确定车辆所处车道的方法、装置及设备与流程

本申请涉及智能驾驶技术领域，尤其涉及一种确定车辆所处车道的方法、装置及设备。

背景技术：

近年来智能驾驶技术发展迅速。智能驾驶场景中，在对车辆位置进行定位时，需要将车辆定位到某个车道内。而目前通常采用的基于gps的定位方式，只能获取车辆的大致位置，无法精确定位到车道级别。

目前，在对车辆所处车道进行定位时，通常采用基于粒子滤波的方法。具体的，采用粒子滤波的方法对多个传感器的感知数据进行融合，直接获得精确的车辆位置，再根据车辆位置在地图中确定出相应的车道。

然而，该方案对感知数据的要求较高，需要利用多个传感器采集道路上的多种路标的感知数据，并且实现复杂，对运算能力要求较高。

技术实现要素：

本申请提供一种确定车辆所处车道的方法、装置及设备，能够降低对感知数据和运算能力的要求。

第一方面，本申请提供一种确定车辆所处车道的方法，包括：获取车辆在当前时刻的位置信息，以及所述车辆在当前时刻的感知数据，所述感知数据包括所述车辆中的采集装置采集的n条感知车道线的信息；根据所述位置信息，在定位地图上获取所述车辆所处道路的m+1条真实车道线的信息，所述车辆所处道路包括m个车道；其中，m+1>＝n；根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度；根据所述车辆在当前时刻分别位于所述m个车道的置信度，确定所述车辆在当前时刻所处的车道。

本申请中，利用车辆的位置信息、车辆中的采集装置采集的感知车道线的信息以及定位地图中的真实车道线的信息，确定车辆所处的车道。本申请仅需要获得针对车道线的感知数据，无须同时获取多种道路路标的感知数据，降低了对感知数据的要求；由于车道线检测算法已经较为成熟，利用感知车道线的信息对车辆进行车道级的定位，也降低了方案的实现难度及对运算能力的要求。本申请通过对车辆所在车道进行定位，为进一步的车道内精确定位限定了边界，大大缩小了精确定位时的搜索空间，降低了进一步执行车道内精确定位的难度。同时，即使在车道内精确定位失败的情况下依然为车辆的位置划定了边界，提高了智能驾驶的安全性。

一种可能的实现方式中，所述根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度，包括：根据所述m+1条真实车道线的信息，获取第一定位结果，所述第一定位结果用于指示在不依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取第二定位结果，所述第二定位结果用于指示在依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述第一定位结果和所述第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

该实现方式中，在依赖感知数据和不依赖感知数据两种情况下，分别确定出车辆的定位结果，并将这两种情况下获取的定位结果进行融合，得到车辆分别位于m个车道的置信度，这样可以提高定位结果的准确性。

一种可能的实现方式中，所述根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取第二定位结果，包括：根据所述n条感知车道线的信息，获取至少一种观测信息；针对每种所述观测信息，根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果；所述根据所述第一定位结果和所述第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度，包括：根据所述第一定位结果，以及所述至少一种类型的观测信息各自对应的第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

该实现方式中，由于是对多种观测对应的定位结果进行计算，得到车辆位于每个车道的置信度，使得本申请方案的扩展性较好。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与最左侧感知车道线之间的距离和所述车辆与最右侧感知车道线之间的距离；所述根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果，包括：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据所述车辆与最左侧感知车道线之间的距离、所述车辆与最右侧感知车道线之间的距离、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：位于所述车辆左侧的感知车道线的数量和位于所述车辆右侧的感知车道线的数量；所述根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果，包括：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据位于所述车辆左侧的感知车道线的数量、位于所述车辆右侧的感知车道线的数量、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与道路边界之间的距离；所述根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果，包括：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆与道路边界之间的距离，以及所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述n条感知车道线的类型；所述根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果，包括：根据所述m+1条真实车道线的信息，获取所述m+1条真实车道线的类型；根据所述n条感知车道线的类型和所述m+1条真实车道线的类型，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述根据所述m+1条真实车道线的信息，获取第一定位结果，包括：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度之后，还包括：获取所述车辆在上一时刻分别位于所述m个车道的置信度；根据所述车辆在上一时刻分别位于所述m个车道的置信度，对所述车辆在当前时刻分别位于所述m个车道的置信度进行修正，得到修正后的所述车辆在当前时刻分别位于所述m个车道的置信度。

该实现方式中，通过利用上一时刻的定位结果为当前时刻的定位结果进行修改，能够提高定位结果的准确性。

第二方面，本申请提供一种确定车辆所处车道的装置，包括：第一获取模块，用于获取车辆在当前时刻的位置信息，以及所述车辆在当前时刻的感知数据，所述感知数据包括所述车辆中的采集装置采集的n条感知车道线的信息；第二获取模块，用于根据所述位置信息，在定位地图上获取所述车辆所处道路的m+1条真实车道线的信息，所述车辆所处道路包括m个车道；其中，m+1>＝n；确定模块，用于根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度；所述确定模块，还用于根据所述车辆在当前时刻分别位于所述m个车道的置信度，确定所述车辆在当前时刻所处的车道。

