一种考虑多车交互的智能车辆安全态势评估方法与流程

本发明涉及自动驾驶技术领域，特别是涉及一种考虑多车交互的智能车辆安全态势评估方法。

背景技术：

自动驾驶技术的发展给人们的出行和交通带来了便利，并使得如何进行安全可靠的自动驾驶成为研究热点。智能车辆应该评估当前的环境风险，以确保安全高效的自主驾驶，而交通环境的不确定性和动态变化使得开展可靠的风险评估变得很有挑战性。在考虑多车辆相互作用的动态混合交通环境中，如何定量评估驾驶风险是一个关键问题。因此，为了服务于智能决策，先进的驾驶辅助系统/自动驾驶系统应该评估其驾驶风险并准确识别风险趋势。一个可行的解决方案是通过在现有确定的风险评估方法的基础上进一步引入交通参与者的意图识别来提高态势评估的准确性。

目前自动驾驶的态势评估已经获得了广泛的研究。从引入多车辆交互先验信息的角度来看，态势评估建模可分为两大类：确定性态势评估方法和基于意图识别的态势评估方法。确定性态势评估方法通常很少考虑周围环境信息，并且在应对不确定性方面受到限制。例如，交通参与者的运动行为将通过简化的运动学模型来描述，例如恒速、恒加速度以及恒偏航率和加速度。确定性方法大致可分为基于距离的逻辑方法、基于时间的逻辑方法和势场方法。距离逻辑法采用空间安全距离作为态势评估指标。时间逻辑法使用安全时间距离作为态势评估指标，如ttc，ttca，thw。这些方法大多基于车辆运动学和动力学理论。此外，驾驶安全度的描述主要基于车辆状态信息(速度、加速度、横摆角速度等)，和相对运动关系信息(相对速度、相对距离等)。这些方法参数简单，物理意义符合人们的主观感受，因此可以在一定范围内应用。然而，这两种方法通常局限于一维交通态势评估，难以在实际交通场景中实现高维不确定性态势评估，实际应用受到限制。

利用人工势场方法描述交通环境中车辆风险的研究不断发展。部分研究提出了一种基于apf的电场模型来描述交通环境中车辆的风险分布，从而指导车辆的安全决策。或者通过建立结合车道势场、道路势场、车辆势场和速度势场的集成模型，应用apf方法来避免自我车辆和其它障碍物之间的碰撞。这些方法能够在实际交通场景中实现高维风险评估，在复杂交通环境中实现更好的风险敏感性和准确性。然而，这些方法忽略了不确定因素的影响，如驾驶人自身特征、车辆动力学、路况和天气。王建强等人提出了使用“行车安全场域”概念的统一模型，该模型考虑了驾驶人、车辆和道路的综合因素。统一模型可以量化车辆在行驶过程中所受的风险，但仅限于评估当前环境中的交通要素，而没有动态考虑风险趋势。此外，上述确定性方法通常被视为次优或精度有限，而不考虑环境-车辆相互作用。

另一种考虑事先意图的风险评估方法可以更多地考虑环境的不确定性和行为的相互作用。这种方法通常有两个步骤。首先，它将估计驾驶行为的意图，然后输出未来轨迹的碰撞概率来计算风险度。它通常可以预测模型或数据驱动的未来轨迹。谢国涛等人通过贝叶斯网络将基于物理和机动的预测模型结合起来进行情景评估，并在变道场景中实现了高精度。同时，长短时记忆网络(lstm)在语音识别、机器翻译、图像字幕等方面取得了一系列突破。由于其在时间序列问题处理中的深度表示能力。因此，许多研究应用lstm预测轨迹，并取得了较好的预测结果。然而，尽管这些方法可以更多地考虑输入识别意图，但是它们考虑了诸如道路几何形状或驾驶人特征的有限因素。此外，这些方法简化了物理模型，限制了对驾驶人、车辆和道路耦合机制的清晰描述，限制了它们在特定场景中的应用，难以在混合交通中广泛应用。

了解周围车辆的动态特性和估计混合交通的潜在风险有助于可靠的自主驾驶。然而，现有的态势评估方法对于提前发现危险情况和解决混合交通的不确定性具有挑战性。因此，有必要开发一种考虑多车交互的智能车辆安全态势评估方法。

