1.本发明涉及机械臂控制领域，具体涉及一种摩擦力补偿方法、装置、电子设备和存储介质。


背景技术：

2.机械臂在运动过程中不可避免地受到机构之间的摩擦力影响导致结构磨损并产生运动误差，因此在考虑机械臂的摩擦力情况下如何建立模型以消除（补偿）摩擦力对机械臂运动过程的影响成为优化机械臂动力学性能的热点问题。
3.现有技术中，大部分基于摩擦力建立的机械臂预测模型仅仅考虑到当前机械臂的运动参数以预测摩擦力对机械臂的影响，并没有充分考虑机械臂的历史运动状态，对于所建立的预测模型来说，输入的特征维度较少，以致所输出的摩擦力补偿值不够准确。
4.此外，大部分预测模型中仅仅采用单一的学习算法（学习器），以致泛化能力不佳。
5.因此，现有技术有待改进和发展。


技术实现要素：

6.本发明的目的在于提供一种摩擦力补偿方法、装置、电子设备和存储介质，能够提高摩擦力补偿的精确度，同时有效提高预测模型的泛化能力。
7.第一方面，本技术提供一种摩擦力补偿方法，用于机械臂控制系统，所述摩擦力补偿方法包括以下步骤：s1.获取机械臂各个轴的状态数据；所述状态数据包括规划参数和历史参数；s2.将所述状态数据输入到完成训练后的预测模型中，获取预测力矩改正值；所述预测模型包括至少一个初级学习器和一个次级学习器；s3.将所述预测力矩改正值输入到所述机械臂的力矩前馈值中，以使所述机械臂根据所述力矩前馈值工作。
8.第一方面，以历史实际的机械臂所有轴的状态数据和当前规划的机械臂所有轴的状态数据同时作为输入，充分考虑到了可能会影响到摩擦力的因素；第二方面，所建立的模型由两级学习算法（学习器）组成，将充分考虑机械臂历史参数的数据输入到模型中进行训练，使得模型能够参考更多特征维度，提高模型输出数据的准确度；第三方面，数据依次经过两层学习算法的解析预测，相比于采用单一学习算法，能够进一步确保所输出的摩擦力补偿值（预测力矩改正值）更加准确。
9.进一步的，所述完成训练后的预测模型通过以下方式训练得到：s21.获取多个原始样本数据，各个所述原始样本数据均包括状态数据和对应的标定力矩改正值；s22.基于各个所述初级学习器所用的算法模型，为每个所述初级学习器预设多个超参数组合；s23.基于所述原始样本数据和所述超参数组合，通过交叉验证法训练所述初级学
习器，获得多个优选的初级学习器；s24.基于所述原始样本数据，训练各个所述优选的初级学习器，获取多个最终的初级学习器；s25.将多个所述原始样本数据分别输入到所述最终的初级学习器中，以获取所述最终的初级学习器的输出值，把每个所述输出值和对应的所述标定力矩改正值作为一个初级样本，得到多个所述初级样本；s26.利用所有所述初级样本训练所述次级学习器，以获得一个最终的次级学习器。
10.初级学习器的输出作为次级学习器的输入训练，在初级学习器完成训练后其输出数据已具有一定精确度的情况下，利用该初级学习器的输出数据训练次级学习器，使得完成训练后的次级学习器能够输出更加精确的数据。
11.进一步的，步骤s23包括：s231.将所述原始样本数据划分为多个互斥的子集；s232.根据所述子集获取多个折，各个所述折均包括由一个所述子集组成的第一测试集和由其余所述子集组成的第一训练集；各个所述折的所述第一测试集不相同；s233.对于每个所述初级学习器均执行：将各个所述折分别输入到基于各种超参数组合的所述初级学习器中，以获得对应各种超参数组合的评价结果；s234.根据所有所述评价结果，获得所述优选的初级学习器。
12.通过数据对初级学习器进行训练，寻找到初级学习器对应算法的最佳超参数组合，有利于更快地使初级学习器完成训练，同时还能够保证初级学习器有足够精确度。
13.进一步的，步骤s26包括：将所述初级样本划分为第二测试集和第二训练集；利用所述第二训练集训练所述次级学习器；利用所述第二测试集测试训练后的所述次级学习器。
14.进一步的，所述利用所述第二训练集训练所述次级学习器的步骤包括：在所述次级学习器的相邻两次训练的输出误差之间的偏差小于第一预设阈值时，停止训练。
