阅读说明：本技术 视频预测方法和装置、电子设备及车辆 (Video prediction method and device, electronic equipment and vehicle ) 是由 侯鹏飞 范坤 于 2018-07-13 设计创作，主要内容包括：公开了一种视频预测方法、视频预测装置、电子设备和车辆。该视频预测方法包括：训练步骤,包括：使用先验编码器从先前帧生成先验分布；使用后验编码器从先前帧和后续帧生成后验分布；将后验分布用作生成器的中间变量以从先前帧生成第一预测帧；以及以第一预测帧与后续帧之间的差异以及先验分布与后验分布之间的KL散度作为损失函数来优化先验编码器和生成器；以及预测步骤,包括：使用先验编码器从已知帧生成先验分布；以及,将先验分布用作生成器的中间变量以从已知帧生成未来帧。这样,可以通过使用先验编码器的先验分布和后验编码器的后验分布优化用于预测视频的生成器和先验编码器,从而简化了视频预测的训练过程并提升了预测效果。(A video prediction method, a video prediction apparatus, an electronic device, and a vehicle are disclosed. The video prediction method comprises the following steps: a training step comprising: generating an a priori distribution from a previous frame using an a priori encoder; generating an a posteriori distribution from a previous frame and a subsequent frame using an a posteriori encoder; using the a posteriori distribution as an intermediate variable of a generator to generate a first predicted frame from a previous frame; and optimizing the prior encoder and the generator with the difference between the first predicted frame and the subsequent frame and the KL divergence between the prior distribution and the posterior distribution as a loss function; and a predicting step comprising: generating an a priori distribution from a known frame using an a priori encoder; and using the a priori distribution as an intermediate variable of the generator to generate future frames from the known frames. In this way, the generator and the a priori encoder for predicting video can be optimized by using the a priori distribution of the a priori encoder and the a posteriori distribution of the a posteriori encoder, thereby simplifying the training process of video prediction and improving the prediction effect.)

视频预测方法和装置、电子设备及车辆

技术领域

本申请总体上涉及辅助驾驶(ADAS)领域，更特别地，涉及一种视频预测方法、视频预测装置、电子设备和车辆。

背景技术

近年来，自动驾驶，或者说高级驾驶辅助系统(ADAS)，受到了广泛的关注和热烈的研究。ADAS系统需要使用各种车载传感器来感知车辆本身以及周围环境的各种状态，收集数据，进行静态、动态实体的辨识、侦测与追踪，并结合地图数据进行系统的运算与分析，从而做出驾驶策略决定，最终实现自动驾驶功能。

在自动驾驶场景中，需要对由摄像头等图像采集器件获得的视频进行预测，以实现环境中实体的动态预测，然后将预测结果供后续模块使用，以实现车辆的驾驶控制等功能。

通常，在视频预测中，变分自动编码器(variational autoencoder)根据前几帧计算视频的先验分布，以此来拟合视频未来几帧的后验分布。预测的结果图像需要尽量逼真，运动轨迹要尽量符合物体真实的运动规律。训练过程中，随着训练的演进，后验分布会需要逐进接近数据集的分布，而先验分布会需要逐渐接近后验分布。但是由于在刚开始时，后验分布是随机的，容易影响先验的训练，最终导致整体的效果很不理想。

因此，需要一种改进的视频预测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种视频预测方法、视频预测装置、电子设备和车辆，其在训练阶段通过采用真实数据而非预测数据来获得后验分布，并且利用该后验分布来优化先验编码器和预测生成器，从而简化了视频预测的训练过程，并且提升了预测效果。

根据本申请的一个方面，提供了一种视频预测方法，包括：训练步骤，包括：使用先验编码器从先前帧生成先验分布；使用后验编码器从所述先前帧和后续帧生成后验分布；将所述后验分布用作生成器的中间变量，使用所述生成器从所述先前帧生成第一预测帧；以及，以所述第一预测帧与所述后续帧之间的差异以及所述先验分布与所述后验分布之间的KL散度作为损失函数来优化所述先验编码器和所述生成器；以及，预测步骤，包括：使用所述先验编码器从已知帧生成先验分布；以及，将所述先验分布用作所述生成器的中间变量，使用所述生成器从所述已知帧生成未来帧。

