导航定位方法.pdf

《导航定位方法.pdf》由会员分享，可在线阅读，更多相关《导航定位方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010223901.2 (22)申请日 2020.03.26 (71)申请人 桂林电子科技大学 地址 541004 广西壮族自治区桂林市七星 区金鸡路1号 (72)发明人 古天龙刘丁柯宾辰忠 (74)专利代理机构 桂林文必达专利代理事务所 (特殊普通合伙) 45134 代理人 张学平 (51)Int.Cl. G01S 19/47(2010.01) G01C 21/16(2006.01) G06K 9/62(2006.01) (54)发明名称 一种导航定位方法 (57)摘要 。

2、本发明公开了一种导航定位方法， 包括： 获 取当前车辆状态数据； 将所述状态数据输入至训 练好的位置预测模型以得到车辆预测位置。 本发 明充分利用当前定位位置依赖于历史轨迹和当 前的行车状态的关系， 有效解决了在实际路况中 方向急剧变化和惯性器件噪声导致的误差扩大， 避免了车辆位置预测的精度的快速下降， 适用于 辅助驾驶等车联网应用在城市环境中的情况。 在 不同情况路段环境下， 定位精度都有明显的提 升， 对不同路况有更高的适应性和稳定性。 权利要求书1页 说明书8页 附图4页 CN 111399021 A 2020.07.10 CN 111399021 A 1.一种导航定位方法， 其特征在于。

3、， 包括： 获取当前车辆状态数据； 将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。 2.根据权利要求1所述的导航定位方法， 其特征在于， 所述车辆状态数据包括以下至少 之一： 速度、 方位角、 三轴角速度、 三轴加速度、 三轴角度。 3.根据权利要求1所述的导航定位方法， 其特征在于， 所述位置预测模型为XGBoost位 置预测模型。 4.根据权利要求3所述的导航定位方法， 其特征在于， 获取所述XGBoost位置预测模型 的方法包括： 获取历史车辆状态数据和历史车辆轨迹数据； 以车辆状态数据作为输入， 车辆轨迹数据作为输出训练XGBoost位置预测模型。 5.根据权利要求4所述。

4、的导航定位方法， 其特征在于， 采用滑动窗口收集历史车辆状态 数据。 6.根据权利要求5所述的导航定位方法， 其特征在于， t时刻滑动窗口Wt用如下公式表 示： Wtxt-s,.,xt-1,xtT,yt-s,.,yt-1,ytT 其中， s为滑动窗口大小Sw，为车辆状态数据， V为速度， 为方位角， 为三轴角速度， 为三轴加速度， 为三轴角度， ytP， P表示位置误差。 7.根据权利要求5所述的导航定位方法， 其特征在于， 使用包含K个回归树fk的集成模型 得到车辆预测位置如下所示： 其中， F是回归树的集合空间， 计算如下： Ff(x)wq(x) 其中， q表示每棵树结构， T表示每棵树的。

5、叶子个数， f(x)为对应每一个树q和叶子权重w 的函数； 在XGBoost位置预测模型中使用了如下目标函数: 其中， l为可微凸目标函数， yi和分别为车辆实际位置和车辆预测位置， m为重复次 数， fm(xi)表示第m个树在输入为xi时的函数， 为用回归树函数惩罚的复杂度： 其中， T表示每棵树的叶子个数， |w|为叶子节点向量的模， 表示节点切分的难度， 表示L2正则化系数。 8.根据权利要求7所述的导航定位方法， 其特征在于， 利用PSO优化XGBoost位置预测模 型参数。 权利要求书 1/1 页 2 CN 111399021 A 2 一种导航定位方法 技术领域 0001 本发明涉及。

6、定位导航领域， 尤其涉及一种导航定位方法。 背景技术 0002 随着辅助驾驶等车联网应用的快速发展， 对车辆实时状态数据和定位精度提出了 越来越高的要求。 单一的GPS/BD定位技术在城市高楼林立的地方很容易产生多径效应， 或 者在受到信号干扰的情况下导致卫星定位失锁。 为此， 融合多源信息的GPS/INS组合导航技 术逐步成为主流， 这种系统可以在GPS信号受干扰或中断期间， 对INS误差进行估计和补偿， 从而获得可靠、 准确的导航解决方案， 克服了独立使用GPS导航定位的局限性。 0003 传统方法上， 基于贝叶斯的组合导航技术有卡尔曼滤波(KF)、 扩展卡尔曼滤波 (EKF)和粒子滤波(。

