矿区自动驾驶仿真模型构建方法、装置、介质及电子设备与流程

1.本申请涉及矿车自动驾驶技术领域，具体涉及一种矿区自动驾驶仿真模型构建方法、装置、计算机可读存储介质和电子设备。


背景技术：

2.随着自动驾驶技术的不断发展，针对特殊封闭场景的露天矿区自动驾驶技术作为自动驾驶落地化最具潜力的商业开发领域备受国内外厂商的关注。矿区自动驾驶仿真技术可以极大地削减开发测试成本，缩短自动驾驶开发周期，并做到零安全事故。为了在日趋激烈的技术开发竞争中获得领先优势，各大厂商纷纷对该领域的自动驾驶仿真系统开发加大投入。然而，不同于乘用车自动驾驶开发，矿区自动驾驶面临着一大难题：所行驶的矿山道路环境恶劣，路面没有标识线，没有红绿灯交通规则，路面坑洼颠簸，道路崎岖弯道曲率过大，道路宽度变化幅度大，路侧边坡造成行车高危险性等等。因此，要进行高精度、有效的自动驾驶仿真测试，就必须首先解决高精度的矿山场景仿真建模问题。然而，露天矿山范围广阔，可达数平方公里至数十平方公里，要对其进行大范围的高精度场景建模无疑是困难的。
3.但是，目前自动驾驶仿真技术中常用的仿真场景多为单一颜色材质模型，自动驾驶仿真领域内常见的仿真引擎panosim、prescan、carsim/trucksim、carmaker/truckmaker等也都仅支持该种格式的场景模型，这样就很难适应实际复杂环境的矿场，导致仿真结果不准确。究其原因为自动驾驶仿真中需要支撑大量的各类车辆及算法计算，故应该尽量减低仿真场景的复杂度，以节省软/硬件资源。而矿山三维模型往往规模庞大，动辄上千万渲染面单位，一般的仿真引擎可以承载的场景模型在数十万乃至数百万面程度，如此大规模的仿真场景是无法使用的。


技术实现要素：

4.为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种矿区自动驾驶仿真模型构建方法、装置、计算机可读存储介质和电子设备，解决了上述场景模型失真导致的仿真结果不准确的问题。
5.根据本申请的一个方面，提供了一种矿区自动驾驶仿真模型的构建方法，包括：获取目标矿区的三维图像数据，得到表征所述目标矿区的场景信息的第一三维模型；对所述第一三维模型进行精简处理，得到第二三维模型；其中，所述第二三维模型所展示的场景图像与所述第一三维模型所展示的场景图像的相似度大于预设值，且所述第二三维模型的数据量小于所述第一三维模型的数据量；以及将所述第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型。
6.在一实施例中，所述对所述第一三维模型进行精简处理包括：对所述第一三维模型进行降面处理，得到降面后的三维模型；其中所述降面后的三维模型的贴图数据与所述第一三维模型的贴图数据相同；对所述降面后的三维模型进行贴图数据分离处理，得到分离后的三维模型；以及将所述第一三维模型的颜色数据和材质数据导入所述分离后的三维
模型。
7.在一实施例中，所述对所述第一三维模型进行降面处理包括：删除所述第一三维模型中的冗余线条、错乱线条和多余多边形面。
8.在一实施例中，所述对所述降面后的三维模型进行贴图数据分离处理包括：获取未分离处理的贴图数量；当所述未分离处理的贴图数量大于零时，提取一个未分离处理的贴图；对提取的未分离处理的贴图进行分离处理，得到分离后的贴图模型；以及当所述未分离处理的贴图数量等于零时，结束贴图数据分离处理。
9.在一实施例中，所述对提取的未分离处理的贴图进行分离处理包括：将所述提取的未分离处理的贴图中的每个元素分离，得到分别对应所述每个元素的多个所述贴图模型。
10.在一实施例中，所述将所述第一三维模型的颜色数据和材质数据导入所述分离后的三维模型包括：将所述第一三维模型的位置和所述分离后的三维模型的对应位置进行校准；以及将所述第一三维模型中区域位置的颜色数据和材质数据投射至所述分离后的三维模型的对应位置上。
11.在一实施例中，所述获取目标矿区的三维图像数据包括：通过图像采集器件实地获取所述目标矿区的三维图像数据。
