驾驶意图确定方法及装置与流程

本申请涉及交通技术领域，特别涉及一种驾驶意图确定方法及装置。

背景技术

随着无人驾驶技术和驾驶辅助系统的飞速发展，为了提高无人驾驶车辆或使用驾驶辅助系统的车辆在行驶过程中的安全性，往往需要对该车辆所处的行车环境中的其它车辆的驾驶意图进行预测，以便可以根据其它车辆的驾驶意图，对该车辆进行合理安全的决策控制，该驾驶意图可以包括左换道、右换道、直线行驶等。

目前，提供了一种基于贝叶斯网络的驾驶意图确定方法。具体地，车辆对于所处的行车环境中的每个其它车辆，分别建立该其它车辆的目的地意图、轨迹意图和速度意图对应的贝叶斯网络模型；将该行车环境中的各个交通目标的状态信息作为这三个贝叶斯网络模型的输入，来得到这三个贝叶斯网络模型中的证据节点；对于这三个贝叶斯网络模型中的每个贝叶斯网络模型，通过该贝叶斯网络模型中各个证据节点间的条件概率分布，计算该贝叶斯网络模型中各个意图节点的概率(即将要发生各个意图的概率)，并从中选择概率最大的意图节点作为该贝叶斯网络模型的意图预测结果；基于这三个贝叶斯网络模型的意图预测结果，确定该其它车辆的驾驶意图。

然而，贝叶斯网络模型中各个节点间的条件概率分布往往难以准确获取，因而会导致上述方法中贝叶斯网络模型的意图预测结果的准确度较低，进而导致后续根据该意图预测结果确定的驾驶意图的准确度较低。另外，如果需要确定多个其它车辆的驾驶意图，则上述方法中对该多个其它车辆均需建立三个独立的贝叶斯网络模型，在此情况下，该多个其它车辆的驾驶意图的确定过程十分繁琐，确定效率较低。

技术实现要素：

为了提高现有技术中确定的驾驶意图的准确度以及确定效率，本申请提供了一种驾驶意图确定方法及装置。所述技术方案如下：

第一方面，提供了一种驾驶意图确定方法，所述方法包括：

获取所处的行车环境中的交通目标的状态信息，所述交通目标包括运动状态的交通目标和静止状态的交通目标，所述静止状态的交通目标的状态信息至少包括交通标识的指示信息和道路边界信息；

根据所述行车环境中的交通目标的状态信息，确定所述行车环境的风险场，所述风险场的场强为所述行车环境中的风险程度值，所述风险场包括动能场和势能场，其中，基于所述交通目标在所述行车环境中的坐标、所述交通目标的类型对应的风险增益常数、所述交通目标的转向灯状态对应的驾驶意图表征向量、所述交通目标的等价质量、速度和加速度，通过第一公式得到所述交通目标的动能场；

所述第一公式：

其中，所述为所述交通目标在所述行车环境中产生的风险程度值，所述ai为所述交通目标的类型对应的风险增益常数，所述mi为所述交通目标的等价质量，所述为(xi,yi)至(xj,yj)的方向向量，所述(xi,yi)为所述交通目标在所述行车环境中的坐标，所述(xj,yj)为所述行车环境中的任一位置在所述行车环境中的坐标，所述为所述方向上的单位向量，所述vix为所述交通目标在横轴上的速度分量，所述viy为所述交通目标在纵轴上的速度分量，所述aix为所述交通目标在横轴上的加速度分量，所述aiy为所述交通目标在纵轴上的加速度分量，所述θix为所述交通目标在横轴上的速度分量与所述之间的角度，所述θiy为所述交通目标在纵轴上的速度分量与所述之间的角度，所述θiax为所述交通目标在横轴上的加速度分量与所述之间的角度，所述θiay为所述交通目标在纵轴上的加速度分量与所述之间的角度，所述为所述交通目标的转向灯状态对应的驾驶意图表征向量，所述ε1、所述ε2、所述ε3、所述ε4、所述ε5和所述ε6均为大于0的常数；

对于所述行车环境中的任一其它车辆，基于所述风险场确定所述其它车辆在所述行车环境中的行驶轨迹；

根据所述其它车辆在所述行车环境中的行驶轨迹，确定所述其它车辆的驾驶意图。

在本发明实施例中，仅需构建该行车环境的风险场就能实现对其它车辆的驾驶意图的确定，从而大大简化了驾驶意图确定过程，提高了确定效率。另外，由于该行车环境的风险场对影响驾驶意图的各个交通目标的状态信息进行了全面考虑，所以根据该风险场确定的其它车辆的驾驶意图的准确度较高。再者，在有效确定出其它车辆在该行车环境中的行驶轨迹和驾驶意图的情况下，后续可以据此进行合理的决策控制，从而可以提高车辆的主动安全性。

其中，所述根据所述行车环境中的交通目标的状态信息，确定所述行车环境的风险场，包括：

对于所述行车环境中的每个交通目标，基于所述交通目标的状态信息，判断所述交通目标是运动状态的交通目标还是静止状态的交通目标；

当所述交通目标是运动状态的交通目标时，基于所述交通目标的状态信息，确定所述交通目标的动能场，所述交通目标的动能场的场强为所述交通目标在所述行车环境中产生的风险程度值；

当所述交通目标是静止状态的交通目标时，基于所述交通目标的状态信息，确定所述交通目标的势能场，所述交通目标的势能场的场强为所述交通目标在所述行车环境中产生的风险程度值；

将所述行车环境中是运动状态的各个交通目标的动能场与是静止状态的各个交通目标的势能场相叠加，得到所述行车环境的风险场。

在本发明实施例中，该行车环境的风险场是由行车环境中是运动状态的各个交通目标的动能场与是静止状态的各个交通目标的势能场相叠加得到，此时该风险场将该行车环境中的各个交通目标的产生的潜在风险进行了综合考虑，可以体现出各个交通目标之间的相互作用，从而可以使得后续基于该风险场确定的驾驶意图的准确度较高。

