具体实施方式

将参考以下所讨论的细节来描述本公开的各种实施方式和方面， 附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而 不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公 开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所 周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。

本说明书中对“一个实施方式”或“实施方式”的提及意味着结 合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少 一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方 的出现不必全部指同一实施方式。

根据各种实施方式，本文描述的是收集用于训练在ADV中使用 的载荷推断回归模型的数据的方法和系统。根据一个示例性方法， ADV在一段道路上手动驾驶多个时间段。在每个时间段期间，记录 ADV的一组特征，包括在从第一档位换档至第二档位之前的第一时间 时的一个或多个特征，以及在换档之后的第二时间时的一个或多个特 征。对于多个时间段中的每个，ADV的重量也使用重量传感器进行记 录。然后使用这些时间段中的每个的ADV的记录特征和总重量训练 神经网络回归模型，以实时推断ADV的载荷。

可通过从记录的ADV的总重量中减去ADV的净重来计算ADV 上的载荷的重量。换档之前的第一时间时的一个或多个特征可包括 ADV的速度、发出的驾驶命令、加速度或减速度以及初始档位。换档 之后的第二时间时的一个或多个特征包括第二档位，即换档后的档位。

在一个实施方式中，第一时间和第二时间是两个相邻的时间点， 并且它们之间的间隔是将齿轮从第一位置变换至第二位置所需的时 间。第一位置是齿轮的初始位置，以及第二位置是齿轮的目标位置。

在一个实施方式中，仅在与档位变化相关联的第一时间和第二时 间收集用于回归模型的训练数据和测试数据。在收集训练数据时， ADV可手动驾驶多个时间段。在每个时间段期间，ADV上的载荷增 加固定量，例如50公斤，并且ADV加速或减速，使得必须换挡。

在一个实施方式中，推断ADV上的载荷的方法可包括在ADV上 运行的经训练的载荷推断模型处接收ADV的特征的操作，该特征包 括在从第一档位换挡至第二档位之前的第一时间时的一个或多个特 征，以及在换档之后的第二时间时的一个或多个特征；以及基于这些 特征，通过经训练的载荷推断模型生成ADV上的载荷的重量。

自动驾驶车辆

图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置 的框图。参考图1，网络配置100包括可通过网络102通信地联接到 一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自 动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联 接到服务器103至104。网络102可以是任何类型的网络，例如，有 线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、 卫星网络或其组合。服务器103至104可以是任何类型的服务器或服 务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组 合。服务器103至104可以是数据分析服务器、内容服务器、交通信 息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。

自动驾驶车辆是指可配置成处于自动驾驶模式下的车辆，在所述 自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通 过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有 配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车 辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动 驾驶模式下运行。

在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与 规划系统110、车辆控制系统111、无线通信系统112、用户接口系统 113和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的 某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和 /或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、 减速信号或命令、转向信号或命令、制动信号或命令等。

部件110至115可经由互连件、总线、网络或其组合通信地联接 到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通 信地联接到彼此。CAN总线是设计成允许微控制器和装置在没有主机 的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电 气布线设计的基于消息的协议，但也用于许多其它环境。

现在参考图2，在一个实施方式中，传感器系统115包括但不限 于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量 单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元 215。GPS单元212可包括收发器，所述收发器可操作以提供关于自动 驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动 驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来 感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中， 除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。 LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。 除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、 激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动 驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物 摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过 将摄像机安装在旋转和/或倾斜平台上。

传感器系统115还可包括其它传感器，诸如：声纳传感器、红外 传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例 如，麦克风)。音频传感器可配置成从自动驾驶车辆周围的环境中采集 声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向 角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。 在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传 感器。

在一个实施方式中，车辆控制系统111包括但不限于转向单元 201、油门单元202(也称为加速单元)和制动单元203。转向单元201 用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发 动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。 制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。 应注意，如图2所示的部件可以以硬件、软件或其组合实施。

返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如 装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系 统112可以与一个或多个装置直接无线通信，或者经由通信网络进行 无线通信，诸如，通过网络102与服务器103至104通信。无线通信 系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使 用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红 外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101 内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施 的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声 器等。

自动驾驶车辆101的功能中的一些或全部可由感知与规划系统 110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统 110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例 如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系 统111、无线通信系统112和/或用户接口系统113接收信息，处理所 接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划 和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车 辆控制系统111集成在一起。

