基于ROS和Gazebo的智能车仿真方法及系统

基于ros和gazebo的智能车仿真方法及系统
技术领域
1.本发明涉及智能驾驶汽车技术领域，具体涉及一种基于ros和gazebo的智能车仿真方法及系统。


背景技术：

2.智能车问世已有较长的历史，随着技术的进步与创新，智能车在近十年来呈现出实用化的趋势，小至自动送货机器人，大至自动驾驶汽车、月球表面移动探测器都有智能车的影子。智能车主要由底层电机控制处理器、顶层信息处理器、一系列电机和传感器组成。常规的调试方法是首先实现智能车的物理结构，在实车上进行算法测试和功能调试。这种调试方法可以真实地检验算法功能、排除问题等，但是具有试错成本高、效率低、故障难以定位等缺点。
3.针对这些问题，目前智能车开发中普遍通过计算机软件首先对待测试算法进行仿真测试，再部署至实车。例如通过软件对pid参数进行调参仿真，再例如对识别功能进行测试，但是由于仿真软件覆盖性不强或者不同算法所处平台不同，这些方法依然存在测试效果不好，整体功能测试难等问题。同时，现实中智能车在设计与调试过程中往往与仿真脱节，无法真正对智能车的功能进行有效测试，导致仿真效果和实车效果不一致的技术问题。
4.因此，急需提供一种基于ros和gazebo的智能车仿真方法及系统，解决现有技术中存在的仿真结果不可靠的技术问题。


技术实现要素：

5.有鉴于此，有必要提供一种基于ros和gazebo的智能车仿真方法及系统，用以解决现有技术中存在的仿真结果不可靠的技术问题。
6.一方面，本发明提供了一种基于ros和gazebo的智能车仿真方法，包括：
7.在gazebo中构建场景环境模型；
8.构建智能车模型，并将所述智能车模型导入至gazebo中；
9.基于ros构建智能车功能系统；
10.根据所述场景环境模型、所述智能车模型以及所述智能车功能系统对智能车进行仿真。
11.在一些可能的实现方式中，所述智能车功能系统包括感知模块、目标检测模块、车道线识别模块、路径规划模块以及智能车控制模块；
12.所述感知模块用于获取所述智能车在行驶过程中的状态信息和图像信息；
13.所述目标检测模块用于识别所述图像信息中的物体类别及置信度；
14.所述车道线识别模块用于识别车道线，并控制所述智能车跟随所述车道线行驶；
15.所述路径规划模块用于根据所述状态信息、所述图像信息以及预设的路径规划算法对所述智能车的行驶路径进行规划，获得规划路径；
16.所述智能车控制模块用于根据所述物体类别、所述置信度、所述车道线以及所述
规划路径控制所述智能车的执行机构的机构动作
17.在一些可能的实现方式中，所述图像信息包括道路图像信息和环境图像信息，所述状态信息包括三轴角速度和三轴线加速度；所述感知模块包括视觉单元、雷达单元以及惯性测量单元；
18.所述视觉单元用于基于摄像头获取所述道路图像信息；
19.所述雷达单元用于基于激光雷达获取所述环境图像信息；
20.所述惯性测量单元用于获取所述三轴角速度和所述三轴线加速度。
21.在一些可能的实现方式中，所述路径规划模块包括状态估算单元以及建图导航单元；
22.所述状态估算单元用于根据所述状态信息和所述图像信息确定所述智能车的位姿；
23.所述建图导航单元用于根据所述图像信息构建二维地图，并根据所述二维地图、所述位姿以及所述路径规划算法对所述智能车的行驶路径进行规划，获得所述规划路径。
24.在一些可能的实现方式中，所述智能车控制模块包括决策单元以及控制单元；
25.所述决策单元用于根据所述物体类别、所述置信度、所述车道线以及所述规划路径确定所述智能车的目标行驶参数；
26.所述控制单元用于根据所述目标行驶参数控制所述执行机构的机构动作。
27.在一些可能的实现方式中，在所述根据所述场景环境模型、所述智能车模型以及所述智能车功能系统对智能车进行仿真之前，还包括：
28.以所述感知模块、所述目标检测模块、所述车道线识别模块、所述路径规划模块以及所述智能车控制模块为节点，建立所述感知模块、所述目标检测模块、所述车道线识别模块、所述路径规划模块以及所述智能车控制模块之间通信的消息发布与订阅规则；
