基于地图的目标航向消歧的制作方法

计算;推算;计数设备的制造及其应用技术基于地图的目标航向消歧1.本主题公开涉及自主或半自主车辆控制系统，尤其涉及在执行车辆控制时估计车辆轨迹中180度航向歧义(heading ambiguity)的发生。2.自主或半自主车辆系统已经被开发来帮助车辆操作者驾驶车辆和/或执行车辆的自动操作，而很少或不需要操作者干预。这些系统通常使用车辆传感器和其他定位工具来控制车辆运行的一个或多个方面。自主和半自主车辆利用传感器信息来控制车辆的一个或多个部件。诸如雷达、激光雷达和相机等传感器布置在车辆周围，并感测可观察到的环境条件。在某些情况下，从传感器获得的数据可能不准确。例如，由于传感器限制和/或不平坦的表面条件，对象的检测范围或检测航向可能不准确。3.因此，期望提供用于校正传感器信息的方法和系统。此外，结合附图以及前述技术领域和背景技术：，从随后的具体实施方式等中，本文描述的技术方案的其他期望特征和特性将变得显而易见。技术实现要素：4.根据一个或多个实施例，用于自动驾驶员辅助的车辆控制系统包括捕获目标的传感器数据的多个传感器。车辆控制系统还包括控制器，该控制器基于目标的航向生成控制信号以改变车辆的一个或多个致动器的操作。生成控制信号包括基于传感器数据确定目标的第一航向。生成控制信号还包括基于在预定长度的持续时间窗口中遇到的航向翻转(flip)的次数来计算第一航向准确的概率(pa)。生成控制信号还包括根据来自导航地图的数据计算目标正在行进的地图概率(map-probability)(pm)。生成控制信号还包括基于概率(pa)和地图概率(pm)来计算第一航向准确的后验概率(pf)。生成控制信号还包括，响应于后验概率小于预定阈值，校正第一航向，并基于第一航向生成控制信号。5.在一个或多个实施例中，校正第一航向包括将第一航向改变180度。6.在一个或多个实施例中，计算第一航向准确的概率(pa)包括计算航向歧义概率(qa)作为持续时间窗口中航向跳跃次数的加权平均值，航向跳跃表示目标的连续航向值中至少预定量的变化。持续时间窗口是预定长度的，以选择目标的最近航向值。在一个或多个实施例中，使用衰减率来计算持续时间窗口中航向跳跃次数的加权平均值，该衰减率为航向跳跃的更近值分配更高的权重。7.在一个或多个实施例中，在计算地图概率(pm)之前，并且响应于航向偏移高于预定阈值，校正第一航向，并且将第一航向准确的概率(pa)调整为pa＝1-pa。8.在一个或多个实施例中，车辆的致动器操作车辆的转向、动力系和制动器中的至少一个。9.根据一个或多个实施例，用于通过车辆控制系统的自动驾驶员辅助的计算机实现的方法包括基于由主车(host)的一个或多个传感器捕获的传感器数据来确定目标的第一航向。该计算机实现的方法还包括基于在预定长度的持续时间窗口中遇到的航向翻转的次数来计算第一航向准确的概率(pa)。该计算机实现的方法还包括根据来自导航地图的数据计算目标正在行进的地图概率(pm)。计算机实现的方法还包括基于概率(pa)和地图概率(pm)来计算精确的第一航向的后验概率(pf)。该计算机实现的方法还包括，响应于后验概率小于预定阈值，校正第一航向。该计算机实现的方法还包括基于第一航向生成控制信号，该控制信号改变主车的一个或多个致动器的操作。10.在一个或多个实施例中，校正第一航向包括将第一航向改变180度。11.在一个或多个实施例中，计算第一航向准确的概率(pa)包括计算航向歧义概率(qa)作为持续时间窗口中航向跳跃次数的加权平均值，航向跳跃表示目标的连续航向值中至少预定量的变化。持续时间窗口是预定长度的，以选择目标的最近航向值。在一个或多个实施例中，使用衰减率来计算持续时间窗口中航向跳跃次数的加权平均值，该衰减率为航向跳跃的更近值分配更高的权重。12.在一个或多个实施例中，在计算地图概率(pm)之前，并且响应于航向偏移高于预定阈值，校正第一航向，并且将第一航向准确的概率(pa)调整为pa＝1-pa。13.在一个或多个实施例中，车辆的致动器操作车辆的转向、动力系和制动器中的至少一个。14.根据一个或多个实施例，车辆包括用于控制车辆操作的多个致动器。该车辆还包括用于自动驾驶员辅助的车辆控制系统。