本发明公开了一种基于5G的路车融合城市道路全域感知方法，包括车侧环境感知数据处理，路侧环境感知数据处理，路车全域感知数据处理。通过本发明的技术方案，可获取车辆行驶区域或预计到达区域的障碍物信息(位置、速度、类别)、信号灯信息以及交通事件信息，在保证低延时的同时提供更为精确、丰富的全域感知信息。
1.一种基于5G的城市道路路车融合全域感知方法，其特征在于，在城市道路的路侧设施上安装路侧设备，所述路侧设备包括相机、毫米波雷达、GPS设备和5G通信模块，所述路侧设备的检测区域能够覆盖安装道路；在自动驾驶车辆上安装车侧设备，所述车侧设备包括相机、毫米波雷达、GPS设备、低精度的惯性导航设备和5G通信模块；所述感知方法包括以下步骤：
S1：融合路侧设备采集的信息获得路侧目标的目标ID、目标类型、目标速度、目标位置、信号灯的状态及配时信息、路侧设备安装位置在地面的投影点的GPS坐标，并通过5G通信模块发送到云端；
S2：融合车侧设备采集的信息获得车侧目标的目标ID、目标类型、目标速度、相对于车辆坐标系的位置、车辆自身位置和速度信息，并通过5G通信模块发送到云端；
S3：云端对一个路侧设备采集的信息及该路侧设备检测区域内的车侧设备采集的信息进行处理，将路侧目标数据与车侧目标数据统一至同一时间和空间参考坐标系下；
S4：根据欧氏距离对路侧设备目标数据与车侧设备目标数据进行观测值匹配，目标的位置、速度和类别信息由路侧设备和车侧设备获取，根据相似度分配权重的方法对数据进行融合处理：
S4‑1：计算数据源测量结果之间的相似度，所述数据源包含路侧设备、本车的车侧设备以及其他车辆的车侧设备，一组关于目标的横向距离坐标数据x＝(xr,xv,xov)，其中，xr为路侧设备检测的目标在局部参考坐标系下的横向坐标，xv为本车的车侧设备检测的目标在局部参考坐标系下的横向坐标，xov为其他车辆的车侧设备检测的目标在局部参考坐标系下的横向坐标平均值，计算检测数据与数据均值的相似度S4‑2：针对三种信息来源，路侧数据、本车数据、其他车辆检测数据，有m(xr)为路侧数据分配概率，m(xv)为本车数据分配概率，m(xov)为其他车辆检测数据分配概率，sr为路侧设备检测数据与数据均值的相似度，sov为其他车辆检测数据与数据均值的相似度，融合数据为：x＝m(xr)xr+m(xv)xv+m(xov)xov；
S4‑3：采用与步骤S4‑2相同的方法对速度数据和纵向距离数据进行融合处理；
S4‑4：建立轨迹库与待处理目标库，轨迹库存放匹配成功的目标轨迹，待处理目标库存放匹配失败的目标，初始状态轨迹库为空，将第一帧包含检测目标的目标ID、目标类型、目标速度、目标位置全部存入轨迹库，每个ID对应的目标新建一个轨迹；
S4‑5：融合后更新目标的横向距离、纵向距离和速度信息，采用JPDA数据关联算法将融合目标与轨迹库中已有轨迹进行匹配，匹配成功，则按照融合后的横向距离、纵向距离和速度信息更新匹配成功轨迹的最新状态；匹配失败则放入待处理目标库；
S5：通过路侧设备安装位置在地面投影点的GPS坐标和目标车辆发送给云端的车辆自身GPS坐标，确定目标车辆在局部参考坐标系中的位置，与轨迹库中目标信息进行匹配；
云端计算其他目标距目标车辆的距离，并对信息按照危险等级进行排序，输出最终的局域感知信息并发送给目标车辆；
S6：路段中选取任一点作为全局坐标系原点，坐标轴方向与局部参考系相同，建立各路侧设备局部参考坐标系至全局坐标系的转换关系，将局部参考坐标系下的目标统一至全局坐标系，依次处理路网内路侧设备的融合数据，关联相邻路侧设备的目标信息；
S6‑1：针对相邻路侧设备之间存在重叠区域，计算相邻路侧设备的目标信息的马氏距离，选取马氏距离最小的相邻路侧设备目标作为匹配目标，目标类别为车辆，则将车牌信息作为目标ID，目标类别无唯一身份标识，则分配ID进行连续跟踪；
