一种3D激光定位点云地图处理方法、装置及机器人与流程

一种3d激光定位点云地图处理方法、装置及机器人
技术领域
1.本发明涉及机器人技术领域，具体来说，涉及一种3d激光定位点云地图处理方法、装置及机器人。


背景技术：

2.机器人导航一般会通过slam(simutaneous localization and mapping)技术利用激光雷达、视觉相机或者其他的传感器数据，建立起外界的环境地图。在自主导航过程中，根据传感器数据与先验的环境地图进行匹配，确定机器人在环境中的位置，为后续的路径规划提供信息。
3.目前常用的3d激光点云定位方法有以下2种：
4.1.icp及ndt此类距离式的配准方法：利用单帧激光点云信息与先验点云地图做scan-to-map的匹配。这两种方法是在给定初值的情况下，其中icp构建点到点的距离函数，ndt构建点到分布的距离函数，得到局部最优解，进而算得六自由度位姿。但通常来说，对整张先验点云地图进行配准会存在几个问题，一、大规模场景下，地图本身较大，加载整张地图需要较大的内存；二、没有对地图进一步细分，直接将实时激光数据与整张地图进行配准，实时性较差。
5.2.基于栅格地图或者高程地图的配准方法：栅格地图和高程地图类似，都是将外部环境按照一定分辨率离散化，栅格地图用格子是否被物体占据的概率分布描述环境，而高程地图用该格子中的高度统计数据进行表述。虽然这些方法能减小总体的存储空间，但是同时也是对数据进行降维或者压缩，与原数据相比丢失了一定的信息。
6.但对于一些运行场景比较大的机器人，例如在园区、场区、库房等执行巡逻任务的机器人，其先验地图一般比较大。使用基于原始点云地图的匹配方式能较为充分利用原始环境信息，但导航过程中直接对整张地图进行加载和匹配，存储空间占用多并且实时性较差；基于栅格或者高程图的地图匹配，虽然地图的存储占用小，但相当于对数据进行降维，但也丢失了一些重要的信息。
7.本文提供的背景描述用于总体上呈现本公开的上下文的目的。除非本文另外指示，在该章节中描述的资料不是该申请的权利要求的现有技术并且不要通过包括在该章节内来承认其成为现有技术。


技术实现要素：

8.针对相关技术中的上述技术问题，本发明提出了一种3d激光定位点云地图处理方法，其包括如下步骤：
9.s1，根据3d点云地图的外接矩形对点云进行粗分割获取对应的小图集合；
10.s2，获取所述机器人的实时位置，根据所述机器人的实时位置获取机器人所在的网格；
11.s3，根据机器人所在的网络加载当前机器人位置对应的中心网格邻近八个网格的
小图以获得机器人用于定位的第一地图；
12.s4，在所述第一地图上获取当前激光雷达对应的当前环境轮廓的外接矩形，加载所述当前环境轮廓的外接矩形所在的子图以获得机器人用于定位的第二地图。
13.具体的，步骤s1，还包括如下步骤：
14.s11、查找点云地图中x,y方向的最大最小值x
min
、x
max
、y
min
、y
max
；
15.s12、根据激光雷达的最大测距距离d
max
，定义粗分割时网格的大小为d
resolution
*d
resolution
，其中d
resolutin
＝d
max
/n；其中n为大于等于1的正整数；
16.s13、获取点云地图的外接矩形的顶点(x
min
,y
min
),(x
min
,y
max
),(x
max
,y
min
),(x
max
,y
max
)；
17.s14、根据外接矩形，计算出划分网格总的行索引数index
x
、列索引数indexy；
18.index
x
＝(x
max-x
min
)/d
resolution
19.indexy＝(y
max-y
min
)/d
resolution
20.s15、遍历所述3d点云地图中所有地图点，对所述地图点归属到所述网格以获取小图集合。
21.具体的，d
resolution
＝d
max
/3。
22.具体的，所述第一地图为当前机器人位置对应的中心网格邻近的左上，正上，右上，正左，正右，左下，正下，右下八个网格。
23.第二方面，本发明的另一实施例公开了一种3d激光定位点云地图处理装置，其包括如下单元：
24.小图获取单元，用于根据3d点云地图的外接矩形对点云进行粗分割获取对应的小图集合；
25.机器人网格获取单元，用于获取所述机器人的实时位置，根据所述机器人的实时位置获取机器人所在的网格；
26.机器人第一地图获取单元，用于根据机器人所在的网络加载当前机器人位置对应的中心网格邻近八个网格的小图以获得机器人用于定位的第一地图；
27.机器人第二地图获取单元，用于在所述第一地图上获取当前激光雷达对应的当前环境轮廓的外接矩形，加载所述当前环境轮廓的外接矩形所在的子图以获得机器人用于定位的第二地图。
28.具体的，所述小图获取单元，还包括如下单元：