一种可能的实现方式中，所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取第一定位结果，所述第一定位结果用于指示在不依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取第二定位结果，所述第二定位结果用于指示在依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述第一定位结果和所述第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

一种可能的实现方式中，所述确定模块具体用于：根据所述n条感知车道线的信息，获取至少一种观测信息；针对每种所述观测信息，根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果；根据所述第一定位结果，以及所述至少一种类型的观测信息各自对应的第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与最左侧感知车道线之间的距离和所述车辆与最右侧感知车道线之间的距离，所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据所述车辆与最左侧感知车道线之间的距离、所述车辆与最右侧感知车道线之间的距离、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：位于所述车辆左侧的感知车道线的数量和位于所述车辆右侧的感知车道线的数量；所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据位于所述车辆左侧的感知车道线的数量、位于所述车辆右侧的感知车道线的数量、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与道路边界之间的距离；所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆与道路边界之间的距离，以及所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述n条感知车道线的类型；所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取所述m+1条真实车道线的类型；根据所述n条感知车道线的类型和所述m+1条真实车道线的类型，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述确定模块具体用于：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述确定模块还用于：获取所述车辆在上一时刻分别位于所述m个车道的置信度；根据所述车辆在上一时刻分别位于所述m个车道的置信度，对所述车辆在当前时刻分别位于所述m个车道的置信度进行修正，得到修正后的所述车辆在当前时刻分别位于所述m个车道的置信度。

第三方面，本申请提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面任一项所述的方法。

第四方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面任一项所述的方法。

本申请提供的确定车辆所处车道的方法、装置及设备，该方法包括：获取车辆在当前时刻的位置信息，以及车辆在当前时刻的感知数据，感知数据包括车辆中的采集装置采集的n条感知车道线的信息；根据位置信息，在定位地图上获取车辆所处道路的m+1条真实车道线的信息，车辆所处道路包括m个车道；其中，m+1>＝n；根据n条感知车道线的信息和m+1条真实车道线的信息，获取车辆在当前时刻分别位于m个车道的置信度；根据车辆在当前时刻分别位于m个车道的置信度，确定车辆在当前时刻所处的车道。由此可见，本申请仅需要获得针对车道线的感知数据，无须同时获取多种道路路标的感知数据，降低了对感知数据的要求；由于车道线检测算法已经较为成熟，利用感知车道线的信息对车辆进行车道级的定位，也降低了方案的实现难度及对运算能力的要求。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请适用的应用场景示意图；

图2为本申请一个实施例提供的确定车辆所处车道的方法的流程示意图；

图3为本申请一个实施例提供的真实车道线和感知车道线的示意图；

图4为本申请另一个实施例提供的确定车辆所处车道的方法的流程示意图；

图5为本申请一个实施例提供的确定车辆所处车道的装置的结构示意图；

图6为本申请一个实施例提供的电子设备的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1为本申请适用的应用场景示意图。如图1所示，车辆10行驶在道路上，或者，车辆10停放在道路上，道路上画有车道线20。该车辆可以为普通车辆，还可以为智能驾驶车辆。

其中，车辆10可以设置有定位装置11，例如：全球定位系统(globalpositioningsystem，gps)定位装置、惯性测量单元(inertialmeasurementunit，imu)等。该定位装置可以检测出车辆的大致位置。以gps为例，由于gps定位装置的本身平面定位误差在10-20米以内，并且受到天气、卫星星历误差、电离层折射等诸多因素影响，导致定位结果的误差波动较大。因此，gps的定位结果精度较低，根据gps的定位结果，无法确定出车辆所处的车道。

随着智能驾驶技术的发展，对车辆本身实现自定位的精度要求越来越高。通常来说，智能驾驶车辆将定位误差范围控制在厘米级，是实现智能驾驶行车安全的必要条件。若定位误差过大，尤其是当车辆自身定位在错误的车道上，将会带来灾难性的后果，威胁到行车安全。因此，精确的车道级定位对智能驾驶具有重要意义。

目前，在对车辆所处车道进行定位时，通常采用基于粒子滤波的方法。具体的，采用粒子滤波的方法对多个传感器的感知数据进行融合，直接获得精确的车辆位置，再根据车辆位置在地图中确定出相应的车道。示例性的，假设自身车辆以某种概率分布在一定范围内，在这个范围内按概率分布假设一些粒子代表车辆位置，根据车辆运动情况预测每个粒子δt以后的位置，车辆每隔δt的时间还会用传感器感知道路中的路标相对自己的距离，将每个粒子周围路标的位置和传感器感知的路标位置做比较，传感器感知的路标和探测到的路标越接近则该粒子越有可能代表车辆位置。从预测到探测更新循环迭代，确认车辆的实际位置。然而，上述方案对感知数据的要求较高，需要利用多个传感器采集道路上的多种路标的感知数据，并且实现复杂，对运算能力要求较高。