S6‑2：针对相邻路侧设备之间无重叠区域，采用扩展卡尔曼滤波算法预测当前路侧设备检测目标在下一时刻经过下一个路侧设备的位置，并与下一个路侧设备的实际检测结果匹配，目标类别为车辆，则将车牌信息作为目标ID；目标类别无唯一身份标识，则分配ID进行连续跟踪；
S6‑3：从轨迹库中提取任一目标在路网内的完整轨迹信息，根据路网内目标信息的运动状态进一步判断路网内的交通事件信息，获取完整的全域感知信息。
2.根据权利要求1所述的一种基于5G的城市道路路车融合全域感知方法，其特征在于，所述步骤S3的具体方法为：
S31：将局部参考坐标系设定为以安装的路侧设备在地面的投影点为原点，以正北方向为y轴，以垂直地面向上为z轴，遵从右手定则；
S32：建立从路侧设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
S33：建立从车侧设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
S34：通过ntp授时实现路侧设备的相机、毫米波雷达、GPS设备以及车侧设备中的相机、毫米波雷达、GPS设备，低精度的惯性导航设备的时间同步。
3.根据权利要求1所述的一种基于5G的城市道路路车融合全域感知方法，其特征在于，所述步骤S4‑5中，对于待处理目标库，目标连续出现超过3次，则创建一个新的轨迹存入轨迹库并在待处理目标库删除该目标的目标ID、目标类型、目标速度、目标位置信息，否则认为该目标为无效目标并删除；由于内存空间有限，对于局部区域的轨迹库需及时清理，若目标超过5帧未更新则认为该目标消失，对该目标视为无效目标进行删除。
4.根据权利要求1所述的一种基于5G的城市道路路车融合全域感知方法，其特征在于，所述步骤S5的危险等级具体划分原则为：距离近的目标比距离远的目标危险；同等距离情况下，本车道的目标比相邻车道的目标危险；相同距离相同车道情况下，行人和非机动车危险。
一种基于5G的城市道路路车融合全域感知方法
技术领域
[0001] 本发明属于智能交通技术领域，尤其涉及一种一种基于5G的城市道路路车融合全域感知方法。
背景技术
[0002] 汽车市场在全世界快速发展使汽车保有量增加,汽车出行在给人们生活带来便利的同时也造成交通事故频频发生、城市交通拥堵、汽车能源消耗增加和环境污染等诸多问
题。时至今日，交通问题己经成为各个国家不得不正视且共同关注的全球性问题。
[0003] 为了改善交通大环境，世界各国政府以及专家学者积极探索能够有效解决上述交通安全问题的途径，智能交通系统应运而生。自动驾驶系统是智能交通系统中的一个重要
子系统。在自动驾驶系统中，环境感知主要依赖于计算机视觉，毫米波雷达，激光雷达等，这
些传感器可能会受到一定的限制，例如处于视觉盲区和存在遮挡情况感知范围十分有限。
随着单车感知局限性的日益凸显，路车融合为自动驾驶提供了新的解决方案。通过融合路
侧多传感器信息和车载传感器信息，可以有效增强车辆的环境感知能力，提高自动驾驶车
辆的行车安全性。5G的发展使得路车融合产生的海量群智数据的实时传输成为可能，实现
了更可靠的交互、更敏捷的计算和更精确的感知。
[0004] 现有技术提出了一种信号灯路口的车路协同控制系统，路侧端获取交通信号灯信息和交通事件信息(图像识别)；车载端通过车‑车通信获取车辆周围的其他车辆的位置信
息，通过与云端进行数据交互自动匹配所行驶区域的信号灯信息和交通事件信息。但该系
统中车侧仅搭载4G通信模块，由于4G传输延时较大若跟车距离较近时，车辆将没有足够的
时间进行制动等控制。另一方面路侧端仅将交通事件信息和信号灯信息传输给云端，并没
有通过图像丰富信息感知行驶环境更为精细的信息。
发明内容
[0005] 针对目前自动驾驶存在的单车感知局限性以及海量群智数据的传输需求，本发明提出一种基于5G的路车融合城市道路全域感知方法，采用5G传输，融合车侧和路侧多传感
