1.本发明属于智能驾驶领域，种汽踪自质流涉及一种汽车路径跟踪自抗扰方法、车路储介程系统、径跟及存设备及存储介质。抗扰
背景技术：
2.近年来，系统无人驾驶汽车因在改善交通效率、设备提高道路交通安全性及降低能耗等方面具有显著的种汽踪自质流优点，受到整个汽车行业乃至交叉领域研究人员的车路储介程广泛关注，成为汽车行业的径跟及存重要发展方向和研究热点。同时，抗扰得益于传感器技术、系统计算机软硬件技术和控制技术的设备快速发展，无人驾驶汽车技术也取得了长足的种汽踪自质流进步。作为无人驾驶汽车的车路储介程关键技术之一，路径跟踪控制问题是径跟及存研究通过控制智能车的车轮转向或差动转向等方式，使得智能车能够沿着期望的路径行驶。但由于车辆行驶工况复杂，会受到外界各种扰动的影响，现有的路径跟踪控制过程没有考虑到横摆稳定性和抗外界扰动的问题，使得车辆行驶的安全性较低。
技术实现要素：
3.本发明的目的在于克服上述现有技术的缺点，提供一种汽车路径跟踪自抗扰方法、系统、设备及存储介质，使车辆在行驶过程中，具有较好的横摆稳定性和自抗扰的能力，提高行驶安全性。
4.为达到上述目的，本发明采用以下技术方案予以实现：
5.一种汽车路径跟踪自抗扰方法，包括以下过程：
6.s1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；
7.s2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；
8.s3，根据s1和s2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；
9.s4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
10.优选的，s1的具体过程为：微分跟踪函数为，
[0011][0012]
其中yd为期望路径的横向位移，r1、r2分别为微分跟踪函数的输出值，且r1→
yd，fhan(x1，x2，r，h)具有以下表达式的微分跟踪函数：
[0013][0014]
其中，r为跟踪速度因子，h为积分步长，x1、x2分别为fhan(x1，x2，r，h)函数的自变量，x1＝r
1-yd、x2＝r2，a0、d0、j、d、a分别为fhan(x1，x2，r，h)函数的内部参数。
[0015]
优选的，s2的具体过程为：扩张状态观测函数为：
[0016][0017]
其中，m为整车质量，v
x
、vy分别为车辆质心出的纵向速度和侧向速度，为航向角，lf、lr分别为前轴和后轴到质心的距离，cf、cr分别为前轴和后轴单侧轮胎的侧偏刚度，δf为前轮转角；
[0018]
增加扰动项至上式中，可得如下公式：
[0019][0020]
其中，w(t)为外部干扰；
[0021]
将上式改写成单输入单输出的二阶系统，表示为：
[0022][0023]
其中，x3、x4为待估计的状态变量，be＝2cf/m，u
*
＝δf；
[0024]
为被控对象的模型不确定性和外部扰动的总扰动；
[0025]
取被控对象的总扰动部分f(
·
)＝x3作为一个扩张状态变量，则扩张后的上式改写为：
[0026][0027]
得到扩张状态变量x＝[x3，x4，x5]
t
的估计值z＝[z1，z2，z3]
t
，其中z3即为被控对象的未知干扰总和f(
·
)的估计值；
[0028]
非线性扩张观测函数为：
[0029][0030]
式中，λ1，λ2，λ3为扩张观测函数增益系数，fal为非线性函数，可表示为：
[0031][0032]
其中，λi，ai，γi分别表示为非线性函数参数；
[0033]
即可得出车辆系统的扰动值为：
[0034]
优选的，s3的具体过程为：为了控制车辆跟踪理想的车辆行驶状态，使车辆的横向偏差和航向偏差趋近0，定义代价函数：
[0035][0036]
式中ye为横向偏差，为横向偏差的微分，为航向偏差，为航向偏差的微分，q为半正定矩阵，r为正定矩阵；表示车辆实际状态和理想状态的误差加权累积和，表示车辆输入能量的加权累积；
[0037]
为使性能指标函数j最小，控制输入为：
[0038]
u0＝-r-1bt
px
[0039]
式中矩阵p满足riccati方程：
[0040]at
p+pa+q-pbr-1bt
p＝0
[0041]
综上，lqr控制器输出的前轮转角和附加横摆力矩输入为：
[0042]
[δ
f0 δ
r δmz]
t
＝-r-1bt
px
[0043]
其中，δ
f0
为最终的前轮转角，δr为后轮转角，δmz为附加横摆力矩。
[0044]
进一步，扰动补偿后的控制输入为：
[0045][0046]
其中为车辆系统的扰动值。
[0047]
优选的，s4中，最大的制动力矩计算过程为：
[0048]
对于第i个车轮，定义制动力f
xbi
的约束条件为
[0049]fxbmi
≤f
xbi
≤0
[0050]
且
[0051]fxbmi
＝ε
ifxb0i
[0052]
式中，f
xbmi
为车轮i的实际制动力极限；f
xb0i
为车轮i能够产生的最大制动力；εi为轮胎垂向载荷对制动力极限的影响因子，定义计算εi的经验模型：
[0053]
εi＝τisin[c1arctan(c2τi)+c3arctan(c4τi)]
[0054]
式中c1，c2，c3，c4均为经验常数，分别为1.3，，2，-1.99，0.3；τi为车轮动态垂向载荷与静载的比值，即
[0055]
故制动力极限u
min
＝[f
xbml1
，f
xbml2
