度或者加速度变化率的线性目的回复模型。这些线性目的回复模型的执行方式类似于通过一组统计滤波器的MRD和ERV模型。

非线性目的回复(NLDR)模型

在该方法中，假定物体的运动包括目的、指向运动的特征、以及表示由于外部因素引起的在指向轨迹中的扰动的诸如跳跃或颠簸之类的非线性现象。示例是在移动越过粗糙地形的车辆中执行指向任务，如图1b所示。扰动过程的示例是跳跃过程P_t，其表示使指向物体偏离计划轨迹的因素。例如，dp_t＝σ_pdW_2，t+σ_JdJ_t，其中，跳跃过程是并且I是跳跃/颠簸的数量。跳跃效应允许对指向物体位置、速度、加速度的偶尔的大脉冲冲击，从而允许对剧烈颠簸或突发运动的建模。可以考虑捕捉当前扰动特征的特征的其他非线性模型。对于NLDR中的每个名义目的的模型状态s_i，t包含指向物体位置c_t＝[x_t，y_t，z_t]^T、c_t的其他特征(例如速度或加速度等)、扰动P_t、P_t的其他特征、以及目的B_i。

与LDR模型类似，隐含的前提是指向物体以模型中可以指定的速率回复至意图目的。因而限定马尔可夫过程，其中，当前指向运动特征是一个或更多个先前运动、当前的非线性扰动和目的的线性函数。因此，集合中的N个可能目的中的每个目的与模型相关联。与当前指向任务中的指向物体指向轨迹的特征相匹配的模型被分配高概率，反之亦然。因此，应用一组N个统计滤波器以顺序地获得所寻找的{P(m_1：k|B_i)，i＝1，2，...，N}。诸如顺序蒙特卡罗方法之类的方法或其他数值技术可以用于获得所追寻的P(m_1：k|B_i)，一旦包括非线性扰动，P(m_1：k|B_i)给出了状态演进方程的非线性性质。使非线性滤波方法的计算复杂度降至最低可以通过假设诸如跳跃或颠簸的扰动在一组N个统计滤波器中是相同的来实现。因此，它们仅需要被跟踪或识别一次。

桥接分布(BD)模型

在该方法中，物体的运动被建模为桥式分布，例如马尔可夫桥。在一些实施方式中，物体的移动被建模为数个马尔可夫桥中的一个马尔可夫桥，每个马尔可夫桥包括多个可能目的中的一个目的，所述可能目的为例如显示在触摸屏上的GUI上的可选择图标。物体的路径尽管是随机的但必须在意图目的处结束，即，物体的路径遵循从其起点到目的的桥式分布。通过确定观测到的部分物体轨迹是取自于特定桥的可能性，每个可能的目的的概率被评估。桥接模型可以基于线性目的回复(LDR)模型或非线性目的回复(NLDR)模型。

其中{B_i：i＝1，2，..N}是N个名义目的的集合，所述名义目的例如为GUI图标，例如车载触摸屏上的GUI图标，但是将意识到的是可以设想其他GUIs。目的在于基于一系列k个测量值来确定这些端点中的每个端点是被跟踪物体的意图目的B_I的概率，即计算所有名义目的的P(B_i|m_1：k)，其中，i＝1,2，...，N。在时间t_k处的第k个观测值可以作为物体或指向手指的3D坐标。该3D坐标源自真实的但未知的隐含物体位置c_k；其在时间t_k的速度被表示为

被跟踪物体——即指向指尖——在指向任务的末端处的位置是意图目的B_I。令T为监督任务的总持续时间，即被跟踪物体到达其目的地所需的持续时间。被跟踪物体在时间T的隐藏状态由给出，其中，c_T和分别是在时间T处的真实手指的位置和速度；使得b_i表示第i个目的例如GUI图标在3D中的已知位置，v_i是被跟踪物体在到达目的时的速度。因而，B_i是意图目的的概率是：