车辆控制系统包括捕获目标的传感器数据的多个传感器。车辆控制系统还包括控制器，该控制器基于目标的航向生成控制信号以改变车辆的一个或多个致动器的操作。生成控制信号包括基于传感器数据确定目标的第一航向。生成控制信号还包括基于在预定长度的持续时间窗口中遇到的航向翻转的次数来计算第一航向准确的概率(pa)。生成控制信号还包括根据来自导航地图的数据计算目标正在行进的地图概率(pm)。生成控制信号还包括基于概率(pa)和地图概率(pm) 来计算第一航向准确的后验概率(pf)。生成控制信号还包括，响应于后验概率小于预定阈值，校正第一航向，并基于第一航向生成控制信号。15.在一个或多个实施例中，校正第一航向包括将第一航向改变180度。16.在一个或多个实施例中，计算第一航向准确的概率(pa)包括计算航向歧义概率(qa)作为持续时间窗口中航向跳跃次数的加权平均值，航向跳跃表示目标的连续航向值中至少预定量的变化。持续时间窗口是预定长度的，以选择目标的最近航向值。在一个或多个实施例中，使用衰减率来计算持续时间窗口中航向跳跃次数的加权平均值，该衰减率为航向跳跃的更近值分配更高的权重。17.在一个或多个实施例中，在计算地图概率(pm)之前，并且响应于航向偏移高于预定阈值，校正第一航向，并且将第一航向准确的概率(pa)调整为pa＝1-pa。18.在一个或多个实施例中，车辆的致动器操作车辆的转向、动力系和制动器中的至少一个。19.当结合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。附图说明20.其他特征、优点和细节仅作为示例出现在以下详细描述中，该详细描述参考了附图，在附图中：21.图1是根据一个或多个实施例的使用高级驾驶员辅助系统操作主车辆的示例场景的框图；22.图2描绘了根据一个或多个实施例的用于主车辆的车辆控制系统的框图；23.图3描绘了根据一个或多个实施例的基于地图的目标消歧方法的流程图；24.图4描绘了根据一个或多个实施例的目标的示例航向数据；25.图5描绘了根据一个或多个实施例的对车辆的校正；和26.图6是根据一实施例的计算机系统的框图。具体实施方式27.以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相似或相应的部件和特征。如此处所使用的，术语“模块”指的是处理电路，其可以包括专用集成电路 (asic)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。28.根据示例性实施例，这里描述的是用于估计主车辆(“主车”)感知系统中的目标车辆(“目标”)的感知航向中180度航向歧义的出现的技术解决方案。这里描述的技术解决方案进一步便于使用结合了目标相对于地图的姿态的模型来减少估计的航向歧义度。这里描述的技术解决方案确保了对地图信息不具信息性的目标的估计不受影响。然后，通过车辆控制系统，例如高级驾驶员辅助系统(adas)，估计的歧义消除被用于控制主车。29.adas是一种电子系统，其在与车辆相关的驾驶和停车功能方面帮助驾驶员。例如，adas可以包括图像处理算法和神经网络，它们被开发来帮助区分主车视野(fov)中的关键对象(例如，交通灯、警告信号、目标车辆、行人等)。adas进一步便于估计这样的检测到的对象在fov的可能运动。基于对象的这样的可能的运动以及其他周围环境，adas便于规划主车的轨迹。adas控制主车的操作以遵循规划的轨迹，例如，通过加速、转向、制动、轨迹规划和执行主车的其他这样的控制。使用一个或多个传感器捕获周围环境的传感数据、分析捕获的传感数据以规划轨迹、以及根据轨迹控制车辆的这样的操作被连续执行，以自动或半自动地操作车辆。30.现在转向图1，描绘了使用adas操作主车辆的示例场景。主车辆(“主车”)100正在方向25上沿着道路20行进。这里，车辆行进的方向被称为该车辆的“航向”。因此，在图1所示的情况下，方向25是主车100的方向。考虑主车100使用adas 10操作。adas 10感知一个或多个目标车辆(“目标”)50的运动。作为这样的感知的一部分，adas检测和估计每个目标50 的航向。31.