一种基于边云协同的无人机监控模块数据自适应上传方法

1.本发明涉及一种无人机监控模块数据上传方法，具体地说是涉及一种基于 边云协同的无人机监控模块数据自适应上传方法。


背景技术：

2.近几年民用无人机市场井喷式的发展，全球各地域的低空空域都竞相出现 了各类无人机应用的场景，如航空摄影、地形勘察、事件响应等。我国大疆、 零度、lily、zano以及美图“手机航拍神器”等各民用无人机厂商产品不断投 放市场，大量“低、慢、小”的无人机在城市上空涌现。
3.然而，民用无人机的大量出现同时带来了诸多安全隐患，如侵犯他人隐私、 操作失控摔机、撞击建筑物、对正常空中飞行器造成干扰等。现阶段低空民用 无人机的管制已经成为我国安防中的重要项目，相关无人机管控的法律法规相 继出台，例如民航局发布的《民用无人驾驶航空器经营性飞行活动管理办法 (暂行)》等等。
4.监控模块是无人机管制的重要工具。监控模块加装在无人机上，可测量并 向管控云平台发送该无人机的经度、纬度、高度、速度、航向角等信息。无人 机拥有者按规定程序经向管控部门申请后，可得到一个监控模块，与无人机绑 定后，即可进入管控云平台的白名单，在规定时间、规定地域、规定高度内， 该无人机可畅通飞行。
5.无人机监控模块使用电池进行供电，且要求电池容量可支撑正常工作40分 钟以上。降低监控模块的工作功耗具有非常积极的意义：工作功耗越低，保证 工作40分钟所需的电池容量就越小，从而电池体积与重量就越小，对无人机的 负载量就越小。
6.无人机监控模块的功耗主要包括4g通讯和参数检测两部分，且4g通讯通 常占功耗的70％以上，是电池耗电的主要因素。现市面上常见的无人机监控模 块，往往采用1秒钟向管控云平台发送一次数据的通讯方式，虽然能够确保无 人机的所有参数都被监测到，但对电池耗电的影响同样突出。在其他领域常用 的低功耗工作模式，即降低数据发送的频次，且采用“进入休眠-发送数据-进 入休眠”的方式，虽可大幅度降低电池耗电，但该方法应用于无人机监控模块 时，却有可能存在无人机位姿监测不及时的问题，尤其是无人机飞入城市禁飞 区后，可能导致未能第一时间探知。


技术实现要素：

7.为了克服现有技术存在的不足，本发明提供了一种基于边云协同的无人机 监控模块数据自适应上传方法。既保证无人机的重要位姿参数能实时上传至管 控云平台，又能有效降低无人机监控模块的工作功耗。
8.为了达到上述目的，本发明采用的技术方案为：
9.一种基于边云协同的无人机监控模块数据自适应上传方法，所述方法包括 模块流程、云端流程以及两者之间的数据交互；所述模块流程为监控模块端数 据上传周期自适应调整流程，云端流程为云平台端数据上传周期自适应调整流 程；模块流程向云端流程上
传无人机状态数据、云端流程向模块流程下发上传 周期调整命令；
10.模块流程的处理步骤包括：
11.(1)周期性检测无人机状态数据并保存；
12.(2)空间位置预测值与实测值误差计算；
13.(3)判断是否需要调整上传周期并完成数据上传；
14.(4)回传历史数据中断操作；
15.云端流程的处理步骤包括：
16.(1)无人机数据接收并存储；
17.(2)空间位置预测值与实测值误差计算；
18.(3)审核监控模块对上传周期的调整是否合理。
19.作为优选，模块流程的处理步骤(1)具体为：
20.监控模块内的单片机以固定频率采集gps模块、气压模块，检测到的包括 无人机经度、纬度、高度在内的实时参数，并同时读取时钟芯片或定时器之内 的当时时间值，最终存储在监控模块内部的存储模块；
21.采集无人机飞行状态信息时，通过gps定位器采集无人机经度、纬度和高 度数据；另外，再通过三类传感器做辅助性测量，包括通过水平传感器采集无 人机头方向和无人机头到地面的垂直距离，通过俯仰传感器采集无人机相对于 惯性坐标系xoy平面的夹角数据，通过地磁感应器采集无人机x、y、z三轴方 位数据。
22.作为优选，模块流程的处理步骤(2)具体为：
23.取离当前时刻最近的前三次上传的经度、纬度、高度数据以及每次上传的 时间值，计算得到无人机空间位置的预测值，然后计算当前空间位置实测值与 预测值之间的误差，为后续步骤提供是否需要调整上传周期的依据；