由于T是未知的。先验p(B_i)概括了在任何指向数据被观测到之前关于B_i中的各个端点是意图端点的概率的现有知识；这些先验p(B_i)独立于当前轨迹m_1：k。不提供信息的先验可以通过假设所有可能的目的是同样可能的，即p(B_i)＝1/N，i＝1，2，...，N来构造。然而，如果先验是可基于相关的背景信息——例如被跟踪物体的行进历史、GUI界面设计或用户简档——而获得的，则他们可以按照(BD1)而被容易地结合。因而目的在于估计N个可能目的中的每个目的的积分的简单正交逼近通过下式给出：

其中，和T_n是积分点，理想地选择为覆盖p(T|B_i)中的大多数概率质量。也可以采用更复杂的积分或蒙特卡罗估计。可以假定相同到达时间先验，即否则，可以应用有关任务期间的学习或推断先验。

采用线性运动模型，用户手指在时间t_k的状态被假定为遵循线性高斯运动模型：

s_k＝F_ks_k-1+ε_k (BD 3)

其中，这种一般形式允许许多有用的运动模型，最简单的运动模型是(近)恒速模型，其是连续时间随机微分方程的解，

其中，dW_t是在时间t处的标准布朗运动的瞬时变化，0₃是3×3零矩阵，I₃是3×3单位矩阵，是3×1零向量。等式(BD 3)中的对应的F_k和Q_k矩阵是通过F_k＝M(Δ_k)和Q_k＝R(Δ_k)和Q_k＝R(Δ_k)给出的，其中，时间步长Δ_k＝t_k-t_k-1(步长可以变化，从而允许异步观测)，以及

其中，σ设定运动模型状态转换噪声水平。x维度、y维度和z维度上的运动被认为是彼此独立的。观测值被假定为是具有加性高斯噪声的当前系统状态的线性函数，使得

m_k＝H_ks_k+η_k (BD 5)

其中，应当指出的是，其他运动模型适合于可以在该框架中使用的意图推断。这些运动模型包括目的回复模型和扰动消除模型的线性部分。

在没有对信息进行限制的情况下，基于等式(BD 3)和(BD 5)中的观测值m_1：k的隐含状态s_k的分布可以通过卡尔曼滤波器(KF)按照来计算，其中(使用卡尔曼滤波器的‘校正’步骤)：

此处，和是从在t-1处的推断的系统分布导出的，并且由KF的预测步骤给出：

当k＝1时，这些量由先验给出，使得和其表示跟踪开始位置的先验知识，

为了对在目的到达时间处的系统状态s_T进行限制，必须评估当前被跟踪物体的状态(和到达时间)的密度p(s_T|s_k)。对于从连续时间过程导出的运动模型例如近恒速模型而言，这通过运动模型的直接积分而成为可能的(这在线性时不变高斯情况下是可能的)。对于近恒速模型而言，这是由给出的，其中，根据等式(BD 4)，M_k＝M(T-t_k)并且R_k＝R(T-t_k)，并且T-t_k是在第T个观测值与第t_k个观测值之间的时间步长。替代性地，可以根据F_2：T和Q_2：T形成向前或向后的递归，F_2：T和Q_2：T可以与离散模型一起使用而无需连续时间解释。

随后，基于k-1观测值和意图目的(其指定S_T)的S_k的条件预测分布可以示出为减少至：

这可以通过类比于标准卡尔曼滤波器的“校正”步骤而看出。

通过考虑最新的观测值，校正阶段(考虑m_k)可以示出为：

其中，并且

这也可以通过与卡尔曼滤波器的“校正”步骤类比而看出，注意到

与标准KF一起，上述预测和校正步骤允许在每次观测时计算手指位置的条件分布，视目的和到达时间而定。其仍然计算：

其中，可以示出：

这等同于KF中的预测误差分解。注意，可能性计算是滤波的目的，不需要方程(BD 13)中的校正步骤。

使用等式(BD 14)中的可能性，可以在获得新观测值时通过等式(BD 1)和(BD 2)来评估每个名义目的的概率。如果线性模型被用于根据等式(BD 1)至(BD 15)来描述被跟踪物体的运动或动力学特性，则可以使用两步卡尔曼滤波器来计算方程(BD 1)中的积分。这包括在基于桥接分布的预测器框架内利用目的回复模型，例如MRD和ERV。对于非线性运动模型例如非线性目的回复模型而言，可以采用修改后的高级统计推断方法，例如顺序蒙特卡罗或马尔可夫链蒙特卡罗技术。因此，可以在基于桥接分布的预测框架内使用描述被跟踪物体动力学的各种模型，因而可以认为是相比于原始的目的回复方法的更一般方法。

