一种基于运动约束的融合定位方法及装置与流程

1.本技术涉及无人车定位技术领域，特别是涉及一种基于运动约束的融合定位方法、装置、电子设备及机器可读存储介质。


背景技术：

2.捷联惯性导航系统(sins，strapdown inertial navigation system)，简称惯导，是一种完全自主的导航系统，它可以连续提供载体的位置、速度、方位和姿态等多种导航参数信息，能跟踪载体的快速机动运动，短时间内稳定性好。但惯导的误差随时间而累积，不能单独长时间工作，必须不断加以校准。目前，国内外用于车载平台的中高精度定位系统通常基于惯导开发研制而来，为了解决上述问题，通常采用卫星导航系统来辅助惯导实现高精度定姿，取得了较为不错的使用效果。但是，由于卫星导航系统存在一定的缺陷，其信号非常容易被遮挡或被干扰，在特殊场所甚至可能被恶意屏蔽，因此卫星导航系统辅助惯导实现位姿确定的方法其独立自主性和可靠性较差，一定程度上限制了这种方法在各种特殊应用领域的广泛应用。
3.因此，如何能在卫星导航系统失效时对无人车进行精确定位，是本领域亟需解决的技术问题。


技术实现要素：

4.本技术提供一种基于运动约束的融合定位方法，其特征在于，应用于无人车，所述方法包括：
5.利用轮速计获取所述无人车在当前时刻的轮速；
6.若所述轮速大于预设的轮速阈值，则通过所述轮速确定所述无人车在当前时刻的运动状态估计量；
7.若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
8.可选的，所述运动状态估计量包括：
9.无人车在地理坐标系中的北向速度误差、天向速度误差、东向速度误差、北向失准角、天向失准角、东向失准角、纬度误差、高度误差、经度误差，x轴的加速度计零偏、x轴的陀螺漂移、y轴的加速度计零偏、y轴的陀螺漂移、z轴的加速度计零偏、z轴的陀螺漂移中的一种或组合。
10.可选的，所述轮速包括无人车的北向速度、天向速度、东向速度，所述若所述轮速大于预设的轮速阈值，则通过所述轮速确定所述无人车在当前时刻的运动状态估计量，包括：
11.若所述轮速大于预设的轮速阈值，则通过所述轮速中的北向速度、天向速度、东向速度，计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
12.可选的，所述若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确
定所述无人车在当前时刻的运动状态估计量，包括：
13.若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定无人车在行驶过程中的速度输出在车体坐标系y轴和z轴上的投影分量，并通过所述投影分量计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
14.可选的，所述方法还包括：
15.获取上一时刻所述无人车的运动状态估计量；
16.基于所述上一时刻所述无人车的运动状态估计量，采用卡尔曼滤波方法进行滤波计算所述无人车当前时刻的运动状态估计量，得到预测运动状态估计量；
17.利用通过所述轮速，或，所述无人车的运动约束确定的运动状态估计量，对所述预测运动状态估计量进行更新。
18.本技术提供一种基于运动约束的融合定位装置，其特征在于，应用于无人车，所述装置包括：
19.轮速获取模块，用于利用轮速计获取所述无人车在当前时刻的轮速；
20.第一确定模块，用于在所述轮速大于预设的轮速阈值时，通过所述轮速确定所述无人车在当前时刻的运动状态估计量；
21.第二确定模块，用于在所述轮速小于预设的轮速阈值时，通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
22.可选的，所述运动状态估计量包括：
23.无人车在地理坐标系中的北向速度误差、天向速度误差、东向速度误差、北向失准角、天向失准角、东向失准角、纬度误差、高度误差、经度误差，x轴的加速度计零偏、x轴的陀螺漂移、y轴的加速度计零偏、y轴的陀螺漂移、z轴的加速度计零偏、z轴的陀螺漂移中的一种或组合。
24.可选的，所述轮速包括无人车的北向速度、天向速度、东向速度，所述若所述轮速大于预设的轮速阈值，则通过所述轮速确定所述无人车在当前时刻的运动状态估计量，包括：
25.若所述轮速大于预设的轮速阈值，则通过所述轮速中的北向速度、天向速度、东向速度，计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
26.可选的，所述若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量，包括：
27.若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定无人车在行驶过程中的速度输出在车体坐标系y轴和z轴上的投影分量，并通过所述投影分量计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
28.可选的，所述装置还包括：
29.获取上一时刻所述无人车的运动状态估计量；
30.基于所述上一时刻所述无人车的运动状态估计量，采用卡尔曼滤波方法进行滤波计算所述无人车当前时刻的运动状态估计量，得到预测运动状态估计量；
