一种降低智能车辆碰撞伤害的控制方法和系统与流程

本发明涉及车辆控制领域，特别是涉及一种降低智能车辆碰撞伤害的控制方法和系统。

背景技术：

自动驾驶车辆是未来车辆技术的发展方向，基于感知实现的决策与控制将有望降低车祸发生的几率，并能够在车祸发生时有效降低乘客受到的伤害。

避障\避撞：现有技术的核心概念为“距碰撞时间(timetocollision，ttc)”。依据周围车辆的车速、航向角以及本车的车速、航向角，可以计算出从当前时刻至碰撞发生所需的时间。基于ttc以及预先定义的阈值，可以设定相应的控制行为。比如现有的自适应车速巡航技术acc，以及专利cn201910266900.3、cn201680041015.x、cn201910187945.1、cn201910121503.7等公开的内容。

降低撞击伤害：现有的降低撞击伤害控制模块多串联于路径规划模块后方，即当无可行路径时，切换入降低伤害模块。现有技术多考虑的是在碰撞前进行碰撞伤害评估并施加控制，如专利201910982338.4、cn202010300349.2、cn202010088791.3和cn201811354515.6公开的内容，以及碰撞后如何进行动力学控制，以减小车辆失控的公开文本cn202010115954.2。目前在车辆碰撞伤害研究方面，采用最为广泛的概念为delta-v，这一概念依据动量守恒计算得到，用于定义车辆碰撞前后的速度差值，且速度差值大即代表车祸伤害程度高。但此概念对碰撞位置未做考虑，而实际车辆碰撞伤害与车辆碰撞位置具有强相关性，因此需要在delta-v的基础上结合碰撞位置，进行碰撞伤害降低的动力学控制。在论文方面，“h.wang，y.huang，a.khajepour，y.zhang，y.rasekhipourandd.cao，"crashmitigationinmotionplanningforautonomousvehicles，"inieeetransactionsonintelligenttransportationsystems，vol.20，no.9，pp.3313-3323”中，作者对碰撞影响因素进行了讨论，并依据其构造了以降低碰撞伤害为目标的多目标加权函数。但其设计中考虑了诸多车辆因素，目标函数的构建依赖于主观权重选择，主观权重选择结果决定了系统动力学行为。而实际的撞击伤害是客观的，所以应基于客观数据进行伤害评估，并利用其进行系统控制。

因此，基于上述内容，现有技术中并没有基于客观数据，公开建立撞击统计数据与车辆动力学控制之间的联系的方法或系统，也没有公开能够基于这一客观撞击数据实现降低碰撞伤害的控制方法或系统。

技术实现要素：

本发明的目的是提供一种降低智能车辆碰撞伤害的控制方法和系统，以能够客观的建立撞击统计数据与车辆动力学控制之间的联系，并能够基于这一客观撞击数据降低碰撞伤害程度。

为实现上述目的，本发明提供了如下方案：

一种降低智能车辆碰撞伤害的控制方法，包括：

获取车辆的动力学模型；所述动力学模型包括：轮胎联合滑移模型、车辆的横向、纵向动力学模型和车辆运动学模型；

根据所述动力学模型构建mpc规划-控制器模型；

获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为mais3+曲线；

对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；

获取车辆的碰撞角度、delta-v和多个所述碰撞子区域中的mais3+值；

以所述碰撞角度和所述delta-v为输入，以所述mais3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；

采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；

根据所述mpc规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低车辆碰撞伤害模型；

采用所述降低车辆碰撞伤害模型控制所述车辆以降低所述车辆的伤害程度。

优选的，所述采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统，具体包括：

采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练，得到第一伤害程度动态确定系统；

采用公式csi＝a1·δu³+a2·δu·cd²+a3对所述第一伤害程度动态确定系统进行拟合，得到第二伤害程度动态确定系统；所述第二伤害程度动态确定系统即为训练好的伤害程度动态确定系统；

式中，δu为delta-v，a1,a2,a3均为拟合系数，cd为碰撞角度。

优选的，所述获取车辆的动力学模型，之前包括：

获取所述车辆的车轮参数以及车辆参数；所述车轮参数包括车轮半径、车轮转速、车轮纵向速度、车轮纵向力、单轮所施加的转矩以及车轮转动惯量；所述车辆参数包括车辆横摆角速度以及车辆横向速度；