15.进一步的，所述预测模型包括一个所述初级学习器，所述初级学习器为基于xgboost算法的学习器或基于神经网络算法的学习器；所述次级学习器为基于多响应线性回归算法的学习器。
16.进一步的，所述预测模型包括两个所述初级学习器，其中一个所述初级学习器为基于xgboost算法的学习器，另一个所述初级学习器为基于神经网络算法的学习器；所述次级学习器为基于多响应线性回归算法的学习器。
17.第二方面，本发明还提供了一种摩擦力补偿装置，用于机械臂控制系统，所述摩擦力补偿装置包括：第一获取模块，用于获取机械臂各个轴的状态数据；所述状态数据包括规划参数和历史参数；第二获取模块，用于将所述状态数据输入到完成训练后的预测模型中，获取预测
力矩改正值；所述预测模型包括至少一个初级学习器和一个次级学习器；执行模块，用于将所述预测力矩改正值输入到所述机械臂的力矩前馈值中，以使所述机械臂根据所述力矩前馈值工作。
18.将历史参数作为一部分输入数据，能够有效增加特征维度，使得最终获得的预测模型能够更充分地考虑到各种影响因素，从而使得预测模型输出的结果更加全面和精确；同时，预测模型设置有两个学习器，有利于提高预测模型的泛化能力。
19.第三方面，本发明提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述摩擦力补偿方法中的步骤。
20.第四方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述摩擦力补偿方法中的步骤。
21.由上可知，一方面本技术通过获取机械臂的历史参数作为数据输入到预测模型中进行模型训练，充分考虑历史因素对机械臂运动的影响，使得预测模型参考的特征维度更多，从而提高预测模型输出的摩擦力补偿值更加精确；另一方面，本技术预测模型由两层学习算法（学习器）建立，两个学习算法串联设置（前者训练完成后输出数据用于后者训练），将状态数据输入到训练好的模型中后能够得到递进式解析（经一层解析预测后再进行一次解析预测），使得最终输出的摩擦力补偿值（预测力矩改正值）更加准确，有效优化机械臂。
22.本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、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
23.图1为本技术实施例提供的摩擦力补偿方法的一种流程图。
24.图2为本技术实施例提供的摩擦力补偿装置的一种结构示意图。
25.图3为本技术实施例提供的电子设备的结构示意图。
具体实施方式
26.下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
28.实际应用中，摩擦力产生于机械臂运动过程中齿轮间磨损等多种因素，作用过程较为复杂，包含静摩擦、滑动摩擦、粘性摩擦等摩擦力。在机械臂的运动过程中，摩擦力会带来以下不利影响：各轴减速器众多齿轮间咬合的摩擦力造成规划误差，随时间由于重复动
作导致的齿轮局部磨损、减速器工艺导致的齿轮间隙造成规划误差等等。
29.因此大部分时候仅仅考虑各轴的速度、力矩作为预测模型的输入数据，其特征维度太少，有可能因缺失部分特征而导致存在不确定性的风险，最终导致预测模型输出的数据不能对机械臂的运动展现出优异的优化效果；而在训练时，特征维度太少亦不足以充分训练预测模型，以致最终的预测模型精确度不高。
30.在某些优选的实施例中，一种摩擦力补偿方法，用于机械臂控制系统，其中，摩擦力补偿方法包括步骤：s1.获取机械臂各个轴的状态数据；状态数据包括规划参数和历史参数；s2.将状态数据输入到完成训练后的预测模型中，获取预测力矩改正值；预测模型包括至少一个初级学习器和一个次级学习器；s3.将预测力矩改正值输入到机械臂的力矩前馈值中，以使机械臂根据力矩前馈值工作。
