一种足球机器人目标追踪方法及系统|电子爱好者

admin管理员组
文章数量:1531509

2024年6月21日发(作者：)

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(21)申请号 CN2.1

(22)申请日 2013.06.16

(71)申请人西安科技大学

地址 710054 陕西省西安市雁塔中路58号

(72)发明人侯媛彬康倩王磊高阳东

(74)专利代理机构西安创知专利事务所

代理人谭文琰

(51)

G05D1/12

权利要求说明书说明书幅图

(10)申请公布号 CN 103345258 A

(43)申请公布日 2013.10.09

(54)发明名称

统

(57)摘要

本发明公开了一种足球机器人目标

一种足球机器人目标追踪方法及系

追踪方法及系统，其方法包括步骤：一、

建立足球机器人的运动模型，二、对足球

机器人的运动模型进行离散化，得到足球

机器人的状态方程，三、建立足球机器人

的测量模型，四、建立k-1时刻足球机器

人的状态变量x

法律状态

法律状态公告日

法律状态信息

法律状态

权利要求说明书

1.一种足球机器人目标追踪方法，所述足球机器人为由三个全向轮构成运动机构的

三轮全向足球机器人，其特征在于该方法包括以下步骤：

步骤一、采用数据处理器（1）建立足球机器人在足球场场地坐标下的运动模型：

其中，S_x为足球机器人在足球场场地上的X轴方向的位移，

S_y为足球机器人在足球场场地上的Y轴方向的位移，Φ为足球机器人

在足球场场地上的转动角度，(S_x,S_y,Φ)为足球机器人的

位姿信息；R为全向轮的半径，θ为足球机器人沿足球机器人坐标x轴方向的运动

速度v_x与足球场场地坐标X轴之间的夹角，α为足球机器人沿足球机

器人坐标x轴方向的运动速度v_x与直线d之间的夹角，所述直线d为

落于足球机器人坐标第一象限内的全向轮的质心与足球机器人坐标原点的连线;L

为三个全向轮中任意一个的质心与足球机器人的质心之间的距离，且三个全向轮的

质心与足球机器人质心之间的距离相等；分别为三个全向轮转动的角度；

所述足球场场地坐标是以足球场中心点为坐标原点和以足球机器人进攻方向为Y

轴正方向的前提下，以符合右手坐标系的方向为X轴正方向建立的；所述足球机

器人坐标是以足球机器人质心为坐标原点和以足球机器人正前方的方向为y轴正方

向的前提下，以符合右手坐标系的方向为x轴正方向建立的；

步骤二、采用数据处理器（1）对步骤一中建立的足球机器人在足球场场地坐标下

的运动模型进行离散化，得到足球机器人在足球场场地坐标下的状态方程：

x_k=f(x_k-1,u_k-1)+η_k-1

其中，x_k为k时刻足球机器人在足球场场地坐标下的状态变量，

x_k-1为k-1时刻足球机器人在足球场场地坐标下的状态变量，

u_k-1=[v_k-1,ω_k-1]^T为k-1时刻

对足球机器人的控制向量，η_k-1为过程噪声向量；v_k-1为

k-1时刻足球机器人的前进速度且v_k-1=-

v_xsinθ+v_ycosθ+Rω_k-1，ω_k-1为

k-1时刻足球机器人的旋转速度；

步骤三、采用数据处理器（1）建立足球机器人在足球场场地坐标下的测量模型：

$> z_{k} = <$

mfenced>dk

βk

mfenced>+ηk&pr

ime;>

d_k²=[P_xk-x_k-

Acosθ_k']²+[P_yk-y_k-

Asinθ_k']²

$> β_{k} =mo> π -\arctan [P_{y}k - y_{k} -A \sin θ_{k}i>' Pxk - x_{k} -A \cos θ_{k}b>'] -{θ_{k}}^{'}sup>>其中，z k 为k时刻足球机器人位姿的测量量，d k 为k时刻足球机器人与目标之间的距离，β k 为k时刻足球机器人前进方向与目标行进方向之间的夹角，η k'为测量噪声向量，P xk 为k时刻目标与足球场场地坐标X轴之间的距离，x k 为k时刻足球机器人在足球场场地坐标下的横坐标，A为足球机器人的底座直径，θ k'为k时刻足球机器人的前进速度v k 与足球场场地坐标X轴之间的夹角，P yk 为k时刻目标与足球场场地坐标Y轴之间的距离，y k为k时刻足球机器人在足球场场地坐标下的纵坐标；步骤四、所述数据处理器（1）调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法建立k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1的滤波概率分布模型：> p (x_{<}mrow> k -1 | z_{0}: k) = <msubsup> Σ i = 1G \overline{w}> (k -1) i N <mrow> (x_{k -}1; \overset{<}{μ}mo>‾ (k -1) i, <msub> \overline{Σ} <mo>(k -1) i)mrow>>其中，z 0:k ={z 0,z 1,\dots,z k}，G为并行的高斯和粒子滤波器的总数，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻状态变量样本点集的权值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1 的高斯分布，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的滤波均值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的协方差；步骤五、测量更新：采用全向视觉模块（5）对足球机器人所在场地上的环境信息图像进行实时采集，并将所采集到的环境信息图像同步传送至数据处理器（1），数据处理器（1）对其接收到的环境信息图像进行分析处理，得到k时刻足球机器人在足球场场地上的位姿和目标在场地上的位姿，并调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k时刻的足球机器人位姿的测量量z k 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；步骤六、预测更新：所述数据处理器（1）调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)进行预测更新，得到k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)；步骤七、所述数据处理器（1）根据k时刻足球机器人位姿的测量量z k和步骤六中得到的预测更新后k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)，估计出k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的高斯分布并估计出k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的最优估计值；步骤八、目标追踪：首先，所述数据处理器（1）将步骤七中估计出的k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的最优估计值作为运动目标，输出运动目标参数并通过串口通信模块（3）输出给智能功率模块（6），再通过智能功率模块（6）输出相应的控制信号给运动控制卡（7），再通过运动控制卡（7）输出相应的控制信号给电机驱动电路模块（8），通过电机驱动电路模块（8）驱动与电机驱动电路模块（8）相接的电机（9）旋转一定的角度，电机（9）进而带动与电机（9）相接的全向轮运动到运动目标处；接着，采用全向视觉模块（5）对足球机器人所在场地上的环境信息图像进行实时采集，并将所采集到的环境信息图像同步传送至数据处理器（1），数据处理器（1）对其接收到的环境信息图像进行分析处理，得到k+1时刻足球机器人在足球场场地上的位姿和目标在场地上的位姿，并将k+1时刻足球机器人在足球场场地上的位姿与目标在场地上的位姿进行比对，计算k+1时刻足球机器人在场地坐标系下的坐标与目标在场地坐标系下的坐标之间的差值，当差值小于预先设定的误差阈值时，判断为k+1时刻足球机器人已追上了目标，此时，数据处理器（1）先将判断结果通过串口通信模块（3）输出给智能功率模块（6），再通过智能功率模块（6）控制足球机器人进行传球、带球或射门的动作，然后返回步骤五；否则，当差值大于预先设定的误差阈值时，判断为k+1时刻足球机器人未追上目标，此时返回步骤五。2.按照权利要求1所述的一种足球机器人目标追踪方法，其特征在于：步骤五中所述数据处理器（1）调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k-1时刻的足球机器人位姿的测量量z k-1 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)的具体过程如下：步骤501、所述数据处理器（1）根据公式：> p (x_{<}mi>k | z_{0 :}> k) = C> k Σ_{i =}> 1 G \overset{&}{w}OverBar; ki p (b> z k | x_{k}ub>) N (x_{}k; \overline{μ}ki, \overset{}{Σ}‾ ki)>>计算得到k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；其中，C k 为标准化常数且C k =(\intp(x k |z 0:k-1)p(z k |x k)dx k) -1 ，为根据k-1时刻状态变量的概率分布预测得到的k时刻状态变量样本点集的权值，p(x