[0001] 本申请涉及无人机技术领域，特别是涉及一种空地协同系统及其优化方法。

[0002] 随着无线通信技术的发展，第六代(6G)无线网络将通过部署空地协同设施来实现无处不在的覆盖，以实现监视、灾难响应和元宇宙环境构建等多种应用。上述应用的实现依赖于多模态和生成式人工智能(AI)等先进技术，并需要涉及数十亿参数的大型推理模型提供支持，这些模型不仅需要巨大的计算资源，还需在各种环境条件下保持高推理精度和适应性。这种不断增加的计算设施部署的需求推动了在无人机(UAV)等边缘计算设备上部署AI能力的研究和开发。

[0003] 目前，虽然可以将UAV作为边缘AI服务器，但由于UAV的机载计算能力不足，作为边缘服务器的应用通常限于执行较小的推理模型，不能支持需要数十亿参数的大模型，如SoRA和Gemini，严重限制了它们在预期的6G网络应用中的实用性。且边缘UAV的计算能力不足以支持模型训练，因此边缘模型无法在UAV上进行更新，导致边缘AI服务器的鲁棒性和准确性受限。

[0004] 因此，如何提高UAV作为边缘AI服务器的计算能力是亟需解决的问题。

[0005] 需要说明的是，上述的陈述仅用于提供与本申请有关的背景技术信息，而不必然的构成现有技术。

[0027] 下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

[0028] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

[0029] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0030] 现有无人机(Unmanned Aerial Vehicle，UAV)存在机载计算能力不足，作为边缘服务器的应用通常限于执行较小的推理模型，不能支持需要数十亿参数的大模型，如SoRA和Gemini，严重限制了它们在预期的6G网络应用中的实用性，且边缘UAV的计算能力不足以支持模型训练，因此边缘模型无法在UAV上进行更新等问题，导致边缘AI服务器的鲁棒性和准确性受限。

[0031] 针对上述问题，本实施例提供一种空地协同系统及其优化方法，其中，空地协同系统包括云服务器和边缘无人机，以边缘无人机为边缘节点，以云服务器为中心节点，通过边缘无人机获取感知数据并进行特征提取，同时提取部分感知数据的特征残差，边缘无人机不仅进行本地推理计算，还将部分提取的特征和数据残差传输给云服务器，云服务器则基于大模型对接收的数据进行推理，并将更新的小模型发送给无人机，从而提升无人机上边缘模型的性能。

[0032] 同时，基于上述空地协同系统，本实施例还提出一种优化方法，基于云服务器和边缘无人机的任务分配、上行或下行带宽分配、数据传输量化设计以及模型更新开销来最大化无人机和云服务器的平均精度均值(Mean Average Precision，MAP)，进一步提升空地协同系统的性能。

[0033] 图1示出本实施例提供的一种空地协同系统的系统结构示意图，参考图1，一种空地协同系统包括：云服务器和边缘无人机。

[0034] 边缘无人机具有数据采集器，数据采集器用于获取感知数据，边缘无人机内部署边缘模型，边缘模型用于进行边缘计算；云服务器用于基于边缘无人机发送的感知数据进行计算，云服务器内部署云模型，云服务器利用云模型更新边缘模型。

[0035] 在一个例子中，边缘无人机可以是一个也可以是多个，边缘无人机的数量可根据实际需求设置。数据采集器例如是摄像机，对应地，感知数据例如是摄像机采集到的图像数据。

[0036] 边缘模型用于进行边缘计算，以视觉分类任务为例，对视频的每一帧的分析和识别被称为一个任务，边缘模型可以执行该视觉分类任务，云服务器也可以执行该视觉分类任务。

[0037] 边缘模型在获取到感知数据之后，将感知数据发送给云服务器，云服务器基于边缘无人机发送的感知数据进行计算，并通过内部署的云模型向边缘无人机发送灵活开销的模型更新数据来对边缘模型进行升级更新，从而提升无人机上边缘模型的性能。