例如，作为乘客的用户可例如经由用户接口来指定行程的起始位 置和目的地。感知与规划系统110获得行程相关数据。例如，感知与 规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI 服务器可以是服务器103至104的一部分。位置服务器提供位置服务， 并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类 位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存 储装置中。

当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可 从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器 103至104可由第三方实体进行操作。可替代地，服务器103至104 的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地 环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可 规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车 辆101，以安全且高效到达指定目的地。

服务器103可以是数据分析系统，从而为各种客户执行数据分析 服务。在一个实施方式中，数据分析系统103包括数据收集器121和 机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由 人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据 123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以 及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、 加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时 间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、 MPOI、道路状况、天气状况等。基于驾驶统计数据123，出于各种目 的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124。 然后算法124可上传到ADV上以在自动驾驶期间实时使用。

图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使 用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾 驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括 但不限于定位模块301、感知模块302、预测模块303、决策模块304、 规划模块305、控制模块306、路线安排模块307和载荷参考模块308。

模块301至308中的一些或全部可以以软件、硬件或其组合实施。 例如，这些模块可安装在永久性存储装置352中、加载到存储器351 中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中 的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部 模块或者与它们集成在一起。模块301至308中的一些可一起集成为 集成模块。

定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS 单元212)以及管理与用户的行程或路线相关的任何数据。定位模块 301(又称作为地图与路线模块)管理与用户的行程或路线相关的任何 数据。用户可例如经由用户接口登录并且指定行程的起始位置和目的 地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的 其它部件通信，以获得行程相关数据。例如，定位模块301可从位置 服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务 器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI， 从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆 300沿着路线移动时，定位模块301也可从交通信息系统或服务器获 得实时交通信息。

基于由传感器系统115提供的传感器数据和由定位模块301获得 的定位信息，感知模块302确定对周围环境的感知。感知信息可表示 普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括 例如采用对象形式的车道配置、交通灯信号、另一车辆的相对位置、 行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让 行标志)等。车道配置包括描述一个或多个车道的信息，诸如，例如 车道的形状(例如，直线或弯曲)、车道的宽度、道路中的车道数量、 单向或双向车道、合并或分开车道、出口车道等。

感知模块302可包括计算机视觉系统或计算机视觉系统的功能， 以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车 辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其 它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、 视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉 系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块 302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感 器数据来检测对象。

针对每个对象，预测模块303预测对象在这种情况下将如何表现。 预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息 311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反 方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测 车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没 有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能 需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转 唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。

针对每个对象，决策模块304作出关于如何处置对象的决定。例 如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的 元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所 述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集 可存储在永久性存储装置352中。

路线安排模块307配置成提供从起始点到目的地点的一个或多个 路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户 接收的给定行程，路线安排模块307获得路线与地图信息311，并确 定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模 块307可生成地形图形式的参考线，它确定了从起始位置至到达目的 地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交 通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、 行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地 形图提供至决策模块304和/或规划模块305。决策模块304和/或规划 模块305检查所有可能的路线，以根据由其它模块提供的其它数据选 择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301 的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303 预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考 线。

基于针对所感知到的对象中的每个的决定，规划模块305使用由 路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径 或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之， 针对给定的对象，决策模块304决定对该对象做什么，而规划模块305 确定如何去做。例如，针对给定的对象，决策模块304可决定超过所 述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规 划和控制数据由规划模块305生成，包括描述车辆300在下一移动循 环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控 制数据可指示车辆300以30英里每小时(mph)的速度移动10米， 随后以25mph的速度变到右侧车道。

基于规划和控制数据，控制模块306根据由规划和控制数据限定 的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控 制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿 着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如， 油门、制动、转向命令)将车辆从路线或路径的第一点驾驶到第二点。

在一个实施方式中，规划阶段在多个规划周期(也称作为驾驶周 期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。 对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一 个或多个控制命令。即，对于每100ms，规划模块305规划下一个路 线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的 时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向 角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5 秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在 前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒) 的目标位置。控制模块306然后基于当前周期的规划和控制数据生成 一个或多个控制命令(例如，油门、制动、转向控制命令)。