24.假设距离当前时刻最近的前面第三次向云平台上传数据的时间点为时间零 点，并假设当时的空间坐标值为(x0,y0,z0)，那么前面第二次、前面第一次 的空间坐标分别为(x
t1
,y
t1
,z
t1
)、(x
t2
,y
t2
,z
t2
)，其中t1、t2分别为前面第 二次、前面第一次与前面第三次之间的时间差值，且该时间差值为通过单片机 内时间芯片或定时器计算而来；然后假设当前空间位置的实测值坐标为(x
t3
, y
t3
,z
t3
)，同样t3表示当前时刻与前面第三次之间的时间差值；
25.由于监控模块内单片机的计算性能较弱，因此采用二次多项式且经度纬度 高度分别预测的形式，使用前三次空间坐标值预测当前空间坐标值(x’t3
,y’t3
, z’t3
)，如下列公式所示：
26.x＝x0+a
x
*t+b
x
*t227.y＝y0+ay*t+by*t228.z＝z0+az*t+bz*t229.上式中，a
x
和b
x
是针对经度预测所需要求解的二次多项式系数，利用上 文所述的(x
t1
,t1)、(x
t2
,t2)两组数据，单片机能快速地计算得到a
x
和b
x
两个系数，进而将t3值带入公式，即可得到预测的经度值x’t3
；同样的，上式 中针对纬度预测的二次多项式系数ay和by，和针对高度预测的二次多项式系 数az和bz，也能同理求解得到，并最终计算得到纬度预测值y’t3
和高度预测 值z’t3
；
30.然后，按照下列公式计算当前空间坐标实测值与预测值之间的空间距离差：
[0031][0032]
其中，
△
s表示当前空间坐标实测值与预测值之间的空间距离差。
[0033]
作为优选，模块流程的处理步骤(3)具体为：
[0034]
判断是否需要调整上传周期时，使用步骤(2)中计算的当前空间坐标实测 值与预测值之间的
△
s值，按照如下规则调整数据上传周期：
[0035]
若
△
s小于3米，则上传周期加1秒；
[0036]
若
△
s在3米到10米之间，则上传周期保持不变；
[0037]
若
△
s在10米到20米之间，则上传周期减1秒；
[0038]
若
△
s大于20米，则将上传周期重置至每秒1次；
[0039]
上传周期调整完毕以后，将当前时刻的空间位置坐标实测值和调整后的最 新上传周期发送给云平台，上传的数据帧格式如下：
[0040]
[上传时刻，经度，纬度，高度，最新的数据上传周期]。
[0041]
作为优选，模块流程的处理步骤(4)具体为：
[0042]
该步骤为监控模块单片机中断流程，即单片机平时运行过程中，该步骤不 会被执行；但当云平台下发相关命令时，前三步骤，无论是否已经执行完，都 必须立刻停止，转而执行步骤(4)，执行完以后再继续原步骤任务；当接受到 历史数据回传命令时，单片机调取并上传当前时刻至上一上传时刻之间存储在 单片机内部的所有无人机状态参数，作为云平台重新计算上传周期的输入参数 的其中一部分。
[0043]
作为优选，云端流程的处理步骤(1)具体为：
[0044]
云平台系统需同时对应多架无人机，因此云平台系统将为每架无人机创建 一专用线程，用以接受该无人机的上传数据。
[0045]
作为优选，云端流程的处理步骤(2)具体为：
[0046]
该步骤也是对无人机监控模块步骤二和步骤三的审核监督，因为监控模块 内单片机计算资源非常有限，仅靠三组经纬度数据预测出来的无人机航向轨迹， 很有可能会产生偏差。云平台的计算资源强大，不仅可以取多组历史经纬度数 据进行预测，还可将无人机飞手的飞行习惯因素也考虑在内。
[0047]
云平台使用lstm算法(长短期记忆人工神经网络)对无人机轨迹进行预 测；lstm模型的训练数据为存在云平台的数量众多的不同无人机、以及不同 时间的历史飞行轨迹；lstm模型训练完成之后，输入参数为当前无人机当前 飞行轨迹下上传的部分历史空间位置坐标值，输出参数为该无人机当前空间位 置的预测值；lstm预测的具体过程如下：
[0048]