其中，所述基于所述交通目标的状态信息，确定所述交通目标的势能场，包括：

基于所述交通目标的状态信息，判断所述交通目标是静止障碍物还是交通标识；

当所述交通目标是静止障碍物时，基于所述交通目标的状态信息包括的位置信息和尺寸，确定所述交通目标的势能场；

当所述交通目标是交通标识时，基于所述交通目标的状态信息包括的位置信息和类型，确定所述交通目标的势能场。

由于静止障碍物的势能场仅与其质量相关，因此，当该交通目标为静止障碍物时，可以基于该交通目标的状态信息包括的位置信息和尺寸，来确定该交通目标的势能场。另外，由于交通标识的势能场仅与其类型相关，因此，当该交通目标为交通标识时，可以基于该交通目标的状态信息包括的位置信息和类型，来确定该交通目标的势能场。

其中，所述基于所述交通目标的状态信息包括的位置信息和尺寸，确定所述交通目标的势能场，包括：

基于所述交通目标的位置信息，确定所述交通目标在所述行车环境中的坐标；

将所述交通目标的尺寸包括的长度、宽度与高度相乘，得到所述交通目标的等价质量；

基于所述交通目标在所述行车环境中的坐标和所述交通目标的等价质量，通过第二公式得到所述交通目标的势能场；

所述第二公式：

其中，所述为所述交通目标在所述行车环境中产生的风险程度值，所述mi为所述交通目标的等价质量，所述为(xi,yi)至(xj,yj)的方向向量，所述(xi,yi)为所述交通目标在所述行车环境中的坐标，所述(xj,yj)为所述行车环境中的任一位置在所述行车环境中的坐标，所述为所述方向上的单位向量，所述ε1为大于0的常数。

其中，所述基于所述交通目标的状态信息包括的位置信息和类型，确定所述交通目标的势能场，包括：

基于所述交通目标的位置信息，确定所述交通目标在所述行车环境中的坐标；

从存储的多个风险增益常数中，确定所述交通目标的类型对应的风险增益常数；

基于所述交通目标在所述行车环境中的坐标和所述交通目标的类型对应的风险增益常数，通过第三公式得到所述交通目标的势能场；

所述第三公式：

其中，所述为所述交通目标在所述行车环境中产生的风险程度值，所述bi为所述交通目标的类型对应的风险增益常数，所述为(xi,yi)至(xj,yj)的方向向量，所述(xi,yi)为所述交通目标在所述行车环境中的坐标，所述(xj,yj)为所述行车环境中的任一位置在所述行车环境中的坐标，所述为所述方向上的单位向量，所述ε1为大于0的常数。

其中，所述基于所述风险场确定所述其它车辆在所述行车环境中的行驶轨迹，包括：

将所述其它车辆的位置点作为所述风险场的初始迭代点，使用梯度下降法对所述风险场进行迭代计算，得到多个迭代点；

将所述多个迭代点形成的轨迹确定为所述其它车辆在所述行车环境中的行驶轨迹。

需要说明的是，梯度下降法是一个最优化算法，通常也称为最速下降法，其利用负梯度方向来决定每次迭代的新的搜索方向，使得待优化的目标函数的函数值在每次迭代后均能够减小。

此时，将该其它车辆的位置点作为该风险场的初始迭代点，使用梯度下降法对该风险场进行迭代计算后得到的多个迭代点，即为从该其它车辆的位置点开始，能够使得该风险场的场强以最快速度减小的多个位置点。由于驾驶员一般会控制车辆沿着该风险场的场强最弱处行驶，因此，可以将该多个迭代点形成的轨迹提取出来作为该其它车辆在该行车环境中的行驶轨迹。

其中，所述基于所述其它车辆在所述行车环境中的行驶轨迹，确定所述其它车辆的驾驶意图，包括：

确定所述其它车辆在所述行车环境中的行驶轨迹对应的轨迹特征向量；

基于所述轨迹特征向量，通过驾驶意图分类器确定所述其它车辆的驾驶意图。

在本发明实施例中，可以通过驾驶意图分类器，简单高效地完成对该轨迹特征向量的智能分类和匹配，从而可以快速识别出其它车辆的驾驶意图。

其中，所述确定所述其它车辆在所述行车环境中的行驶轨迹对应的轨迹特征向量，包括：

从所述其它车辆在所述行车环境中的行驶轨迹中获取n个采样点，所述n为大于1的自然数；

基于所述n个采样点在所述行车环境中的坐标，确定所述行驶轨迹的n-1个轨迹方向角；

基于所述n-1个轨迹方向角，确定所述轨迹特征向量。

在本发明实施例中，该行驶轨迹的轨迹特征向量可以基于该行驶轨迹的n-1个轨迹方向角来确定，此时该轨迹特征向量能够准确表现出该行驶轨迹的运动方向的特征，从而可以使得对该行驶轨迹的特征提取更为准确和可靠。

其中，基于该n个采样点在该行车环境中的坐标，确定该行驶轨迹的n-1个轨迹方向角的操作可以为：对于该n个采样点中的前n-1个采样点中的每个采样点，通过第四公式得到该采样点在该行车环境中的坐标至相邻的下一个采样点在该行车环境中的坐标的方向向量；基于该方向向量，通过第五公式得到该采样点的目标角；基于该采样点的目标角，通过第六公式得到该采样点的轨迹方向角；

第四公式：

第五公式：

第六公式：

其中，为(xk,yk)至(xk+1,yk+1)的方向向量，(xk,yk)为该采样点在该行车环境中的坐标，(xk+1,yk+1)为该下一个采样点在该行车环境中的坐标，βk为该采样点的目标角，θk为该采样点的轨迹方向角，为横轴方向上的单位向量，k为该采样点在该n个采样点中的排列位置。

其中，基于该轨迹特征向量，通过驾驶意图分类器确定该其它车辆的驾驶意图的操作可以为：将该轨迹特征向量作为该驾驶意图分类器的输入；驾驶意图分类器分别计算该轨迹特征向量与该驾驶意图分类器包括的多个分类超平面之间的欧式距离；驾驶意图分类器将该多个分类超平面中与该轨迹特征向量之间的欧式距离最小的分类超平面对应的驾驶意图确定为该其它车辆的驾驶意图。