31.利用通过所述轮速，或，所述无人车的运动约束确定的运动状态估计量，对所述预测运动状态估计量进行更新。
32.本技术还提供一种电子设备，包括：
33.处理器；
34.用于存储处理器可执行指令的存储器；
35.其中，所述处理器通过运行所述可执行指令以实现上述方法的步骤。
36.本技术还提供一种机器可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
37.通过以上实施例，在无人车频繁启停、低速运动条件下，且所有观测源都失效时，仍可依靠无人车的运动约束确定无人车的运动状态估计量，克服了无差别的使用轮速导致的失真，提高了定位的准确度。
附图说明
38.图1是一示例性的实施例示出的一种基于运动约束的融合定位方法的流程图；
39.图2是一示例性的实施例示出的一种基于运动约束的融合定位装置的框图；
40.图3是一示例性的实施例示出的一种基于运动约束的融合定位装置所在电子设备的硬件结构图。
具体实施方式
41.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
42.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
43.为了使本技术领域的人员更好地理解本说明书实施例中的技术方案，下面先对本说明书实施例涉及的无人车定位的相关技术，进行简要说明。
44.sins：捷联惯性导航系统(sins，strapdown inertial navigation system)，简称惯导，是一种完全自主的导航系统，它可以连续提供载体的位置、速度、方位和姿态等多种导航参数信息，能跟踪载体的快速机动运动，短时间内稳定性好。但惯导的误差随时间而累积，不能单独长时间工作，必须不断加以校准。
45.gps：全球定位系统(gps，global positioning system)是当前应用最为广泛的卫星导航定位系统，其定位和测速精度高，且长时间工作稳定性好，使用方便，成本低廉。
46.位姿：无人车的位姿和全局坐标系的相对关系对应的变换矩阵，用于描述无人车的位置和朝向。
47.imu：惯性测量单元(imu，inertial measurementunit)，车载定位系统可以根据imu输出的数据，并结合其他传感器的数据，对车辆的位置和状态进行测量，得到车辆的速度、位置、姿态、加速度、角速度等状态量。imu的特点是，采集数据的频率在200hz以上，且对速度、姿态的变化更为敏感。但是，如果长时间没有外部辅助信息的矫正，根据imu采集的数
据得到的速度、姿态都存在快速发散的趋势。
48.运动约束：车辆运动约束是车辆在路面上行驶时的固有约束，是不完整性约束。对于车辆而言，如果正常行驶在相对平坦的道路上，一般不会发生侧向滑行或跳跃而起，此时若将车辆的行驶速度沿着载车的侧向和垂向进行投影，那么得到的侧向和垂向投影分量应该为零，这就是所谓的车辆运动约束。
49.eskf：误差状态的卡尔曼滤波(eskf，error-state kalmanfilter)，为了求解机器人/汽车的位姿，而imu测量数据(包括加速度计，陀螺仪等硬件)带有大量噪声，直接使用imu数据对时间积分，是会产生明显的漂移。因此，为了更好的获取结果，需要融合其他传感器数据，例如gps，lidar等，从而修正数据，得到收敛性更好的结果。
50.应用场景概述
51.基于eskf的融合定位技术已广泛应用在自动驾驶的各类场景。在集装箱码头、仓库等环境，集装箱堆叠层数高、行车通道狭长，高遮挡区域的卫星信号丢失、雨雪雾等场景下的光学传感器干扰等问题时有发生。在上述传感器均失效时，惯性/轮速计eskf方案作为保证融合定位精度的最后一道防线，对自动驾驶系统的鲁棒性起到了重要的作用。但是在传统的惯性/轮速计融合定位方案中，非常依赖对轮速计的观测。商用无人驾驶集装箱卡车(以下简称“无人集卡”)配装的轮速计精度普遍较低，特别是在集卡低速运动期间，轮速计死区大，无法满足高精度的自动驾驶需求。一种解决方案是在前装时更换为高精度轮速计，为eskf过程提供可靠的速度观测，涉及改造车辆底盘，成本高、周期长，且存在传感器的适配性风险，不适用于当前的高迭代研发过程。另一种解决方案是在后装时选用高精度的惯性测量单元，在轮速计处于死区时，不再进行eskf过程，转而进行纯惯性导航；此类惯性测量单元价格昂贵，不适用于自动驾驶产品的低成本量产落地。
52.发明构思
53.针对现有方案的弊端，本说明书进行创新，主要体现在算法方面：在不改变现有无人集卡硬件的前提下，通过改进惯性/轮速计融合定位算法，解决车辆低速行驶条件下的轮速计死区问题，增强集卡的自主定位性能，满足高精度的自动驾驶需求。
54.有鉴于此，本说明书旨在提出一种可以基于无人车运动约束，计算无人车运动状态估计量的技术方案。
55.本说明书的核心构思在于：
56.建立适用于无人集卡的eskf模型，特别是在速度观测量方面：在轮速计死区外，利用轮速计实现eskf；轮速计死区内，利用车辆运动约束实现eskf，仍可维持较高的可观测度，避免纯惯性解算的快速发散、避免车辆缓慢运动但轮速无输出造成的观测失真。
57.下面通过具体实施例，并结合具体的应用场景对本技术进行描述。