另外，随着深度学习技术的发展，还出现了基于深度学习的对车辆所处车道进行定位的方法。具体的，将车辆采集的车道线感知数据以及相应的地图数据输入至深度学习模型中，深度学习模型直接输出车辆所处的车道号。该方法实现较为简单，但是需要预先对海量的训练数据进行训练，训练数据所覆盖的场景直接影响模型的学习能力。并且，该方法在实际的使用过程当中泛化性能难以保证，一旦出现问题或是遇到训练集中从未出现过的场景，需要采集相应场景的训练数据进行重新训练才行。并且，若新增了传感器采集的感知数据的类型，则需要重新对模型进行训练，扩展性差。

为了解决上述问题中的至少一个，本申请提供一种确定车辆所处车道的方法，利用车辆的大致位置信息、车辆中的采集装置采集的感知车道线的信息以及定位地图中的真实车道线的信息，确定车辆所处的车道。本申请仅需要获得针对车道线的感知数据，无须同时获取多种道路路标的感知数据，降低了对感知数据的要求；由于车道线检测算法已经较为成熟，利用感知车道线的信息对车辆进行车道级的定位，也降低了方案的实现难度及对运算能力的要求。

本申请通过对车辆所在车道进行定位，为进一步的车道内精确定位限定了边界，大大缩小了精确定位时的搜索空间，降低了进一步执行车道内精确定位的难度。同时，即使在车道内精确定位失败的情况下依然为车辆的位置划定了边界，提高了智能驾驶的安全性。

下面结合几个具体的实施例对本申请的技术方案进行详细描述。下面几个实施例可以相互结合，对于相同或者相似的内容在某些实施例中可能不再重复描述。

图2为本申请一个实施例提供的确定车辆所处车道的方法的流程示意图。如图2所示，本实施例的方法，包括：

s201：获取车辆在当前时刻的位置信息，以及所述车辆在当前时刻的感知数据，所述感知数据包括所述车辆中的采集装置采集的n条感知车道线的信息。

本实施例的方法可以由确定车辆所处车道的装置执行，该装置可以为软件和/或硬件的形式。该装置可以设置到车辆的车载设备中，还可以设置到独立于车辆的电子设备中。

车辆中可以设置有定位装置，例如gps、imu等。确定车辆所处车道的装置可以与定位装置通信连接，定位装置采集到车辆的位置信息后，将位置信息发送给确定车辆所处车道的装置，从而，确定车辆所处车道的装置可以获取到车辆在当前时刻的位置信息。

能够理解，定位装置的定位精度较低，以gps定位装置为例，gps本身平面定位误差在10-20米以内，并且受到天气、卫星星历误差、电离层折射等诸多因素影响，导致gps定位结果的误差波动较大。因此，本实施例中，通过定位装置获取的车辆的位置信息实际是车辆的大概位置(即存在较大误差的定位结果)，根据该位置信息无法直接确定车辆所处的车道。

车辆中还可以设置有采集装置，包括但不限于：图像采集装置、红外采集装置、传感器等。本实施例中的采集装置是指用于感知道路上的车道线的装置。例如，通过车载摄像头采集车道线信息。确定车辆所处车道的装置还可以与采集装置通信连接，采集装置采集到感知数据后，将感知数据发送给确定车辆所处车道的装置，从而，确定车辆所处车道的装置可以获取到感知数据。

本实施例中，感知数据包括n条感知车道线的信息。其中，感知车道线是指采集装置所感知到的车道线。以采集装置为车载摄像头为例，车载摄像头所能采集到的车道线称为感知车道线，感知车道线的数量可以与道路上的真实车道线的数量不同。例如，对于三车道的道路，道路上有4条车道线，当车辆在该道路上行驶时，车载摄像头可能只能采集到其中的2条或者3条或者4条车道线。也就是说，n条感知车道线可以是道路上的真实车道线的子集。

本实施例中，感知车道线的信息包括但不限于：感知车道线的位置信息、感知车道线的类型属性等。以车载摄像头采集感知车道线为例，得到的车道线的数据形式往往为n条车道线在车辆本体坐标系下的三次多项式表达式系数，n为感知获得的车道线条数，即每一条车道线对应一组三次多项式的系数。由于感知车道线的三次多项式是在车辆本体坐标系下表示的，因此，根据每条感知车道线的三次多项式的系数可以直接得到该感知车道线与车辆之间的距离。本实施例为了描述方便，将感知车道线与车辆之间的距离称为该感知车道线的截距。感知车道线的类型属性包括但不限于：实线、虚线、白线、黄线等。

s202：根据所述位置信息，在定位地图上获取所述车辆所处道路的m+1条真实车道线的信息，所述车辆所处道路包括m个车道；其中，m+1>＝n。

定位地图是指记录了道路信息的地图。本实施例中，定位地图可以采用高精地图。高精地图，是指高精度、精细化定义的地图。相比于传统地图，高精地图对整个道路的描述更加准确、清晰和全面，其最主要的特征是含有车道、车道线、道路上各种交通设施和人行横道等数据。

