基于视觉激光融合的地图构建方法、系统、装置及介质

1.本发明涉及机器人导航技术领域，尤其是一种基于视觉激光融合的地图构建方法、系统、装置及介质。


背景技术：

2.目前，室内移动机器人的导航定位算法主要采用的是slam(同步定位与地图构建)算法，slam算法大致可分为两大类，激光slam和视觉slam。激光slam采集不同时刻的两片点云信息(一系列分散的、具有准确角度和距离信息的点集)，然后将两片点云图进行匹配，计算出激光雷达相对运动的距离和姿态变化，对场景进行重建。机器人的定位激光slam需要搭载成本较高的激光雷达，同时激光雷达获得的环境信息不如视觉传感器丰富。视觉slam成本低廉、获得的环境信息丰富，然而为了提高移动机器人定位的准确度和稳定性，仅依靠视觉slam系统来对环境进行感知是不够的，因为视觉slam系统往往容易受到光照变化的影响，同时在低纹理和运动速度较快导致图像信息模糊的情况下定位精度很低，甚至无法使用。


技术实现要素：

3.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
4.为此，本发明实施例的一个目的在于提供一种基于视觉激光融合的地图构建方法，该方法提高了三维场景地图构建的准确性和全面性。
5.本发明实施例的另一个目的在于提供一种基于视觉激光融合的地图构建系统。
6.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
7.第一方面，本发明实施例提供了一种基于视觉激光融合的地图构建方法，包括以下步骤：
8.获取机器人的第一激光雷达数据和第一视觉数据，根据所述第一激光雷达数据和所述第一视觉数据确定点云特征点和orb特征点；
9.根据所述点云特征点确定所述orb特征点的深度信息，得到space-orb特征点，进而根据所述space-orb特征点和所述点云特征点以松耦合的方式进行位姿估计，得到初始位姿数据；
10.根据所述初始位姿数据将所述点云特征点和所述space-orb特征点映射到世界坐标系下得到多个待优化特征点，并通过预设的平衡选取策略和分类优化策略对所述待优化特征点和所述初始位姿数据进行全局优化，得到优化位姿数据；
11.根据所述第一激光雷达数据、所述第一视觉数据以及所述优化位姿数据构建三维场景地图。
12.进一步地，在本发明的一个实施例中，所述获取机器人的第一激光雷达数据和第一视觉数据，根据所述第一激光雷达数据和所述第一视觉数据确定点云特征点和orb特征点这一步骤，其具体包括：
13.通过激光雷达获取机器人的第二激光雷达数据，并通过工业相机获取所述机器人的第二视觉数据，所述激光雷达和所述工业相机均安装在所述机器人上；
14.对所述第二激光雷达数据和所述第二视觉数据进行时空基准对齐，得到第一激光雷达数据和第一视觉数据；
15.对所述第一激光雷达数据进行特征提取得到多个点云特征点，并对所述第一视觉数据进行特征提取得到多个orb特征点。
16.进一步地，在本发明的一个实施例中，所述根据所述点云特征点确定所述orb特征点的深度信息，得到space-orb特征点，进而根据所述space-orb特征点和所述点云特征点以松耦合的方式进行位姿估计，得到初始位姿数据这一步骤，其具体包括：
17.分别对所述点云特征点和所述orb特征点进行帧间匹配，使得所述第一激光雷达数据的帧与帧之间的碎片成像轨迹一一对应，且所述第一视觉数据的帧与帧之间的碎片成像轨迹一一对应；
18.根据对应的第一激光雷达数据的帧的点云特征点确定各所述orb特征点的深度信息，得到space-orb特征点；
19.根据所述点云特征点进行位姿估计得到第一位姿数据，并根据所述space-orb特征点进行位姿估计得到第二位姿数据，进而根据所述第一位姿数据和所述第二位姿数据确定初始位姿数据。
20.进一步地，在本发明的一个实施例中，所述通过预设的平衡选取策略和分类优化策略对所述待优化特征点和所述初始位姿数据进行全局优化，得到优化位姿数据这一步骤，其具体包括：
21.根据所述平衡选取策略确定关键帧提取频率和优化窗口长度；
22.根据所述分类优化策略将所述待优化特征点划分为多个类别的待优化特征点；
23.根据所述关键帧提取频率和所述优化窗口长度对同一类别的待优化特征点进行特征点匹配计算，得到优化后的特征点数据帧；
24.根据所述特征点数据帧进行位姿估计得到优化位姿数据。
25.进一步地，在本发明的一个实施例中，所述关键帧提取频率通过下式确定：
[0026][0027]
其中，fk表示关键帧提取频率，lb表示以2为底数的对数运算，n表示可连续追踪特征点的数量，n
max
表示n的最大值，n
min
表示n的最小值，v表示机器人移动速度，v
max
表示v的最大值；
[0028]
所述优化窗口长度通过下式确定：
[0029]
[0030]
其中，lw表示优化窗口长度，l
max
表示预先设定的优化窗口长度最大值，l
min
表示预先设定的优化窗口长度最小值。
[0031]
进一步地，在本发明的一个实施例中，所述分类优化策略为：
[0032]
根据预设的第一阈值将机器人附近的区域划分为近场区域和远场区域；
[0033]
根据所述近场区域和所述远场区域对所述待优化特征点进行划分，得到近场边缘激光特征点、远场边缘激光特征点、近场平面激光特征点、远场平面激光特征点、近场space-orb特征点以及远场space-orb特征点。
[0034]
进一步地，在本发明的一个实施例中，所述根据所述第一激光雷达数据、所述第一视觉数据以及所述优化位姿数据构建三维场景地图这一步骤，其具体为：
