轨迹预测方法、轨迹预测装置和电子设备

摘要

本发明提供一种轨迹预测方法、轨迹预测装置和电子设备，涉及人工智能技术领域。该方法包括：获取目标场景中各检测对象的历史轨迹信息；基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。本发明能够提高轨迹的预测准确性。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种轨迹预测方法、轨迹预测装置和电子设备。

背景技术

轨迹预测是无人驾驶、智能机器人、智能视频监控等领域的关键技术。比如，在无人驾驶领域中，对行人的行动轨迹进行准确的预测，对于无人汽车规划路径是至关重要的。

在预测目标的轨迹时，通常依据目标的过去一段时间的轨迹来预测其未来一段时间的轨迹。但是，目标的运动模式随着时间的增加而发生变化，要预测的时间段越长，轨迹的不确定性越大。因此轨迹预测的准确性仍有待提升。

发明内容

本发明提供一种轨迹预测方法、轨迹预测装置和电子设备，用以解决现有技术中轨迹预测准确性低的问题。

本发明提供一种轨迹预测方法，包括：

获取目标场景中各检测对象的历史轨迹信息；

基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；

确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

根据本发明提供的一种实施方式，所述基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息，包括:

基于所述历史轨迹信息预测得到所述检测对象的第1个的预测轨迹点；

结合所述第1个预测轨迹点与所述历史轨迹信息，得到第一个轨迹信息；

基于所述第一个轨迹信息预测所述检测对象的第2个预测轨迹点；

基于所述第1个预测轨迹点、所述第2个预测轨迹点获得所述检测对象的预测轨迹信息。

根据本发明提供的一种实施方式，所述基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息，包括：

将所述历史轨迹信息输入轨迹预测模型中，所述轨迹预测模型包括N个串联的条件变分自编码器，每个所述条件变分自编码器输出一个预测轨迹点，N为正整数；

将第N-1个轨迹信息输入至第N个条件变分自编码器中，得到第N个预测轨迹点；

其中，所述第N-1个轨迹信息基于第N-1个条件变分自编码器输出的第N-1个预测轨迹点与第N-2个轨迹信息连接得到，所述历史轨迹信息为第一个轨迹点信息；

将N个所述预测轨迹点按顺序进行连接，得到所述检测对象的预测轨迹信息。

根据本发明提供的一种实施方式，所述确定所述目标场景中各所述检测对象之间的交互特征，包括：

从所述检测对象的所述历史轨迹信息中提取历史轨迹特征，并从所述预测轨迹信息中提取预测轨迹特征；

将各个所述检测对象的所述历史轨迹特征以及所述预测轨迹特征输入交互关联图中，基于所述交互关联图获取各所述检测对象之间的交互特征；

其中，所述交互关联图为图神经网络模型。

根据本发明提供的一种实施方式，所述从所述检测对象的所述历史轨迹信息中提取历史轨迹特征，并从所述预测轨迹信息中提取预测轨迹特征，包括：

对所述历史轨迹信息进行编码，得到历史轨迹特征；

对所述预测轨迹信息进行编码，得到预测轨迹特征。

根据本发明提供的一种实施方式，所述基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息，包括：

对所述交互特征进行解码，得到解码后的轨迹偏移量；

基于所述轨迹偏移量对所述预测轨迹信息进行调整，得到未来轨迹信息。

本发明还提供一种轨迹预测装置，包括：

历史信息获取模块，用于获取目标场景中各检测对象的历史轨迹信息；

轨迹预测模块，用于基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；

轨迹确定模块，用于确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

本发明还提供一种电子设备，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程序时实现如上述任一种所述轨迹预测方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述轨迹预测方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述轨迹预测方法。

本发明提供的轨迹预测方法、轨迹预测装置和电子设备，通过检测对象的历史轨迹信息来预测检测对象的预测轨迹点。与根据历史一段时间内的轨迹来预测未来一段时间的轨迹相比，预测轨迹点是与检测对象的历史轨迹信息最为接近的点，具有最小的预测不确定性，能够提高预测的准确性。并且，本技术方案中，通过场景中多个对象间的交互特征进一步对预测轨迹信息进行校准，得到最终的未来轨迹信息。考虑到了交互对轨迹的影响，进一步提高了预测的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明提供的轨迹预测方法的流程示意图之一；