现有adas的一个技术挑战是，当估计目标的航向时，引入了180度歧义度，特别是在目标50以低于预定阈值的低速行进的情况下。例如，阈值可以是每小时20英里(mph)、每小时15英里(mph)、每小时5英里(mph) 或任何其他这样的值。这样的缓慢移动的目标50可能在城市/郊区环境、停车场、交通堵塞或车辆通常以低于阈值的低速移动的任何其他这样的情况下遇到。目标50的航向的歧义估计导致adas10改变主车100的轨迹，进而改变主车100的航向25。如果轨迹频繁改变，至少每分钟预定次数(例如， 3次、5次、10次等)，则主车100表现出不期望的行为。如果任何目标50 的航向使得它们看起来朝着主车100移动，则adas10必须做出反应(例如，通过采取规避动作)。这里描述的技术解决方案便于adas10提高目标50 的估计航向的精度，以避免可能由不正确估计引起的潜在机动。32.这里描述的技术解决方案解决了使用现有技术感知目标50的航向的180 度歧义的技术挑战。这里描述的技术解决方案的实施例便于估计目标50的歧义航向的概率。该概率是利用目标的航向信号确定的，没有附加信息。此外，停放或进入道路20的目标50的航向(例如，参见图1中在道路20外示出的目标50)自动不受这里描述的技术解决方案所提供的歧义消除过程的影响。33.给定目标50的检测到的航向可以写成其中φ是真实航向，而a∈{0，1}是表示翻转航向出现的随机变量。中的误差统计可以根据歧义概率qa来描述，其中qa＝0表示中没有误差，因此a＝0，而qa＝1表示存在完全歧义(即，p(a＝0)＝p(a＝1)＝0.5)，因此航向是否翻转是完全未知的。本发明的实施例便于主车100的车辆控制系统报告概率qa以及的值。34.现在转向图2，根据一个或多个实施例描绘了用于主车辆的车辆控制系统的框图。主车100包括车辆控制器110，其执行或控制操作以提供adas10 的功能。控制器110可包括一个或多个处理器和存储器。控制器110可以执行计算机可执行指令来执行一种或多种方法，例如这里描述的那些方法。35.控制器110可以向一个或多个车辆操作模块，例如转向装置122、动力系统124、制动器126等，发送一个或多个控制信号/命令。车辆操作模块可以响应于这样的控制信号引起一个或多个车辆致动器102以及进而主车100 的状态变化。车辆致动器102引起主车100的物理操作的变化，例如加速、减速、转弯等。36.车辆控制器110基于来自与主车100联接的一个或多个传感器104的一个或多个输入生成控制信号。应当理解，在一个或多个实施例中，传感器104 相对于主车100的位置，例如前部、后部或侧面，可以变化。传感器104可以包括各种类型，例如雷达、激光雷达、图像传感器等。37.车辆控制器110可以访问导航地图(“地图”)115。地图115包括控制器110用来确定主车100的轨迹的计算机可读数据。地图115可以存储在对 adas 10来说是本地的或者对adas 10来说是远程的存储设备上。地图115 包括关于主车100可以行进的一条或多条可导航道路的信息。38.图3描绘了根据一个或多个实施例的基于地图的目标消歧方法的流程图。在一个或多个实施例中，方法300可以由控制器110实现。方法300便于adas 10使用车辆动态状态(例如，横向距离)以及目标50的感知航向和地图115之间的差异来参数化逻辑回归模型。逻辑模型提供了在当前状态下目标50的航向将与地图115对齐(align)的概率。此外，通过融合该概率 (来自地图115)和条件概率(来自传感器数据)来减少航向歧义度。39.应当注意，虽然方法300被描述为针对单个目标50执行，但是主车100 可以针对几个目标50执行航向的歧义消除。在一个或多个实施例中，可以并行执行多个目标50的歧义消除。40.在框302处，方法300包括基于来自一个或多个传感器104的测量数据计算目标50的航向(φ)。使用来自传感器104的测量来计算目标50的航向可以使用任何已知技术来执行，例如，使用相机数据、激光雷达数据、雷达数据或任何其他这样的传感器数据。应当注意，在这样的情况下，传感器104 用于监控主车100的fov中的目标50。41.在框304处，为目标50计算航向歧义概率。