29.基于所述消息发布与订阅规则以及预设的通信方式建立所述感知模块、所述目标检测模块、所述车道线识别模块、所述路径规划模块以及所述智能车控制模块之间的数据传递方式。
30.在一些可能的实现方式中，所述根据所述场景环境模型、所述智能车模型以及所述智能车功能系统对智能车进行仿真，包括：
31.根据所述场景环境模型、所述智能车模型以及所述智能车功能系统生成启动文件；
32.执行所述启动文件以对所述智能车进行仿真。
33.在一些可能的实现方式中，所述场景环境模型的文件格式为sdf格式；所述智能车模型的文件格式为xacro格式；所述启动文件的文件格式为launch格式。
34.在一些可能的实现方式中，所述智能车模型为阿克曼智能车模型，所述阿克曼智能车模型包括第一后驱动轮、第二后驱动轮、与所述第一后驱动轮同侧的第一前转向轮以及与所述第二后驱动轮同侧的第二前转向轮，所述第一前转向轮和所述第二前转向轮的转角满足：
35.36.式中，δ0为所述第一前转向轮的转角；δi为所述第二前转向轮的转角；cot()为余切函数；lb为所述第一后驱动轮的中心与所述第一前转向轮的中心之间的间距；l
tw
为所述第一后驱动轮和所述第二后驱动轮之间的间距。
37.另一方面，本发明还提供了一种基于ros和gazebo的智能车仿真系统，包括：
38.场景环境构建单元，用于在gazebo中构建场景环境模型；
39.智能车模型构建单元，用于构建智能车模型，并将所述智能车模型导入至gazebo中；
40.智能车功能系统构建单元，用于基于ros构建智能车功能系统；
41.仿真单元，用于根据所述场景环境模型、所述智能车模型以及所述智能车功能系统对智能车进行仿真。
42.采用上述实施例的有益效果是：本发明提供的基于ros和gazebo的智能车仿真方法，在gazebo中构建场景环境模型，解决了此前仿真效果与实际相差较大的技术问题，提高了构建的场景环境模型的真实性，提高智能车仿真结果的可靠性。
43.进一步地，本发明通过基于ros构建智能车功能系统，利用ros的分布式软件架构，提高仿真测试的覆盖性，实现对智能车整体性能的测试，从而可提高对智能车进行仿真测试的全面性，从而可进一步提高智能车仿真结果的可靠性。并且，通过基于ros构建智能车功能系统还可提高对智能车的仿真效率。
附图说明
44.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明提供的基于ros和gazebo的智能车仿真方法的一个实施例流程示意图；
46.图2为本发明提供的智能车功能系统的一个实施例结构示意图；
47.图3为本发明提供的建立智能车功能系统中的数据传递方式的一个实施例流程示意图；
48.图4为本发明图1中s104的一个实施例流程示意图；
49.图5为本发明提供的基于ros和gazebo的智能车仿真方法的一个场景示意图；
50.图6为本发明提供的基于ros和gazebo的智能车仿真系统的一个实施例结构示意图。
具体实施方式
51.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。
52.应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根
据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
53.附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
54.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
55.本发明实施例提供了一种基于ros和gazebo的智能车仿真方法及系统，以下分别进行说明。
56.在展示实施例之前，先对ros和gazebo进行介绍。