器信息，获取车辆行驶区域或预计到达区域的障碍物信息(位置、速度、类别)、信号灯信息
以及交通事件信息，在保证低延时的同时提供更为精确、丰富的全域感知信息。本发明的具
体技术方案如下：
[0006] 一种基于5G的城市道路路车融合全域感知方法，其特征在于，在城市道路的路侧设施上安装路侧设备，所述路侧设备包括相机、毫米波雷达、GPS设备和5G通信模块，所述路
侧设备的检测区域能够覆盖安装道路；在自动驾驶车辆上安装车载设备，所述车载设备包
括相机、毫米波雷达、GPS设备、低精度的惯性导航设备和5G通信模块；所述感知方法包括以
下步骤：
[0007] S1：融合路侧设备采集的信息获得路侧目标的目标ID、目标类型、目标速度、目标位置、信号灯的状态及配时信息、路侧设备安装位置在地面的投影点的GPS坐标，并通过5G
通信模块发送到云端；
[0008] S2：融合车载设备采集的信息获得车侧目标的目标ID、目标类型、目标速度、相对于车辆坐标系的位置、车辆自身位置和速度信息，并通过5G通信模块发送到云端；
[0009] S3：云端对一个路侧设备采集的信息及该路侧设备检测区域内的车载设备采集的信息进行处理，将路侧目标数据与车侧目标数据统一至同一时间和空间参考坐标系下；
[0010] S4：根据欧氏距离对路侧设备目标数据与车侧设备目标数据进行观测值匹配，目标的位置、速度和类别信息由路侧设备和车侧设备获取，根据相似度分配权重的方法对数
据进行融合处理：
[0011] S4‑1：计算数据源测量结果之间的相似度，所述数据源包含路侧设备、本车的车侧设备以及其他车辆的车侧设备，一组关于目标的横向距离坐标数据x＝(xr,xv,xov)，其中，xr
为路侧设备检测的目标在局部参考坐标系下的横向坐标，xv为本车的车侧设备检测的目标
在局部参考坐标系下的横向坐标，xov为其他车辆的车侧设备检测的目标在局部参考坐标系
下的横向坐标平均值，计算检测数据与数据均值的相似度
[0012] S4‑2：针对三种信息来源，路侧数据、本车数据、其他车辆检测数据，有m(xr)为路侧数据分配概率，m(xv)为本车数据分配概率，m(xov)为
其他车辆检测数据分配概率，sr为路侧设备检测数据与数据均值的相似度，sov为其他车辆
检测数据与数据均值的相似度，融合数据为：x＝m(xr)xr+m(xv)xv+m(xov)xov；
[0013] S4‑3：采用与步骤S4‑2相同的方法对速度数据和纵向距离数据进行融合处理；
[0014] S4‑4：建立轨迹库与待处理目标库，轨迹库存放匹配成功的目标轨迹，待处理目标库存放匹配失败的目标，初始状态轨迹库为空，将第一帧包含检测目标的目标ID、目标类
型、目标速度、目标位置全部存入轨迹库，每个ID对应的目标新建一个轨迹；
[0015] S4‑5：融合后更新目标的横向距离、纵向距离和速度信息，采用JPDA数据关联算法将融合目标与轨迹库中已有轨迹进行匹配，匹配成功，则按照融合后的横向距离、纵向距离
和速度信息更新匹配成功轨迹的最新状态；匹配失败则放入待处理目标库；
[0016] S5：通过路侧设备安装位置在地面投影点的GPS坐标和目标车辆发送给云端的车辆自身GPS坐标，确定目标车辆在局部参考坐标系中的位置，与轨迹库中目标信息进行匹
配；
[0017] 云端计算其他目标距目标车辆的距离，并对信息按照危险等级进行排序，输出最终的局域感知信息并发送给目标车辆；
[0018] S6：路段中选取任一点作为全局坐标系原点，坐标轴方向与局部参考系相同，建立各路侧设备局部参考坐标系至全局坐标系的转换关系，将局部参考坐标系下的目标统一至
全局坐标系，依次处理路网内路侧设备的融合数据，关联相邻路侧设备的目标信息；
[0019] S6‑1：针对相邻路侧设备之间存在重叠区域，计算相邻路侧设备的目标信息的马氏距离，选取马氏距离最小的相邻路侧设备目标作为匹配目标，目标类别为车辆，则将车牌
