一种自动驾驶系统参数的配置方法、装置及系统与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶系统参数的配置方法、装置及系统。


背景技术：

2.在自动驾驶领域中，需要为车辆配置大量的系统参数，这些参数是根据工程师的经验设定。但是在自动驾驶落地的场景下，不同的用户对所有的参数都与工程师有相同或相似的看法，而在某些个性化选择或驾乘感受上取决于乘客的主观感受。现有技术为了保证自动驾驶能够履行安全运送乘客的功能基础上，只供用户通过手动配置某些系统参数，而用户对参数配置较为粗糙，无法反应用户的真实感受，不能满足优化乘车或驾驶体验的要求。


技术实现要素：

3.本发明提供一种自动驾驶系统参数的配置方法、装置及系统，能提高自动驾驶系统参数的个性化配置准确性，从而提高用户的自动驾驶体验。
4.为了解决上述技术问题，本发明提供了一种自动驾驶系统参数的配置方法，包括：
5.获取预设用户对自动驾驶系统的乘坐评价信息；其中，所述预设用户对应一个或多个所述乘坐评价信息；
6.将每个乘坐评价信息作为预设多维向量的补偿量，对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量；
7.根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量；
8.根据所述多个第一多维向量，优化所述预设用户的自动驾驶系统参数。
9.作为上述方案的改进，所述所述获取预设用户对自动驾驶系统的乘坐评价信息，具体为：
10.获取同一用户对所述自动驾驶系统的多个乘坐评价信息；
11.或者，获取不同用户对所述自动驾驶系统的一个或多个乘坐评价信息。
12.作为上述方案的改进，所述所述根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量，具体为：
13.当所述预设用户为同一用户时，对生成的多个多维向量进行求重心处理，确定所述预设用户所处的类别，并根据确定的类别，确定所述预设用户对应的多个第一多维向量；
14.当所述预设用户为不同用户时，对生成的多个多维向量进行聚类处理或者先聚类后求重心处理，确定所述预设用户所处的组别，并根据确定的组别，确定所述预设用户对应的多个第一多维向量。
15.作为上述方案的改进，所述根据所述多个第一多维向量，优化所述预设用户的自动驾驶系统参数，具体为：
16.当所述预设用户为同一用户时，根据所述确定的类别所对应的配置信息，结合所述多个第一多维向量，生成所述预设用户对应的第一优化信息，并根据所述第一优化信息，优化所述预设用户的自动驾驶系统参数；
17.当所述预设用户为不同用户时，根据所述确定的组别所对应的配置信息，结合所述多个第一维向量，生成所述组别对应的第二优化信息，并根据所述第二优化信息，优化所述组别所对应的自动驾驶系统参数；
18.其中，所述第一优化信息和所述第二优化信息均包括一个或多个类别的系统参数、以及每个系统参数各自对应的参数调整值。
19.作为上述方案的改进，在所述对生成的多个多维向量进行聚类处理之前，还包括：
20.对生成的多个多维向量进行去噪处理，将同一用户的两个多维向量变化量大于预设阈值的、多维向量内含有噪点的、含有错误信息的异常数据剔除。
21.作为上述方案的改进，所述乘坐评价信息的获取方式包括以下一种或多种组合，具体为：
22.获取第一用户对所述自动驾驶系统的历史配置信息，并根据所述历史配置信息，生成所述第一用户对应的一个乘坐评价信息；
23.或者，根据第二用户在预设条件触发场景下的多个语音配置信息，生成所述第二用户在该触发场景下的一个乘坐评价信息；
24.或者，响应第三用户输入的参数配置操作，调整所述自动驾驶系统当前的系统参数，并根据调整后的系统参数，生成所述第三用户对应的一个乘坐评价信息。
25.作为上述方案的改进，所述将每个乘坐评价信息作为预设多维向量的补偿量，对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量，具体为：
26.当所述乘坐评价信息是根据所述多个语音配置信息生成时，通过预设的nlp模型分别对每个所述语音配置信息进行语音识别，并将每个语音识别结果作为预设多维向量的补偿量对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
27.相应的，本发明提供了一种自动驾驶系统参数的配置装置，包括：获取模块、转换模块、分类模块和优化模块；
28.其中，所述获取模块用于获取预设用户对自动驾驶系统的乘坐评价信息；其中，所述预设用户对应一个或多个所述乘坐评价信息；