本实施例基于有限空间假设，即，假设车辆仅会在由高精地图给出的道路的车道内行驶。因此，在确定了车辆的位置信息后，可以根据该位置信息获得附近一定区域内的高精地图数据，获取的高精地图数据主要以车道的形式给出，而每一条车道由多条车道线构成，包括但不限于：左车道线、右车道线、护栏、路沿等。

本实施例中为了将感知到的车道线和高精地图中的车道线进行区分，将感知数据中的车道线称为感知车道线，将高精地图中的车道线称为真实车道线。

假设根据车辆的位置信息，从高精地图中获取出m个车道。针对每一个车道，可以从高精地图中获取出左车道线与右车道线。因为一个车道有且仅有左右两条车道线，且相邻车道之间的车道线有重叠(即左侧第0车道的右车道线与第1车道的左车道线是同一条车道线)。因此，共获取到m+1条车道线。

图3为本申请一个实施例提供的真实车道线和感知车道线的示意图。其中，图3中的(a)示例的是真实车道线，图3中的(b)示例的是感知车道线。如图3所示，假设道路包括3个车道，即m＝3，则如图3中的(a)所示，从高精地图中获取到4条真实车道线。当车辆在中间车道行驶时，车辆采集的感知车道线可能如图3中的(b)所示，车辆仅采集到自身所在车道两侧的车道线，即感知车道线的数量为2条，分别对应中间两条真实车道线。需要说明的是，图3所示仅为一种可能的示例。能够理解，当道路共包括m+1条真实车道线的情况下，车辆在该道路上行驶时，车辆感知到车道线的数量小于或者等于m+1，即n<＝m+1。

从高精地图中获取的真实车道线的信息中，真实车道线的位置数据以点(经纬度)的形式给出，因此，可以根据车辆的位置信息，求出真实车道线中的点在车辆本体系(车辆本体坐标系)下的坐标，并依据这些点分别对每一条真实车道线以三次多项式进行回归，获得每一条真实车道线在本体系下的表达式，从而可以直接得出每一条真实车道线在本体系下的截距d(即车辆到真实车道线的距离)。这样，可以将车道级定位问题抽象为一维定位问题，且其状态为离散且有限的，可以大大降低车道级定位问题的难度。

从高精地图中获取的真实车道线的信息中，还可以包括各条真实车道线的类型属性，如实线，虚线、白线、黄线等。

s203：根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

本实施例中，可以将从高精地图中获取的m+1条真实车道线的信息作为先验信息。基于该先验信息，根据车辆感知到的n条感知车道线的信息，确定出车辆分别位于m个车道的置信度。

一种可能的实施方式中，可以首先假设车辆位于第i个车道(i取0、1、…、m-1)，根据m+1条真实车道线的信息，获取当车辆位于第i个车道时的一系列观测信息(例如：车辆与每条真实车道线之间的距离、车辆左右测量的真实车道线的数量、车辆与道路边界之间的距离等)，然后，判断这些观测特征与感知到的n条感知车道线的信息是否相符，根据相符程度，确定出车辆位于第i个车道的置信度。

另一种可能的实施方式中，可以在依赖感知数据和不依赖感知数据两种情况下，分别确定出车辆的定位结果(即车辆分别位于m个车道的后验概率)。然后，将这两种情况下获取的定位结果进行融合，得到车辆分别位于m个车道的置信度，这样可以提高定位结果的准确性。

示例性的，根据m+1条真实车道线的信息，获取第一定位结果，所述第一定位结果用于指示在不依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率。例如：假设车辆的位置信息满足高斯分布，利用高斯误差函数，确定出车辆分别位于m个车道的后验概率。

根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取第二定位结果，所述第二定位结果用于指示在依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率。

能够理解，在得到n条感知车道线的信息的情况下，可以对n条感知车道线从不同角度进行观测，得到多种观测信息。例如，可以从车辆左右两侧的感知车道线的数量进行观测，得到的观测信息为：位于车辆左侧的感知车道线的数量和位于车辆右侧的感知车道线的数量。也可以从车辆距离左右两侧感知车道线的最大距离进行观测，得到的观测信息为：车辆与最左侧感知车道线之间的距离和车辆与最右侧感知车道线之间的距离。还可以根据道路边界进行观测，得到的观测信息为：车辆与道路边界之间的距离(车辆与道路左边界之间的距离，和/或，车辆与道路右边界之间的距离)。还可以从感知车道线的类型进行观测，得到的观测信息为：n条感知车道线的类型(例如：实线、虚线、白线、黄线等)。