信息作为目标ID，目标类别无唯一身份标识，则分配ID进行连续跟踪；
[0020] S6‑2：针对相邻路侧设备之间无重叠区域，采用扩展卡尔曼滤波算法预测当前路侧设备检测目标在下一时刻经过下一个路侧设备的位置，并与下一个路侧设备的实际检测
结果匹配，目标类别为车辆，则将车牌信息作为目标ID；目标类别无唯一身份标识，则分配
ID进行连续跟踪；
[0021] S6‑3：从轨迹库中提取任一目标在路网内的完整轨迹信息，根据路网内目标信息的运动状态进一步判断路网内的交通事件信息，获取完整的全域感知信息。
[0022] 进一步地，所述步骤S3的具体方法为：
[0023] S31：将局部参考坐标系设定为以安装的路侧设备在地面的投影点为原点，以正北方向为y轴，以垂直地面向上为z轴，遵从右手定则；
[0024] S32：建立从路侧设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
[0025] S33：建立从车载设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
[0026] S34：通过ntp授时实现路侧设备的相机、毫米波雷达、GPS设备以及车侧设备中的相机、毫米波雷达、GPS设备，低精度的惯性导航设备的时间同步。
[0027] 进一步地，所述步骤S4‑5中，对于待处理目标库，目标连续出现超过3次，则创建一个新的轨迹存入轨迹库并在待处理目标库删除该目标的目标ID、目标类型、目标速度、目标
位置信息，否则认为该目标为无效目标并删除；由于内存空间有限，对于局部区域的轨迹库
需及时清理，若目标超过5帧未更新则认为该目标消失，对该目标视为无效目标进行删除。
[0028] 进一步地，所述步骤S5的危险等级具体划分原则为：距离近的目标比距离远的目标危险；同等距离情况下，本车道的目标比相邻车道的目标危险；相同距离相同车道情况
下，行人和非机动车危险。
[0029] 本发明的有益效果在于：
[0030] 1.本发明提出一种利用车侧低精度惯性导航和路侧相机毫米波雷达融合定位方法，该方法根据相似度确定概率分配值融合路侧和车侧设备数据，在保证精度的同时，降低
了成本。
[0031] 2.本发明提出采用路侧设备定位、车辆自身GPS定位及其他车辆检测信息辅助定位的方法提高检测系统的定位精度，解决了自动驾驶车辆在城市道路行驶过程中由于反射
及遮挡造成GPS信息丢失和漂移无法满足高可靠、高精度的定位需求问题。
[0032] 3.本发明建立了全域感知系统，车辆可以实时获取规划线路内的信号灯信息、交通事件以及感知信息，可以根据感知信息、交通事件信息实时更新最优路线，提高出行效
率。
[0033] 4.本发明采用5G通信设备进行数据传输，将原有4G通信100ms延时降低至10ms，能够减少由于延时导致的感知信息的误差，5G的高传输速度和高带宽则进一步为路车融合感
知海量的数据传输赋能。
附图说明
[0034] 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，通过参考附图会更加清楚的理解本发明的特征和优点，附
图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不
付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
[0035] 图1是本发明的总体流程图；
[0036] 图2是本发明的车侧设备安装示意图；
[0037] 图3是本发明的路侧设备安装示意图；
[0038] 图4是本发明的局部检测区域融合流程图；
[0039] 图5是本发明的坐标转换示意图。
[0040] 附图标号说明：
[0041] 1‑毫米波雷达；2‑相机；3‑低精度惯性导航系统；4‑GPS设备；5‑5G通信模块。
具体实施方式