第二方面，提供了一种驾驶意图确定装置，所述驾驶意图确定装置具有实现上述第一方面中驾驶意图确定方法行为的功能。所述驾驶意图确定装置包括至少一个模块，所述至少一个模块用于实现上述第一方面所提供的驾驶意图确定方法，且所述至少一个模块可以通过处理器和存储器实现。

第三方面，提供了一种驾驶意图确定装置，所述驾驶意图确定装置的结构中包括处理器和存储器，所述存储器用于存储支持驾驶意图确定装置执行上述第一方面所提供的驾驶意图确定方法的程序，以及存储用于实现上述第一方面所提供的驾驶意图确定方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序来实现上述第一方面所提供的驾驶意图确定方法。所述驾驶意图确定装置还可以包括通信总线，所述通信总线用于在所述处理器与所述存储器之间建立连接。

第四方面，提供了一种计算机可读存储介质，所述计算机可读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第一方面所述的驾驶意图确定方法。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的驾驶意图确定方法。

上述第二方面、第三方面、第四方面和第五方面所获得的技术效果与上述第一方面中对应的技术手段获得的技术效果近似，在这里不再赘述。

本申请提供的技术方案带来的有益效果是：获取所处的行车环境中的交通目标的状态信息后，可以基于该行车环境中的交通目标的状态信息，确定该行车环境的风险场。由于该风险场的场强为该行车环境中的风险程度值，因此，对于该行车环境中的任一其它车辆，可以基于该风险场确定该其它车辆在该行车环境中的行驶轨迹。之后，可以基于该其它车辆在该行车环境中的行驶轨迹，确定该其它车辆的驾驶意图。本发明实施例中仅需构建该行车环境的风险场就能实现对其它车辆的驾驶意图的确定，从而大大简化了驾驶意图确定过程，提高了确定效率。另外，由于该行车环境的风险场对影响驾驶意图的各个交通目标的状态信息进行了全面考虑，所以根据该风险场确定的其它车辆的驾驶意图的准确度较高。再者，在有效确定出其它车辆在该行车环境中的行驶轨迹和驾驶意图的情况下，后续可以据此进行合理的决策控制，从而可以提高车辆的主动安全性。

附图说明

图1是是本发明实施例提供的一种智能决策控制系统的示意图；

图2是本发明实施例提供的一种车辆的结构示意图；

图3a是本发明实施例提供的一种驾驶意图确定方法的流程图；

图3b是本发明实施例提供的一种行驶轨迹的n个采样点的示意图；

图3c是本发明实施例提供的一种驾驶意图分类器包括的多个分类超平面的示意图；

图4a是本发明实施例提供的一种确定交通目标的动能场的操作的流程图；

图4b是本发明实施例提供的一种交通目标的动能场的示意图；

图4c是本发明实施例提供的另一种交通目标的动能场的示意图；

图5a是本发明实施例提供的一种确定交通目标的势能场的操作的流程图；

图5b是本发明实施例提供的一种交通目标的势能场的示意图；

图6是本发明实施例提供的另一种确定交通目标的势能场的操作的流程图；

图7是本发明实施例提供的一种构建驾驶意图分类器的操作的流程图；

图8是本发明实施例提供的一种驾驶意图确定装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

在对本发明实施例进行详细地解释说明之前，首先，对本发明实施例涉及的名词进行说明。

风险场：用于指示行车环境中的潜在风险，其场强为行车环境中的风险程度值，其可以由该行车环境中各个运动目标的动能场和各个静止目标的势能场相叠加得到。风险场的场强越大，表明潜在风险越大，风险场的场强越小，表明潜在风险越小。

动能场：用于指示运动目标在行车环境中产生的潜在风险，其场强为运动目标在行车环境中产生的风险程度值，该运动目标包括行驶的车辆、行走的人等。运动目标的动能场的场强大小和方向主要由运动目标的属性(如类型、质量等)和运动状态(如速度、加速度等)决定。

势能场：用于指示静止目标在行车环境中产生的潜在风险，其场强为静止目标在行车环境中产生的风险程度值，该静止目标包括静止障碍物、交通标识等。静止目标的势能场的场强大小和方向主要由静止目标的属性(如类型、质量等)决定。

其次，对本发明实施例涉及的应用环境进行说明。

随着无人驾驶技术和驾驶辅助系统的飞速发展，无人驾驶车辆或使用驾驶辅助系统的车辆日益普及，对于行车环境中的其它车辆的驾驶意图预测的重要性，在无人驾驶车辆的智能决策方面和在使用驾驶辅助系统的车辆的主动安全性方面日益凸显。对其它车辆的驾驶意图的准确预测是无人驾驶车辆或使用驾驶辅助系统的车辆在复杂的行车环境下进行合理安全的决策控制的前提。为此，本发明实施例提供了一种驾驶意图确定方法，来准确对其它车辆的驾驶意图进行确定，以为复杂行车环境下行车策略提供合理的判断依据，提高车辆的主动安全性。

最后，对本发明实施例涉及的系统架构进行说明。

图1是本发明实施例提供的一种智能决策控制系统的示意图。参见图1，智能决策控制系统可以包括：车载传感器系统101、车载计算机决策系统102和车载控制系统103。

其中，车载传感器系统101中包括至少一个车载传感器，车载传感器系统101可以通过至少一个车载传感器采集环境感知数据，并将采集到的环境感知数据传输到车载计算机决策系统102。车载计算机决策系统102可以基于车载传感器系统101传输的环境感知数据确定其它车辆的驾驶意图，进而基于该驾驶意图做出决策控制，向车载控制系统103发出控制指令。车载控制系统103可以基于车载计算机决策系统102发出的控制指令，进行相应地控制操作，实现自动驾驶。

具体地，车载计算机决策系统102可以包括离线处理模块1021和在线处理模块1022。

其中，离线处理模块1021用于构建驾驶意图分类器，以为在线处理模块1022提供区分驾驶意图的工具。离线处理模块1021可以对离线采集的各种驾驶意图驱使下的样本行驶轨迹进行特征提取和训练，来得到基于轨迹特征的驾驶意图分类器。