训练数据集为历史各条飞行轨迹h＝(h1，h2，...，hi)， hi表示第i条完整的无人机轨迹 的位置信息序列，i为总的轨迹序列条数，m为该条轨迹序列中的第m个航迹点； t，x，y，z分别是无人机在t时刻的4项特征：时间戳、经度、纬度、高度；
[0049]
然后，把上述数据集进行归一化处理，以降低量纲和取值范围对网络性能 的影响；本发明采用min-max方法进行归一化，如下公式所示：
[0050][0051]
上式中，h
max
是该条轨迹历史数据集中的最大值，h
min
是该条轨迹历史数 据集中的最小值，h
′
为该条轨迹归一化之后的数据；
[0052]
再然后，对归一化以后的数据集再然后，对归一化以后的数据集进行分割处理，设置一个长度为l的滑动窗，对数据集进行使用滑动 窗截取数据，并对截取后的数据进行下标重排，因此截取后的数据集形式为： [0053]
上述截取出来的数据中，将前面m-1个数据，即1个数据，即作为lstm训练输入数据，将最后一个数据， 即记为fm并作为训练标签值，由此形成的一条 完整的lstm训练数据；
[0054]
lstm模型内的初始网络参数(包括各层之间的连接权值)均为随机给出， 然后lstm模型按照如下过程进行训练：首先前向计算每个神经元的输出值， 然后反向计算每个神经元的误差值，最后根据相应的误差项，计算每个权重的 梯度，更新权重和偏置参数，目标是代价函数最小，如下式所示：
[0055][0056]
上式中，fm为训练标签值也就是实际测得的空间位置坐标值，f’m
为lstm 预测值，f为代价函数，当代价函数f值取得最小时，此时lstm模型即训练 完毕；需要说明的是，lstm模型的训练频次很低(例如每月训练一次)，只 有当云平台新增加了很多无人机新轨迹以后，才会重新训练lstm模型。
[0057]
训练完成之后，如果要对当前时刻t无人机的当前空间位置坐标值 (t，x
t
，y
t
，z
t
)进行预测，使用已经训练好的lstm模型，将所需预测的无人机， 其前面上传的l-1个空间位置坐标值数据作为输入，然后运算lstm得到当前 空间位置的预测值；
[0058]
最后，将lstm计算得到的空间位置预测值，与监控模块上传的空间位置 实际值，按照下式计算两者之间的空间距离差值：
[0059][0060]
其中，
△
s’表示空间位置预测值与监控模块上传的空间位置实际值之间的空 间距离差值。
[0061]
作为优选，云端流程的处理步骤(3)具体为：
[0062]
云平台对上传周期的调整审核，遵守与监控模块同样的规则，云平台根据 所存的上传周期，以及接收到的最新上传周期，比较两者，看两者之间的调整 是否符合规则，如若符合则不做任何响应，如若不符合，则将云平台所计算得 到的最新上传周期下发给监控模块；当云平台与监控模块两者计算出来的上传 周期不一致时，以云平台的计算结果为准，监控模块将无条件接受；
[0063]
当监控模块计算得到的
△
s值小于20米，而云平台计算得到的
△
s’值大于20 米时，通过云平台下发命令，监控模块不仅会将上传周期重置至每秒1次，而 且还需执行数据回传操作，即回传当前时刻至上一上传时刻之间存储在单片机 内部的所有无人机状态参数。
[0064]
作为优选，所述调整规则，是基于民用gps在运动状态下的测量精度而制 定的。
[0065]
本发明的有益效果在于：
[0066]
1.本发明提出的方法，只需修改监控模块单片机程序的一小部分即可，无 需改变监控模块的任何硬件，这使得本发明方法不仅可应用于新生产的监控模 块，还可用于管控部门已经发放出去的大量的现存监控模块，因而本发明方法 具有很好的推广性；
[0067]
2.本发明提出的方法，通过边云协同，即监控模块单片机(为边缘端)和 管控云平台(为云端)之间的数据交互式协同合作，将计算任务合理地分配至 边缘端和云端，充分利用云边两端的计算资源，实现本发明降低功耗和不丢失 数据的双重目标。
附图说明
[0068]
图1是本发明方法的实现流程图；
[0069]
图2是本发明上传周期调整规则的判定依据示意图；
[0070]
图3是本发明lstm模型的预测应用流程图。
