一种车辆及其侧边动态障碍物的信息检测方法和装置与流程

1.本技术实施例涉及车辆控制技术，尤指一种车辆及其侧边动态障碍物的信息检测方法和装置。


背景技术：

2.目前车型中自动泊车功能均无法在侧边存在行人、车辆等动态障碍物经过的情况下完成良好的泊车过程预测及其控制，在实际开发及使用过程中，对于此类场景下的泊车处理方式往往以牺牲性能为代价，即，直接规避了此类场景，导致此类场景下的自动泊车功能均需被抑制而无法使用。
3.但是在实际使用过程中，在进行自动泊车过程中侧边有车辆、行人等动态障碍物干扰泊车的场景为常见场景，如果单纯机械化的屏蔽此类场景，对于自动泊车性能将是一个重大的损失，大大降低了用户的体验感。
4.针对此类场景下的自动泊车技术，主要是采用超声波雷达和视觉识别技术，然而，通过超声波雷达仅能探测到检测范围内是否存在障碍物，而无法准确探测到障碍物的位置以及障碍物的其它运行状态信息；视觉识别技术中多通过视觉特征提取，之后结合前后多张视觉照片中特征的变化情况推算此时的障碍物类型及其速度等相关信息。
5.因此，仅通过超声波雷达的方式判断范围较小、识别准确度较低、且无法识别出具体的障碍物位置；视觉识别技术需要经过大量且长时间的视觉训练，训练时间成本及技术人力成本较高，且在实际应用过程中，存在较大的误识别情况，因而在实际运用过程中操作难度较高，技术复杂。


技术实现要素：

6.本技术实施例提供了一种车辆及其侧边动态障碍物的信息检测方法和装置，能够实时、准确地获取车辆侧边动态障碍物的运行状态信息，技术简单、成本低，为存在动态障碍物场景下的自动泊车提供了技术支持。
7.本技术实施例提供了一种车辆侧边动态障碍物的信息检测方法，所述车辆上设置有第一类型雷达；所述方法可以包括：
8.在所述车辆行驶过程中，采集所述第一类型雷达检测到的所述车辆侧面的障碍物的第一状态信息；所述第一状态信息包括：所述障碍物的有无、位置坐标以及相对于所述车辆的角度；
9.根据所述第一状态信息计算所述障碍物的第二状态信息；所述第二状态信息包括：平均速度和移动距离；
10.将所述第一状态信息和所述第二状态信息作为所述障碍物从所述车辆侧面通过时的运行状态信息。
11.在本技术的示例性实施例中，所述第二状态信息包括所述移动距离时，所述根据所述第一状态信息计算所述障碍物的第二状态信息，可以包括：
12.计算最初检测到的位置坐标以及最新检测到的位置坐标之间的距离，作为所述移动距离；和/或，
13.所述第二状态信息包括所述平均速度时，所述根据所述第一状态信息计算所述障碍物的第二状态信息，包括：
14.计算每n个位置坐标之间的距离，并统计第一个位置坐标和第n个位置坐标的检测时刻；n为正整数；
15.根据所述第一个位置坐标和第n个位置坐标的检测时刻计算第一个位置坐标和第n个位置坐标之间的移动时长；
16.根据所述每n个位置坐标之间的距离和所述移动时长计算该n个位置坐标之间的移动速度；
17.计算多个移动速度的平均值，作为所述障碍物的平均速度。
18.在本技术的示例性实施例中，所述车辆四周设置有第二类型雷达，所述方法还可以包括：
19.当所述第一类型雷达的检测区域与所述第二类型雷达的检测区域不存在重叠区域时，根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息；和/或，
20.当所述第一类型雷达的检测区域与所述第二类型雷达的检测区域存在重叠区域时，根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息；并根据所述第二类型雷达的检测信息对根据所述第一类型雷达的检测信息获取的所述障碍物的运行状态信息进行验证和/或修正。
21.在本技术的示例性实施例中，所述根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息，可以包括：
22.采集所述第二类型雷达检测到的所述障碍物进入所述第二类型雷达的检测区域时的第一时刻以及离开所述第二类型雷达的检测区域时的第二时刻；
23.根据所述第一时刻和所述第二时刻计算所述障碍物经过所述第二类型雷达的检测区域时的历时时长；
24.根据所述历时时长和所述障碍物的平均速度计算所述障碍物经过所述第二类型雷达的检测区域的移动距离。