根据所述车轮参数构建所述车辆的轮胎与车辆的横向动力学模型；

根据所述车轮参数以及所述车辆参数构建所述车辆的车辆运动学模型；

基于所述轮胎与车辆的横向动力学模型以及所述车辆运动学模型，根据所述车轮参数确定所述车辆的动力学模型。

优选的，所述对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域，具体包括：

采用两条呈特定角度且均经过所述车辆的质心的直线将所述车辆的水平周向区域划分为四个碰撞子区域。

优选的，所述mpc规划-控制器模型为j：

式中，sp为在p时刻车辆质心位置与其相近车辆质心位置间的距离，up为p时刻的控制输入，为p-1时刻的控制输入，q为车辆的相对距离，h为控制输入平滑性，m为控制输入的权重矩阵，np为预测时域长度。

优选的，所述降低车辆碰撞伤害模型为j3：

式中，csi为碰撞伤害度，up为p时刻的控制输入，为p-1时刻的控制输入，q为车辆的相对距离，h为控制输入平滑性，m为控制输入的权重矩阵，np为预测时域长度。

一种降低智能车辆碰撞伤害的控制系统，包括：

动力学模型获取模块，用于获取车辆的动力学模型；所述动力学模型包括：轮胎与车辆的横向动力学模型和车辆运动学模型；

控制器模型构建模块，用于根据所述动力学模型构建mpc规划-控制器模型；

关系曲线获取模块，用于获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为mais3+曲线；

碰撞区域划分模块，用于对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；

数据获取模块，用于获取车辆的碰撞角度、delta-v和多个所述碰撞子区域中的mais3+值；

初始伤害程度动态确定系统构建模块，用于以所述碰撞角度和所述delta-v为输入，以所述mais3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；

伤害程度动态确定系统训练模块，用于采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；

降低车辆碰撞伤害模型构建模块，用于根据所述mpc规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低车辆碰撞伤害模型；

碰撞伤害控制模块，用于采用所述降低车辆碰撞伤害模型控制所述车辆以降低所述车辆的伤害程度。

优选的，所述伤害程度动态确定系统训练模块，具体包括：

训练单元，用于采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练，得到第一伤害程度动态确定系统；

拟合单元，用于采用公式csi＝a1·δu³+a2·δu·cd²+a3对所述第一伤害程度动态确定系统进行拟合，得到第二伤害程度动态确定系统；所述第二伤害程度动态确定系统即为训练好的伤害程度动态确定系统；

式中，δu为delta-v，a1,a2,a3均为拟合系数，cd为碰撞角度。

优选的，所述控制系统还包括：

参数获取模块，用于获取所述车辆的车轮参数以及车辆参数；所述车轮参数包括车轮半径、车轮转速、车轮纵向速度、车轮纵向力、单轮所施加的转矩以及车轮转动惯量；所述车辆参数包括车辆横摆角速度以及车辆横向速度；

横向动力学模型构建模块，用于根据所述车轮参数构建所述车辆的轮胎与车辆的横向动力学模型；

运动学模型构建模块，用于根据所述车轮参数以及所述车辆参数构建所述车辆运动学模型；

动力学模型构建模块，用于基于所述轮胎与车辆的横向动力学模型以及所述车辆运动学模型，根据所述车轮参数确定所述车辆的动力学模型。

优选的，所述碰撞区域划分模块，具体包括：

碰撞区域划分单元，用于采用两条呈特定角度且均经过所述车辆的质心的直线将所述车辆的水平周向区域划分为四个碰撞子区域。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的降低智能车辆碰撞伤害的控制方法和系统，采用自适应模糊神经网络将伤害程度与车辆碰撞位置的进行有机拟合后得到伤害程度动态确定系统后，以采用动力学模型构建得到的mpc规划-控制器模型为控制基础，构建得到能够降低碰撞伤害程度的降低车辆碰撞伤害模型，进而采用这一降低车辆碰撞伤害模型完成对车辆的控制，以能够实现客观的建立撞击统计数据与车辆动力学控制之间的联系，以及基于这一客观撞击数据降低碰撞伤害程度的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的降低智能车辆碰撞伤害的控制方法的流程图；

图2为本发明实施例中四个碰撞子区域的位置结构示意图；

图3为现有技术文献中将delta-v与碰撞模式进行拟合的函数曲线图；

图4为本发明实施例中csi计算得到的anfis映射关系图；

图5为本发明实施例中车辆的动力学模型图；

图6为本发明提供的降低智能车辆碰撞伤害的控制系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例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。

发明的目的是提供一种降低智能车辆碰撞伤害的控制方法和系统，以能够客观的建立撞击统计数据与车辆动力学控制之间的联系，并能够基于这一客观撞击数据降低碰撞伤害程度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的降低智能车辆碰撞伤害的控制方法的流程图，如图1所示，一种降低智能车辆碰撞伤害的控制方法，包括：