在上述视频预测方法中，所述先验编码器和所述后验编码器每个都包括卷积网络，所述生成器包括长短期记忆网络、卷积网络和光流网络之一。

在上述视频预测方法中，在所述训练步骤中用于所述先验编码器和所述后验编码器的所述先前帧和所述后续帧都是真实视频数据。

在上述视频预测方法中，所述先前帧和所述后续帧是车辆的辅助驾驶系统获取的视频帧。

在上述视频预测方法中，所述预测步骤还包括：使用所述未来帧作为已知帧来生成下一未来帧。

在上述视频预测方法中，使用先验编码器从先前帧生成先验分布包括：使用所述先前帧生成多个均值和方差的第一数据对；以及，使用所述多个均值和方差的第一数据对生成服从高斯分布的第一随机数，作为所述先验分布，且使用后验编码器从所述先前帧和后续帧生成后验分布包括：使用所述先前帧和后续帧生成多个均值和方差的第二数据对；以及，使用所述多个均值和方差的第二数据对生成服从高斯分布的第二随机数，作为所述后验分布。

在上述视频预测方法中，所述训练步骤还包括：将所述先验分布用作所述生成器的中间变量，使用所述生成器从所述先前帧生成第二预测帧；以及，以所述第二预测帧与所述后续帧之间的差异以及所述先验分布与所述后验分布之间的KL散度作为损失函数来优化所述先验编码器和所述生成器。

根据本申请的另一方面，提供了一种视频预测装置，包括先验编码器、后验编码器、生成器、训练单元和预测单元，其中，所述训练单元配置为：使用所述先验编码器从先前帧生成先验分布；使用所述后验编码器从所述先前帧和后续帧生成后验分布；使用所述后验分布作为所述生成器的中间变量，通过所述生成器从所述先前帧生成第一预测帧；以及，将所述第一预测帧与所述后续帧之间的差异以及所述先验分布与所述后验分布之间的KL散度作为损失函数来优化所述先验编码器和所述生成器，且所述预测单元配置为：使用所述先验编码器从已知帧生成先验分布；以及，将所述先验分布作为所述生成器的中间变量，通过所述生成器从所述已知帧生成未来帧。

在上述视频预测装置中，所述先验编码器和所述后验编码器每个都包括卷积网络，所述生成器包括长短期记忆网络、卷积网络和光流网络之一。

在上述视频预测装置中，在所述训练单元中用于所述先验编码器和所述后验编码器的所述先前帧和所述后续帧都是真实视频数据。

在上述视频预测装置中，所述先前帧和所述后续帧是车辆的辅助驾驶系统获取的视频帧。

在上述视频预测装置中，所述预测单元还配置为：使用所述未来帧作为已知帧来生成下一未来帧。

在上述视频预测装置中，所述训练单元使用先验编码器从先前帧生成先验分布包括：使用所述先前帧生成多个均值和方差的第一数据对；以及，使用所述多个均值和方差的第一数据对生成服从高斯分布的第一随机数，作为所述先验分布，且所述训练单元使用后验编码器从所述先前帧和后续帧生成后验分布包括：使用所述先前帧和后续帧生成多个均值和方差的第二数据对；以及，使用所述多个均值和方差的第二数据对生成服从高斯分布的第二随机数，作为所述后验分布。

在上述视频预测装置中，所述训练单元还配置为：将所述先验分布用作所述生成器的中间变量，使用所述生成器从所述先前帧生成第二预测帧；以及，以所述第二预测帧与所述后续帧之间的差异以及所述先验分布与所述后验分布之间的KL散度作为损失函数来优化所述先验编码器和所述生成器。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的视频预测方法。

根据本申请的又一方面，提供了一种车辆，包括如上所述的电子设备。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的视频预测方法。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的视频预测方法所应用的系统架构的示意图。