其中，在线处理模块1022用于基于车载传感器系统101输入的环境感知数据，确定行车环境的风险场，并基于该风险场确定其它车辆在行车环境中的行驶轨迹，进而通过离线处理模块1021构建的驾驶意图分类器，对该行驶轨迹进行智能分类和匹配，从而实现对其它车辆的驾驶意图的确定。

图2是本发明实施例提供的一种车辆的结构示意图，图1中的智能决策控制系统可以通过图2所示的车辆来实现。参见图2，该车辆包括至少一个处理器201，通信总线202，存储器203以及至少一个通信接口204。

处理器201可以是一个通用中央处理器(centralprocessingunit，cpu)，微处理器，特定应用集成电路(application-specificintegratedcircuit，asic)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信总线202可包括一通路，在上述组件之间传送信息。

存储器203可以是只读存储器(read-onlymemory，rom)或可存储静止信息和指令的其它类型的静止存储设备，随机存取存储器(randomaccessmemory，ram)或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器203可以是独立存在，通过通信总线202与处理器201相连接。存储器203也可以和处理器201集成在一起。

通信接口204，使用任何收发器一类的装置，用于与其它设备或通信网络通信，如以太网，无线接入网(radioaccessnetwork，ran)，无线局域网(wirelesslocalareanetworks，wlan)等。

在具体实现中，作为一种实施例，处理器201可以包括一个或多个cpu，例如图2中所示的cpu0和cpu1。

在具体实现中，作为一种实施例，车辆可以包括多个处理器，例如图2中所示的处理器201和处理器205。这些处理器中的每一个可以是一个单核处理器(single-cpu)，也可以是一个多核处理器(multi-cpu)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，车辆还可以包括输出设备206和输入设备207。输出设备206和处理器201通信，可以以多种方式来显示信息。例如，输出设备206可以是液晶显示器(liquidcrystaldisplay，lcd)，发光二级管(lightemittingdiode，led)显示设备，阴极射线管(cathoderaytube，crt)显示设备，或投影仪(projector)等。输入设备207和处理器201通信，可以以多种方式接收用户的输入。例如，输入设备207可以是鼠标、键盘、触摸屏设备或传感设备等。

其中，存储器203用于存储用于执行本申请方案的程序代码210、用于实现本申请方案所涉及的数据等，处理器201被配置为用于执行存储器203中存储的程序代码210，来实现下文图3a实施例提供的驾驶意图确定方法。

图3a是本发明实施例提供的一种驾驶意图确定方法的流程图，该方法应用于车辆，具体可以应用于车辆的车载计算机决策系统。参见图3a，该方法包括如下步骤。

步骤301：获取所处的行车环境中的交通目标的状态信息。

具体地，可以获取环境感知数据和该行车环境的地图数据；对该环境感知数据和该地图数据进行识别和分类，得到该行车环境中的交通目标的状态信息。

需要说明的是，环境感知数据是由所安装的至少一个车载传感器采集的数据，如由车载摄像机采集的图像数据、激光雷达采集的点云数据等，本发明实施例对此不作限定。

另外，交通目标可以包括运动状态的交通目标(即运动目标)和静止状态的交通目标(即静止目标)，运动状态的交通目标可以包括正在行驶的车辆、正在行走的人等，静止状态的交通目标可以包括停靠的车辆、车道线等，静止状态的交通目标可以分为静止障碍物(如停靠的车辆、行道树、道路边界等)和交通标识(如车道线、停止线等)。

再者，交通目标的状态信息用于指示交通目标的状态，且交通目标的状态信息为能够影响交通目标产生的风险程度值的信息，如运动状态的交通目标的状态信息可以包括交通目标的位置信息、类型、速度、加速度等，静止状态的交通目标的状态信息至少可以包括交通标识的指示信息(如交通标识的类型等)、道路边界信息(如道路边界的尺寸等)，本发明实施例对此不作限定。

步骤302：根据该行车环境中的交通目标的状态信息，确定该行车环境的风险场。

需要说明的是，该风险场的场强为该行车环境中的风险程度值，该风险场可以包括动能场和势能场，且该风险场可以由动能场和势能场相叠加得到。

具体地，对于该行车环境中的每个交通目标，基于该交通目标的状态信息，判断该交通目标是运动状态的交通目标还是静止状态的交通目标；当该交通目标是运动状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的动能场，该交通目标的动能场的场强为该交通目标在该行车环境中产生的风险程度值；当该交通目标是静止状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的势能场，该交通目标的势能场的场强为该交通目标在该行车环境中产生的风险程度值；将该行车环境中是运动状态的各个交通目标的动能场与是静止状态的各个交通目标的势能场相叠加，得到该行车环境的风险场。

例如，该行车环境中包括交通目标1和交通目标2。假设交通目标1是运动状态的交通目标，交通目标2是静止状态的交通目标，则可以基于交通目标1的状态信息确定交通目标1的动能场，以及基于交通目标2的状态信息确定交通目标2的势能场。假设交通目标1的动能场为交通目标2的势能场为则可以将交通目标1的动能场与交通目标2的势能场相叠加，得到该行车环境的风险场

其中，基于该交通目标的状态信息，判断该交通目标是运动状态的交通目标还是静止状态的交通目标的操作可以为：当该交通目标的状态信息包括的速度不为0时，确定该交通目标是运动状态的交通目标；当该交通目标的状态信息包括的类型属于交通标识，或者该交通目标的状态信息包括的速度为0时，确定该交通目标是静止状态的交通目标。

其中，当该交通目标是运动状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的动能场的操作将在后续的实施例进行详细阐述。同样，当该交通目标是静止状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的势能场的操作也将在后续的实施例进行详细阐述。

实际应用中，为了便于区分各个交通目标，可以将该行车环境中是运动状态的各个交通目标的交通目标标识存储到运动目标列表中，将该行车环境中是静止状态的各个交通目标的交通目标标识存储到静止目标列表中。之后，就可以对于该运动目标列表中存储的每个交通目标标识，确定该交通目标标识所标识的交通目标的动能场；对于该静止目标列表中存储的每个交通目标标识，确定该交通目标标识所标识的交通目标的势能场。