31.本实施例中，规划参数代表的是机械臂各个轴在当前时刻所规划的参数，例如规划速度、规划位置、规划加速度、计算力矩和温度传感器测得的各轴的电机温度等；历史参数代表的是机械臂各个轴在历史时刻实测的参数，例如一个控制周期（一般是毫秒为单位，例如常见的是4ms）前，所有轴的实测速度、实测位置、实测加速度、实测力矩和温度传感器测得的各轴的电机温度等。
32.第一方面，利用当前时刻机械臂状态数据和历史时刻机械臂状态数据比单独只用当前时刻机械臂状态数据能够包含更多与当前时刻有关的特征，例如判断机械臂各个关节是否处于加速、减速或者匀速的状态，推算出当前时刻的加速度；第二方面，机械臂的状态（速度、位置等）由于机械臂的运动特点都是连续变化的，不会发生突变，状态之间存在很强的关联性，将历史参数输入预测模型中可以帮助学习到这种隐藏的关联；第三方面，输入数据包含历史参数后，使得输入数据之间的独立性增强，更符合机器学习的数据独立分布原则，有利于预测模型的学习（因为不同的时刻中，可能出现相同的机械臂状态，但是很难出现两个历史机械臂状态也相同的情况）。
33.需要说明的是，输入到预测模型中用作训练的状态数据不仅限于规划参数和历史参数，还可以包括其他各个特征维度的数据，对应地，步骤s1获取的状态数据也包括其他各个特征维度的数据，例如机械臂负载数据等。
34.本实施例利用多种特征维度的数据作为预测模型的输入数据，所考虑的影响因素更加充分和全面，降低不确定性的风险，使得预测模型输出的数据能够更好地优化机械臂的运动。
35.本实施例中，在对预测模型进行训练时，考虑到机械臂状态多变以致其训练数据集较大，因此采用学习策略为组合策略，即设置初级学习器集成xgboost和/或神经网络，然后设置另一个次级学习器将初级学习器的各种输出结果（xgboost的输出结果、神经网络的输出结果）进行组合的一种学习策略。基于此设计，预测模型包括两层学习器，通过数据依次训练两层学习器以获得最终完成训练后的预测模型，最后利用该完成训练后的预测模型获取预测力矩改正值（该预测力矩改正值直接补偿在机械臂上的驱动源的输出力矩上，相当于克服摩擦力对机械臂的影响），因为实际应用该完成训练后的预测模型时，输入的数据
通过两层学习器递进式进行分析预测，即经过第一层学习器分析预测获得的输出数据作为下一层学习器的输入数据进行进一步分析预测，最终获得更加精确的输出数据补偿到机械臂的驱动源的输出力矩上。
36.本实施例利用多种特征维度的数据对预测模型进行训练，使得预测模型能够得到充分训练以提高其输出数据的精确度；而结合上述组合策略，进一步使预测模型输出数据的精确度提升；最后将输出数据（力矩改正值）输入到机械臂中作为力矩前馈值，使得机械臂能够根据该力矩前馈值进行工作（力矩前馈值作为补偿，补偿到机械臂的输出力矩中，使得机械臂按补偿后的输出力矩执行相应动作）。
37.在某些实施例中，完成训练后的预测模型通过以下方式训练得到：s21.获取多个原始样本数据，各个原始样本数据均包括状态数据和对应的标定力矩改正值；s22.基于各个初级学习器所用的算法模型，为每个初级学习器预设多个超参数组合；s23.基于原始样本数据和超参数组合，通过交叉验证法训练初级学习器，获得多个优选的初级学习器；s24.基于原始样本数据，训练各个优选的初级学习器，获取多个最终的初级学习器；s25.将多个原始样本数据分别输入到最终的初级学习器中，以获取最终的初级学习器的输出值，把每个输出值和对应的标定力矩改正值作为一个初级样本，得到多个初级样本；s26.利用所有初级样本训练次级学习器，以获得一个最终的次级学习器。
38.本实施例中，各个初级学习器所用的算法模型（即算法本身）在未进行训练前其超参数和普通参数（算法中包括超参数和普通参数，此为现有技术，在此不再赘述）都是未被确认的，而在对预测模型进行训练前，用户可以事先为各个算法预设出多组超参数组合（一般依据经验预设），同时为各个算法预设一组普通参数，例如，xgboost算法中包含超参数a、b和c，将普通参数设置为d、e和f；神经网络算法中包含超参数g、h和j，将普通参数设置为k、m和n；此时为xgboost算法预设两组超参数组合：第一组超参数组合为a、b和c；第二组超参数组合为a’、b’和c’；同理，为神经网络算法预设三组超参数组合：第一组超参数组合为g、h和j；第二组超参数组合为g’、h’和j’；第三组超参数组合为g