，f
xbmr1
，f
xbmr2
]
t
，并取u
max
＝0。
[0056]
进一步，车轮制动力分配问题即为根据顶层横摆力矩控制器输入的附加横摆力矩δmz，决策出满足约束条件u
min
≤u≤u
max
的各车轮制动力u，使得v＝b1u，v为广义控制指令矩阵；b1为控制效率矩阵；u为执行器控制输入矩阵；u
min
，u
max
为控制输入的上下限矩阵，如果存在多个解，则取最优解；如果无解，则取u使得b1u最接近v，等价于误差最小化。
[0057]
一种汽车路径跟踪自抗扰系统，包括：
[0058]
微分跟踪器，用于获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；
[0059]
扩张状态观测器，用于获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；
[0060]
最优控制器，用于根据微分跟踪器和扩张状态观测器的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；
[0061]
制动力分配器，用于计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0062]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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所述汽车路径跟踪自抗扰方法的步骤。
[0063]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述汽车路径跟踪自抗扰方法的步骤。
[0064]
与现有技术相比，本发明具有以下有益效果：
[0065]
本发明根据当前智能车的横向和航向角偏差来决策出车轮转向角度和附加横摆力矩。下层控制器设计车轮制动力最优分配器，采用约束加权最小二乘算法最优分配各个车轮的制动力，通过差动制动的形式实现顶层输出的附加横摆力矩，实现车辆差动转向，实现智能车路径跟踪控制中差动转向的能力；采用扩张状态观测的方法，解决路径跟踪控制中扰动估计出现的抖动现象，进一步解决了方向盘抖动的问题；将扰动量作为一个扩张状态量，对扰动量进行估计，计算出补偿值并对前轮转角进行补偿，得到最终的前轮转角，从而实现自抗扰的目的。使车辆在行驶过程中，具有较好的横摆稳定性和自抗扰的能力，提高行驶安全性。
附图说明
[0066]
图1为本发明的汽车路径跟踪自抗扰方法流程图；
[0067]
图2为本发明的汽车路径跟踪自抗扰逻辑关系图；
[0068]
图3为本发明的两自由度单轨车辆模型示意图；
[0069]
图4为本发明的车辆路径跟踪模型示意图。
具体实施方式
[0070]
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，本领域普通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。
[0071]
需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
[0072]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0073]
如图1所示，本发明所述的汽车路径跟踪自抗扰方法，包括以下过程：
[0074]
s1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值。
[0075]
s2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值。
[0076]
s3，根据s1和s2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角。
[0077]
s4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0078]
如图2所示，本发明包括微分跟踪器、扩张状态观测器、最优控制器和制动力分配器，图中v，y为车辆实际的纵向和横向位移；v
x
，vy为车辆实际的纵向和横向速度；a
x
，ay为车辆实际的纵向和横向加速度。为车辆实际的横向位移和横向位移微分的估计值。上述方案的具体过程为：
[0079]
1车辆路径跟踪模型
[0080]
1.1车辆动力学模型
[0081]
单轨车辆模型含有两个自由度如图3所示，包括：侧向运动和横摆运动，输入包括前轮转角和附加横摆力矩。将动态坐标系xyz的原点与车辆质心重合，x轴表示车辆纵向运动方向，y轴表示车辆横向运动方向。
[0082]
基于小角度理论，车辆动力学模型的横向和横摆运动方程表示如下：
[0083][0084]
式中，m为整车质量，iz为整车横摆转动惯量，v
x
、vy分别为车辆质心出的纵向速度和侧向速度，为航向角，f
yf
、f
yr
分别为前轴侧向力和后轴侧向力，lf、lr分别为前轴和后轴到质心的距离，δf、δr分别为前轮和后轮转角输入，δmz为附加横摆力矩。
[0085]
轮胎侧向力定义为
[0086]
[0087]
式中，cf、cr分别为前轴和后轴单侧轮胎的侧偏刚度，αf、αr分别表示为轮胎前后轴侧偏角，可分别表示为：
[0088][0089]
1.2路径跟踪误差模型
[0090]
