CN112991550B - 基于伪点云的障碍物位置检测方法、装置和电子设备 - Google Patents

Abstract

本发明提供了一种基于伪点云的障碍物位置检测方法、装置和电子设备，涉及车辆驾驶的技术领域，包括，获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；对稀疏雷达点云进行聚类操作，得到第一立体结构和第一立体结构的质心位置，第一立体结构为能够包括聚类结果的最小立体结构；通过三维包围盒检测方法从伪点云信息中确定第二立体结构，第二立体结构为能够包括目标障碍物的最小立体结构；将第一立体结构和第二立体结构进行匹配，若匹配结果大于预设体积阈值，则根据第一立体结构的质心位置确定目标障碍物的位置，将伪点云与低线束雷达点云相结合以提高伪点云位置检测的准确性，在成本较低的情况下，得到较为准确的障碍物位置信息。

Description

基于伪点云的障碍物位置检测方法、装置和电子设备

技术领域

本发明涉及车辆驾驶的技术领域，尤其是涉及一种基于伪点云的障碍物位置检测方法、装置和电子设备。

背景技术

随着车辆技术的发展，障碍物位置的准确检测至关重要，影响着车辆自动驾驶的安全可靠性。

当前一般采用激光雷达实现对障碍物位置的准确检测，但激光雷达的成本相对较高，并不利于车辆驾驶领域的广泛应用。

发明内容

有鉴于此，本发明的目的在于提供一种基于伪点云的障碍物位置检测方法、装置和电子设备，将伪点云与低线束雷达点云相结合以提高伪点云位置检测的准确性，在成本较低的情况下，得到较为准确的障碍物位置信息。

第一方面，实施例提供一种基于伪点云的障碍物位置检测方法，包括：

获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；

对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

将第一立体结构和第二立体结构进行匹配，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

在可选的实施方式中，所述方法还包括：

若匹配结果小于或等于预设体积阈值，则根据所述第二立体结构的质心位置确定所述目标障碍物的位置。

在可选的实施方式中，所述方法还包括：

若匹配结果小于或等于预设体积阈值，则重新执行获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云的步骤。

在可选的实施方式中，所述方法还包括：

通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构的宽度信息和高度信息；

根据所述宽度信息和所述高度信息确定所述目标障碍物的轮廓信息。

在可选的实施方式中，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置的步骤，包括：

对所述稀疏雷达点云进行聚类操作，得到聚类结果；

对所述聚类结果添加包围盒，得到第一立体结构；

根据所述第一立体结构，计算所述第一立体结构的质心位置。

在可选的实施方式中，获取针对同一目标障碍物的伪点云信息的步骤，包括：

从双目相机中获取目标障碍物的待检测图像；

基于双目测距方法的双目视差计算出所述待检测图像中每个像素点的深度信息；

将所述深度信息依据相机转换原理以及几何关系，转换成伪点云信息。

在可选的实施方式中，将第一立体结构和第二立体结构进行匹配的步骤，包括：

将第一立体结构和第二立体结构的体积进行三维交并比计算。

第二方面，实施例提供一种基于伪点云的障碍物位置检测装置，所述装置包括：

获取模块，获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；

聚类模块，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

检测模块，通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

确定模块，将第一立体结构和第二立体结构进行匹配，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

第三方面，实施例提供一种电子设备，包括存储器、处理器，所述存储器中存储有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上述前述实施方式任一项所述的方法的步骤。

第四方面，实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现前述实施方式任一项所述的方法的步骤。

本发明实施例提供的一种基于伪点云的障碍物位置检测方法、装置和电子设备，将低线束雷达点云进行聚类，得到第一立体结构，伪点云通过包围盒检测确定出第二立体结构，将第一立体结构与第二立体结构进行匹配，若两者匹配结果超过预设体积阈值，则两者可进行结合，并通过低线束雷达点云的第一立体结构的质心更新伪点云对于目标障碍物的位置，提高伪点云对目标障碍物的检测精度，将伪点云与低线束雷达点云相结合以提高伪点云位置检测的准确性，在成本较低的情况下，得到较为准确的障碍物位置信息。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种基于伪点云的障碍物位置检测方法流程图；