步骤100：获取车辆的动力学模型。动力学模型包括：轮胎与车辆的横向动力学模型和车辆运动学模型。

步骤101：根据动力学模型构建mpc规划-控制器模型。mpc规划-控制器模型优选为j：

式中，sp为在p时刻车辆质心位置与其相近车辆质心位置间的距离，up为p时刻的控制输入，为p-1时刻的控制输入，q为车辆的相对距离，h为控制输入平滑性，m为控制输入的权重矩阵，np为预测时域长度。

进一步基于上述构建得到的mpc规划-控制器模型，在本发明中mpc问题可归纳如下：

subjectto

其中，u^*为计算得到的控制输入，约束包括系统状态约束、控制输入上下限以及系统状态稳定域约束。对上述mpc问题进行求解，能够得到当前时刻系统输入。

根据上述mpc规划-控制器模型，mpc规划-控制器能够在考虑系统输入、动力学约束的前提下，通过调整系统作动器输出，实现与相近车辆距离的最大化，进而完成路径规划与路径跟踪的同步实现。可以看出，与当前路径规划、路径跟踪相对独立的方法相比，所提出算法仅需一个控制器即可完成规划与跟踪控制的同步控制。

步骤102：获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为mais3+曲线。

步骤103：对车辆的碰撞位置进行区域划分，得到多个碰撞子区域。在本发明中，步骤103优选为，采用两条呈特定角度且均经过车辆的质心的直线将车辆的水平周向区域划分为四个碰撞子区域。划分得到的四个碰撞子区域的划分区域示意图如图2所示。

步骤104：获取车辆的碰撞角度、delta-v和多个碰撞子区域中的mais3+值。

步骤105：以碰撞角度和delta-v为输入，以mais3+值为输出，采用系统建模法构建初始伤害程度动态确定系统。

步骤106：采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统。

该步骤具体包括：

采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练，得到第一伤害程度动态确定系统。

采用公式csi＝a1·δu³+a2·δu·cd²+a3对第一伤害程度动态确定系统进行拟合，得到第二伤害程度动态确定系统。第二伤害程度动态确定系统即为训练好的伤害程度动态确定系统。

式中，δu为delta-v，a1,a2,a3均为拟合系数，cd为碰撞角度。

步骤107：根据mpc规划-控制器模型和训练好的伤害程度动态确定系统构建降低车辆碰撞伤害模型。降低车辆碰撞伤害模型优选为j3：

式中，csi为碰撞伤害度，up为p时刻的控制输入，为p-1时刻的控制输入，q为车辆的相对距离，h为控制输入平滑性，m为控制输入的权重矩阵，np为预测时域长度。

步骤108：采用降低车辆碰撞伤害模型控制车辆以降低车辆的伤害程度。

在上述步骤107构建得到降低车辆碰撞伤害模型的关键在于精确获得撞击严重度度量函数csi。csi的确定方法并不唯一，本发明上述提出的是基于delta-v以及碰撞位置来确定csi，并将计算得到的csi集成至伤害降低控制之中的方式。

在碰撞安全领域，文献(l.greenspan，b.a.mclellan，andh.greig，“abbreviatedinjuryscaleandinjuryseverityscore:ascoringchart.”thejournaloftrauma，vol.25，no.1，pp.60–64，1985.)对伤害等级mais3+(最大伤害程度评估指数大于等于3级)定义为严重伤害，并将其伤害概率拟合为delta-v与碰撞模式(图3)的函数，但此曲线是根据大量车祸数据进行拟合得到的，数据样本的差异性可能会导致车祸伤害曲线变化。

此外上述函数虽然建立了伤害程度与车辆碰撞位置的关系，但由于其为四条离散曲线，因而难以嵌入到设计控制算法中进行整体控制。也因为非连续不可导函数无法被直接应用在mpc目标函数中(同时其他控制算法也无法利用离散目标函数进行控制)，所以无法基于上述客观数据进行车辆控制。因此迫切需要提出一种能够将任何车祸伤害曲线进行转化，并应用于车辆控制的普适性方法。

而本发明提供的上述csi的确定方法并不依赖于具体车祸数据，在具有广泛性的同时，能够提高精确性，其主要是通过mais3+曲线与目标函数之间的转化，以直接应用在mpc目标函数中，进而实现对车辆的降低伤害程度控制。其中，mais3+曲线与目标函数之间的细化的转化过程如下：