具体实施方式
[0071]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面结合附图 和实施例对本发明作进一步说明，但本发明所要保护的范围并不限于此。
[0072]
参照图1～3，一种基于边云协同的无人机监控模块数据自适应上传方法， 所述方法包括模块流程、云端流程以及两者之间的数据交互；所述模块流程为 监控模块端数据上传周期自适应调整流程，云端流程为云平台端数据上传周期 自适应调整流程；模块流程向云端流程上传无人机状态数据、云端流程向模块 流程下发上传周期调整命令；
[0073]
本发明的设计思想有两点：
[0074]
第一，如无人机的飞行轨迹长时间保持平稳，则逐渐延长数据上传周期以 节约电池功耗；如无人机的飞行轨迹存在变化，则逐渐缩短数据上传周期，以 便更细致地观察其变化趋势；如无人机的飞行轨迹发生突变，则立刻请求云平 台介入。
[0075]
第二，由监控模块单片机依据经度、纬度、高度三类数据判断飞行轨迹的 变化并自适应地调整数据上传周期，由云平台依据大量历史数据训练得出的无 人机飞手行为习惯来预测无人机飞行轨迹的变化并调整数据上传周期。
[0076]
模块流程的处理步骤包括：
[0077]
(1)周期性检测无人机状态数据并保存；
[0078]
监控模块内的单片机以固定频率(例如1次/秒)采集gps模块、气压模块， 检测到的包括无人机经度、纬度、高度在内的实时参数，并同时读取时钟芯片 或定时器之内的当时时间值，最终存储在监控模块内部的存储模块(sd卡或 flash单元)；
[0079]
采集无人机飞行状态信息时，通过gps定位器采集无人机经度、纬度和高 度数据；另外，再通过三类传感器做辅助性测量，包括通过水平传感器采集无 人机头方向和无人机
头到地面的垂直距离，通过俯仰传感器采集无人机相对于 惯性坐标系xoy平面的夹角数据，通过地磁感应器采集无人机x、y、z三轴方 位数据。
[0080]
(2)空间位置预测值与实测值误差计算；
[0081]
取离当前时刻最近的前三次上传的经度、纬度、高度数据以及每次上传的 时间值，计算得到无人机空间位置的预测值，然后计算当前空间位置实测值与 预测值之间的误差，为后续步骤提供是否需要调整上传周期的依据；
[0082]
假设距离当前时刻最近的前面第三次向云平台上传数据的时间点为时间零 点，并假设当时的空间坐标值为(x0,y0,z0)，那么前面第二次、前面第一次 的空间坐标分别为(x
t1
,y
t1
,z
t1
)、(x
t2
,y
t2
,z
t2
)，其中t1、t2分别为前面第 二次、前面第一次与前面第三次之间的时间差值，且该时间差值为通过单片机 内时间芯片或定时器计算而来；然后假设当前空间位置的实测值坐标为(x
t3
, y
t3
,z
t3
)，同样t3表示当前时刻与前面第三次之间的时间差值；
[0083]
由于监控模块内单片机的计算性能较弱，因此采用二次多项式且经度纬度 高度分别预测的形式，使用前三次空间坐标值预测当前空间坐标值(x’t3
,y’t3
, z’t3
)，如下列公式所示：
[0084]
x＝x0+a
x
*t+b
x
*t2[0085]
y＝y0+ay*t+by*t2[0086]
z＝z0+az*t+bz*t2[0087]
上式中，a
x
和b
x
是针对经度预测所需要求解的二次多项式系数，利用上 文所述的(x
t1
,t1)、(x
t2
,t2)两组数据，单片机能快速地计算得到a
x
和b
x
两个系数，进而将t3值带入公式，即可得到预测的经度值x’t3
；同样的，上式 中针对纬度预测的二次多项式系数ay和by，和针对高度预测的二次多项式系 数az和bz，也能同理求解得到，并最终计算得到纬度预测值y’t3
和高度预测 值z’t3
；
[0088]
然后，按照下列公式计算当前空间坐标实测值与预测值之间的空间距离差：
[0089][0090]
其中，
△
s表示当前空间坐标实测值与预测值之间的空间距离差。
[0091]
(3)判断是否需要调整上传周期并完成数据上传；