图2为本发明实施例提供的一种基于伪点云的障碍物位置检测装置的功能模块图；

图3为本发明实施例提供的一种电子设备的硬件架构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。

当前在车辆驾驶领域中，为了保证车辆驾驶的安全性，一般采用激光雷达对障碍物位置进行准确检测，但由于激光雷达成本较高，并不利于车辆驾驶的广泛应用。

为了节省成本，可用针对障碍物位置采集的类似于激光雷达点云的坐标(x，y，z)的伪点云信息，来代替激光雷达的采集信息，该算法优点是成本非常低，仅需要两个相机拼成一个双目***就可以产生与激光雷达类似的伪点云信息。但是该算法的缺陷是此种伪点云精度没有激光雷达点云高，并不能对障碍物位置进行准确识别，进而无法保证用户在车辆驾驶过程的安全性。

基于此，本发明实施例提供的一种基于伪点云的障碍物位置检测方法、装置和电子设备，将伪点云与低线束雷达点云相结合以提高伪点云位置检测的准确性，在成本较低的情况下，得到较为准确的障碍物位置信息。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于伪点云的障碍物位置检测方法进行详细介绍，该方法可应用于PC个人计算机、控制器、服务器、智能终端等控制设备，可独立设置也可集成设置于车辆控制终端或道路设施中。

需要说明的是，低线束激光雷达的成本较低，但是它不像高线束激光雷达有密集的点云，所以它不能反映出障碍物的形状信息。本发明实施例将低成本的低线束激光雷达与伪点云进行结合，提高伪点云的检测精度，低成本的情况下，检测出准确的障碍物位置。

作为一种可选的实施例，车辆控制终端通过结合伪点云信息和来自低线束雷达的稀疏点云实现对目标障碍物位置的精确检测，即控制终端与双目相机以及低线束雷达进行通信，获得目标障碍物的伪点云信息和洗漱点云信息，其中该双目相机和低线束雷达可安装于每辆车辆上。如车辆前方、车辆顶部，用于采集车辆行进方向出现的障碍物，或设置于道路设施中，用于采集每一辆经过当前道路的车辆可能遇到的障碍物；作为另一种可选的实施例，道路设施可与道路中行驶的车辆进行通讯，通过对道路中行驶车辆视野中目标障碍物的伪点云信息和稀疏点云信息采集，确定出该目标障碍物的准确位置，并发送给该行驶车辆，以便车辆进行相应操作，以躲避障碍，在成本较低的情况下，保证驾驶安全。其中，该目标障碍物可理解为可能会道路中行驶车辆的安全性造成影响的障碍物，包括障碍物体，如较大石块、障碍车辆，如同样行驶在当前道路中的其它车辆或在当前道路中行走或驻足的行人。

图1为本发明实施例提供的一种基于伪点云的障碍物位置检测方法流程图。

如图1所示，该方法包括以下步骤：

步骤S102，获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；

其中，车辆在道路中行驶可能会遇到多个障碍物，此时的双目相机和低线束雷达针对同一个障碍物进行采集，作为一种可选的实施例，可按照预设顺序对所有障碍物进行逐个采集，以确定出每个障碍物的位置。

示例性地，获取针对同一目标障碍物的伪点云信息的步骤可包括，从双目相机中获取目标障碍物的待检测图像；基于双目测距方法的双目视差计算出所述待检测图像中每个像素点的深度信息；将所述深度信息依据相机转换原理以及几何关系，转换成伪点云信息。

作为一种可选的实施例，本发明实施例通过双目相机以及低线束雷达两种设备采集当前行驶车辆行进方向的目标障碍物对应的点云信息。

步骤S104，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

这里，通过对稀疏雷达点云进行聚类操作，能够生成将聚类结果都包裹起来的立体结构，并确定出该立体结构的质心位置。

步骤S106，通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

其中，采用三维包围盒boundingbox对伪点云信息进行检测，框出第二立体结构。立体结构指三维空间坐标系下的三维立体造型，如立方体、长方体、圆柱体等等。这里并不对立体结构的具体形状进行限定，其具体形状取决于伪点云信息与聚类结果。

步骤S108，将第一立体结构和第二立体结构进行匹配，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

作为一种可选的实施例，将第一立体结构和第二立体结构进行匹配的步骤，可采用将第一立体结构和第二立体结构的体积进行三维交并比(Intersection-over-Union，IOU)计算，即将第一立体结构与第二立体结构的体积进行求交集操作，得到匹配结果，该匹配结果即为第一立体结构与第二立体结构产生交集的立体体积部分。