12.根据本申请的一个方面，提供了一种矿区自动驾驶仿真模型的构建装置，包括：图像获取模块，用于获取目标矿区的三维图像数据，得到表征所述目标矿区的场景信息的第一三维模型；模型精简模块，用于对所述第一三维模型进行精简处理，得到第二三维模型；其中，所述第二三维模型所展示的场景图像与所述第一三维模型所展示的场景图像的相似度大于预设值，且所述第二三维模型的数据量小于所述第一三维模型的数据量；以及场景导入模块，用于将所述第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型。
13.根据本申请的一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的矿区自动驾驶仿真模型的构建方法。
14.根据本申请的一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的矿区自动驾驶仿真模型的构建方法。
15.本申请的实施例提供的一种矿区自动驾驶仿真模型构建方法、装置、计算机可读存储介质和电子设备，通过获取目标矿区的三维图像数据得到第一三维模型，然后对第一三维模型进行精简处理，以得到与第一三维模型的相似度大于预设值且数据量小于第一三维模型的第二三维模型，最后将第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型；利用实际的目标矿区建立仿真模型的场景模型，可以更加贴合实际的对自动驾驶的矿车进行仿真调试，从而提高仿真的准确性，并且通过对获取的原始的矿区图像进行精简，在保证矿区图像的视觉逼真度的前提下大量减少了原始的矿区图像的数据量，从而可以满足仿真引擎的计算能力，保证了仿真模型的正常使用，从而提高了仿真效率。
附图说明
16.通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、
特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
17.图1是本申请一示例性实施例提供的一种矿区自动驾驶仿真模型的构建方法的流程示意图。
18.图2是本申请一示例性实施例提供的一种三维模型精简方法的流程示意图。
19.图3是本申请一示例性实施例提供的一种三维模型贴图数据分离方法的流程示意图。
20.图4是本申请一示例性实施例提供的一种三维模型颜色材质导入方法的流程示意图。
21.图5是本申请一示例性实施例提供的一种矿区自动驾驶仿真模型的构建装置的结构示意图。
22.图6是本申请另一示例性实施例提供的一种矿区自动驾驶仿真模型的构建的结构示意图。
23.图7是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
24.下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
25.申请概述
26.矿区自动驾驶仿真技术可以极大地削减开发测试成本，缩短自动驾驶开发周期，并做到零安全事故。如果仿真所需的仿真场景规模比较小，可以使用前期手工制作三维模型，后期手工绘制材质贴图的技术方法。由于是手工制作绘制的，三维模型的精度与实际上存在相当的误差，贴图材质的逼真度上也与实际相距甚远，这样的仿真场景会降低仿真的测试准确性。如果仿真所需的仿真场景规模比较大，则可以使用车载相机以及激光雷达等传感器采集照片数据，再通过后期复杂的处理手段产生高逼真的仿真场景模型。这种技术方法虽然可以产生高精度、高逼真的仿真场景模型，但是由于数据量大无法实现对大范围区域的场景建模。
27.因此，针对大范围区域(比如矿山)的高精度的仿真场景建模的技术方法，目前现有的比较成熟的技术手段是欠缺的。出于解决该技术问题，本申请提出了一种矿区自动驾驶仿真模型的构建方法、装置、计算机可读存储介质及电子设备，考虑通过获取真实的矿区场景模型，然后对数据量大的矿区场景模型进行数据处理，得到数据量较小、满足自动驾驶仿真模型的处理级别的数据量，且处理后的矿区场景模型与真实的矿区场景的视觉效果相近，从而可以基于真实获取的矿区场景数据对矿区自动驾驶仿真模型进行仿真测试，以提高仿真准确度，继而提高矿区自动驾驶模型的适用性。
28.下面结合附图具体说明本申请实施例提供的矿区自动驾驶仿真模型的构建方法、装置、计算机可读存储介质及电子设备的具体实现方式。
29.示例性方法
30.图1是本申请一示例性实施例提供的一种矿区自动驾驶仿真模型的构建方法的流程示意图。如图1所示，该道路工程车辆的路径规划方法包括如下步骤：
