传感器系统及其传感器数据处理设备和方法与流程

1.本发明涉及一种传感器系统以及一种传感器数据处理设备。本发明还涉及一种传感器数据处理方法。本发明还涉及一种相应的机器可读存储介质。


背景技术：

2.在智能交通和自动驾驶技术领域，传感器是不可或缺的组成部分，其与物理世界连通，用于从系统和外部环境收集信息。然而，每种传感器都有自己的软肋。例如，cmos摄像头在雨雾环境下会“失明”，强光和弱光环境下也表现欠佳。目前的雷达技术在分辨率上不够理想，遇到遮挡情形也会大大降低其性能。
3.对此，在现有技术中，通常采用多传感器融合的解决方案。这些传感器能力互补，互为冗余，即使某个传感器出了问题，也不会造成系统的感知功能完全丢失。多传感器融合的解决方案在智慧交通和自动驾驶领域被广为采用，因为其可以显著提高系统的冗余度和可靠性，从而有助于系统基于检测到的信息作出决策。
4.然而，现有的多传感器融合方案依然存在不理想的方面。例如，在融合过程中可能采用大量失真的检测数据作为融合数据源，从而导致基于融合结果得出的追踪对象状况与实际对象状况相差较大，这将引起一系列安全相关的问题。


技术实现要素：

5.鉴于现有技术中的上述问题，其能够实时评估传感器检测数据的品质以及传感器的检测性能，有助于在多传感器数据融合过程中确定合适融合数据源和融合策略，从而能够大大提升系统获得目标对象状态的可靠性和准确性。
6.根据本发明第一方面的实施例，提供了一种用于处理传感器数据的设备，其包括：获取模块，配置成获取历史融合数据和新检测数据，所述历史融合数据是基于由多个传感器在先前周期中检测环境中目标对象的检测数据的，并且描述所述目标对象的参考状态，所述新检测数据是各传感器在新周期中检测目标对象的数据，并且包含各传感器的视场数据信息；栅格地图模块，配置成基于历史融合数据和新检测数据确定出所述多个传感器的总视场的栅格地图，所述栅格地图包含多个栅格单元、各栅格单元的可视等级以及遮挡关系，所述遮挡关系包含对于传感器检测构成遮挡的目标对象以及被遮挡的栅格单元；评估模块，配置成将所述新检测数据与用作基准的所述历史融合数据相比较，以实时评估出各传感器在追踪准确度、追踪精度和降级状况方面的检测性能；以及融合模块，配置成将栅格地图和各传感器的检测性能作为先验知识来融合所述新检测数据和所述历史融合数据，以获得描述目标对象的当前状态的新融合结果。
7.根据本发明的第二方面的实施例，提供给了一种传感器系统，其包括：感测设备，包括多个传感器，所述多个传感器至少包括：摄像头、毫米波雷达和激光雷达，所述感测设备构造成感测环境中的目标对象；以及如上所述处理设备，其构造成与感测设备通信连接，并以历史融合数据作为基准，对感测设备的新检测数据进行处理，以获得表示目标对象的
当前状态的新融合结果。
8.根据本发明第三方面的实施例，提供了一种用于处理传感器数据的方法，可选地由如上所述的设备和/或如上所述的系统执行，所述方法包括：获取历史融合数据和新检测数据，所述历史融合数据是基于由多个传感器在先前周期中检测环境中目标对象的检测数据的，并且描述所述目标对象的参考状态，所述新检测数据是各传感器在新周期中检测目标对象的数据，并且包含各传感器的视场数据信息；基于历史融合数据和新检测数据确定出所述多个传感器的总视场的栅格地图，所述栅格地图包含多个栅格单元、各栅格单元的可视等级以及遮挡关系，所述遮挡关系包含对于传感器检测构成遮挡的目标对象以及被遮挡的栅格单元；将所述新检测数据与用作基准的所述历史融合数据相比较，以实时评估出各传感器在追踪准确度、追踪精度和降级状况方面的检测性能；以及将栅格地图和各传感器的检测性能作为先验知识来融合所述新检测数据和所述历史融合数据，以获得描述目标对象的当前状态的新融合结果。
9.根据本发明第四方面的实施例，提供了一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得一个或多个处理器执行如上所述的方法。
附图说明
10.图1是根据本发明一实施方式的传感器系统的示意性框图。
11.图2是图1中的系统的一示例性应用场景。
12.图3是图1中的系统的另一示例性应用场景。
13.图4是根据本发明一实施方式的传感器数据处理设备的示意性框图。
14.图5是根据本发明一实施方式的传感器数据处理过程的流程图。