7、PF)等。 其中， KF在高斯白噪声、 理想的动力学模型、 非线性误差线性化等 方面存在不足， 为了使KF适用于非线性系统， 提出了一种扩展卡尔曼滤波对非线性系统进 行线性化， 但线性化过程费时、 复杂， 容易导致滤波发散。 为了克服KF和EKF的局限性， 粒子 滤波被提了出来， 它用一组随机粒子表示后验分布， 克服了EKF中线性化模型的缺陷， 但是 这种表示法需要大量粒子， 计算成本很高。 0004 近年来， 多层感知器(MLP)、 径向基函数(RBF)、 自适应神经模糊推理系统(ANFIS) 等机器学习的方法取得了较好进展。 它能够有效处理非线性的输入-输出关系， 其基本思想 是在GPS可。

8、用时学习GPS和INS数据的输入输出关系， 在GPS失锁时利用训练后的模型估计 GPS中断时的导航参数， 这样能够保证车辆定位连续性。 但是在低成本INS的情况下， INS内 部传感器存在漂移和转向误差， 使要建模的输入输出关系非常复杂， 这导致了神经网络泛 化能力的下降。 随着机器学习研究的深入， 随机森林回归(RFR)等使用集成学习对INS和GPS 数据进行融合方法被提出。 RFR通过有放回的从原始数据抽取子集构建多颗决策树， 每棵树 都在不剪枝的情况下沿着最好的特征完全生长， 最终集成多棵树的预测值均值作为输出； 其使用非训练数据的交叉验证方法能够提升模型的精度和处理复杂的输入输出关系的。

9、能 力， 从而弥补了前述方法的不足。 0005 上述的这些方法在在一定程度上能够在车辆位置预测中达到较好的精度， 但由于 车载传感器的固有误差和复杂的城市环境， 不能同时处理上述环境中输入输出之间的线性 模型和非线性模型， 无法满足车辆位置预测稳定性和高精度要求。 发明内容 0006 鉴于以上所述现有技术的缺点， 本发明的目的在于提供一种导航定位方法， 用于 解决现有技术的缺陷。 0007 为实现上述目的及其他相关目的， 本发明提供一种导航定位方法， 包括： 0008 获取当前车辆状态数据； 0009 将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。 0010 可选地， 所述车辆状。

10、态数据包括以下至少之一： 速度、 方位角、 三轴角速度、 三轴加 说明书 1/8 页 3 CN 111399021 A 3 速度、 三轴角度。 0011 可选地， 所述位置预测模型为XGBoost位置预测模型。 0012 可选地， 获取所述XGBoost位置预测模型的方法包括： 0013 获取历史车辆状态数据和历史车辆轨迹数据； 0014 以车辆状态数据作为输入， 车辆轨迹数据作为输出训练XGBoost位置预测模型。 0015 可选地， 采用滑动窗口收集历史车辆状态数据。 0016 可选地， t时刻滑动窗口Wt用如下公式表示： 0017 Wtxt-s,.,xt-1,xtT,yt-s,.,yt-。

11、1,ytT 0018其中， s为滑动窗口大小Sw，为车辆状态数据， V为速度， 为方位 角， 为三轴角速度， 为三轴加速度， 为三轴角度， ytP， P表示位置误差。 00191.可选地， 使用包含K个回归树fk的集成模型得到车辆预测位置如下所示： 0020 0021 其中， F是回归树的集合空间， 计算如下： 0022 Ff(x)wq(x) 0023 其中， q表示每棵树结构， T表示每棵树的叶子个数， f(x)为对应每一个树q和叶子 权重w的函数； 0024 在XGBoost位置预测模型中使用了如下目标函数: 0025 0026其中， l为可微凸目标函数， yi和分别为车辆实际位置和车辆预。

