移动机器人的全局自定位方法及设备与流程

本申请涉及移动机器人技术领域，尤其涉及一种移动机器人的全局自定位方法及设备。

背景技术：

随着移动机器人技术的发展和进一步落地，对移动机器人相关技术的研究也越来越深入，由于移动机器人的工作环境具有非结构化和不确定性，因此移动机器人的自主智能性研究变得极其重要。移动机器人自定位技术，作为移动机器人研究的三大热点技术之一，得到了广泛的关注，而全局自定位更是自定位技术的关键问题。全局自定位技术，又名重定位技术，是指利用传感器信息及全局地图，获得移动机器人的当前位姿的技术。

中国专利申请“cn201610738132.3”公开了利用图像数据和激光点云数据进行重定位的方法，该方法需要利用视觉传感器与激光传感器，成本昂贵，且需要融合视觉信息与激光信息去确定定位候选区域，计算复杂度很高，很难满足低成本实现全局自定位功能。

另一件中国专利申请“cn201610740522.4”公开了根据机器人当前发出的激光数据和机器人所在位置对应的局部地图进行匹配来实现重定位的方法，该方法不是真正意义上的全局自定位，另外，其需要针对每帧激光数据进行直方图相似度计算并进行存储，数据量大且检索麻烦。

在其它的全局自定位方法中，还可以利用辅助设备(如外置摄像头及uwb、wifi、蓝牙等)来进行全局自定位，这些方式需要额外的部署环境，且精度较差，需要在确定候选区域后，再结合当前观测数据进行重定位。

申请内容

本申请的一个目的是提供一种移动机器人的全局自定位方法及设备，用以解决现有技术中难以在全局环境中定位自身位姿的问题。

为实现上述目的，本申请提供了一种移动机器人的全局自定位方法，其中，所述移动机器人包括里程计和激光雷达，该方法包括：

根据从激光雷达获取的激光观测数据，确定移动机器人的状态；

在所述移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域；

根据从里程计获取的里程信息，在所述多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿。

进一步地，根据从激光雷达获取的激光观测数据，确定移动机器人的状态，包括：

从激光雷达获取激光观测数据；

将所述激光观测数据与移动机器人的当前位姿对应的地图进行匹配，在匹配结果小于第一阈值时，确定移动机器人的状态为待定位状态。

进一步地，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域，包括：

以移动机器人的当前位姿为中心，将全局地图划分为多个用于位姿探索的地图区域，所述地图区域大小相同。

进一步地，所述地图区域的大小为预设固定值。

进一步地，根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，包括：

在每个地图区域中，根据从里程计获取的里程信息，获取用于预测移动机器人位姿的粒子分布信息；

根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；

将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定移动机器人的匹配位姿；

根据移动机器人的匹配位姿对应的地图，分别与匹配观测窗口中的多帧激光观测数据进行匹配，获取多个观测匹配度，所述多帧激光观测数据通过激光雷达获得、且具有时序关系。

进一步地，根据局部自定位结果确定移动机器人的最终位姿，包括：

获取在每个地图区域中进行移动机器人自定位得到的多个观测匹配度；

若所述观测匹配度均大于第二阈值，将所述观测匹配度对应的匹配位姿确定为移动机器人的最终位姿。

进一步地，根据从里程计获取的里程信息，获取用于预测移动机器人位姿的粒子分布信息，包括：

根据从里程计获取的里程信息，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息。

进一步地，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息，包括：

根据里程信息，初始化用于预测移动机器人位姿的粒子分布信息；

根据里程信息更新粒子位置；

将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的局部地图进行匹配，根据匹配结果确定粒子权重；

根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。

进一步地，根据里程信息更新粒子位置，包括：

根据上一时刻的粒子分布信息，通过预设的运动模型获取当前时刻的粒子分布信息。

进一步地，根据粒子权重进行粒子重采样，包括：

根据上一时刻的粒子权重，通过随机采样策略重新生成采样粒子。

进一步地，根据所述粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿，包括：

根据所述粒子分布信息，通过无监督学习聚类算法对粒子进行聚类，获取粒子分类；

根据粒子分类，获取其中粒子权重均值最大的分类；

将所述粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。

进一步地，将所述预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定移动机器人的匹配位姿，包括：

通过迭代最近点算法将所述预测位姿对应的地图与当前时刻激光观测数据进行点云匹配，确定移动机器人的匹配位姿。

本申请还提供了一种移动机器人的全局自定位设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述移动机器人的全局自定位方法。