15.图6是根据本发明一实施方式的栅格地图的示意图。
16.图7是根据本发明一方式的传感器数据处理方法的流程图。
具体实施方式
17.本发明的实施例涉及传感器数据处理的技术方案，其提供包括可视等级和遮挡关系的栅格地图以及对传感器检测性能的实时评估结果，并将栅格地图和实时评估结果作为先验知识来辅助多传感器数据融合。
18.下面，结合附图介绍本发明的具体实施方式。
19.图1示意性示出了根据本发明一实施方式的传感器系统100(以下简称为“系统100”)，其主要包括感测设备10和处理设备20。感测设备10用于检测环境中的目标对象。目标对象例如包括环境中的人、车辆、动物和车道线。处理设备20用于对感测设备10输出的检测数据进行处理，从而得到目标对象的当前状态。
20.根据本发明实施例的传感器系统以及数据处理策略可以设置于车辆侧，也可以设置于路侧。
21.图2绘示了系统100设置在车辆侧的应用场景。在图2的例示中，系统100可以称为车载系统。在该实施例中，感测设备10可以实现为多种车载传感器，例如，包括摄像头、毫米波雷达和激光雷达。车载传感器用于感知周围环境中的对象，例如，obj_1，obj_2，obj_3
…
obj_m。处理设备20可以设置在车辆的电子控制单元(ecu)中。处理设备20包括数据处理策
略，用于处理经由车载总线传输的车载传感器的检测数据。
22.图3绘示了系统100设置在路侧设施中的应用场景。在图3的例示中，系统100可以称为路侧系统。在该实施例中，感测设备10可以实现为多种路侧传感器，例如，包括摄像头、毫米波雷达和激光雷达。这些传感器可以以埋设、抱杆等形式设置于路侧，用于感知周围环境中的对象，例如，obj_1，obj_2，obj_3
…
obj_m。处理设备20可以设置于路侧的计算设备(例如，路侧的中心控制设备、边缘服务器)中，用于处理经由有线和/或无线方式传输的路侧传感器的检测数据。
23.图4示意性示出了根据本发明一实施方式的传感器数据处理设备。上述系统100的处理设备20可以采用图4中的设备来实现。如图4所示，处理设备20包括用于获取传感器数据的获取模块21、用于提供栅格地图的栅格地图模块22、用于实时评估传感器的检测性能的评估模块23和用于融合多传感器数据的融合模块24。在一实施例中，处理设备20还可以包括用于预测目标对象的状态的预测模块25、用于更新目标对象的状态的更新模块26和用于管理目标对象列表的追踪管理模块27。
24.可以理解的是，处理设备20的各模块的命名应当被理解为逻辑上的描述，而不应理解为物理形态或设置方式的限定。换言之，上述模块21-27可以全部设置在同一芯片或电路中，也可以设置在多个不同的芯片或电路中，本发明对此不进行限定。
25.处理设备20及其各模块可以采用硬件或者软件或者软件与硬件相结合的方式来实现。对于硬件实现的部分，可以借助于专用集成电路(asic)、数字信号处理器(dsp)、数据信号处理器件(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、被设计以执行其功能的电子单元、或者它们中的两个或更多个的组合。对于以软件实现的部分，可以借助于微代码、程序代码或代码段来实现，还可以将它们存储在诸如存储组件之类的机器可读存储介质中。
26.图5示出了根据本发明一实施方式的数据处理过程500。该过程500可以借助于上述处理设备20或处理系统100来实现，因此以上关于设备20和系统100的描述同样适用于此。
27.下面以车辆侧的应用场景为例，参考图5描述对传感器数据进行处理的过程500。
28.参见图5，在框510中，获取模块21获取由多个传感器检测目标对象获得的传感器数据，其包含基于多传感器数据的历史融合数据和各传感器的新检测数据。
29.多个传感器可以包括摄像头、毫米波雷达和激光雷达。通过毫米波雷达、摄像头和激光雷达这三种传感器形成互补，可以为自动驾驶的不同场景提供高级别的安全保障。
30.目标对象可以包括环境中的行人、动物、障碍物。目标对象还可以包括车道线。各种传感器根据其检测原理输出相应的检测数据。例如，毫米波雷达输出点，激光雷达输出点云。目标对象可以包括一个目标对象，也可以包括多个目标对象。在包括多个目标对象的情况下，在后续数据处理中将检测数据与各目标对象相关联。