29.点云地图大小获取单元、用于查找点云地图中x,y方向的最大最小值x
min
、x
max
、y
min
、y
max
；
30.网格大小计算单元、用于根据激光雷达的最大测距距离d
max
，定义粗分割时网格的大小为d
resolution
*d
resolution
，其中d
resolution
＝d
max
/n；其中n为大于等于1的正整数；
31.点云外接矩形获取单元、用于获取点云地图的外接矩形的顶点(x
min
,y
min
),(x
min
,y
max
),(x
max
,y
min
),(x
max
,y
max
)；
32.网络索引计算单元、用于根据外接矩形，计算出划分网格总的行索引数index
x
、列索引数indexy；
33.index
x
＝(x
max-x
min
)/d
resolution
34.indexy＝(y
max-y
min
)/d
resolution
35.点云归属单元、用于遍历所述3d点云地图中所有地图点，对所述地图点归属到所述网格以获取小图集合。
36.具体的，d
resolution
＝d
max
/3。
37.具体的，所述第一地图为当前机器人位置对应的中心网格邻近的左上，正上，右上，正左，正右，左下，正下，右下八个网格。
38.第三方面，本发明的另一个实施例公开了一种机器人，所述机器人包括：一处理器、一存储器，所述存储器上存储有指令，所述处理器在执行所述指令时用以实现上述的方法。
39.第四方面，本发明的另一个实施例公开了一种非易失性存储介质，所述介质上存储有指令，所述指令在被处理器执行时，用以实现上述的方法。
40.本发明通过机器人的实时位置与实际环境，用两步法进行点云地图的动态管理。先根据激光雷达的测距范围，对点云地图先进行粗分割；接着，在定位过程中对粗分割的点云进行筛选，拼接成九宫格子图后，根据实际环境轮廓进行精细切分。通过上述两步法，一方面可以避免直接存储整张点云地图，减小了存储空间，另一方面，点云地图经过切分，进行匹配时能提高匹配速度。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明实施例提供的3d激光雷达的工作原理示意图；
43.图2是本发明实施例提供的激光点云与栅格地图的示意图；
44.图3是本发明实施例提供的一种3d激光定位点云地图处理方法流程图；
45.图4是本发明实施例提供的点云地图的粗分割示意图；
46.图5是本发明实施例提供的点云地图的精细切分示意图；
47.图6是本发明实施例提供的一种3d激光定位点云地图处理装置示意图；
48.图7是本发明实施例提供的一种3d激光定位点云地图处理设备示意图。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
50.实施例一
51.本实施例的机器人需要使用激光雷达进行测距并用于构建机器人周围环境的地图，并用于机器人人的定位。
52.以下先介绍激光雷达的测距原理，激光雷达的测距原理是基于飞行时间的测距原理。根据激光的发射与接收时间，以及光速，计算得到距离。3d机械激光雷达水平方向与垂
直方向都能得到测量数据，以雷达中心建立笛卡尔坐标系，得到每个点的坐标，所有探测到数据点的坐标便形成点云。
53.参考图2，图2(a)是3d点云地图，假如以起始时刻激光雷达的坐标系为地图坐标系，所有时刻雷达测量得到的点构成环境点云地图；
54.图2(b)是栅格地图或者高程地图；在图2(b)中，每个格子的分辨率固定的情况下，栅格地图每个格子代表此区域是否被物体占据，机器人是否可通行。高程地图每个格子表示该格子中物体的高度分布。图2(b)中，黑色栅格对应着该位置有物体存在，机器人不可通行。
55.本实施例以3d点云地图为本实施例的使用的地图表示方式。
56.本实施例的机器人搭载了3d激光雷达，并已经完成激光雷达点云地图的建图。具体的本实施例的3d激光雷达可以是机械式、固态等其中任何一种。本实施例的机器人基于slam进行激光点云地图的建图。
57.参考图3，本实施例公开了一种3d激光定位点云地图处理方法，其包括如下步骤：
58.s1，根据3d点云地图的外接矩形对点云进行粗分割获取对应的小图集合；
59.本实施例的机器人已经预先对环境建图形成了先验3d环境点云地图。
60.参考图4，在已有先验3d环境点云地图的条件下，找出地图的最大最小边界，根据地图的外接矩形先对点云进行网格粗分割，网格的具体大小跟激光雷达本身的最大测距距离相关。网格划分完成后，将地图中的每个点按照坐标一一分到对应网格中，最终形成一张张小图。
61.因为在网格粗分割阶段，只考虑了(x,y,z)三维坐标中的(x,y)，也即根据点云的横纵坐标来进行网格划分，故示意图仅展示了x-y二维平面。
