具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在介绍本发明实施例之前，先对本发明的基础思路进行说明，具体过程如下：

首先基于车辆的行驶加速度、车辆的纵向加速度传感器测量结果、道路坡度、重力加速度等，构建车辆的纵向加速度传感器测量结果与道路坡度的车辆运动模型，具体的，可以通过如下公式确定车辆运动模型：

其中，a_x表示车辆的纵向加速度传感器测量结果，表示车辆的行驶加速度，g表示重力加速度，i表示道路坡度。

然后，将车辆运动模型转换为线性系统状态空间模型，具体的，由于道路坡度相对车辆自身动力学状态变化缓慢，对时间导数可近似为零，可得出微分方程组：

进一步的，将上式进行离散化，得到k时刻的坡度估计系统的状态空间方程，如下：

其中，v表示车速，i表示道路坡度，表示系统输入矩阵，表示为观测矩阵，表示为状态转移矩阵，z_k表示系统的观测值，w_k为过程噪声，表示系统状态空间方程与实际测量过程之间的偏差，v_k为测量噪声，表示传感器的精度误差。

进而基于改进的卡尔曼滤波算法进行坡度估计，主要对卡尔曼滤波算法中的状态更新环节进行改进，具体阐述详见下述实施例。

实施例一

图1是本发明实施例一提供的一种坡度估计方法的流程图，本实施例可适用于车辆在起步低速、加速或减速时进行坡度估计的情况，该方法可以由坡度估计装置来执行，该装置可由软件和/或硬件的方式实现，并可集成于承载坡度估计功能的电子设备中，例如车辆控制器中。

如图1所示，该方法具体可以包括：

S110、根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值。

本实施例中，可以结合上述坡度估计系统状态空间方程，可以将车辆在当前时刻的行驶加速度、车辆在上一时刻的坡度最优估计值输入至坡度预测模型中，得到车辆在当前时刻的坡度预测值。例如，可以通过如下公式确定车辆在当前时刻的坡度预测值：

其中，表示当前时刻的坡度预测值，表示为上一时刻的坡度最优估计值，A表示为状态转移矩阵，B表示为系统输入矩阵，u_k表示当前时刻的纵向加速度传感器测量结果，包含车辆在当前时刻的行驶加速度。

S120、根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差。

本实施例中，将车辆在上一时刻的坡度最优估计值的误差协方差输入至误差确定模型中，得到车辆在当前时刻的坡度预测值的误差协方差。例如，可以通过如下公式确定车辆在当前时刻的坡度预测值的误差协方差：

其中，表示为当前时刻的坡度预测值的误差协方差，P_k-1表示为上一时刻的坡度最优估计值的误差协方差，Q表示为过程噪声协方差，可由本领域技术人员根据实际情况通过对比实验获得。

S130、根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益。

本实施例中，将车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差输入至卡尔曼增益确定模型中，输出当前时刻的卡尔曼增益。例如，可以通过如下公式，确定当前时刻的卡尔曼增益：

其中，K_k表示为当前时刻的卡尔曼增益，表示为当前时刻的坡度预测值的误差协方差，R是对传感器测量数据经过长期的概率统计得出的测量方差。

S140、根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。

可选的，若上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值大于坡度估计阈值，则根据坡度估计阈值和上一时刻的坡度最优估计值确定当前时刻的坡度最优估计值。具体的，若上一时刻的坡度最优估计值小于当前时刻的坡度预测值，且上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值大于坡度估计阈值，则将上一时刻的坡度最优估计值与坡度估计阈值作和，将作和的结果作为车辆在当前时刻的坡度最优估计值。若上一时刻的坡度最优估计值大于当前时刻的坡度预测值，且上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值大于坡度估计阈值，则将上一时刻的坡度最优估计值与坡度估计阈值作差，将作差的结果作为车辆在当前时刻的坡度最优估计值。

可选的，若上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值小于坡度估计阈值，则根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、以及当前时刻的坡度预测值，确定当前时刻的坡度最优估计值。

例如，可以通过如下公式确定当前时刻的坡度最优估计值：

其中，表示为当前时刻的坡度最优估计值，表示为上一时刻的坡度最优估计值，Δi_max表示为坡度估计阈值，表示为当前时刻的坡度测量值、K_k表示为当前时刻的卡尔曼增益、H表示为观测矩阵、表示为上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值小于坡度估计阈值、z_k表示为当前时刻的坡度预测值。

确定车辆在当前时刻的坡度最优估计值之后，根据当前时刻的卡尔曼增益，当前时刻的坡度预测值的误差协方差，确定当前时刻的坡度最优估计值的误差协方差，以便确定下一时刻的坡度最优估计值的误差协方差，即更新坡度最优估计值的误差协方差。具体的，可以通过如下公式确定：

其中，P_k表示为当前时刻的坡度最优估计值的误差协方差，I为单位矩阵，H表示为观测矩阵，K_k表示为当前时刻的卡尔曼增益，表示为当前时刻的坡度预测值的误差协方差，R是对传感器测量数据经过长期的概率统计得出的测量方差。