25.在本技术的示例性实施例中，所述根据所述第二类型雷达的检测信息对根据所述第一类型雷达的检测信息获取的所述障碍物的运行状态信息进行验证和/或修正，可以包括：
26.通过所述第二类型雷达的检测结果验证所述障碍物的有无；和/或，
27.采用根据所述第二类型雷达的检测信息计算出的移动距离对根据所述第一类型雷达的检测信息计算出的所述障碍物经过所述第二类型雷达的检测区域时的移动距离进行修正。
28.在本技术的示例性实施例中，所述第一类型雷达可以包括：毫米波雷达；所述第二类型雷达包括：超声波雷达。
29.在本技术的示例性实施例中，所述方法还可以包括：
30.获取所述车辆侧面的所述第一类型雷达和/或所述第二类型雷达的检测盲区内的
障碍物运行图像；
31.采用预设的神经网络学习方法和所述障碍物运行图像识别所述障碍物的类型，和/或计算所述检测盲区内障碍物的运行状态信息。
32.在本技术的示例性实施例中，所述方法还可以包括：
33.采用预设的估计算法以及当前计算出的所述障碍物的运行状态信息，对所述障碍物后续时段的运行状态信息和/或运行轨迹进行实时估计。
34.在本技术的示例性实施例中，所述方法还可以包括：
35.根据估计出的所述障碍物后续时段的运行状态信息和/或运行轨迹调整所述车辆的运行信息。
36.本技术实施例还提供了一种车辆侧边动态障碍物的信息检测装置，可以包括设置于车辆的车头两端和车尾两端的第一类型雷达、设置于车辆四周的第二类型雷达、设置于车身上的图像采集装置、处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现所述的车辆侧边动态障碍物的信息检测方法。
37.本技术实施例还提供了一种车辆，可以包括所述的车辆侧边动态障碍物的信息检测装置。
38.与相关技术相比，本技术实施例的车辆上设置有第一类型雷达；该方法可以包括：在所述车辆行驶过程中，采集所述第一类型雷达检测到的所述车辆侧面的障碍物的第一状态信息；所述第一状态信息包括：所述障碍物的有无、位置坐标以及相对于所述车辆的角度；根据所述第一状态信息计算所述障碍物的第二状态信息；所述第二状态信息包括：平均速度和移动距离；将所述第一状态信息和所述第二状态信息作为所述障碍物从所述车辆侧面通过时的运行状态信息。通过该实施例方案，能够实时、准确地获取车辆侧边动态障碍物的运行状态信息，技术简单、成本低，为存在动态障碍物场景下的自动泊车提供了技术支持。
39.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
40.附图用来提供对本技术技术方案的理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
41.图1为本技术实施例的车辆侧边动态障碍物的信息检测方法流程图；
42.图2为本技术实施例的雷达设置位置示意图；
43.图3为本技术实施例的障碍物经过车辆侧方时的经过区域示意图；
44.图4为本技术实施例的长距离超声波雷达计算障碍物移动距离示意图；
45.图5为本技术实施例的车辆侧边动态障碍物的信息检测装置组成框图；
46.图6为本技术实施例的车辆组成框图。
具体实施方式
47.本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
48.本技术包括并设想了与本领域普通技术人员已知的特征和元件的组合。本技术已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
49.此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本技术实施例的精神和范围内。
50.本技术实施例提供了一种车辆侧边动态障碍物的信息检测方法，所述车辆上设置有第一类型雷达；如图1所示，所述方法可以包括步骤s101-s103：
51.s101、在所述车辆行驶过程中，采集所述第一类型雷达检测到的所述车辆侧面的障碍物的第一状态信息；所述第一状态信息包括：所述障碍物的有无、位置坐标以及相对于所述车辆的角度；
52.s102、根据所述第一状态信息计算所述障碍物的第二状态信息；所述第二状态信息包括：平均速度和移动距离；
53.s103、将所述第一状态信息和所述第二状态信息作为所述障碍物从所述车辆侧面通过时的运行状态信息。