图2是本发明提供的轨迹预测方法中轨迹预测模型的结构示意图；

图3是本发明提供的轨迹预测方法中的系统架构示意图；

图4是本发明提供的轨迹预测装置的结构示意图；

图5是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

下面结合附图描述本发明实施例提供的轨迹预测方法、轨迹预测装置和电子设备。

首先本发明实施例提供一种轨迹预测方法。示例性的，该轨迹预测方法可以应用于手机、平板电脑、个人计算机（personal computer，PC）、可穿戴电子设备（如智能手表）、增强现实（augmented reality，AR）/虚拟现实（virtual reality，VR）设备、车载设备等具有显示功能的电子设备，本申请实施例对此不作任何限制。

图1示出了本实施例中的轨迹预测方法的一种流程图。如图1所示，该轨迹预测方法可以包括以下步骤：

步骤100：获取目标场景中各检测对象的历史轨迹信息。

目标场景可以包括各种现实场景，如道路上、室内等，也可以包括虚拟场景，例如虚拟现实游戏中的场景等，本实施方式对此不作特殊限定。

检测对象可以指目标场景中运动的对象，例如行人、车辆等。基于目标场景的地图信息可以确定目标场景中每个检测对象的位置坐标，每隔预设时间记录一次检测对象的位置，可以得到检测对象在一段时间内的运动轨迹，即历史轨迹信息。例如，从12:00开始每隔30秒记录一次检测对象A的位置，直到1:00为止，可以得到12:00至1:00一个小时内的记录的多个位置点，该一个小时时长内的多个位置点构成的移动轨迹可以作为待检测对象A的历史轨迹信息。

举例来说，检测对象的历史轨迹信息可以表示为：

步骤200：基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息。

根据历史轨迹信息来预测未来一段时间内的轨迹信息时，预测的准确率会随着轨迹长度的增加而降低。为了避免预测准确率的降低，本实施方式中，根据检测对象的历史轨迹信息先来预测未来一个时刻的轨迹点，然后将预测得到的轨迹点加入历史轨迹信息中，得到新的历史轨迹信息，进而利用新的历史轨迹信息来预测下一个时刻的轨迹点。依次类推，得到多个预测的轨迹点他，从而得到由多个预测轨迹点构成的预测轨迹信息。

示例性的，基于历史轨迹信息先预测得到检测对象的第1个预测轨迹点；结合第1个预测轨迹点与之前的历史轨迹信息，得到更新的第一个轨迹信息。然后基于该第一个轨迹信息再预测下一个轨迹点，即第二个预测轨迹点。根据第二个预测轨迹点与之前的轨迹信息，即第一个轨迹信息再更新得到第二个轨迹信息。依次类推，根据第N-1个轨迹信息可以得到第N个预测轨迹点，从而得到由N个预测轨迹点构成的预测轨迹信息。

举例来说，若每20秒记录一次检测对象的位置，历史轨迹信息可以包括100个轨迹点。确定该检测对象的预测轨迹信息时，首先利用该100个轨迹点构成的历史轨迹信息来预测该检测对象的第101个轨迹点，即第一个预测轨迹点。得到第一个预测轨迹点后，将该第一个预测轨迹点与检测对象的历史轨迹信息进行连接，可以得到第一个轨迹信息。该第一个轨迹信息中包括共101个轨迹点。将第一个轨迹信息可以作为预测下一个轨迹点（第二个预测轨迹点）的历史轨迹信息，依次类推，直到预测得到第N个预测轨迹点，N>0，N为正整数。由预测得到的N个预测轨迹点构成的路径为预测轨迹信息。例如N=30，则可以得到从第101个轨迹点开始到第130个轨迹点为止的预测轨迹信息。可选的，N可以为其他数值，例如可以包括1、100、1000、10000等，本实施方式对此不作任何限定。

