基于基因调控网络的无人机集群区域覆盖方法及设备

摘要

本发明提供一种基于基因调控网络的无人机集群区域覆盖方法及设备，涉及无人机技术领域，该方法包括：通过设置于无人机的传感器检测探测范围内障碍物的位置信息；基于探测范围内障碍物的位置信息确定每个障碍物对应的浓度场；采用基因调控网络对探测范围内全部障碍物对应的浓度场进行处理，得到以无人机为中心的局部浓度地图；设置无人机的预测步长并确定局部浓度地图中障碍物分布最稀疏的方向，基于无人机的预测步长和局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度；无人机按运动速度运行，以进行区域覆盖；本发明能够在通信受阻的情况下，实现大规模无人机集群自主的区域覆盖。

权利要求

1.一种基于基因调控网络的无人机集群区域覆盖方法，其特征在于，包括：通过设置于无人机的传感器检测探测范围内障碍物的位置信息；

基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场；

采用基因调控网络对所述探测范围内全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图；其中，所述局部浓度地图用于表征所述探测范围内各个位置障碍物分布的稀疏程度；

设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度；

所述无人机按所述运动速度运行，以进行区域覆盖；

所述基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场，包括：步骤S210、获取探测范围内障碍物的位置信息；其中，所述障碍物的位置信息包括障碍物与无人机之间的距离和夹角；

步骤S220、建立以无人机为中心的局部坐标系，基于所述探测范围内障碍物的位置信息确定各个障碍物在局部坐标系中的坐标位置；

步骤S230、基于所述障碍物的坐标位置确定所述障碍物产生的浓度场；

计算单个障碍物产生的浓度值的公式如下：

；

；

其中， 表示探测范围内第j个障碍物产生的浓度值； 表示探测范围内第j个障碍物在t时刻产生的浓度变化率； 表示探测范围内第j个障碍物的位置信息； 为一个拉普拉斯算子，定义为 的二阶导数，x和y为二维空间上横纵坐标的两个分量。

2.根据权利要求1所述的基于基因调控网络的无人机集群区域覆盖方法，其特征在于，所述采用基因调控网络对全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图，包括：步骤S310、将探测范围内每个障碍物产生的浓度场进行叠加，形成综合浓度场；

步骤S320、采用基因调控网络中的基因对所述综合浓度场进行处理，得到以所述无人机为中心的局部浓度地图。

3.根据权利要求2所述的基于基因调控网络的无人机集群区域覆盖方法，其特征在于，所述综合浓度场的计算公式为：；

其中， 为探测范围内障碍物的总数， 为综合浓度场；

所述局部浓度地图的计算公式为：

；

；

其中， 为基因调控网络中的一种基因， ，为调节参数。

4.根据权利要求1所述的基于基因调控网络的无人机集群区域覆盖方法，其特征在于，所述设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度，包括：步骤S410、设置无人机的预测步长，建立以无人机为中心，预测步长为半径的圆；

步骤S420、对所述圆进行均匀采样，得到多个采样点，计算每个采样点的浓度值；

步骤S430、确定每个采样点的浓度值是否均相等，若是，则所述无人机保持原地不动，并执行步骤S410；否则选取其中浓度值最低的一个采样点作为所述无人机下一步到达的目标位置；

步骤S440、获取所述无人机当前所在位置，基于所述无人机当前所在位置和所述无人机下一步到达的目标位置确定所述无人机的运动方向；

步骤S450、基于所述无人机的预测步长和所述无人机的运动方向确定无人机的运动速度。

5.根据权利要求1所述的基于基因调控网络的无人机集群区域覆盖方法，其特征在于，所述方法还包括：确定所述无人机的探测边界，采用第一调节公式将所述探测边界所在位置的浓度值增大；所述第一调节公式为：；

其中， 为无人机的探测边界上第i个点， 为调节参数。

6.根据权利要求1所述的基于基因调控网络的无人机集群区域覆盖方法，其特征在于，所述方法还包括：若确定任一障碍物与所述无人机的距离在安全距离内，则采用第二调节公式将所述局部浓度地图中该任一障碍物所在位置的浓度值增大；