需要说明的是，交通目标标识用于唯一标识交通目标，如交通目标标识可以为该交通目标的名称等，本发明实施例对此不作限定。

步骤303：对于该行车环境中的任一其它车辆，基于该风险场确定该其它车辆在该行车环境中的行驶轨迹。

具体地，可以将该其它车辆的位置点作为该风险场的初始迭代点，使用梯度下降法对该风险场进行迭代计算，得到多个迭代点；将该多个迭代点形成的轨迹确定为该其它车辆在该行车环境中的行驶轨迹。

需要说明的是，梯度下降法是一个最优化算法，通常也称为最速下降法，其利用负梯度方向来决定每次迭代的新的搜索方向，使得待优化的目标函数的函数值在每次迭代后均能够减小。

此时，将该其它车辆的位置点作为该风险场的初始迭代点，使用梯度下降法对该风险场进行迭代计算后得到的多个迭代点，即为从该其它车辆的位置点开始，能够使得该风险场的场强以最快速度减小的多个位置点。由于驾驶员一般会控制车辆沿着该风险场的场强最弱处行驶，因此，可以将该多个迭代点形成的轨迹提取出来作为该其它车辆在该行车环境中的行驶轨迹。

步骤304：基于该其它车辆在该行车环境中的行驶轨迹，确定该其它车辆的驾驶意图。

具体地，可以确定该其它车辆在该行车环境中的行驶轨迹对应的轨迹特征向量；基于该轨迹特征向量，通过驾驶意图分类器确定该其它车辆的驾驶意图。

其中，确定该其它车辆在该行车环境中的行驶轨迹对应的轨迹特征向量的操作可以为：从该其它车辆在该行车环境中的行驶轨迹中获取n个采样点，n为大于1的自然数；基于该n个采样点在该行车环境中的坐标，确定该行驶轨迹的n-1个轨迹方向角；基于该n-1个轨迹方向角，确定该轨迹特征向量。

需要说明的是，该n-1个轨迹方向角均可以不小于0度且不大于360度，且该n-1个轨迹方向角可以以逆时针为正向，也可以以顺时针为正向，本发明实施例对此不作限定。此时该行驶轨迹可以表示为[θ1,θ2,...,θn-1,θn]，其中，θ1、θ2、……、θn-1和θn为该n-1个轨迹方向角。

其中，基于该n个采样点在该行车环境中的坐标，确定该行驶轨迹的n-1个轨迹方向角的操作可以为：对于该n个采样点中的前n-1个采样点中的每个采样点，通过第四公式得到该采样点在该行车环境中的坐标至相邻的下一个采样点在该行车环境中的坐标的方向向量；基于该方向向量，通过第五公式得到该采样点的目标角；基于该采样点的目标角，通过第六公式得到该采样点的轨迹方向角。

第四公式：

第五公式：

第六公式：

其中，为(xk,yk)至(xk+1,yk+1)的方向向量，(xk,yk)为该采样点在该行车环境中的坐标，(xk+1,yk+1)为该下一个采样点在该行车环境中的坐标，βk为该采样点的目标角，θk为该采样点的轨迹方向角，为横轴方向上的单位向量，k为该采样点在该n个采样点中的排列位置。

例如，如图3b所示，从该行驶轨迹中获取的n个采样点为p1、p2、p3、p4、p5、p6、p7和p8，则对于该n个采样点中的前n-1个采样点p1、p2、p3、p4、p5、p6和p7，可以确定p1在该行车环境中的坐标至p2在该行车环境中的坐标的方向向量并基于该方向向量和横轴方向上的单位向量确定p1的轨迹方向角为θ1。同理，可以确定p2的轨迹方向角为θ2，……，p7的轨迹方向角为θ7。最终得到该行驶轨迹的n-1个轨迹方向角为θ1、θ2、θ3、θ4、θ5、θ6和θ7。

其中，基于该n-1个轨迹方向角，确定该轨迹特征向量时，可以将该n-1个轨迹方向角的多个特征值作为该轨迹特征向量的元素，得到该轨迹特征向量。当然，也可以基于该n-1个轨迹方向角，通过其它方式确定该轨迹特征向量，本发明实施例对此不作限定。

需要说明的是，该n-1个轨迹方向角的多个特征值可以包括该n-1个轨迹方向角的期望值、标准差、最大值、最小值、个数、概率分布等中的至少一个，本发明实施例对此不作限定。例如，该n-1个轨迹方向角的多个特征值包括该n-1个轨迹方向角的期望值、标准差、最大值和最小值，此时该轨迹特征向量可以为表示为[e,d,max,min]，其中，e为该n-1个轨迹方向角的期望值，d为该n-1个轨迹方向角的标准差，max为该n-1个轨迹方向角的最大值，min为该n-1个轨迹方向角的最小值。

其中，基于该轨迹特征向量，通过驾驶意图分类器确定该其它车辆的驾驶意图的操作可以为：将该轨迹特征向量作为该驾驶意图分类器的输入；驾驶意图分类器分别计算该轨迹特征向量与该驾驶意图分类器包括的多个分类超平面之间的欧式距离；驾驶意图分类器将该多个分类超平面中与该轨迹特征向量之间的欧式距离最小的分类超平面对应的驾驶意图确定为该其它车辆的驾驶意图。

例如，如图3c所示，该轨迹特征向量为ttarget，该驾驶意图分类器中包括分类超平面和且与驾驶意图c1(直线行驶)、c2(左换道)、c3(右换道)一一对应，则该驾驶意图分类器可以分别计算ttarget与之间的欧式距离。假设ttarget与之间的欧式距离为d1，ttarget与之间的欧式距离为d2，ttarget与之间的欧式距离为d3，且d3＜d2＜d1，则可以将对应的驾驶意图c3(右换道)确定为该其它车辆的驾驶意图。

