用于为车辆确定道路边界的方法和设备与流程

1.本公开涉及用于为车辆确定道路边界的方法和设备。


背景技术：

2.在车辆自动驾驶过程中，常常需要根据车辆的定位信息从高精度地图(hd map)中提取出车辆周围的地图数据，来规划车辆的行驶轨迹。例如，可以根据车辆的定位信息从hd map中提取出车辆前方和后方的一个范围内的地图数据，地图数据可以包括道路(或车道)的边界。车辆可以根据道路(或车道)的边界来规划行驶。
3.在一些情况下，例如在没有hd map可用或者车辆的定位不准确时，车辆需要自己检测道路边界。基于来自车载传感器的数据，可检测出体现一系列障碍物(通常是不活动的物体)的数据点的集合(本文中称为“数据点集”)。车辆需要将数据点集中的数据点拟合成道路边界，并从中选择出一条或多条有效的道路边界。


技术实现要素：

4.本公开的目的之一是提供用于为车辆确定道路边界的方法和设备。
5.根据本公开的第一方面，提供了一种用于为车辆确定道路边界的方法，包括：通过对来自所述车辆上装载的传感器的数据点集进行曲线拟合，以得到一条或多条初始道路边界；根据设定的评估规则评估每条初始道路边界的分数；以及根据每条初始道路边界的分数确定各初始道路边界是否为有效道路边界，其中，所述评估规则包括以下指标中的一个或多个：被评估的初始道路边界与所述车辆之间的距离；数据点集中对被评估的初始道路边界的支持点的个数；数据点集相对于被评估的初始道路边界的残差值；被评估的初始道路边界的曲线长度；以及被评估的初始道路边界的弯曲度。
6.在本方面的一个示例性实施例中，响应于所述评估规则包括多个指标，所述评估包括：分别评估所述多个指标所对应的多个子分数；以及将多个子分数加权合并以得到被评估的初始道路边界的分数。
7.在本方面的一个示例性实施例中，所述评估包括：评估一个或多个指标所对应的一个或多个子分数，所述方法还包括：使用已训练的分类模型，基于所述一个或多个子分数确定被评估的初始道路边界是否为有效道路边界。
8.在本方面的一个示例性实施例中，所述方法还包括：通过对历史有效道路边界进行更新以得到所述一条或多条初始道路边界。可选地，所述历史有效道路边界为前一次被确定的一条或多条有效道路边界。可选地，所述更新基于卡尔曼滤波。
9.在本方面的一个示例性实施例中，所述方法还包括：在进行所述曲线拟合之前，将数据点集划分为分别与道路左边界和道路右边界对应的两个子集；以及分别针对每个子集进行所述曲线拟合、所述评估、以及所述确定。可选地，根据所述车辆的历史行驶轨迹和/或预测行驶轨迹进行所述划分。可选地，根据数据点集中数据点的分布情况确定道路类型，并根据道路类型来进行所述划分。
10.在本方面的一个示例性实施例中，所述多条初始道路边界包括第一初始道路边界和第二初始道路边界，所述融合包括以下中的一个或多个：响应于第一初始道路边界和第二初始道路边界在长度方向具有延续关系，将能够体现第一初始道路边界和第二初始道路边界在长度方向上延续的曲线，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界；响应于第一初始道路边界与第二初始道路边界交叉，将包括第一初始道路边界和第二初始道路边界中一条初始道路边界的比另一条初始道路边界更靠近所述车辆的部分的曲线，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界；以及响应于第一初始道路边界与第二初始道路边界大致平行，将第一初始道路边界和第二初始道路边界中更靠近所述车辆的初始道路边界，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界。
11.在本方面的一个示例性实施例中，所述传感器为多个，所述数据点集基于多个传感器感测的数据的融合。
12.根据本公开的第二方面，提供了一种用于为车辆确定道路边界的设备。该设备包括：一个或多个处理器；以及一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令，其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行如上所述的方法。
13.根据本公开的第三方面，提供了一种非临时性计算机可读存储介质。所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如上所述的方法。
14.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
15.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
16.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
