一种串联机器人动力学参数辨识激励轨迹的优化方法

1.本发明涉及工业机器人轨迹优化，具体涉及一种串联机器人动力学参数辨识激励轨迹的优化方法。


背景技术：

2.现代机器人手臂的应用要求高精度和高速度，例如先进制造和多机器人系统控制。这些应用通常需要基于模型的高级控制算法或基于扭矩输入的控制算法。这种控制方案需要准确了解机器人手臂的动力学参数。然而，许多机器人制造商不提供这些参数或仅提供部分信息。因此，通过实验识别或校准是目前获得该信息的一种比较可靠的方法。激发轨迹的设计在机器人的参数识别中非常重要。在激发轨迹的过程中，应完全模拟操纵器的动态参数，并应最小化噪声对测量的影响，以便仅迅速，准确地估算参数，并确保识别准确性。
3.根据公开号：cn111775140a，公开日为2020-10-16的发明专利申请，公开了一种多关节机械臂动力学参数辨识激励轨迹的优化方法，按如下步骤进行：步骤1、运用牛顿-欧拉法建立多关节机械臂的动力学模型，线性化处理所述动力学模型中的非线性项，从而获得多关节机械臂线性化的动力学模型；步骤2、基于随机数模拟参数法求解所述多关节机械臂线性化的动力学模型，得到多关节机械臂的最小动力学参数集，并获得多关节机械臂动力学模型的简化模型；步骤3、建立多关节机械臂动力学参数辨识激励轨迹的数学模型，并根据所述多关节机械臂动力学模型的简化模型，获得观测矩阵函数，再根据所述观测矩阵函数建立由辨识激励轨迹的优化目标函数与约束条件构成的辨识激励轨迹模型；步骤4、根据量子遗传算法对所述辨识激励轨迹模型进行优化，获得满足关节约束条件和在空间范围内变动的激励轨迹，所述激励轨迹用于多关节机械臂动力学的参数辨识。其主要的技术效果是：通过对多关节机械臂动力学性能分析，建立所述多关节机械臂线性化动力学模型，并通过随机数法确定所述多关节机械臂的最小动力学参数集，引入有限项傅里叶级数法建立辨识激励轨迹，将最小动力学参数集对应广义观测矩阵的条件数设定为辨识激励轨迹优化目标函数，采用量子遗传算法优化出适用于所述多关节机械臂动力学参数辨识的激励轨迹，解决了激励轨迹优化算法迭代次数多，易陷入局部极值的问题，基于量子遗传算法优化出满足关节约束条件和在空间范围内变动的激励轨迹，该优化算法优化激励轨迹能够快速收敛并具有较好的鲁棒性，为多关节机械臂动力学参数辨识所需的激励轨迹优化提供了新的方法。
4.关于激励轨迹的优化标准，为了获得良好的性能，减少噪声误差对参数估计的影响，通常采用最小化回归矩阵的条件数cond(
·
)作为优化目标准则。或可以采用fisher信息矩阵行列式的对数-log{det(
·
)}作为优化标准来优化轨迹。还可以通过基于hadamard不等式的判断的方法，将作为优化准则以降低寻找最优轨迹的复杂性和计算时间。另一种常见方法是在优化过程中添加扰动特征，例如噪声，该方法可以有效地提高参数识别的准确性。现有方法中采用扰动特征进行优化增加了优化过程中的计算复杂性和时间损耗，
为此提出一种串联机器人动力学参数辨识激励轨迹的优化方法，以期能在的激励轨迹优化过程中，减少噪声误差对参数辨识的影响，同时降低优化过程中的计算复杂性和减少时间上的损耗，且优化的辨识激励轨迹满足边界要求并具有较好的激励性。


技术实现要素：

5.本发明的目的是提供一种串联机器人动力学参数辨识激励轨迹的优化方法，以期能在的激励轨迹优化过程中，减少噪声误差对参数辨识的影响，同时降低优化过程中的计算复杂性和减少时间上的损耗，且优化的辨识激励轨迹满足边界要求并具有较好的激励性。
6.为了实现上述目的，本发明提供如下技术方案：一种串联机器人动力学参数辨识激励轨迹的优化方法，包括以下步骤：
7.s1：建立串联机器人牛顿—欧拉动力学模型；
8.s2：线性化处理步骤s1中动力学模型中的非线性项，并获得基于改进的dh法的线性动力学模型；
9.s3：求解多关节机械臂动力学最小参数集，获得多关节机械臂动力学模型的简化模型；
10.s4：标准参数通过qr分解或线性关系映射的数值方法进行重组，获得观测矩阵w；
11.s5：基于傅里叶级数建立串联机器人动力学参数辨识激励轨迹的数学模型；
12.s6：通过引入hadamard不等式优化准则作为约束条件之一，以观测矩阵的条件cond(w)作为辨识激励轨迹优化目标函数的优化标准，从而获得充分表征实际机器人系统的力学特征的最优激励轨迹，最优激励轨迹用于多关节机械臂动力学的参数辨识。
13.作为优选的，步骤s6是按如下过程进行：
14.s6.1：设定优化趋近值
△
，并设置关节位置、及加速度的约束条件；
15.s6.2：在区间[-2,2]内随机生成单个关节傅里叶激励轨迹的2n+1个参数，谐波数n通常取值为5，采样频率为100hz；
[0016]