技术实现要素：

本发明的目的在于提供一种考虑多车交互的智能车辆安全态势评估方法，其能够输出考虑多车交互的动态潜在风险图，计算出的风险图允许智能车辆利用实时风险值来评估其驾驶状态进行提前预警和采取合适措施。

为实现上述目的，本发明提供一种考虑多车交互的智能车辆安全态势评估方法，该方法包括：

步骤s1，通过长短时记忆网络建立意图识别模块；

步骤s2，根据车辆的历史轨迹信息，通过所述意图识别模块，定义基于概率最大分类的逻辑判断，计算出被预测车辆的周车的驾驶意图概率pm；

步骤s3，通过分析驾驶人、车辆和道路之间的相互作用，采用基于行车安全场的风险评估模块输出潜在风险fji，0；

步骤s4，结合风险评估模块和意图识别模块计算得到的被预测车辆的周围车辆的驾驶意图，建立综合态势评估模型，通过所述综合态势评估模型输出动态交通场景下考虑多车交互的动态潜在风险图fki；

进一步地，所述步骤2中，所述意图识别模块将从车辆的历史轨迹信息中提取到的轨迹片段分成三类：向左换道意图g1、向右换道意图g2和直线行驶意图g3，并依据分类结果计算出所述驾驶意图概率pm，该分类方法包括如下步骤：

步骤s21，求出车辆轨迹和车道线的交点，该交点被定义为换道点；

步骤s22，根据车辆位置信息(x，y)，利用式(7)计算出车辆的航向角：

步骤s23，从换道点向时间轴反方向遍历每个采样点的航向角θ，若轨迹序列中有连续3个采样点的|θ|≤θs，则将自第1次达到阈值θs的位置定位为换道起点，θs表示换道起始点航向角阈值；

步骤s24，利用步骤23中类似的方法判断|θ|≤θe，来确定换道终点，θe表示换道终止点航向角阈值。

进一步地，所述步骤2中的pm表示为式(1)：

pm＝p(gm|i)，ω＝(p1，p2，p3)(1)

式(1)中，ω为各种意图类别概率组成的向量，gm表示意图类别，i表示意图识别模块的输入向量，用式(2)表示；

式(2)中，i^(t)表示式(1)中的i；tp表示历史时域，0≤tp≤t；表示被预测车辆的历史轨迹信息，用式(3)表示；s^(t)表示被预测车辆的环境信息，用式(4)表示；

式(3)中，x^(t)为被预测车辆ve的横向坐标；y^(t)为被预测车辆ve的纵向坐标；为被预测车辆ve的绝对速度；

式(4)中，表示周车vhi的状态信息，表示为式(5)：

式(5)中，为周车vhi与被预测车辆ve的侧向相对距离；为周车vhi与被预测车辆ve的纵向相对距离；为被预测车辆ve的绝对速度；为右车道标志位，若被预测车辆ve所行驶的车道存在右车道，则为1，否则为0；为左车道标志位，若被预测车辆ve所行驶的车道存在左车道，则为1，否则为0。

进一步地，如果筛选的被预测车辆ve的周围不存在所述周车vhi，则将环境信息s^(t)中的周车vhi的状态信息设置为式(6)：

进一步地，所述步骤3中的所述风险评估模块表示为式(22)：

式(22)中，fji，0表示自车j对其所在的交通环境中的任一车辆i的行车安全场场力；xji表示自车j与车辆i的纵向距离；yji表示自车j与车辆i的横向距离；rmax为自由流车辆间距；r0是驾驶人视野焦点的半径；ej，0表示自车j的动能。

进一步地，所述步骤s3具体包括：

步骤s31，设定自车j为质点，在一个无边界的环境中以恒定速度自由运动，自车j在环境中造成的交通风险满足平面上的各向同性；

步骤s32，结合多普勒频移效应，将车辆i在交通环境中受到自车j的风险用行车安全场描述为式(12)：

式(12)中，kx，0为纵向的梯度调整系数，ky，0为横向的梯度调整系数；

步骤s33，根据交通标志对驾驶人在交通环境中行为的约束，将由道路使用者在交通环境中产生的风险分布由椭圆表示，车辆行驶过程中在纵向上考虑安全时距和车流速度，在横向上考虑车道约束的影响，将各向同性的圆型分布压缩成长短轴动态变化的椭圆风险分布区域。