在一个实施方式中，载荷参考模块308是经过训练的回归神经网 络，它可基于实时收集的多个基于齿轮的特征推断ADV的载荷。基 于齿轮的特征可包括在换档之前的第一时间时的特征，例如，ADV的 速度、ADV的驾驶命令、ADV的加速度/减速度和初始档位；以及包 括在换档之后的第二时间时的一个或多个特征，例如，在换档之后的 目标档位。推断的ADV的载荷可用于实时动态调整驾驶命令。例如， 如果ADV的载荷较大，则需要增大油门百分比或制动百分比，以保 持相同的加速度或减速度。

应注意，决策模块304和规划模块305可集成为集成模块。决策 模块304/规划模块305可包括导航系统或导航系统的功能，以确定自 动驾驶车辆的驾驶路径。例如，导航系统可确定用于影响自动驾驶车 辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾 驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上 避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用 户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更 新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据合 并，以确定用于自动驾驶车辆的驾驶路径。

载荷推断系统

图4示出了一个示例图，该图示出了根据一个实施方式的载荷推 断系统。如图4中所示，载荷推断模型308可将ADV的实时特征401 作为输入，并推断ADV的实时载荷410。实时特征可包括ADV在第 一时间的速度404、在第一时间发出的驾驶命令405、在第一时间的加速度或减速度406以及原始(即，初始)档位407。换档之后的第二 时间时的一个或多个特征包括第二档位408。

在一个实施方式中，第一时间是ADV即将换挡以加速或减速的 时间，以及第二时间是换挡完成的时间。驾驶命令可包括油门百分比 或制动百分比。

在一个实施方式中，载荷推断模型308的输入可包括每个单独的 特征，以及多个特征的组合。例如，载荷推断模型308的输入可包括 ADV在第一时间的速度、在第一时间发出的驾驶命令、在第一时间的 加速度或减速度、初始档位和在第二时间的第二档位，以及上述特征 中的任意两个的组合。

在一个实施方式中，实时特征可从控制系统111收集，以及从载 荷推断模型308推断出的实时载荷410可向控制系统提供，用于动态 地调整一个或多个执行器命令，即驾驶命令，诸如油门百分比或制动 百分比。

图5示出了根据一个实施方式的收集用于训练载荷推断模型的数 据。在一个实施方式中，仅可在发生换档的时刻收集用于载荷参考模 型的训练和测试数据。那些没有换档的时间点被丢弃。从这些时间点 收集的数据可能会导致回归模型中的偏差，因为没有换档的时间点的 数量远远多于有换档的时间点。

车辆501可在具体路段上手动驾驶一段时间(例如，20分钟)， 在此期间，车辆加速或减速以产生更多换档。

上述过程可重复多次。每次重复上述过程时，车辆将以固定的重 量差重新装载。例如，每次重复上述过程时，车辆中的载荷增加50 公斤。可将一个或多个外部传感器(例如，重量传感器505)安装在 ADV上，以测量车辆501的总重量从而获得标记数据。由于ADV的净重已知，因此可基于ADV的净重和ADV的总测量重量计算ADV 上载荷的重量。

标记数据和在换档时刻收集的数据用于训练和测试载荷推断模 型，以便随后在车辆501或不同车辆中使用，从而实时确定车辆501 或另一车辆上的载荷。

由于训练和测试数据是在换档时收集的，因此本公开中描述的实 施方式可能不适用于电动车辆或无级变速车辆。

如图5中所示，从第一时间点(T1)507和第二时间点(T2)509 收集训练数据。

在一个实施方式中，第一时间点和第二时间点是两个相邻的时间 点，以及它们之间的间隔是完成换档/变档所花费的时间。每个条目的 特征可包括T1时的车辆速度、T1时的命令(油门百分比/制动百分比)、 T1时的加速度/减速度、T1时的原始档位和T2时的目标档位。

在一个实施方式中，特征组合也可包括在训练数据中的每个特征 条目中。例如，上述所列特征中的任意两个的组合可包括在每个特征 条目中。另外，特征的每个条目均还包括车辆的总重量或ADV的总 重量与ADV的净重之间的差异。

图6示出了根据一个实施方式的载荷推断模型600的示例。

在该示例中，载荷推断模型600可以是多层感知器(MLP)神经 网络回归模型，该模型使用以图5中所述方式收集的数据进行训练。 载荷推断模型600包括一组设计成用于模拟人脑的连接神经元。载荷 推断模型中的神经元可完全连接，每一层中的每个节点均以一定的权 重连接至下一层中的每个节点。在载荷推断模型的训练期间，载荷推 断模型基于输出与预期结果相比的误差量，在处理完每一条数据后改 变连接权重。