[0042] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施
例及实施例中的特征可以相互组合。
[0043] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开
的具体实施例的限制。
[0044] 本发明的方法主要分为三个部分：车侧环境感知数据处理，路侧环境感知数据处理，路车全域感知数据处理，如图1所示，本发明默认直接使用车辆及路侧的感知数据，具体
的，在城市道路每间隔100米的路侧设施上安装一套路侧设备或间隔200米前后各安装一套
路侧设备，路侧设备包括相机、毫米波雷达、GPS设备和5G通信模块，路侧设备的检测区域能
够覆盖安装道路，如图2所示，相邻路侧设备安装位置需保证检测区域覆盖安装位置所在道
路；在自动驾驶车辆上安装车载设备，车载设备包括相机、毫米波雷达、GPS设备、低精度的
惯性导航设备和5G通信模块，如图3所示；一种基于5G的城市道路路车融合全域感知方法包
括以下步骤：
[0045] S1：融合路侧设备采集的信息获得路侧目标的目标ID(针对车辆是车牌信息)、目标类型、目标速度(相对于路侧设备速度，但因路侧设备静止，所以该速度为实际目标行驶
速度)、目标位置、信号灯的状态及配时信息、路侧设备安装位置在地面的投影点的GPS坐
标，并通过5G通信模块发送到云端；
[0046] S2：融合车载设备采集的信息获得车侧目标的目标ID、目标类型、目标速度、相对于车辆坐标系的位置、车辆自身位置和速度信息，并通过5G通信模块发送到云端；
[0047] S3：云端对一个路侧设备采集的信息及该路侧设备检测区域内的车载设备采集的信息进行处理，将路侧目标数据与车侧目标数据统一至同一时间和空间参考坐标系下；
[0048] S4：根据欧氏距离对路侧设备目标数据与车侧设备目标数据进行观测值匹配，目标的位置、速度和类别信息由路侧设备和车侧设备获取，根据相似度分配权重的方法对数
据进行融合处理：
[0049] S4‑1：计算数据源测量结果之间的相似度，所述数据源包含路侧设备、本车的车侧设备以及其他车辆的车侧设备，一组关于目标的横向距离坐标数据x＝(xr,xv,xov)，其中，xr
为路侧设备检测的目标在局部参考坐标系下的横向坐标，xv为本车的车侧设备检测的目标
在局部参考坐标系下的横向坐标，xov为其他车辆的车侧设备检测的目标在局部参考坐标系
下的横向坐标平均值，计算检测数据与数据均值的相似度
[0050] S4‑2：针对三种信息来源，路侧数据、本车数据、其他车辆检测数据，有m(xr)为路侧数据分配概率，m(xv)为本车数据分配概率，m(xov)为
其他车辆检测数据分配概率，sr为路侧设备检测数据与数据均值的相似度，sov为其他车辆
检测数据与数据均值的相似度，融合数据为：x＝m(xr)xr+m(xv)xv+m(xov)xov；
[0051] S4‑3：采用与步骤S4‑2相同的方法对速度数据和纵向距离数据进行融合处理；
[0052] S4‑4：建立轨迹库与待处理目标库，轨迹库存放匹配成功的目标轨迹，待处理目标库存放匹配失败的目标，初始状态轨迹库为空，将第一帧包含检测目标的目标ID、目标类
型、目标速度、目标位置全部存入轨迹库，每个ID对应的目标新建一个轨迹；
[0053] S4‑5：融合后更新目标的横向距离、纵向距离和速度信息，采用JPDA数据关联算法将融合目标与轨迹库中已有轨迹进行匹配，匹配成功，则按照融合后的横向距离、纵向距离
和速度信息更新匹配成功轨迹的最新状态；匹配失败则放入待处理目标库；
[0054] S5：通过路侧设备安装位置在地面投影点的GPS坐标和目标车辆发送给云端的车辆自身GPS坐标，确定目标车辆在局部参考坐标系中的位置，与轨迹库中目标信息进行匹
配；
[0055] 云端计算其他目标距目标车辆的距离，并对信息按照危险等级进行排序，输出最终的局域感知信息并发送给目标车辆；