12、测位置， m为重 复次数， fm(xi)表示第m个树在输入为xi时的函数， 为用回归树函数惩罚的复杂度： 0027 0028 其中， T表示每棵树的叶子个数， |w|为叶子节点向量的模， 表示节点切分的难 度， 表示L2正则化系数。 0029 可选地， 利用PSO优化XGBoost位置预测模型参数。 0030 如上所述， 本发明的一种导航定位方法， 具有以下有益效果： 0031 本发明充分利用当前定位位置依赖于历史轨迹和当前的行车状态的关系， 有效解 决了在实际路况中方向急剧变化和惯性器件噪声导致的误差扩大， 避免了车辆位置预测的 精度的快速下降， 适用于辅助驾驶等车联网应用在城市环境中的情况。

13、。 在不同情况路段环 境下， 定位精度都有明显的提升， 对不同路况有更高的适应性和稳定性。 附图说明 0032 图1为本发明一实施例一种导航定位方法的流程图； 0033 图2为本发明一实施例滑动窗口和RMSE的关系示意图； 0034 图3为本发明一实施例车辆行驶轨迹示意图； 0035 图4为本发明一实施例低速直行路段测试结果示意图； 说明书 2/8 页 4 CN 111399021 A 4 0036 图5为本发明一实施例交叉弯道路段测试结果示意图， (a)X方向， (b)Y方向； 0037 图6为本发明一实施例直角弯道路段测试结果示意图； 0038 图7为本发明一实施例高速直线路段测试结果示意。

14、图； 0039 图8为本发明一实施例钝角弯道路段测试结果示意图。 具体实施方式 0040 以下通过特定的具体实例说明本发明的实施方式， 本领域技术人员可由本说明书 所揭露的内容轻易地了解本发明的其他优点与功效。 本发明还可以通过另外不同的具体实 施方式加以实施或应用， 本说明书中的各项细节也可以基于不同观点与应用， 在没有背离 本发明的精神下进行各种修饰或改变。 需说明的是， 在不冲突的情况下， 以下实施例及实施 例中的特征可以相互组合。 0041 需要说明的是， 以下实施例中所提供的图示仅以示意方式说明本发明的基本构 想， 遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、 形。

15、状及尺寸 绘制， 其实际实施时各组件的型态、 数量及比例可为一种随意的改变， 且其组件布局型态也 可能更为复杂。 0042 如图1所示， 本发明提供一种导航定位方法， 包括： 0043 S11获取当前车辆状态数据； 0044 S12将所述状态数据输入至训练好的位置预测模型以得到车辆预测位置。 0045 在一实施例中， 所述车辆状态数据包括以下至少之一： 速度、 方位角、 三轴角速度、 三轴加速度、 三轴角度。 0046 在一实施例中， 所述位置预测模型为XGBoost(GradientTreeBoosting)位置预测 模型。 0047 Xgboost是Boosting算法的其中一种， Boo。

16、sting算法的思想是将许多弱分类器集 成在一起， 形成一个强分类器。 因为Xgboost是一种提升树模型， 所以它是将许多树模型集 成在一起， 形成一个很强的分类器。 0048 在一实施例中， 获取所述XGBoost位置预测模型的方法包括： 0049 获取历史车辆状态数据和历史车辆轨迹数据； 0050 以车辆状态数据作为输入， 车辆轨迹数据作为输出训练XGBoost位置预测模型。 0051 历史车辆状态数据包括速度、 方位角、 三轴角速度、 三轴加速度、 三轴角度。 0052 在轨迹预测的过程中， 当前定位位置依赖于历史车辆轨迹数据和当前车辆状态数 据， 并且随着时间增加， 依赖关系逐渐减弱。

17、。 为了充分利用上述关系， 采用滑动窗口收集最 近一段时间的历史车辆状态数据， 为后续集成方法模型提供具有连贯性的数据输入， 能够 使模型充分学习到车辆在行驶过程中特征向量的变化， 进而对当前时刻的位置做出精确的 预测。 0053 在一实施例中， 通过INS模块获得的三轴加速度、 三轴角速度、 三轴角度和通过OBD 模块获得的速度和方位角作为XGBoost位置预测模型的输入量， 而通过GPS模块定位的误差 作为模型的输出量， 实际输入x有n个样本， 可以表示为： 0054 x(x1,y1,),(x2,y2,),.,(xi,yi,),.,(xn,yn,) 0055每个样本表示为其中， V表示速度。