54.在本技术的示例性实施例中，该障碍物可以包括但不限于：处于移动状态的人、车辆、动物等。
55.在本技术的示例性实施例中，所述车辆的车头两端和车尾两端可以分别设置有第一类型雷达。
56.在本技术的示例性实施例中，所述第一类型雷达可以包括但不限于：毫米波雷达；所述第二类型雷达可以包括但不限于：超声波雷达。
57.在本技术的示例性实施例中，所述毫米波雷达可以设置于车辆的四个角上，例如，车头的两个角(如两个车头灯一侧)和车尾的两个角(如两个车尾灯一侧)；所述超声波雷达(可以包括短距离超声波雷达和长距离超声波雷达)可以设置于车辆的四周，例如，车头前端以及车尾后端可以设置短距离(2.5m)超声波雷达，车身两侧可以设置长距离(5.5m)超声
波雷达。
58.在本技术的示例性实施例中，超声波雷达的检测角范围可以包括但不限于：50
°‑
70
°
，例如，可以选择60
°
；毫米波雷达的检测角范围可以包括但不限于：120
°‑
150
°
，例如，可以选择140
°
。
59.在本技术的示例性实施例中，如图2所示，毫米波雷达的检测区域可以用m表示，超声波雷达的检测区域可以用n表示。车辆前后短距离超声波雷达能够识别到的车辆侧边的最大距离约为50cm左右，即可识别侧方50cm范围内的障碍物；车辆前后短距离超声波雷达能够识别到的车辆前方或后方的最大距离约为220cm左右，即可识别前方或后方220cm范围内的障碍物(以前方或后方的短距离超声波雷达中位于最边缘处的短距离超声波雷达与前方或后方45
°
角度设置，距离车身侧面的距离30cm为例)。
60.在本技术的示例性实施例中，车辆侧方的长距离超声波雷达能够识别到的车辆前方或后方的最大距离约为220cm左右，即可识别前方或后方220cm范围内的障碍物；车辆侧方的长距离超声波雷达能够识别到的车辆侧方的最大距离约为550cm左右，即可识别侧方550cm范围内的障碍物。
61.在本技术的示例性实施例中，对于第一类型雷达和第二类型雷达的详细设置数量不做限定。
62.目前，车辆主要通过短距离超声波雷达及长距离超声波雷达进行障碍物探测，由于超声波雷达仅能判断探测范围内有/无障碍物，而无法判断障碍物的类型及其运动状态，因此无法用于障碍物的运动预测，由此导致在处理泊车过程中存在动态障碍物的场景时，处理过于生硬，即，侧边只要存在障碍物则抑制自动泊车功能，使得车辆无法充分体现自动泊车性能。
63.例如，apa(auto parking assist，自动泊车辅助系统)搜索车位时，侧方有其他车辆或行人等障碍物经过时，导致自动泊车功能无法正常使用。带来的主要体验问题包括：
64.场景1：在路边的水平车位，在具有一定车流量且停车位紧张的情况下，如果此时报轨迹超出规划，apa功能退出，后方有来车无法重新进行车位搜索，且当前车辆无法进行apa泊入，此时该车辆的驾驶员接管车辆需要执行以下操作：等待4s至系统退出apa-人为挂d档-解除手刹-起步，由于车流量大而且后续有车辆等待泊车，后车看到当前车辆停在一个位置长时间不动，势必鸣笛催促，势必造成驾驶员的紧张感，导致驾驶员下次不想使用该apa功能；
65.场景2：在商场的垂直车位，车位前方(车辆侧边)有行人经过或车辆经过，apa握手时报轨迹超出规划，后方来车势必同样给驾驶员带来紧张感，导致驾驶员下次不想使用apa功能。
66.在本技术的示例性实施例中，通过在车辆上设置毫米波雷达，可以通过毫米波雷达与超声波雷达的数据融合，对车辆侧面的动态障碍物的运动状态信息(可以包括但不限于：位置坐标、平均速度v、角度θ、时间t等)进行预测和修正，从而提高泊车过程中侧边障碍物的探测效率及其准确性，尤其是针对动态的障碍物的探测。
67.在本技术的示例性实施例中，如图3所示，车辆侧方的动态障碍物(如汽车、两轮车、行人等障碍物)在车辆侧面区域areaⅰ内经过时，分别经过
ⅰ‑①
(车辆前方毫米波雷达的检测区域)、
ⅰ‑②
(车辆前方长距离超声波雷达的检测区域)、
ⅰ‑③
(车辆后方长距离超声波
雷达的检测区域)、
ⅰ‑④
(车辆后方毫米波雷达的检测区域)。
68.在本技术的示例性实施例中，车辆以车速v从障碍物侧边驶过时，可以首先通过车辆前方毫米波雷达(对应
ⅰ‑①
检测区域)获取障碍物的第一状态信息，例如，位置坐标，并可以根据该第一状态信息计算障碍物的其它运行状态信息(即第二状态信息)，例如，障碍物的坐标位置以及障碍物运动时的平均速度v1。