进一步的，针对每种观测信息，根据观测信息和所述m+1条真实车道线的信息，获取基于该观测信息的第二定位结果(即，在基于该观测信息情况下，车辆分别位于m个车道的后验概率)。

根据第一定位结果以及多种观测信息各自对应的第二定位结果，获取车辆分别位于m个车道的置信度。

s204：根据所述车辆在当前时刻分别位于所述m个车道的置信度，确定所述车辆在当前时刻所处的车道。

示例性的，在得到车辆分别位于m个车道的置信度之后，若车辆位于第k个车道的置信度最高，且最高置信度大于或者等于预设阈值，则确定车辆处于第k个车道。

本实施例提供的确定车辆所处车道的方法，包括：获取车辆在当前时刻的位置信息，以及车辆在当前时刻的感知数据，感知数据包括车辆中的采集装置采集的n条感知车道线的信息；根据位置信息，在定位地图上获取车辆所处道路的m+1条真实车道线的信息，车辆所处道路包括m个车道；其中，m+1>＝n；根据n条感知车道线的信息和m+1条真实车道线的信息，获取车辆在当前时刻分别位于m个车道的置信度；根据车辆在当前时刻分别位于m个车道的置信度，确定车辆在当前时刻所处的车道。由此可见，本实施例的方法，仅需要获得针对车道线的感知数据，无须同时获取多种道路路标的感知数据，降低了对感知数据的要求；由于车道线检测算法已经较为成熟，利用感知车道线的信息对车辆进行车道级的定位，也降低了方案的实现难度及对运算能力的要求。

图4为本申请另一个实施例提供的确定车辆所处车道的方法的流程示意图，本实施例是对图2所实施例的进一步细化。如图4所示，本实施例的方法，包括：

s401：获取车辆在当前时刻的位置信息，以及所述车辆在当前时刻的感知数据，所述感知数据包括所述车辆中的采集装置采集的n条感知车道线的信息。

s402：根据所述位置信息，在定位地图上获取所述车辆所处道路的m+1条真实车道线的信息，所述车辆所处道路包括m个车道；其中，m+1>＝n。

本实施例中s401和s402的具体实施方式与图2中的s201和s202类似，此处不再赘述。

本实施例中，为方便后续的计算，将车辆本体坐标系沿道路宽度方向进行平移，使得以最左侧的真实车道线为原点。也就是说，相当于对各真实车道线的截距做以下处理：

di＝di-d0(1)

下述的s403a至s403e相当于对图2中的s203的进一步细化，针对感知数据从五种观测角度进行观测，得到五种观测数据。并分别利用每种观测数据，以真实车道线的信息为先验，得到基于每种观测数据的定位结果(即，车辆分别位于m个车道的后验概率)。能够理解，实际应用中，可以仅执行s403a至s403e中的一相或者多项。下面分别进行详细描述。

s403a：基于车辆在当前时刻的位置信息进行观测，得到车辆分别位于m个车道的后验概率。

具体的，根据m+1条真实车道线的信息，获取车辆分别与m+1条真实车道线之间的距离；根据车辆分别与m+1条真实车道线之间的距离，获取车辆分别位于m个车道的后验概率。

本实施例中，s403a是基于车辆在当前时刻的位置信息进行观测，即，不利用车辆的观测数据，而仅利用从高精地图中获取的m+1条真实车道线的信息进行计算。示例性的，根据m+1条真实车道线的信息，获取车辆分别与m+1条真实车道线之间的距离。

假设由定位装置获取的车辆位置信息满足高斯分布n～(μ，δ²)，其中，μ是均值，δ²是方差。为方便计算，本实施例中，将车辆本体系的原点沿车辆宽度方向平移至最左侧的真实车道线处，即以最左侧的真实车道线为x轴的原点，因此，μ＝-d0。这样，可以通过下述公式(2)获取在当前时刻车辆处于第i个车道的概率。

其中，为基于车辆当前时刻的位置信息进行观测得到的车辆处于第i个车道的概率，erf为高斯误差函数，为第i个车道的左侧真实车道线的截距，为第i个车道的右侧真实车道线的截距。

由于本申请中假设车辆只会在高精地图所给的道路中行驶，即通过式(2)获得车辆在每一个车道的概率后，可以通过下述的公式(3)对各概率进行归一化处理，从而得到在该假设下车辆在每一个车道下的概率。

s403b：基于车辆距离左右两侧感知车道线的最远距离进行观测，得到车辆分别位于m个车道的后验概率。

具体的，根据n条感知车道线的信息，获取车辆与最左侧感知车道线之间的距离和车辆与最右侧感知车道线之间的距离；根据m+1条真实车道线的信息，获取车辆所处道路的道路宽度；根据车辆与最左侧感知车道线之间的距离、车辆与最右侧感知车道线之间的距离、以及道路宽度，获取车辆分别位于所述m个车道的后验概率。

