一种工业机器人的控制方法、装置和存储介质

1.本技术涉及智能制造以及强化学习领域，尤其是一种工业机器人的控制方法、装置和存储介质。


背景技术：

2.机器人在工业生产中的应用越来越广泛。在智能制造场景下，进行非结构化环境下的分拣任务时，待分拣物品的摆放具有随机性的特点，机器人动作对工作空间的改变具有连续性、时序性的特点，相关技术中的硬编码方法和示教方法虽然拥有较高的重复精度，但操作灵活性很差，无法低成本快速适应非结构化环境。并且在固定场景下采用传统方法检测目标和操作会频繁改变场景内物体信息，而对每个机器人都进行适应环境的动作编程的时间成本和人力成本较高。
3.因此，相关技术存在的上述技术问题亟待解决。


技术实现要素：

4.本技术旨在解决相关技术中的技术问题之一。为此，本技术实施例提供一种工业机器人的控制方法、装置和存储介质，能够在非结构化场景中学习到推动和控制的动作协同，实现稳定良好的分拣抓取控制。
5.根据本技术实施例一方面，提供一种工业机器人的控制方法，所述方法包括：
6.定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模；
7.获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离；
8.使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励。
9.在其中一个实施例中，所述定义工业机器人的推动动作和抓取动作包括：
10.设置所述工业机器人的安全高度；
11.定义所述推动动作为在所述安全高度内向预设方向推动；
12.定义所述抓取动作为在所述安全高度内在预设位置抓取。
13.在其中一个实施例中，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离，包括：
14.以所述深度图像的中心点为坐标原点，根据坐标轴将图像划分为四个区域；
15.将所述深度图像的四个顶点作为起点遍历，将外部无物体连通区域的点设置为预设值；
16.根据所述预设值得到所述深度图像中不同物体的边缘点；
17.根据所述边缘点计算不同物体边缘点之间的最小距离。
18.在其中一个实施例中，所述根据所述边缘点计算不同物体边缘点之间的最小距离
的计算数学式为：
[0019][0020]
式中，为不同物体边缘点之间的最小距离，为所述深度图像中含有物体的节点。
[0021]
在其中一个实施例中，所述深度强化学习网络包括动作价值网络和动作策略网络，所述动作价值网络使用前馈全卷积网络代表所述推动动作，使用扩展深度价值网络代表所述抓取动作，将所述深度图像输入所述前馈全卷积网络和所述扩展深度价值网络；所述动作策略网络包括演员网络和评论家网络，所述演员网络用于选择最佳执行的动作，所述评论家网络对所述演员网络的输出进行打分，用于让所述演员网络进行策略梯度下降。
[0022]
在其中一个实施例中，对所述工业机器人的抓取动作改变环境进行奖励，包括：
[0023]
当成功抓取一个物体后对所述工业机器人的抓取动作改变环境进行奖励，奖励函数为：
[0024][0025]
式中，rg(s
t
,s
t+1
)为对所述工业机器人的奖励，grasp success为抓取成功条件，grasp failed为抓取失败条件。
[0026]
在其中一个实施例中，对所述工业机器人的推动动作改变环境进行奖励，包括：
[0027]
若执行所述推动动作后，物体数量有变化，则奖励函数为：
[0028]rp
(s
t
，s
t+1
)＝l，if n
t
＜n
t+1
[0029]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量；
[0030]
若执行所述推动动作后，物体数量没有变化，则奖励函数为：
[0031][0032]
if any d
(i，j)
＜l and n
t
＝＝n
t+1
[0033]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量，relu为relu函数，d
t+1
为不同物体边缘点之间的最小距离。
[0034]
根据本技术实施例一方面，提供一种工业机器人的控制装置，所述装置包括：
[0035]
定义模块，用于定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模；
[0036]
获取模块，用于获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离；
[0037]
奖励模块，用于使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励。
[0038]
根据本技术实施例一方面，提供一种工业机器人的控制装置，所述装置包括：
[0039]
至少一个处理器；
[0040]
至少一个存储器，所述存储器用于存储至少一个程序；
[0041]
当至少一个所述程序被至少一个所述处理器执行时实现如前面实施例所述的一种工业机器人的控制方法。
[0042]
根据本技术实施例一方面，提供存储介质，所述存储介质存储有处理器可执行的程序，所述处理器可执行的程序被处理器执行时实现如前面实施例所述的一种工业机器人的控制方法。
[0043]