17.图1是示意性地示出根据本公开一个实施例的用于为车辆确定道路边界的方法的流程图。
18.图2a至2c是示意性地示出根据本公开实施例的用于为车辆确定道路边界的方法的示意图。
19.图3是示意性地示出根据本公开实施例的可应用于本公开的通用硬件系统的示例性框图。
20.注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
具体实施方式
21.以下将参照附图描述本公开，其中的附图示出了本公开的若干实施例。然而应当理解的是，本公开可以以多种不同的方式呈现出来，并不局限于下文描述的实施例；事实上，下文描述的实施例旨在使本公开的公开更为完整，并向本领域技术人员充分说明本公开的保护范围。还应当理解的是，本文公开的实施例能够以各种方式进行组合，从而提供更多额外的实施例。
22.应当理解的是，本文中的用语仅用于描述特定的实施例，并不旨在限定本公开。本文使用的所有术语(包括技术术语和科学术语)除非另外定义，均具有本领域技术人员通常理解的含义。为简明和/或清楚起见，公知的功能或结构可以不再详细说明。
23.在本文中，用语“a或b”包括“a和b”以及“a或b”，而不是排他地仅包括“a”或者仅包括“b”，除非另有特别说明。
24.在本文中，用语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。
25.另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。
26.还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。
27.现有技术中存在将数据点集中的数据点拟合成道路边界的方法，例如基于随机抽样一致(random sample consensus，ransac)算法的道路边界拟合方法。一种已知的道路边界拟合过程可以包括：
28.步骤1：在数据点集中随机选择特定个数的数据点(例如4个点或6个点等)，并基于这些数据点拟合出一个初始多项式；
29.步骤2：数据点集中的其他数据点向该初始多项式投影，若投影距离不大于第一距离阈值(即距离该初始多项式较近)，则将该数据点归为该初始多项式的局内点；
30.步骤3：将投影距离大于第二距离阈值(即距离该初始多项式较远)的数据点，作为该初始多项式的干扰点，其中第一和第二距离阈值均为预先设定的值，并且二者可以相等或不等；
31.步骤4：基于本次拟合的初始多项式的所有局内点重新拟合一个多项式，作为本次拟合的结果多项式，即本次拟合出的道路边界；以及
32.步骤5：重复步骤1至4，以穷举数据点集中的所有数据点。最终得到一个或多个(通常是多个)结果多项式，即拟合出的一条或多条(通常是多条)道路边界。
33.由于传感器检测的数据有时不太可靠，因此基于数据点集的拟合结果可能会有偏差。对于通过上述方法拟合出的一条或多条道路边界，如何从中选出一条或多条有效的道路边界是本领域面临的技术问题。
34.为此，本公开提出了用于为车辆确定道路边界的方法和设备。图1是示意性地示出
根据本公开一个实施例的用于为车辆确定道路边界的方法100的流程图。具体地，方法100包括如下所述的步骤s11至步骤s13。
35.步骤s11：通过对来自车辆上装载的传感器的数据点集进行曲线拟合，以得到一条或多条初始道路边界。车辆上装载的传感器通常有多种，例如图像传感器、雷达传感器、激光雷达传感器等。每种传感器均可以包括一个或多个。数据点集可以基于多个车载传感器所感测的数据的融合而生成。本文所称“曲线拟合”指的是基于数据点集中的各个数据点拟合出一个或多个多项式，可以由任何已知的曲线拟合方法来实施，例如前文所述的道路边界拟合过程。需要说明的是，本文所称的“曲线”，是指多项式的图形化呈现，可以具有或不具有弯曲的部分，例如可以是直线、折线或曲线。
36.步骤s12：根据设定的评估规则评估每条初始道路边界的分数。步骤s13：根据每条初始道路边界的分数确定各初始道路边界是否为有效道路边界。车辆可以根据步骤s13所确定的一条或多条有效道路边界来控制车辆的行驶。
37.评估规则可以包括一个或多个评估指标，根据各个指标来对各条初始道路边界进行评估，以给出相应的分数，从而依此来选择有效道路边界。评估指标是否合理，决定了是否能选择出真正有效的道路边界。本公开提出了评估规则可以包括以下描述的指标1至指标5中的一个或多个。
38.指标1：被评估的初始道路边界与车辆之间的距离。为保证安全驾驶，距离自我车辆越近的道路边界越应该被优先考虑。因此，设定的评估规则可以包括指标1以考虑被评估的初始道路边界与车辆之间的距离因素，并使得距离自我车辆越近的初始道路边界可以具有越高的分数。
39.指标2：数据点集中对被评估的初始道路边界的支持点的个数。在一个实施例中，支持点为完全落在初始道路边界的多项式上的点。