虽然BD方法需要关于指向任务的总持续时间的一些先验知识，即，那些持续时间的分布，而不是固定值，但是与单独使用目的回复模型相比，BD方法实现了更好的预测结果，如下面所示。所需的先验知识，即，P(T|B_i)，可以在由系统用户进行的训练阶段期间获得或者从先前观测到的轨迹获得。

使用桥接分布的预测器也允许将意图目的限定为空间区域。该方法考虑了目的的尺寸并且当目的可以具有不同尺寸/空间区域时提供这种方案。这是通过将每个目的限定为具有平均值和协方差的随机变量而实现的。目的的中心的位置可以是分布平均值(或平均值的函数)，并且方差代表目的的空间区域(或者，空间区域是协方差的函数)。与原始的基于目的回复的技术例如MRD和ERV相比，这是更实用的方案，其中，每个目的都被认为是单个位置/点。

如下面将参照图12所描述的，桥接模型能够提前预测物体的意图目的例如车载指向姿势的意图目的。在这种情况下，可以减少指向姿势时间或持续时间。

如果LDR或NLDR或BD的观测模型不是线性的或当前的噪声是非高斯噪声，例如m_k＝f_k(s_k)+n_k，其中，f_k(.)是非线性函数，则可以利用替代性统计滤波方法例如顺序蒙特卡罗方法或其他数值技术来获得所追寻的P(m_1：k|B_i)。

虽然处理装置220产生每个目标是所述目的的概率，但是可能期望在消除不期望的移动或当前的扰动之后，顺序地实时地获得基本的未受扰动的指向物体轨迹或其由s_k表示的特征。这可以通过对用于意向性预测的N个统计滤波器的结果进行组合来实现、或者通过执行作为在计算{P(m_1：k|B_i)，i＝1，2，...，N}之前的预处理阶段的平滑操作来实现。在前者中，其等同于计算在时刻t_k的状态s_k的后验分布；s_k包括指向物体位置c_k。分布是由给出的，其中，使得P(s_k|m_1：k，B_i)是通过统计滤波器的顺序状态更新而产生的，并且，针对i＝1,2，...，N的P(B_i|m_1：k)是确定的常数。P(s_k||m_1：k)的求和得到混合高斯模型，该模型具有分别作为结果分布的平均值和模的S_k的最小均方误差或最大后验估计量。

在计算{P(m_1：k|B_i)，i＝1，2，...，N}之前消除扰动用以确定意图目的、或者目的需要将指向过程建模为有意的指向物体运动与非有意的扰动或噪声相加的和。在这种情况下，使用指向物体跟踪器模块210观测到的指向物体位置可以被建模为：

m_k＝s_k+p_k+ε_k

其中，与非有意的扰动相关的运动及其特征被表现在P_k中，并且测量噪声由ε_k表示。可以使用包括跳跃扩散模型在内的各种扰动模型。真正的指向运动和/或其特性可以使用线性模型来建模，因而s_k＝F_ks_k+v_k，其中，s_k包含指向物体的位置、速度、加速度等。然而，F_k是状态转换矩阵，v_k是目前的噪声。在这种情况下，可以使用近恒定速度模型或近恒定加速度模型来对指向运动进行建模，其独立于目的。统计滤波方法可以用于通过消除或抑制与非有意的扰动相关的运动而从m_k中提取s_k。这样的技术包括在线性状态和扰动模型的情况下的卡尔曼滤波。各种适应性版本的卡尔曼滤波、顺序蒙特卡罗方法或其他数值技术可以用于非线性的状态或观测模型。

图9图示了物体的轨迹910，其呈现出例如由于车辆——物体在该车辆中运动——的运动所引起的扰动。还示出了物体的经滤波的轨迹920，经滤波的轨迹920呈现出朝向意图目标的更直接的路线。