k |z 0:k-1)为k-1时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布，p(z k |x k)为得到k时刻真实状态变量x k 后足球机器人位姿的测量量z k 的贝叶斯分布；为根据k-1时刻状态变量的概率分布预测得到的k时刻足球机器人在足球场场地坐标下的状态变量x k 的高斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的滤波均值，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的协方差；步骤502、首先，选取重要性函数q(\cdot)=p(x k |z 0:k)，并对重要性函数q(\cdot)=p(x k |z 0:k)进行抽样，得到k时刻的样本点集其中，j为样本数且j=1,2,...,M，M为样本总数，i为并行的高斯和粒子滤波器的数量且i=1,2,...,G；然后，所述数据处理器（1）根据公式> w_{ki}^{j}sup> = p (z_{k <}/msub> | x_{ki}^{j}) N (x_{ki}> j; \overset{&OverB}{μ}ar; ki, Σmi> ‾ ki)/ q (x_{ki}^{j}mi> | z_{0 : <}mi>k) >计算得到k时刻的样本点集的权值其中，为为抽样得到k时刻的样本点集后足球机器人位姿的测量量z k 的贝叶斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻的样本点集的高斯分布；为对应于抽样得到的k时刻的样本点集的滤波概率分布的重要性函数；步骤503、所述数据处理器（1）模块调用蒙特卡罗估计模块且按照蒙特卡罗估计方法计算得到k时刻机器人样本点集的滤波均值μ ki 和协方差Σ ki 分别为：> μ_{ki} =mo> (Σ_{j =}mo> 1 M w_{ki}mi> j x_{ki}^{j}p>) / Σ_{j}mi> = 1 M wmi> ki j >> Σ_{ki} =(Σ_{j =}1 M w_{ki}j (x_{ki}> j -μ_{ki})row> (x_{ki}^{j} -μ_{ki}) T>) / Σ_{<}mi>j = 1 Mi>w ki j >步骤504、对步骤502中计算得到的k时刻的样本点集的权值进行更新，得到测量更新后的k时刻的样本点集的权值> \overline{w}over> ki = \overset{&OverBar}{w}; (k -1) i>Σ j = 1 Mw_{ki}^{j} /Σ_{i = 1}> G Σ_{j =<}/mo> 1 M w_{ki}mi> j >其中，为测量更新后的k-1时刻的样本点集的权值；步骤505、对步骤504中得到的测量更新后的k时刻的样本点集的权值进行标准化处理，得到测量更新后标准化的k时刻的样本点集的权值> {\tilde{w}}_{}>ki = \overline{w}mover> ki / Σ_{}>i = 1 Gw ‾ ki;w>>步骤506、所述数据处理器（1）根据公式：> p (x_{<}mi>k | z_{0 :}> k) = Σ i = 1 Gsubsup> {\tilde{w}}_{ki}>N (x_{k}; <msub> μ ki, Σki) >计算得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；其中，N(x k;μ ki,Σ ki)为测量更新得到的k时刻足球机器人在足球场场地坐标下的状态变量x k 的高斯分布，μ ki 为测量更新得到的k时刻样本点集的滤波均值，Σ ki 为测量更新得到的k时刻样本点集的协方差。3.按照权利要求2所述的一种足球机器人目标追踪方法，其特征在于：步骤六中所述数据处理器（1）调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)进行预测更新，得到k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)的具体过程如下：步骤601、依次从i=1,2,...,G的测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)抽样得到k+1时刻的状态粒子x (k+1)i ；步骤602、对步骤505中得到的测量更新后标准化的k时刻的样本点集的权值进行预测更新，得到预测更新后的k+1时刻状态粒子x (k+1)i 的权值> \overline{w}over> (k + 1)> i = \overset{}{w}o>~ ki; >步骤603、所述数据处理器（1）模块调用蒙特卡罗估计模块且按照蒙特卡罗估计方法计算得到k+1时刻的状态粒子x (k+1)i 的滤波均值和协方差分别为：> \overline{μ}(k + 1)</mo> i = \frac{1}{M}Σ_{i =}1 M x_{(}k + 1) iw>>> \overset{‾mo> (k + 1o>) i = \frac{1}{<}mi>M Σ_{i =}1 M (μ ‾ (k+ 1) i <mo>-x_{(k +}n>1) i) <msup> (\overline{μ}mover> (k + 1)mo> i -x_{(k +}n>1) i) <mi>H>步骤604、所述数据处理器（1）根据公式：> p (x_{<}mrow> k + 1 | <mi>z 0 : k)o> = Σ_{i =}mo> 1 G \overset{}{w}>‾ (k + <mn>1) i N <mo>(x_{k + 1}w>; \overline{μ}ver> (k + 1)i \overset{&Ov}{Σ}erBar; (k + 1</mn>) i)>>计算得到预测更新后k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)；其中，为根据k时刻状态变量的概率分布预测得到的k+1时刻状态粒子x (k+1)i 的高斯分布。4.按照权利要求1所述的一种足球机器人目标追踪方法，其特征在于：步骤八中所述预先设定的误差阈值包括横坐标差值阈值和纵坐标差值阈值，所述横坐标差值阈值为20mm，所述纵坐标差值阈值为30mm。5.一种实现如权利要求1所述足球机器人目标追踪方法的系统，其特征在于：包括数据处理器（1）以及与数据处理器（1）相接的数据存储卡（2）、串口通信模块（3）和无线通信模块（4），所述数据处理器（1）的输入端接有全向视觉模块（5），所述串口通信模块（3）上接有智能功率模块（6），所述智能功率模块（6）的输出端接有三个运动控制卡（7），三个所述运动控制卡（7）的输出端各接有一个电机驱动电路模块（8），三个所述电机驱动电路模块（8）的输出端各接有一个电机（9），三个所述全向轮分别对应于三个所述电机（9）输出轴连接，三个所述电机（9）上各接有一个用于对所述电机（9）的转速和位置进行实时检测的电机编码器（10），三个所述电机编码器（10）的输出端均与所述智能功率模块（6）的输入端相接，足球机器人踢球机构（11）与所述智能功率模块（6）的输出端相接，所述无线通信模块（4）上接有足球机器人教练机（12）。6.按照权利要求5所述的系统，其特征在于：所述全向视觉模块（5）包括设置在足球机器人机体上的全向视觉摄像头（5-1）、设置在足球机器人机体上且位于所述全向视觉摄像头（5-1）上方的全景视觉反射镜（5-2）和与所述全向视觉摄像头（5-1）相接的视频采集编解码卡（5-3），所述视频采集编解码卡（5-3）与所述数据处理器（1）的输入端相接。7.按照权利要求5所述的系统，其特征在于：所述数据处理器（1）为DSP数字信号处理器。8.按照权利要求5所述的系统，其特征在于：所述数据存储卡（2）为PCMCIA卡。说明书技术领域本发明属于机器人视觉技术领域，尤其是涉及一种足球机器人目标追踪方法及系统。背景技术足球机器人系统作为一个典型的多智能体系统，它为智能理论研究及多种技术的集成应用提供了良好的实验平台，对足球机器人在运动过程中能够根据周围环境的变化而自主的采取相应措施的能力要求也越来越强，这涉及到机器人定位、路径规划、协调控制、目标追踪及决策等一系列研究课题。机器人目标追踪的主要任务是根据上层决策系统提供的目标对象和控制对象状态，包括目标对象和控制对象的位置、朝向，在具有障碍物的环境中，考虑到系统延时的情况，准确快速的估计出运动中的目标对象和控制对象（机器人）的状态，实现机器人的目标追踪和精确控制。在目标追踪方面，研究者们提出过很多算法，如蚁群算法、势场法、遗传算法等，这些算法在理论上实现了在特定模型中机器人的目标追踪，但并未考虑到现实环境中外界的干扰及机器人自身的延时、通信等条件的限制，距实际应用还有一定的距离。例如，申请号为2.3的中国专利公开了一种室内移动机器人双目视觉导航系统，采用全局红外视觉定位方式，结合传感器信息，实现室内足球机器人高精度的定位与导航的室内足球机器人双目视觉导航，但它仅适用于障碍物固定且环境较稳定、单一机器人操作的情况；申请号为2.8的中国专利公开了一种网络摄像头的移动机器人目标追踪平台，该平台为低成本、可移植性强、有足够计算能力和一定数量传感器的QuickCam网络摄像头的移动机器人目标追踪平台；申请号为2.2的中国专利公开了一种基于可行通道的机器人目标追踪方法，该方法使机器人通过自身视觉、超声、红外传感器和码盘提供的信息实现静态障碍物环境下对目标的无碰追踪；申请号为2.3的中国专利公开了一种焊接机器人，提供了一种焊接机器人在双丝焊接焊缝追踪的方法；申请号为2.3的中国专利公开了一种室内环境下机器人自主搜寻气味源的方法。但是从现有的专利看，大部分是固定环境或障碍物条件下，单一机器人的运动控制或目标追踪，未见到可应用于足球机器人目标追踪的方法及系统。