进一步地，基于该轨迹特征向量，通过该驾驶意图分类器确定该其它车辆的驾驶意图之前，还可以构建该驾驶意图分类器。构建该驾驶意图分类器的操作将在后续的实施例进行详细阐述。

在本发明实施例中，获取所处的行车环境中的交通目标的状态信息后，可以基于该行车环境中的交通目标的状态信息，确定该行车环境的风险场。由于该风险场的场强为该行车环境中的风险程度值，因此，对于该行车环境中的任一其它车辆，可以基于该风险场确定该其它车辆在该行车环境中的行驶轨迹。之后，可以基于该其它车辆在该行车环境中的行驶轨迹，确定该其它车辆的驾驶意图。本发明实施例中仅需构建该行车环境的风险场就能实现对其它车辆的驾驶意图的确定，从而大大简化了驾驶意图确定过程，提高了确定效率。另外，由于该行车环境的风险场对影响驾驶意图的各个交通目标的状态信息进行了全面考虑，所以根据该风险场确定的其它车辆的驾驶意图的准确度较高。再者，在有效确定出其它车辆在该行车环境中的行驶轨迹和驾驶意图的情况下，后续可以据此进行合理的决策控制，从而可以提高车辆的主动安全性。

需要说明的是，上述图3a实施例中的步骤302中当该交通目标是运动状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的动能场时，可以基于该交通目标的状态信息包括的位置信息、类型、尺寸、转向灯状态、速度和加速度，确定该交通目标的动能场。参见图4a，具体地，可以通过如下步骤401-405实现。

步骤401：基于该交通目标的位置信息，确定该交通目标在该行车环境中的坐标。

步骤402：将该交通目标的尺寸包括的长度、宽度与高度相乘，得到该交通目标的等价质量。

步骤403：从存储的多个风险增益常数中，确定该交通目标的类型对应的风险增益常数。

具体地，可以基于该交通目标的类型，从存储的运动目标类型与风险增益常数之间的对应关系中，获取对应的风险增益常数。

需要说明的是，运动目标类型与风险增益常数之间的对应关系可以预先进行设置，且某个运动目标类型对应的风险增益常数用于指示该运动目标类型下的运动目标产生的潜在风险大小。

步骤404：从存储的多个驾驶意图表征向量中，确定该交通目标的转向灯状态对应的驾驶意图表征向量。

具体地，可以基于该交通目标的转向灯状态，从存储的转向灯状态与驾驶意图表征向量之间的对应关系中，获取对应的驾驶意图表征向量。

需要说明的是，驾驶意图表征向量是与驾驶意图强相关的一个表征向量，其会影响运动目标的动能场的场强方向。

另外，转向灯状态与驾驶意图表征向量之间的对应关系可以预先进行设置，如转向灯状态与驾驶意图表征向量之间的对应关系可以如下表1所示，其中，为纵轴方向上的单位向量。

表1

本发明实施例中，仅以上表1所示的转向灯状态与驾驶意图表征向量之间的对应关系为例进行说明，上表1并不对本发明实施例构成限定。

步骤405：基于该交通目标在该行车环境中的坐标、该交通目标的类型对应的风险增益常数、该交通目标的转向灯状态对应的驾驶意图表征向量、该交通目标的等价质量、速度和加速度，通过第一公式得到该交通目标的动能场。

第一公式：

其中，为该交通目标在该行车环境中产生的风险程度值，ai为该交通目标的类型对应的风险增益常数，mi为该交通目标的等价质量，为(xi,yi)至(xj,yj)的方向向量，为(xi,yi)与(xj,yj)之间的矢量距离，(xi,yi)为该交通目标在该行车环境中的坐标，(xj,yj)为该行车环境中的任一位置在该行车环境中的坐标，为方向上的单位向量，vix为该交通目标在横轴上的速度分量，viy为该交通目标在纵轴上的速度分量，aix为该交通目标在横轴上的加速度分量，aiy为该交通目标在纵轴上的加速度分量，为该交通目标的转向灯状态对应的驾驶意图表征向量。

其中，ε1、ε2、ε3、ε4、ε5和ε6均为大于0的常数，且ε1、ε2、ε3、ε4、ε5和ε6均可以预先进行设置。

其中，θix为该交通目标在横轴上的速度分量与之间的角度，θiy为该交通目标在纵轴上的速度分量与之间的角度，θiax为该交通目标在横轴上的加速度分量与之间的角度，θiay为该交通目标在纵轴上的加速度分量与之间的角度，且这些角度可以均以逆时针为正向，也可以均以顺时针为正向，本发明实施例对此不作限定。

其中，该交通目标的动能场的场强方向由和共同决定，且该交通目标的动能场的场强越大，表明该交通目标产生的潜在风险越大。

其中，用于描述该交通目标对该行车环境中的任一位置产生的风险程度值随该交通目标的速度和运动方向变化的规律：当vix和viy不变时，θix和θiy越小，该交通目标对(xi,yi)指示的位置产生的风险程度值越大；反之，θix和θiy越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越小。类似地，当θix和θiy不变时，cos(θix)＜0或cos(θiy)＜0时，vix和viy越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越小；cos(θix)＞0或cos(θiy)＞0时，vix和viy越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越大。

其中，用于描述该交通目标对该行车环境中的任一位置产生的风险程度值随该交通目标的加速度和运动方向变化的规律：当aix和aiy不变时，θiax和θiay越小，该交通目标对(xi,yi)指示的位置产生的风险程度值越大；反之，θiax和θiay越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越小。类似地，当θiax和θiay不变时，cos(θiax)＜0或cos(θiay)＜0时，aix和aiy越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越小；cos(θiax)＞0或cos(θiay)＞0时，aix和aiy越大，该交通目标对(xi,yi)指示的位置产生的风险程度值越大。

例如，该交通目标t的速度为v，且v的方向为横轴方向，该交通目标的加速度为a。假设a的方向与v的方向相同，则该交通目标t的动能场可以如图4b所示。假设a的方向与v的方向相反，则该交通目标t的动能场可以如图4c所示。其中，该交通目标t的动能场以多个环形表示，该多个环形由小到大场强逐渐减小，即风险程度值逐渐降低。