所述第二调节公式为：

；

其中， 为设定的安全距离， 为无人机与障碍物之间的距离， 为与所述无人机的距离在安全距离内的第 个障碍物所在位置。

7.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的基于基因调控网络的无人机集群区域覆盖方法。

8.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至6中任意一项所述的基于基因调控网络的无人机集群区域覆盖方法。

说明书

基于基因调控网络的无人机集群区域覆盖方法及设备

技术领域

[0001] 本发明涉及但不限于无人机技术领域，尤其涉及一种基于基因调控网络的无人机集群区域覆盖方法及设备。

背景技术

[0002] 目前，无人机集群完成区域覆盖任务主要是基于全局信息和良好通信条件。在一些特殊情况（比如自然灾害、电磁干扰等）下，无人机集群很容易失去全局信息并断开彼此间通信，从而严重的影响无人机集群工作效率或者失效。例如发生地震后，受灾地区通信受阻，灾区与外界失去联系。如果无人机集群能很好对受灾区域进行合理的覆盖，把灾区真实情况传递给搜救人员，将给救灾工作带来极大的帮助。

[0003] 因此，有必要对现有的无人机集群的区域覆盖方案进行改进，能够在通信受阻的情况下，实现大规模无人机集群自主的区域覆盖。

发明内容

[0004] 以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

[0005] 本发明实施例提供了一种基于基因调控网络的无人机集群区域覆盖方法及设备，能够在通信受阻的情况下，实现大规模无人机集群自主的区域覆盖。

[0006] 第一方面，本发明实施例提供了一种基于基因调控网络的无人机集群区域覆盖方法，包括：

[0007] 通过设置于无人机的传感器检测探测范围内障碍物的位置信息；

[0008] 基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场；

[0009] 采用基因调控网络对所述探测范围内全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图；其中，所述局部浓度地图用于表征所述探测范围内各个位置障碍物分布的稀疏程度；

[0010] 设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度；

[0011] 所述无人机按所述运动速度运行，以进行区域覆盖。

[0012] 在一些实施例中，所述基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场，包括：

[0013] 步骤S210、获取探测范围内障碍物的位置信息；其中，所述障碍物的位置信息包括障碍物与无人机之间的距离和夹角；

[0014] 步骤S220、建立以无人机为中心的局部坐标系，基于所述探测范围内障碍物的位置信息确定各个障碍物在局部坐标系中的坐标位置；

[0015] 步骤S230、基于所述障碍物的坐标位置确定所述障碍物产生的浓度场。

[0016] 在一些实施例中，计算单个障碍物产生的浓度值的公式如下：

[0017] ；

[0018] ；

[0019] 其中， 表示探测范围内第j个障碍物产生的浓度值； 表示探测范围内第j个障碍物在t时刻产生的浓度变化率； 表示探测范围内第j个障碍物的位置信息；为一个拉普拉斯算子，定义为 的二阶导数，x和y为二维空间上横纵坐标的两个分量。

[0020] 在一些实施例中，所述采用基因调控网络对全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图，包括：

[0021] 步骤S310、将探测范围内每个障碍物产生的浓度场进行叠加，形成综合浓度场；

[0022] 步骤S320、采用基因调控网络中的基因对所述综合浓度场进行处理，得到以所述无人机为中心的局部浓度地图。

[0023] 在一些实施例中，所述综合浓度场的计算公式为：

[0024] ；

[0025] 其中， 为探测范围内障碍物的总数， 为综合浓度场；即，探测范围内所有障碍物产生的浓度场的总和；

[0026] 所述局部浓度地图的计算公式为：

[0027] ；

[0028] ；

[0029] 其中， 为基因调控网络中的一种基因， ，为调节参数。

[0030] 在一些实施例中，所述设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度，包括：

[0031] 步骤S410、设置无人机的预测步长，建立以无人机为中心，预测步长为半径的圆；

[0032] 步骤S420、对所述圆进行均匀采样，得到多个采样点，计算每个采样点的浓度值；

[0033] 步骤S430、确定每个采样点的浓度值是否均相等，若是，则所述无人机保持原地不动，并执行步骤S410；否则选取其中浓度值最低的一个采样点作为所述无人机下一步到达的目标位置；