40.在一个实施例中，支持点为完全落在初始道路边界的多项式上的点以及与多项式的距离很近(例如小于预设的距离阈值)的点。支持点的个数越多，标明该初始道路边界接近实际的道路边界的可能性越大。因此，设定的评估规则可以包括指标2以考虑数据点集中对被评估的初始道路边界的支持点的个数，并使得具有更多支持点的初始道路边界可以具有更高的分数。
41.指标3：数据点集相对于被评估的初始道路边界的残差值。在一个实施例中，数据点集相对于被评估的初始道路边界的残差值为数据点集中的各个数据点到该初始道路边界的多项式的残差的均值。在一个实施例中，数据点集相对于被评估的初始道路边界的残差值为数据点集中除干扰点之外的各个数据点到该初始道路边界的多项式的残差的均值。数据点集中的干扰点指的是距离初始道路边界较远(与该初始道路边界的距离大于预设的距离阈值)的数据点。残差值越小，标明该拟合的该初始道路边界可能越接近实际的道路边界。因此，设定的评估规则可以包括指标3以考虑数据点集相对于被评估的初始道路边界的残差值，并使得残差值越小的初始道路边界可以具有越高的分数。
42.指标4：被评估的初始道路边界的曲线长度。实际的道路边界通常是沿着道路中心线的方向连续的，因此，拟合出来的初始道路边界越长，越有可能接近真实的道路边界。而数据点集中的噪声点常常会造成拟合的曲线断开，变为短的曲线。因此，设定的评估规则可以包括指标4以考虑被评估的初始道路边界的曲线长度，并使得具有更长曲线长度的初始
道路边界可以具有更高的分数。
43.指标5：被评估的初始道路边界的弯曲度。通常来说，车辆在道路上行驶时，车身方向与道路中心线的方向基本一致。因此，弯曲度与自我车辆的转向角(或称偏航角，yaw)比较接近的初始道路边界可能更接近真实的道路边界。因此，设定的评估规则可以包括指标5以考虑被评估的初始道路边界的弯曲度，并使得弯曲度与自我车辆的转向角越接近的初始道路边界可以具有越高的分数。
44.可以选择上述指标1至指标5中的一个或多个指标作为评估规则，针对所选择的每个指标分别计算相应的分数，从而判断一条初始道路边界是否为有效道路边界。
45.在一个实施例中，响应于评估规则包括多个指标，可以在步骤s12中分别评估多个指标所对应的多个子分数，可以预先设定多个指标所对应的子分数的各自的权重，并将多个子分数加权合并以得到被评估的初始道路边界的分数。然后在步骤s13中将分数高于阈值的初始道路边界确定为有效道路边界。
46.在一个实施例中，可以在步骤s12中评估一个或多个指标所对应的一个或多个子分数，然后在步骤s13中使用已训练的分类模型，基于步骤s12中计算的一个或多个子分数，来确定被评估的初始道路边界是否为有效道路边界。分类模型可以是一个二值分类器，其输入为被选择作为评估规则的一个或多个指标所对应的一个或多个子分数，输出为是否为有效道路边界。该二值分类器可以基于上述指标1至指标5中的一个或多个指标(取决于设定的评估规则中包括哪个或哪些指标)所对应的子分数以及真值(ground truth)，即是否为有效道路边界，来训练。
47.为了更准确地确定出有效的道路边界，还可以考虑历史信息。由于车辆的行驶是连续的，因此实际的道路边界在时间上应该具有连续性。因此，考虑历史信息应当是有助益的。
48.在一个实施例中，可以将前一次处理时被确定的一条或多条有效道路边界进行更新，例如采用卡尔曼滤波，得到相应的一条或多条更新后的道路边界。更新后的道路边界可以作为初始道路边界，与步骤s11所得到的一条或多条初始道路边界均进行后续的操作。例如，在后续步骤s12中，用本次处理过程中传感器所感测的数据点集(而不是前一次处理时从传感器收集的数据点集)去计算这些更新后的道路边界的上述指标1至指标5中的一个或多个指标的子分数，从而在步骤s13中判断这些更新后的道路边界的有效性。最终确定出的一条或多条有效的道路边界，可能包括更新后的道路边界，也可能不包括更新后的道路边界。
49.在一个实施例中，在进行步骤s11的曲线拟合之前，将数据点集划分为分别与道路左边界和道路右边界对应的两个子集，然后分别针对每个子集进行上述步骤s11至s13的操作。可以根据自我车辆的行驶轨迹来划分数据点集，将位于行驶轨迹左侧的数据点划分到与左侧道路边界对应的数据子集中，将位于行驶轨迹右侧的数据点划分到与右侧道路边界对应的数据子集中。在步骤s11中，两个子集分别用于拟合出左侧道路初始边界和右侧道路初始边界。自我车辆的行驶轨迹可以包括自动驾驶规划模块输出的预测的行驶轨迹，其体现自我车辆的行驶意图，可以用于划分数据点集中的位于车身前方的点。此外，行驶轨迹还可以包括自我车辆的历史行驶轨迹，其可以用于划分数据点集中的位于车身后方的点。
50.依照根据该实施例的方法，可以不用将计算力过多地放在与自我车辆的行驶意图