本发明人已经注意到，在根据由位置感测装置210输出的数据所确定的加速度与由惯性测量单元(IMU)或加速度计测量到的加速度之间仅存在微弱的相关性。因而，尽管使用IMU数据来补偿位置测量中的噪声可能不是有效的，但是IMU数据可以用于修改应用的预处理和/或模型。

处理装置220可以包括意图推断模块222，用于确定物体在时刻t_k的意图目标

确定意图目的、或多个可能的目的、或在时刻t_k的可能目的的区域依赖于所计算的概率P(B_i|m_1：k)，其中，i＝1,2，...，N。该决定可以基于从0到1的范围的成本函数它惩罚不正确的决定，其中，B_i是预测的目的，B^*是所考虑的指向任务的真实意图目标。例如，预测错误的目的可能施加最大成本1。因此，目的在于根据下式使在基于部分观测到的指向轨迹m_1：k的给定的指向任务中的成本函数的平均值最小化

其中，是平均值。假设硬判断准则，其中，在B_i＝B^*的情况下而另外导致从集合{B_i：i＝1，2，...N}中选出一个目标。在这种情况下，等同于确定MAP目的估计。代替在MAP情况下选择的成本函数公式和可选择的目标，可以选择反映期望水平的预测确定性的其他成本函数公式并且随后选择一组可选择的目标。

贝叶斯方法依赖于分类器所遵循的基于信念的推断。由于目的是利用可用的指向轨迹来确定目的，一致的先验可以在一些实施方式中被假设在所有项目上，例如P(B_i)＝1/N，其中，i＝1，2，...，N。在这种情况下，分类问题对应于最大可能性估计，并且解决方案仅仅依赖于确定P(m_1：k|B_i)，其中，i＝1，2，...，N。然而，在其他实施方式中，可以对项目使用非一致的先验。例如有关先前的从GUI进行选择的信息可以用作先验，使得意图目的的可能性受用户选择的历史影响。将认识到的是，先验可以替代性地或另外地基于其他信息。

在一些实施方式中，仅最后L个被记录的真实的物体位置，即，和k-L＞0可以用于确定在这些实施方式中，滑动时间窗被应用于轨迹数据，并且可以适当地选择窗的宽度。

图4图示了根据本发明的实施方式的方法400。方法400可以由参照图2所描述的系统200执行。

在步骤410中，确定物体在某一时刻的位置。物体的位置可以由接收从物体反射的诸如光或声音之类的辐射的位置感测装置210来确定，并且，从接收到的辐射，在时刻t_k将位置数据确定为指示物体的位置的位置数据可以存储在存储器中以形成指示物体在一段时间内的轨迹的数据。

在步骤420中，确定了一个或更多个项目是物体的意图目标的可能性。如上所述，可能性P可以被确定为P(B_i|m_1：k)。步骤420可以由轨迹模块221执行，如先前所解释的。在一些实施方式中，多个项目中的每个项目是意图目的的可能性P(B_i|m_1：k)是在步骤420中确定的。一个或多个项目是意图目的的可能性是基于模型和在步骤410中确定的物体的位置来确定的。

在步骤430，确定意图目标。意图目标可以由多个项目中的每个项目的可能性P(B_i|m_1：k)来确定。步骤430可以由如上所述的意图推断模块222执行。步骤430可以包括确定最大后验(MAP)。

在一些实施方式中，方法400包括步骤440，在步骤440中，基于步骤430的结果来确定输出。该输出可以包括意图目标的选择或操作。也就是说，在意图目标是GUI上的用户可选择项目的情况下，项目可以被选择，就好似用户已经触摸到显示装置以选择项目那样。替代性地，在意图目标是按钮或控件的情况下，按钮或控件可以被启动。

可以经由显示装置230提供输出。输出可以是响应于步骤430中的对意图目标的确定而对显示在显示装置上的GUI的修改。输出仅可以在与意图目标相关的可能性达到预定概率P时才发生，由此避免项目在可能性相对较低时被选择。在一些实施方式中，步骤440的输出可以包括对GUI的外观的修改。例如，意图目标可以被突出显示在GUI上。当与意图目标相关的可能性达到预定概率P时，可以突出显示意图目标。预定概率可以低于用于选择意图目标的概率，使得：在第一较低概率下，意图目标被可视地指示；而在第二较高概率下，意图目标将被自动选择。在另一实施方式中，当与一组意图目标相关联的表示其是意图目标的可能性为至少预定概率P时，该组意图目标可以在GUI上被可视地指示。