本发明实施例的技术方案，根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值，之后根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差，接着根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益，进而根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。上述技术方案解决了车辆在起步低速、加速、减速时，由于车辆自身不稳定导致的加速度传感器数值波动严重，最终造成坡度估计值不可靠的问题，在不增加原有坡度估计算法复杂度以及传感器需求的情况下，提高了坡度估计算法在车身不稳定情况下的鲁棒性，同时为坡度估计提供了一种新思路。

实施例二

图2A是本发明实施例二提供的一种坡度估计方法的流程图；图2B是本发明实施例二提供的一种车辆上坡行驶示意图。在上述实施例的基础上，进一步优化，提供一种可选实施方案。

如图2A所示，该方法具体可以包括：

S210、根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值。

S220、根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差。

S230、根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益。

S240、根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。

可选的，坡度估计阈值通过如下方式确定：确定车辆从预备上坡状态到初始上坡状态所需的行驶时长；根据道路最大坡度和行驶时长，确定车辆所处斜坡道路的坡度变化率；根据坡度变化率、坡度变化比例系数、以及相邻两次坡度估计的时间间隔，确定坡度估计阈值。

其中，预备上坡状态是指车辆的前车轮到达坡底，正准备上坡的状态，如图2B中虚线车辆所处的状态；所谓初始上坡状态是指车辆的后车轮刚离开坡底，车辆完全处于坡道斜面时的状态，如图2B中实线车辆所处的状态。

具体的，将车辆轴距的两倍，作为车辆从预备上坡状态到初始上坡状态的行驶路径，如图2B，其中L表示车辆轴距，v表示车速。进而根据行驶路径和车速，确定车辆从预备上坡状态到初始上坡状态所需的行驶时长，例如可以通过如下公式确定：

其中，t_slope表示车辆从预备上坡状态到初始上坡状态所需的行驶时长，L表示车辆轴距，v表示车速。

在确定辆从预备上坡状态到初始上坡状态所需的行驶时长后，根据道路最大坡度和行驶时长，确定车辆所处斜坡道路的坡度变化率。例如将道路最大坡度与行驶时长进行作商，将作商后的结果作为车辆所处斜坡道路的坡度变化率如图2B中所示，θ_max表示道路最大坡度。

在确定坡度变化率后，根据坡度变化率、坡度变化比例系数、以及相邻两次坡度估计的时间间隔，确定坡度估计阈值可以是，将坡度变化率、坡度变化比例系数、以及相邻两次坡度估计的时间间隔相乘的结果，作为坡度估计阈值。

可选的，坡度变化比例系数可以由本领域技术人员根据实际情况设定。由于车辆在起步低速、加速或减速时，会出现车轮打滑的情况，进而导致车身俯仰不稳定的同时，造成基于轮速估计的车辆纵向车速不稳定，最终导致坡度估计结果波动。为了更进一步保证坡度估计的稳定性和准确性，作为本发明实施例的一种可选方式，坡度变化比例系数根据车轮打滑等级确定，不同的坡度变化比例系数对应不同的车轮打滑等级。

示例性的，可以通过如下方式确定车轮打滑等级，根据坡度阻力和加速阻力，确定理论纵向加速度；根据理论纵向加速度和实际纵向加速度，确定加速误差；根据加速误差和打滑判断阈值，确定车轮打滑等级。其中，打滑判断阈值可以由本领域技术人员根据实际情况设定。

其中，所谓坡度阻力是指当车轮上坡行驶时，其重力沿坡道斜面的分力表现为对车轮行驶的一种阻力，可以通过重力加速度、滚动阻力系数和车辆的重量确定，可选的，可以将重力加速度、滚动阻力系数和车辆重量相乘的结果作为坡道阻力。例如可以通过如下公式确定：F_f＝mgf，其中，F_f表示坡度阻力，m表示车辆重量，g表示重力加速度、f表示滚动阻力系数。

所谓加速阻力是指车轮行驶时保持匀速运动的惯性力，可以通过车辆行驶加速度和车辆重量确定，可选的，可以将辆行驶速度和车辆重量相乘的结果作为加速阻力。例如可以通过如下公式确定：其中，F_j表示加速阻力，m表示车辆重量，表示车辆行驶加速度。

所谓理论纵向加速度是指车辆在坡道斜面方向上的理论计算得到的加速度。

所谓实际纵向加速度是指车辆中纵向加速度传感器测得的车辆的纵向加速度。

可选的，将坡度阻力和加速阻力的和，与车辆重量作商，将作商的结果，作为理论纵向加速度，之后，将理论纵向加速度和实际纵向加速度之间的差值作为加速误差，进而，根据加速误差和打滑判断阈值，确定车轮打滑等级。

示例性的，根据加速误差和打滑判断阈值，确定车轮打滑等级可以是，若加速误差的绝对值小于第一打滑判断阈值，则确定车轮打滑等级为第一打滑等级；若加速误差的绝对值大于第一打滑判断阈值且小于第二打滑判断阈值，或加速误差的绝对值大于第三打滑判断阈值，则确定车轮打滑等级为第二打滑等级；若加速误差的绝对值大于第二打滑判断阈值且小于第三打滑判断阈值，则确定车轮打滑等级为第三打滑等级；其中，第三打滑判断阈值大于第二打滑判断阈值，第二打滑判断阈值大于第一打滑判断阈值。第三打滑判断阈值、第二打滑判断阈值和第一打滑判断阈值可由本领域技术人员根据实际情况设定。

