地图创建以及运动实体定位的方法和装置与流程

本公开的实施例主要涉及定位领域，并且更具体地，涉及地图创建以及基于地图的运动实体定位方法和装置。

背景技术：

在人们的日常生活中，经常需要对各种运动实体(例如，行进中的人，行驶中的交通工具等)进行定位，以便获得运动实体所处的位置，进而提供基于位置的服务，例如导航、提供交通状况信息等。定位精度越高，所提供的服务就越能满足用户的需求。

另一方面，随着人工智能领域的发展，无人驾驶技术已经吸引了人们的目光，越来越多的研究机构和商业公司都开始对无人驾驶技术进行投资和布局。在无人驾驶领域中，一项必不可少的技术就是高精度定位。为了实现无人驾驶交通工具的量化生产，一个瓶颈就在于如何以低成本的方式获得高精度的定位结果。

技术实现要素：

根据本公开的示例性实施例，提供了一种地图创建方法和一种运动实体定位方案。

在本公开的第一方面中，提供了一种创建地图的方法。该方法包括获取在采集实体行进过程中采集的图像以及与该图像相关联的位置数据和点云数据。位置数据指示采集实体在该图像被采集时所处的位置，而点云数据指示所述图像的三维信息。该方法还包括基于该图像和该位置数据，生成地图的全局特征层中的第一元素。该方法还包括基于该图像和该点云数据，生成地图的局部特征层中的第二元素，第一元素与第二元素相对应。

在本公开的第二方面中，提供了一种运动实体定位方法。该方法包括获取在运动实体行进过程中采集的图像。该方法还包括获取运动实体在该图像被采集时的位置数据。该方法还包括基于该图像、该位置数据以及根据本公开的第一方面所述的地图，确定运动实体的定位。

在本公开的第三方面中，提供了一种创建地图的装置。该装置包括：获取模块，被配置为获取在采集实体行进过程中采集的图像以及与该图像相关联的位置数据和点云数据，位置数据指示采集实体在该图像被采集时所处的位置，点云数据指示该图像的三维信息；全局特征层生成模块，被配置为基于该图像和该位置数据，生成地图的全局特征层中的第一元素；以及局部特征层生成模块，被配置为基于该图像和该点云数据，生成地图的局部特征层中的第二元素，第一元素与第二元素相对应。

在本公开的第四方面中，提供了一种运动实体定位装置。该装置包括：图像获取模块，被配置为获取在运动实体行进过程中采集的图像；位置获取模块，被配置为获取运动实体在该图像被采集时的位置数据；以及定位模块，被配置为基于该图像、该位置数据以及根据本公开的第一方面所述的地图，确定运动实体的定位。

在本公开的第五方面中，提供了一种装置，包括一个或多个处理器；以及存储设备，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第六方面中，提供了一种装置，包括一个或多个处理器；以及存储设备，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本公开的第二方面的方法。

在本公开的第七方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第八方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第二方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例性环境的示意图；

图2示出了根据本公开的实施例的创建地图的方法的流程图；

图3示出了根据本公开的实施例的运动实体定位方法的流程图；

图4示出了根据本公开的实施例的运动实体定位方法的流程图；

图5示出了根据本公开的实施例的用于创建地图的装置的方框图；

图6示出了根据本公开的实施例的运动实体定位装置的方框图；以及

图7示出了能够实施本公开的多个实施例的计算设备的方框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上文所提及的，为了给用户提供更好的基于位置的服务，需要进行精确的定位。尤其是在无人驾驶领域中，以较低的成本实现车辆的精确的自动定位更为重要。

传统的定位方案总体上可以被分为基于激光点云的定位方法和基于图像的定位方法。基于激光点云的定位方法的优点是定位精度高，技术相对比较成熟，但其缺点也很明显，即成本太高，无法实现量产化。而基于图像的定位方法虽然成本较低，容易实现量产化，但是其精度不高，无法满足无人驾驶的要求。

根据本公开的实施例，提供了一种基于地图的运动实体定位方案。该方案充分利用了激光雷达的定位精度高的优点以及相机的成本低的优点。该方案主要包括两部分，第一部分是离线地创建具有图像特征层的地图，第二部分是在线地利用所创建的地图对运动实体进行定位。