由于目标50正被主车100 监控，所以根据目标50的180度航向跳跃的速率来估计航向歧义概率。“航向跳跃”是目标50的航向的180度变化。例如，目标50的偏航被用于确定目标50的航向。偏航由传感器104监控。42.图4描绘了根据一个或多个实施例的目标的示例航向数据。偏航数据包括传感器偏航402，传感器偏航402是在预定持续时间内由传感器104监控的目标50的偏航的集合，所述预定持续时间例如是最后2秒、10秒、30秒等。在一个或多个实施例中，传感器偏航402是自从在主车100的fov中检测到目标50以来监控的目标50的偏航的集合。例如，在图4中，传感器偏航402示出了目标50在时间点i的航向值(φi)，其中i＝262至274。应该注意的是i可以采用其他整数值，并且在图4中仅描绘了目标50的n监测值的子集。43.为了计算航向歧义概率，对于每个时间点i，使用航向值(φi)计算跳转指标(indicator)(δi),如下所示:44.δi＝i(|φi-φi-1|≈π45.这里，对于每对连续的航向值，计算差值，并将该差值与预定值，在这样的情况下π，进行比较。在上式中，i(expr)是指标函数，当expr为真时其为1，否则为零(0)。应当理解，在其他实施例中，预定值可以不同。如果一对连续航向值的差值在预定值的预定阈值内，则认为目标50发生了航向跳跃。为目标50确定这样的航向跳跃的次数。46.在一个或多个实施例中，在持续时间窗口(w)410中确定航向跳跃的次数。持续时间窗口410表示为目标50监控的n航向值的子集的选择。持续时间窗口410是预定长度的，并且可以便于选择预定数量(w)的最近航向值。47.此外，每个时间点i的航向歧义概率(qa)被计算为持续时间窗口410中跳跃次数的加权平均值，衰减率d如下:[0048][0049]这里，d是表示衰减率的预定值。衰减率用于加权航向越来越高的最近值。[0050]返回参考方法300的流程图，在框305处，航向歧义概率(qa)被转换为条件概率(pa)。假设目标50的航向与地图115对齐，条件概率表示获得目标50的正确航向的概率。pa＝p(对齐的正确航向|目标航向与地图对齐)。时间点的条件概率计算如下:pa＝1-qa/2。[0051]此外，在框306和308处，如果目标50的航向偏移(δφ)超过预定阈值，则控制器110执行航向翻转。航向偏移是最近一对连续航向值的差值。用于确定航向偏移的预定阈值可以是常数，例如90度、100度或任何其他这样的值。执行航向翻转包括将目标50的航向值改变180度，φ′＝φ+π,其中φ′是当φ的当前值翻转时的结果航向值。此外，执行航向翻转包括更新条件概率pa＝1-pa。[0052]表1描述了qa和pa的示例值:[0053]qapa1.00.50.60.70.6(带航向翻转)0.301[0054]方法300还包括在框310处计算地图对齐先验概率，或地图概率，(pm)。除了来自基于传感器104的感知的航向信息之外，给定目标50根据来自地图115的数据遵循合法允许的行进车道方向，地图115提供了另一个航向信息来源。因此，地图对齐先验概率(pm)提供了目标50与其在地图115中的相关车道的方向对齐。这样的对齐至少取决于横向距离(d)以及标称路径的方向和来自传感器数据的目标50的航向之间的航向差(ε)。[0055]横向距离(d)是目标50与道路20中车道中心之间的距离。在一个或多个实施例中，道路20中车道中心的信息可以从地图115中确定。可选地，或者另外，车道的中心可以使用传感器104来确定。例如，传感器104可以捕获道路20的图像，使用图像处理算法，可以从该图像中检测一个或多个车道标记。使用该车道标志，可以计算出车道的中心。[0056]标称路径的方向和目标50的方向之间的航向差(ε)可以使用地图115 和目标50的当前航向值来计算。标称路径在图4中显示为地图数据404。在每个时间点，地图数据404基于地图115指示目标50的估计方向、航向。[0057]例如，基于地图115、主车100的位置以及目标50与主车100的相对位置，控制器110可以估计目标50的行进方向。例如，如果目标50与主车100 在同一车道上，则控制器110可以估计目标50与主车100在同一方向上行进。