[0035]
根据所述第一激光雷达数据、所述第一视觉数据以及所述优化位姿数据进行数据融合和纹理映射，得到三维场景地图。
[0036]
第二方面，本发明实施例提供了一种基于视觉激光融合的地图构建系统，包括：
[0037]
特征提取模块，用于获取机器人的第一激光雷达数据和第一视觉数据，根据所述第一激光雷达数据和所述第一视觉数据确定点云特征点和orb特征点；
[0038]
初始位姿估计模块，用于根据所述点云特征点确定所述orb特征点的深度信息，得到space-orb特征点，进而根据所述space-orb特征点和所述点云特征点以松耦合的方式进行位姿估计，得到初始位姿数据；
[0039]
位姿优化模块，用于根据所述初始位姿数据将所述点云特征点和所述space-orb特征点映射到世界坐标系下得到多个待优化特征点，并通过预设的平衡选取策略和分类优化策略对所述待优化特征点和所述初始位姿数据进行全局优化，得到优化位姿数据；
[0040]
场景重建模块，用于根据所述第一激光雷达数据、所述第一视觉数据以及所述优化位姿数据构建三维场景地图。
[0041]
第三方面，本发明实施例提供了一种基于视觉激光融合的地图构建装置，包括：
[0042]
至少一个处理器；
[0043]
至少一个存储器，用于存储至少一个程序；
[0044]
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于视觉激光融合的地图构建方法。
[0045]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于视觉激光融合的地图构建方法。
[0046]
本发明的优点和有益效果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，或通过本发明的实践了解到：
[0047]
本发明实施例根据点云特征点确定orb特征点的深度信息得到space-orb特征点，然后根据space-orb特征点和点云特征点以松耦合的方式进行位姿估计得到初始位姿数据，再根据初始位姿数据将点云特征点和space-orb特征点映射为待优化特征点，通过平衡选取策略和分类优化策略进行全局优化得到优化位姿数据，根据激光雷达数据、视觉数据以及优化位姿数据构建三维场景地图。本发明实施例融合了激光雷达数据和视觉数据，提
高了三维场景地图构建的准确性和全面性；此外，通过平衡选取策略和分类优化策略进行全局优化，减少了全局优化过程的计算量，降低了对机器人系统的算力要求。
附图说明
[0048]
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0049]
图1为本发明实施例提供的一种基于视觉激光融合的地图构建方法的步骤流程图；
[0050]
图2为本发明实施例提供的一种基于视觉激光融合的地图构建系统的结构框图；
[0051]
图3为本发明实施例提供的一种基于视觉激光融合的地图构建装置的结构框图。
具体实施方式
[0052]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0053]
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
[0054]
参照图1，本发明实施例提供了一种基于视觉激光融合的地图构建方法，具体包括以下步骤：
[0055]
s101、获取机器人的第一激光雷达数据和第一视觉数据，根据第一激光雷达数据和第一视觉数据确定点云特征点和orb特征点。
[0056]
具体地，采用各种传感器获取机器人周围的环境数据，对这些数据进行特征提取得到相应的特征点。步骤s101具体包括以下步骤：
[0057]
s1011、通过激光雷达获取机器人的第二激光雷达数据，并通过工业相机获取机器人的第二视觉数据，激光雷达和工业相机均安装在机器人上；
[0058]
s1012、对第二激光雷达数据和第二视觉数据进行时空基准对齐，得到第一激光雷达数据和第一视觉数据；
[0059]
s1013、对第一激光雷达数据进行特征提取得到多个点云特征点，并对第一视觉数据进行特征提取得到多个orb特征点。
[0060]
具体地，为描述slam问题，首先，需要将机器人在一段连续时间的运动分解成离散时刻的运动，并记录这些时刻的位置信息，构成车辆的运动轨迹；然后，设地图由许多特征点组成，每个时刻传感器会测量到一部分特征点，得到它们的观测数据，最后根据这些观测数据进行三维地图重建。
[0061]
本发明实施例中，对激光雷达数据和视觉数据进行时空基准对齐，使得得到的第一激光雷达数据的数据帧和第一视觉数据的数据帧在时间和空间坐标上都是一致的，便于后续的融合以及优化处理。点云特征点和orb特征点可采用本领域公知的技术进行提取，非本发明实施例的重点，在此不做赘述。
[0062]
s102、根据点云特征点确定orb特征点的深度信息，得到space-orb特征点，进而根据space-orb特征点和点云特征点以松耦合的方式进行位姿估计，得到初始位姿数据。
[0063]
具体地，利用激光点云确定视觉特征的深度信息，得到space-orb特征点(空间orb特征点)，将点云特征点和space-orb特征点以松耦合的方式输入到预先设置有slam位姿估计算法的位姿估计单元，得到估计得到的初始位姿数据。步骤s102具体包括以下步骤：
[0064]
s1021、分别对点云特征点和orb特征点进行帧间匹配，使得第一激光雷达数据的帧与帧之间的碎片成像轨迹一一对应，且第一视觉数据的帧与帧之间的碎片成像轨迹一一对应；