本实施例中，s403b是从车辆距离左右两侧感知车道线的最远距离进行观测。具体的，根据n条感知车道线的信息，获取车辆与最左侧感知车道线之间的距离dismax_left(即最左侧感知车道线的截距)和车辆与最右侧感知车道线之间的距离dismax_right(即最右侧感知车道线的截距)。

并且，根据从高精地图中获取的m+1条真实车道线的信息，得到每个车道对应的左侧真实车道线的截距和右侧真实车道线的截距，进而根据各真实车道线的截距，根据公式(4)确定出车辆所处道路的道路宽度。

其中，widthroad为道路宽度，m为车道数量，为第i个车道的左侧真实车道线的截距，为第i个车道的右侧真实车道线的截距。

进而，根据车辆与最左感知车道线之间的距离dismax_left、车辆与最右感知车道线之间的距离dismax_right、以及道路宽度widthroad，根据公式(5)可以获取车辆分别位于每一车道的后验概率。

其中，为基于最远感知车道线进行观测得到的车辆处于第i个车道的概率，erf为高斯误差函数，为第i个车道的左侧真实车道线的截距，为第i个车道的右侧真实车道线的截距，disleft＝dismax_left，disright＝dismax_right。

s403c：基于车辆两侧的感知车道线的数量进行观测，得到车辆分别位于m个车道的后验概率。

具体的，根据n条感知车道线的信息，获取位于车辆左侧的感知车道线的数量和位于车辆右侧的感知车道线的数量；根据m+1条真实车道线的信息，获取车辆所处道路的道路宽度；根据位于车辆左侧的感知车道线的数量、位于车辆右侧的感知车道线的数量、以及道路宽度，获取车辆分别位于m个车道的后验概率。

本实施例中，s403c是从车辆两侧的感知车道线的数量进行观测。因为一个车道有且仅有左右两条车道线，且相邻车道之间的车道线有重叠，即(例如，左侧第0车道的右车道线与第1车道的左车道线是同一条车道线)。因此可以通过观测车辆左右两侧的感知车道线数量来确认车辆可能处于的车道。

具体的，根据n条感知车道线的信息，可以依据在本体系下的截距将n条感知车道线分为位于车辆左侧的感知车道线(截距d<0)以及位于车辆右侧的感知车道线(截距d>0)。进而，可以确定出位于车辆左侧的感知车道线的数量和位于车辆右侧的感知车道线的数量。

根据m+1条真实车道线的信息，获取车辆所处道路的道路宽度widthroad，与s403b中类似，详见公式(4)。

假设观测到的车辆左侧的感知车道线的数量为nleft,车辆右侧的感知车道线的数量为nright,令:

将disleft、disright、以及widthroad代入公式(5)，即可以获取车辆分别位于每一车道的后验概率。

s403d：基于车辆与道路边界之间的距离进行观测，得到车辆分别位于m个车道的后验概率。

具体的，根据n条感知车道线的信息，获取车辆与道路边界之间的距离；根据m+1条真实车道线的信息，获取车辆分别与m+1条真实车道线之间的距离；根据车辆与道路边界之间的距离，以及车辆分别与m+1条真实车道线之间的距离，获取车辆分别位于m个车道的后验概率。

本实施例中，s403d是从车辆与道路边界(例如：护栏、路沿等)之间的距离进行观测。若通过感知数据能直接获得对于道路边界的观测，则通过道路边界对应的截距即可确定出车辆所处的车道。故s403d的核心在于如何通过感知数据获得道路边界的观测，在本实施例中通过下述两个方式确定是否存在针对道路边界的观测。

方式1：根据感知得到的曲线的类型确定道路边界。若感知到某个曲线的类型为道路边界或护栏，则可以根据该曲线的截距，确定出车辆在道路中的位置，进而确定出车辆所处的车道。

方式2：根据感知得到的曲线之间的最短距离确定道路边界。在实际使用中发现，基于视觉的传感器往往很少以很高的置信度给出护栏或道路边界，而是以未知(unkown)或其他类型与常规的车道线一起给出。因此，在本实施例中，可以通过检测两条感知车道线之间的距离是否小于预设阈值(比如道路边界与最近一条车道线之间的距离通常为40cm，预设阈值可以设置为50cm)，来确定道路边界。例如，若根据感知数据确定最左侧的两条感知车道线之间的距离小于预设阈值，则确定最左侧的感知车道线为道路边界，左侧第二条感知车道线为第0个车道的左侧车道线。