69.在本技术的示例性实施例中，所述第二状态信息包括所述移动距离时，所述根据所述第一状态信息计算所述障碍物的第二状态信息，可以包括：
70.计算最初检测到的位置坐标以及最新检测到的位置坐标之间的距离，作为所述移动距离；和/或，
71.所述第二状态信息包括所述平均速度时，所述根据所述第一状态信息计算所述障碍物的第二状态信息，可以包括：
72.计算每n个位置坐标之间的距离，并统计第一个位置坐标和第n个位置坐标的检测时刻；n为正整数；
73.根据所述第一个位置坐标和第n个位置坐标的检测时刻计算第一个位置坐标和第n个位置坐标之间的移动时长；
74.根据所述每n个位置坐标之间的距离和所述移动时长计算该n个位置坐标之间的移动速度；
75.计算多个移动速度的平均值，作为所述障碍物的平均速度。
76.在本技术的示例性实施例中，所述车辆四周设置有第二类型雷达，所述方法还可以包括：
77.当所述第一类型雷达的检测区域与所述第二类型雷达的检测区域不存在重叠区域时，根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息；和/或，
78.当所述第一类型雷达的检测区域与所述第二类型雷达的检测区域存在重叠区域时，根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息；并根据所述第二类型雷达的检测信息对根据所述第一类型雷达的检测信息获取的所述障碍物的运行状态信息进行验证和/或修正。
79.在本技术的示例性实施例中，所述根据所述第二类型雷达的检测信息计算所述障碍物经过所述第二类型雷达的检测区域时的运行状态信息，可以包括：
80.采集所述第二类型雷达检测到的所述障碍物进入所述第二类型雷达的检测区域时的第一时刻以及离开所述第二类型雷达的检测区域时的第二时刻；
81.根据所述第一时刻和所述第二时刻计算所述障碍物经过所述第二类型雷达的检测区域时的历时时长；
82.根据所述历时时长和所述障碍物的平均速度计算所述障碍物经过所述第二类型雷达的检测区域的移动距离。
83.在本技术的示例性实施例中，例如，在障碍物经过
ⅰ‑②
区域时，如果
ⅰ‑②
区域仅为长距离超声波的检测范围，则可以通过长距超声波雷达判断障碍物的移动距离(沿车身侧面的移动方向上的移动距离)，即，根据长距离超声波雷达检测到的进入
ⅰ‑②
区域时的第一时刻、离开
ⅰ‑②
区域时的第二时刻以及通过毫米波雷达获取的障碍物的平均速度或对于后
续的预测速度以及所述障碍物的位置坐标及其预测轨迹计算所述障碍物在
ⅰ‑②
区域内的移动距离，并与侧边长距离超声波雷达数据进行融合(例如，加权平均等融合方式)修正计算融合后的移动距离及其运动时间。。
84.在本技术的示例性实施例中，所述根据所述第二类型雷达的检测信息对根据所述第一类型雷达的检测信息获取的所述障碍物的运行状态信息进行验证和/或修正，可以包括：
85.通过所述第二类型雷达的检测结果验证所述障碍物的有无；和/或，
86.采用根据所述第二类型雷达的检测信息计算出的移动距离对根据所述第一类型雷达的检测信息计算出的所述障碍物经过所述第二类型雷达的检测区域时的移动距离进行修正。
87.在本技术的示例性实施例中，如图3所示，如果
ⅰ‑②
区域为毫米波雷达的检测范围和长距离超声波的检测范围的重叠区域，则可以直接通过毫米波雷达检测出的障碍物进入
ⅰ‑②
区域时的位置坐标以及离开
ⅰ‑②
区域时的位置坐标计算出障碍物的移动距离；并通过长距超声波雷达再次判断障碍物的移动距离，对通过毫米波雷达获取的移动距离进行修正，例如，可以对两个移动距离求平均值，或者进行加权求和。
88.在本技术的示例性实施例中，当在计算障碍物的移动距离过程中，如果检测到障碍物的移动方向与车身侧面不平行，可以计算出障碍物的移动方向与车身侧面的夹角，根据该夹角θ和计算出的移动距离计算障碍物的实际位移。
89.在本技术的示例性实施例中，如图4所示，障碍物以平均速度v1移动时，根据上述方案可以计算出障碍物从p1点到p2点的移动距离s1。
90.在本技术的示例性实施例中，障碍物经过长距离超声波雷达时，长距离超声波雷达检测的第一时刻和第二时刻可以通过长距离超声波雷达的脉冲信号进行测算，可以结合长距离超声波雷达的超声波脉冲的起止时间修正障碍物实际经过