s6.3:初步优化产生初始系数，根据hadamard不等式建立优化目标函数，在matlab工具箱中的使用fmincon函数的序列二次规划对优化目标函数进行优化求解；在求解二次规划子问题的迭代过程中，将hessian近似矩阵更新到最优解，从而快速生成约束空间下的初始位置q
i,0
和傅立叶系数a
i,k
、b
i,k
；
[0017]
s6.4：根据s6.3获得的初步优化局部最优值，通过基于内点法的fmincon函数优化目标函数cond(w)，直到可行解满足约束目标；
[0018]
s6.5：此时通过判断s6.4优化后的结果，其条件数是否满足小于关节设定的优化趋近值
△
，若满足，则保留优化结果并进入s6.6，若不满足，则舍弃该组参数，返回s6.2重新生成一组随机参数并重新执行s6.2—s6.5；
[0019]
s6.6：将s6.5得到的优化结果代入到s3中建立的辨识激励轨迹的数学模型中，分别判断其是否满足关节位置，速度，加速度约束条件，若满足则获得满足关节约束条件和在空间范围内变动的最优激励轨迹；若不满足，则舍弃该组参数，返回s6.2重新生成一组随机参数重新s6.2—s6.6。
[0020]
作为优选的，步骤6.1中，关节位置、及加速度的约束条件如式(8)所示：
[0021][0022]
式中，分别表示第i关节在t时刻的关节角度、角速度、角加速度，q
max
为关节角度的最大值，为关节角速度的最大值，为关节角加速度的最大值，t0、tf分别表示起始点和终止点。
[0023]
作为优选的，步骤6.3中，首先根据hadamard不等式，如式(9)所示：
[0024][0025]
对基于hadamard不等式建立的优化目标函数如式(10)所示：
[0026][0027]wkg
为观测矩阵w的第g列式第k个元素，在matlab工具箱中的使用fmincon函数的序列二次规划对进行优化求解；在求解二次规划子问题的迭代过程中，更新hessian近似矩阵，直到最优解，从而快速生成约束空间下的初始位置q
i,0
和傅立叶系数a
i,k
、b
i,k
。
[0028]
作为优选的，步骤6.4中，根据步骤6.3获得的局部最优值，通过基于内点法的fmincon函数对目标函数cond(w)进行优化，直到可行解满足约束目标。
[0029]
上述技术方案中，本发明提供的一种串联机器人动力学参数辨识激励轨迹的优化方法，具备以下有益效果：
[0030]
1、本发明通过建立精确的串联机器人动力学模型并获得最小动力学参数集，根据有限项傅里叶级数设计参数辨识激励轨迹的模型从而得到观测矩阵w，仍以观测矩阵的条件数作为辨识激励轨迹优化目标函数，通过引入hadamard不等式作为约束条件之一，达到在最短时间内找到满足约束的激励轨迹参数，可以降低计算过程中的复杂度。
[0031]
2、本发明在优化后可以减少需要的条件数，从而提高参数识别的准确性和识别结果对噪声的鲁棒性，为串联机器人动力学参数辨识所需的激励轨迹优化提供了新的方法。
附图说明
[0032]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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发明中记载的一
些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0033]
图1为基于本发明所提出的步骤s6中准则优化激励轨迹流程图；
[0034]
图2为本发明实施例提供的优化过程中条件数随时间变化图；
[0035]
图3a为本发明实施例提供的优化后激励轨迹的各关节角度与时间关系图
[0036]
图3b为发明实施例提供的优化后激励轨迹的各关节角速度与时间关系图；
[0037]
图3c为发明实施例提供的优化后激励轨迹的各关节角加速度与时间关系图；
[0038]
图4为发明实施例提供的对照组优化过程中条件数随时间变化图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0040]
一种串联机器人动力学参数辨识激励轨迹的优化方法，包括以下步骤：
[0041]
s1：建立串联机器人牛顿—欧拉动力学模型；
[0042]
建立n自由度串联机器人牛顿-欧拉动力学模型如(1)式表示：
[0043][0044]
式(1)中，τd表示机械臂的各关节力矩，q、表示机械臂的关节角位置、关节角速度和关节角加速度，m(q)为惯性矩阵，为科式力和离心力，g(q)为重力，j(q)为关节空间中的外力，为了将摩擦力作为线性关系写，使用库伦—粘性摩擦力模型对该项进行描述，如式(2)表示：
[0045][0046]
式(2)中，fc、fv分别表示库仑和粘性摩擦系数，fb表示粘性摩擦补偿，将式(2)添加到辨识模型中一同进行识别；
[0047]
s2：线性化处理步骤s1中动力学模型中的非线性项，并获得基于改进的dh法的线性动力学模型；
[0048]