替代地，如果目标50在第一方向上(例如，左侧)从主车100横向偏移，并且如果地图115指示主车100在道路20的第一方向上的极限车道中(即，最左侧车道)，则控制器110可以估计目标50在与主车100相反方向行进的另一车道中。应当理解，以上是示例，并且基于地图115中的数据、地理位置和这些地理位置中的行进规定以及其他因素，各种其他示例也是可能的。[0058]在一个或多个实施例中，假设使用逻辑模型计算地图对齐先验概率。可以使用如下表达式来执行计算:[0059][0060]这里，a0，a1和a2是预定常数。在一个或多个实施例中，收集的训练数据被用作地面实况(ground truth)，并将其拟合到逻辑回归模型中以估计参数 a0、a1、a2。使用上述表达式，当横向距离和航向偏移小时(小于预定阈值)，期望地图115是信息丰富的并且pm≈1。[0061]方法300还包括在框312处计算后验概率(pf)。在一个或多个实施例中，目标与地图115对齐的后验概率可以使用贝叶斯(bayes)规则来计算:[0062][0063]如果后验概率小于阈值，例如0.5，则在框314、316处，执行航向翻转以校正目标50的航向。如早前所述，航向翻转通过增加180度来改变目标 50的航向值:φ＝φ+π。此外，在第二次航向翻转期间，后验概率值更新为 pf＝1-pf。[0064]在方框318处，控制器110输出后验歧义概率和航向。结果是最可能的航向和相应的后验歧义概率。在一个或多个实施例中，后验歧义概率(qf) 被计算为qf＝2(1-pa)。adas 10使用航向来生成控制信号，以改变主车 100的致动器102的操作，导致主车100的轨迹/操作的改变。在一个或多个实施例中，后验歧义概率可以被adas 10的其他函数使用，例如，以确定给予目标50的航向值多少权重。[0065]从方法300的流程图可以看出，在一些情况下，取决于航向偏移和后验概率值，航向翻转被执行两次。[0066]应当注意，方法300是针对主车100的fov中的几个目标50并行执行的。[0067]图5描绘了根据一个或多个实施例的校正目标航向的示例场景。在该示例中，通过执行方法300来校正目标50的航向502，该校正导致根据传感器数据估计的航向502翻转180度。[0068]这些技术解决方案通过降低捕获高分辨率、宽fov图像以实现adas 的一个或多个应用的成本，促进了提高adas系统在车辆中的性能的实际应用。[0069]现在转到图6，根据一实施例总体示出了计算机系统700。如本文所述，计算机系统700可以是包括和/或使用任意数量的计算设备和网络以及利用各种通信技术的网络的组合的电子计算机框架。计算机系统700可以是容易扩展的、可扩展的和模块化的，具有独立于其他特征改变到不同服务或重新配置一些特征的能力。计算机系统700可以是例如服务器、台式计算机、膝上型计算机、平板计算机或智能手机。在一些示例中，计算机系统700可以是云计算节点。计算机系统700可以在由计算机系统执行的计算机系统可执行指令(例如程序模块)的一般上下文中描述。通常，程序模块可以包括例程、程序、对象、组件、逻辑、数据结构等等，它们执行特定的任务或实现特定的抽象数据类型。计算机系统700可以在分布式云计算环境中实践，其中任务由通过通信网络链接的远程处理设备来执行。在分布式云计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。[0070]如图6所示，计算机系统700具有一个或多个中央处理单元(cpu)701a、 701b、701c等(统称为处理器701)。处理器701可以是单核处理器、多核处理器、计算集群或任何数量的其他配置。也被称为处理电路的处理器701 经由系统总线702联接到系统存储器703和各种其他组件。系统存储器703 可以包括只读存储器(rom)704和随机存取存储器(ram)705。rom704 联接到系统总线702，并且可以包括控制计算机系统700的某些基本功能的基本输入/输出系统(bios)。ram是联接到系统总线702的读写存储器，供处理器701使用。系统存储器703在操作期间为所述指令的操作提供临时存储空间。