[0038] 云服务器连接到地面基站，能够通过空中传输(Over‑The‑Air，OTA)网络与边缘无人机通信，云服务器和边缘无人机之间可进行模型流、特征流和数据流的传输，其中模型流为由云无服务器向边缘无人机的下行传输，特征流和数据流为由边缘无人机向云无服务器的上行传输。

[0039] 具体地，本实施例的边缘无人机包括边缘推理模型、特征提取模型和残差处理模型；边缘无人机通过边缘推理模型和特征提取模型从云服务器接收包括模型更新数据的模型流。边缘无人机通过特征提取模型提取感知数据中的特征，作为特征流，并将特征流传输到云服务器；边缘无人机通过残差处理模型向云服务器传输包括残差数据的数据流，残差数据包括视觉补充信息；云服务器根据特征流和数据流进行计算。

[0040] 边缘推理模型可进行边缘计算，以实现在空中部署卷积神经网络，提高边缘计算能力，将任务分散到空中设备，以适应多模态和生成式人工智能(AI)等技术。

[0041] 针对不同领域的任务和数据，边缘无人机的特征提取模型和边缘推理模型可以通过从云服务器接收灵活开销的模型更新数据来进行升级，这些模型更新数据称为模型流。

[0042] 边缘无人机使用机载特征提取模型提取感知数据，然后通过OTA将提取的视觉数据特征传输到云服务器，称为特征流。

[0043] 为了进一步提升云服务器的推理性能，保持高推理精度和适应性，本实施例通过空闲的OTA传输资源向云服务器传输提供比特征流更为详细的视觉补充信息，即残差数据，这些数据可以被可调节分辨率传输，称为数据流。

[0044] 云服务器根据特征流和数据流进行计算，又生成新的模型更新数据，对模型流进行更新，实现系统数据的闭环。

[0045] 图2示出本实施例提供的一种空地协同系统的数据传输示意图，参考图2，边缘无人机获取感知数据，并对感知数据进行特征提取之后形成特征流，同时向云服务器传输提供比特征流更为详细的视觉补充信息作为残差数据，形成数据流，边缘无人机将上述特征流和数据流传输至云服务器，云服务器利用推理大模型根据特征流和数据流进行计算，同时生成模型更新数据形成模型流，边缘无人机的特征提取模型和边缘推理模型再利用该模型流进行模型更新。如此，边缘无人机可独立执行边缘计算生成特征流和数据流，以支持各种边缘服务，例如灾害响应和地理识别。同时，云服务器可通过模型流为边缘无人机提供模型支持，以提高边缘无人机的计算能力。

[0046] 基于上述实施例提供的空地协同系统，本实施例还提供一种空地协同系统的优化方法，图3示出本实施例提供的一种空地协同系统的优化方法的步骤流程图，参考图3，一种空地协同系统的优化方法包括如下步骤：

[0047] S301、构建包括云服务器和边缘无人机的空地协同系统。

[0048] 本实施例的空地协同系统的结构及其构建方法在上述实施例中已有描述，为了避免重复在此不再赘述，空地协同系统如图1和2所示的空地协同系统，其中，云服务器内部署云模型，边缘无人机内部署边缘模型。

[0049] S302、基于云模型的平均精度均值、边缘模型的平均精度均值和云服务器任务分配变量，构建表征空地协同系统性能的目标函数。

[0050] 本实施例中，空地协同系统性能可用系统的平均精度均值mAP表示，也就是说系统的平均精度均值mAP由云模型的平均精度均值mAPL、边缘模型的平均精度均值mAPS和云服务器任务分配变量β决定，mAP的实验拟合函数用函数f(·)表示，因此，表征空地协同系统性能的目标函数可表示为：

[0051] mAP＝f(mAPL，mAPS，β)