[0065]
s1022、根据对应的第一激光雷达数据的帧的点云特征点确定各orb特征点的深度信息，得到space-orb特征点；
[0066]
s1023、根据点云特征点进行位姿估计得到第一位姿数据，并根据space-orb特征点进行位姿估计得到第二位姿数据，进而根据第一位姿数据和第二位姿数据确定初始位姿数据。
[0067]
具体地，分别对点云特征点和orb特征点进行帧间匹配，利用对应的激光雷达数据的数据帧的点云以三面投影的方式获取orb特征点的深度信息，得到space-orb特征点，再将其和点云特征点以松耦合的方式输入到位姿估计单元，输出初始位姿数据。
[0068]
本发明实施例中，松耦合是指针对点云特征点和space-orb特征点分别进行位姿估计，然后对它们的估计结果进行融合。
[0069]
s103、根据初始位姿数据将点云特征点和space-orb特征点映射到世界坐标系下得到多个待优化特征点，并通过预设的平衡选取策略和分类优化策略对待优化特征点和初始位姿数据进行全局优化，得到优化位姿数据。
[0070]
具体地，利用得到的初始位姿数据将特征点映射到世界坐标系下，并输入到预先设置有slam位姿估计算法的全局优化单元，然后通过基于关键帧和滑动窗口的平衡选取策略以及分类优化策略对初始位姿数据和特征点进一步优化，最终实现过程计算量的减少，同时提高了定位与建图精度。
[0071]
本发明实施例中，全局优化是指从全局角度进行回环检测来判断传感器(激光雷达和工业相机)是否到过之前的位置，并以此作为约束对估计得到的初始位姿数据进行全局平差优化，进一步提高导航位姿计算精度。
[0072]
进一步作为可选的实施方式，通过预设的平衡选取策略和分类优化策略对待优化特征点和初始位姿数据进行全局优化，得到优化位姿数据这一步骤，其具体包括：
[0073]
a1、根据平衡选取策略确定关键帧提取频率和优化窗口长度；
[0074]
a2、根据分类优化策略将待优化特征点划分为多个类别的待优化特征点；
[0075]
a3、根据关键帧提取频率和优化窗口长度对同一类别的待优化特征点进行特征点匹配计算，得到优化后的特征点数据帧；
[0076]
a4、根据特征点数据帧进行位姿估计得到优化位姿数据。
[0077]
进一步作为可选的实施方式，关键帧提取频率通过下式确定：
[0078][0079]
其中，fk表示关键帧提取频率，lb表示以2为底数的对数运算，n表示可连续追踪特征点的数量，n
max
表示n的最大值，n
min
表示n的最小值，v表示机器人移动速度，v
max
表示v的最大值；
[0080]
优化窗口长度通过下式确定：
[0081][0082]
其中，lw表示优化窗口长度，l
max
表示预先设定的优化窗口长度最大值，l
min
表示预先设定的优化窗口长度最小值。
[0083]
具体地，先将所有的数据帧分为3类：可以直接用于稳定优化的帧、无用信息过多不应使用的帧以及可以使用但需要处理减少计算成本的帧。提取关键帧频率fk为：
[0084][0085]
其中，fk表示关键帧提取频率，lb表示以2为底数的对数运算，n表示可连续追踪特征点的数量，n
max
表示n的最大值，n
min
表示n的最小值，v表示机器人移动速度，v
max
表示v的最大值。
[0086]
然后，为保证满足优化精度的同时计算量也尽可能小，提出平衡选取公式来决定优化窗口的长度lw，即：
[0087][0088]
其中，lw表示优化窗口长度，l
max
表示预先设定的优化窗口长度最大值，l
min
表示预先设定的优化窗口长度最小值。
[0089]
最后，当前关键帧和窗口最新的关键帧进行特征点的匹配计算，小于预设的匹配度阈值时就把当前关键帧纳入优化窗口作为最新的关键帧，直至完成所有数据帧的全局优化。
[0090]
进一步作为可选的实施方式，分类优化策略为：
[0091]
b1、根据预设的第一阈值将机器人附近的区域划分为近场区域和远场区域；
[0092]
b2、根据近场区域和远场区域对待优化特征点进行划分，得到近场边缘激光特征点、远场边缘激光特征点、近场平面激光特征点、远场平面激光特征点、近场space-orb特征点以及远场space-orb特征点。
[0093]
具体地，为实现更高效的全局优化，特征点的选取也极为重要。特征点本身应当具有良好的观测性，无异常值，并且在3维空间中均匀分布，以便于后续的建图工作。本发明实施例激光雷达的最大探测范围为限将车辆附近区域分成远场区域和近场区域；将点云特征点分为边缘激光特征点和平面激光特征点，将space-orb特征点、边缘激光特征点和平面激光特征点分别划分近场和远场，得到近场边缘激光特征点、远场边缘激光特征点、近场平面激光特征点、远场平面激光特征点、近场space-orb特征点以及远场space-orb特征点。
[0094]
s104、根据第一激光雷达数据、第一视觉数据以及优化位姿数据构建三维场景地图。
[0095]
进一步作为可选的实施方式，根据第一激光雷达数据、第一视觉数据以及优化位姿数据构建三维场景地图这一步骤，其具体为：
[0096]
根据第一激光雷达数据、第一视觉数据以及优化位姿数据进行数据融合和纹理映射，得到三维场景地图。
[0097]
以上对本发明实施例的方法步骤进行了说明。可以认识到，本发明实施例融合了激光雷达数据和视觉数据，提高了三维场景地图构建的准确性和全面性；此外，通过平衡选取策略和分类优化策略进行全局优化，减少了全局优化过程的计算量，降低了对机器人系统的算力要求。