[0034] 步骤S440、获取所述无人机当前所在位置，基于所述无人机当前所在位置和所述无人机下一步到达的目标位置确定所述无人机的运动方向；

[0035] 步骤S450、基于所述无人机的预测步长和所述无人机的运动方向确定无人机的运动速度。

[0036] 在一些实施例中，所述方法还包括：

[0037] 确定所述无人机的探测边界，采用第一调节公式将所述探测边界所在位置的浓度值增大；所述第一调节公式为：

[0038] ；

[0039] 其中， 为无人机的探测边界上第i个点， 为调节参数，用于将浓度设置为高于正常障碍物浓度的较大数值。

[0040] 在一些实施例中，所述方法还包括：

[0041] 若确定任一障碍物与所述无人机的距离在安全距离内，则采用第二调节公式将所述局部浓度地图中该任一障碍物所在位置的浓度值增大；

[0042] 所述第二调节公式为：

[0043] ；

[0044] 其中， 为设定的安全距离， 为无人机与障碍物之间的距离， 为与所述无人机的距离在安全距离内的第 个障碍物所在位置。

[0045] 第二方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于基因调控网络的无人机集群区域覆盖方法。

[0046] 第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于基因调控网络的无人机集群区域覆盖方法。

[0047] 本发明实施例包括：通过设置于无人机的传感器检测探测范围内障碍物的位置信息；基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场；采用基因调控网络对所述探测范围内全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图；其中，所述局部浓度地图用于表征所述探测范围内各个位置障碍物分布的稀疏程度；设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度；所述无人机按所述运动速度运行，以进行区域覆盖。

[0048] 本发明通过引入基因调控网络模型，集群中的每架无人机仅需获取自身传感器探测范围的障碍物信息，即可计算得到所需的浓度信息，进而生成局部浓度地图作为运动的依据，对计算资源要求较低，相对传统方法的计算量更小、更轻量化，可以进行大规模的无人机集群部署。本发明能够在通信受阻的情况下，仅通过无人机自身传感器检测周围障碍物从而获取位置信息，实现大规模无人机集群自主的区域覆盖。

[0049] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

[0050] 附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

[0051] 图1是本发明实施例中的一种基于基因调控网络的无人机集群区域覆盖方法的流程示意图；

[0052] 图2是本发明另一个实施例提供的电子设备的结构图。

具体实施方式

[0053] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0054] 需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

[0055] 相关技术中的无人机集群区域覆盖方法，需要集群中无人机使用通信功能，从而获得全局信息进行计算；且现有的无人机集群区域覆盖方法需要使用全局信息进行计算，处理的信息量多且复杂。

[0056] 基于此，为解决背景技术中的技术问题，本申请提供了一种基于基因调控网络的无人机集群区域覆盖方法及设备，旨在能够在通信受阻的情况下，仅通过无人机自身传感器检测周围障碍物从而获取位置信息，实现大规模无人机集群自主的区域覆盖。

[0057] 下面结合附图，对本发明实施例作进一步阐述。

[0058] 如图1所示，图1是本发明一个实施例提供的一种基于基因调控网络的无人机集群区域覆盖方法的流程图，在该方法中，包括但不限于有以下步骤：

[0059] 步骤S100，通过设置于无人机的传感器检测探测范围内障碍物的位置信息；

[0060] 需要说明的是，传感器对周围障碍物的位置信息进行检测，得到探测范围内障碍物的位置信息，在一些实施例中，采用距离传感器检测位置信息，位置信息包括无人机与障碍物之间的距离和夹角，障碍物包括其他无人机。

[0061] 步骤S200、基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场；

[0062] 具体地，在无人机获得障碍物信息后，根据障碍物信息确定对应的障碍物对无人机造成的干扰大小，干扰大小随着障碍物与无人机之间空间距离的增大而减小，以浓度场的形式进行表达。

[0063] 步骤S300、采用基因调控网络对所述探测范围内全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图；其中，所述局部浓度地图用于表征所述探测范围内各个位置障碍物分布的稀疏程度；

[0064] 本发明通过使用无人机自身的传感器检测周围障碍物获取位置信息，计算每个障碍物生成的浓度场，将每一个障碍物生成的浓度场进行叠加，进而引入基因调控网络模型，建立以自身为中心的局部浓度地图。