[0052] 下面对本实施例涉及的各参数进行解释：

[0053] 图4示出本实施例中感知数据的分配示意图。如图4所示，假设本实施例中无人机摄像头以每秒N帧的频率捕获画面，其中每帧包含x个像素，每个像素被量化为b比特。因此，无人机的视觉数据生成率为D＝N·x·b。一部分比例为β的帧通过OTA传输上传到云服务器进行视觉目标分类，而剩下的(1‑β)比例的帧在无人机上使用边缘模型进行处理。为了提高云服务器上的分类准确性，可以将一小部分比例ρ的帧的残差数据从无人机传输到云服务器。

[0054] 也就是说，本实施例将感知数据中的β作为云服务器任务分配变量，将(1‑β)作为无人机的边缘计算数据，将β中的一部分比例ρ作为残差数据。

[0055] 如此，用Ψ表示在云服务器上分析的帧集，有|Ψ|＝βN，在无人机上提取帧集Ψ的特征，用于在云服务器上进行后续处理。设 为下一帧提取的特征的平均大小，特征流的传输数据速率由以下公式给出：

[0056]

[0057] 用Φ表示其残差数据被发送到云服务器的帧集，有|Φ|＝ρN。由于残差数据需要与云服务器上提取的特征相结合进行图像重建，因此集合Φ只包含在云服务器上分析的帧，即 此外，由于OTA传输带宽有限，有必要对残差数据进行适当量化。设为残差数据的量化参数，其中 表示第i帧的每个像素的量化比特数，它是从一组离散的数值中选取的，记为Ω。数据流的传输数据速率可以表示为：

[0058]

[0059] 特征流与数据流的传输数据速率之和不应超过无人机的上传容量限制，即：

[0060] RF+RD≤Bu·Su

[0061] 其中，Bu为无人机上行传输的带宽，Su为无人机上传输的频谱效率。频谱效率可以通过适当的信道测量技术作为可用值考虑，而不受无线传播环境的影响。

[0062] 云服务器从边缘无人机处累积了大量的特征和残差数据，能够对边缘模型进行更新，以提高边缘无人机的推理准确性。模型更新信息会以平均每秒M比特的开销传输到无人机，代表模型流的数据速率。值得注意的是，模型流的数据速率不能超过无人机的下载容量，即：

[0063] M≤Bd·Sd

[0064] 其中，Bd为无人机下行传输的带宽，Sd为无人机下行传输的频谱效率。同时，假设分配给无人机‑基站通信的总带宽为B，并满足：

[0065] Bu+Bd≤B

[0066] 本实施例将上行和下行传输的频谱效率Su和Sd视为具有任意值的常数，由于Su和Sd的大小可受到无人机轨迹、发射波束形成和干扰管理，因此，本实施例不具体限定Su和Sd的大小，可根据实际情况设置。

[0067] 假设云服务器上的云模型训练良好且性能稳定，云模型的平均精度均值mAPL由无人机传输的特征和残差数据的质量决定，对集合Ψ中的每一帧都采取固定开销的特征提取方法。云模型的mAPL是残差数据传输比例ρ与相应量化位的函数，mAPL的实验拟合函数用函数g(·)表示，则云模型的平均精度均值mAPL表示为：

[0068]

[0069] 对于边缘无人机，它能够获得所有帧的无损数据，边缘模型的推理精度影响mAP的性能，而边缘模型的推理精度由云服务器提供的模型更新决定，mAPS的实验拟合函数用函数h(·)表示，则边缘模型的平均精度均值mAPS表示为：

[0070] mAPS＝h(M)，Mmin≤M≤Mmax

[0071] 其中M为模型更新开销，Mmin和Mmax分别为最小和最大的模型更新开销。

[0072] 在得到云模型的平均精度均值mAPL、边缘模型的平均精度均值mAPS和云服务器任务分配变量β之后，即可得到目标函数mAP＝f(mAPL，mAPS，β)。