无关的道路边界的检测上，该优势对于路口和弯道的情况尤为明显。例如，对于如图2a所示的y型路口，若车辆的预测的行驶轨迹为在左侧道路行驶(图中的点划线为车辆的预测行驶轨迹的示意)，则位于行驶轨迹右侧的所有数据点均会被划分到右侧道路边界的数据子集中，以用于计算车辆行驶的道路的右侧边界，而不管是否还有右侧的岔路存在。再例如，对于如图2b所示的左转弯的弯道场景，在不划分道路左边界和道路右边界对应的两个子集的情况下，可能会出现将与道路右边界所对应的数据点拟合到用于表现道路左边界的曲线上，从而导致出现过多无效的拟合曲线。
51.在一些情况下，自动驾驶规划模块预测的行驶轨迹可能不可靠(例如评估分数较低)，则此时行驶轨迹的可参考性较低。甚至有些情况下，自动驾驶规划模块没有能够输出预测的行驶轨迹。在上述这些情况下，还可以根据预设的道路模型来对道路左右两侧的数据点进行划分。在一个实施例中，根据数据点集中数据点的分布情况确定道路类型，并根据道路类型来进行所述划分。例如，可以预先设定一些常用的道路类型(也可称为“道路模型”)，包括直路、稍微有点弯度的道路、急弯道路、十字路口、丁字路口、y型路口等。在预测的行驶轨迹不可靠或未输出时，可以根据数据点集的分布情况选择最接近的道路模型，从而根据道路模型来将数据点集划分为左右两个子集。
52.为了进一步提到确定有效道路边界的效率和准确性，可以在曲线拟合得到一条或多条初始道路边界之后，将多条初始道路边界进行融合，以得到可靠性更高的道路边界曲线。在一个实施例中，在执行步骤s11得到多条初始道路边界之后并且在执行步骤s12的评估之前，可以对多条初始道路边界进行融合，以得到一条或多条融合初始道路边界。然后在后续操作中，分别对每条融合初始道路边界进行步骤s12的评估和步骤s13的确定。具体融合的方法如下所述。
53.情况1：对于在道路的长度方向具有延续关系的多条曲线，可以将其融合为一条更长的道路边界。例如，如果第一初始道路边界和第二初始道路边界在长度方向具有延续关系，则将能够体现第一初始道路边界和第二初始道路边界在长度方向上延续的曲线，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界。
54.情况2：对于相互交叉的多条曲线，可以选择每条曲线的距离自我车辆最近的部分，从而将多条曲线融合成一条道路边界。例如，如图2c所示，如果第一初始道路边界(如图中点状虚线所示)与第二初始道路边界(如图中短线状虚线所示)交叉，将包括第一初始道路边界和第二初始道路边界中一条初始道路边界的比另一条初始道路边界更靠近车辆的部分的曲线(如图中实线所示)，包括第一初始道路边界的上部以及第二初始道路边界的下部，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界。
55.情况3：对于平行或基本平行(即没有交叉点)的多条道路边界曲线，只需要选择距离自我车辆最近的一条边界即可，其他与之平行的道路边界将被删除，即不进行评估和确定是否为有效的道路边界。例如，如果第一初始道路边界与第二初始道路边界大致平行，将第一初始道路边界和第二初始道路边界中更靠近车辆的初始道路边界，确定为第一初始道路边界和第二初始道路边界融合为的融合初始道路边界。
56.需要说明的是，方法100的执行主体可以是车辆上装载的模块，也可以为远程模块。例如，方法100可以由装载在车辆上的处理器执行程序指令来实现。方法100也可以由云端服务器中的处理器执行程序指令来实现，云端服务器可以将最终确定的有效道路边界发
送给车辆以便车辆自己确定行驶轨迹，云端服务器也可以将基于最终确定的有效道路边界而规划的行驶轨迹发送给车辆，以便车辆直接按照该行驶轨迹控制行驶。本公开所称的道路，可以包括一条或更多条车道(lane)。这就是说，本公开所称的道路可以被理解为车辆正在其上行驶或将要在其上行驶的车道，此时的道路边界指的是该车道的边界。此外，本公开所称的道路可以被理解为包括车辆正在其上行驶或将要在其上行驶的车道的道路，此时的道路边界指的是该道路的边界。
57.图3是示意性地示出根据本公开实施例的可应用于本公开的通用硬件系统300的示例性框图。现在将参考图3描述系统300，其是可以应用于本公开的各方面的硬件设备的示例。系统300可以是被配置为执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助理、智能电话、车载电脑、或其任何组合。上述根据本公开实施例的用于为车辆确定道路边界的系统200可以全部或至少部分地由系统300或类似设备或系统实现。
58.系统300可以包括可能经由一个或多个接口与总线302连接或与总线302通信的元件。例如，系统300可以包括总线302，以及一个或多个处理器304，一个或多个输入设备306和一个或多个输出设备308。一个或多个处理器304可以是任何类型的处理器，可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。上文所述的方法中的各个步骤均可以通过一个或多个处理器304执行指令来实现。