需要说明的是，上述图3a实施例中的步骤302中当该交通目标是静止状态的交通目标时，基于该交通目标的状态信息，确定该交通目标的势能场时，可以基于该交通目标的状态信息，判断该交通目标是静止障碍物还是交通标识；当该交通目标是静止障碍物时，基于该交通目标的状态信息包括的位置信息和尺寸，确定该交通目标的势能场；当该交通目标是交通标识时，基于该交通目标的状态信息包括的位置信息和类型，确定该交通目标的势能场。

其中，基于该交通目标的状态信息，判断该交通目标是静止障碍物还是交通标识的操作可以为：当该交通目标的状态信息包括的类型不属于交通标识时，确定该交通目标是静止障碍物；当该交通目标的状态信息包括的类型属于交通标识时，确定该交通目标是交通标识。

其中，参见图5a，当该交通目标是静止障碍物时，基于该交通目标的状态信息包括的位置信息和尺寸，确定该交通目标的势能场的操作可以通过如下步骤501-503实现。

步骤501：基于该交通目标的位置信息，确定该交通目标在该行车环境中的坐标。

步骤502：将该交通目标的尺寸包括的长度、宽度与高度相乘，得到该交通目标的等价质量。

步骤503：基于该交通目标在该行车环境中的坐标和该交通目标的等价质量，通过第二公式得到该交通目标的势能场。

第二公式：

其中，为该交通目标在该行车环境中产生的风险程度值。

其中，该交通目标的势能场的场强方向由决定，且该交通目标的势能场的场强越大，表明该交通目标产生的潜在风险越大。

当该交通目标为静止障碍物时，该交通目标的势能场仅与其质量相关，此时该交通目标对与该交通目标之间距离相同的任一位置产生的风险程度值都是一样的，即该交通目标的势能场的场强分布相对均匀。如图5b所示，此时该交通目标t的势能场可以表示为以该交通目标t为中心的多个同心圆，该多个同心圆由小到大场强逐渐减小，即风险程度值逐渐降低。

其中，参见图6，当该交通目标是交通标识时，基于该交通目标的状态信息包括的位置信息和类型，确定该交通目标的势能场的操作可以通过如下步骤601-603实现。

步骤601：基于该交通目标的位置信息，确定该交通目标在该行车环境中的坐标。

步骤602：从存储的多个风险增益常数中，确定该交通目标的类型对应的风险增益常数。

具体地，可以基于该交通目标的类型，从存储的交通标识类型与风险增益常数之间的对应关系中，获取对应的风险增益常数。

需要说明的是，交通标识类型与风险增益常数之间的对应关系可以预先进行设置，且某个交通标识的类型对应的风险增益常数用于指示该交通标识类型下的交通标识产生的潜在风险大小。

对于停止线等有一定语义的交通标识来说，其势能场是与实际道路环境相关的，如红灯时停止线存在势能场，反之，绿灯时停止线不存在势能场。对于双黄实线、黄虚线、白实线、白虚线等无语义的交通标识来说，其总是存在势能场。此时，对于有一定语义的交通标识，可以将其与实际道路环境进行关联，如对于停止线，红灯时获取其对应的风险增益常数，绿灯时直接将其对应的风险增益常数确定为0。对于无语义的交通标识，直接获取其对应的风险增益常数即可。

步骤603：基于该交通目标在该行车环境中的坐标和该交通目标的类型对应的风险增益常数，通过第三公式得到该交通目标的势能场。

第三公式：

其中，该为该交通目标在该行车环境中产生的风险程度值。

其中，该交通目标的势能场的场强方向由决定，且该交通目标的势能场的场强越大，表明该交通目标产生的潜在风险越大。

需要说明的是，参见图7，上述图3a实施例中的步骤304中构建驾驶意图分类器的操作可以通过如下步骤701-705实现。

步骤701：划分驾驶意图类别。

例如，可以将驾驶意图划分为三类，包括左换道、右换道和直线行驶。当然，也可以将驾驶意图划分为其它类别，本发明实施例对此不作限定。

步骤702：基于划分的驾驶意图类别采集样本行驶轨迹。

具体地，可以按照划分的驾驶意图类别，采集每个驾驶意图类别对应的多个样本行驶轨迹，并对采集的每个样本行驶轨迹标记上其对应的驾驶意图类别。

步骤703：对于采集的每个样本行驶轨迹，确定该样本行驶轨迹对应的轨迹特征向量。

需要说明的是，确定该样本行驶轨迹对应的轨迹特征向量的操作与上述图3a实施例中的步骤304中确定该其它车辆在该行车环境中的行驶轨迹对应的轨迹特征向量的操作类似，本发明实施例对此不再赘述。

步骤704：基于每个样本行驶轨迹对应的轨迹特征向量，生成多个训练集。

具体地，可以将标记有同一驾驶意图类别的样本行驶轨迹对应的轨迹特征向量组成一个训练集，并对该训练集标记上该驾驶意图类别。

步骤705：使用生成的多个训练集对待训练的分类模型进行训练，得到驾驶意图分类器。

需要说明的是，将某个行驶轨迹输入到驾驶意图分类器后，该驾驶意图分类器即可输出一个驾驶意图，该输出的驾驶意图即为该行驶轨迹对应的驾驶意图。

例如，多个训练集为s1、s2和s3，待训练的分类模型为支持向量机(supportvectormachine，svm)。则可以首先将s1作为正集，将s2、s3作为负集，同时输入到svm训练算法中，得到分类超平面其次将s2作为正集，将s1、s3作为负集，同时输入到svm训练算法中，得到分类超平面最后将s3作为正集，将s1、s2作为负集，同时输入到svm训练算法中，得到分类超平面和至此即可得到驾驶意图分类器。

图8是本发明实施例提供的一种驾驶意图确定装置的结构示意图，该驾驶意图确定装置可以由软件、硬件或者两者的结合实现成为车辆的部分或者全部。

该驾驶意图确定装置可以以功能模块的形式来呈现，且该驾驶意图装置可以采用图2所示的形式，此时该驾驶意图确定装置中的各个功能模块可以通过图2中的处理器和存储器来实现，处理器能够执行或者控制其他器件完成本发明实施例的方法流程中的各步骤，实现各功能。