在步骤450中，判定该方法是否完成。如果方法未完成，则该方法返回至步骤410。然而，如果该方法完成，则该方法结束。当与一个或更多个项目相关联的可能性达到预定阈值概率时，方法400可能完成。例如，当可能性达到就步骤440——在该步骤440中，意图目标被自动选择——所讨论的第二概率时，方法400可以结束。

图5图示了对预测GUI上的意图项目进行的尝试相对于完成的指向运动的百分比——即，100×t_k/t_M——以及对所有考虑的指向任务求取平均值(t_M是总指向任务完成时间)的结果。图示了使用NN模型、BA模型、MRD模型和ERV模型的结果。图5在完成指向轨迹持续时间的15％之后开始，在此之前这些技术中的任一项都没有产生有意义的结果。为了表示平均预测不确定性的水平，图6显示通过下式给出的不确定性度量的平均值：

ε(t_k)＝-log₁₀(P(B^*(t_k)|m_1：k))

其中，P(B^*(t_k)|m_1：k)是根据预测模型的真实的意图项目在时刻t_k的计算概率。如果真实目标被预测具有高确定性，即P(B^*(t_k)|m_1：k)→1，则预测中的置信度将非常高，如ε(t_k)→0。注意到，预测器在推断目的方面成功的水平不一定意味着高预测确定性，反之亦然。在所有模拟中，不假设预测器知道在做出决定时所完成的轨迹的比例。可以从图5注意到，提出的贝叶斯方法提供了意图目标的最早的成功预测，特别是在指向运动持续时间的关键性的前15％至75％。这种成功可以是最近检查的的竞争者的两倍或三倍。MRD模型和ERV模型两者都展示出类似的表现，其中，MRD预测质量在70％至80％的区域内轻微和暂时退化。这可能是由于在单个实验中的失败预测所引起的。这两个模型相比于其他技术提供了显著的性能改进。NN方法倾向于仅在指向任务的最后部分中做出成功的预测，原因在于用户的手指在该阶段——即，紧挨着选择动作之前——固有地接近于意图物体。在实践中，早期预测例如在指向任务持续时间的前75％中在使用户运动/认知努力最小化方面较为有效，由此实现了早期指向简易化技术且增强整体用户体验。在指向姿势持续时间的最后25％中的成功意图推断的益处是值得商榷的，原因在于用户已经专注于用以执行选择任务所需的努力。建议的预测器在指向任务的大部分持续时间(或者，在ERV的情况下为所有持续时间)中显著地胜过NN法。关于预测不确定性，图6示出了引入的贝叶斯预测可以做出与其他技术相比具有大致更高的置信水平的正确的分类决定。优于NN模型的这种优势随着指向手指在指向姿势期间的最后部分——例如在完成指向运动的超过75％之后——更加接近于界面而不可避免地减少。

图7提供了与图5类似的图，其图示了基于NN模型、BA模型、HSA模型和MRD模型的预测。同样可以从图7注意到，MRD模型提供了意图目的的最早成功预测，特别是在指向姿势的关键性的前85％中。

评估了用于在各种道路类型上驾驶的带有仪表的车中所收集到的57指向轨迹的桥接分布(BD)预测器的性能。数据涉及承担用以选择显示在车载触摸屏上的突出显示的GUI图标的指向任务的四个乘客。GUI的布局类似在图1和图2中的布局，其中，该布局中具有间隔小于2cm的21个可选择的圆形图标。

预测器性能是就其通过在(BD 2)中的MAP估计器成功地确定意图图标I的能力来评估的，即，是根据预测器在指向姿势期间有多早将高概率分配至意图GUI图标I来评估的。这在图10中相对于完成的指向姿势的(在时间上的)百分比而示出并且对所考虑的所有指向任务求取平均值。图11示出了预测器用以正确地确定意图目的总的指向姿势(在时间上)的比例。为了表示平均预测不确定性的水平，图12显示了由给出的不确定性度量的平均值，其中，i是真正的意图目的，期望的是，针对可靠的预测器而言，随着t_k→T，