本技术实施例提供的工业机器人的控制方法的有益效果为：通过定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模；获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离；使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励，能够应对非结构化场景中物体随机放置(例如物体十分紧凑放置的情况)，实现稳定良好的分拣抓取控制。
[0044]
本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0045]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本技术实施例提供的一种工业机器人的控制方法的原理示意图；
[0047]
图2为本技术实施例提供的一种工业机器人的控制方法的流程图；
[0048]
图3为本技术实施例的图片部分区域划分示意图；
[0049]
图4为本技术实施例的两个物体边缘点关联四叉树叶子节点图；
[0050]
图5本技术实施例提供的一种工业机器人的控制装置的示意图；
[0051]
图6本技术实施例提供的另一种工业机器人的控制装置的示意图。
具体实施方式
[0052]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
[0053]
本技术的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0054]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同
的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0055]
机器人在工业生产中的应用越来越广泛。在智能制造场景下，进行非结构化环境下的分拣任务时，待分拣物品的摆放具有随机性的特点，机器人动作对工作空间的改变具有连续性、时序性的特点，相关技术中的硬编码方法和示教方法虽然拥有较高的重复精度，但操作灵活性很差，无法低成本快速适应非结构化环境。并且在固定场景下采用传统方法检测目标和操作会频繁改变场景内物体信息，而对每个机器人都进行适应环境的动作编程的时间成本和人力成本较高。
[0056]
为了便于理解，本说明书对本技术的相关专业术语和名词进行解释说明，具体如下：
[0057]
马尔科夫模型：马尔科夫模型(markov model)是一种统计模型，广泛应用在语音识别，词性自动标注，音字转换，概率文法等各个自然语言处理等应用领域。马尔科夫模型时间和状态都是离散的马尔可夫过程称为马尔可夫链，记为xn＝x(n),n＝0,1,2。马尔可夫链是随机变量x1,x2,x3的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而xn的值则是在时间n的状态。如果xn+1对于过去状态的条件概率分布仅是xn的一个函数，则p(xn+1＝x∣x0,x1,x2,
…
，xn)＝p(xn+1＝x∣xn)，这里x为过程中的某个状态。
[0058]
深度图像：在计算机视觉系统中，三维场景信息为图像分割、目标检测、物体跟踪等各类计算机视觉应用提供了更多的可能性，而深度图像(depth map)作为一种普遍的三维场景信息表达方式得到了广泛的应用。深度图像的每个像素点的灰度值可用于表征场景中某一点距离摄像机的远近。
[0059]
四叉树：四叉树是一种树状数据结构，在每一个节点上会有四个子区块。四元树常应用于二维空间数据的分析与分类。它将数据区分成为四个象限。数据范围可以是方形或矩形或其他任意形状。
[0060]
深度强化学习：深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。
[0061]
图1为本技术实施例提供的一种工业机器人的控制方法的原理示意图，如图1所示，本技术的一种工业机器人控制原理包括：动作价值网络：使用两个前馈全卷积网络和扩展深度价值网络，分别代表推动和抓取的动作，这两个网络将状态的深度图像作为输入，输出与输入图像一样大小和分辨率的价值像素映射，这里的价值是在该像素点执行动作的回报期望；动作策略网络：策略网络中包含了演员网络和评论家网络；演员网络针对当前时刻工作空间场景选择最佳执行的动作。评论家网络对演员网络的输出进行打分，该结果代表着演员网络的动作决策的好或坏，并以此来让演员网络进行策略梯度下降，而评论家网络自身的训练是根据机器人执行动作的奖励来梯度下降的。图1中，传感器和摄像头拍摄图像并将深度摄像头数据输入至前述的动作价值网络和动作策略网络，动作价值网络推动工业机器人土洞执行点和抓取执行点，动作策略网络选取工业机器人要执行的动作。
[0062]
基于上述原理，本技术提出了一种工业机器人的控制方法，如图2所示，包括：
[0063]
s201、定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模。
[0064]
在步骤s201中，所述定义工业机器人的推动动作和抓取动作包括：设置所述工业机器人的安全高度；定义所述推动动作为在所述安全高度内向预设方向推动；定义所述抓取动作为在所述安全高度内在预设位置抓取。具体地，包括：定义机器人末端在运行过程中的安全高度，取深度摄像头拍摄图片中以(x,y)为中心，找到这片区域的最高点作为安全高度safe_z，动作点为(x,y,safe_z)，动作定义如下：
[0065]
(1)推动动作：
[0066]