18、， 表示方位角， 表示三轴角 说明书 3/8 页 5 CN 111399021 A 5 速度， 表示三轴加速度， 表示三轴角度， yiP， 其中， P表示位置误差。 0056 在一实施例中， t时刻滑动窗口， Wt用如下公式表示： 0057 Wtxt-s,.xi.,xt-1,xtT,yt-s,.yi.,yt-1,ytT 0058 其中， t为时间， s为滑动窗口大小Sw。 随着时间的不断增加， 窗口在时间序列上滑 动， 窗口长度保持不变， 每次将窗口中距离当前时间最久的数据移除窗口同时将最近时间 的数据添加进窗口； 每次输入XGBoost位置预测模型的数据随着时间不断更新。 0059在一实施例。

19、中， 使用包含K个回归树fk的集成模型得到车辆预测位置如下所示： 0060 0061 其中， F是回归树的集合空间， 计算如下： 0062 Ff(x)wq(x) 0063 其中， q表示每棵树结构， T表示每棵树的叶子个数， fk对应每一个树q和叶子权重w 的函数。 0064 在一实施例中， 为了减小集成树的误差， 在XGBoostXGBoost位置预测模型中使用 了如下目标函数: 0065 0066其中， l为可微凸目标函数， 用来确定预测值与实测值之间的误差。 yi和分别为 车辆实际位置和车辆预测位置， m表示重复次数， 以使误差最小化； 表示用回归树函数惩 罚的复杂度： 0067 006。

20、8 本发明提出一种导航定位方法， 使用滑动窗口来过滤和减少INS内部传感器存在 漂移和转向误差， 利用车辆历史状态与当前状态的关系减少方向急剧变化导致的误差扩 大； 使用XGboost集成学习的方法进一步减少噪点的影响， 并对实际环境中缺失的数值做出 一定的弥补， 自动学习出特征的分裂方向， 为了使模型能够能够对车辆状态特征有更加充 分的学习， 提高模型的预测精度， 减少定位异常的情况， 引入粒子群算法(PSO)优化XGBoost 模型的参数。 0069 本发明通过输入和输出变量之间的函数关系建立SW-XGBoost预测模型， 拟合出车 辆信息、 姿态等与定位误差之间的函数关系。 为提高SW-。

21、XGBoost参数的质量， 利用粒子群优 化算法PSO优化SW-XGBoost模型参数， 包含如下几个参数,最大深度max_depth,孩子节点中 最小的样本权重min_child_weight,减小的最低阈值gamma,用于训练模型的子样本占整个 样本集合的比例subsample,从所有的列中选取的比例colsample_bytree， 选定的PSO参数 值如下所示： 0070 表2 PSO参数值 说明书 4/8 页 6 CN 111399021 A 6 0071 0072其中， 选取均方根误差RMSE为PSO的适应函数Fit(t)， ys是样本输出信息， 是样 本的预测值。 0073 00。

22、74 接下来分步骤进行参数值的优化。 0075 (1)初始化粒子位置和粒子速度， 得到粒子的初始位置和粒子的初始速度。 然后， 计算粒子适应度， 并将最合理的位置分为局部最优和全局最优。 0076 (2)每个粒子以第一步建立的粒子的初始速度在搜索空间中圆形飞行。 速度取决 于局部最优和全局最优。 对于每一次循环。 每个粒子的最优解对应局部最优， 整个粒子群的 最优解对应全局最优， 每个循环中的局部最优和全局最优都在这一步中更新速度。 描述如 下： 0077 0078 0079其中， i是重复的次数；表示第j个粒子在第i+1次迭代时的速度； w为惯性权重 系数；表示第j个粒子在第i次迭代时的速度。

23、；表示第j个粒子在第i次迭代时的位置； r1和r2表示区间0,1内的随机数。 0080 (3)计算并更新新的速度后， 粒子以新的速度在搜索空间中飞行。 每个位置对应的 适应度通过适应函数Fit(t)计算。 0081 (4)对应的更新第j次迭代局部最优位置localbestj和全局最优位置globalbestj。 localbestj更新为： 0082 0083其中，表示第j个粒子在第i+1次迭代时的位置。 0084 (5)检查粒子搜索是否达到满意的条件。 如果粒子的适应度最好， 停止搜索； 否则， 返回(2)。 0085 此时组合导航系统只有INS和OBD数据进入； 系统利用训练好的模型进行误。