在本公开的上下文中，术语“运动实体”是能够运动的任何实体，例如人、车辆或其他能够运动的设备。在本公开的实施例中，为了能够精确地对运动实体定位，运动实体可以配备有能够采集图像数据的相机，例如高精相机、全景相机、单目相机等。

在本公开的上下文中，术语“采集实体”是能够采集点云数据、图像数据、位置数据和/或其他适当数据的实体。采集实体可以是一种特定的运动实体，例如车辆、人或其他能够运动的设备。采集实体可以配备有相机、位置传感器和/或激光雷达等装置，而运动实体可以配备有相机、位置传感器，运动实体可以不配备有激光雷达。相机可以是高精相机、全景相机、单目相机等。位置传感器可以是GPS设备、A-GPS(辅助GPS)设备、span-cpt等。激光雷达可以是单线激光雷达、多线激光雷达、3D激光雷达等。

上述车辆可以包括自动驾驶车辆和/或非自动驾驶车辆等。自动驾驶车辆也称无人驾驶车辆，即，可以部分或全部执行自动化行驶操作的车辆。非自动驾驶车辆是指完全由人类给出行驶操作指令的车辆。

在本公开的实施例中，本领域技术人员应当理解，采集实体和运动实体是相互关联的。例如，如果采集实体在采集数据时处于运动情况下，则此时可以将采集实体认为是一种运动实体。另一方面，在对运动实体定位的情况下，如果运动实体采集图像以便基于该图像进行定位，则此时可以将运动实体认为是一种采集实体。

在创建地图的过程中，利用相机采集的图像以及位置传感器获得的位置信息来生成地图的全局特征层，利用相机采集的图像以及激光雷达获得的点云来生成地图的局部特征层。在全局特征层中，将粗略的位置信息与图像的全局特征相关联；在局部特征层中，将精确的三维空间坐标信息与该图像的局部特征相关联。由此，通过图像的全局特征和局部特征，将粗略的位置信息与精确的三维信息关联起来。

在对运动实体进行定位的过程中，利用在运动实体行进过程中采集的图像以及运动实体在该图像被采集时所处的一个粗略位置，基于所创建的具有全局特征层和局部特征层的地图，来确定与该图像相关的三维空间坐标信息，进而基于三维空间坐标信息来更精确地确定运动实体所处的位置。基于在第一部分中创建的高精地图，在运动实体中只需具备用于采集图像的相机以及用于获得粗略位置的位置传感器(例如GPS设备)，就能获得实时的三维信息，而无需具备激光雷达。

在以下描述中，为了便于说明，本公开的以下实施例以车辆为例来描述各个实施例。但是本领域技术人员将理解的是，本公开的方案也可以类似地应用于其他类型的采集实体和/或运动实体。

下面将参照附图来具体描述本公开的实施例。

图1示出了本公开的多个实施例的能够在其中实现的示例性环境100的示意图。在该示例性环境100中，由计算设备120来创建地图110，该地图110具有图像特征层。为了创建地图110，计算设备120首先采集图像数据、位置数据和点云数据等。采集实体(例如车辆140)上安装有已经同步的位置传感器、激光雷达和相机。在数据采集阶段，相机在车辆140行驶过程中采集图像，位置传感器获得图像被采集时车辆140所处的位置，并且激光雷达获得与图像相关联的点云数据，该点云数据指示该图像的三维信息。存储装置130可以对在车辆140行驶过程中所采集的图像、图像被采集时车辆140所处的位置以及与图像相关联的点云数据等以相关联的方式进行存储。在一些实施例中，存储装置130也可以存储地图110。

在本公开的某些实施例中，由于相机、位置传感器和激光雷达的频率可能有所不同，使得位置传感器所获得的位置不一定正好与图像被采集时车辆140所处的位置相对应，激光雷达所采集的点云数据不一定正好与图像相对应。为此，可以对所采集的图像、位置和点云进行插值等操作，使得它们之间相互对应，并将相互对应的图像、位置、点云相关联地存储在存储装置130中。

计算设备120从存储装置130获取在车辆140行进过程中采集的图像、指示车辆140在图像被采集时所处位置的位置数据以及指示图像的三维信息的点云数据。计算设备120基于图像和位置数据，生成地图的全局特征层。计算设备120还基于图像和点云数据，生成地图的局部特征层。每一个所采集的图像在全局特征层中都有一个对应的全局元素，每一个所采集的图像在局部特征层中都有一个对应的局部元素，同一个图像的全局元素和局部元素是相对应的。图2具体示出了如何生成全局特征层中的一个全局元素以及局部特征层中的一个局部元素，稍后将会对此进行详细描述。