[0073] S303、基于云服务器和边缘无人机的任务分配、上行或下行带宽分配、数据传输量化设计以及模型更新开销，优化目标函数。

[0074] 为了最大化本实施例空地协同系统的mAP，本实施例联合云服务器和边缘无人机的任务分配、上行或下行带宽分配、数据传输量化设计以及模型更新开销，优化上述目标函数。

[0075] 具体地，通过最大化精度约束条件优化所述目标函数，最大化精度约束条件包括：

[0076] 云模型的平均精度均值函数，即

[0077] 残差数据的传输比例小于或等于云服务器任务分配变量，即0≤ρ≤β≤1；

[0078] 残差数据传输的量化比特数约束，即

[0079] 边缘模型的平均精度均值函数，即mAPS＝h(M)；

[0080] 边缘模型的更新开销约束，即Mmin≤M≤Mmax；

[0081] 特征流的传输数据大小约束，即RF+RD≤Bu·Su；

[0082] 数据流的传输数据大小约束，即M≤Bd·Sd；

[0083] 模型流的传输数据大小约束，即Bu+Bd≤B；

[0084] 其中，特征流包括无人机传输给云服务器的数据，数据流包括具有视觉补充信息的残差数据，模型流包括模型更新数据，上文已有描述，在此不再赘述。

[0085] 也就是说，本实施例的目标函数的优化问题可以建模为：

[0086]

[0087] 0≤ρ≤β≤1，

[0088]

[0089] mAPS＝h(M),

[0090] Mmin≤M≤Mmax，

[0091] RF+RD≤Bu·Su，

[0092] M≤Bd·Sd，

[0093] Bu+Bd≤B.

[0094] 通过求解上述优化后的目标函数的最优解，即可得到能够在给定无线网络上下行总带宽和频谱效率时，通过求解云服务任务分配变量β、残差数据的传输比例ρ、残差数据的量化比特数b、无人机上行传输的带宽Bu、无人机下行传输的带宽Bd、模型更新开销M的最优解，即可得到空地协同系统的mAP最大化。

[0095] 进一步地，为了简化上述优化问题求解，本实施例将上述优化问题分解为两个子问题：数据流设计子问题和特征流/模型流设计子问题，并依次分析这两个子问题。

[0096] 具体地，图5示出本实施例中空地协同系统的优化方法的另一流程示意图。

[0097] 参考图5，本实施例优化目标函数包括如下步骤：

[0098] S501、基于残差数据传输比例和每帧数据每个像素的量化比特数，构建数据流优化函数。

[0099] 具体地，基于残差数据传输比例和每帧数据每个像素的量化比特数，构建数据流优化函数，方法包括：基于残差数据传输比例和每帧数据每个像素的量化比特数，得到云模型的平均精度均值函数；对残差数据传输比例和每帧数据每个像素的量化比特数进行优化，构建数据流优化函数。

[0100] 本实施例中，残差数据传输比例即ρ，每帧数据每个像素的量化比特数即b，基于残差数据传输比例和每帧数据每个像素的量化比特数，得到云模型的平均精度均值函数，即上述得到的

[0101] 对所述残差数据传输比例和每帧数据每个像素的量化比特数进行优化，构建数据流优化函数，也就是说通过优化具有残差数据传输的帧的比例及其相应的量化比特数来最大化云模型的mAP，可以表述为：

[0102] maxρ,bmAP＝mAPL，

[0103]

[0104] 0≤ρ≤β，

[0105]

[0106] RF+RD≤Bu·Su.