车辆路径跟踪控制模型中，采用车辆与期望路径之间的航向偏差和横向偏差来表征路径跟踪效果，建立如图4所示的车辆路径跟踪模型，其中，x，y表示为大地坐标系的坐标轴。
[0091]
航向偏差及其微分的形式表示为
[0092][0093]
式中为期望路径的航向角，为期望路径的航向角速度，可表示为
[0094][0095]
式中，ρ为期望路径的曲率。
[0096]
考虑到航向偏差角度相对较小，利用serret-frenet方程，路径跟踪横向偏差ye可简化为
[0097][0098]
综合上式，基于小角度理论，可得车辆动力学和路径跟踪控制模型为
[0099][0100]
式中：x为系统状态变量；a为状态转移矩阵；b为输入矩阵；u为输入量；e为干扰矩阵。
[0101][0102]
u＝(δ
f δrδmz)
t
。
[0103]
2.微分跟踪器
[0104]
微分跟踪器在没有超调的情况下快速跟踪输入信号，并给出输入信号的微分，使用微分跟踪器来跟踪所需路径的横向位移，并给出其微分信号，其数学表达式为
[0105][0106]
其中yd为期望路径的横向位移，为期望路径横向位移的微分值；r1、r2分别为微分跟踪器的输出值，且r1→
yd，fhan(x1，x2，r，h)具有以下表达式的跟踪微分器函数
[0107][0108]
其中，r为跟踪速度因子，h为积分步长，x1、x2分别为fhan(x1，x2，r，h)函数的自变量，本专利中x1＝r
1-yd、x2＝r2；a0、d0、j、d、a分别为fhan(x1，x2，r，h)函数的内部参数。
[0109]
3.最优控制器
[0110]
为了控制车辆跟踪理想的车辆行驶状态，使车辆的横向偏差和航向偏差趋近0，定义代价函数：
[0111][0112]
式中q为半正定矩阵，r为正定矩阵。表示车辆实际状态和理想状态的误差加权累积和，表示车辆输入能量的加权累积。
[0113]
为使性能指标函数j最小，控制输入应为：
[0114]
u0＝-r-1bt
px
ꢀꢀ
(11)
[0115]
式中矩阵p满足riccati方程：
[0116]at
p+pa+q-pbr-1vt
p＝0
ꢀꢀ
(12)
[0117]
综上，lqr控制器输出的前轮转角和附加横摆力矩输入为：
[0118]
[δ
f0 δ
r δmz]
t
＝-r-1bt
px
ꢀꢀ
(13)
[0119]
4.扩张状态观测器
[0120]
扩张状态观测器可表示为：
[0121][0122]
其中，m为整车质量，v
x
、vy分别为车辆质心出的纵向速度和侧向速度，为航向角，lf、lr分别为前轴和后轴到质心的距离，cf、cr分别为前轴和后轴单侧轮胎的侧偏刚度，δf为前轮转角
[0123]
增加扰动项在式(14)，可得如下公式：
[0124][0125]
其中，w(t)为外部干扰。
[0126]
式(15)可进一步改写成单输入单输出的二阶系统，表示为：
[0127][0128]
其中，x3、x4为待估计的状态变量，be＝2cf/m，u
*
＝δf；
[0129]
为被控对象的模型不确定性和外部扰动的总扰动。
[0130]
取被控对象的总扰动部分f(
·
)＝x3作为一个扩张状态变量，则扩张后的系统(16)可改写为：
[0131][0132]
从而可以构造出扩张状态观测器，得到扩张状态变量x＝[x3，x4，x5]
t
的估计值z＝[z1，z2，z3]
t
，其中z3即为被控对象的未知干扰总和f(
·
)的估计值。
[0133]
非线性扩张观测器可设计为：
[0134][0135]
式中，λ1，λ2，λ3为扩张观测器增益系数，fal为非线性函数，可表示为：
[0136][0137]
其中，λi，ai，γi分别表示为非线性函数参数。
[0138]
即可得出扰动量为
[0139][0140]
因此，扰动补偿后的控制输入可表示为
[0141][0142]
5.制动力分配器
[0143]
车轮制动力分配方法是在考虑执行器约束的前提下，将广义控制指令最优的分配到各个执行器，控制分配问题可表示为
[0144]
[0145]
式中：v为广义控制指令矩阵；b1为控制效率矩阵；δmz为附加横摆力矩，u为执行器控制输入矩阵；u
min
，u
max
为控制输入的上下限矩阵。
[0146]
5.1制动力约束条件
[0147]
要先解决制动力控制分配问题，首先需要确定各个车轮制动力的上下限。车轮能够产生的最大地面制动力与主要与车轮垂向载荷和路面附着系数有关，垂向载荷和路面附着系数可以根据车辆运动状态由观测器实时估计得到，对于第i个车轮，定义制动力f
xbi
的约束条件为
[0148]fxbmi
≤f
xbi
≤0
ꢀꢀ
(23)
[0149]
且
[0150]fxbmi
＝ε
ifxb0i
ꢀꢀ
(24)
[0151]
式中，f
xbmi
为车轮i的实际制动力极限；f
xb0i
为车轮i能够产生的最大制动力。εi为轮胎垂向载荷对制动力极限的影响因子，定义计算εi的经验模型
[0152]
εi＝τisin[c
1 arctan(c2τi)+c
3 arctan(c4τi)]
ꢀꢀ
(25)
[0153]
式中c1，c2，c3，c4均为经验常数，分别为1.3，，2，-1.99，0.3；τi为车轮动态垂向载荷与静载的比值，即
[0154]
故制动力极限u
min
＝[f
xbml1
，f
xbml2
，f
xbmr1
，f
xbmr2
]
t
，并取u
max
＝0。
[0155]
5.2制动力分配算法
[0156]
车轮制动力分配问题即为根据顶层横摆力矩控制器输入的附加横摆力矩δm，决策出满足约束条件u
min