步骤1：根据图2，将车一周范围[0°,360°]划分为四个碰撞子区域(自正面左前侧设定为起始0°，以上角度为碰撞角cd)：第一碰撞子区域为正面范围的[0°,40°]间的区域。第二碰撞子区域为远端范围[40°,180°]间的区域。第三碰撞子区域为后侧范围[220°,360°]间的区域。第四碰撞子区域为近端范围[220°,360°]间的区域。

为实现mais3+曲线的应用，首先将图3中四条离散的曲线转化为连续变量。在[0°,360°]范围内生成随机数，根据上述定义的四个碰撞子区域以及对应的mais3+值，能够构造以碰撞角度以及delta-v为输入，mais3+值(csi)为输出的伤害程度动态确定系统(初始伤害程度动态确定系统)。其中，构造伤害程度动态确定系统的方法很多，任何系统建模方法均可采用。本发明中下面以anfis方法为例进行建模列举，所述方法不唯一。

步骤2：对上述构造得到的伤害程度动态确定系统进行连续化描述。这里采用自适应模糊神经网络(anfis)对构造的伤害程度动态确定系统进行训练(输入是碰撞角、delta-v，输出为mais。方法并不是唯一的)，能够得到连续的模糊曲面，如图4所示。如图4可见，图3的离散函数已转化为图4的连续函数。

步骤3：图4中的连续可导函数(初始伤害程度动态确定系统)已能够被应用于上述构建得到的mpc规划-控制器模型。但由于所采用的anfis模型为多个模糊规则映射得到的系统模型(即为多个一阶ts线性函数)，会对mpc的应用产生困难。因此，可以继续对上述连续曲面(由连续可导函数得到的如图4所示的连续曲面)进行第二次拟合，以一个多项式的形式表达上述曲面，即可得到训练好的伤害程度动态确定系统。

其中，本发明优选采用的是下列函数对初始伤害程度动态确定系统(连续可导函数)进行二次拟合：

csi＝a1·δu³+a2·δu·cd²+a3。

其中，δu即为delta-v，a1,a2,a3为拟合系数，cd为碰撞角。

拟合系数a1,a2,a3的辨识采用粒子群优化算法(pso)得到。因pso方法是辨识的方法之一，是已知技术，所以在本发明中不进行详细论述。并且，辨识参数的方法很多并不唯一，也可以用最小二乘法之类的方法。

辨识输入就是delta-v和cd两个自变量，输出是csi，直接训练即可。在这一训练过程中，主要采用公式csi＝a1·δu³+a2·δu·cd²+a3来逼近图4所示的曲面，该公式包含了几个需要辨识的参数。参数辨识得到后，就能够逼近csi了。可以理解为公式csi＝a1·δu³+a2·δu·cd²+a3是图4的一个近似数学解析表达，本发明用pso使得这个表达和实际值之间的误差能够达到最小。

得到这个csi之后，直接将得到的csi替换mpc规划-控制器模型中的sp，即可得到降低车辆碰撞伤害模型。

优选的，在本发明获取获取车辆的动力学模型之前还可以包括：构建动力学面模型的过程，具体如下：

获取车辆的车轮参数以及车辆参数。车轮参数包括车轮半径、车轮转速、车轮纵向速度、车轮纵向力、单轮所施加的转矩以及车轮转动惯量。车辆参数包括车辆横摆角速度以及车辆横向速度。

根据车轮参数构建车辆的轮胎与车辆的横向动力学模型。

根据车轮参数以及车辆参数构建车辆的车辆运动学模型。

基于轮胎与车辆的横向动力学模型以及车辆运动学模型，根据车轮参数确定车辆的动力学模型。

在实际实施过程中，上述动力学模型的构建过程可以进一步细化为：

如图5所示，每一个车轮的动力学模型可以下式描述：

其中，为每个角(轮胎处)映射的纵向加速度，iω为轮胎转向惯量，tij为每个轮胎上的总扭矩，uij是车辆质心速度映射到车轮的速度，i＝f/r(前后轮)，j＝l/r(左右轮)，ur＝rω-ut，r为车轮半径，ω为车轮转速，ut为车轮纵向速度。uij为映射至车轮的纵向加速度，为车轮纵向力，tij为单轮所施加的转矩，iω为车轮转动惯量。注：此处车轮力可以任意轮胎力学模型进行生成，使轮胎的复杂动态行为能够得到准确描述。

建立车辆动力学模型，以横摆角速度r以及横向速度v可表示如下：

其中，表示前(后)车轮处的纵(横)向力，表示前(后)轴纵(横)向两侧轮胎力差值(f^x为前轮纵向，f^y为前轮横向，r^x后轮纵向，r^y后轮横向)。与现有路径规划以及路径跟踪算法不同，所提出算法进一步将车辆在大地坐标系中的坐标进行考虑：