’’
、h
’’
和j
’’
。即超参数a、b、c、g、h、j为未知数，a的可以为a和a’；b的值可以为b和b’；c的值可以为c和c’；g的值可以为g、g’和g
’’
；h的值可以为h、h’和h
’’
；j的值可以为j、j’和j
’’
。
39.然后利用交叉验证法将原始样本数据输入到各个初级学习器中，以获得各个初级学习器对应算法的最佳超参数组合，此时各个初级学习器对应算法的超参数均已被确定，随后再次输入原始样本数据对各个初级学习器再次进行训练，目的在于调整各个初级学习器对应算法的普通参数，普通参数不再依据预设的值，而是根据实际训练进行调整，最后完成训练获得最终的初级学习器（即超参数和普通参数都被设置为最佳）。
40.在某些实施例中，步骤s23包括：s231.将原始样本数据划分为多个互斥的子集；s232.根据子集获取多个折，各个折均包括由一个子集组成的第一测试集和由其
余子集组成的第一训练集；各个折的第一测试集不相同；s233.对于每个初级学习器均执行：将各个折分别输入到基于各种超参数组合的初级学习器中，以获得对应各种超参数组合的评价结果；s234.根据所有评价结果，获得优选的初级学习器。
41.本实施例中，利用交叉验证法将原始样本数据输入到各个初级学习器中，以获得各个初级学习器对应算法的最佳超参数组合，例如，将原始样品数据输入到基于超参数组合为a、b和c的xgboost算法的初级学习器中，经训练获得对该超参数组合的评价结果为x；将原始样品数据输入到基于超参数组合为a’、b’和c’的xgboost算法的初级学习器中，经训练获得对该超参数组合的评价结果为y；通过对比x和y，优选出评价结果较好的x，对应的，超参数组合为a、b和c则作为该初级学习器对应算法的最佳超参数组合；而超参数组合为a、b和c的初级学习器则称为优选的初级学习器。
42.需要说明的是，交叉验证法为现有技术，其具体过程步骤在此不再赘述。
43.在某些实施例中，步骤s26包括：将初级样本划分为第二测试集和第二训练集；利用第二训练集训练次级学习器；利用第二测试集测试训练后的次级学习器。
44.在某些实施例中，利用第二训练集训练次级学习器的步骤包括：在次级学习器的相邻两次训练的输出误差之间的偏差小于第一预设阈值时，停止训练。
45.本实施例中，各个最终的初级学习器的输出值输入到次级学习器中训练次级学习器时，每进行一次训练，次级学习器的输出值都将与标定力矩改正值对比，从而获得次级学习器的输出误差（次级学习器的输出误差指的是次级学习器的输出值与标定力矩改正值之间的差值），在进行第二次训练时，若第二次训练的次级学习器的输出误差与第一次训练的次级学习器的输出误差之间的偏差小于第一预设阈值时，则可以认为已训练完成，获得最终的次级学习器，否则对次级学习器继续进行训练，直到相邻两次训练的输出误差之间的偏差小于第一预设阈值。
46.需要说明的是，随着训练进行，若相邻两次训练的输出误差之间的偏差会逐渐接近第一预设阈值（例如，第一预设阈值为0.5，第二次训练的次级学习器的输出误差与第一次训练的次级学习器的输出误差之间的偏差为2，而第四次训练的次级学习器的输出误差与第三次训练的次级学习器的输出误差之间的偏差为1），则证明该次级学习器正在被有效训练。
47.在某些实施例中，利用第二训练集训练次级学习器的步骤包括：在训练次数超过第一预设次数时，停止训练。
48.在某些实施例中，步骤s24包括：将原始样本数据划分为第三测试集和第三训练集；利用第三训练集训练优选的初级学习器；利用第三测试集测试训练后的优选的初级学习器。
49.在某些实施例中，利用第三训练集训练优选的初级学习器的步骤包括：
在优选的初级学习器的相邻两次训练的输出误差之间的偏差小于第二预设阈值时，停止训练。