[0056] S6：路段中选取任一点作为全局坐标系原点，坐标轴方向与局部参考系相同，建立各路侧设备局部参考坐标系至全局坐标系的转换关系，将局部参考坐标系下的目标统一至
全局坐标系，依次处理路网内路侧设备的融合数据，关联相邻路侧设备的目标信息；
[0057] S6‑1：针对相邻路侧设备之间存在重叠区域，计算相邻路侧设备的目标信息的马氏距离，选取马氏距离最小的相邻路侧设备目标作为匹配目标，目标类别为车辆，则将车牌
信息作为目标ID，目标类别无唯一身份标识，则分配ID进行连续跟踪；
[0058] S6‑2：针对相邻路侧设备之间无重叠区域，采用扩展卡尔曼滤波算法预测当前路侧设备检测目标在下一时刻经过下一个路侧设备的位置，并与下一个路侧设备的实际检测
结果匹配，目标类别为车辆，则将车牌信息作为目标ID；目标类别无唯一身份标识，则分配
ID进行连续跟踪；
[0059] S6‑3：从轨迹库中提取任一目标在路网内的完整轨迹信息，根据路网内目标信息的运动状态进一步判断路网内的交通事件信息，获取完整的全域感知信息。
[0060] 车辆根据路网内各路段的交通事件信息、目标状态和信号灯状态，实时规划更新最优路线，提高城市出行效率。
[0061] 如图4所示，步骤S3的具体方法为：
[0062] S31：将局部参考坐标系设定为以安装的路侧设备在地面的投影点为原点，以正北方向为y轴，以垂直地面向上为z轴，遵从右手定则；
[0063] S32：建立从路侧设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
[0064] S33：建立从车载设备的毫米波雷达坐标系到局部参考坐标系的转换关系；
[0065] S34：通过ntp授时实现路侧设备的相机、毫米波雷达、GPS设备以及车侧设备中的相机、毫米波雷达、GPS设备，低精度的惯性导航设备的时间同步。
[0066] 步骤S4‑5中，对于待处理目标库，目标连续出现超过3次，则创建一个新的轨迹存入轨迹库并在待处理目标库删除该目标的目标ID、目标类型、目标速度、目标位置信息，否
则认为该目标为无效目标并删除；由于内存空间有限，对于局部区域的轨迹库需及时清理，
若目标超过5帧未更新则认为该目标消失，对该目标视为无效目标进行删除。
[0067] 步骤S5的危险等级具体划分原则为：距离近的目标比距离远的目标危险；同等距离情况下，本车道的目标比相邻车道的目标危险；相同距离相同车道情况下，行人和非机动
车危险，具体如下表所示。
[0068] 表1危险等级判断原则
[0069]
[0070] 在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连
接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内
部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情
况理解上述术语在本发明中的具体含义。
[0071] 在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它
们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特
征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在
第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示
第一特征水平高度小于第二特征。
[0072] 在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
[0073] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。