其中，为大地坐标系下的车辆质心坐标x和y，u为车辆纵向速度，v为车辆横向速度，ψ为车辆航向角。为便于控制器实现以及解决实时性问题，可将其进行局部线性化。

在此基础上，列举车辆系统规划/跟踪一体化状态空间表达式为：

其中，

为说明算法，选择系统控制输入为前轮转向角以及四个车轮处的控制力矩u＝[δtfltfrtrltrr]但不限于此，这里还可以采用不同的控制输入组合来实现相同的目标。

系统状态选择为x＝[vrτfτrurxyψ]，即车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标和车辆航向角。

系统输出为车辆侧偏角，横摆角速度以及车辆广义坐标。为系统不受控输入状态。

本发明引用的本路径规划、跟踪一体化算法的核心有赖于将车辆广义坐标考虑入系统状态，并进行控制。虽然这一想法在(h.wang，y.huang，a.khajepour，y.zhang，y.rasekhipourandd.cao，"crashmitigationinmotionplanningforautonomousvehicles，"inieeetransactionsonintelligenttransportationsystems，vol.20，no.9，pp.3313-3323)中提到过，但由于车辆广义坐标有赖于车辆纵向速度，需要解决状态之间的耦合问题，但是上述文章中并未解决这一问题(即论文状态变量包括纵向速度，状态矩阵中同时存在其他状态与纵向速度的耦合)。本发明中通过构造车轮侧偏角变量、车轮相对速度，并将车辆广义坐标局部线性化，实现了系统状态的完全解耦。

为实现系统控制，进一步将系统离散化为：

其中，下角标加d是对相应字母的离散表示，k表示离散时间k时刻。

此外，对应于上述提供的降低智能车辆碰撞伤害的控制方法，本发明还对应提供了一种降低智能车辆碰撞伤害的控制系统，如图6所示，该控制系统包括：

动力学模型获取模块1，用于获取车辆的动力学模型。动力学模型包括：轮胎与车辆的横向动力学模型和车辆运动学模型。

控制器模型构建模块2，用于根据动力学模型构建mpc规划-控制器模型。

关系曲线获取模块3，用于获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为mais3+曲线。

碰撞区域划分模块4，用于对车辆的碰撞位置进行区域划分，得到多个碰撞子区域。

数据获取模块5，用于获取车辆的delta-v和多个碰撞子区域中的mais3+值。

初始伤害程度动态确定系统构建模块6，用于以碰撞角度和delta-v为输入，以mais3+值为输出，采用系统建模法构建初始伤害程度动态确定系统。

伤害程度动态确定系统训练模块7，用于采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统。

降低车辆碰撞伤害模型构建模块8，用于根据mpc规划-控制器模型和训练好的伤害程度动态确定系统构建降低车辆碰撞伤害模型。

碰撞伤害控制模块9，用于采用降低车辆碰撞伤害模型控制车辆以降低车辆的伤害程度。

作为本发明的一优选实施例，上述伤害程度动态确定系统训练模块7，具体包括：

训练单元，用于采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练，得到第一伤害程度动态确定系统。

拟合单元，用于采用公式csi＝a1·δu³+a2·δu·cd²+a3对第一伤害程度动态确定系统进行拟合，得到第二伤害程度动态确定系统。第二伤害程度动态确定系统即为训练好的伤害程度动态确定系统。

式中，δu为delta-v，a1,a2,a3均为拟合系数，cd为碰撞角度。

作为本发明的另一优选实施例，上述控制系统还包括：

参数获取模块，用于获取车辆的车轮参数以及车辆参数。车轮参数包括车轮半径、车轮转速、车轮纵向速度、车轮纵向力、单轮所施加的转矩以及车轮转动惯量。车辆参数包括车辆横摆角速度以及车辆横向速度。

横向动力学模型构建模块，用于根据车轮参数构建车辆的轮胎与车辆的横向动力学模型。

运动学模型构建模块，用于根据车轮参数以及车辆参数构建车辆运动学模型。

动力学模型构建模块，用于基于轮胎与车辆的横向动力学模型以及车辆运动学模型，根据车轮参数确定车辆的动力学模型。

作为本发明的又一优选实施例，上述碰撞区域划分模块4具体包括：

碰撞区域划分单元，用于采用两条呈特定角度且均经过车辆的质心的直线将车辆的水平周向区域划分为四个碰撞子区域。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。