发明内容本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种步骤简单、实现方便、能够实现快速、准确的足球机器人目标追踪的足球机器人目标追踪方法。为解决上述技术问题，本发明采用的技术方案是：一种足球机器人目标追踪方法，所述足球机器人为由三个全向轮构成运动机构的三轮全向足球机器人，其特征在于该方法包括以下步骤：步骤一、采用数据处理器建立足球机器人在足球场场地坐标下的运动模型：其中，S x 为足球机器人在足球场场地上的X轴方向的位移，S y 为足球机器人在足球场场地上的Y轴方向的位移，Φ为足球机器人在足球场场地上的转动角度，(S x,S y,Φ)为足球机器人的位姿信息；R为全向轮的半径，θ为足球机器人沿足球机器人坐标x轴方向的运动速度v x 与足球场场地坐标X轴之间的夹角，α为足球机器人沿足球机器人坐标x轴方向的运动速度v x 与直线d之间的夹角，所述直线d为落于足球机器人坐标第一象限内的全向轮的质心与足球机器人坐标原点的连线;L为三个全向轮中任意一个的质心与足球机器人的质心之间的距离，且三个全向轮的质心与足球机器人质心之间的距离相等；分别为三个全向轮转动的角度；所述足球场场地坐标是以足球场中心点为坐标原点和以足球机器人进攻方向为Y轴正方向的前提下，以符合右手坐标系的方向为X轴正方向建立的；所述足球机器人坐标是以足球机器人质心为坐标原点和以足球机器人正前方的方向为y轴正方向的前提下，以符合右手坐标系的方向为x轴正方向建立的；步骤二、采用数据处理器对步骤一中建立的足球机器人在足球场场地坐标下的运动模型进行离散化，得到足球机器人在足球场场地坐标下的状态方程：x k =f(x k-1,u k-1)+η k-1其中，x k 为k时刻足球机器人在足球场场地坐标下的状态变量，x k-1 为k-1时刻足球机器人在足球场场地坐标下的状态变量，u k-1 =[v k-1,ω k-1] T 为k-1时刻对足球机器人的控制向量，η k-1 为过程噪声向量；v k-1 为k-1时刻足球机器人的前进速度且v k-1 =-v x sinθ+v y cosθ+Rω k-1 ，ω k-1 为k-1时刻足球机器人的旋转速度；步骤三、采用数据处理器建立足球机器人在足球场场地坐标下的测量模型：> z_{k} = <mfenced> \begin{matrix} d_{k} \end{matrix}β_{k}mfenced> + {η_{k}}^{&pr}ime;>d k 2 =[P xk -x k -Acosθ k'] 2 +[P yk -y k -Asinθ k'] 2> β_{k} =mo> π -\arctan [P_{y}k - y_{k} -A \sin θ_{k}i>' Pxk - x_{k} -A \cos θ_{k}b>'] -{θ_{k}}^{'}sup>>其中，z k 为k时刻足球机器人位姿的测量量，d k 为k时刻足球机器人与目标之间的距离，β k 为k时刻足球机器人前进方向与目标行进方向之间的夹角，η k'为测量噪声向量，P xk 为k时刻目标与足球场场地坐标X轴之间的距离，x k 为k时刻足球机器人在足球场场地坐标下的横坐标，A为足球机器人的底座直径，θ k'为k时刻足球机器人的前进速度v k 与足球场场地坐标X 轴之间的夹角，P yk 为k时刻目标与足球场场地坐标Y轴之间的距离，y k为k时刻足球机器人在足球场场地坐标下的纵坐标；步骤四、所述数据处理器调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法建立k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1 的滤波概率分布模型：> p (x_{<}mrow> k -1 | z_{0}: k) = <msubsup> Σ i = 1G \overline{w}> (k -1) i N <mrow> (x_{k -}1; \overset{<}{μ}mo>‾ (k -1) i, <msub> \overline{Σ} <mo>(k -1) i)mrow>>其中，z 0:k ={z 0,z 1,\dots,z k}，G为并行的高斯和粒子滤波器的总数，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻状态变量样本点集的权值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1 的高斯分布，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的滤波均值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的协方差；步骤五、测量更新：采用全向视觉模块对足球机器人所在场地上的环境信息图像进行实时采集，并将所采集到的环境信息图像同步传送至数据处理器，数据处理器对其接收到的环境信息图像进行分析处理，得到k时刻足球机器人在足球场场地上的位姿和目标在场地上的位姿，并调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k时刻的足球机器人位姿的测量量z