[0092]
判断是否需要调整上传周期时，使用步骤(2)中计算的当前空间坐标实测 值与预测值之间的
△
s值，按照如下规则调整数据上传周期：
[0093]
若
△
s小于3米，则上传周期加1秒；
[0094]
若
△
s在3米到10米之间，则上传周期保持不变；
[0095]
若
△
s在10米到20米之间，则上传周期减1秒；
[0096]
若
△
s大于20米，则将上传周期重置至每秒1次；
[0097]
上传周期调整完毕以后，将当前时刻的空间位置坐标实测值和调整后的最 新上传周期发送给云平台，上传的数据帧格式如下：
[0098]
[上传时刻，经度，纬度，高度，最新的数据上传周期]。
[0099]
需说明的是，上述调整规则，是基于民用gps在运动状态下的测量精度 (10米)而制定的：当实测值与预测值之间误差小于3米时，可认为此时无人 机位置被预测地非常准确，因此上传周期可以延长1秒。当实测值与预测值之 间误差在3米到10米之间时，有可能
该误差是由gps的测量误差导致，也有 可能是无人机移动轨迹变化导致的，此时处于一种不确定但仍可接受的状态， 因此此时上传周期保持不变。当实测值与预测值之间误差在10米到20米之间 时，虽仍有小部分概率该误差由gps的测量误差导致，但更大概率该误差是由 无人机移动轨迹变化导致的，出于保守起见，此时上传周期减少1秒，以便进 一步地观察。当实测值与预测值之间误差大于20米时，此时误差绝对不可能仅 由gps的测量误差导致，可认为此时无人机移动轨迹已经发生了变化甚至突变， 此时将上传周期重置至每秒1次，也就是最初始的上传周期。
[0100]
(4)回传历史数据中断操作；
[0101]
该步骤为监控模块单片机中断流程，即单片机平时运行过程中，该步骤不 会被执行；但当云平台下发相关命令时，前三步骤，无论是否已经执行完，都 必须立刻停止，转而执行步骤(4)，执行完以后再继续原步骤任务；当接受到 历史数据回传命令时，单片机调取并上传当前时刻至上一上传时刻之间存储在 单片机内部的所有无人机状态参数，作为云平台重新计算上传周期的输入参数 的其中一部分。
[0102]
云端流程的处理步骤包括：
[0103]
(1)无人机数据接收并存储；
[0104]
云平台系统需同时对应多架无人机，因此云平台系统将为每架无人机创建 一专用线程，用以接受该无人机的上传数据。
[0105]
(2)空间位置预测值与实测值误差计算；
[0106]
该步骤也是对无人机监控模块步骤二和步骤三的审核监督，因为监控模块 内单片机计算资源非常有限，仅靠三组经纬度数据预测出来的无人机航向轨迹， 很有可能会产生偏差。云平台的计算资源强大，不仅可以取多组历史经纬度数 据进行预测，还可将无人机飞手的飞行习惯因素也考虑在内。
[0107]
云平台使用lstm算法(长短期记忆人工神经网络)对无人机轨迹进行预 测；lstm模型的训练数据为存在云平台的数量众多的不同无人机、以及不同 时间的历史飞行轨迹；lstm模型训练完成之后，输入参数为当前无人机当前 飞行轨迹下上传的部分历史空间位置坐标值，输出参数为该无人机当前空间位 置的预测值；lstm预测的具体过程如下：
[0108]
训练数据集为历史各条飞行轨迹h＝(h1，h2，...，hi)， hi表示第i条完整的无人机轨迹 的位置信息序列，i为总的轨迹序列条数，m为该条轨迹序列中的第m个航迹点； t，x，y，z分别是无人机在t时刻的4项特征：时间戳、经度、纬度、高度；
[0109]
然后，把上述数据集进行归一化处理，以降低量纲和取值范围对网络性能 的影响；本发明采用min-max方法进行归一化，如下公式所示：
[0110][0111]
上式中，h
max
是该条轨迹历史数据集中的最大值，h
min
是该条轨迹历史数 据集中的最小值，h
′
为该条轨迹归一化之后的数据；
[0112]
再然后，对归一化以后的数据集再然后，对归一化以后的数据集进行分割处理，设置一个长度为l的滑动窗，对数据集进行使用滑动 窗截取数据，并对截取后
的数据进行下标重排，因此截取后的数据集形式为： [0113]