图2图示了根据本申请实施例的视频预测方法的流程图。

图3图示了根据本申请实施例的视频预测方法的训练过程的示意图。

图4图示了根据本申请实施例的视频预测方法的预测过程的示意图。

图5图示了根据本申请实施例的视频预测方法的训练过程的另一示例的示意图。

图6图示了根据本申请实施例的视频预测装置的框图。

图7图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上所述，在当前的视频预测时，主要使用变分自动编码器来根据视频的前几帧计算先验分布，以后来拟合视频未来几帧的后验分布，其通常用LSTM(Long-Short TermMemory：长短期记忆)网络来估计先验分布或者简单假定为标准正态分布，并且也使用LSTM来对后验编码。但是，将先验分布假定为正态分布过于简单，不符合实际数据的情况。另一方面，如果采用LSTM网络，由于LSTM网络结构本身训练难度也比较大，因此容易导致先验与后验的学习都很困难，训练效率低下。

针对上述技术问题，本申请的基本构思是提供一种视频预测方法，视频预测装置、电子设备和车辆，其在训练步骤中先验编码器利用真实数据生成先验分布，后验编码器利用更多帧的真实数据生成后验分布，将后验分布用作预测生成器的中间变量来进行预测，利用先验与后验分布之间的KL散度以及预测帧与真实帧之间的差异例如均方误差来训练先验编码器和生成器。而且，先验编码器和后验编码器都可以采用卷积网络来代替常用的LSTM网络，从而大大简化了训练过程，并且提升了预测效果。在预测步骤中，可以使用训练好的先验编码器生成的先验分布作为生成器的中间变量以进行视频预测。

这里，根据本申请实施例的视频预测方法、视频预测装置、电子设备和车辆可以直接应用于视频预测，并且也可以用于任何可以转化为视频预测的其他预测任务。例如，对于自动驾驶场景中车辆、行人等物体的运动预测，可以转化为全景俯视图中各物体占位格点图序列的预测任务。此外，预测的图像也不仅仅指包含单个或三个颜色通道的自然图像，还可以是只隐含表达其他信息(如速度、加速度)的任何多通道三维数据。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1图示了根据本申请实施例的视频预测方法所应用的系统架构的示意图。

如图1所示，系统100可包括先验编码器10、后验编码器20和生成器30。先验编码器10可接收视频的若干已知帧(其中包括当前帧)，并且基于其生成先验分布。后验编码器20可以接收比先验编码器10更多的帧，即，除了先验编码器10接收的若干已知帧之外，后验编码器20还接收若干后续帧，从而可以基于在前的已知帧和在后的后续帧来生成后验分布。训练阶段，先验分布和后验分布都可以提供给生成器30作为中间变量，生成器30利用该中间变量，可以从已知帧预测未来帧。可利用先验分布与后验分布之间的KL散度以及预测的未来帧与真实帧之间的差异例如均方误差作为损失函数，来训练先验编码器10和生成器30。

这里，先验编码器10、后验编码器20和生成器30的具体实现将在下文中进一步详细说明。

示例性方法

图2图示了根据本申请实施例的视频预测方法200的流程图。如图2所示，根据本申请实施例的视频预测方法200可包括训练步骤S210和预测步骤S220，在训练步骤S210中可对变分自动编码器(VAE)进行训练，然后在预测步骤S220中可以使用训练好的变分自动编码器来执行预测。可以理解，先验编码器10和生成器30构成变分自动编码器。