在一个实施方式中，载荷推断模型600可包括：用于接收输入数 据601的输入层603；对输入数据601作出决策或预测的输出层609； 以及在输入层603与输出层609之间的任意数量的隐藏层(例如，隐 藏层605和隐藏层607)。

隐藏层605和隐藏层607是载荷推断模型600的计算引擎。隐藏 层605和隐藏层607中的神经元可包括用于转换输入数据601的激活 函数。整流线性单元(ReLU)是载荷推断模型中使用的一个示例性激 活函数。如果ReLu接收到任何负值输入，它将返回0；以及对于任何 正值，它将返回该值。尽管图6示出了两个隐藏层605和隐藏层607 以及一个输出层609，但是载荷推断模型可包括附加的多个隐藏层和 附加的输出层。

在实施方式中，用于载荷推断模型600的输入数据601包括ADV 在第一时间和第二时间的特征。第一时间和第二时间可以是换档前后 的两个相邻时间点。第一时间时的特征可包括ADV的状态(例如， 速度、加速度和角速度)、控制命令(例如，油门命令、制动命令和转 向命令)以及换档前的第一档位。第二时间时的特征可包括目标档位。 输入数据601还可包括这些上述特征的组合。例如，输入数据601可 包括上述特征中的任意两个的组合。另外，输入数据还可包括ADV 的测量重量，或者在用于收集训练和测试数据的不同时间段期间ADV 上载荷621的重量。

输入数据601可由隐藏层605和隐藏层607处理，并且可转换为 输出层609中的数据。该数据可以是ADV的预期总重量，或ADV上 载荷621的预期重量。

图7示出了根据一个实施方式的收集用于训练载荷推断模型的数 据的示例性过程700。过程700可由处理逻辑执行，该处理逻辑可包 括软件、硬件或其组合。

参考图7，在操作701中，处理逻辑记录在一段道路上手动驾驶 了多个时间段的ADV的驾驶统计数据。在操作702中，处理逻辑使 用ADV上的外部传感器来记录在多个时间段中的每个期间ADV的总 重量。在操作703中，处理逻辑从驾驶统计数据中提取ADV的多个特征，包括在从第一档位换档至第二档位之前的第一时间时的一个或 多个特征，以及在换档之后的第二时间时的一个或多个特征。

图8示出了根据一个实施方式推断ADV上载荷的重量的示例性 过程800。过程800可由处理逻辑执行，该处理逻辑可包括软件、硬 件或其组合。例如，，处理逻辑可由如图4中所述的载荷推断模型308 执行。

参考图8，在操作801中，处理逻辑在ADV上运行的经训练的载 荷推断模型处接收ADV的多个特征，包括在从第一档位换档至第二 档位之前的第一时间时的一个或多个特征，以及在换档之后的第二时 间时的一个或多个特征。在操作802中，处理逻辑基于多个特征通过 经训练的载荷推断模型生成ADV上载荷的重量。

应注意，如上文示出和描述的部件中的一些或全部可在软件、硬 件或其组合中实施。例如，此类部件可实施为安装并存储在永久性存 储装置中的软件，所述软件可通过处理器(未示出)加载在存储器中 并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地， 此类部件可实施为编程或嵌入到专用硬件(诸如，集成电路(例如， 专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵 列(FPGA))中的可执行代码，所述可执行代码可经由来自应用的相 应驱动程序和/或操作系统来访问。此外，此类部件可实施为处理器或 处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特 定指令访问的指令集的一部分。

前述详细描述中的一些部分已经根据在计算机存储器内对数据位 的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领 域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给 本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结 果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。

然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量 关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其 它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸 如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类 似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控 计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并 将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储 装置、传输或显示装置内类似地表示为物理量的其它数据。

本公开的实施方式还涉及用于执行本文中的操作的设备。这种计 算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于 以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机 器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存 储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、 磁盘存储介质、光存储介质、闪存存储器装置)。

前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理 逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂 时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文 是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可 按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。

本公开的实施方式并未参考任何特定的编程语言进行描述。应认 识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的 教导。

在以上的说明书中，已经参考本公开的具体示例性实施方式对本 公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要 求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出 各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说 明书和附图。