29.所述转换模块用于将每个乘坐评价信息作为预设多维向量的补偿量，对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量；
30.所述分类模块用于根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量；
31.所述优化模块用于根据所述多个第一多维向量，优化所述预设用户的自动驾驶系统参数。
32.作为上述方案的改进，所述获取模块用于获取预设用户对自动驾驶系统的乘坐评价信息，具体为：
33.所述获取模块获取同一用户对所述自动驾驶系统的多个乘坐评价信息；
34.或者，所述获取模块获取不同用户对所述自动驾驶系统的一个或多个乘坐评价信息。
35.作为上述方案的改进，所述分类模块用于根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量，具体为：
36.当所述预设用户为同一用户时，所述分类模块对生成的多个多维向量进行求重心处理，确定所述预设用户所处的类别，并根据确定的类别，确定所述预设用户对应的多个第一多维向量；
37.当所述预设用户为不同用户时，所述分类模块对生成的多个多维向量进行聚类处理或者先聚类后求重心处理，确定所述预设用户所处的组别，并根据确定的组别，确定所述预设用户对应的多个第一多维向量。
38.作为上述方案的改进，所述优化模块用于根据所述多个第一多维向量，优化所述预设用户的自动驾驶系统参数，具体为：
39.当所述预设用户为同一用户时，所述优化模块根据所述确定的类别所对应的配置信息，结合所述多个第一多维向量，生成所述预设用户对应的第一优化信息，并根据所述第一优化信息，优化所述预设用户的自动驾驶系统参数；
40.当所述预设用户为不同用户时，所述优化模块根据所述确定的组别所对应的配置信息，结合所述多个第一维向量，生成所述组别对应的第二优化信息，并根据所述第二优化信息，优化所述组别所对应的自动驾驶系统参数；
41.其中，所述第一优化信息和所述第二优化信息均包括一个或多个类别的系统参数、以及每个系统参数各自对应的参数调整值。
42.作为上述方案的改进，所述配置装置还包括：预处理模块；
43.所述预处理模块用于在所述分类模块对生成的多个多维向量进行聚类处理之前，对生成的多个多维向量进行去噪处理，将同一用户的两个多维向量变化量大于预设阈值的、多维向量内含有噪点的、含有错误信息的异常数据剔除。
44.作为上述方案的改进，所述转换模块用于将每个乘坐评价信息作为预设多维向量的补偿量，对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量，具体为：
45.当所述乘坐评价信息是根据所述历史配置信息生成时，所述转换模块通过预设的nlp模型分别对每个所述语音配置信息进行语音识别，并将每个语音识别结果作为预设多维向量的补偿量对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
46.相应地，本发明还提供了一种自动驾驶系统，包括：自动驾驶设备、云端服务器和本发明所述的自动驾驶系统参数的配置装置；
47.其中，所述获取模块配置在所述自动驾驶设备上；
48.所述转换模块配置在所述自动驾驶设备或所述云端服务器上；
49.所述分类模块和优化模块均配置在所述云端服务器上。
50.本发明的实施例，具有如下有益效果：
51.本发明提供了一种自动驾驶系统参数的配置方法、装置及系统，先采集用户的乘坐评价信息，然后将乘坐评价信息作为预设多维向量的补偿量，对预设多维向量进行修正，生成对应的多维向量，再对多维向量进行分类，根据分类后的多维向量，优化自动驾驶系统的系统参数。相比于现有技术无法反应用户的真实感受，不能满足优化乘车或驾驶体验的
要求，本发明能够将用户的乘坐体验评价来优化下一次的自动驾驶乘坐，不仅能提高用户的自动驾驶体验，而且能提高自动驾驶系统参数的个性化配置准确性。
附图说明
52.图1是本发明提供的自动驾驶系统参数的配置方法的一种实施例的流程示意图；
53.图2为本发明提供的自动驾驶系统参数的配置装置的一种实施例的结构示意图；
54.图3为本发明提供的终端设备的一个实施例的结构示意图。
具体实施方式
55.下面将结合本发明中的附图，对本发明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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.参见图1，图1是本发明提供的自动驾驶系统参数的配置方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101至步骤104，各步骤具体如下：
57.步骤101：获取预设用户对自动驾驶系统的乘坐评价信息；其中，所述预设用户对应一个或多个所述乘坐评价信息。