进一步地，考虑驾驶人在驾驶车辆的过程中通常保持一定的车头时距、交通规则规定车辆不允许连续换道以及车辆的几何尺寸，自车j产生的风险按照等高线分布时，所述椭圆风险分布区域表示为式(15)：

式(15)中，根据等高线的变化特性，kx，d＝1，aj为所述椭圆风险分布区域的半长轴的长度，bj为所述椭圆风险分布区域的半短轴的长度，rji’为被压缩后的长短轴动态变化的椭圆等效半径。

进一步地，所述椭圆风险分布区域表示为下式(20)和式(21)：

式中，rji为自车j的中心到椭圆上任意一点车辆i的距离；t为参数theta的简写，t∈[0，2π]；θji为自车与车辆i的连线与自车j的速度方向的夹角。

本发明提供的方法通过提出一个考虑多车交互的态势评估框架，用于定量分析行车风险和不确定性估计，该集成框架提供了基于动态行为交互识别和高维驾驶风险场的预测风险图，能够检测周围车辆带来的潜在风险，并能够使智能车辆能够处理由周围交通的即时行为变化引起的不确定性，更好地理解影响危险事故概率的因素，并为智能车辆更好地预测和降低事故概率提供方向，促进智能车辆能够在动态交通中安全行驶。

附图说明

图1是本发明实施例提供的考虑多车交互的智能车辆安全态势评估框架的示意性流程图。

图2是采用本发明实施例提供的智能车辆意图识别模块的结构示意图；

图3是本发明实施例提供的预测车辆及其周围环境示意图；

图4是本发明实施例提供的交通标志对行车风险的椭圆约束效应示意图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

参见图1，本发明实施例提供的考虑多车交互的智能车辆安全态势评估方法包括：

步骤s1，通过长短时记忆网络(lstm网络)建立意图识别模块。其中，步骤s1中的“通过长短时记忆网络建立意图识别模块”具体包括：

整个意图识别模块基于长短时记忆网络搭建而成，将被预测车辆及其周围车辆组成的整体视为研究对象，使其能够理解车与车之间的交互式行为，并动态识别出车辆意图。由softmax函数输出对驾驶意图的识别向量，同时设置合适的阈值，避免意图识别模块始终做出过于保守的预测。轨迹输出模块使用2个长短时记忆网络分别构建编码器和解码器。编码器对历史轨迹进行编码，编码向量结合驾驶意图信息共同输入解码器，使解码器能做出基于意图识别的预测。

步骤s2，根据车辆的历史轨迹信息，通过意图识别模块中的softmax函数，定义基于概率最大分类的逻辑判断，计算出被预测车辆的周围车辆的驾驶意图，该驾驶意图作为输出向量ω，表示为式(1)：

pm＝p(gm|i)，ω＝(p1，p2，p3)(1)

式(1)中，pm表示意图类别概率，ω为各种意图类别概率组成的向量，即意图识别模块的输出向量，其中的p1表示向左换道的概率，p2表示直线行驶的概率，p3表示向右换道的概率；gm表示意图类别，其中的g1表示直线行驶的意图类别，g2表示直线行驶的意图类别，g3表示向右换道的意图类别；i表示意图识别模块的输入向量，其表示为下式(2)。

考虑到交互信息，本实施例将真实交通场景中的周围车辆视为一个相互依赖的整体，它们的操纵行为相互影响决策。为了更好地理解车辆与环境的相互作用，意图识别模块的输入量i^(t)为车辆的历史轨迹信息，车辆的历史轨迹信息包括被预测车辆的历史轨迹信息和环境信息s^(t)，表示为式(2)：

式(2)中，i^(t)表示意图识别模块的输入量；表示被预测车辆ve的历史轨迹信息，其用式(3)表示；s^(t)表示被预测车辆ve的环境信息，其用式(4)表示；tp表示历史时域(反映输入轨迹的长度)，0≤tp≤t，比如t可以设置为5s。