[0107] 其中，由于每帧的量化比特数可能不同，不同帧的mAP可能有所不同，用 表示云模型在分析第i帧时的mAP。从直观上可以理解， 随着其残差数据的量化比特数单调递增。在不考虑离散量化位约束 的情况下，最大化mAPL的解满足

[0108] 当 是量化比特数 的凹函数，将其视为连续变量，其中对应没有残差数据传输的情况时，Ψ中所有帧的残差数据都以应以相同的量化比特数发送到云服务器，即 因此，上述数据流设计子问题可求解如
下：

[0109] 在变量RF，Bu和Su给定后，RF+RD≤Bu·Su可被转化为 当满足 是量化比特数 的凹函数，其中 时，首先设ρ＝β以及优
化的 如果 的值不满足约束
则从 和 中选取b中的元素的值，其中 和 是两个最接近 的值，且满足
和 有 比例的被量化为 位的残差数据，而
比例的被量化为 位的残差数据，其中「·」是获得最接近整数的函数。

[0110] 当上述假设不满足时，本实施例还提出了一种基于启发式的算法，这种方法包括计算残差数据传输的最大数据速率，记为Bu·Su‑RF。引入每帧的mAP增量效率的概念，它代表了mAP随数据量化比特数单位增量而增加的幅度。该策略优先将剩余的通信资源分配给具有最高mAP增量效率的帧。这个迭代过程会持续进行，直到所有通信资源都被有效分配。

[0111] S502、基于云服务器任务分配变量、无人机上行传输的带宽、无人机下行传输的带宽以及模型更新开销，构建特征流和模型流联合优化函数。

[0112] 特征流和模型流联合优化函数可表示为：

[0113]

[0114] s.t.0≤ρ≤β≤1，

[0115] mAPS＝h(M),

[0116] Mmin≤M≤Mmax，

[0117] RF+RD≤Bu·Su，

[0118] M≤Bd·Sd，

[0119] Bu+Bd≤B.

[0120] S503、分别求解数据流优化函数的最优值和联合优化函数的最优值，得到与数据流优化函数和联合优化函数对应的目标参数值。

[0121] 步骤S503包括：求解数据流优化函数，得到关于无人机上行传输带宽的云模型平均精度均值最优值；判断联合优化函数的召回率和精确率是否满足预设条件，在联合优化函数的召回率和精确率满足预设条件的情况下，基于云模型平均精度均值最优值求解联合优化函数的最优值，得到包括云服务任务分配变量、无人机上行传输带宽、无人机下行传输带宽、模型更新开销的目标参数值。

[0122] 求解数据流优化函数，得到关于无人机上行传输带宽的云模型平均精度均值最优值，也就是说通过求解maxρ,bmAP＝mAPL，得到关于无人机上行传输的带宽Bu的mAPL的最优值。在联合优化函数的召回率和精确率满足预设条件的情况下，基于云模型平均精度均值最优值mAPL求解联合优化函数 的最优值，得到包括云服务任务分配变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M的目标参数值。

[0123] 其中，判断联合优化函数的召回率和精确率是否满足预设条件，包括：分别计算云模型在第k个交并比下的召回率和精确率，以及边缘模型在第k个交并比下的召回率和精确率；基于云模型的召回率和边缘模型的召回率的差值与云模型的召回率之间的大小关系，以及云模型的精确率和边缘模型的精确率的差值与云模型的精确率之间的大小关系，判断联合优化函数的召回率和精确率是否满足预设条件。

[0124] 云模型和边缘模型的联合mAP是云模型和边缘模型的召回率‑精确率对的函数，可表示为：

[0125]

[0126] 其中， 和 分别为云模型在第k个交并比(IoU)下的召回率和精确率，而 和分别是边缘模型在第k个IoU下的召回率和精确率。此外，联合mAP满足：

[0127]

[0128] 上述公式给出了mAP作为mAPL，mAPS和β的函数的下界。本发明的目标是在特定条件下建立mAP与mA PL，mAPS和β之间的闭 式关系。实际上，当满足约 束时，即云模型 远大于边缘模型 云模
型 远大于边缘模型 云模型和边缘模型的联合mAP近似为：

[0129]

[0130] 上述公式聚焦于云模型和边缘模型的mAP性能具有相同数量级的情景，提供了mAP的闭式表达。实际上，即使在约束 不严格满足时，上式仍可视为mAP的下界，以求解特征/模型流设计子优化问题。
关于mAPL和mAPS的凸性可通过计算其Hessian矩阵得到，即：