采用上述两种方式中的任一均可以确定出道路边界对应的截距，记为dboundary。令μ＝dboundary-δd，将μ代入公式(2)即可获取车辆分别位于每一车道的后验概率。其中，δd为预设的道路边界到最近一条车道线的距离，例如为50cm。

s403e：基于车道线的类型进行观测，得的车辆分别位于m个车道的后验概率。

具体的，根据n条感知车道线的信息，获取n条感知车道线的类型；根据m+1条真实车道线的信息，获取m+1条真实车道线的类型；根据n条感知车道线的类型和m+1条真实车道线的类型，获取车辆分别位于m个车道的后验概率。

本实施例中，s403e是从车道线的类型进行观测。如前所述，由高精地图获取的车道线数据和感知数据中均包含车道线的类型属性，因此，还可以通过类型匹配确定车辆所处的车道。当从感知数据中获取到n条车道线时，以最左侧感知车道线与高精地图中的最左侧真实车道线对齐开始，直到最右侧感知车道线与高精地图的最右侧真实车道线对齐结束，一共有m-(n-1)+1种可能的匹配情况。

假设根据感知数据获取的n条车道线的类型观测正确的概率记ptrue，则第k种可能的匹配情况的概率可以由公式(6)计算。

其中，

获取到第k种可能的匹配情况的概率之后，即可确定出车辆位于第xk+δm个车道的概率，因为其中，δm＝nleft-1，nleft为位于车辆左侧的由感知获得的车道线数量。

为了后续计算方便，对于未被计算的车道则将其概率置为一个极小值pmin，例如pmin＝0.05。示例性的，若根据感知数据得到车辆左侧有两条感知车道线，车辆右侧有一条感知车道线，则车辆基本不可能处于左侧第0车道(车道下标从0开始)。

当获得车辆在每个车道的概率后，可以进一步利用公式(3)完成归一化。

s404：对s403a至s403e中获取的车辆分别位于m个车道的后验概率进行融合，得到车辆分别位于m个车道的置信度。

本实施例中，需要结合s403a至s403e中获取的车辆分别位于m个车道的后验概率，确定车辆在当前时刻最有可能处于的车道。本实施例还基于状态不变假设。换句话说，采用同一时刻t时的所有观测信息计算出针对每一条车道的置信度，由于所有观测信息均是从同一时刻内的感知数据获得，故可以合理假设在该时刻t下车辆的位置并不发生变化。车辆在某一个车道的状态有且仅有两种，即在该车道内或是不在该车道内。故基于上述假设，在本申请中可以计算基于当前的感知数据的置信度指示的是在t时刻，在获得m个观测信息(z0…zk)的情况下，车辆处于第i个车道的置信度。

可选的，在本实施例中根据s403a至s403e得到的定位结果计算车辆位于每个车道的置信度时，可以采用静态二值贝叶斯滤波进行计算，即采用式(7)进行迭代计算。因所有观测均在同一时刻t获得，且计算的车辆所处车道的置信度也是针对时刻t，故为了表达简便，公式(7)中隐去表征时刻的符号t。

其中，l为概率比对数，即k依次取0、1、2、…、m，m为观测信息的数量。p(i)为先验概率，以车道数量为m为例，为第i个车道的右侧车道线的截距，为第i个车道的左侧车道线的截距，widthhoad为道路的宽度。例如：以三车道的道路为例，p(xi)可以等于

通过公式(7)获得后，可由公式(8)求解t时刻下，在当前k个观测信息下，车辆处于第i个车道的置信度p(xi|z0：k)。

本实施例中，由于是对多种类型的观测(s403a至s403e)对应的定位结果进行静态二值贝叶斯滤波进行计算，得到车辆位于每个车道的置信度，使得本申请方案的扩展性较好。当新增其他类型的观测信息时，仅需要在当前的结果下继续执行公式(7)进行融合，而不影响已有结果。

s405：获取车辆在上一时刻分别位于m个车道的置信度；根据车辆在上一时刻分别位于m个车道的置信度，对车辆在当前时刻分别位于m个车道的置信度进行修正，得到修正后的车辆在当前时刻分别位于m个车道的置信度。

为提高定位结果的鲁棒性，本实施例中，还可以借鉴直方图滤波的思想来递推的完成最终的定位结果。常规的直方图滤波如公式(9)和(10)所示。

在本申请的应用场景中，因为车辆所处的车道相对于感知数据的获取频率(≥10hz)而言基本不变，因此，公式(9)可以修改为公式(11)，即，车辆在t时刻位于第i个车道的置信度与车辆在t-1时刻位于第i个车道的概率pi,t-1相等。即：