式(3)中，x^(t)为被预测车辆ve的横向坐标，y^(t)为被预测车辆ve的纵向坐标，为被预测车辆ve的绝对速度。

如图2所示，被预测车辆ve被其它六辆车vhi包围，下文将vhi简称为“周车”。以车辆行驶的前方为参考方向，不同方向直线将代表意义不同。其中，直线代表车道保持意图，向右曲线代表右转意图，向左曲线代表左转意图。每辆车的潜在影响范围如图中示出的包围在其外部的虚线椭圆所示，即输入层中的环境信息s^(t)由被预测车辆ve的左前邻近车辆正前邻近车辆右前邻近车辆左后邻近车辆正后邻近车辆右后邻近车辆的历史轨迹信息和被预测车辆ve的2个标志位组成，因此，环境信息s^(t)表示为式(4)：

周车的状态信息还包括其位置和速度信息，其表示为式(5)：

式(5)中，为周车vhi与被预测车辆ve的侧向相对距离；为周车vhi与被预测车辆ve的纵向相对距离；为被预测车辆ve的绝对速度；为右车道标志位，若被预测车辆ve所行驶的车道存在右车道，则为1，否则为0；为左车道标志位，若被预测车辆ve所行驶的车道存在左车道，则为1，否则为0。

如果筛选的被预测车辆ve的周围不存在如上所示的六辆周车vhi，则将环境信息s^(t)中的周车vhi的状态信息设置为式(6)：

具体地，如图3所示，在本实施例中，意图识别模块将从车辆的历史轨迹信息中提取到的轨迹片段分成三类：直线行驶意图g1、直线行驶意图g2、向右换道意图g3，并附上相应标记。本实施例采用的分类方法包括如下步骤：

步骤s21，求出车辆轨迹和车道线的交点，该交点被定义为换道点。

步骤s22，根据车辆位置信息(x，y)，利用式(7)计算出车辆的航向角：

步骤s23，从换道点向时间轴反方向遍历每个采样点的航向角θ，若轨迹序列中有连续3个采样点的|θ|≤θs，则将自第1次达到阈值θs的位置定位为换道起点，θs表示换道起始点航向角阈值。

步骤s24，利用步骤23中类似的方法判断|θ|≤θe，来确定换道终点，θe表示换道终止点航向角阈值。

本实施例采用连续三点确认的目的是为了避免噪声引起的误判。换道起点和换道终点之间的点都被定义为换道过程点，如图3所示。

步骤s3，通过分析驾驶人、车辆和道路之间的相互作用，采用基于行车安全场的风险评估模块输出潜在风险。在步骤2提供的意图识别的基础上，构建基于人车路耦合的风险评估模块。定量分析道路使用者之间的相互作用关系，描述交通系统各要素对行车风险的影响程度。通过建立基于驾驶意图识别的连续时变风险评估模块，将道路风险量化为在道路交通环境中连续分布的时变风险场。

具体来说，步骤s3具体包括：

步骤s31，为了评估交通环境的安全状态，采用行车安全场进行表示，将道路交通风险定义为各研究对象间场的相互作用，用以描述人在交通环境中对风险的辨识。通过分析碰撞过程中力做功和能量转化之间的关系，若自车j在一个无边界的环境中以恒定速度自由运动，将其考虑为质点时，由于自车j可以选择任意方向行驶，因此该自车j在环境中造成的交通风险满足平面上的各向同性，因此有下式(8)：

式(8)中，车辆i代表车辆j在运动过程中所产生的交通环境中任一车辆；fji，0表示自车j在运动过程中所产生的行车安全场场力；xji表示自车j与车辆i的纵向距离；yji表示自车j与车辆i的横向距离；rmax为自由流车辆间距，用以表示风险最大影响范围，其数值根据道路交通手册进行定义；r0是驾驶人视野焦点的半径，它与驾驶人和车辆之间的距离有关；ej，0表示自车j的动能，其计算公式表示为式(9)。