下面将结合图3-4来具体描述图2所示的训练步骤S210和预测步骤S220。如图2所示，训练步骤S210可包括步骤S211，使用先验编码器10从先前帧生成先验分布，以及步骤S212，使用后验编码器20从先前帧和后续帧生成后验分布，图3图示了该过程。如图3所示，先验编码器10可接收视频的多个先前帧，例如帧X_t-4:X_t，其中帧X_t可视为当前帧，并且生成先验分布P1。在一些实施例中，生成先验分布P1的过程可包括利用先前帧X_t-4:X_t生成多个均值μ和方差σ的数据对，然后使用均值μ和方差σ的数据对生成服从高斯分布的随机数，其作为先验分布。后验编码器20除了接收先前帧X_t-4:X_t之外，还接收后续帧X_t+1:X_t+4，这里，用于训练步骤的先前帧X_t-4:X_t和后续帧X_t+1:X_t+4都是真实数据，而非生成器30生成的预测数据。例如，当应用于辅助驾驶领域时，先前帧X_t-4:X_t和后续帧X_t+1:X_t+4可以是车辆的辅助驾驶系统的传感器例如摄像头获取的视频帧。后验编码器20利用先前帧X_t-4:X_t和后续帧X_t+1:X_t+4生成后验分布P2。具体而言，生成后验分布P2的过程可包括利用先前帧X_t-4:X_t和后续帧X_t+1:X_t+4生成多个均值μ和方差σ的数据对，然后使用均值μ和方差σ的数据对生成服从高斯分布的随机数，其作为后验分布。先验分布P1和后验分布P2之间的KL散度可用作训练过程的损失函数。

继续参照图2，训练步骤S210还包括步骤S213，将后验分布P2用作生成器30的中间变量，使用生成器30从先前帧X_t-4:X_t生成第一预测帧。图3图示了该过程。在图3所示的示例中，生成器30包括长短期记忆(LSTM)网络，其包括输入层31、输出层33、以及位于二者之间的多个中间层32，图3示出了三个中间层32a、32b和32c，中间层32也称为隐层。后验分布P2作为中间变量，或者也称为隐变量，被提供给中间层32。生成器30利用中间变量从先前帧X_t-4:X_t生成预测帧X'_t+1。应理解，取决于应用场景，生成器30也可以采用其他模型，例如卷积网络、光流网络等。

在步骤S214中，可以将预测帧X'_t+1与其真值(即后续帧X_t+1)之间的差异例如均方误差(MSE)以及先验分布P1与后验分布P2之间的KL散度作为损失函数，即，loss＝MSE+KL，来训练先验编码器10和生成器30。例如，可通过诸如随机最速下降法(SGD)或其改进方法之类的方法来训练和优化先验编码器10和生成器30的可训练网络参数。后验编码器20可以是之前训练好了的，也可以在训练步骤S210中与先验编码器10和生成器30一起被同步训练。

本发明人发现，当先验编码器10和后验编码器20都采用卷积网络时，与之前采用LSTM相比，在训练过程中先验分布P1和后验分布P2之间的KL散度能更快地收敛，因此训练效率能得到显著改善。相比于传统的LSTM网络，先验和后验编码器都采用卷积网络时的训练过程简单、稳定，不需要调参，且不需要特别的技巧，计算量比较小，训练速度比较快。

完成训练过程之后，可以执行预测步骤S220，预测步骤S220仅使用先验编码器10和生成器30来执行预测。具体而言，在步骤S221中，使用先验编码器10从已知帧生成先验分布P1，然后在步骤S222中，将先验分布P1用作生成器30的中间变量，使用生成器30从已知帧生成未来帧。

图4示出了该过程。如图4所示，先验编码器10接收待预测视频的已知帧X_t-4:X_t，其包括当前帧Xt，并且使用已知帧X_t-4:X_t生成先验分布P1。先验分布P1被提供给生成器30的中间层作为中间变量，生成器30利用该中间变量从已知帧X_t-4:X_t生成未来帧X'_t+1。在预测过程中，所预测的未来帧X'_t+1还可以被作为已知帧提供给先验编码器10和生成器30，以预测下一个未来帧X'_t+2。根据本申请实施例的视频预测方法在训练完成后，预测的图像清晰，且比较符合真实物体的运动规律。当根据本申请实施例的视频预测方法应用于辅助驾驶领域时，预测的未来帧可用于辅助驾驶系统来决定适当的驾驶策略。