本申请还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述移动机器人的全局自定位方法。

与现有技术相比，本申请提供的方案能够根据从激光雷达获取的激光观测数据，确定移动机器人的状态，在移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域，进一步根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿，从而能够在移动机器人丢失全局位姿后，实现全局的自定位，方案简单易实现，不需要额外部署辅助设备，同时由于使用了并行的地图区域计算，从而计算效率较高，减少了全局自定位的计算时间，能较快并准确地确定全局自定位中的当前位姿。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种移动机器人的全局自定位方法的流程图。

图2为本申请实施例提供的一种优选的移动机器人当前激光观测数据与地图的观测匹配度示意图。

图3为本申请实施例提供的一种优选的移动机器人的全局自定位系统的示意图。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均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(flashram)。内存是计算机可读介质的示例。

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，磁带磁盘存储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非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本申请的一些实施例提供了一种移动机器人的全局自定位方法。该移动机器人可包括里程计和激光雷达。激光雷达可以包括但不限于单线激光雷达和多线激光雷达。如图1所示，该方法具体包括如下步骤：

步骤s101，根据从激光雷达获取的激光观测数据，确定移动机器人的状态；

步骤s102，在所述移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域；

步骤s103，根据从里程计获取的里程信息，在所述多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿。

该方案尤其适合用于移动机器人的全局自定位场景，能够根据从激光雷达获取的激光观测数据，确定移动机器人的状态，在移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域，进一步根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿。在此，该方案的全局自定位方法与局部自定位方法不同的是，局部自定位方法是依据一个起始位置，再根据里程计等偏移数据、局部地图和局部自定位算法来确定当前的位姿，全局自定位方法则用于为移动机器人提供一个准确的起始位置，是在局部地图区域内，不断进行迭代计算，找到满足需求的移动机器人的准确位姿。

在步骤s101中，根据从激光雷达获取的激光观测数据，确定移动机器人的状态。在此，激光观测数据为包含角度和距离数据的激光扫描信息，激光观测数据从激光雷达获取，本申请的一些实施例中，激光雷达在二维平面上旋转一周即可得到一条激光扫描信息。同时，移动机器人也携带了移动环境的全局地图，该全局地图可通过激光雷达的扫描数据建立，可用于与激光观测数据进行匹配。

具体来说，移动机器人首先从激光雷达获取激光观测数据，再将得到的激光观测数据与移动机器人的当前位姿对应的地图进行匹配，在匹配结果小于第一阈值时，确定移动机器人的状态为待定位状态。这里的地图即移动环境的全局地图，将激光观测数据与全局地图进行相应的点云匹配，可得到匹配结果，根据匹配结果的取值确定移动机器人是否在全局地图中丢失了自己的位姿。在此，第一阈值是预先设置的匹配值，用来确定是否需要对移动机器人进行全局重新定位，第一阈值可根据实际情况进行设置，也可根据移动机器人在实际场景中的定位情况进行调整。本申请的一些实施例中，如果匹配结果小于第一阈值，说明移动机器人丢失了自己的位姿，即移动机器人的状态为待定位状态，因此需要对移动机器人进行全局的重新定位。如果匹配结果大于第一阈值，说明移动机器人并未丢失自己的位姿，因此无需对移动机器人进行全局的重新定位。

在步骤s102中，在所述移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域。在此，移动机器人已经在全局地图中丢失了自己准确的位姿，因此需要在全局地图中重新定位自身的准确位姿。本申请的一些实施例中，将全局地图划分为多个用于位姿探索的地图区域，在每个地图区域中同时进行移动机器人当前位姿的匹配查找，从而实现了多个地图区域的并行局部定位，提高了定位的效率。