式(9)中，mj表示自车j的质量，vj表示自车j的纵向速度，υi表示车辆i的纵向速度。

根据式(9)，自车j在运动过程中所产生的行车安全场场力fji，0的梯度变化表示为式(10)：

步骤s32，在真实的交通环境中，驾驶人在驾驶过程中需要受到交通规则的约束，因此，没有各向同性地向外界定向运动所带来的驾驶风险。在正常情况下，从驾驶人的主观感受或客观碰撞概率的角度来看，在驾驶过程中，正面方向对交通环境的风险大于负面方向，这类似于波源的多普勒频移效应。在多普勒频移效应中，波源的移动导致观察者在移动方向一侧接收到的频率增加，而在负方向上接收到的频率减少，多普勒频移效应如公式(11)所示：

式(11)中，f’s是观察者处的频率；fs为波源初始频率；为波速；υ0(t)为观察者的运动速度，接近波源为正，远离波源为负；υs(t)为波源的运动速度，方向定义为接近观察者为负，远离观察者为正。

根据现有的研究，驾驶人在驾驶过程中主要依靠视觉获得信息，并且他们对其它道路使用者和他们自己之间的相对距离和相对速度敏感。因此，从驾驶人的角度来看，车辆i在交通环境中受到自车j的风险用行车安全场描述为式(12)：

式(12)中，kx，0为纵向的梯度调整系数，ky，0为横向的梯度调整系数，二者的取值将在下文进行定义。

步骤s33，交通标志通过约束驾驶人在交通环境中的行为，在限制驾驶风险方面发挥着重要作用，使道路使用者对交通环境造成的风险在纵向和横向上有所不同。此外，驾驶人对环境的感知与其视觉特征密切相关。驾驶人肉眼的视觉识别能力在驾驶过程中受到很大影响。随着车速的增加，视野变窄，研究人员认为驾驶人的视野是椭圆形的。根据对驾驶人正常驾驶行为的分析，由道路使用者在交通环境中产生的风险分布由椭圆表示。

步骤s34，由于车道线的横向约束作用，车辆行驶过程中在纵横向上的风险分布出现了明显差异。在纵向上考虑安全时距、车流速度等，横向上考虑车道约束的影响，于是各向同性的圆型分布压缩成长短轴动态变化的椭圆风险分布区域。

具体地，如图4所示，本实施例将道路使用者在交通环境中产生的风险分布用如图4所示的椭圆表示，a1a2是椭圆的长轴，b1b2是椭圆的短轴，且a1a2＝2a1j＝2ja2＝2aj，b1b2＝2b1j＝2jb2＝2bj。同时，如图4所示的椭圆为自车j在环境中造成的风险场的一条等高线。

考虑驾驶人在驾驶过程中始终遵守规则且尽可能的保证安全驾驶，那么驾驶人在驾驶车辆的过程中通常保持一定的车头时距，另外，交通规则规定车辆不允许连续换道，同时结合车辆的几何尺寸，设置椭圆半长轴和半短轴的长度分别表示为式(13)和式(14)：

aj＝r0+l1(13)

bj＝lw+l2(14)

式(13)和式(14)中，aj为椭圆半长轴，即椭圆风险分布区域的半长轴；r0是驾驶人视野焦点的半径，它与驾驶人和车辆之间的距离有关；l1为车辆长度的一半；bj为椭圆半短轴，lw为一倍车道宽(通常取lw＝3.5m)，l2为车辆宽度的一半。值得注意的是，椭圆的长轴是与车速相关的函数，车速越小，长轴越小，因此，为了避免长轴的长度小于短轴，本发明规定r0≥lw。

由于车道线的横向约束作用，车辆行驶过程中在纵横向上的风险分布出现了明显差异。在纵向上考虑安全时距、车流速度等，横向上考虑车道约束的影响之后，各向同性的圆型分布压缩成长短轴动态变化的椭圆风险分布，横向上受到压缩时，图4所示的外圈圆形等高线被压缩成黑色内圈椭圆等高线，虽然b’1b’2缩短变成b1b2，两条场力等高线所代表的风险数值相同。因此自车j产生的风险按照等高线分布时有式(15)：