从起始点出发，运动到动作点的上方点(x,y,safe_z+dh)，让夹爪紧闭竖直下移动到动作点，沿着给定的方向推动，后再移动到原位
[0067]
(2)抓取动作：
[0068]
从起始点出发，运动到(x,y,safe_z+dh)处(dh值由具体场景设定)，打开夹爪，沿着z轴竖直下移到动作点，闭合夹爪，竖直上移，检测到夹取到物体则移动物体出工作空间，再移动夹爪到原位。
[0069]
需要说明的是，本实施例中的马尔可夫模型可以细分为状态、动作、策略、奖赏四个部分，其中，马尔可夫模型中的各个量的表示如下：
[0070]
(1)状态：状态信息为环境中物体状态信息。使用si表示时间步i的状态。
[0071]
s＝(s0，
…
，s
i-1
，si，s
i+1
，
…
，sn)
[0072]
(2)动作：动作集的由推动和抓取两个基本动作组成，使用ai表示时间步i机器人执行的动作。
[0073]
a＝(a0，...，a
i-1，ai
，a
i+1
，...，a
n-1
)
[0074]
(3)策略：使用深度网络表示策略，代表状态转移概率，记作p(s
i+1
|si,ai)，即从si状态下执行ai动作后转移到s
i+1
的概率分布。
[0075]
(4)奖赏：奖赏为机器人执行一个动作后根据奖赏函数得到的回报，在si状态下执行ai动作后获得奖励ri。
[0076]ri
＝r_function(si,ai)
[0077]
s202、获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离。
[0078]
在步骤s202中，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离，包括：以所述深度图像的中心点为坐标原点，根据坐标轴将图像划分为四个区域；将所述深度图像的四个顶点作为起点遍历，将外部无物体连通区域的点设置为预设值；根据所述预设值得到所述深度图像中不同物体的边缘点；根据所述边缘点计算不同物体边缘点之间的最小距离。所述根据所述边缘点计算不同物体边缘点之间的最小距离的计算数学式为：
[0079][0080]
式中，为不同物体边缘点之间的最小距离，为所述深度图像中含有物体的节点。
[0081]
s203、使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励。
[0082]
在本实施例中，所述深度强化学习网络包括动作价值网络和动作策略网络，所述动作价值网络使用前馈全卷积网络代表所述推动动作，使用扩展深度价值网络代表所述抓取动作，将所述深度图像输入所述前馈全卷积网络和所述扩展深度价值网络；所述动作策略网络包括演员网络和评论家网络，所述演员网络用于选择最佳执行的动作，所述评论家网络对所述演员网络的输出进行打分，用于让所述演员网络进行策略梯度下降。
[0083]
策略网络中包含了演员网络和评论家网络；演员网络针对当前时刻工作空间场景s
t
选择最佳执行的动作。评论家网络对演员网络的输出进行打分，该结果代表着演员网络的动作决策的好或坏，并以此来让演员网络进行策略梯度下降，而评论家网络自身的训练是根据机器人执行动作的奖励来梯度下降的。
[0084]
策略选择动作的奖励值如下所述：
[0085]
当抓取动作成功时，给予1的奖励，策略是尽可能将能抓取的物体先进行抓取，再执行其他动作
[0086]
r(s
t
,s
t+1
)＝rg(s
t
,s
t+1
)
[0087]
当推动动作执行后，得到大于等于零的回报时，将回报值给策略回报函数，推动动作回报为负值时，不将该记录放入经验池中进行回放
[0088]
r(s
t
,s
t+1
)＝r
p
(s
t
,s
t+1
)
[0089]
可选地，对所述工业机器人的抓取动作改变环境进行奖励，包括：当成功抓取一个物体后对所述工业机器人的抓取动作改变环境进行奖励，奖励函数为：
[0090][0091]
式中，rg(s
t
,s
t+1
)为对所述工业机器人的奖励，grasp success为抓取成功条件，grasp failed为抓取失败条件。
[0092]
对应地，对所述工业机器人的推动动作改变环境进行奖励，包括：
[0093]
(一)若执行所述推动动作后，物体数量有变化，则奖励函数为：
[0094]rp
(s
t
,s
t+1
)＝1,if n
t
＜n
t+1
[0095]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量；
[0096]
(二)若执行所述推动动作后，物体数量没有变化，则奖励函数为：
[0097][0098]
if any d
(i，j)
＜l and n
t
＝＝n
t+1
[0099]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量，relu为relu函数，d
t+1
为不同物体边缘点之间的最小距离。
[0100]
(三)当在s
t
场景中所有的物体距离都大于最小抓取距离l，且推动动作后没有发生物体团数量变化的条件下。如果在s
t+1
场景中的所有物体距离都是大于最小抓取距离的，那么给定奖励值为0；如果进行了推动后，在s
t+1
场景存在物体之间距离小于最小抓取距离的情况，那么根据距离之和处于n倍的l，给予负奖励。
[0101][0102]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量，d
t+1
为不同物体边缘点之间的最小距离。
[0103]
(四)当s
t
场景中物体团数量n
t
大于s
t+1