本申请的一些实施例中，进行地图区域划分时，可以移动机器人的当前位姿为中心，将全局地图划分为多个用于位姿探索的地图区域。在此，移动机器人的当前位姿是不正确、待定位的位姿，我们要在移动机器人不正确的当前位姿的附近寻找正确的当前位姿。优选的，可根据移动机器人的当前位姿，按照螺旋方式，由近及远，生成一系列用于位姿探索的地图区域。

此外，划分出的多个地图区域的大小相同，将地图区域划分为相同大小可保证移动机器人当前的准确位姿在每个地图区域中的概率相同，从而通过并行的分区自定位，可保证找到移动机器人当前的准确位姿。

本申请的一些实施例中，划分的地图区域大小可为预设固定值，移动机器人的用户可根据自己的需要进行设定该值，也可根据移动机器人在实际环境中的使用效果对该固定值进行相应调整。优选地，可根据移动机器人配置的处理器计算性能和激光观测大小确定地图区域的大小。

在此，地图区域的数量由全局地图的大小及地图区域的大小共同确定，每个地图区域可由(区域中心，区域边长)来进行表征。

在步骤s103中，根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿。在此，里程信息为码盘(轮子转数)统计信息，只要轮子转动，就会做相应的累积，里程信息反映的是相对于上一时刻在二维平面上x、y坐标的变化和移动机器人朝向的变化。里程信息和获取的激光观测数据向每个地图区域都提供一份，每个地图区域中根据同样的输入数据运行同样的局部自定位算法。

本申请的一些实施例中，根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，可以包括如下步骤：

第一步，在每个地图区域中，根据从里程计获取的里程信息，获取用于预测移动机器人位姿的粒子分布信息；

第二步，根据粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿；

第三步，将预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定移动机器人的匹配位姿；

第四步，根据移动机器人的匹配位姿对应的地图，分别与匹配观测窗口中的多帧激光观测数据进行匹配，获取多个观测匹配度，所述多帧激光观测数据通过激光雷达获得、且具有时序关系。

由于在多个地图区域中使用了相同的局部自定位方法，因此下面以在一个地图区域中进行局部自定位为例，在其它地图区域中进行局部自定位的方法相同。

在第一步中，根据从里程计获取的里程信息，获取用于预测移动机器人位姿的粒子分布信息。具体来说，是根据从里程计获取的里程信息，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息。

自适应蒙特卡洛定位算法(adaptivemontecarlolocalization，amcl)，是一种移动机器人的概率统计方法，该方法通过在已知地图的基础上使用粒子滤波算法跟踪机器人的位姿。

本申请的一些实施例中，通过自适应蒙特卡洛自定位算法获取用于预测移动机器人位姿的粒子分布信息，可包括如下步骤：

根据里程信息，初始化用于预测移动机器人位姿的粒子分布信息；再根据里程信息更新粒子位置；然后将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的局部地图进行匹配，根据匹配结果确定粒子权重；最后根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。

在此，将获取的里程信息作为自适应蒙特卡洛自定位算法的先验信息，自适应蒙特卡洛自定位算法根据先验信息对粒子分布信息进行初始化。

有了初始的粒子分布信息后，再根据里程信息对粒子位置进行更新。具体来说，是根据上一时刻的粒子分布信息，通过预设的运动模型获取当前时刻的粒子分布信息。本申请的一些实施例中，预设的运动模型为高斯模型，可将里程信息输入该运动模型从而获得该模型的协方差和均值。粒子更新是根据上一时刻每个粒子的分布，再结合运动模型从而得到当前时刻的每个粒子的预测分布。

对粒子位置进行更新，得到更新后的粒子分布信息后，再将从激光雷达获取的当前时刻激光观测数据与粒子所在位置的地图进行匹配，根据匹配结果确定粒子权重。如果激光观测数据与某个粒子位置的地图的匹配结果高，则可确定该粒子的权重高，如果激光观测数据与某个粒子位置的地图的匹配结果低，则可确定该粒子的权重低。