系统存储器703可以包括随机存取存储器(ram)、只读存储器、闪存或任何其他合适的存储系统。[0071]计算机系统700包括联接到系统总线702的输入/输出(i/o)适配器706 和通信适配器707。i/o适配器706可以是与硬盘708和/或任何其他类似组件通信的小型计算机系统接口(scsi)适配器。i/o适配器706和硬盘708在这里统称为大容量存储器710。[0072]用于在计算机系统700上执行的软件711可以存储在大容量存储器710 中。大容量存储器710是处理器701可读的有形存储介质的示例，其中软件 711被存储为由处理器701执行的指令，以使计算机系统700运行，如这里参考各个附图所描述的。这里更详细地讨论了计算机程序产品和这样的指令的执行的例子。通信适配器707将系统总线702与网络712互连，网络712 可以是外部网络，使得计算机系统700能够与其他这样的系统通信。在一个实施例中，系统存储器703的一部分和大容量存储器710共同存储操作系统，该操作系统可以是协调图6所示的各种组件的功能的任何合适的操作系统。[0073]附加的输入/输出设备被示为经由显示适配器715和接口适配器716连接到系统总线702。在一个实施例中，适配器706、707、715和716可以连接到一个或多个i/o总线，这些总线通过中间总线桥(未示出)连接到系统总线702。显示器719(例如，屏幕或显示监视器)通过显示适配器715连接到系统总线702，显示适配器715可以包括用于提高图形密集型应用的性能的图形控制器和视频控制器。键盘、鼠标、触摸屏、一个或多个按钮、扬声器等可以经由接口适配器716互连到系统总线702，接口适配器716可以包括例如将多个设备适配器集成到单个集成电路中的超级i/o芯片。用于连接外围设备(如硬盘控制器、网络适配器和图形适配器)的合适的i/o总线通常包括通用协议，如外围组件互连(pci)。因此，如图6所示，计算机系统 700包括处理器701形式的处理能力，包括系统存储器703和大容量存储器 710的存储能力，诸如按钮、触摸屏的输入装置，以及包括扬声器723和显示器719的输出能力。[0074]在一些实施例中，通信适配器707可以使用任何合适的接口或协议来传输数据，例如因特网小型计算机系统接口等。网络712可以是蜂窝网络、无线电网络、广域网(wan)、局域网(lan)或因特网等。外部计算设备可以类似于系统712的计算设备700。在一些示例中，外部计算设备可以是外部网络服务器或云计算节点。[0075]应当理解，图6的框图并不意味着计算机系统700包括图6所示的所有组件。相反，计算机系统700可以包括图6中未示出的任何适当的更少或附加的组件(例如，附加的存储器组件、嵌入式控制器、模块、附加的网络接口等)。此外，本文中关于计算机系统700描述的实施例可以用任何适当的逻辑来实现，其中在各种实施例中，本文中所指的逻辑可以包括任何适当的硬件(例如，处理器、嵌入式控制器或专用集成电路等)、软件(例如，应用程序等)、固件或硬件、软件和固件的任何适当组合。[0076]除非明确描述为“直接的”，否则当在上述公开中描述第一和第二元件之间的关系时，该关系可以是在第一和第二元件之间不存在其他介入元件的直接关系，但是也可以是在第一和第二元件之间存在一个或多个介入元件(空间上或功能上)的间接关系。[0077]应当理解，方法或过程中的一个或多个步骤可以以不同的顺序(或同时) 执行，而不改变本公开的原理。此外，尽管每个实施例在上面被描述为具有某些特征，但是关于本公开的任何实施例描述的那些特征中的任何一个或多个可以在任何其他实施例中实现和/或与任何其他实施例的特征相结合，即使该结合没有被明确描述。换句话说，所描述的实施例并不相互排斥，并且一个或多个实施例彼此的置换仍在本公开的范围内。[0078]虽然已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离其范围的情况下，可以进行各种改变，并且等同物可以替代其元件。此外，在不脱离本公开的基本范围的情况下，可以进行许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!