50.本实施例中，原始样本数据输入到各个优选的初级学习器中训练优选的初级学习器时，每进行一次训练，优选的初级学习器的各个输出值将分别与标定力矩改正值对比，从而获得优选的初级学习器的输出误差（优选的初级学习器的输出误差指的是优选的初级学习器的输出值与标定力矩改正值之间的差值），在进行第二次训练时，若第二次训练的优选的初级学习器的输出误差与第一次训练的优选的初级学习器的输出误差之间的偏差小于第二预设阈值时，则可以认为已训练完成，获得最终的初级学习器，否则对初级学习器继续进行训练，直至优选的初级学习器的相邻两次训练的输出误差之间的偏差小于第二预设阈值。
51.需要说明的是，随着训练进行，若相邻两次训练的输出误差之间的偏差会逐渐接近第二预设阈值（例如，第一预设阈值为0.5，第二次训练的初级学习器的输出误差与第一次训练的初级学习器的输出误差之间的偏差为2，而第四次训练的初级学习器的输出误差与第三次训练的初级学习器的输出误差之间的偏差为1），则证明该初级学习器正在被有效训练。
52.在某些实施例中，利用第三训练集训练优选的初级学习器的步骤包括：在训练次数超过第二预设次数时，停止训练。
53.在某些实施例中，预测模型包括一个初级学习器，初级学习器为基于xgboost算法的学习器或基于神经网络算法的学习器；次级学习器为基于多响应线性回归算法的学习器。
54.在某些实施例中，预测模型包括两个初级学习器，其中一个初级学习器为基于xgboost算法的学习器，另一个初级学习器为基于神经网络算法的学习器；次级学习器为基于多响应线性回归算法的学习器。
55.请参照图2，图2是本技术一些实施例中的一种摩擦力补偿装置，用于机械臂控制系统，该摩擦力补偿装置以计算机程序的形式集成在该摩擦力补偿装置的后端控制设备中，该摩擦力补偿装置包括：第一获取模块100，用于获取机械臂各个轴的状态数据；状态数据包括规划参数和历史参数；第二获取模块200，用于将状态数据输入到完成训练后的预测模型中，获取预测力矩改正值；预测模型包括至少一个初级学习器和一个次级学习器；执行模块300，用于将预测力矩改正值输入到机械臂的力矩前馈值中，以使机械臂根据力矩前馈值工作。
56.在某些实施例中，该摩擦力补偿装置还包括：训练模块，用于通过以下方式训练得到完成训练后的预测模型：s21.获取多个原始样本数据，各个原始样本数据均包括状态数据和对应的标定力矩改正值；s22.基于各个初级学习器所用的算法模型，为每个初级学习器预设多个超参数组合；s23.基于原始样本数据和超参数组合，通过交叉验证法训练初级学习器，获得多
个优选的初级学习器；s24.基于原始样本数据，训练各个优选的初级学习器，获取多个最终的初级学习器；s25.将多个原始样本数据分别输入到最终的初级学习器中，以获取最终的初级学习器的输出值，把每个输出值和对应的标定力矩改正值作为一个初级样本，得到多个初级样本；s26.利用所有初级样本训练次级学习器，以获得一个最终的次级学习器。
57.在某些实施例中，训练模块在基于原始样本数据和超参数组合，通过交叉验证法训练初级学习器，获得多个优选的初级学习器的时候执行：s231.将原始样本数据划分为多个互斥的子集；s232.根据子集获取多个折，各个折均包括由一个子集组成的第一测试集和由其余子集组成的第一训练集；各个折的第一测试集不相同；s233.对于每个初级学习器均执行：将各个折分别输入到基于各种超参数组合的初级学习器中，以获得对应各种超参数组合的评价结果；s234.根据所有评价结果，获得优选的初级学习器。
58.在某些实施例中，训练模块在利用所有初级样本训练次级学习器，以获得一个最终的次级学习器的时候执行：将初级样本划分为第二测试集和第二训练集；利用第二训练集训练次级学习器；利用第二测试集测试训练后的次级学习器。
59.在某些实施例中，训练模块在利用第二训练集训练次级学习器的时候执行：在次级学习器的相邻两次训练的输出误差之间的偏差小于第一预设阈值时，停止训练。