为每个粒子确定了相应权重后，再根据粒子权重进行粒子重采样，获取重采样后的粒子分布信息。具体来说，对于每个粒子，根据上一时刻的粒子权重w(t-1)，通过随机采样策略重新生成采样粒子，从而得到重采样后的粒子分布信息。

在第二步中，根据粒子分布信息对粒子进行聚类，并将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。在此，用于预测移动机器人位姿的粒子分布在较大的范围内，每个粒子具有各自的权重，所有粒子的权重之和为1，粒子的权重即移动机器人出现在该粒子对应位置上的概率。由于自适应蒙特卡洛自定位算法并没有确定一个移动机器人最可能出现的位置，本申请的一些实施例中，通过对粒子进行聚类来预测移动机器人最可能的当前位姿即预测位姿，再根据对当前位姿的感知来确定该预测位姿是否正确。

具体地，本申请的一些实施例中，对粒子进行聚类并确定预测位姿，首先根据粒子分布信息，通过无监督学习聚类算法对粒子进行聚类，获取粒子分类。聚类的本质就是按照一定的原则，将数据映射到不同的属性集合中。优选地，本申请的一些实施例中，可采用dbscan聚类算法来对粒子进行聚类。dbscan(density-basedspatialclusteringofapplicationswithnoise)是一个比较有代表性的基于密度的聚类算法，与其他划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

得到聚类后的粒子分类后，再根据粒子分类，获取其中粒子权重均值最大的分类。在此，进行聚类后会得到多个粒子分类，每个粒子分类中包含多个粒子，本申请的一些实施例中，根据粒子分类中所有粒子对应的权重计算每个粒子分类的粒子权重均值，再得到粒子权重均值最大的粒子分类。

确定粒子权重均值最大的粒子分类后，再将粒子权重均值最大的分类中粒子权重均值对应的位姿确定为预测位姿。在此，粒子权重均值已经得到，该权重均值可能与某些粒子的权重相同，也可能与某些粒子的权重相近，本申请的一些实施例中，可将该权重均值对应的位姿确定为与其权重均值相同或相近的粒子所对应的位姿，该权重均值对应的位姿即为预测位姿，即根据里程信息预测的移动机器人位姿。

在第三步中，将预测位姿对应的地图与当前时刻激光观测数据进行匹配，确定移动机器人的匹配位姿。由于通过粒子聚类得到的移动机器人预测位姿是比较粗糙的位姿，本申请的一些实施例中，再将当前时刻的激光观测数据与预测位姿对应的地图通过迭代最近点算法进行点云匹配，得到观测匹配度和移动机器人的位姿，该匹配是比较精细的匹配，可得到更加精确的位姿。

迭代最近点(iterativeclosestpoint，icp)算法是一种迭代计算方法，能够使不同的坐标下的点云数据合并到同一个坐标系统中。icp算法的目的是要找到待配准点云数据与参考云数据之间的旋转参数r和平移参数t，使得两点数据之间满足某种度量准则下的最优匹配。icp算法本质上是基于最小二乘法的最优配准方法，算法重复进行选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。

通过icp算法进行匹配后得到相应的观测匹配度和移动机器人的位姿，该位姿是最精确的匹配后位姿，也就是当前移动机器人的最终预测位姿。如图2所示，图中白色矩形组成的部分为移动机器人所处的室内环境，室内环境中存在多个障碍物，室内环境中的阴影部分为激光雷达未受阻碍的扫描范围，室内环境边缘或室内障碍物上的点代表激光观测数据，根据该图得到的相关数据可知，激光观测数据与地图的观测匹配度达到95％以上，几乎能够全部匹配，说明该移动机器人的最终预测位姿与真实位姿非常接近。

在第四步中，根据移动机器人的匹配位姿对应的地图，分别与匹配观测窗口中的多帧激光观测数据进行匹配，获取多个观测匹配度，所述多帧激光观测数据通过激光雷达获得、且具有时序关系。在此，匹配观测窗口包括多帧激光观测数据，这些激光观测数据通过激光雷达获得，并具有时序关系，即这些激光观测数据是在不同的时刻获取，并且按照时刻的先后顺序进行排列。