62.具体的，本实施例根据3d点云地图的x-y平面的外接矩形对点云进行粗分割。
63.本实施例根据激光雷达的最大测距距离来决定小图的大小。
64.具体的，小图是一个正方形，其边长
65.步骤s1，还包括如下步骤：
66.s11、查找点云地图中x,y方向的最大最小值x
min
、x
max
、y
min
、y
max
；
67.s12、根据激光雷达的最大测距距离d
max
，定义粗分割时网格的大小为d
resolution
*d
resolution
，d
resolution
＝d
max
/n，其中n为大于等于1的正整数；
68.具体的，d
resolution
＝d
max
/3；d
resolution
是子图的边长l。
69.这里的3跟后面精分割时，加载邻近九宫格相关，即保证加载完的九宫格子图的距离小于等于激光雷达的最大测距距离；
70.s13、获取点云地图的外接矩形的顶点(x
min
,y
min
),(x
min
,y
max
),(x
max
,y
min
),(x
max
,y
max
)；
71.s14、根据外接矩形，计算出划分网格总的行索引数index
x
、列索引数indexy；
72.index
x
＝(x
max-x
min
)/d
resolution
73.indexy＝(y
max-y
min
)/d
resolution
74.s15、遍历所述3d点云地图中所有地图点，对所述地图点归属到所述网格以获取小图集合；
75.在确定完总的网格数后，对整张点云中所有的点进行所属网格的分配，网格分配时主要由以下方法得出网格索引，假设点云地图中某个点的坐标为(xi,yi,zi)，那么其应属的网格索引为：
76.行索引indexi＝(x
i-x
min
)/d
resolution
77.列索引indexi＝(y
i-y
min
)/d
resolution
78.依据s15中的方法，遍历地图中所有地图点，并把它归到所属的网格里面，最终便得到了由各个网格组成的子图；自此，粗分割阶段完成，整张的点云地图经过粗分割，变成了由若干网格构成的小图；
79.s2，获取所述机器人的实时位置，根据所述机器人的实时位置获取机器人所在的网格；
80.参考图5，步骤s1已经对整张点云地图进行了粗分割，在定位过程中会根据机器人位置加载对应的网格子图，再根据实时点云轮廓进一步精细切分，最终得到用于匹配的实时点云地图。
81.在粗分割过程中，已经预先把原始点云地图根据激光最大探测距离算得的分辨率，分割成众多张小地图。在精细分割阶段，首先根据机器人的实时定位数据得到当前位置对应网格的索引数。
82.具体的，本实施例的机器人配置有gnss模块，通过gnss可以获取机器人的定位数据，并进一步输出机器人的位置信息。
83.根据机器人的实施位置计算机器人所在网络的索引数的方式如下：
84.机器人所在行索引数index
x
＝x
robot
/d
resolution
85.机器人所在的列索引数indexy＝y
robot
/d
resolution
86.其中，(x
robot
,y
robot
)代表机器人的位置，(index
x
,indexy)代表当前位置对应的网格。
87.s3，根据机器人所在的网络加载当前机器人位置对应的中心网格邻近八个网格的小图以获得机器人用于定位的第一地图；
88.通过加载步骤s2中当前机器人位置对应的中心网格邻近八个网格(左上，正上，右上，正左，正右，左下，正下，右下八个网格)，构成九宫格，九个网格中的子图便是当前机器人定位用到的最大子图，对应图5中的粗方框内的点云。
89.s4，在所述第一地图上获取当前激光雷达对应的当前环境轮廓的外接矩形，加载所述当前环境轮廓的外接矩形所在的子图以获得机器人用于定位的第二地图。
90.图5中的小方框代表此时机器人的位置，射线代表激光雷达的发射光线，包围住射线的曲线代表此时激光雷达探测到的环境轮廓。进一步考虑，步骤s3中只考虑激光的最大距离，而忽略了机器人实时运行的环境因素。在某些环境中，由于建筑物或者其他物体阻挡，除了在极为开阔的环境中，激光的检测距离不可能达到最大检测距离，直接采用最大检测距离的话，在室内或者封闭环境下，用s3分割出来的子图还是比较大，不是较优的分割方法。
91.根据当前点云的轮廓，计算出当前环境轮廓的外接矩形(计算方法跟步骤1一样)。得到外接矩形后，在原来九宫格地图的基础上，进一步切分出外接四边形中的点，便得到最终的精细切分后的子图(图5中细线方框内的点云就是精细切分后的点云地图)。
92.对比点云可知，精细切分点云数量≤粗切分的九宫格点云数量≤整张地图的点云数量，机器人自主导航过程中，根据实时位置对地图进行动态加载，得到每次激光匹配的点云地图，既减小了点云的存储空间，又减小了匹配时的计算量，保证了实时性。