31.步骤110：获取目标矿区的三维图像数据，得到表征目标矿区的场景信息的第一三维模型。
32.为了提高仿真模型的准确性，除了需要保证仿真模型本身的准确性之外，还需要保证仿真参数的准确性，例如需要准确的矿区场景数据，为了尽量提高矿区场景数据的准确性，可以通过图像采集器件实地获取目标矿区的三维图像数据。具体的，可以通过无人机搭载传感器对真实的矿山全部区域进行数据采集，利用无人机搭载的航拍相机、定位传感器和通讯终端等，设置无人机的飞航路径，从而采集整个矿山的高清倾斜摄影数据以及航片数据，然后再根据三维建模工具将采集的大量的倾斜摄影数据生成大规模的三维矿区模型，即第一三维模型。基于现有的航片精度可以实现第一三维模型的精度达到厘米级，从而得到高精度的矿区场景模型。
33.步骤120：对第一三维模型进行精简处理，得到第二三维模型。
34.在获取了第一三维模型后，由于第一三维模型的精度较高，其数据量非常大，通常渲染面的数量可以达到上千万以上，计算机要对如此大数据量的三维模型进行渲染和处理将耗费大量的时间，甚至对于计算能力稍弱的仿真模型，不能实现仿真计算。因此，本申请对第一三维模型进行精简处理，得到数据量较小的第二三维模型。其中，第二三维模型所展示的场景图像与第一三维模型所展示的场景图像的相似度大于预设值，且第二三维模型的数据量小于第一三维模型的数据量。也就是说，对第一三维模型进行精简处理以降低矿区场景模型的数据量，但同时保证精简后得到的第二三维模型与第一三维模型的所展示的矿区的地形和地貌基本相同或大致相似。应当理解，第二三维模型的精度需要满足仿真模型的精度需求。
35.步骤130：将第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型。
36.在得到数据量较小且满足仿真模型的精度需求的第二三维模型后，将第二三维模型作为矿区场景导入自动驾驶仿真模型，以得到矿区自动驾驶仿真模型，从而可以保证矿区场景数据的真实性和准确性，从而提高了自动驾驶仿真模型的准确度。
37.本申请的实施例提供的一种矿区自动驾驶仿真模型构建方法，通过获取目标矿区的三维图像数据得到第一三维模型，然后对第一三维模型进行精简处理，以得到与第一三维模型的相似度大于预设值且数据量小于第一三维模型的第二三维模型，最后将第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型；利用实际的目标矿区建立仿真模型的场景模型，可以更加贴合实际的对自动驾驶的矿车进行仿真调试，从而提高仿真的准确性，并且通过对获取的原始的矿区图像进行精简，在保证矿区图像的视觉逼真度的前提下大量减少了原始的矿区图像的数据量，从而可以满足仿真引擎的计算能力，保证了仿真模型的正常使用，从而提高了仿真效率。
38.图2是本申请一示例性实施例提供的一种三维模型精简方法的流程示意图。如图2所示，上述步骤120可以包括：
39.步骤121：对第一三维模型进行降面处理，得到降面后的三维模型；其中降面后的三维模型的贴图数据与第一三维模型的贴图数据相同。
40.在对第一三维模型进行降面处理之前，需要备份第一三维模型，及保留初始的高
清晰三维模型。具体的降面处理的方式可以包括：删除第一三维模型中的冗余线条、错乱线条和多余多边形面。通过删除不必要的线条和多边形面，在不会对三维模型所描绘的地形地貌产生较大变化的前提下，可以适当降低三维模型的精度范围，以适应于仿真模型的精度需求。并且降面后的三维模型的贴图数据与第一三维模型的贴图数据相同，即保留了高精度的第一三维模型的贴图数据，以保证后续处理过程中三维模型所描绘的地形地貌尽量与第一三维模型所描绘的地形地貌接近。
41.步骤122：对降面后的三维模型进行贴图数据分离处理，得到分离后的三维模型。
42.由于降面后的三维模型的贴图数据并未作任何改变，其贴图数量比较庞大(达到几万至几十万)，这样庞大的贴图数据往往错综复杂、相互重叠，这样会给后续模型的转化使用带来困难。因此，在对第一三维模型进行降面处理后，再对降面后的三维模型进行贴图数据分离处理，以实现将第一三维模型与多个互相关联的贴图的一对多的对应关系，转换为每个贴图与多个小的模型对应的关系，即将数据量较大的模型拆分为多个数据量较小且结构单一的模型，分离后的三维模型的贴图数据不再重叠错乱，可以直接被大多数支持单一颜色材质模型的仿真引擎所使用，最终可以将此三维模型导入矿区自动驾驶仿真模型服务于矿车的自动化驾驶仿真测试。