式(15)中，kx，d为纵向上的梯度调整系数，ky，d为横向上的梯度调整系数。根据等高线的变化特性，可得式(16)：

式(16)中，aj和bj分别为椭圆半长轴长和半短轴长。

根据椭圆特性，得到式(17)：

根据式(17)，可得式(18)：

则自车j的中心到椭圆上任意一点车辆i的距离rji为：

式(19)中，θji为自车j与车辆i的连线与自车j的速度方向的夹角。

结合上述式(15)至式(19)可得式(20)和式(21)：

式(17)至式(20)中，t为参数theta的简写，t∈[0，2π]。

步骤s35，交通事故的发生可以理解为异常能量转移。因此，基于车辆在行驶过程中的动能，本发明首先构建一个风险评估模块来评估潜在的风险。然后分析了道路使用者在交通环境中造成的直接风险和交通流造成的干扰风险。此外，本发明还发现了潜在风险与环境中交通参与者的各种属性之间的关系，如道路使用者的类型、道路交通设施的建立以及驾驶人行为的影响。最后，建立了反映驾驶人、车辆和道路相互作用的综合驾驶风险评估模型。基于该建模框架，车辆对交通环境造成的风险可以用下式(22)提供的风险评估模块进行表示：

将式(22)写为直角坐标系可得到式(23)：

步骤s4，结合意图识别模块和风险评估模块，建立综合态势评估模型，通过综合态势评估模型输出动态交通场景下考虑多车交互的动态潜在风险图。

步骤s4具体包括：

当考虑交通参与者的行为需求时，风险评估可以评估更好的行为。因此，结合基于组合长短时记忆网络的意向识别因素，我们提出了一个在时间上连续的综合风险评估模型。结合风险估计和意图识别，我们引入了基于这些交通参与者可能动态变化的预测风险图。预测风险图显示了某一行为的可能性，显示了行为识别在未来的重要性。因此，我们将预测风险图用于图1所示的未来行为评估和规划，并且预测风险力fki在每个意图方向上的分布总和等于在预测车辆上提出的总场力fji，0，关系表达式(24)如下：

具体地，如图1中下部的“预测行车风险图”的左侧角落的图例所示，本发明对不确定环境下交通环境整体态势输出动态评估图，在本实施例中，结合意图识别模块和风险评估模块，具有意图可能性的预测风险图可以描述影响范围和趋势。本实施例输出由意图识别模块预测的具有20％车道保持概率(p3＝0.2)和80％车道改变概率(p1＝0.8，p2＝0)的预测车辆。因此，在直线方向和车道变换方向上，场力的分布和大小也成20％和80％相同比例的分布。

同时，确定环境下交通环境整体态势输出动态评估图能够准确量化智能车辆及其周围车辆的风险，并通过考虑风险的不确定性和给出预警，为这些智能车辆提供足够的时间来应对各种复杂的危险情况。通过动态输出交通场景中的风险强度和趋势，可以辅助智能车辆安全应对危险驾驶情况，实现可靠驾驶。

本发明实施例的方法基于动态行为交互识别和高维行车安全场的综合风险图，使智能车辆能够在动态交通中安全行驶，整个方法可以更好地理解影响危险事故概率的因素，并为智能车辆更好地预测和降低事故概率提供方向。

本发明的特定实施例能够实现以下优点。

1、通过考虑环境的不确定性和周边车辆的运动意图，利用长短时记忆网络先对周边车辆进行意图识别，使智能车辆能够处理由周围交通的即时行为变化引起的不确定性。

2、本发明针对现有风险识别模型存在的问题，重点分析了影响行车安全的因素和行车风险的潜在影响范围，并提出了一个高维时变态势评估模块来准确评估动态交通环境中的行车风险。

3、本发明实施例中提出的考虑多车交互的智能车辆安全态势评估方法从一个新的角度来处理态势估计问题，通过从层次分析过程中推断意图概率和潜在风险来开发一个集成的框架，考虑到风险趋势和交通参与者的交互作用，与现有的其它方法相比，该方法能够提高行车风险识别的准确性，并提供预警。算法可通过多种方式支持驾驶辅助系统的开发，并对高等级自动驾驶在行车过程中的态势评估进行实时判断，通过了解周围车辆的动态特性和估计混合交通的潜在风险提供可靠的自主驾驶。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。