在该示例性环境100中，由计算设备160确定运动实体(例如车辆150)的定位。车辆150中安装有相机(例如低成本的单目相机)和位置传感器(例如GPS设备)。计算设备160获取在车辆150行驶过程中相机采集的图像以及该图像被采集时位置传感器所获得的位置数据。计算设备160基于所获取的图像、位置数据以及计算设备120所创建的地图110，来确定车辆150的定位。图3具体示出了计算设备160如何对车辆150进行定位，稍后将会对此进行详细描述。

本领域技术人员将理解的是，虽然在图1中，车辆140和车辆150被示出为是不同的车辆，但是它们也可以是同一个车辆，即，该车辆既可以用于构建地图，也可以利用所构建的地图来进行定位。此外，计算设备160和计算设备120被示出为是不同的部件，但是它们也可以是同一部件，即，由同一计算设备完成地图创建和车辆定位两者。还应当理解的是，虽然计算设备160被示出为与车辆150相分离，但是计算设备160也可以位于车辆150内。

此外，应当理解，图1所示的各个部件的数目、结构、连接关系和布局都是示例性的，而非限制性的，并且其中一些部件是可选的。本领域技术人员在本公开的范围内可以在数目、结构、连接关系和布局等方面进行调整。

下面结合图2来具体描述全局特征层中的全局元素和局部特征层中的局部元素的生成过程。图2示出了根据本公开的实施例的创建地图的方法200的流程图。方法200例如可以由图1中的计算设备120来执行。

在方框202，计算设备120获取采集实体(例如车辆140)行进过程中采集的图像、与该图像相关联的位置数据以及与该图像相关联的点云数据。位置数据指示该图像被采集时车辆140所处的位置，并且点云数据指示该图像的三维信息，例如，该图像中的对象在真实世界中的三维坐标。

在本公开的某些实施例中，相机与车辆140相关联地设置，例如被安装在车辆140的顶部、侧部、前车窗、后车窗等位置，也可以是车辆140的驾驶员或乘客所携带的相机或带有照相功能的其他设备(例如手机、平板电脑等)。同时，位置传感器(例如GPS设备)以及激光雷达均被设置为与相机同步。在一些实施例中，计算设备120可从该相机获取采集的图像，从与GPS设备获取与该相机同步采集的车辆140的位置数据，以及从激光雷达获取与该相机同步采集的点云数据。

在方框204，计算设备120基于所获取的图像和位置数据生成全局特征层中的第一元素，即全局元素。在某些实施例中，计算设备120提取所获取的图像的全局特征。图像的全局特征表示图像的整体属性，例如颜色、纹理、形状、空间包络等。在本公开的某些实施例中，所提取的全局特征为图像的空间包络。为了便于后续计算，计算设备120可以将所提取出的全局特征表示为一个描述子(例如，一定维度的向量)，其也可以被称为全局特征描述子。计算设备120将从图像提取的全局特征与图像被采集时车辆140所处的位置相关联，以生成地图的全局特征层中的一个全局元素。例如，全局元素的形式可以为{全局特征描述子，位置}。

在方框206，计算设备120基于所获取的图像和点云数据，生成地图的局部特征层中的第二元素，即局部元素。在某些实施例中，计算设备120提取图像的多个局部特征，例如为N个。局部特征表示图像的局部区域(例如，图像中的一个像素周围的区域)的属性，例如边缘、角点、线、曲线等。同样，为了便于后续计算，计算设备120可以将所提取出的多个局部特征中的每个局部特征表示为一个描述子，其也可以被称为局部特征描述子。

在某些实施例中，计算设备120从点云数据提取出与图像的每个局部特征相关联的三维信息。例如，如果一个局部特征反映的是图像中的像素(x，y)周围的局部区域的属性，则计算设备120从点云数据中提取出与像素(x，y)相对应的空间三维坐标。计算设备120将所提取的每个局部特征和与该局部特征相关联的三维信息关联起来，以生成地图的局部特征层中的一个局部元素。例如，局部元素的形式可以为{(局部特征描述子1，三维信息1)；(局部特征描述子2，三维信息2)……(局部特征描述子N，三维信息N)}。由于局部特征层中包含激光雷达采集的三维信息，所以创建的地图的精度更高。