图10示出了所引入的基于桥接分布的推断实现了最早的成功意图预测。这在指向姿势的前75％中特别明显，其中，可以实现指向时间的显著减少，并且指向简易化机制可以是最有效的。各种预测器之间的性能差距在靠近指向任务结束时减少。BA模型是例外，其中，前导角作为意图的测量的可靠性随着指向手指更接近目标而降低。图11示出了BD方法在指向轨迹上实现了最高的总体正确预测(NN和BA的性能在所考虑的相对较大的数据集上是相似的)。

图12图示了所提出的BD模型相比于其他方法在整个指向任务始终做出了具有显著更高的置信度的正确预测。总的来说，图10、图11和图12示出了所引入的BD推断方法预先预测了车载指向姿势的意图，例如在60％的情况下仅在姿势的20％，这可以减少指向时间/努力达80％。

可以理解的是，本发明的实施方式提供了用于确定物体的意图目标的方法及设备，其中，物体可以是诸如触笔或手指之类的指向物体，但是本发明不限于这个方面。意图目标可以是来自多个可能的目标的一个或更多个意图目标。可能的目标可以是GUI中的项目或物理控件。有利地，本发明的实施方式可以减少与HMI相关联的错误，例如通过在所选择的目标不是意图目标——即，用户由于例如车辆运动而意外地选择了GUI项目——时进行检测来减少与HMI相关联的错误。有利地，本发明的实施方式还可以通过在用户能够物理地触及目标之前选择目标来减少做出姿势的时间。

本发明的实施方式不仅可用于诸如陆地车辆之类的车辆中，如图8所示的包括根据本发明的实施方式的系统或者设置成执行根据本发明的实施方式的方法的处理装置的车辆，而且本发明的实施方式也可用于飞行器和船舶中。本发明的实施方式还可以与诸如便携式计算装置如手持电子装置之类的计算装置一起使用，所述手持电子装置如智能手机或平板电脑装置。

将理解的是，本发明的实施方式可以以硬件、软件或硬件和软件的组合的形式实现。任何这样的软件可以以易失性或非易失性存储装置的形式存储，所述存储装置为诸如例如像ROM的存储装置，不论是否可擦除或可重写，或者，任何这样的软件可以以存储器的形式存储，所述存储器为诸如例如RAM、存储器芯片、存储器装置或集成电路，或者，任何这样的软件可以存储在光学或磁性可读介质上，所述光学或磁性可读介质为诸如例如CD、DVD、磁盘或磁带。应当理解的是，存储装置和存储介质是机器可读存储装置的实施方式，存储装置和存储介质适于存储当被执行时实施本发明的实施方式的程序。因此，实施方式提供了一种包括用于实施如任一前述权利要求所要求保护的系统或方法的代码的程序以及一种存储这种程序的机器可读存储器。另外，本发明的实施方式可以经由任何介质例如通过有线或无线连接而承载的通信信号而被电子传送，并且实施方式适当地包含所述介质。

本说明书(包括任何所附权利要求、摘要和附图)中公开的所有特征和/或如此公开的任何方法或过程的所有步骤可以以任何组合的方式组合，除了这样的特征和/或步骤中的至少一些特征和/或步骤是相互排斥的组合之外。

本说明书(包括任何所附权利要求、摘要和附图)中公开的每个特征可以由相同作用的替代特征、等同方案或类似目的取代，除非另有明确说明。因而，除非另有明确说明，所公开的每个特征仅是通用的一系列等同方案或类似特征的一个示例。

本发明不限于任何前述实施方式的细节。本发明延伸至在本说明书(包括任何所附权利要求书、摘要和附图)中公开的特征中的任何新颖的特征或特征的任何新颖的组合，或者延伸至如此公开的任何方法或过程的步骤中的任何新颖的步骤或以步骤的任何新颖的组合。权利要求不应被解释为仅覆盖前述权利要求，而应当解释为涵盖落入权利要求的范围内的任何实施方式。