57.ros指的是机器人操作系统(robot operating system)，是一个在计算机上对机器人进行操作的一个开源系统，由大量节点组成，其中任何一个节点均可以通过话题、服务和参数服务器等方式与其他节点进行通信，同时ros包含了大量工具软件、库代码和约定协议，是用于编写机器人和智能车软件程序的一种具有高度灵活性的软件架构，在智能车领域受到广泛应用。其可以极大简化繁杂多样的机器人平台下的复杂任务创建与稳定行为控制。它的目的是为了提高机器人研发中的软件复用率。
58.gazebo是一款3d动态模拟器，可提供高保真度的物理模拟，并提供一整套传感器模型，非常适合对智能车技术进行仿真测试。
59.图1为本发明提供的基于ros和gazebo的智能车仿真方法的一个实施例流程示意图，如图1所示，基于ros和gazebo的智能车仿真方法包括：
60.s101、在gazebo中构建场景环境模型；
61.s102、构建智能车模型，并将智能车模型导入至gazebo中；
62.s103、基于ros构建智能车功能系统；
63.s104、根据场景环境模型、智能车模型以及智能车功能系统对智能车进行仿真。
64.与现有技术相比，本发明实施例提供的基于ros和gazebo的智能车仿真方法，在gazebo中构建场景环境模型，提高了构建的场景环境模型的真实性，解决了此前仿真效果与实际相差较大的技术问题，提高智能车仿真结果的可靠性。
65.进一步地，本发明实施例通过基于ros构建智能车功能系统，利用ros的分布式软件架构，提高仿真测试的覆盖性，实现对智能车整体性能的测试，从而可提高对智能车进行仿真测试的全面性，从而可进一步提高智能车仿真结果的可靠性。并且，通过基于ros构建智能车功能系统还可提高对智能车的仿真效率。
66.在本发明的一些实施例中，步骤s101具体为：通过“insert”选项卡添加模型数据库中的长方体建立地面模型，将通过cad工具绘制的地图导入gazebo中并通过缩放、平移等方式进行调整，完成地面的创建。通过模型数据库可添加障碍物、常见交通标识等场景元素，通过gazebo中的building editor编辑器可以建立隧道、墙体等建筑，设置各模型的重
力、惯性属性等物理属性，完成场地的建模。在工具栏中选择灯光选项，将灯光添加到场景中，使得仿真能够更加真实地还原现实场景。
67.在本发明的一些实施例中，如图2所示，智能车功能系统200包括感知模块210、目标检测模块220、车道线识别模块230、路径规划模块240以及智能车控制模块250；
68.感知模块210用于获取智能车在行驶过程中的状态信息和图像信息；
69.目标检测模块220用于识别智能车的物体类别及置信度；
70.车道线识别模块230用于识别车道线，并控制智能车跟随车道线行驶；
71.路径规划模块240用于根据状态信息、图像信息以及预设的路径规划算法对智能车的行驶路径进行规划，获得规划路径；
72.智能车控制模块250用于根据物体类别、置信度、车道线以及规划路径控制智能车的执行机构的机构动作。
73.本发明实施例通过将智能车功能系统模块化设置，可提高各功能模块的复用性，并极大地减小扩展或搭配新功能的难度，可提高对智能车进行仿真测试的多样性和拓展性，降低对智能车进行仿真测试的复杂性，从而可进一步提高对智能车进行仿真测试的效率。
74.在本发明的具体实施例中，物体类别包括但不限于红绿灯、标志牌以及斑马线等。
75.在本发明的具体实施例中，图像信息包括道路图像信息和环境图像信息，状态信息包括三轴角速度和三轴线加速度；如图2所示，感知模块210包括视觉单元211、雷达单元212以及惯性测量单元213；
76.视觉单元211用于基于摄像头获取道路图像信息；
77.雷达单元212用于基于激光雷达获取环境图像信息；
78.惯性测量单元213(inertial measurement unit，imu)用于获取三轴角速度和三轴线加速度。