其中，预设体积阈值可为第一立体结构或第二立体结构整体体积的三分之一、二分之一等等，例如该第一立体结构与第二立体结构的体积进行求交集操作，得到的体积交集部分占预设的第一立体结构整体体积的二分之一，则此时双目相机***采集的伪点云信息与低线束激光雷达采集的稀疏点云能够匹配，利用第一立体结构的质心位置能够进一步确定出更加精确的目标障碍物的位置。

在实际应用的优选实施例中，将低线束雷达点云进行聚类，得到第一立体结构，伪点云通过包围盒检测确定出第二立体结构，将第一立体结构与第二立体结构进行匹配，若两者匹配结果超过预设体积阈值，则两者可进行结合，并通过低线束雷达点云的第一立体结构的质心更新伪点云对于目标障碍物的位置，提高伪点云对目标障碍物的检测精度，将伪点云与低线束雷达点云相结合以提高伪点云位置检测的准确性，在成本较低的情况下，得到较为准确的障碍物位置信息。

这里，由于低线束雷达与双目相机采集的为同一个目标障碍物，一般情况下，两者的第一立体结构、第二立体结构的匹配程度均能够满足预设体积阈值，但若出现异常情况，两者的匹配结果较小，则此时低线束雷达与双目相机的点云无法结合应用。在可选的实施方式中，该方法还包括：

步骤1.1)，若匹配结果小于或等于预设体积阈值，则重新执行获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云的步骤。

这种情况下的低线束雷达与双目相机可能由于某些原因产生失误，使得两者并没有对应同一个目标障碍物进行采集，作为一种可选的实施例，低线束雷达与双目相机均重新对该目标障碍物进行采集，获得相应点云信息，并按照前述实施例的步骤进行匹配，以防止由于采集过程中出现的异常，导致匹配失败。

在可选的实施方式中，前述实施例中的方法还包括：

步骤2.1)，若匹配结果小于或等于预设体积阈值，则根据所述第二立体结构的质心位置确定所述目标障碍物的位置。

在前述实施例的基础上，作为另一种可选的实施例，若重新匹配后，匹配结果仍然小于或等于预设体积阈值，此时可能由于低线束雷达、双目相机设备本身的采集精度较低或出现其他异常，此时为保证道路中的车辆正常行驶，将伪点云第二立体结构对应的质心确定目标障碍物的位置，能够较快地确定出障碍物位置，避免行驶中车辆出现安全隐患。

由于车辆行驶的路况复杂多变、道路上的车辆的车型体积各异，为了保证行驶安全，在获知障碍车辆或障碍物的位置后，对目标障碍物的尺寸进行获取，以便当前车辆能够进行更加细节化的操作，在可选的实施方式中，该方法还包括：

步骤3.1)，通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构的宽度信息和高度信息；

步骤3.2)，根据所述宽度信息和所述高度信息确定所述目标障碍物的轮廓信息。

其中，当前车辆进行的更加细节化的操作包括，根据当前车辆的位置、目标障碍物的位置，尺寸，当前车辆的速度、尺寸以及目标障碍物与当前车辆的距离，确定当前车辆采用何种速度，进行哪些转向操作，与目标障碍物保持安全距离。

作为一种可选的实施例，通过低线束雷达的稀疏点云确定的较为精确的质心位置，用以提高伪点云位置检测的准确性，步骤S104还可通过以下步骤实现，具体包括：

步骤4.1)，对所述稀疏雷达点云进行聚类操作，得到聚类结果；

步骤4.2)，对所述聚类结果添加包围盒，得到第一立体结构；使得第一立体结构中能够尽可能多的包裹聚类结果点云。

步骤4.3)，根据所述第一立体结构，计算所述第一立体结构的质心位置。

其中，对于三维立体结构的质心位置坐标的计算方法众多，在此并不具体限定，能够实现该质心位置确定发方法均可，作为一种可选的实施例，在三维立体坐标系中，通过三维立体结构各个点的三维坐标计算出第一立体结构的X、Y、Z三轴方向上各自的坐标平均值，根据该坐标确定出质心位置坐标。

本发明实施例能够使得低成本的伪点云更加密集，并解决此类低成本伪点云对障碍物位置检测不够精确的问题。

如图2所示，本发明实施例还提供一种基于伪点云的障碍物位置检测装置200，所述装置包括：

获取模块201，获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；

聚类模块202，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

检测模块203，通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

确定模块204，将第一立体结构和第二立体结构进行匹配，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

在实际应用的优选实施例中，将伪点云与低线束激光雷达相结合，对低线束激光雷达聚类结果对应的第一立体结构与经过包围盒目标检测后的伪点云第二立体结构进行交并比计算，根据交并比后的匹配结果，将伪点云检测得到的障碍物位置更新为相应的低线束激光雷达对应的第一立体结构的质心位置。