可以理解是的，通过引入车轮打滑等级，可以及时准确的辨别出车轮打滑情况，以便于准确确定坡度变化比例系数，进而提高坡度估计阈值的准确性，从而提高坡度估计的准确性。

本发明实施例的技术方案，根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值，之后根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差，接着根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益，进而根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。上述技术方案解决了车辆在起步低速、加速、减速时，由于车辆自身不稳定导致的加速度传感器数值波动严重，最终造成坡度估计值不可靠的问题，在不增加原有坡度估计算法复杂度以及传感器需求的情况下，提高了坡度估计算法在车身不稳定情况下的鲁棒性，同时为坡度估计提供了一种新思路。

实施例三

图3是本发明实施例三提供的一种坡度估计装置的结构示意图；本实施例可适用于车辆在起步低速、加速或减速时进行坡度估计的情况，该装置可由软件和/或硬件的方式实现，并可集成于承载坡度估计功能的电子设备中，例如车辆控制器中。

如图3所示，该装置包括坡度预测值确定模块310、误差协方差确定模块320、卡尔曼增益确定模块330和坡度估计值确定模块340，其中，

坡度预测值确定模块310，用于根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值；

误差协方差确定模块320，用于根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差；

卡尔曼增益确定模块330，用于根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益；

坡度估计值确定模块340，用于根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。

本发明实施例的技术方案，根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值，之后根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差，接着根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益，进而根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。上述技术方案解决了车辆在起步低速、加速、减速时，由于车辆自身不稳定导致的加速度传感器数值波动严重，最终造成坡度估计值不可靠的问题，在不增加原有坡度估计算法复杂度以及传感器需求的情况下，提高了坡度估计算法在车身不稳定情况下的鲁棒性，同时为坡度估计提供了一种新思路。

进一步地，坡度估计值确定模块340具体用于：

若上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值大于坡度估计阈值，则根据坡度估计阈值和上一时刻的坡度最优估计值确定当前时刻的坡度最优估计值；

若上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值的绝对值小于坡度估计阈值，则根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、以及当前时刻的坡度预测值，确定当前时刻的坡度最优估计值。

进一步地，坡度估计值确定模块340包括坡度估计阈值确定单元，该坡度估计阈值具体用于：

确定车辆从预备上坡状态到初始上坡状态所需的行驶时长；

根据道路最大坡度和行驶时长，确定车辆所处斜坡道路的坡度变化率；

根据坡度变化率、坡度变化比例系数、以及相邻两次坡度估计的时间间隔，确定坡度估计阈值。

进一步地，坡度变化比例系数根据车轮打滑等级确定。

进一步地，坡度估计值确定模块340还包括理论纵向加速度确定单元、加速误差确定单元和车轮打滑等级确定单元，其中，

理论纵向加速度确定单元，用于根据坡度阻力和加速阻力，确定理论纵向加速度；

加速误差确定单元，用于根据理论纵向加速度和实际纵向加速度，确定加速误差；

车轮打滑等级确定单元，用于根据加速误差和打滑判断阈值，确定车轮打滑等级。

进一步地，车轮打滑等级确定单元具体用于：

若加速误差的绝对值小于第一打滑判断阈值，则确定车轮打滑等级为第一打滑等级；

若加速误差的绝对值大于第一打滑判断阈值且小于第二打滑判断阈值，或加速误差的绝对值大于第三打滑判断阈值，则确定车轮打滑等级为第二打滑等级；

若加速误差的绝对值大于第二打滑判断阈值且小于第三打滑判断阈值，则确定车轮打滑等级为第三打滑等级；其中，第三打滑判断阈值大于第二打滑判断阈值，第二打滑判断阈值大于第一打滑判断阈值。

上述坡度估计装置可执行本发明任意实施例所提供的坡度估计方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四提供的一种电子设备的结构示意图，图4示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图4显示的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器(高速缓存32)。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的坡度估计方法。

实施例五

本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本发明实施例所提供的坡度估计方法，该方法包括：

根据车辆在当前时刻的行驶加速度，以及车辆在上一时刻的坡度最优估计值确定车辆在当前时刻的坡度预测值；

根据车辆在上一时刻的坡度最优估计值的误差协方差，确定车辆在当前时刻的坡度预测值的误差协方差；

根据车辆在当前时刻的坡度测量值的误差协方差和车辆在当前时刻的坡度预测值的误差协方差，确定当前时刻的卡尔曼增益；

根据当前时刻的卡尔曼增益、当前时刻的坡度测量值、当前时刻的坡度预测值、上一时刻的坡度最优估计值、坡度估计阈值、以及上一时刻的坡度最优估计值与当前时刻的坡度预测值之间的差值，确定车辆在当前时刻的坡度最优估计值。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。