79.其中，由于摄像头这种精密一起对光学器件的要求较高，由于摄像头内部与外部的一些原因，生成的图像往往会发生畸变，为避免由于图像发生就畸变导致仿真结果的不准确，视觉单元211还可借助camera_calibration功能包对摄像头进行标定，以建立摄像头成像的几何模型，从而确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，获取准确有效的道路图像信息。
80.雷达单元212具体用于：基于激光雷达对智能车周围环境进行360
°
全方位的激光扫描，并产生所在空间的平面点云地图信息。激光雷达主要包括激光测距核心及使激光测距核心高速旋转的机械部分。雷达与障碍物距离可通过激光三角测距技术得到，每次测距过程中，雷达将发射经过调制的红外激光信号，该激光信号在照射到目标物体后产生的反光被雷达的视觉采集系统接收，经过嵌入在雷达内部的dsp处理器实时解算，就可得到被照射物体与激光雷达的距离值以及当前夹角信息，被照射物体与激光雷达的距离值以及当前夹角信息构成环境图像信息。
81.惯性测量单元213是测量物体三轴姿态角(或角速率)以及加速度的装置。一个imu包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。
82.在本发明的具体实施例中，目标检测模块220采用yolov5实现，yolov5是一种单阶段目标检测算法，该算法在yolov4的基础上在模型训练阶段、基准网络、neck网络以及head输出层等方面提出了一些新方法，使其速度与精度都得到了极大的性能提升。
83.采用yolov5实现目标检测的具体流程为：首先，通过摄像头拍摄和网络资源获取包含道路标志、红绿灯、斑马线等元素的图像，通过labelimg工具对图像中的以上元素进行标注，得到适用于yolov5的标注信息，将这些信息和图片作为训练样本进行训练，得到*.pt权重文件。目标检测模块使用opencv对图像进行简单的处理，再根据*.pt权重文件即可进行目标检测，目标检测结果包括物体类别及置信度。
84.在本发明的具体实施例中，车道线识别模块230基于opencv实现，opencv是一个开源的跨平台计算机视觉库，包含了众多图像处理和计算机视觉方面的通用算法。
85.其中，车道线识别模块230的具体工作流程为：步骤一、将图像信息转换为opencv图像信息的格式，得到rgb图像；步骤二、将rgb图像转换为灰度图并进行高斯滤波以减小画面噪声干扰，再对画面使用canny边缘检测算法锐化图像边缘并设置合适的感兴趣区域(roi)掩膜大小；步骤三、通过统计概率霍夫直线变换算法得到画面中的直线，对所得直线进行处理，通过斜率划分、直线密集度判定等方法去除干扰项；步骤四、得到与左右两侧车道线相匹配的直线位置信息并得到画面中央和车道中间的偏离信息，通过位置的偏移量对智能车角速度进行pid速度调节，使车道线中点始终保持在智能车的画面中心位置。
86.在本发明的具体实施例中，如图2所示，路径规划模块240包括状态估算单元241以及建图导航单元242；
87.状态估算单元241用于根据状态信息和图像信息确定智能车的位姿；
88.建图导航单元242用于根据图像信息构建二维地图，并根据二维地图、位姿以及路径规划算法对智能车的行驶路径进行规划，获得规划路径。
89.其中，状态估算单元241具体用于根据状态信息和扩展卡尔曼滤波器确定智能车的位姿。
90.建图导航单元242采用gmapping方法进行2d激光slam建图，获得二维地图。然后，通过dijkstra或a*全局路径规划算法对二维地图进行全局路径规划得到全局最优路径规划。在全局路径规划的过程中还需要根据实际情况做局部路径规划，用于处理全局最优规划路径遗漏细节或躲避突发随机障碍物，其中，局部规划路径可通过trajectory rollout或dynamic window approaches算法完成。
91.在本发明的具体实施例中，如图2所示，智能车控制模块250包括决策单元251以及控制单元252；
92.决策单元251用于根据物体类别、置信度、车道线以及规划路径确定智能车的目标行驶参数；