在可选的实施方式中，确定模块还用于若匹配结果小于或等于预设体积阈值，则根据所述第二立体结构的质心位置确定所述目标障碍物的位置。

在可选的实施方式中，获取模块还用于若匹配结果小于或等于预设体积阈值，则重新执行获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云的步骤。

在可选的实施方式中，检测模块还用于通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构的宽度信息和高度信息；根据所述宽度信息和所述高度信息确定所述目标障碍物的轮廓信息。

在可选的实施方式中，聚类模块还用于对所述稀疏雷达点云进行聚类操作，得到聚类结果；对所述聚类结果添加包围盒，得到第一立体结构；根据所述第一立体结构，计算所述第一立体结构的质心位置。

在可选的实施方式中，获取模块还用于从双目相机中获取目标障碍物的待检测图像；基于双目测距方法的双目视差计算出所述待检测图像中每个像素点的深度信息；将所述深度信息依据相机转换原理以及几何关系，转换成伪点云信息。

在可选的实施方式中，确定模块还用于将第一立体结构和第二立体结构的体积进行三维交并比计算。

图3为本发明实施例提供的电子设备300的硬件架构示意图。参见图3所示，该电子设备300包括：机器可读存储介质301和处理器302，还可以包括非易失性存储介质303、通信接口304和总线305；其中，机器可读存储介质301、处理器302、非易失性存储介质303和通信接口304通过总线305完成相互间的通信。处理器302通过读取并执行机器可读存储介质301中障碍物位置检测的机器可执行指令，可执行上文实施例描述基于伪点云的障碍物位置检测方法。

本文中提到的机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

非易失性介质可以是非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的非易失性存储介质，或者它们的组合。

可以理解的是，本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。

本发明实施例所提供计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序代码被执行时可实现上述任一实施例所述的基于伪点云的障碍物位置检测方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于伪点云的障碍物位置检测方法，其特征在于，包括：

获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；其中，获取针对同一目标障碍物的伪点云信息的步骤，包括：从双目相机中获取目标障碍物的待检测图像；基于双目测距方法的双目视差计算出所述待检测图像中每个像素点的深度信息；将所述深度信息依据相机转换原理以及几何关系，转换成伪点云信息；

对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

将第一立体结构的体积和第二立体结构的体积进行三维交并比计算得到匹配结果，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若匹配结果小于或等于预设体积阈值，则根据所述第二立体结构的质心位置确定所述目标障碍物的位置。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若匹配结果小于或等于预设体积阈值，则重新执行获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云的步骤。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构的宽度信息和高度信息；

根据所述宽度信息和所述高度信息确定所述目标障碍物的轮廓信息。

5.根据权利要求1所述的方法，其特征在于，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置的步骤，包括：

对所述稀疏雷达点云进行聚类操作，得到聚类结果；

对所述聚类结果添加包围盒，得到第一立体结构；

根据所述第一立体结构，计算所述第一立体结构的质心位置。

6.一种基于伪点云的障碍物位置检测装置，其特征在于，所述装置包括：

获取模块，获取针对同一目标障碍物的伪点云信息以及来自低线束雷达的稀疏雷达点云；

获取模块，还用于从双目相机中获取目标障碍物的待检测图像；基于双目测距方法的双目视差计算出所述待检测图像中每个像素点的深度信息；将所述深度信息依据相机转换原理以及几何关系，转换成伪点云信息；

聚类模块，对所述稀疏雷达点云进行聚类操作，得到第一立体结构和所述第一立体结构的质心位置，其中，所述第一立体结构为能够包括聚类结果的最小立体结构；

检测模块，通过三维包围盒检测方法从所述伪点云信息中确定第二立体结构，其中，所述第二立体结构为能够包括所述目标障碍物的最小立体结构；

确定模块，将第一立体结构的体积和第二立体结构的体积进行三维交并比计算得到匹配结果，若匹配结果大于预设体积阈值，则根据所述第一立体结构的质心位置确定所述目标障碍物的位置。

7.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述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上述权利要求1至5任一项所述的方法的步骤。

8.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1至5任一项所述的方法的步骤。