59.输入设备306可以是可以向计算设备输入信息的任何类型的设备，可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备308可以是可以呈现信息的任何类型的设备，可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
60.系统300还可以包括非暂时性存储设备310或者与非暂时性存储设备310连接。非暂时性存储设备310可以是非暂时性的并且可以实现数据存储的任何存储设备，可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、硬盘、磁带或任何其他磁介质、光盘或任何其他光学介质、rom(只读存储器)、ram(随机存取存储器)、高速缓冲存储器、和/或任何其他存储器芯片/芯片组、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备310可以从接口拆卸。非暂时性存储设备310可以具有用于实现上述方法、步骤和过程的数据/指令/代码。例如，上文所述的hd map 211可以至少部分地存储在非暂时性存储设备310中。
61.系统300还可以包括通信设备312。通信设备312可以是能够与外部设备和/或与网络通信的任何类型的设备或系统，可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备、和/或芯片组，例如蓝牙设备、1302.11设备、wifi设备、wimax设备、蜂窝通信设备、卫星通信设备、和/或类似物。
62.当系统300用作车载设备时，它还可以连接到外部设备，例如gps接收器，用于感测不同环境数据的传感器，例如加速度传感器、车轮速度传感器、陀螺仪和等等。以这种方式，系统300可以例如接收指示车辆的行驶状况的位置数据和传感器数据。当系统300用作车载设备时，它还可以连接到车辆的其他设施(例如发动机系统、雨刮器、防抱死制动系统等)以控制车辆的运行和操作。
63.另外，非暂时性存储设备310可以具有地图信息和软件元素，使得处理器304可以执行路线引导处理。另外，输出设备308可以包括用于显示地图、车辆的位置标记、以及指示
车辆的行驶状况的图像的显示器。输出设备308还可以包括扬声器或具有耳机的接口，用于音频引导。
64.总线302可以包括但不限于工业标准体系结构(isa)总线、微通道架构(mca)总线、增强型isa(eisa)总线、视频电子标准协会(vesa)本地总线、和外围部件互连(pci)总线。特别地，对于车载设备，总线302还可以包括控制器区域网络(can)总线或设计用于在车辆上应用的其他架构。
65.系统300还可以包括工作存储器314，其可以是可以存储对处理器304的工作有用的指令和/或数据的任何类型的工作存储器，可以包括但不限于随机存取存储器和/或只读存储设备。
66.软件元素可以位于工作存储器314中，包括但不限于操作系统316、一个或多个应用程序318、驱动程序、和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序318中。软件元素的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质中，例如上述存储设备310，并且可以通过编译和/或安装被读入工作存储器314中。还可以从远程位置下载软件元素的指令的可执行代码或源代码。
67.还应该理解，可以根据具体要求进行变化。例如，也可以使用定制硬件，和/或可以用硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合来实现特定元件。此外，可以采用与诸如网络输入/输出设备之类的其他计算设备的连接。例如，根据本公开实施例的方法或装置中的一些或全部可以通过使用根据本公开的逻辑和算法的、用汇编语言或硬件编程语言(诸如verilog，vhdl，c )的编程硬件(例如，包括现场可编程门阵列(fpga)和/或可编程逻辑阵列(pla)的可编程逻辑电路)来实现。
68.还应该理解，系统300的组件可以分布在网络上。例如，可以使用一个处理器执行一些处理，而可以由远离该一个处理器的另一个处理器执行其他处理。系统300的其他组件也可以类似地分布。这样，系统300可以被解释为在多个位置执行处理的分布式计算系统。
69.尽管到目前为止已经参考附图描述了本公开的各方面，但是上述方法，系统和设备仅仅是示例性示例，并且本公开的范围不受这些方面的限制，而是仅由以下方面限定：所附权利要求及其等同物。可以省略各种元件，或者可以用等效元件代替。另外，可以以与本公开中描述的顺序不同的顺序执行这些步骤。此外，可以以各种方式组合各种元件。同样重要的是，随着技术的发展，所描述的许多元素可以由在本公开之后出现的等同元素代替。