通过上述步骤，每个地图区域中会得到一个移动机器人的匹配位姿和该匹配位姿对应的多个观测匹配度，该匹配位姿与多个观测匹配度即每个地图区域的自定位结果。

本申请的一些实施例中，还根据局部自定位结果确定移动机器人的最终位姿。具体来说，首先获取在每个地图区域中进行移动机器人自定位得到的多个观测匹配度，如果这多个观测匹配度均大于第二阈值，则将观测匹配度对应的匹配位姿确定为移动机器人的最终位姿。在此，第二阈值是一个预设值，用于判断是否还需要对移动机器人进行局部的自定位，第二阈值可根据用户的需要进行设定，用户可根据经验值进行设定，也可根据实际的使用效果进行调整。

在此，只要在所有的地图区域中存在一个符合要求的自定位结果，则该结果中的匹配位姿即为最终位姿，全局自定位过程结束。如果在所有的地图区域中都没有符合要求的自定位结果，则需要重新进行所有地图区域中的局部自定位，以找到符合要求的局部自定位结果。

本申请的一些实施例中，重新进行局部自定位，可根据获得的里程信息，调整粒子分布的预设运动模型的参数并获取用于预测移动机器人位姿的粒子分布信息。具体地，预设运动模型可为高斯模型，通过调整预设运动模型的参数可调整粒子分布，将粒子均匀分布在该运动范围内，从而得到新的粒子分布信息，随后再根据上述方法对新的粒子分布信息进行相应处理得到新的匹配位姿和观测匹配度。

本申请的一些实施例中，还提供了一种优选的移动机器人的全局自定位系统，如图3所示，该系统主要包括三个部分：分区生成模块、局部自定位模块和数据采集模块。

分区生成模块主要用于根据机器人当前位姿(不正确待定位的位姿)，按照螺旋式方式，由近及远，按照固定区域大小，生成一系列用于位姿探索的地图区域。

数据采集模块主要用于激光数据、里程计数据获取，为其他模块运行提供数据支撑。其主要由传感器数据采集滤波模块、里程计采集模块组成。传感器数据采集滤波模块用于采集传感器数据，采用相关滤波算法，除去多余测量数据多余噪点。里程计模块用于获取里程计数据，为自定位模块提供先验知识。

局部自定位模块主要用于是根据环境地图及里程计信息，激光观测信息，采用改进的粒子滤波算法，实现局部自定位效果。其主要由改进粒子滤波模块、粒子聚类模块、icp匹配算法模块、基于窗口位姿确认模块组成。改进粒子滤波模块用于对于每个粒子，首先利用随机采样策略，基于上一时刻的权重w(t-1)重新生成采样粒子，并利用里程计获得的机器人运动信息，更新粒子位置，然后利用激光观测数据与粒子所在位置处的地图相似度，计算粒子权重，得到当前观测下的粒子分布。粒子聚类模块用于采用聚类算法，根据粒子分布，得到最大聚类。icp匹配算法模块用于结合最大聚类均值位姿、激光观测以及用于定位的全局地图，进行点云匹配，得到匹配程度及精确匹配后位姿。基于窗口位姿确认模块用于设置重定位匹配程度观测窗口，如果在一定大小的观测窗口，如果定位匹配程度均达到一定阈值，则局部自定位成功。

本申请的一些实施例还提供了一种移动机器人的全局自定位设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行前述移动机器人的全局自定位方法。

本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述移动机器人的全局自定位方法。

综上所述，本申请提供的方案能够根据从激光雷达获取的激光观测数据，确定移动机器人的状态，在移动机器人的状态为待定位状态时，根据移动机器人的当前位姿，确定用于位姿探索的多个地图区域，进一步根据从里程计获取的里程信息，在多个地图区域中分别进行移动机器人局部自定位，根据局部自定位结果确定移动机器人的最终位姿，从而能够在移动机器人丢失全局位姿后，实现全局的自定位，方案简单易实现，不需要额外部署辅助设备，同时由于使用了并行的地图区域计算，从而计算效率较高，减少了全局自定位的计算时间，能较快并准确地确定全局自定位中的当前位姿。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。