93.控制单元252用于根据目标行驶参数控制执行机构的机构动作。
94.在本发明的具体实施例中，执行机构包括但不限于智能车的电机和舵机。目标行驶参数包括但不限于角速度和线速度。
95.为了实现智能车功能系统中各功能模块之间的数据传递，在本发明的一些实施例中，如图3所示，在步骤s104之前，还包括：
96.s301、以感知模块210、目标检测模块220、车道线识别模块230、路径规划模块240
以及智能车控制模块250为节点，建立感知模块210、目标检测模块220、车道线识别模块230、路径规划模块240以及智能车控制模块250之间通信的消息发布与订阅规则；
97.s302、基于消息发布与订阅规则以及预设的通信方式建立感知模块210、目标检测模块220、车道线识别模块230、路径规划模块240以及智能车控制模块250之间的数据传递方式。
98.具体地：消息发布与订阅规则包括作为话题管理者的ros master、发布者和订阅者。发布者和订阅者使用rpc通信在ros master中注册信息，ros master匹配发布者和订阅者的注册信息，然后将对应的发布者rpc端口号发送给订阅者，订阅者通过rpc端口号连接发布者，然后发布者将tcp的端口号发布给订阅者，订阅者使用tcp通信连接发布者，订阅者和发布者通过tcp通信，进行数据交互。当发布者和订阅者建立了连接以后，即使ros master关闭，两者依然可以通信。
99.在本发明的具体实施例中，如图2所示，智能车功能系统200中各功能模块之间通信的消息发布与订阅规则为：视觉单元211作为图像信息节点发布道路图像信息，雷达单元212作为雷达信息节点发布环境图像信息，惯性测量单元213作为imu节点发布智能车的三轴角速度和三轴线加速度。目标检测模块220订阅图像信息节点，并发布目标检测结果。路径规划模块240中的状态估算单元241订阅雷达信息节点和imu节点，并发布智能车的位姿。路径规划模块240中的建图导航单元242订阅位姿，并发布规划路径。车道线识别模块230订阅图像信息节点，并发布识别出的车道线。决策单元251订阅目标检测结果、规划路径和车道线，并根据目标检测结果、规划路径和车道线生成目标行驶参数，决策单元251作为目标行驶参数发布节点发布目标行驶参数，控制单元252订阅目标行驶参数，并根据目标行驶参数控制执行机构的机构动作。
100.在本发明的一些实施例中，如图4所示，步骤s104包括：
101.s401、根据场景环境模型、智能车模型以及智能车功能系统生成启动文件；
102.s402、执行启动文件以对智能车进行仿真。
103.本发明实施例通过根据场景环境模型、智能车模型以及智能车功能系统生成启动文件，执行启动文件即可对智能车进行仿真，可以通过启动文件同时打开多个功能模块并对各个功能模块进行管理，简化各功能模块的配置和启动，进一步提高对智能车进行仿真的效率。
104.在本发明的具体实施例中，场景环境模型的文件格式为sdf格式；智能车模型的文件格式为xacro格式；启动文件的文件格式为launch格式。
105.将场景环境模型保存为sdf文件以备调用，sdf格式文件是从世界级到机器人级的所有内容的完整描述，能够描述静态和动态物体、地形甚至物理学的各方面的信息。sdf格式文件还提供了定义各种环境的方法，包括环境光照、地形等，能很好地描述真实的模拟条件。
106.xacro是xml macros的缩写，xacro是一种xml宏语言，是可编程的xml。通过设置智能车模型的文件为xacro格式，可将xacro文件可以转换为urdf文件或直接在launch文件中使用，相较于直接编写urdf文件可以实现更加精简、易读的智能车模型文件，提高编写效率。
107.本发明实施例可通过编写或修改xacro文件和/或urdf文件对传动装置、控制器插
件和传感器等参数进行修改，实现对智能车的不同功能进行仿真的目的，提高仿真的全面性。