58.在本实施例中，乘坐评价信息可以但不限于由以下一种或多种方式组合而获得，具体为：获取第一用户对所述自动驾驶系统的历史配置信息，并根据历史配置信息，生成所述第一用户对应的一个乘坐评价信息；或者，根据第二用户在预设条件触发场景下的多个语音配置信息，生成第二用户在该触发场景下的一个乘坐评价信息；或者，响应第三用户输入的参数配置操作，调整自动驾驶系统当前的系统参数，并根据调整后的系统参数，生成第三用户对应的一个乘坐评价信息。第一用户、第二用户和第三用户可以为同一个用户，也可以为不同的用户。
59.在本实施例中，针对第一种获取方式，其应用场景为用户为老用户，系统已存储该用户的历史配置信息。历史配置信息与用户账号相关联，在调用时可以但不限于从远程服务器上调用，配置信息为自动驾驶系统的系统参数，如加速度、减速度、变道积极程度、变道舒适度等。乘客在乘坐前可以但不限于通过钥匙、人脸识别等方式，登录用户账户，加载/添加/修改相应的历史配置信息。
60.作为本实施例的一种举例，用户的历史配置信息能够反映用户的乘坐评价，或者由上一次乘坐的乘坐评价信息而生成，因此在进行数据采集时，可以根据用户的历史配置信息反向获得用户的乘坐评价。
61.在本实施例中，针对第二种方式，其应用场景为在自动驾驶出现急刹、急打方向、偏离原计划路线等预设触发场景，系统会弹出语音，访问乘客对此次动作或决策是否理解、是否合理、或者相关场景的优化建议。在乘客输入语音评价后，系统生成该场景下的一个语音配置信息，如转向慢点、变道快点等信息。系统通过采集用户在一次乘坐体验，在多个触发场景中的语音配置信息并整合后，生成用户在本次乘坐体验对应的乘坐评价信息。触发场景可以根据实际需要或真实情况进行设计，以适用于各种自动驾驶系统。
62.在本实施例中，针对第三种方式，其应用场景为用户首次体验自动驾驶，其可以填
写相应的表格或者通过交互界面输入相应的配置信息等方式，调整自动驾驶系统当前的系统参数。系统再以当前的系统参数，生成用户的乘坐评价信息。
63.在本实施例中，步骤101可以获取同一用户对自动驾驶系统的多个乘坐评价信息，或者获取不同用户对所述自动驾驶系统的一个或多个乘坐评价信息。本实施例在获取数据源时即可对用户进行初步筛选，同一用户的数据用于优化其自身的自动驾驶系统参数，不同用户的数据用于优化整体的自动驾驶系统参数。
64.步骤102：将每个乘坐评价信息作为预设多维向量的补偿量，对预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
65.在本实施例中，获取的乘坐评价信息可以是系统参数的具体配置值，也可以是乘客的语音配置信息，也可以是两者均有的情况。这时，在执行步骤102之前，需要根据预设的映射关系，将这些数据转换为多维向量的补偿量。映射关系可以但不限于为参数配置值、语音配置信息、多个维度向量之间的相互映射关系，用于对数据进行转换。
66.作为本实施例的一种举例，步骤102具体为：当乘坐评价信息是根据多个语音配置信息生成时，通过预设的nlp模型分别对每个语音配置信息进行语音识别，并将每个语音识别结果作为预设多维向量的补偿量对预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
67.作为本实施例的一种举例，步骤102具体为：当乘坐评价信息同时包括语音配置信息和系统参数配置信息时，先根据映射关系，分别将系统参数配置信息和语音配置信息转换为第一多维向量、第二多维向量，再分别将第一多维向量作为补偿量，将第二多维向量作为预设多维向量，从而将第一多维向量和第二多维向量进行加权叠加，生成一个多维向量。
68.步骤103：根据预设的分类算法，对生成的多个多维向量进行分类，确定预设用户对应的多个第一多维向量。
69.在本实施例中，步骤103具体为：当预设用户为同一用户时，对生成的多个多维向量进行求重心处理，确定预设用户所处的类别，并根据确定的类别，确定预设用户对应的多个第一多维向量；当预设用户为不同用户时，对生成的多个多维向量进行聚类处理或者先聚类后求重心处理，确定预设用户所处的组别，并根据确定的组别，确定预设用户对应的多个第一多维向量。
70.在本实施例中，类别和组别由车辆厂家自定义，类别可以但不限于包括运动型类别、舒适型类别或经济型类别。如舒适型类别表示乘客优先看重自动驾驶的舒适度，该类别中的各个系统参数以舒适度为方向进行优先配置，其他类别同理。组别可以但不限于包括根据不同规则划分的组别，如根据不同地理位置、不同环境特点、不同时间段、工作日和非工作日、不同气候天气、不同路况、不同城市节奏等规则进行划分。