[0131]

[0132] 如上式可知，Hessian矩阵的一阶和二阶主子式都是非正的，因此是关于mAPL和mAPS的凹函数。由于mAPL是关于RD的凹函数，且RF
的值不影响mAPL，因此mAPL可视为是关于RF+RD的凹函数。此外，由于上行链路传输数据大小RF+RD是上行链路传输带宽Bu的线性函数，因此mAPL也是关于Bu的凹函数。当满足时，mAPL和mAPS是凹的，且h(·)被拟合
为凹函数。因此，此子问题是关于β、Bd、Bu、M的凹函数，并可以使用凸优化方法求解。

[0133] 本实施例中，在联合优化函数的召回率和精确率不满足预设条件的情况下，也就是当不满足 时，基于云模型平均精度均值最优值求解联合优化函数的次优值，得到与次优值对应的云服务任务分配变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M作为目标参数值。

[0134] 也就是说，在联合优化函数的召回率和精确率不满足时，可按照近似解 求解近似函
数f(·)得到下界解。

[0135] 本实施例的空地协同系统的优化方法中，分别求解所述数据流优化函数的最优值和所述联合优化函数的最优值，得到目标参数值，还包括：基于无人机上行传输带宽的值求解数据流优化函数，得到包括残差数据的传输比例ρ和残差数据的量化比特数b的目标参数值。

[0136] S504、根据目标参数值优化目标函数，得到目标函数的最优解。

[0137] 由上述步骤S503可求解得到云服务任务分配变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M、残差数据的传输比例ρ和残差数据的量化比特数b，则将β、Bu、Bd、M、ρ、b作为目标参数值，即可求解得到最大化的云边协同系统平均精度均值
的最优解。

[0138] 图6示出本实施例中空地协同系统的优化方法的又一流程示意图。参考图6，本发明首先通过输入变量无人机‑基站通信的总带宽B、无人机下行传输的频谱效率Sd、表征每个像素的量化比特数的离散数值Ω、最小和最大的模型更新开销Mmin和Mmax以及函数g(·)和h(·)，通过求解数据流优化函数maxρ,bmAP＝mAPL，得到关于无人机上行传输的带宽Bu的mAPL的最优值，同时判断联合优化函数 的召回率和精确率是否满足预设条件，在条件
成立时，可利用
得到最优解，将联合优化函数的最优解对应的云服务任务分配
变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M作为目标参数值。在条件 不成立时，由于真实的mAP的值不小
于 则可以通过 得到次优解。将联合优化
函数的次优解对应的云服务任务分配变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M作为目标参数值。

[0139] 进而将无人机上行传输带宽Bu的解重新代入数据流优化函数maxρ,bmAP＝mAPL，得到残差数据的传输比例ρ和残差数据的量化比特数b的目标参数值，最终得到的目标参数值包括云服务任务分配变量β、无人机上行传输带宽Bu、无人机下行传输带宽Bd、模型更新开销M、残差数据的传输比例ρ和残差数据的量化比特数b，即可求解得到最大化的云边协同系统平均精度均值
的最优解。

[0140] 以上为本实施例提供的一种空地协同系统的优化方法，基于空地协同系统的数据传输类型和方式，得到空地协同系统的平均精度均值函数表达式，并通过任务分配、传输资源分配、传输数据量化设计和边缘模型更新开销来最大化无人机和云服务器的平均mAP，能够在给定无线网络上下行总带宽和频谱效率时，最大化云服务器模型和无人机边缘模型的联合推理能力，从而提升系统整体mAP。

[0141] 本申请实施例的空地协同系统的优化方法执行主体可以为能够执行电池目检确认方法的电子设备，该电子设备可以包括但不限于终端或服务器等。

[0142] 需要说明的是：

[0143] 在上述文本中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

[0144] 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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

[0145] 上面结合附图对本申请的实施例进行了描述，仅为本申请的具体实施方式，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。