58.请参见图1，图1是一示例性的实施例示出的一种基于运动约束的融合定位方法的流程图，上述方法执行以下步骤：
59.步骤102：利用轮速计获取所述无人车在当前时刻的轮速。
60.步骤104：若所述轮速大于预设的轮速阈值，则通过所述轮速确定所述无人车在当前时刻的运动状态估计量。
61.步骤106：若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
62.基于eskf模型的融合定位技术已广泛应用在自动驾驶的各类场景。在集装箱码头、仓库等环境，集装箱堆叠层数高、行车通道狭长，高遮挡区域的卫星信号丢失、雨雪雾等场景下的光学传感器干扰等问题时有发生。在上述传感器均失效时，惯性/轮速计eskf方案作为保证融合定位精度的最后一道防线，对自动驾驶系统的鲁棒性起到了重要的作用。
63.其中，eskf可以分为时间更新过程和量测更新过程。在时间更新过程中，模型可以基于上一时刻无人车的运动状态估计量，估计该无人车在当前时刻的运动状态估计量，即预测运动状态估计量：
[0064][0065]
并可以基于上一时刻无人车的运动状态估计量的协方差，估计当前时刻无人车运动状态估计量的误差方差，即预测协方差：
[0066][0067]
在量测更新过程中，模型可以先更新滤波增益矩阵：
[0068][0069]
可以基于当前时刻的状态预测值，更新状态估计量：
[0070][0071]
可以基于当前时刻的协方差阵，更新估计误差方差矩阵：
[0072]
pk＝[i-k
khk
]p
k,k-1
[0073]
其中，为一步状态预测值，为状态估计量，φ
k,k-1
为状态一步转移矩阵，hk为量测矩阵，zk为量测量，kk为滤波增益矩阵，rk为观测噪声阵，p
k,k-1
为一步预测误差协方差阵，pk为估计误差协方差阵，γ
k,k-1
为系统噪声驱动阵，q
k-1
为系统噪声阵。
[0074]
在示出的一种实施例中，可以对eskf模型的系统状态变量、系统状态方程、系统量测方程进行设置。
[0075]
其中，系统状态变量可以包括：无人车在地理坐标系中的北向速度误差、天向速度误差、东向速度误差、北向失准角、天向失准角、东向失准角、纬度误差、高度误差、经度误差，x轴的加速度计零偏、x轴的陀螺漂移、y轴的加速度计零偏、y轴的陀螺漂移、z轴的加速度计零偏、z轴的陀螺漂移中的一种或组合。
[0076]
系统状态方程可以为：
[0077][0078]
式中：x(t)为上述15个状态；w(t)为系统白噪声；系数矩阵f(t)和g(t)可参见捷联惯导系统误差模型，根据系统精度要求筛选误差源的构成项。捷联惯导系统姿态、速度、位置误差方程如下：
[0079][0080][0081][0082][0083]
δh＝δvu其中，记n系为地理(北天东)坐标系，e系为地球坐标系，i为地心惯性坐标
系，b系为系统(前上右)坐标系，o系为轮速计坐标系。是n系和b系间的姿态矩阵；φn为失准角；为地理坐标系相对于地心惯性坐标系的角速度在地理坐标系下的投影；εn、分别为陀螺漂移、加速度计零偏在地理坐标系下的投影；fn、gn分别为比力矢量和重力矢量，δfn、δgn为加速度计测量误差和重力偏差在地理坐标系下的投影。
[0084]
系统量测方程可以为：
[0085]
zk＝hkxk+v
[0086]
式中：hk为k时刻的观测矩阵；v为观测白噪声；zk为k时刻的观测量。
[0087]
可以预先设定轮速计的轮速阈值，并监测轮速计输出的轮速值，若所述轮速大于预设的轮速阈值，则可以通过所述轮速确定所述无人车在当前时刻的运动状态估计量；若所述轮速小于预设的轮速阈值，则可以通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
[0088]
在示出的一种实施例中，运动状态估计量可以包括无人车在地理坐标系中的北向速度误差、天向速度误差、东向速度误差、北向失准角、天向失准角、东向失准角、纬度误差、高度误差、经度误差，x轴的加速度计零偏、x轴的陀螺漂移、y轴的加速度计零偏、y轴的陀螺漂移、z轴的加速度计零偏、z轴的陀螺漂移中的一种或组合。
[0089]
为了克服无差别的使用轮速导致的eskf失真，若所述轮速大于预设的轮速阈值，则可以通过所述轮速确定所述无人车在当前时刻的运动状态估计量；若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
[0090]
在示出的一种实施例中，若所述轮速大于预设的轮速阈值，则可以通过所述轮速中的北向速度、天向速度、东向速度，计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
[0091]
例如，在量测过程中，若轮速大于轮速阈值，可以通过轮速中的北向速度、天向速度、东向速度确定当前时刻无人车运动状态估计量的观测值，并可以基于该观测值和滤波增益矩阵，更新无人车的运动状态估计量。
[0092]
在示出的另一种实施例中，若所述轮速小于预设的轮速阈值，则可以通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量，包括：
[0093]
若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定无人车在行驶过程中的速度输出在车体坐标系y轴和z轴上的投影分量，并通过所述投影分量计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