71.在本实施例中，若采集的数据来源于同一用户，通过对生成的多个多维向量进行求重心处理，确定用户所处的类别，再确定用户对应的多个第一多维向量。在本步骤中，对于同一个用户，第一多维向量可以但不限于为生成的多个多维向量，或者是从生成的多个多维向量中筛选出若干多维向量。筛选规则可以但不限于根据用户所处的类别而设置，如运动型类别筛选出能够反映灵敏度评价的多维向量，以此针对不同的用户群体，提高配置的准确性。
72.作为本实施例的一种举例，若乘坐评价信息对应的是乘客的一次乘坐体验，则其
数据量不大，可以将多个多维向量与各类别内设置的向量进行匹配度计算，再将匹配度最高的评价类别作为该用户的类别，从而提高分类速度。匹配度计算方法为现有技术，在此不再赘述。
73.在本实施例中，若采集的数据来源于不同用户时，对生成的多个多维向量进行聚类处理或者先聚类后求重心处理，确定预设用户所处的组别，再确定预设用户对应的多个第一多维向量。由于组别的划分规则存在差异，某些组别的数据采集量较大，而某组组别的数据采集量却不多，因此可以根据实际情况只使用聚类来确定用户组别，或者在数据量较大的情况下先进行聚类再求重心，提高组别划分的准确性。在进行聚类时，可以但不限于通过机器学习或神经网络等方式进行计算。
74.在本实施例中，聚类和求重心的具体计算方式为现有技术，在此不再赘述。
75.在本实施例中，一个多维向量相当于一个数据元，在进行聚类计算前，还可以对生成的多个多维向量进行去噪处理，将同一用户的两个多维向量变化量大于预设阈值的、多维向量内含有噪点的、含有错误信息的异常数据剔除。由于乘客误触、醉酒、情绪不稳定等原因，使得乘客的两次乘坐需求产生较大变化，由于数据传输错误、数据解析错误等各种原因使得原始数据变得不可信，因此需要对原始数据进行数据清洗，剔除异常数据或者噪点，保留有效数据。其次，由于天气、路况、城市节奏等各方面的原因，需要对数据进行分类或剪枝，以达到训练出更有针对性的参数配置。
76.步骤104：根据多个第一多维向量，优化预设用户的自动驾驶系统参数。
77.在本实施例中，步骤104具体为：当预设用户为同一用户时，根据确定的类别所对应的配置信息，结合多个第一多维向量，生成预设用户对应的第一优化信息，并根据第一优化信息，优化预设用户的自动驾驶系统参数；当预设用户为不同用户时，根据确定的组别所对应的配置信息，结合多个第一维向量，生成组别对应的第二优化信息，并根据第二优化信息，优化组别所对应的自动驾驶系统参数；其中，所述第一优化信息和所述第二优化信息均包括一个或多个类别的系统参数、以及每个系统参数各自对应的参数调整值。
78.在本实施例中，步骤104可以针对单一用户进行系统参数的配置，也可以针对整个组别进行系统参数的配置，组别的系统参数可以用于其他用户的配置。如组别为早高峰的系统参数，通过采集不同用户在相同时间段的乘坐评价信息，以此来优化该组别的系统参数。当需要配置某用户在早高峰时的系统参数时，可以调用该组别的系统参数作为基础数据，以该用户的乘坐评价信息作为补偿量进行修正，从而获得该用户最终的系统参数。
79.作为本实施例的一种举例，采集的乘坐评价信息和系统参数可以作为自动驾驶评价模型的训练数据，让评价模型的训练在安全的前提下，更加指向用户需求收敛。
80.作为本实施例的一种举例，本发明的配置方法可以由车载终端完成，也可以由车载终端负责数据采集，由后台服务器完成该配置方法的运算。如步骤101由车载终端实现，步骤102至步骤104由后台服务器完成，或者步骤101和102由车载终端实现，步骤103和步骤104由后台服务器完成。
81.相应地，参见图2，图2是本发明提供的自动驾驶系统参数的配置装置的一种实施例的结构示意图。该配置装置包括：获取模块201、转换模块202、分类模块203和优化模块204。
82.其中，获取模块201用于获取预设用户对自动驾驶系统的乘坐评价信息；其中，所
述预设用户对应一个或多个所述乘坐评价信息。
83.转换模块202用于将每个乘坐评价信息作为预设多维向量的补偿量，对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
84.分类模块203用于根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量。
85.优化模块204用于根据所述多个第一多维向量，优化所述预设用户的自动驾驶系统参数。
86.在本实施例中，获取模块201用于获取预设用户对自动驾驶系统的乘坐评价信息，具体为：获取模块获取201同一用户对所述自动驾驶系统的多个乘坐评价信息；或者，获取模块201获取不同用户对所述自动驾驶系统的一个或多个乘坐评价信息。
87.在本实施例中，分类模块203用于根据预设的分类算法，对生成的多个多维向量进行分类，确定所述预设用户对应的多个第一多维向量，具体为：