线性模型通常基于改进的dh法，可以获得包含ns个标准参数的线性模型，如下所示如下式(3)表示：
[0049][0050]
式(3)中，关节位置、速度和加速度向量的非线性函数的回归矩阵，是待估计的标准参数向量；
[0051]
s3：求解多关节机械臂动力学最小参数集，获得多关节机械臂动力学模型的简化模型；
[0052]
s4：标准参数通过qr分解或线性关系映射的数值方法进行重组，从中可以获得含有有nb个估计参数的观测矩阵，如式(4)表示：
[0053][0054]
其中，为样本数，ωs为采样频率，ωf为周期轨迹基；
[0055]
s5：基于傅里叶级数建立串联机器人动力学参数辨识激励轨迹的数学模型；
[0056]
第i关节的运动轨迹可以按以下方式定义为时间t的函数，该函数由n个谐波正弦和余弦函数的有限和组成，其公式如下(5)：
[0057][0058]
式中，ω
fi
为傅立叶级数的基频；机械臂各关节采用相同的基频来保证激励轨迹的周期性，空间机器人每个关节的参数化运动轨迹含有13个傅里叶系数[q
i,0
,a
i,1
...a
i,5
,b
i,1
...b
i,5
]；q
i,0
为第i关节初始位置，a
i,k
、b
i,k
正弦和余弦函数的幅值。
[0059]
对于式(5)关于时间求一阶导数和二阶导数能够得到关节i的角速度和角加速度如式(6)和式(7)所示：
[0060][0061][0062]
上述步骤s1—s5为现有技术中常规步骤，不进行过多展开。
[0063]
s6：通过引入hadamard不等式优化准则作为约束条件之一，以观测矩阵的条件cond(w)作为辨识激励轨迹优化目标函数的优化标准，从而获得充分表征实际机器人系统的力学特征的最优激励轨迹，最优激励轨迹用于多关节机械臂动力学的参数辨识；
[0064]
步骤s6是按如下过程进行：
[0065]
s6.1：设定优化趋近值
△
，并设置关节位置、及加速度的约束条件；
[0066]
关节位置、及加速度的约束条件如式(8)所示：
[0067][0068]
式中，分别表示第i关节在t时刻的关节角度、角速度、角加速度，q
max
为关节角度的最大值，为关节角速度的最大值，为关节角加速度的最大值，t0、tf分别表示起始点和终止点；
[0069]
s6.2：在区间[-2,2]内随机生成单个关节傅里叶激励轨迹的2n+1个参数，谐波数n通常取值为5，采样频率为100hz；
[0070]
s6.3:初步优化产生初始系数；
[0071]
根据hadamard不等式建立优化目标函数，hadamard不等式如式(9)所示：
[0072][0073]
对基于hadamard不等式建立的优化目标函数如式(10)所示：
[0074][0075]
其中，w
kg
为观测矩阵w的第g列的第k个元素，在matlab工具箱中的使用fmincon函数的序列二次规划(sqp)对进行优化求解；在求解二次规划子问题的迭代过程中，更新hessian近似矩阵，直到最优解，从而快速生成约束空间下的初始位置q
i,0
和傅立叶系数a
i,k
、b
i,k
,m为上述s4中式(4)得到，nb为上述s4中得到；
[0076]
s6.4：根据s6.3获得的初步优化局部最优值，通过基于内点法的fmincon函数对目标函数cond(w)进行优化，直到可行解满足约束目标；
[0077]
因此激励轨迹优化问题可以描述为如下形式：
[0078]
上述目标函数表示为：
[0079]
arg min(cond(w))≤δ
[0080]
上述约束目标表示为:
[0081][0082]
s6.5：此时通过判断s6.4优化后的结果，其条件数是否满足小于关节设定的优化趋近值
△
，若满足，则保留优化结果并进入s6.6，若不满足，则舍弃该组参数，返回s6.2重新生成一组随机参数并重新执行s6.2—s6.5；
[0083]
s6.6：将s6.5得到的优化结果代入到s3中建立的辨识激励轨迹的数学模型中，分别判断其是否满足关节位置，速度，加速度约束条件，若满足则获得满足关节约束条件和在空间范围内变动的最优激励轨迹；若不满足，则舍弃该组参数，返回s6.2重新生成一组随机参数重新s6.2—s6.6。
[0084]
作为本发明提供的第一实施例，针对一个七自由度串联机器人动力学参数辨识激励轨迹优化方法的具体实施按如下步骤进行：
[0085]
s1、建立串联机器人牛顿—欧拉动力学模型；
[0086]
s2、线性化处理所述动力学模型中的非线性项，从而获得基于改进的dh法的动力学模型；
[0087]
s3、求解多关节机械臂动力学最小参数集，获得多关节机械臂动力学模型的简化模型；
[0088]
s4、标准参数通常通过qr分解或线性关系映射的数值方法进行重组，从而获得观测矩阵w；
[0089]
s5：基于傅里叶级数建立串联机器人动力学参数辨识激励轨迹的数学模型，基频为0.1π,总时间为20s，轨迹中包含五项傅里叶级数(n＝5),优化激励轨迹的约束值如表2所示；