上述截取出来的数据中，将前面m-1个数据，即1个数据，即作为lstm训练输入数据，将最后一个数据， 即记为fm并作为训练标签值，由此形成的一条 完整的lstm训练数据；根据上述过程可知，每条历史飞行轨迹均可产生若干 条训练数据，然后对网络结构形如图3所示的lstm模型进行训练。
[0114]
lstm模型内的初始网络参数(包括各层之间的连接权值)均为随机给出， 然后lstm模型按照如下过程进行训练：首先前向计算每个神经元的输出值， 然后反向计算每个神经元的误差值，最后根据相应的误差项，计算每个权重的 梯度，更新权重和偏置参数，目标是代价函数最小，如下式所示：
[0115][0116]
上式中，fm为训练标签值也就是实际测得的空间位置坐标值，f’m
为lstm 预测值，f为代价函数，当代价函数f值取得最小时，此时lstm模型即训练 完毕；需要说明的是，lstm模型的训练频次很低(例如每月训练一次)，只 有当云平台新增加了很多无人机新轨迹以后，才会重新训练lstm模型。
[0117]
训练完成之后，如果要对当前时刻t无人机的当前空间位置坐标值 (t，x
t
，y
t
，z
t
)进行预测，图3为lstm模型的预测过程示意图。在图3中，使用 已经训练好的lstm模型，将所需预测的无人机，其前面上传的l-1个空间位 置坐标值数据作为输入，然后运算lstm得到当前空间位置的预测值；
[0118]
最后，将lstm计算得到的空间位置预测值，与监控模块上传的空间位置 实际值，按照下式计算两者之间的空间距离差值：
[0119][0120]
其中，
△
s’表示空间位置预测值与监控模块上传的空间位置实际值之间的空 间距离差值。
[0121]
(3)审核监控模块对上传周期的调整是否合理；
[0122]
云平台对上传周期的调整审核，遵守与监控模块同样的规则，即下列规则：
[0123]
若
△
s小于3米，则上传周期加1秒；
[0124]
若
△
s在3米到10米之间，则上传周期保持不变；
[0125]
若
△
s在10米到20米之间，则上传周期减1秒；
[0126]
若
△
s大于20米，则将上传周期重置至每秒1次；
[0127]
云平台根据所存的上传周期，以及接收到的最新上传周期，比较两者，看 两者之间的调整是否符合规则，如若符合则不做任何响应，如若不符合，则将 云平台所计算得到的最新上传周期下发给监控模块；当云平台与监控模块两者 计算出来的上传周期不一致时，以云平台的计算结果为准，监控模块将无条件 接受；
[0128]
当监控模块计算得到的
△
s值小于20米，而云平台计算得到的
△
s’值大于20 米
时，通过云平台下发命令，监控模块不仅会将上传周期重置至每秒1次，而 且还需执行数据回传操作，即回传当前时刻至上一上传时刻之间存储在单片机 内部的所有无人机状态参数。
[0129]
本发明主要由监控模块端数据上传周期自适应调整流程(简称“模块流 程”)与云平台端数据上传周期自适应调整流程(简称“云端流程”)两部分 组成；其中模块流程包括周期性检测无人机状态数据并保存、空间位置预测值 与实测值误差计算、判断是否需要调整上传周期并完成数据上传、回传历史数 据中断操作四个步骤，云端流程包括无人机数据接收并存储、空间位置预测值 与实测值误差计算、审核监控模块对上传周期的调整是否合理三个步骤。通过 本发明提出的云边协同方法，可自适应地调整无人机监控模块的数据上传周期， 既有效降低了无人机监控模块的功耗，提高了无人机监控模块电池的单次使用 寿命时长，又确保无人机飞行轨迹的重要数据不会遗漏漏传，具有很好的推广 性。
[0130]
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体 实施方式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是， 对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，凡依本发明 申请范围所做出的若干变形与改进等，均应仍属于本发明的专利涵盖范围之内。