场景中物体团数量n
t+1
情况时，代表了通过推动动作将物体推出了工作空间，这让物体变得无法被抓取，给予-1的奖励值。
[0104]rp
(s
t
，s
t+1
)＝-1，if n
t
＞n
t+1
[0105]
式中，r
p
(s
t
,s
t+1
)为对所述工业机器人的奖励，n
t
和n
t+1
为所述物体的数量。
[0106]
图3为本技术实施例的图片部分区域划分示意图，如图3所示，图3中根节点代表了整个图片的中心点，索引节点代表各个区域的中心点，叶子节点为最小粒度的区域，该粒度大小可以根据精度需要进行调整。将图片看作二维数组，将图片四个角落的顶点作为起点，使用深度优先遍历，通过一次遍历，将外部的无物体连通区域的点都设置为一个特殊值(如-1，显示为灰色)。
[0107]
图4为本技术实施例的两个物体边缘点关联四叉树叶子节点图，如图4所示，两个物体在四叉树叶子节点上的映射，对每个物体进行唯一标记objsi表示，其中i为物体编号，如果叶子节点代表的图片区域内有物体的边缘点，那么会将该叶子节点到根节点的路径节点都进行标记，如此，便可以从根节点处向下搜索，便于找到物体边缘。
[0108][0109]
是level层中含有物体objsi的节点，上式是求出两个物体之间在四叉树同一层表述的间距，将同一层的不同物体节点按照上式进行计算；将图像看作平面，四叉树将其分作四个区域，只取最小值的三对节点，继续向下搜索，直到叶子节点为止，将叶子节点的计算结果取最小值为所求最小间距。求两个物体最小间距的时间复杂度为o(hk2)，其中k为树中每个节点的子节点数量，由于是四叉树，因此k＝4，一次对所有物体进行检测的时间复杂度为o(m2hk2)。即，图4中两个物体在四叉树叶子节点上的映射，对每个物体进行唯一标记表示，其中为物体编号，如果叶子节点代表的图片区域内有物体的边缘点，那么会将该叶子节点到根节点的路径节点都进行标记，通过本实施例，可以从根节点处向下搜索，便于找到物体边缘。将图像看作平面，四叉树将其分作四个区域，只取最小值的三对节点，继续向下搜索，直到叶子节点为止，将叶子节点的计算结果取最小值为所求最小间距。
[0110]
本技术实施例提供的工业机器人的控制方法的有益效果为：通过定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模；获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离；使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励，能够应对非结构化场景中物体随机放置(例如物体十分紧凑放置的情况)，实现稳定良好的分拣抓取控制。
[0111]
图5为本技术实施例提供的一种工业机器人控制装置的示意图，如图5所示，本技术的一种无人机视觉导航策略装置包括：
[0112]
定义模块501，用于定义工业机器人的推动动作和抓取动作，对所述推动动作和抓取动作进行马尔科夫建模；
[0113]
获取模块502，用于获取深度图像，对深度图像建立四叉树，根据所述四叉树获取所述深度图像中不同物体边缘点之间的最小距离；
[0114]
奖励模块503，用于使用深度强化学习网络进行学习，对所述工业机器人的推动动作和抓取动作改变环境进行奖励。
[0115]
可见，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0116]
参照图6，本技术实施例提供了一种工业机器人控制装置，包括：
[0117]
至少一个处理器601；
[0118]
至少一个存储器602，用于存储至少一个程序；
[0119]
当至少一个程序被至少一个处理器601执行时，使得至少一个处理器601实现的前述实施例的一种工业机器人控制方法。
[0120]
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0121]
本发明实施例还提供了一种存储介质，存储介质存储有程序，程序在被处理器执行时用于实现前述实施例的方法。
[0122]
上述的方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述的方法实施例相同。
[0123]
同理，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0124]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0125]
此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。
[0126]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0128]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0129]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0130]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0131]
尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。
[0132]
以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。