108.在本发明的一些实施例中，智能车模型为阿克曼智能车模型，阿克曼智能车模型包括第一后驱动轮、第二后驱动轮、与第一后驱动轮同侧的第一前转向轮以及与第二后驱动轮同侧的第二前转向轮，第一前转向轮和第二前转向轮的转角满足：
[0109][0110]
式中，δ0为第一前转向轮的转角；δi为第二前转向轮的转角；cot()为余切函数；lb为第一后驱动轮的中心与第一前转向轮的中心之间的间距；l
tw
为第一后驱动轮和第二后驱动轮之间的间距。
[0111]
具体地：阿克曼智能车模型的xacro文件主要有以下几个部分组成，分别是子程序调用部分、宏定义部分、属性定义部分以及调用宏对阿克曼结构进行构建。在此着重说明阿克曼结构部分的编写，机器人通常被建模为由连杆(link)和关节(joint)组成的结构。连杆是带有质量属性的刚体，而关节是连接、限制两个刚体相对运动的结构。通过关节将连杆依次连接起来，就构成了一个个运动链。除了阿克曼智能车搭载的各传感器模型外，阿克曼结构部分主要由base_footprint，base_link，chassis，传感器底板、四个轮子连杆及传动组成。base_footprint为base_link的父节点，base_link为chassis的父节点，各节点之间通过关节连接。在轮子节点的建立中，利用xacro宏定义简化四个轮子的节点编写。
[0112]
在本发明的具体实施例中，如图5所示，可以看出在gazebo中构建场景环境模型中，可包括如斑马线、红绿灯、变道标志、限速区域、停车区域、可压车道线、不可压车道线以及隧道等真实场景中的多种标识，提高了构建的场景环境模型的真实性，从而提高了智能车模型在场景环境模型中进行仿真得到的仿真结果的可靠性。其中，位于图5中间相互垂直的三条细实线为gazebo的坐标系。
[0113]
为了验证本发明提出的基于ros和gazebo的智能车仿真方法的有效性，在本发明的一些实施例中，按照本发明的ros和gazebo的智能车仿真方法进行了实例设计，实例采用jetsonnano作为开发主板，使用stm32单片机作为底层控制芯片。jetsonnano拥有性能强劲、功能强大的图形处理器(gpu)可以满足本实施例中对于目标检测、车道线识别等算力要求，同时在jetsonnano上能轻松对ros进行开发。jetsonnano与stm32通过串口进行通信，jetsonnano负责ros主控，stm32负责电机控制、无线通信管理、加速度计数据解析等工作。
[0114]
通过上述实例，验证了本发明提出的基于ros和gazebo的智能车仿真方法的有效性。
[0115]
为了更好实施本发明实施例中的基于ros和gazebo的智能车仿真方法，在基于ros和gazebo的智能车仿真方法基础之上，对应的，本发明实施例还提供了一种基于ros和gazebo的智能车仿真系统，如图6所示，基于ros和gazebo的智能车仿真系统600包括：
[0116]
场景环境构建单元601，用于在gazebo中构建场景环境模型；
[0117]
智能车模型构建单元602，用于构建智能车模型，并将智能车模型导入至gazebo中；
[0118]
智能车功能系统构建单元603，用于基于ros构建智能车功能系统；
[0119]
仿真单元604，用于根据场景环境模型、智能车模型以及智能车功能系统对智能车进行仿真。
[0120]
上述实施例提供的基于ros和gazebo的智能车仿真系统600可实现上述基于ros和gazebo的智能车仿真方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于ros和gazebo的智能车仿真方法实施例中的相应内容，此处不再赘述。
[0121]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0122]
以上对本发明所提供的基于ros和gazebo的智能车仿真方法及系统进行了详细介绍，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。