本实施方式中，将预测的轨迹点加入历史轨迹信息中，作为下一个轨迹点的标签，来预测得到下一个轨迹点。将每次预测的轨迹长度缩短至一个轨迹点，可以大大提高预测准确性。

示例性的实施方式中，预先构建轨迹预测模型，将检测对象的历史轨迹信息输入到构建好的轨迹预测模型中，基于该模型来确定检测对象的预测轨迹信息。

示例性的，该轨迹预测模型可以由条件变分自编码器构成。具体的，将多个条件变分自编码器串联在一起来构建轨迹预测模型。轨迹预测模型的结构如图2所示，轨迹预测模型200包括条件变分自编码器201、条件变分自编码器202、条件变分自编码器203等N个条件变分自编码器。条件变分自编码器201可以为第1个条件变分自编码器，基于该第一个条件变分自编码器，可以得到检测对象的历史轨迹信息之后的第一个轨迹点，即预测轨迹点1。

将条件变分自编码器201输出的预测轨迹点1输入至连接层204，通过该连接层204将预测轨迹点1与历史轨迹信息连接，可以得到第一个轨迹信息。

条件变分自编码器202可以作为第二个条件变分自编码器，来预测第二个预测预测点，即预测轨迹点2。第一个轨迹信息可以作为之后的条件变分自编码器即条件变分自编码器202的历史轨迹信息，输入到条件变分自编码器202中。根据输入的轨迹信息（第一轨迹信息），条件变分自编码器202可以预测第一个轨迹信息的下一个位置点，得到预测轨迹点2。条件变分自编码器202输出的预测轨迹点2可以通过连接层与输入的第一个轨迹信息进行连接，得到更新的轨迹信息，例如第二个轨迹信息。依次类推，通过第N-1个条件变分自编码器可以预测得到第N-1个轨迹点，将该第N-1个轨迹点与输入的轨迹信息（第N-2个轨迹信息）进行连接，得到下一个轨迹信息，即第N-1个轨迹信息。得到的第N-1个轨迹信息可以输入至下一个条件变分自编码器，即第N个条件变分自编码器，得到第N个预测轨迹点。通过连接层205将该预测轨迹点N-1与输入至第N-1个条件变分自编码器的第N-2个轨迹信息进行连接，得到第N个条件变分自编码器的第N-1个轨迹信息。第N个条件编码自编码器利用该第N-1个轨迹信息可以预测第N个轨迹点，即预测轨迹点N。

条件变分自编码器的输出可以表示为：

其中，t为轨迹点的时刻，第

连接层206可以将轨迹点进行连接，得到轨迹信息。具体表示为：

其中

将N个条件变分自编码器输出的N个预测轨迹点，通过上述连接轨迹操作可以进行 连接，从而得到预测轨迹信息。示例性的，预测轨迹信息可以表示为：

步骤300：确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

目标场景中可以存在多个检测对象，每个检测对象在运动可能受到其他检测对象的影响而改变运动状态。例如，行人A与行人B走到同一位置点时，行人A需要等待行人B通过该位置后，再继续行走。考虑到检测对象之间的交互对轨迹的影响，可以确定检测对象之间的交互特征，基于交互特征再对预测轨迹信息进行调整，得到调整后的轨迹信息。

预先可以构建用于确定交互特征的模型，即交互关联图。从每个检测对象的历史轨迹信息中提取历史轨迹特征，从预测轨迹信息中提取预测轨迹特征；然后将每个检测对象的历史轨迹特征与预测轨迹特征输入到交互关联图中，基于该交互关联图确定各个检测对象的交互特征。