这样，针对一个图像，可以利用粗略的位置信息生成全局特征层中的一个全局元素，以及利用点云数据生成局部特征层中的一个局部元素。从同一个图像生成的全局元素和局部元素是彼此对应的。

针对存储装置130中所存储的每个图像，或者后续为了更新地图所采集的另外的图像，重复图2所示的方法200，可以不断地丰富地图110的全局特征层和局部特征层。所创建的地图可以被存储在云服务器端。

在所创建的地图100中，在全局特征层中，将图像的全局特征与粗略的位置信息关联起来，在局部特征层中，将图像的局部特征与精细的三维信息关联起来，由此，以图像的全局特征和局部特征为桥梁，将粗略的位置信息与精细的三维信息关联起来。利用这样的地图，能够对没有安装激光雷达的车辆进行高精度的定位。

下面结合图3来描述如何使用根据本公开实施例创建的地图来对诸如车辆之类的运动实体进行定位。图3示出了根据本公开的实施例的运动实体定位方法300的流程图。方法300可以由图1中所示的计算设备160来执行。

在方框302，计算设备160获取在运动实体(例如车辆150)行进过程中采集的图像。在本公开的某些实施例中，计算设备160可以从车辆150内的相机获取图像。

在方框304，计算设备160获取车辆150在图像被采集时的位置数据。例如，计算设备160可以从车辆150内的GPS设备获取位置数据。在本公开的某些实施例中，相机与车辆150相关联地设置，例如被安装在车辆150的顶部、侧部、前车窗、后车窗等位置，也可以是车辆150的驾驶员或乘客所携带的相机或带有照相功能的其他设备(例如手机、平板电脑等)。同时，GPS设备被设置为与相机同步。

在方框306，计算设备160基于所获取的图像、位置数据以及根据本公开实施例的具有图像特征层的地图，来确定车辆150的定位。利用根据本公开实施例的具有全局特征层和局部特征层的地图，车辆150上只需安装低成本的相机和GPS设备，即可实现高精度的定位，而无需安装昂贵的激光雷达。图4进一步示出了如何基于图像、位置数据以及具有图像特征层的地图来定位车辆的更详细过程，稍后会对此进行详细描述。

可选地，为了节省计算资源，计算设备160可以先从车辆150获得一条或多条规划路径，然后从云服务处下载与该规划路径相关联的地图的一部分。以此方式，计算设备160无需使用整个地图，而是仅需使用该地图的一部分，从而节省了开销并且提高了处理效率和速度。

图4示出了根据本公开一些实施例的运动实体定位方法400。下面结合图4详细地描述运动实体定位过程。方法400可以由图1中所示的计算设备160来执行。

在方框402，计算设备160提取图像的全局特征和局部特征。如上所述，全局特征表示图像的整体属性，例如图像的空间包络。局部特征表示图像的局部区域(即，图像的一部分)的属性。在本公开的某些实施例中，计算设备160利用全局特征描述子来表示所提取的全局特征，并利用局部特征描述子来表示所提取的局部特征。在本公开的某些实施例中，所提取的局部特征为多个，例如局部特征1’-N’。

在方框404，计算设备160基于位置数据，从全局特征层确定候选元素集合。在本公开的某些实施例中，计算设备160从全局特征层中选择如下所述的全局元素作为候选元素集合中的候选元素：与该全局元素相关联的位置距位置数据所表示的位置的距离处于预定阈值内。所述预定阈值例如为100米、200米等。

在方框406，计算设备160从候选元素集合中，确定与从图像中提取出的全局特征匹配的全局匹配元素。在本公开的某些实施例中，计算设备160将所提取的全局特征与候选元素集合中的每个候选元素的全局特征进行比较，并基于所述比较从候选元素集合中确定与全局特征匹配的全局匹配元素。

在方框408，计算设备160从局部特征层中确定与全局匹配元素相对应的局部匹配元素。如上所述，与全局匹配元素相对应的局部匹配元素可以包括N个条目，每个条目具有一个局部特征以及相应的三维信息，例如其形式可以为{(局部特征描述子1，三维信息1)；(局部特征描述子2，三维信息2)……(局部特征描述子N，三维信息N)}。