43.步骤123：将第一三维模型的颜色数据和材质数据导入分离后的三维模型。
44.在得到分离后的三维模型后，将第一三维模型的颜色数据和材质数据导入分离后的三维模型，以得到接近真实矿区的真实样貌的矿区场景模型，从而提高后续仿真的准确性。
45.图3是本申请一示例性实施例提供的一种三维模型贴图数据分离方法的流程示意图。如图3所示，上述步骤122可以包括：
46.步骤221：获取未分离处理的贴图数量。
47.在对降面后的三维模型进行贴图数据分离处理之前，先获取未分离处理的贴图数量，即确定当前是否还存在未分离处理的贴图。
48.步骤222：当未分离处理的贴图数量大于零时，提取一个未分离处理的贴图。
49.当未分离处理的贴图数量大于零时，即还存在未分离处理的贴图，此时可以提取其中一个未分离处理的贴图进行分离处理，提取的具体方式可以是随机提取，也可以是顺序提取。
50.步骤223：对提取的未分离处理的贴图进行分离处理，得到分离后的贴图模型。
51.在提取了未分离的贴图后，对该提取的贴图进行分离处理，以得到分离后的贴图模型。具体的分离处理方式可以包括：将提取的未分离处理的贴图中的每个元素分离，得到分别对应每个元素的多个贴图模型。
52.步骤224：当未分离处理的贴图数量等于零时，结束贴图数据分离处理。
53.当未分离处理的贴图数量等于零时，即说明贴图数据分离处理已经完成，此时可以结束贴图数据分离处理。应当理解，本申请还可以在对降面后的三维模型进行贴图数据分离处理之前，先获取需要分离处理的贴图总数量，然后在每次提取贴图进行分离处理后，将该总数量减一或计数器加一，直至所有的贴图都被提取并进行了分离处理。
54.图4是本申请一示例性实施例提供的一种三维模型颜色材质导入方法的流程示意图。如图4所示，上述步骤123可以包括：
55.步骤231：将第一三维模型的位置和分离后的三维模型的对应位置进行校准。
56.具体的，可以将第一三维模型和分离后的三维模型导入同一个场景中，并且将第一三维模型和分离后的三维模型的位置属性置零，以使得第一三维模型和分离后的三维模型在水平上完全重叠，然后再将第一三维模型和分离后的三维模型中的一个沿竖直方向平移以分开第一三维模型和分离后的三维模型，从而实现了第一三维模型和分离后的三维模型的位置校准。
57.步骤232：将第一三维模型中区域位置的颜色数据和材质数据投射至分离后的三维模型的对应位置上。
58.在第一三维模型和分离后的三维模型位置校准后，可以逐一选取部分矿区区域，通过属性映射关系将第一三维模型中的该区域的颜色数据和材质数据投射至分离后的三维模型对应的区域上，从而将第一三维模型的颜色数据和材质数据准确的导入分离后的三维模型，得到第二三维模型。
59.示例性装置
60.图5是本申请一示例性实施例提供的一种矿区自动驾驶仿真模型的构建装置的结构示意图。如图5所示，该构建装置50包括：图像获取模块51，用于获取目标矿区的三维图像数据，得到表征目标矿区的场景信息的第一三维模型；模型精简模块52，用于对第一三维模型进行精简处理，得到第二三维模型；其中，第二三维模型所展示的场景图像与第一三维模型所展示的场景图像的相似度大于预设值，且第二三维模型的数据量小于第一三维模型的数据量；以及场景导入模块53，用于将第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型。
61.本申请的实施例提供的一种矿区自动驾驶仿真模型构建装置，通过图像获取模块51获取目标矿区的三维图像数据得到第一三维模型，然后模型精简模块52对第一三维模型进行精简处理，以得到与第一三维模型的相似度大于预设值且数据量小于第一三维模型的第二三维模型，最后场景导入模块53将第二三维模型导入自动驾驶仿真模型，得到矿区自动驾驶仿真模型；利用实际的目标矿区建立仿真模型的场景模型，可以更加贴合实际的对自动驾驶的矿车进行仿真调试，从而提高仿真的准确性，并且通过对获取的原始的矿区图像进行精简，在保证矿区图像的视觉逼真度的前提下大量减少了原始的矿区图像的数据量，从而可以满足仿真引擎的计算能力，保证了仿真模型的正常使用，从而提高了仿真效率。