≤u≤u
max
的各车轮制动力u，使得v＝b1u。如果存在多个解，则取最优解；如果无解，则取u使得b1u最接近v，等价于误差最小化，定义代价函数
[0157][0158]
在差动制动获得期望附加横摆力矩时，期望使各个车轮制动力的绝对值最小，即控制力最小化，定义代价函数
[0159][0160]
进一步地，车轮制动力分配问题转化为误差最小化和控制力最小化问题，结合式(26)和式(27)，控制分配问题(22)可以转化为下列约束加权最小二乘问题，即
[0161][0162]
式中，ω为误差最小化和控制力最小化的加权系数；u
min
、u
max
分别为制动力的下限值和上限值；ud为期望的制动力输入，期望|ud|最小，因此令ud＝u＝
max
的；w为加权矩阵，且
[0163]
w＝diag(w1，w2，w3，w4)
[0164]
根据图1及车辆动力学性质
[0165][0166]
定义控制输入矩阵
[0167][0168]
考虑到
[0169][0170]
式中
[0171][0172]
所以，最终控制分配问题式(26)等价于
[0173][0174]
可以通过有效集法求解。
[0175]
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
[0176]
本发明再一个实施例中，提供了一种汽车路径跟踪自抗扰系统，该汽车路径跟踪自抗扰系统可以用于实现上述汽车路径跟踪自抗扰方法，具体的，该汽车路径跟踪自抗扰系统包括微分跟踪器、扩张状态观测器、最优控制器以及制动力分配器。
[0177]
其中，微分跟踪器用于获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值。
[0178]
扩张状态观测器用于获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值。
[0179]
最优控制器用于根据微分跟踪器和扩张状态观测器的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角。
[0180]
制动力分配器用于计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0181]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital sgnal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列
(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于汽车路径跟踪自抗扰方法的操作，包括：s1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；s2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；s3，根据s1和s2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；s4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0182]
再一个实施例中，本发明还提供了一种计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0183]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关汽车路径跟踪自抗扰方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：s1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；s2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；s3，根据s1和s2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；s4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0184]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0185]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0186]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0187]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0188]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0189]
应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显而易见的。因此，本专利的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的，所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主题内容，也不应该认为申请人没有将该主题考虑为所公开的发明主题的一部分。