93.本实施例通过机器人的实时位置与实际环境，用两步法进行点云地图的动态管理。先根据激光雷达的测距范围，对点云地图先进行粗分割；接着，在定位过程中对粗分割的点云进行筛选，拼接成九宫格子图后，根据实际环境轮廓进行精细切分。通过上述两步法，一方面可以避免直接存储整张点云地图，减小了存储空间，另一方面，点云地图经过切分，进行匹配时能提高匹配速度。
94.实施例二
95.参考图6，本实施例公开了一种3d激光定位点云地图处理装置，其包括如下单元：
96.小图获取单元，用于根据3d点云地图的外接矩形对点云进行粗分割获取对应的小图集合；
97.本实施例的机器人已经预先对环境建图形成了先验3d环境点云地图。
98.参考图4，在已有先验3d环境点云地图的条件下，找出地图的最大最小边界，根据地图的外接矩形先对点云进行网格粗分割，网格的具体大小跟激光雷达本身的最大测距距离相关。网格划分完成后，将地图中的每个点按照坐标一一分到对应网格中，最终形成一张张小图。
99.因为在网格粗分割阶段，只考虑了(x,y,z)三维坐标中的(x,y)，也即根据点云的横纵坐标来进行网格划分，故示意图仅展示了x-y二维平面。
100.具体的，本实施例根据3d点云地图的x-y平面的外接矩形对点云进行粗分割。
101.本实施例根据激光雷达的最大测距距离来决定小图的大小。
102.具体的，小图是一个正方形，其边长
103.本实施例的小图获取单元，还包括如下单元：
104.点云地图大小获取单元、用于查找点云地图中x,y方向的最大最小值x
min
、x
max
、y
min
、y
max
；
105.网格大小计算单元、用于根据激光雷达的最大测距距离d
max
，定义粗分割时网格的大小为d
resolution
*d
resolution
，d
resolution
＝d
max
/n，其中n为大于等于1的正整数；
106.具体的，d
resolution
＝d
max
/3；d
resolution
是子图的边长l。
107.这里的3跟后面精分割时，加载邻近九宫格相关，即保证加载完的九宫格子图的距离小于等于激光雷达的最大测距距离；
108.点云外接矩形获取单元、用于获取点云地图的外接矩形的顶点(x
min
,y
min
),(x
min
,y
max
),(x
max
,y
min
),(x
max
,y
max
)；
109.网络索引计算单元、用于根据外接矩形，计算出划分网格总的行索引数index
x
、列索引数indexy；
110.index
x
＝(x
max-x
min
)/d
resolution
111.indexy＝(y
max-y
min
)/d
resolution
112.点云归属单元、用于遍历所述3d点云地图中所有地图点，对所述地图点归属到所述网格以获取小图集合；
113.在确定完总的网格数后，对整张点云中所有的点进行所属网格的分配，网格分配时主要由以下方法得出网格索引，假设点云地图中某个点的坐标为(xi,yi,zi)，那么其应属的网格索引为：
114.行索引indexi＝(x
i-x
min
)/d
resolution
115.列索引indexi＝(y
i-y
min
)/d
resolution
116.点云归属单元，用于遍历地图中所有地图点，并把它归到所属的网格里面，最终便得到了由各个网格组成的子图；自此，粗分割阶段完成，整张的点云地图经过粗分割，变成了由若干网格构成的小图；
117.机器人网格获取单元，用于获取所述机器人的实时位置，根据所述机器人的实时位置获取机器人所在的网格；
118.参考图5，小图获取单元已经对整张点云地图进行了粗分割，在定位过程中会根据机器人位置加载对应的网格子图，再根据实时点云轮廓进一步精细切分，最终得到用于匹配的实时点云地图。
119.在粗分割过程中，已经预先把原始点云地图根据激光最大探测距离算得的分辨率，分割成众多张小地图。在精细分割阶段，首先根据机器人的实时定位数据得到当前位置对应网格的索引数。
120.具体的，本实施例的机器人配置有gnss模块，通过gnss可以获取机器人的定位数据，并进一步输出机器人的位置信息。
121.根据机器人的实施位置计算机器人所在网络的索引数的方式如下：
122.机器人所在行索引数index
x
＝x
robot
/d
resolution
123.机器人所在的列索引数indexy＝y
robot
/d
resolution
124.其中，(x
robot
,y
robot
)代表机器人的位置，(index
x
,indexy)代表当前位置对应的网格。
125.机器人第一地图获取单元，用于根据机器人所在的网络加载当前机器人位置对应的中心网格邻近八个网格的小图以获得机器人用于定位的第一地图；