示例性的，交互关联图可以为图神经网络（Graph Neural Networks，GNN）。先获取训练数据，该训练数据包括多个运动的对象的历史轨迹。通过该训练数据可以训练GNN模型。GNN模型基于图结构确定多个对象之间的关联。在图结构中每个节点对应一个对象，节点的边可以表示对象之间的交互关系。将训练数据中每个对象的运动轨迹输入GNN中，GNN可以根据运动轨迹提取每个时刻的运动特征以及对象之间的交互特征，来确定每个对象的下一个时刻的运动特征。并根据训练数据中对象下一个时刻实际的运动特征来调整网络参数，直到输出的运动特征与实际的运动特征之间的损失降低到最小，训练完成。将训练好的GNN模型可以作为交互关联图，来确定检测对象之间的交互特征。

具体的，先从历史轨迹信息中提取历史轨迹特征。基于编码器来对历史轨迹信息进行编码，得到历史轨迹特征。同理的，将预测轨迹信息输入到编码器中，对预测轨迹信息进行编码，得到预测轨迹特征。如上所述，分别得到每个检测对象的历史轨迹特征与预测轨迹特征，将得到历史轨迹特征与预测轨迹特征进行合并，得到每个检测对象合并后的特征。将每个检测对象合并后的特征输入交互关联图中，通过交互关联图得到每个检测对象的交互特征。该交互特征用于表征检测对象受到的其他检测对象的运动状态的影响。

得到检测对象的交互特征后，可以对交互特征进行解码，得到解码后的数据。解码后的数据可以作为检测对象的轨迹偏移量。基于该轨迹偏移量对检测对象的预测轨迹信息进行调整，得到未来轨迹信息。

具体的，将检测对象i的历史轨迹信息

将合并后的特征

本实施方式中，通过检测对象的交互特征来对检测对象的预测轨迹信息进行校准，可以提高预测的轨迹的准确性，能够适用于多对象交互的场景，例如预测道路上行人的轨迹等，增大应用场景，提高可用性。

图3示出了本实施例中的一种应用场景。如图3所示，将检测对象i的历史轨迹信息输入至轨迹预测模型200中。该轨迹预测模型200的结构可以参考图2，此处不再赘述。该轨迹预测模型200中的条件变分自编码器可以基于历史轨迹信息来预测检测对象的下一个轨迹点，能够降低预测轨迹的不确定性，提高预测准确性。多个条件变分自编码器可以分别预测得到多个轨迹点，基于预测的多个轨迹点来得到检测对象i的预测轨迹信息。

然后，通过编码器301提取检测对象i的历史轨迹信息的特征，得到历史轨迹特征F1。通过编码器302提取检测对象i的预测轨迹信息的特征，得到预测轨迹特征F2。将每个检测对象的历史轨迹特征F1与预测轨迹特征F2输入到交互关联图303中。交互关联图303可以基于每个检测对象的历史轨迹特征F1与预测轨迹特征F2，得到每个检测对象与相邻的检测对象之间的交互特征F。将交互特征F输入至解码器304中，可以将交互特征F转化为偏移量（轨迹偏移量）。回归模块305用于将偏移量与预测轨迹信息相加，从而基于该偏移量对预测轨迹信息进行校准，得到校准后的未来轨迹信息。

基于本实施例提供的上述轨迹预测方法可以对测试数据集进行测试。测试数据集可以采用ETHz平台提供的ETH、UCY数据集，ETH数据集与UCY数据集中均包括了在多个场景下采集的数据。通过在该测试数据集上计算行人轨迹预测的平均位移误差（AverageDisplacement Error，ADE）和最终位移误差（Final Displacement Error，FDE）。ADE和FDE为轨迹预测的常用评价指标。测试结果如下表1所示：

表1

其中，Sophie、CGNS、PECNet、Trajectron++以及Y-net为现有技术中用于进行行人轨迹预测的模型。通过上述表1可知，本实施例提供的方法在场景1超过了前四种模型、在场景2、场景3、场景4、场景5、场景6中的预测效果超过被比较的其他模型。可见，本实施例提供的轨迹预测方法能够取得更准确的轨迹预测的效果。

此外，通过其他测试数据集也可以对本实施例的预测效果进行测试，例如SDD数据集，SDD数据集为无人机拍摄的数据。本实施例在SDD数据集上进行测试，测试结果如下表2所示：