31.历史融合数据是对多个传感器在先前检测周期中检测目标对象所获得检测数据进行融合处理而获得的融合结果，其表示目标对象的参考状态。例如，在每次获得一周期的传感器检测数据之后，都与其前一周期的传感器数据相迭代，这样得到历史融合数据。
32.历史融合数据表达针对传感器的历史检测数据的融合结果。该融合结果可以通过对传感器的历史检测数据进行融合处理并且与目标对象相关联来获得，表示目标对象的状
态，例如，对象的类型、速度、位置、尺寸和运动方向。历史融合数据还可以包含每个历史周期的传感器数据。例如，历史融合数据可以包含每个检测周期的传感器状态信息。
33.在本发明的实施例中，历史融合数据在传感器数据处理中用作基准。即，认为历史融合数据是系统当前能够拿到的质量最优的数据，用作基准真值。历史融合数据描述的目标对象状态是与真实目标状态相差最小的目标对象状态。即，历史融合数据描述的对象状态用作目标对象的参考状态。
34.新检测数据是各传感器在最新一个周期(最新一次)采集的数据。例如，当前检测周期为第11个周期，则新检测数据包括在第11个周期各传感器的检测数据，而历史融合数据是对前面10个周期的检测数据的融合结果。新检测数据可以理解为还没有与目标对象相关联的“原始检测数据”。
35.新检测数据包含各传感器的视场数据(fov data)。例如，摄像头的新检测数据包含其当前视野范围约为100度；毫米波雷达的新检测数据包含其当前的视野范围约为60度，激光雷达的新检测数据包含其当前的视野范围约为360度。
36.在框520中，栅格地图模块22基于获取模块21获取的数据提供多个传感器的总视场的栅格地图。栅格地图包含多个栅格单元、各栅格单元的可视等级以及遮挡关系。
37.框520的过程可以包括以下子过程521-523。以下介绍这些子过程。
38.在框521中，栅格地图模块22基于各传感器的视场生成所有传感器的总视场。不同传感器的视场(fov：field of views)可能交叠，总视场指的是各传感器的视场叠加在一起的最大范围的视场，即，传感器系统能够感知的最大区域，或者说传感器系统的最大可视范围。接着，栅格地图模块22将总视场区域划分成多个栅格单元。在一实施例中，可以根据笛卡尔坐标系将栅格地图划分成相同大小的区段，从而使得每一个栅格单元代表上述最大可视范围的矩形或方形的面区域。
39.这样，可以将目标对象投影到二维的栅格上，并且目标对象的位置、速度等之类的特征可以与栅格单元相关联地被跟踪。
40.可以理解的是，处于栅格地图的中间部分的栅格单元可能被两个或两个以上的传感器感知，处于栅格地图的边缘的栅格单元可能仅被单个传感器感知。
41.在框522中，栅格地图模块22确定遮挡关系并将该遮挡关系添加到栅格地图中。在一实施例中，可以根据获取模块21所获取的信息识别出各目标对象的位置，自车位置，对象之间的相对位置关系以及自车与目标对象之间的相对位置关系，然后根据识别出的位置和相对位置关系确定出遮挡关系，其包括这样的信息：对各传感器构成遮挡的目标对象和该对象所占据的栅格单元。
42.可以理解的是，在路侧应用场景的实施例中，可以确定各目标对象的位置，安装有传感器系统的路侧设施的位置，对象之间的相对位置关系以及路侧设置与目标对象之间的相对位置关系来确定出遮挡关系。
43.在框523中，栅格地图模块22计算出各栅格单元的可视等级。可视等级指的是一栅格单元能够被传感器系统感知到程度(概率)，其与传感器的属性参数以及上述遮挡关系相关联。一栅格单元的可视等级越优，则该栅格单元能够被传感器感知的概率越大，与该栅格单元相关联的传感器的检测数据的可信度越高。一栅格单元的可视等级越劣，则该栅格单元能够被传感器感知的概率越小，与该栅格单元相关联的传感器的检测数据的可信度越
低。
44.栅格单元的可视等级的数量可以根据实际情况来限定，例如，2个、3个、4个、5个。可以用等级数越高来表示越优良的可视能力，例如，等级5比等级3的可视优。也可以用等级数越低来表示越优良的可视能力，例如，等级3比等级5的可视优。
45.在一实施例中，栅格地图模块22基于各传感器的视场数据确定各栅格单元的基础可视等级，并考虑上述遮挡关系来对基础可视等级进行修正，以获得各栅格单元的可视等级。
46.栅格单元的基础等级可以根据传感器本身的属性来确定。例如，摄像头在100度范围内，光线和天气都适合的情况下，探测能力表现好，其视野范围内的栅格单元的基础可视等级高。反之，在摄像头的探测边缘地带，或者光线昏暗或者雨雪天气，其视野范围内的栅格单元的基础可视等级低。