126.通过加载步骤s2中当前机器人位置对应的中心网格邻近八个网格(左上，正上，右上，正左，正右，左下，正下，右下八个网格)，构成九宫格，九个网格中的子图便是当前机器人定位用到的最大子图，对应图5中的粗方框内的点云。
127.机器人第二地图获取单元，用于在所述第一地图上获取当前激光雷达对应的当前环境轮廓的外接矩形，加载所述当前环境轮廓的外接矩形所在的子图以获得机器人用于定位的第二地图。
128.图5中的小方框代表此时机器人的位置，射线代表激光雷达的发射光线，包围住射线的曲线代表此时激光雷达探测到的环境轮廓。进一步考虑，步骤s3中只考虑激光的最大距离，而忽略了机器人实时运行的环境因素。在某些环境中，由于建筑物或者其他物体阻挡，除了在极为开阔的环境中，激光的检测距离不可能达到最大检测距离，直接采用最大检测距离的话，在室内或者封闭环境下，用s3分割出来的子图还是比较大，不是较优的分割方法。
129.根据当前点云的轮廓，计算出当前环境轮廓的外接矩形(计算方法跟步骤1一样)。得到外接矩形后，在原来九宫格地图的基础上，进一步切分出外接四边形中的点，便得到最
终的精细切分后的子图(图5中细线方框内的点云就是精细切分后的点云地图)。
130.对比点云可知，精细切分点云数量≤粗切分的九宫格点云数量≤整张地图的点云数量，机器人自主导航过程中，根据实时位置对地图进行动态加载，得到每次激光匹配的点云地图，既减小了点云的存储空间，又减小了匹配时的计算量，保证了实时性。
131.本实施例通过机器人的实时位置与实际环境，用两步法进行点云地图的动态管理。先根据激光雷达的测距范围，对点云地图先进行粗分割；接着，在定位过程中对粗分割的点云进行筛选，拼接成九宫格子图后，根据实际环境轮廓进行精细切分。通过上述两步法，一方面可以避免直接存储整张点云地图，减小了存储空间，另一方面，点云地图经过切分，进行匹配时能提高匹配速度。
132.实施例三
133.本实施例公开了一种机器人，所述机器人包括：一处理器、一存储器，所述存储器上存储有指令，所述处理器在执行所述指令时用以实现实施例一的3d激光定位点云地图处理方法。
134.实施例四
135.参考图7，图7是本实施例的一种3d激光定位点云地图处理设备的结构示意图。该实施例的3d激光定位点云地图处理设备20包括处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述方法实施例中的步骤。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
136.示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述3d激光定位点云地图处理设备20中的执行过程。例如，所述计算机程序可以被分割成实施例二中的各个模块,各模块具体功能请参考上述实施例所述的装置的工作过程，在此不再赘述。
137.所述3d激光定位点云地图处理设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是3d激光定位点云地图处理设备20的示例，并不构成对3d激光定位点云地图处理设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述3d激光定位点云地图处理设备20还可以包括输入输出设备、网络接入设备、总线等。
138.所述处理器21可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述3d激光定位点云地图处理设备20的控制中心，利用各种接口和线路连接整个3d激光定位点云地图处理设备20的各个部分。
139.所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，
实现所述3d激光定位点云地图处理设备20的各种功能。所述存储器22可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
140.其中，所述3d激光定位点云地图处理设备20集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
141.需说明的是，以上所描述的装置实施例仅仅是示意性的，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实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。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。
142.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。