60.在某些实施例中，训练模块在利用第二训练集训练次级学习器的时候执行：在训练次数超过第一预设次数时，停止训练。
61.在某些实施例中，训练模块在基于原始样本数据，训练各个优选的初级学习器，获取多个最终的初级学习器的时候执行：将原始样本数据划分为第三测试集和第三训练集；利用第三训练集训练优选的初级学习器；利用第三测试集测试训练后的优选的初级学习器。
62.在某些实施例中，训练模块在利用第三训练集训练优选的初级学习器的时候执行：在优选的初级学习器的相邻两次训练的输出误差之间的偏差小于第二预设阈值时，停止训练。
63.在某些实施例中，训练模块在利用第三训练集训练优选的初级学习器的时候执行：在训练次数超过第二预设次数时，停止训练。
64.在某些实施例中，预测模型包括一个初级学习器，初级学习器为基于xgboost算法
的学习器或基于神经网络算法的学习器；次级学习器包括多响应线性回归算法。
65.在某些实施例中，预测模型包括两个初级学习器，其中一个初级学习器为基于xgboost算法的学习器，另一个初级学习器为基于神经网络算法的学习器；次级学习器包括多响应线性回归算法。
66.请参照图3，图3为本技术实施例提供的一种电子设备的结构示意图，本技术提供一种电子设备，包括：处理器1301和存储器1302，处理器1301和存储器1302通过通信总线1303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器1302存储有处理器1301可执行的计算机程序，当计算设备运行时，处理器1301执行该计算机程序，以执行上述第一方面的实施例的任一可选的实现方式中的摩擦力补偿方法，以实现以下功能：获取机械臂各个轴的状态数据；状态数据包括规划参数和历史参数；将状态数据输入到完成训练后的预测模型中，获取预测力矩改正值；预测模型包括至少一个初级学习器和一个次级学习器；将预测力矩改正值输入到机械臂的力矩前馈值中，以使机械臂根据力矩前馈值工作。
67.本技术实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述第一方面的实施例的任一可选的实现方式中的摩擦力补偿方法，以实现以下功能：获取机械臂各个轴的状态数据；状态数据包括规划参数和历史参数；将状态数据输入到完成训练后的预测模型中，获取预测力矩改正值；预测模型包括至少一个初级学习器和一个次级学习器；将预测力矩改正值输入到机械臂的力矩前馈值中，以使机械臂根据力矩前馈值工作。
68.其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（static random access memory, 简称sram），电可擦除可编程只读存储器（electrically erasable programmable read-only memory, 简称eeprom），可擦除可编程只读存储器（erasable programmable read only memory, 简称eprom），可编程只读存储器（programmable red-only memory, 简称prom），只读存储器（read-only memory, 简称rom），磁存储器，快闪存储器，磁盘或光盘。
69.在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
70.另外，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。
71.再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
72.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。
73.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。