参见图8，该装置包括获取模块801，第一确定模块802、第二确定模块803和第三确定模块804。

获取模块801，用于获取所处的行车环境中的交通目标的状态信息，所述交通目标包括运动状态的交通目标和静止状态的交通目标，所述静止状态的交通目标的状态信息至少包括交通标识的指示信息和道路边界信息；

第一确定模块802，用于根据所述行车环境中的交通目标的状态信息，确定所述行车环境的风险场，所述风险场的场强为所述行车环境中的风险程度值，所述风险场包括动能场和势能场，其中，基于所述交通目标在所述行车环境中的坐标、所述交通目标的类型对应的风险增益常数、所述交通目标的转向灯状态对应的驾驶意图表征向量、所述交通目标的等价质量、速度和加速度，通过第一公式得到所述交通目标的动能场；

所述第一公式：

其中，所述为所述交通目标在所述行车环境中产生的风险程度值，所述ai为所述交通目标的类型对应的风险增益常数，所述mi为所述交通目标的等价质量，所述为(xi,yi)至(xj,yj)的方向向量，所述(xi,yi)为所述交通目标在所述行车环境中的坐标，所述(xj,yj)为所述行车环境中的任一位置在所述行车环境中的坐标，所述为所述方向上的单位向量，所述vix为所述交通目标在横轴上的速度分量，所述viy为所述交通目标在纵轴上的速度分量，所述aix为所述交通目标在横轴上的加速度分量，所述aiy为所述交通目标在纵轴上的加速度分量，所述θix为所述交通目标在横轴上的速度分量与所述之间的角度，所述θiy为所述交通目标在纵轴上的速度分量与所述之间的角度，所述θiax为所述交通目标在横轴上的加速度分量与所述之间的角度，所述θiay为所述交通目标在纵轴上的加速度分量与所述之间的角度，所述为所述交通目标的转向灯状态对应的驾驶意图表征向量，所述ε1、所述ε2、所述ε3、所述ε4、所述ε5和所述ε6均为大于0的常数；

第二确定模块803，用于执行上述图3a实施例中的步骤303；

第三确定模块804，用于执行上述图3a实施例中的步骤304。

可选地，第一确定模块802包括：

判断单元，用于对于每个交通目标，基于交通目标的状态信息，判断交通目标是运动状态的交通目标还是静止状态的交通目标；

第一确定单元，用于当交通目标是运动状态的交通目标时，基于交通目标的状态信息，确定交通目标的动能场，交通目标的动能场的场强为交通目标在行车环境中产生的风险程度值；

第二确定单元，用于当交通目标是静止状态的交通目标时，基于交通目标的状态信息，确定交通目标的势能场，交通目标的势能场的场强为交通目标在行车环境中产生的风险程度值；

叠加单元，用于将行车环境中是运动状态的各个交通目标的动能场与是静止状态的各个交通目标的势能场相叠加，得到行车环境的风险场。

可选地，第二确定单元包括：

判断子单元，用于基于交通目标的状态信息，判断交通目标是静止障碍物还是交通标识；

第一确定子单元，用于当交通目标是静止障碍物时，基于交通目标的状态信息包括的位置信息和尺寸，确定交通目标的势能场；

第二确定子单元，用于当交通目标是交通标识时，基于交通目标的状态信息包括的位置信息和类型，确定交通目标的势能场。

可选地，第一确定子单元，用于执行上述图3a实施例中的步骤501-503。

可选地，第二确定子单元，用于执行上述图3a实施例中的步骤601-603。

可选地，第二确定模块803包括：

计算单元，用于将其它车辆的位置点作为风险场的初始迭代点，使用梯度下降法对风险场进行迭代计算，得到多个迭代点；

第三确定单元，用于将多个迭代点形成的轨迹确定为其它车辆在行车环境中的行驶轨迹。

可选地，第三确定模块804包括：

第四确定单元，用于确定其它车辆在行车环境中的行驶轨迹对应的轨迹特征向量；

第五确定单元，用于基于轨迹特征向量，通过驾驶意图分类器确定其它车辆的驾驶意图。

可选地，第四确定单元包括：

获取子单元，用于从其它车辆在行车环境中的行驶轨迹中获取n个采样点，n为大于1的自然数；

第三确定子单元，用于基于n个采样点在行车环境中的坐标，确定行驶轨迹的n-1个轨迹方向角；

第四确定子单元，用于基于n-1个轨迹方向角，确定轨迹特征向量。

在本发明实施例中，获取所处的行车环境中的交通目标的状态信息后，可以基于该行车环境中的交通目标的状态信息，确定该行车环境的风险场。由于该风险场的场强为该行车环境中的风险程度值，因此，对于该行车环境中的任一其它车辆，可以基于该风险场确定该其它车辆在该行车环境中的行驶轨迹。之后，可以基于该其它车辆在该行车环境中的行驶轨迹，确定该其它车辆的驾驶意图。本发明实施例中仅需构建该行车环境的风险场就能实现对其它车辆的驾驶意图的确定，从而大大简化了驾驶意图确定过程，提高了确定效率。另外，由于该行车环境的风险场对影响驾驶意图的各个交通目标的状态信息进行了全面考虑，所以根据该风险场确定的其它车辆的驾驶意图的准确度较高。再者，在有效确定出其它车辆在该行车环境中的行驶轨迹和驾驶意图的情况下，后续可以据此进行合理的决策控制，从而可以提高车辆的主动安全性。

需要说明的是：上述实施例提供的驾驶意图确定装置在驾驶意图确定时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的驾驶意图确定装置与驾驶意图确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。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。所述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所述计算机指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所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，所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、数据用户线(digitalsubscriberline，dsl))或无线(例如：红外、无线、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。所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。所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：数字通用光盘(digitalversatiledisc，dvd))、或者半导体介质(例如：固态硬盘(solidstatedisk，ssd))等。

以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。