在方框410，计算设备160基于局部匹配元素，确定与从图像中提取的局部特征相关联的三维信息。具体地，对于从图像中提取出的多个局部特征中的每个局部特征i’(1’<＝i’<＝N’)，计算设备160将其与局部匹配元素中的N个局部特征中的每一个进行比较，以确定局部匹配元素中与局部特征i’匹配的局部匹配特征。并获取与局部匹配特征相关联的三维信息，来作为与局部特征i'相关联的三维信息。

在方框412，计算设备160基于所确定的三维信息，来确定运动实体的定位。在本公开的某些实施例中，基于所确定的三维信息，例如通过PnP(perspective-n-point)算法对相机姿态进行求解，来确定运动实体的定位。

由于地图通过全局特征和局部特征将粗略的位置与精细的三维坐标关联起来，所以在实际定位过程中，车辆150可以只需安装相机(例如单目相机)和位置传感器(例如GPS)，即可实现车辆150的高精度定位，而无需安装昂贵的高精度的激光雷达。

图5示出了根据本公开实施例的创建地图的装置500的方框图。如图5所示，装置500包括：获取模块510，被配置为获取在采集实体行进过程中采集的图像以及与该图像相关联的位置数据和点云数据，位置数据指示采集实体在该图像被采集时所处的位置，点云数据指示该图像的三维信息；全局特征层生成模块520，被配置为基于该图像和该位置数据，生成地图的全局特征层中的第一元素；以及局部特征层生成模块530，被配置为基于该图像和该点云数据，生成地图的局部特征层中的第二元素，第一元素与第二元素相对应。

在本公开的某些实施例中，获取模块510包括：图像获取模块，被配置为获取与采集实体相关联设置的相机所采集的所述图像；位置获取模块，被配置为获取位置传感器与相机同步采集的采集实体的位置数据；以及点云获取模块，被配置为获取激光雷达与相机同步采集的点云数据。

在本公开的某些实施例中，全局特征层生成模块520包括：全局特征提取模块，被配置为提取图像的全局特征，全局特征表示图像的整体属性；以及关联模块，被配置为将位置数据和全局特征相关联，以生成全局特征层中的第一元素。

在本公开的某些实施例中，局部特征层生成模块530包括：局部特征提取模块，被配置为提取图像的局部特征，局部特征表示与图像的一部分有关的属性；三维信息提取模块，被配置为从点云数据提取与局部特征相关联的三维信息；关联模块，被配置为将局部特征与三维信息相关联，以生成局部特征层中的第二元素。

图6示出了根据本公开实施例的运动实体定位装置600的方框图。如图6所示，装置600包括：图像获取模块610，被配置为获取在运动实体行进过程中采集的图像；位置获取模块620，被配置为获取运动实体在该图像被采集时的位置数据；以及定位模块630，被配置为基于该图像、该位置数据以及根据本公开实施例的地图，确定运动实体的定位。

在本公开的某些实施例中，定位模块630包括：特征提取模块，被配置为提取图像的全局特征和局部特征，全局特征表示图像的整体属性，局部特征表示与图像的一部分有关的属性；候选元素确定模块，被配置为基于运动实体的位置数据，从地图的全局特征层中确定候选元素集合；全局匹配元素确定模块，被配置为从候选元素集合中，确定与全局特征匹配的全局匹配元素；局部匹配元素确定模块，被配置为从地图的局部特征层中，确定与全局匹配元素对应的局部匹配元素；三维信息确定模块，被配置为基于局部匹配元素，确定与局部特征相关联的三维信息；以及定位确定模块，被配置为基于所述三维信息，确定运动实体的定位。

在本公开的某些实施例中，装置600还包括：规划路径获取模块，被配置为获取运动实体的规划路径；以及地图下载模块，被配置为下载与规划路径相关联的地图。

在本公开的某些实施例中，图像获取模块610还被配置为：获取与运动实体相关联设置的相机所采集的图像。位置获取模块620还被配置为：获取位置传感器与相机同步采集的、运动实体的位置数据。

图7示出了可以用来实施本公开的实施例的示例设备700的示意性框图。设备700可以用于实现图1的计算设备120和计算设备160。如图所示，设备700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元701执行上文所描述的各个方法和处理，例如方法200、方法300和/或方法400。例如，在一些实施例中，方法200、方法300和/或方法400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU 701执行时，可以执行上文描述的方法200、方法300和/或方法400的一个或多个步骤。备选地，在其他实施例中，CPU 701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、方法300和/或方法400。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。