[0098]
可以理解的是，本发明实施例基于视觉与激光的各自优势，针对当前激光雷达感知环境信息不够丰富、视觉易受光照影响带来定位精度下降的问题，提出一种激光与视觉融合的场景地图构建方法，旨在通过融合互补的激光与视觉各自优势，提升位姿估计算法的整体性能，构建信息更为丰富、准确的三维场景地图，为面向未知的复杂环境(尤其是室内封闭或半封闭空间区域)展开搜索救援、室内定位、自主巡航时提供最有效直接的帮助。
[0099]
参照图2，本发明实施例提供了一种基于视觉激光融合的地图构建系统，包括：
[0100]
特征提取模块，用于获取机器人的第一激光雷达数据和第一视觉数据，根据第一激光雷达数据和第一视觉数据确定点云特征点和orb特征点；
[0101]
初始位姿估计模块，用于根据点云特征点确定orb特征点的深度信息，得到space-orb特征点，进而根据space-orb特征点和点云特征点以松耦合的方式进行位姿估计，得到初始位姿数据；
[0102]
位姿优化模块，用于根据初始位姿数据将点云特征点和space-orb特征点映射到世界坐标系下得到多个待优化特征点，并通过预设的平衡选取策略和分类优化策略对待优化特征点和初始位姿数据进行全局优化，得到优化位姿数据；
[0103]
场景重建模块，用于根据第一激光雷达数据、第一视觉数据以及优化位姿数据构建三维场景地图。
[0104]
上述方法实施例中的内容均适用于本系统实施例中，本系统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。
[0105]
参照图3，本发明实施例提供了一种基于视觉激光融合的地图构建装置，包括：
[0106]
至少一个处理器；
[0107]
至少一个存储器，用于存储至少一个程序；
[0108]
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于视觉激光融合的地图构建方法。
[0109]
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。
[0110]
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于视觉激光融合的地图构建方法。
[0111]
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于视觉激光融合的地图构建方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0112]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0113]
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上述方框有时能以相反顺序被执行。此外，在本发明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。
[0114]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/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发明是不必要的。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发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明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。
[0115]
上述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，本发明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)执行本发明各个实施例上述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。
[0116]
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。
[0117]
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上述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上述程序，然后将其存储在计算机存储器中。
[0118]
应当理解，本发明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。
[0119]
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发明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。
[0120]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明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，本发明的范围由权利要求及其等同物限定。
[0121]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。