[0094]
例如，若轮速小于轮速阈值，模型可以屏蔽轮速计的速度，只利用无人车的运动约束确定观测量，即可以通过所述无人车的运动约束确定无人车在行驶过程中的速度输出在车体坐标系y轴和z轴上的投影分量，并可以通过所述投影分量计算当前时刻的确定所述无人车在当前时刻的观测量，并可以基于该观测值和滤波增益矩阵，更新无人车的运动状态估计量。
[0095]
在示出的一种实施例中，可以获取上一时刻所述无人车的运动状态估计量；可以基于所述上一时刻所述无人车的运动状态估计量，采用卡尔曼滤波方法进行滤波计算所述无人车当前时刻的运动状态估计量，得到预测运动状态估计量；可以利用通过所述轮速，
或，所述无人车的运动约束确定的运动状态估计量，对所述预测运动状态估计量进行更新。
[0096]
请参见图2，图2是一示例性的实施例示出的一种基于运动约束的融合定位装置，其特征在于，应用于无人车，所述装置包括：
[0097]
轮速获取模块210，用于利用轮速计获取所述无人车在当前时刻的轮速；
[0098]
第一确定模块220，用于在所述轮速大于预设的轮速阈值时，通过所述轮速确定所述无人车在当前时刻的运动状态估计量；
[0099]
第二确定模块230，用于在所述轮速小于预设的轮速阈值时，通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量。
[0100]
可选的，所述运动状态估计量包括：
[0101]
无人车在地理坐标系中的北向速度误差、天向速度误差、东向速度误差、北向失准角、天向失准角、东向失准角、纬度误差、高度误差、经度误差，x轴的加速度计零偏、x轴的陀螺漂移、y轴的加速度计零偏、y轴的陀螺漂移、z轴的加速度计零偏、z轴的陀螺漂移中的一种或组合。
[0102]
可选的，所述轮速包括无人车的北向速度、天向速度、东向速度，所述若所述轮速大于预设的轮速阈值，则通过所述轮速确定所述无人车在当前时刻的运动状态估计量，包括：
[0103]
若所述轮速大于预设的轮速阈值，则通过所述轮速中的北向速度、天向速度、东向速度，计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
[0104]
可选的，所述若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定所述无人车在当前时刻的运动状态估计量，包括：
[0105]
若所述轮速小于预设的轮速阈值，则通过所述无人车的运动约束确定无人车在行驶过程中的速度输出在车体坐标系y轴和z轴上的投影分量，并通过所述投影分量计算当前时刻的确定所述无人车在当前时刻的运动状态估计量。
[0106]
可选的，所述装置还包括：
[0107]
获取上一时刻所述无人车的运动状态估计量；
[0108]
基于所述上一时刻所述无人车的运动状态估计量，采用卡尔曼滤波方法进行滤波计算所述无人车当前时刻的运动状态估计量，得到预测运动状态估计量；
[0109]
利用通过所述轮速，或，所述无人车的运动约束确定的运动状态估计量，对所述预测运动状态估计量进行更新。
[0110]
本说明书在不改变现有无人车硬件的前提下，通过改进惯性/轮速计融合定位算法，解决车辆低速行驶条件下的轮速计死区问题，增强集卡的自主定位性能，满足高精度的自动驾驶需求。
[0111]
请参见图3，图3是一示例性的实施例示出的一种基于运动约束的融合定位装置所在电子设备的硬件结构图。在硬件层面，该设备包括处理器302、内部总线304、网络接口306、内存308以及非易失性存储器310，当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器302从非易失性存储器310中读取对应的计算机程序到内存308中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0112]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0113]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
[0114]
在一个典型的配置中，计算机包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0115]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0116]
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0117]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0118]
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0119]
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0120]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。