62.图6是本申请另一示例性实施例提供的一种矿区自动驾驶仿真模型的构建装置的结构示意图。如图6所示，模型精简模块52可以包括：降面单元521，用于对第一三维模型进行降面处理，得到降面后的三维模型；其中降面后的三维模型的贴图数据与第一三维模型的贴图数据相同；分离单元522，用于对降面后的三维模型进行贴图数据分离处理，得到分离后的三维模型；导入单元523，用于将第一三维模型的颜色数据和材质数据导入分离后的三维模型。
63.在一实施例中，上述降面单元521可以进一步配置为：删除第一三维模型中的冗余线条、错乱线条和多余多边形面。
64.在一实施例中，如图6所示，上述分离单元522可以包括：数量获取子单元5221，用于获取未分离处理的贴图数量；提取子单元5222，用于当未分离处理的贴图数量大于零时，
提取一个未分离处理的贴图；分离处理子单元5223，用于对提取的未分离处理的贴图进行分离处理，得到分离后的贴图模型；结束子单元5224，用于当未分离处理的贴图数量等于零时，结束贴图数据分离处理。
65.在一实施例中，如图6所示，上述导入单元523可以包括：校准子单元5231，用于将第一三维模型的位置和分离后的三维模型的对应位置进行校准；投射子单元5232，用于将第一三维模型中区域位置的颜色数据和材质数据投射至分离后的三维模型的对应位置上。
66.示例性电子设备
67.下面，参考图7来描述根据本申请实施例的电子设备。该电子设备可以包括第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
68.图7图示了根据本申请实施例的电子设备的框图。
69.如图7所示，电子设备10包括一个或多个处理器11和存储器12。
70.处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以电子设备10中的其他组件以执行期望的功能。
71.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的矿区自动驾驶仿真模型构建方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
72.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
73.例如，在该电子设备是第一设备或第二设备时，该输入装置13可以是摄像头，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
74.此外，该输入设备13还可以包括例如键盘、鼠标等等。
75.该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
76.当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
77.示例性计算机程序产品和计算机可读存储介质
78.除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的矿区自动驾驶仿真模型构建方法中的步骤。
79.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执
行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
80.此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的矿区自动驾驶仿真模型构建方法中的步骤。
81.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
82.以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
83.本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
84.还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
85.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
86.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。