表2

其中，S-GAN、CF-VAE、P2TIRL、SimAug、PECNet、Y-net为用于进行轨迹预测的模型。由上表可知，本实施例在SDD数据集上的预测效果也优于其他方法，可见本实施例提供的方法具有更小的预测误差。

进一步的，本发明还提供一种轨迹预测装置，可用于执行上述轨迹预测方法。下面对本发明提供的轨迹预测装置进行描述，下文描述的轨迹预测装置与上文描述的轨迹预测方法可相互对应参照。

如图4所示，本实施例的轨迹预测装置400可以包括历史信息获取模块410、轨迹预测模块420和轨迹确定模块430。具体的，历史信息获取模块410可以用于获取目标场景中各检测对象的历史轨迹信息；轨迹预测模块420可以用于基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；轨迹确定模块430可以用于确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

在一种示例性的实施方式中，轨迹预测模块420可以具体包括：第一轨迹点模块，用于基于所述历史轨迹信息预测得到所述检测对象的第1个的预测轨迹点；轨迹连接模块，可以用于结合所述第1个预测轨迹点与所述历史轨迹信息，得到第一个轨迹信息；第二轨迹点模块，用于基于所述第一个轨迹信息预测所述检测对象的第2个预测轨迹点；轨迹获取模块，用于基于所述第1个预测轨迹点、所述第2个预测轨迹点获得所述检测对象的预测轨迹信息。

在一种示例性的实施方式中，轨迹预测模块420可以具体包括：轨迹模型模块，可以用于将所述历史轨迹信息输入轨迹预测模型中，所述轨迹预测模型包括N个串联的条件变分自编码器，每个所述条件变分自编码器输出一个预测轨迹点，N为正整数；自编码器模块，可以用于将第N-1个轨迹信息输入至第N个条件变分自编码器中，得到第N个预测轨迹点；其中，所述第N-1个轨迹信息基于第N-1个条件变分自编码器输出的第N-1个预测轨迹点与第N-2个轨迹信息连接得到，所述历史轨迹信息为第一个轨迹点信息；预测轨迹确定模块，可以用于将N个所述预测轨迹点按顺序进行连接，得到所述检测对象的预测轨迹信息。

在一种示例性的实施方式中，轨迹确定模块430具体可以包括：特征提取模块，可以用于从所述检测对象的所述历史轨迹信息中提取历史轨迹特征，并从所述预测轨迹信息中提取预测轨迹特征；交互特征确定模块，可以用于将各个所述检测对象的所述历史轨迹特征以及所述预测轨迹特征输入交互关联图中，基于所述交互关联图获取各所述检测对象之间的交互特征。其中，所述交互关联图为图神经网络模型。

在一种示例性的实施方式中，上述特征提取模块具体可以包括：第一编码模块，可以用于对所述历史轨迹信息进行编码，得到历史轨迹特征；第二编码模块，可以用于对所述预测轨迹信息进行编码，得到预测轨迹特征。

在一种示例性的实施方式中，所述轨迹确定模块430具体可以包括：解码模块，可用于对所述交互特征进行解码，得到解码后的轨迹偏移量；轨迹调整模块，可用于基于所述轨迹偏移量对所述预测轨迹信息进行调整，得到未来轨迹信息。

在此需要说明的是，本申请实施例提供的轨迹预测装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行轨迹预测方法，该方法包括：获取目标场景中各检测对象的历史轨迹信息；基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的轨迹预测方法，该方法包括：获取目标场景中各检测对象的历史轨迹信息；基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

又一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的轨迹预测方法，该方法包括：获取目标场景中各检测对象的历史轨迹信息；基于所述历史轨迹信息确定所述检测对象的预测轨迹点，并获取由所述预测轨迹点构成的预测轨迹信息；确定所述目标场景中各所述检测对象之间的交互特征，基于所述交互特征与所述预测轨迹信息，确定各所述检测对象的未来轨迹信息。

以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。