24、差预 测。 在窗口滑动的过程中， 窗口数据yi(t-sit)由于GPS信号的中断而消失， 为了弥补数 据的缺失和充分利用历史轨迹和当前位置的关系， 将预测出的逐步反馈进入滑动窗口， 从而提高预测精度。 在这个阶段滑动窗口如下所示： 0086 说明书 5/8 页 7 CN 111399021 A 7 0087 在滑动窗口大小的选择中， 分析车辆在一个转弯动作中， 有效动作为10-15s左右， 认为滑动窗口的大小小于转弯动作的时间最为可靠， 为此我们通过做一个对比实验验证这 个理论同时选取最佳的窗口大小。 0088 如图2所示， 当滑动窗口大小为4时RMSE误差最小， 所以， 本发明选择的窗口大小。

25、Sw 为4。 0089 为了评价本次基于SW-XGBoost的车辆定位和轨迹预测算法的性能， 本发明使用安 装数据采集模块的车辆在实际道路进行数据采集， 图3所示为参考坐标内的车辆轨迹。 0090 在整个路测过程中， 选取不同的路况进行实验测试， 具体路况分析如表2所示。 0091 表2测试路段 0092 0093 本次共采集到的5000条实验数据。 其中INS模块设定采集数据频率为50Hz， GPS模 块和OBD模块设定的采集频率为1Hz。 其中GPS中断如图3， 假设GPS信号在这段时间内无法使 用， 使用算法进行预测。 预测车辆位置的误差进行对比使用RMSE作为评价标准。 同时将本发 明。

26、算法(SW-XGB)与随机森林回归(RFR)、 多层感知器神经网络(MLP)极限提升决策树(XGB) 进行对比。 0094 如图4所示， Outage1是低速直线行驶路段， 在中断的前50s内， 车辆定位均获得了 较好的预测效果， 但是在GPS中断的后半段有红绿灯和多次变道， 导致车辆频繁加减速， 导 致三种方法预测误差在后半段明显提升； 图7和图8分别是高速直线行驶(Outage4)和钝角 弯道行驶(Outage5)， 因为车辆转弯角度缓且小， 行驶状态稳定， 三种方法的预测精度差异 不大。 而MLP在上述路段中效果一直较差的原因是由于其初始权值和阈值具有随机性导致 每次计算存在结果不一样，。

27、 从而使得预测效果相对于其它三种方法较差； 在其余三种方法 中， 因为SW-XGB通过滑动窗口， 减缓误差逐步增大的趋势， 因此预测误差最小。 0095 如图5所示， Outage2是一个交叉弯道， 在这个测试路段有88s的GPS中断， 进入此路 段后有快速转弯， 通过x方向和y方向的累计误差可以看出车辆姿态的急剧变化均会导致两 个方向的累计误差提升明显， 而SW-XGB将历史数据作为下一次预测的输入， 能够通过转弯 这个过程逐步判断车辆动向； 也能够减少INS中陀螺仪和加速度异常数值对预测结果的影 响。 而XGB没有滑动窗口对历史数据平缓过程， 导致预测精度也有一定漂移。 因此， 在较为急 。

28、速转弯道路时， SW-XGB一直能够拥有良好的性能。 0096 如图6所示， Outage3是一个直角弯道， 转弯动作较为迅速， 累计误差陡升， 而XGB和 SW-XGB相对于其他两种方法能够对缺失值进行处理， 自动学习分裂方向， 因此预测结果也 更好。 0097 各种路段测试结果如表3所示， 与XGB、 RFR、 MLP三种方法相比， SW-XGB的方法在轨 迹预测和车辆定位方面的RMSE值更小， 预测轨迹更接近于实际参考轨迹， 在低速直线阶段， 精度相对于XGB提升35.56， 而在复杂的交叉弯道和直角弯道阶段， 分别有88s和68s的测 试长度， 并且累积误差不断增大， 但是SW-XGB。

29、的算法依旧优于其它三种算法， 尤其在交叉弯 说明书 6/8 页 8 CN 111399021 A 8 道部分， 相对与XGB、 RFR和MLP三种方法， 轨迹预测和车辆定位精度分别提升46.88、 48.78和77.22。 0098 表3测试路段RMSE 0099 0100 基于SW-XGBoost的车辆定位方法充分利用当前定位位置依赖于历史轨迹和当前 的行车状态的关系， 有效解决了在实际路况中方向急剧变化和惯性器件噪声导致的误差扩 大， 避免了车辆位置预测的精度的快速下降， 适用于辅助驾驶等车联网应用在城市环境中 的情况。 在不同情况路段环境下， 定位精度都有明显的提升， 对不同路况有更高的。