[0090]
s6：对优化目标值
△
设定为6.40，并设置关节位置、及加速度的约束条件如表1所示；
[0091]
表1七自由度机器人运动约束
[0092][0093]
步骤6.1：在区间[-2,2]内生成串联机器人每个关节激励轨迹的6.5个待定系数[q
i,0
,a
i,1
...a
i,5
,b
i,1
...b
i,5
]；
[0094]
步骤6.2：执行激励轨迹优化流程如图1所示，通过引入hadamard不等式优化准则作为约束条件之一，以观测矩阵的条件数作为辨识激励轨迹优化目标函数的优化标准，从而获得充分表征实际机器人系统的动力学特征的最优激励轨迹。目标函数的迭代优化过程如图2，从图中可以看到在15代左右趋近于稳定，20代以后优化目标函数值变化很小，最终迭代至23代时迭代结束并达到条件数最优值60.046.23，图3a、图3b、图3c为优化后的激励轨迹图。为了体现本发明快速的收敛性，设置利用单一优化准则(cond(w))获得激励轨迹作为对照组，图4为其中一组对照组的优化过程。表2中给出了两种优化方法的比较。
[0095]
表2执行时间对比情况
[0096][0097]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0098]
本发明是参照根据本发明实施例的方法、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。
[0099]
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。
[0100]
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。
[0101]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0102]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：
[0103]
处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；
[0104]
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
[0105]
所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0106]
s1：建立串联机器人牛顿—欧拉动力学模型；
[0107]
s2：线性化处理步骤s1中动力学模型中的非线性项，并获得基于改进的dh法的线性动力学模型；
[0108]
s3：求解多关节机械臂动力学最小参数集，获得多关节机械臂动力学模型的简化模型；
[0109]
s4：标准参数通过qr分解或线性关系映射的数值方法进行重组，获得观测矩阵w；
[0110]
s5：基于傅里叶级数建立串联机器人动力学参数辨识激励轨迹的数学模型；
[0111]
s6：通过引入hadamard不等式优化准则作为约束条件之一，以观测矩阵的条件cond(w)作为辨识激励轨迹优化目标函数的优化标准，从而获得充分表征实际机器人系统的力学特征的最优激励轨迹，最优激励轨迹用于多关节机械臂动力学的参数辨识。
[0112]
本技术的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现
下述步骤：
[0113]
s1：建立串联机器人牛顿—欧拉动力学模型；
[0114]
s2：线性化处理步骤s1中动力学模型中的非线性项，并获得基于改进的dh法的线性动力学模型；
[0115]
s3：求解多关节机械臂动力学最小参数集，获得多关节机械臂动力学模型的简化模型；
[0116]
s4：标准参数通过qr分解或线性关系映射的数值方法进行重组，获得观测矩阵w；
[0117]
s5：基于傅里叶级数建立串联机器人动力学参数辨识激励轨迹的数学模型；
[0118]
s6：通过引入hadamard不等式优化准则作为约束条件之一，以观测矩阵的条件cond(w)作为辨识激励轨迹优化目标函数的优化标准，从而获得充分表征实际机器人系统的力学特征的最优激励轨迹，最优激励轨迹用于多关节机械臂动力学的参数辨识。
[0119]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、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。
[0120]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
[0121]
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。