47.基于遮挡关系的修正可以如下进行。基于遮挡关系确定出对传感器探测构成遮挡的目标对象的边界(以下称为“遮挡边界”)。例如，本车的前车可能遮挡摄像头对前前车的探测，而不会遮挡雷达对前前车的探测，因为雷达可以通过地面反射的回波来探测前前车。在确定出遮挡边界之后，判断针对传感器探测会被遮挡的区域，即落入被遮挡的“阴影区域”。在落入“阴影区域”的栅格单元中，使得距离遮挡边界越近的栅格单元的可视等级越差。
48.为了清楚性，在图6中示出了栅格地图的一个例子。在图6的示例中，栅格地图(fov map)的栅格单元具有5个可视等级，其中，等级5表示最劣等级；等级1表示最优等级。首先，给出各栅格单元的基础可视等级，例如，总视场边缘区域的栅格单元的可视等级为5，与可视等级为5的栅格单元相邻的栅格单元的可视等级为2，总视场中心区域的栅格单元的可视等级为1。接着，基于遮挡关系修正可视等级。v1为本车，v2、v3和v4为总视场区域中的目标对象，其中，v2构成了对v3探测的遮挡，在v2的前方区域成为探测“阴影区域”，类似地，v4的右方区域成为探测“阴影区域”。需要注意的是，v4的左方和后方并没有落入“阴影区域”，因此，对于v4而言，遮挡边界是其右边界。
49.在落入“阴影区域”的栅格单元，可以按照与遮挡边界之间的距离来修正可视等级，使得与遮挡边界交叠且落入阴影区域的栅格单元的可视等级变劣较多，而不与遮挡边界交叠且距离遮挡边界较远的栅格单元的可视等级变劣较少。例如，参见图6，与v4右边界相邻的栅格单元的可视等级变为4，与v3后边界相邻的栅格单元的可视等级变为4。
50.可以理解的是，各车载传感器的视场和遮挡关系会随着车辆运动(例如，行驶，车头朝向变化，车身位置变化)而变化，这时，总视场以及各栅格单元的可视等级也将相应地变化。栅格地图随着这样的变化而动态地调整，以表示当前状态下的总视场和各区块的可视等级(可视概率)。因此，在这样的情况下，栅格地图也可以称为“动态栅格地图”。
51.在框530中，评估模块23将新检测数据与作为基准的历史融合数据相比较，以实时评估出各传感器在追踪准确度、追踪精度和降级状况方面的检测性能。
52.追踪准确度和追踪精度共同衡量传感器连续追踪目标的能力。即，能够准确判断目标对象的个数、精确地确定目标对象的位置的能力。
53.在该评估过程中，以历史融合数据表达的目标对象状况作为基准，即，以历史融合数据的表达作为ground truth。
54.框530的过程可以包括以下子过程531-533。以下介绍这些子过程。
55.在框531中，评估模块23计算各传感器对目标对象的追踪准确度(ta：tracking accuracy)。
56.追踪准确度可以用百分比来表示，用于表示一传感器正确抓住目标对象的概率。跟踪准确度与目标检测中的假阳性数(false positive)、漏检数(miss)和误配数(switch)负相关。
57.在一实施例中，可以通过以下公式来计算追踪准确度：
58.ta％＝n_tp/(n_miss+n_switch+n_fp+n_tp)
59.其中，ta％表示追踪准确度；
60.n_tp(tp：truth positive)表示正确捕捉到目标对象的数量；
61.n_miss表示目标对象检测中的缺失数(漏检数)；
62.n_switch表示目标检测中误配数，例如，通过目标对象的id匹配或者特征匹配来获得；
63.n_fp(fp：false positive)表示目标检测中的假阳性数。
64.在框532中，评估模块23计算追踪精度(tp：tracking precision)。追踪精度用于体现在确定目标位置上的精确度，即，用于衡量目标位置的精确程度。
65.在一实施例中，追踪精度可以用一传感器的新检测数据与基于历史融合数据的基准真值(ground truth)之间的距离d来表示。追踪精度tp可以采用不同的度量距离d的定义方式来表达。例如，该距离d可以使用bounding box的overlap rate来进行度量，则该值越大表示精度越好。该距离d也可以用欧氏距离或马氏距离进行度量，则该值越小表示精度越好。
66.在框533中，评估模块23根据追踪准确度和追踪精度两者确定出传感器降级状况。