ⅰ‑②
区域时的时刻，即，可以统计长距离超声波雷达检测到障碍物时超声波脉冲的起始时刻以及障碍物离开长距离超声波雷达检测区域时超声波脉冲的结束时刻，超声波脉冲的起止时间的推算可结合毫米波雷达进行互为补算修正借以增加障碍物经过长距离超声波雷达探测区域的时间准确性。
91.在本技术的示例性实施例中，在超声波雷达的监测区域和毫米波雷达的检测区域存在重叠区域时，通过超声波雷达获取的障碍物的运行状态信息和通过毫米波雷达获取的障碍物的运行状态信息可以互相验证。
92.在本技术的示例性实施例中，所述方法还可以包括：
93.获取所述车辆侧面的所述第一类型雷达和/或所述第二类型雷达的检测盲区内的障碍物运行图像；
94.采用预设的神经网络学习方法和所述障碍物运行图像识别所述障碍物的类型，和/或计算所述检测盲区内障碍物的运行状态信息。
95.在本技术的示例性实施例中，车辆上还可以设置图像拍摄装置，例如环视摄像头，通过该环视摄像头可以拍摄车辆四周的图像。
96.在本技术的示例性实施例中，该环视摄像头的可环视角度范围可以包括但不限于：180
°‑
270
°
，例如，可以选择198
°
。
97.在本技术的示例性实施例中，如图3所示，可清晰见到车辆侧方依然存在较大的识别盲区，为减少/消除此部分盲区在过滤动态障碍物时的影响，在前序毫米波雷达及超声波雷达基础上可以增加侧边环视摄像头，用于检测车辆侧面的预设范围内是否存在障碍物。
98.在本技术的示例性实施例中，areaⅰ中间的雷达检测盲区内，可以通过视觉识别进行辅助检测，视觉识别可通过神经网络学习方式检测检测盲区内的障碍物类型及其运行状态信息，例如，可以通过视觉前后两帧图像判断检测盲区内的障碍物的运动方向以及速度，从而对雷达检测方案进行补充。
99.在本技术的示例性实施例中，视觉检测还可以利用设置于车辆前方的环视摄像头，提前探测车辆前方侧边障碍物的类型，用于判断障碍物的大小(类型出来后可根据模型数据或探测数据判断)及完整障碍物在通过对应第一类型雷达和第二类型雷达检测区域时的时间，有利于提高数据的可靠性。
100.在本技术的示例性实施例中，所述方法还可以包括：
101.采用预设的估计算法以及当前计算出的所述障碍物的运行状态信息，对所述障碍物后续时段的运行状态信息和/或运行轨迹进行实时估计。
102.在本技术的示例性实施例中，该预设的估计算法可以包括但不限于：卡尔曼滤波方式取最小二乘估计算法。
103.在本技术的示例性实施例中，在通过前述方案计算出障碍物当前时刻的运行状态信息以后，可以依照卡尔曼滤波方式取最小二乘估计算法估算后续时段障碍物的位置坐标、平均车速、角度等运行状态信息，并可以结合前述的各种雷达对估算的运行状态信息进行修正。
104.在本技术的示例性实施例中，所述方法还可以包括：
105.根据估计出的所述障碍物后续时段的运行状态信息和/或运行轨迹调整所述车辆的运行信息。
106.在本技术的示例性实施例中，增加毫米波雷达探测车辆侧边的障碍物，判断障碍物的运行状态信息，并可以预测车辆安全经过该障碍物过程中所需要的时长，从而相应调整车速或停止等待，以避免障碍物与车辆碰撞。
107.本技术实施例还提供了一种车辆侧边动态障碍物的信息检测装置1，如图5所示，可以包括设置于车辆的车头两端和车尾两端的第一类型雷达11、设置于车辆四周的第二类型雷达12、设置于车身上的图像采集装置13、处理器14和计算机可读存储介质15，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现所述的车辆侧边动态障碍物的信息检测方法。
108.在本技术的示例性实施例中，前述的车辆侧边动态障碍物的信息检测方法实施例中的任意实施例均可以应用于该装置实施例中，在此不再一一赘述。
109.本技术实施例还提供了一种车辆2，如图6所示，可以包括所述的车辆侧边动态障碍物的信息检测装置1。
110.在本技术的示例性实施例中，前述的车辆侧边动态障碍物的信息检测方法实施例中的任意实施例均可以应用于该车辆实施例中，在此不再一一赘述。
111.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，
在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。