88.当预设用户为同一用户时，分类模块203对生成的多个多维向量进行求重心处理，确定所述预设用户所处的类别，并根据确定的类别，确定所述预设用户对应的多个第一多维向量；当预设用户为不同用户时，分类模块203对生成的多个多维向量进行聚类处理或者先聚类后求重心处理，确定所述预设用户所处的组别，并根据确定的组别，确定所述预设用户对应的多个第一多维向量。
89.作为本实施例的一种举例，自动驾驶系统参数的配置装置还包括：预处理模块。预处理模块用于在分类模块203对生成的多个多维向量进行聚类处理之前，对生成的多个多维向量进行去噪处理，将同一用户的两个多维向量变化量大于预设阈值的、多维向量内含有噪点的、含有错误信息的异常数据剔除。
90.在本实施例中，优化模块204用于根据多个第一多维向量，优化预设用户的自动驾驶系统参数，具体为：
91.当预设用户为同一用户时，优化模块204根据确定的类别所对应的配置信息，结合所述多个第一多维向量，生成所述预设用户对应的第一优化信息，并根据所述第一优化信息，优化所述预设用户的自动驾驶系统参数；当预设用户为不同用户时，优化模块204根据确定的组别所对应的配置信息，结合所述多个第一维向量，生成所述组别对应的第二优化信息，并根据所述第二优化信息，优化所述组别所对应的自动驾驶系统参数；其中，所述第一优化信息和所述第二优化信息均包括一个或多个类别的系统参数、以及每个系统参数各自对应的参数调整值。
92.在本实施例中，转换模块202用于将每个乘坐评价信息作为预设多维向量的补偿量，对预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量，具体为：当乘坐评价信息是根据历史配置信息生成时，转换模块202通过预设的nlp模型分别对每个所述语音配置信息进行语音识别，并将每个语音识别结果作为预设多维向量的补偿量对所述预设多维向量进行修正，生成每个乘坐评价信息各自对应的一个多维向量。
93.相应的，本发明实施例还提供了一种自动驾驶系统，包括：自动驾驶设备、云端服务器和本实施例所述的自动驾驶系统参数的配置装置；其中，获取模块201配置在所述自动驾驶设备上；转换模块202配置在所述自动驾驶设备或所述云端服务器上；分类模块203和优化模块204均配置在所述云端服务器上。
94.由上可见，本发明提供了一种自动驾驶系统参数的配置方法、装置及系统，先采集用户的乘坐评价信息，然后将乘坐评价信息作为预设多维向量的补偿量，对预设多维向量进行修正，生成对应的多维向量，再对多维向量进行分类，根据分类后的多维向量，优化自动驾驶系统的系统参数。相比于现有技术无法反应用户的真实感受，不能满足优化乘车或驾驶体验的要求，本发明能够将用户的乘坐体验评价来优化下一次的自动驾驶乘坐，不仅能提高用户的自动驾驶体验，而且能提高自动驾驶系统参数的个性化配置准确性。
95.参见图3，图3是本发明提供的终端设备的一个实施例的结构示意图。
96.本发明实施例提供的一种终端设备，包括处理器71、存储器72以及存储在所述存储器72中且被配置为由所述处理器71执行的计算机程序，所述处理器71执行所述计算机程序时实现上述自动驾驶系统参数的配置方法。
97.另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的自动驾驶系统参数的配置方法。
98.本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
99.所称处理器71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71是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
100.所述存储器72可用于存储所述计算机程序和/或模块，所述处理器71通过运行或执行存储在所述存储器72内的计算机程序和/或模块，以及调用存储在存储器72内的数据，实现所述终端设备的各种功能。所述存储器72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等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器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。
101.其中，所述终端设备集成的模块/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。
102.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
103.本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。