67.在一实施例中，评估模块23在一传感器的追踪准确度低于准确度阈值和/或追踪精度低于精度阈值的情况下，确定为该传感器降级。例如，将在上述过程中确定出的摄像头的追踪准确度与预先确定的摄像头准确度阈值相比较低；和/或将在上述过程中确定出的摄像头的追踪精度与预先确定的摄像头精度阈值相比较低，则确定为该摄像头降级。
68.另外，传感器降级的程度可以根据追踪准确度和/或追踪精度相对于阈值的变劣程度来确定，使得变劣程度越多，降级越大。
69.评估模块23通过以上框530中的过程实时评估出传感器的检测性能，即，包含上述追踪准确度、追踪精度和降级状况方面三个方面。评估出的传感器实时检测性能用于后续的融合处理过程。
70.在框540中，融合模块24将栅格地图和各传感器的检测性能作为先验知识来融合所述新检测数据与所述历史融合数据，以获得表示目标对象的当前状态的新融合结果。
71.在一实施例中，融合模块24可以通过过程来融合新检测数据与所述历史融合数据。基于栅格地图和各传感器的检测性能确定各传感器的权重，基于所述权重确定各传感器的新检测数据与所述历史融合数据相融合的融合策略，以及按照所述融合策略将所述新检测数据与所述历史融合数据相融合，以获得表示目标对象的当前状态的新融合结果。
72.在一实施例中，融合策略可以包括：权重为0的传感器的检测数据将被过滤掉而不参与最新一次的融合。权重被降低的传感器的检测数据在融合计算中的分量被降低。例如，
在融合计算中，权重被降低的传感器的检测数据的置信度被降低。
73.在框540的融合过程中，融合模块24将上述过程获得的栅格地图信息和传感器的当前检测性能信息作为最新一次融合的“先验知识”，以便确定出各传感器的新检测数据中的合适融合数据源以及融合策略。
74.框540的过程可以包括以下子过程541-543。以下介绍这些子过程。
75.在框541中，融合模块24基于栅格单元的可视等级来调整各传感器的基础权重。
76.传感器的基础权重是指传感器正常工作且没有遮挡情况下一传感器针对目标对象的对象特征的的权重。对象特征包括对象的类别、位置、速度、尺寸和运动方向中的一项或多项。基础权重是考虑传感器本身属性而确定出的传感器对于探测某一对象特征的权重，并且对于每一对象特征，所有传感器权重之和为1。
77.例如，在正常情况下，基于传感器的属性，对于探测对象类别而言(例如，判断对象是客车还是轿车)，摄像头的权重高于毫米波雷达的权重。并且，对于探测对象类别而言，两者权重之和为1。
78.为了清楚性，在下面的表1中给出了针对目标对位为车辆的传感器基础权重的例子。其中，
“‑”
表示针对某一对象特征的传感器数据不参与计算，这可能由于数据未采集到，或者传感器暂时被禁用，或者数据传输故障等引起。
79.表1：基础权重表
[0080] x-位置y-位置x-车速y-车速毫米波雷达0.60.30.90.6摄像头0.4-0.10.4激光雷达-0.7
‑‑
[0081]
参见表1，针对目标车辆在x方向的位置，激光雷达没有参与计算，毫米波雷达和摄像头的基础权重分别为0.6和0.4。针对目标车辆在x方向的车速，激光雷达没有参与计算，毫米波雷达和摄像头的基础权重分别为0.9和0.1。针对各项对象特征，传感器权重之和为1。
[0082]
接着，融合模块24基于与目标对象相关联的栅格单元的可视等级来调整基础权重。在调整后的权重中，对于目标对象的每一项对象特征，所有传感器权重之和依然为1。例如，在调整了传感器的权重之后，进行归一化处理，以使得对于每一项对象特征，所有传感器权重之和依然为1。
[0083]
例如，如果与该车辆对象相关的栅格单元的可视等级为最优，则采用上述基础权重，不进行调整。如果与该车辆对象相关联的栅格单元的可视等级较劣，则相应地降低传感器的权重。如果与该车辆对象相关联的栅格单元的可视等级最劣，则传感器的权重设为0。
[0084]
在框542中，融合模块24根据传感器降级状况来调整传感器的权重。例如，在一传感器被判定为轻微降级时，融合模块24降低该传感器的权重。在一传感器被判定为严重降级时，融合模块24禁用该传感器，即，该传感器数据不参与融合计算，直到该传感器恢复正常为止。
[0085]
可以理解的是，在框541中，在栅格单元的可视等级较劣情况下，传感器的权重降低多少是可以根据具体应用来设定的，并不限定为将权重降低至固定的值。类似地，在框542中，传感器降级程度与传感器的权重的降低相对应，至于具体将传感器权重降低至多