图5图示了根据本申请实施例的视频预测方法的训练过程的另一示例的示意图。为了简单和清楚，下面将仅描述图5的示例与图3的示例的不同之处。如图5所示，在训练过程中，先验编码器10产生的先验分布P1也被提供给生成器30作为中间变量。生成器30使用后验分布中间变量P2生成预测帧X'_t+1，并且使用先验分布中间变量P1生成预测帧Y'_t+1。一方面，可以使用预测帧X'_t+1与其对应的真值X_t+1之间的差异例如均方误差MSE1以及先验分布P1与后验分布P2之间的KL散度作为损失函数来进行训练，其可称为第一训练，另一方面，可以使用预测帧Y'_t+1与其对应的真值X_t+1之间的差异例如均方误差MSE2以及先验分布P1与后验分布P2之间的KL散度作为损失函数来进行训练，其可称为第二训练。第一训练和第二训练可交替或同步进行，该训练过程引入了对抗训练的思想，可以实现更好的训练效果，进一步提升预测结果的准确性。最终，通过训练，先验分布P1与后验分布P2收敛为趋于一致。

示例性装置

图6图示了根据本申请实施例的视频预测装置300的功能框图。如图6所示，根据本申请实施例的视频预测装置300可包括先验编码器310、后验编码器320、生成器330、训练单元340和预测单元350。

训练单元340可配置为调度其他单元以执行训练过程，具体而言，可以使用先验编码器310从先前帧X_t-4:X_t生成先验分布P1，使用后验编码器320从先前帧X_t-4:X_t和后续帧X_t+1:X_t+4生成后验分布P2，并且将后验分布P2提供给生成器330作为中间变量。训练单元340还可以使用生成器330从先前帧X_t-4:X_t生成预测帧X'_t+1，并且以预测帧X'_t+1与其对应真值即帧X_t+1之间的差异例如均方误差(MSE)以及先验分布P1与后验分布P2之间的KL散度作为损失函数来优化先验编码器310和生成器330。在一些实施例中，训练单元340还可以将先验分布P1提供给生成器330作为中间变量，使用生成器330从先前帧X_t-4:X_t生成预测帧Y'_t+1，并且以预测帧Y'_t+1与其对应真值即帧X_t+1之间的差异例如均方误差以及先验分布P1与后验分布P2之间的KL散度作为损失函数来优化先验编码器310和生成器330。训练单元340可以交替或同步进行以先验分布P1和后验分布P2为中间变量的训练过程，直到先验分布P1和后验分布P2收敛到趋于一致。

预测单元350可配置为调度其他单元以执行训练过程，具体而言，可以使用先验编码器310从已知帧X_t-4:X_t生成先验分布P1，并且将先验分布P1作为生成器330的中间变量，通过生成器330从已知帧X_t-4:X_t生成未来帧X'_t+1。

在一个示例中，先验编码器310和后验编码器320每个都可以包括卷积网络，生成器330可以包括长短期记忆网络、卷积网络和光流网络之一。

可以理解，视频预测装置300中的各个单元和模块的具体功能和操作已经在上面参考图1到图5描述的视频预测方法中详细介绍，因此，将省略其重复描述。

如上所述，根据本申请实施例的视频预测装置300可以实现在各种终端设备中，例如用于辅助驾驶的车载设备中。一个示例中，根据本申请实施例的视频预测装置300可以作为一个软件模块和/或硬件模块而集成到所述终端设备中。例如，该装置300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序，其运行在CPU(中央处理单元)和/或GPU(图形处理单元)上，或者运行在专用的硬件加速芯片，例如适于运行深度神经网络的专用芯片上；当然，该装置300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该视频预测装置300与该终端设备也可以是分立的设备，并且该装置300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

图7图示了根据本申请实施例的电子设备的框图。

如图7所示，电子设备400包括一个或多个处理器410和存储器420。处理器410可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。

存储器420可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器410可以运行所述程序指令，以实现上文所述的本申请的各个实施例的视频预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如先前帧、后续帧、预测帧等各种内容。

在一个示例中，电子设备400还可以包括输入接口430和输出接口440，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。输入接口430可以连接到例如视频捕捉装置诸如车载摄像头以接收已知视频帧，所接收的已知视频帧可用于上面描述的训练或预测步骤。输出接口440则可以向外部输出预测结果，例如可以将预测结果输出给车辆的辅助驾驶系统以供其决定驾驶策略时使用。

当然，为了简化，图7中仅示出了该电子设备400中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的视频预测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的视频预测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。