30、适应性和 稳定性。 0101 所属领域的技术人员可以清楚地了解到， 为了描述的方便和简洁， 仅以上述各功 能单元、 模块的划分进行举例说明， 实际应用中， 可以根据需要而将上述功能分配由不同的 功能单元、 模块完成， 即将所述装置的内部结构划分成不同的功能单元或模块， 以完成以上 描述的全部或者部分功能。 实施例中的各功能单元、 模块可以集成在一个处理单元中， 也可 以是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中， 上述集成的 单元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式实现。 另外， 各功能单 元、 模块的具体名称也只是为了便于相互区分， 并不用于限制本。

31、申请的保护范围。 上述系统 中单元、 模块的具体工作过程， 可以参考前述方法实施例中的对应过程， 在此不再赘述。 0102 在上述实施例中， 对各个实施例的描述都各有侧重， 某个实施例中没有详述或记 载的部分， 可以参见其它实施例的相关描述。 0103 本领域普通技术人员可以意识到， 结合本文中所公开的实施例描述的各示例的单 元及算法步骤， 能够以电子硬件、 或者计算机软件和电子硬件的结合来实现。 这些功能究竟 以硬件还是软件方式来执行， 取决于技术方案的特定应用和设计约束条件。 专业技术人员 可以对每个特定的应用来使用不同方法来实现所描述的功能， 但是这种实现不应认为超出 本发明的范围。 0。

32、104 在本发明所提供的实施例中， 应该理解到， 所揭露的装置/终端设备和方法， 可以 通过其它的方式实现。 例如， 以上所描述的装置/终端设备实施例仅仅是示意性的， 例如， 所 述模块或单元的划分， 仅仅为一种逻辑功能划分， 实际实现时可以有另外的划分方式， 例如 多个单元或组件可以结合或者可以集成到另一个系统， 或一些特征可以忽略， 或不执行。 另 一点， 所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口， 装置 或单元的间接耦合或通讯连接， 可以是电性， 机械或其它的形式。 0105 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元显 示的部件可以。

33、是或者也可以不是物理单元， 即可以位于一个地方， 或者也可以分布到多个 网络单元上。 可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目 的。 0106 另外， 在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以 是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中。 上述集成的单 说明书 7/8 页 9 CN 111399021 A 9 元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式实现。 0107 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时， 可以存储在一个计算机可读取存储介质中。 基于这样的理解。

34、， 本发明实现上述实施 例方法中的全部或部分流程， 也可以通过计算机程序来指令相关的硬件来完成， 所述的计 算机程序可存储于一计算机可读存储介质中， 该计算机程序在被处理器执行时， 可实现上 述各个方法实施例的步骤。 其中， 所述计算机程序包括计算机程序代码， 所述计算机程序代 码可以为源代码形式、 对象代码形式、 可执行文件或某些中间形式等。 所述计算机可读介质 可以包括:能够携带所述计算机程序代码的任何实体或装置、 记录介质、 U盘、 移动硬盘、 磁 碟、 光盘、 计算机存储器、 只读存储器(ROM,Read-OnlyMemory)、 随机存取存储器(RAM, RandomAccessMe。

35、mory)、 电载波信号、 电信信号以及软件分发介质等。 0108 上述实施例仅例示性说明本发明的原理及其功效， 而非用于限制本发明。 任何熟 悉此技术的人士皆可在不违背本发明的精神及范畴下， 对上述实施例进行修饰或改变。 因 此， 举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完 成的一切等效修饰或改变， 仍应由本发明的权利要求所涵盖。 说明书 8/8 页 10 CN 111399021 A 10 图1 图2 说明书附图 1/4 页 11 CN 111399021 A 11 图3 图4 说明书附图 2/4 页 12 CN 111399021 A 12 图5 图6 说明书附图 3/4 页 13 CN 111399021 A 13 图7 图8 说明书附图 4/4 页 14 CN 111399021 A 14 。