少，并不进行限定，而是可以根据具体应用来设定的。
[0086]
可以理解的是，框541和框542的操作顺序不进行限定，它们可以同时执行，也可以先后执行。
[0087]
在框543中，按照调整的权重确定出新检测数据中的融合数据源，并确定出的融合数据源与历史融合数据相融合，以获得表示目标对象的当前状态的新融合结果。因为在进行该这新融合中，采用了基于权重而选择的参与融合的数据，即，参与融合的数据源是被感器权重来优化了的融合数据源，因此可以获得了更加准确和可靠的融合结果。
[0088]
接着，在框550中，预测模块25基于历史融合数据对目标对象的状态进行预测，以获得目标对象的预测结果。可以理解的是，框550的过程可以在获取了历史融合数据之后进行，即，在框510执行之后就执行。
[0089]
在框560中，更新模块560用所述目标对象的新融合结果更新预测模块25得出的预测结果。
[0090]
在框570中，追踪管理模块27管理目标对象的追踪列表，并用更新模块的更新信息来调整所述追踪列表。
[0091]
通过以上过程，获得了准确可靠的目标追踪列表，由此有助于后续的安全性分析以及自动驾驶决策。
[0092]
图7示意性是根据本发明一方式的传感器数据处理方法700。该方法700可以借助于上述设备20和/或系统100来实现，因此以上关于设备20和系统100的描述同样适用于此。
[0093]
参见图7，在步骤702中，获取基于多个传感器的历史检测数据的历史融合数据和各传感器的新检测数据，所述历史融合数据表示环境中的目标对象的参考状态并且在数据处理中用作基准，所述新检测数据包含各传感器的视场数据。
[0094]
在步骤704中，基于历史融合数据和新检测数据确定出所述多个传感器的总视场的栅格地图，所述栅格地图包含多个栅格单元、各栅格单元的可视等级以及遮挡关系，所述遮挡关系包含对于传感器检测构成遮挡的目标对象以及被遮挡的栅格单元；
[0095]
在步骤706中，将新检测数据与作为基准的历史融合数据相比较，以实时评估出各传感器在追踪准确度、追踪精度和降级状况方面的检测性能；以及
[0096]
在步骤708中，将栅格地图和各传感器的检测性能作为先验知识来融合所述新检测数据与所述历史融合数据，以获得表示目标对象的当前状态的新融合结果。
[0097]
本发明还提供机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得一个或多个处理器执行上述传感器数据处理方法700。
[0098]
可以理解的是，以上描述的所有模块都可以通过各种方式来实施。这些模块可以被实施为硬件、软件、或其组合。此外，这些模块中的任何模块可以在功能上被进一步划分成子模块或组合在一起。
[0099]
可以理解的是，处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本发明中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(dsp)、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本发明给出的处理器、处理器的任意部分、或者处理器的任意组合的功
能可以实施为由微处理器、微控制器、dsp或其它适合的平台所执行的软件。
[0100]
可以理解的是，软件应当被广泛地视为表示指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、运行线程、过程、函数等。软件可以驻留在计算机可读介质中。计算机可读介质可以包括例如存储器，存储器可以例如为磁性存储设备(如，硬盘、软盘、磁条)、光盘、智能卡、闪存设备、随机存取存储器(ram)、只读存储器(rom)、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、寄存器或者可移动盘。尽管在本公开给出的多个方面中将存储器示出为是与处理器分离的，但是存储器也可以位于处理器内部(如，缓存或寄存器)。
[0101]
虽然前面描述了一些实施方式，这些实施方式仅以示例的方式给出，而不意于限制本发明的范围。所附的权利要求及其等同替换意在涵盖本发明范围和主旨内做出的所有修改、替代和改变。