[0065] 步骤S400、设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度；

[0066] 需要说明的是，无人机的运动速度为矢量，包括无人机的运动速度大小和方向；当无人机建立以自身为中心的局部浓度地图后，作为无人机运动方向选择的依据，无人机向浓度较低区域进行扩散，即障碍物分布最稀疏的方向进行运动，实现无人机集群的区域覆盖。

[0067] 步骤S500、所述无人机按所述运动速度运行，以进行区域覆盖。

[0068] 本发明仅需依靠无人机自身携带的传感器检测周围障碍物，从而获取位置信息作为输入，本发明仅使用局部信息，不依赖通信，对通信环境无要求，可在通信拒止的环境下依然稳定运行；无人机集群采用分布式计算的方式，提高系统的鲁棒性；通过引入基因调控网络模型，集群中的每架无人机仅需获取自身传感器探测范围的障碍物信息，即可计算得到所需的浓度信息，进而生成局部浓度地图作为运动的依据，对计算资源要求较低，相对传统方法的计算量更小、更轻量化，可以进行大规模的无人机集群部署。本发明能够在通信受阻的情况下，仅通过无人机自身传感器检测周围障碍物从而获取位置信息，实现大规模无人机集群自主的区域覆盖。

[0069] 另外，在一实施例中，图1所示实施例中的步骤S200中，所述基于所述探测范围内障碍物的位置信息确定每个障碍物对应的浓度场，包括：

[0070] 步骤S210、获取探测范围内障碍物的位置信息；其中，所述障碍物的位置信息包括障碍物与无人机之间的距离和夹角；

[0071] 步骤S220、建立以无人机为中心的局部坐标系，基于所述探测范围内障碍物的位置信息确定各个障碍物在局部坐标系中的坐标位置；

[0072] 在一些实施例中，在获取探测范围内障碍物的位置信息后，以无人机飞行方向为x轴正方向，建立以无人机为中心的局部坐标系。传感器获取障碍物与无人机之间距离s以及夹角θ（以无人机前进方向为0°），通过转化为局部坐标，确定探测范围内的障碍物在局部坐标系中的位置。

[0073] 障碍物在局部坐标系中的坐标位置通过以下公式计算得到：

[0074] x=s·cosθ；

[0075] y=s·sinθ；

[0076] 其中，x为障碍物在局部坐标系中的横坐标，y为障碍物在局部坐标系中的纵坐标，s为障碍物与无人机之间的距离，θ为障碍物与无人机之间的夹角。

[0077] 步骤S230、基于所述障碍物的坐标位置确定所述障碍物产生的浓度场；

[0078] 需要说明的是，无人机周围每一个障碍物都会产生浓度值，对无人机来说，障碍物所在位置的浓度值主要随着障碍物与无人机之间的空间距离的增大而减小。其中，障碍物所在位置的浓度值最高，并向四周扩散，将无障碍物的位置的浓度值设置为0。

[0079] 在一实施例中，计算单个障碍物产生的浓度值的公式如下：

[0080] ；

[0081] ；

[0082] 其中， 表示探测范围内第j个障碍物产生的浓度值； 表示探测范围内第j个障碍物在t时刻产生的浓度变化率； 表示探测范围内第j个障碍物的位置信息，即障碍物所在位置的正常数； 为一个拉普拉斯算子，定义为 的二阶导数，x和y为二维空间上横纵坐标的两个分量，作用是模拟障碍物产生的浓度值在空间上的扩散过程。

[0083] 另外，在一实施例中，图1所示实施例中的步骤S300中，所述采用基因调控网络对全部障碍物对应的浓度场进行处理，得到以所述无人机为中心的局部浓度地图，包括：