同时,由贝叶斯公式，公式(10)可以转化为：

其中，p(xt＝xi)为先验概率，即，

本实施例中，每获得一帧感知数据，就通过步骤s404所述的静态二值贝叶斯滤波对步骤s403a至s403e中得到的后验概率计算当前感知数据下的置信度p(xt＝xi|zt)。同时，因为还会采用公式(3)进行归一化，故p(zt)可以合并进入归一化因子η中，故公式(12)可写为公式(14)。

由公式(14)可知，采用车辆在t-1时刻位于第i个车道的置信度，对车辆在时刻t位于第i个车道的置信度进行修正，得到修正后的车辆在时刻t位于第i个车道的置信度。

s406：根据修正后的车辆在当前时刻分别位于m个车道的置信度，确定车辆在当前时刻所处的车道。

在得出在当前时刻t下车辆在每一条车道的置信度pi,t后，若车辆在第i个车道的置信度最高，且最高概率超过预设阈值pthreshold_max，即pimax，t≥pthreshold_max,则即可认为车辆处于该车道。

本实施例的方法，仅需要获得针对车道线的感知数据，无须同时获取多种道路路标的感知数据，降低了对感知的数据要求；由于车道线检测算法已经较为成熟，利用感知车道线的信息对车辆进行车道级的定位，也降低了方案的实现难度及对运算能力的要求。另外，由于是对多种类型的观测信息对应的定位结果进行静态二值贝叶斯滤波进行计算，得到车辆位于每个车道的置信度，使得本申请方案的扩展性较好。当新增其他类型的观测信息时，仅需要在当前的结果下继续融合新的观测信息对应的定位结果，而不影响已有结果。

图5为本申请一个实施例提供的确定车辆所处车道的装置的结构示意图。如图5所示，本实施例的装置500可以包括：第一获取模块501、第二获取模块502和确定模块503。

其中，第一获取模块501，用于获取车辆在当前时刻的位置信息，以及所述车辆在当前时刻的感知数据，所述感知数据包括所述车辆中的采集装置采集的n条感知车道线的信息；第二获取模块502，用于根据所述位置信息，在定位地图上获取所述车辆所处道路的m+1条真实车道线的信息，所述车辆所处道路包括m个车道；其中，m+1>＝n；确定模块503，用于根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取所述车辆在当前时刻分别位于所述m个车道的置信度；所述确定模块503，还用于根据所述车辆在当前时刻分别位于所述m个车道的置信度，确定所述车辆在当前时刻所处的车道。

一种可能的实现方式中，所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取第一定位结果，所述第一定位结果用于指示在不依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述n条感知车道线的信息和所述m+1条真实车道线的信息，获取第二定位结果，所述第二定位结果用于指示在依赖所述感知数据的情况下，所述车辆分别位于所述m个车道的后验概率；根据所述第一定位结果和所述第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

一种可能的实现方式中，所述确定模块503具体用于：根据所述n条感知车道线的信息，获取至少一种观测信息；针对每种所述观测信息，根据所述观测信息和所述m+1条真实车道线的信息，获取基于所述观测信息的第二定位结果；根据所述第一定位结果，以及所述至少一种类型的观测信息各自对应的第二定位结果，获取所述车辆在当前时刻分别位于所述m个车道的置信度。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与最左侧感知车道线之间的距离和所述车辆与最右侧感知车道线之间的距离，所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据所述车辆与最左侧感知车道线之间的距离、所述车辆与最右侧感知车道线之间的距离、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：位于所述车辆左侧的感知车道线的数量和位于所述车辆右侧的感知车道线的数量；所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取所述车辆所处道路的道路宽度；根据位于所述车辆左侧的感知车道线的数量、位于所述车辆右侧的感知车道线的数量、以及所述道路宽度，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述车辆与道路边界之间的距离；所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆与道路边界之间的距离，以及所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述至少一种观测信息包括：所述n条感知车道线的类型；所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取所述m+1条真实车道线的类型；根据所述n条感知车道线的类型和所述m+1条真实车道线的类型，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述确定模块503具体用于：根据所述m+1条真实车道线的信息，获取所述车辆分别与所述m+1条真实车道线之间的距离；根据所述车辆分别与所述m+1条真实车道线之间的距离，获取所述车辆分别位于所述m个车道的后验概率。

一种可能的实现方式中，所述确定模块503还用于：获取所述车辆在上一时刻分别位于所述m个车道的置信度；根据所述车辆在上一时刻分别位于所述m个车道的置信度，对所述车辆在当前时刻分别位于所述m个车道的置信度进行修正，得到修正后的所述车辆在当前时刻分别位于所述m个车道的置信度。

本实施例的装置，可用于执行上述任一方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的确定车辆所处车道的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的确定车辆所处车道的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的确定车辆所处车道的方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的确定车辆所处车道的方法对应的程序指令/模块(例如，附图5所示的第一获取模块501、第二获取模块502和确定模块503)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器或者终端设备的各种功能应用以及数据处理，即实现上述方法实施例中的确定车辆所处车道的方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。