[0084] 步骤S310、将探测范围内每个障碍物产生的浓度场进行叠加，形成综合浓度场；

[0085] 具体地，将每一个障碍物生成的浓度场进行叠加，即可得到以无人机为中心的综合浓度场。

[0086] 在一实施例中，所述综合浓度场的计算公式为：

[0087] ；

[0088] 其中， 为探测范围内障碍物的总数， 为综合浓度场；即，探测范围内所有障碍物产生的浓度场的总和；

[0089] 步骤S320、采用基因调控网络中的基因对所述综合浓度场进行处理，得到以所述无人机为中心的局部浓度地图。

[0090] 在一实施例中，局部浓度地图的计算公式为：

[0091] ；

[0092] ；

[0093] 其中， 为基因调控网络中的一种基因，负责把障碍物形成的浓度场进行处理，形成最终所需的浓度场； ，为调节参数。

[0094] 另外，在一实施例中，图1所示实施例中的步骤S400中，所述设置所述无人机的预测步长并确定所述局部浓度地图中障碍物分布最稀疏的方向，基于所述无人机的预测步长和所述局部浓度地图中障碍物分布最稀疏的方向确定无人机的运动速度，包括：

[0095] 步骤S410、设置无人机的预测步长，建立以无人机为中心，预测步长为半径的圆；

[0096] 步骤S420、对所述圆进行均匀采样，得到多个采样点，计算每个采样点的浓度值；

[0097] 步骤S430、确定每个采样点的浓度值是否均相等，若是，则所述无人机保持原地不动，并执行步骤S410；否则选取其中浓度值最低的一个采样点作为所述无人机下一步到达的目标位置；

[0098] 在一些实施例中，设置无人机的预测步长Sstep为0.1米，无人机计算以无人机为中心，预测步长为半径的圆上180个点（间隔2°）的浓度值，选取其中浓度值最低的一个方向θ进行运动，若180个方向的浓度值均相等，则无人机保持原地不动，进行下一轮计算。

[0099] 步骤S440、获取所述无人机当前所在位置，基于所述无人机当前所在位置和所述无人机下一步到达的目标位置确定所述无人机的运动方向；

[0100] 步骤S450、基于所述无人机的预测步长和所述无人机的运动方向确定无人机的运动速度。

[0101] 在一实施例中，所述无人机的运动速度的计算公式如下：

[0102] ；

[0103] ；

[0104] ；

[0105] 其中， 为无人机当前所在位置的横坐标， 为无人机当前所在位置的纵坐标； 为无人机下一步到达位置的横坐标， 为无人机下一步到达位置的纵坐标；即，( , )为无人机当前所在的位置，( ，
)为无人机下一步到达的位置。

[0106] 另外，在一实施例中，所述方法还包括：

[0107] 确定所述无人机的探测边界，采用第一调节公式将所述探测边界所在位置的浓度值增大；

[0108] 所述第一调节公式为：

[0109] ；

[0110] 其中， 为无人机的探测边界上第i个点， 为调节参数，将浓度设置为高于正常障碍物浓度的较大数值。

[0111] 另外，在一实施例中，所述方法还包括：

[0112] 若确定任一障碍物与所述无人机的距离在安全距离内，则采用第二调节公式将所述局部浓度地图中该任一障碍物所在位置的浓度值增大；

[0113] 所述第二调节公式为：

[0114] ；

[0115] 其中， 为设定的安全距离， 为无人机与障碍物之间的距离， 为与所述无人机的距离在安全距离内的第 个障碍物所在位置。

[0116] 本实施例中，当无人机生成局部浓度地图后，将选择浓度最低的方向进行运动。而当障碍物距离该无人机当前所在位置的距离小于设定的安全距离时，或无人机即将运动到探测边界之外时，将该探测边界、障碍物所在位置的浓度值设置为较大数值，因浓度值随着空间距离的增大而减小，所以无人机将选择远离该探测边界、障碍物所在位置的方向进行运动，使得无人机在运动过程中自动躲避障碍物，并在探测边界内运动。

[0117] 另外，参照图2，本发明的一个实施例还提供了一种电子设备10，该电子设备10包括：存储器11、处理器12及存储在存储器11上并可在处理器12上运行的计算机程序。

[0118] 处理器12和存储器11可以通过总线或者其他方式连接。

[0119] 实现上述实施例的基于基因调控网络的无人机集群区域覆盖方法所需的非暂态软件程序以及指令存储在存储器11中，当被处理器12执行时，执行上述实施例中的基于基因调控网络的无人机集群区域覆盖方法。

[0120] 此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于基因调控网络的无人机集群区域覆盖方法。

[0121] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD‑ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

[0122] 以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。