k 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；步骤六、预测更新：所述数据处理器调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)进行预测更新，得到k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)；步骤七、所述数据处理器根据k时刻足球机器人位姿的测量量z k 和步骤六中得到的预测更新后k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)，估计出k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的高斯分布并估计出k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的最优估计值；步骤八、目标追踪：首先，所述数据处理器将步骤七中估计出的k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的最优估计值作为运动目标，输出运动目标参数并通过串口通信模块输出给智能功率模块，再通过智能功率模块输出相应的控制信号给运动控制卡，再通过运动控制卡输出相应的控制信号给电机驱动电路模块，通过电机驱动电路模块驱动与电机驱动电路模块相接的电机旋转一定的角度，电机进而带动与电机相接的全向轮运动到运动目标处；接着，采用全向视觉模块对足球机器人所在场地上的环境信息图像进行实时采集，并将所采集到的环境信息图像同步传送至数据处理器，数据处理器对其接收到的环境信息图像进行分析处理，得到k+1时刻足球机器人在足球场场地上的位姿和目标在场地上的位姿，并将k+1时刻足球机器人在足球场场地上的位姿与目标在场地上的位姿进行比对，计算k+1时刻足球机器人在场地坐标系下的坐标与目标在场地坐标系下的坐标之间的差值，当差值小于预先设定的误差阈值时，判断为k+1时刻足球机器人已追上了目标，此时，数据处理器先将判断结果通过串口通信模块输出给智能功率模块，再通过智能功率模块控制足球机器人进行传球、带球或射门的动作，然后返回步骤五；否则，当差值大于预先设定的误差阈值时，判断为k+1时刻足球机器人未追上目标，此时返回步骤五。上述的一种足球机器人目标追踪方法，其特征在于：步骤五中所述数据处理器调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k-1时刻的足球机器人位姿的测量量z k-1 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)的具体过程如下：步骤501、所述数据处理器根据公式：> p (x_{<}mi>k | z_{0 :}> k) = C> k Σ_{i =}> 1 G \overset{&}{w}OverBar; ki p (b> z k | x_{k}ub>) N (x_{}k; \overline{μ}ki, \overset{}{Σ}‾ ki)>>计算得到k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；其中，C k 为标准化常数且C k =(\intp(x k |z 0:k-1)p(z k |x k)dx k) -1 ，为根据k-1时刻状态变量的概率分布预测得到的k时刻状态变量样本点集的权值，p(x k |z 0:k-1)为k-1时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布，p(z k |x k)为得到k时刻真实状态变量x k 后足球机器人位姿的测量量z k 的贝叶斯分布；为根据k-1时刻状态变量的概率分布预测得到的k时刻足球机器人在足球场场地坐标下的状态变量x k 的高斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的滤波均值，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的协方差；步骤502、首先，选取重要性函数q(\cdot)=p(x k |z 0:k)，并对重要性函数q(\cdot)=p(x k |z 0:k)进行抽样，得到k时刻的样本点集其中，j为样本数且j=1,2,...,M，M为样本总数，i为并行的高斯和粒子滤波器的数量且i=1,2,...,G；然后，所述数据处理器根据公式> w_{ki}^{j}sup> = p (z_{k <}/msub> | x_{ki}^{j}) N (x_{ki}> j; \overset{&OverB}{μ}ar; ki, Σmi> ‾ ki)/ q (x_{ki}^{j}mi> | z_{0 : <}mi>k) >计算得到k时刻的样本点集的权值其中，为为抽样得到k时刻的样本点集后足球机器人位姿的测量量z k 的贝叶斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻的样本点集的高斯分布；为对应于抽样得到的k时刻的样本点集的滤波概率分布的重要性函数；步骤503、所述数据处理器模块调用蒙特卡罗估计模块且按照蒙特卡罗估计方法计算得到k时刻机器人样本点集的滤波均值μ ki 和协方差Σ ki 分别为：> μ_{ki} =mo> (Σ_{j =}mo> 1 M w_{ki}mi> j x_{ki}^{j}p>) / Σ_{j}mi> = 1 M wmi> ki j >> Σ_{ki} =(Σ_{j =}1 M w_{ki}j (x_{ki}> j -μ_{ki})row> (x_{ki}^{j} -μ_{ki}) T>) / Σ_{<}mi>j = 1 Mi>w ki j >步骤504、对步骤502中计算得到的k时刻的样本点集的权值进行更新，得到测量更新后的k时刻的样本点集的权值> \overline{w}over> ki = \overset{&OverBar}{w}; (k -1) i>Σ j = 1 Mw_{ki}^{j} /Σ_{i = 1}> G Σ_{j =<}/mo> 1 M w_{ki}mi> j >其中，为测量更新后的k-1时刻的样本点集的权值；步骤505、对步骤504中得到的测量更新后的k时刻的样本点集的权值进行标准化处理，得到测量更新后标准化的k时刻的样本点集的权值> {\tilde{w}}_{}>ki = \overline{w}mover> ki / Σ_{}>i = 1 Gw ‾ ki;w>>步骤506、所述数据处理器根据公式：> p (x_{<}mi>k | z_{0 :}> k) = Σ i = 1 Gsubsup> {\tilde{w}}_{ki}>N (x_{k}; <msub> μ ki, Σki) >计算得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；其中，N(x k;μ ki,Σ ki)为测量更新得到的k时刻足球机器人在足球场场地坐标下的状态变量x k 的高斯分布，μ ki 为测量更新得到的k时刻样本点集的滤波均值，Σ ki 为测量更新得到的k时刻样本点集的协方差。上述的一种足球机器人目标追踪方法，其特征在于：步骤六中所述数据处理器调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)进行预测更新，得到k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)的具体过程如下：步骤601、依次从i=1,2,...,G的测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)抽样得到k+1时刻的状态粒子x (k+1)i ；步骤602、对步骤505中得到的测量更新后标准化的k时刻的样本点集的权值进行预测更新，得到预测更新后的k+1时刻状态粒子x (k+1)i 的权值> \overline{w}over> (k + 1)> i = \overset{}{w}o>~ ki; >步骤603、所述数据处理器模块调用蒙特卡罗估计模块且按照蒙特卡罗估计方法计算得到k+1时刻的状态粒子x (k+1)i 的滤波均值和协方差分别为：> \overline{μ}(k + 1)</mo> i = \frac{1}{M}Σ_{i =}1 M x_{(}k + 1) iw>>> \overset{‾mo> (k + 1o>) i = \frac{1}{<}mi>M Σ_{i =}1 M (μ ‾ (k+ 1) i <mo>-x_{(k +}n>1) i) <msup> (\overline{μ}mover> (k + 1)mo> i -x_{(k +}n>1) i) <mi>H>步骤604、所述数据处理器根据公式：> p (x_{<}mrow> k + 1 | <mi>z 0 : k)o> = Σ_{i =}mo> 1 G \overset{}{w}>‾ (k + <mn>1) i N <mo>(x_{k + 1}w>; \overline{μ}ver> (k + 1)i, Σ> ‾ (k +mo> 1) i)row>>计算得到预测更新后k+1时刻足球机器人在足球场场地坐标下的状态变量x k+1 的预测概率分布p(x k+1 |z 0:k)；其中，为根据k时刻状态变量的概率分布预测得到的k+1时刻状态粒子x (k+1)i 的高斯分布。上述的一种足球机器人目标追踪方法，其特征在于：步骤八中所述预先设定的误差阈值包括横坐标差值阈值和纵坐标差值阈值，所述横坐标差值阈值为20mm，所述纵坐标差值阈值为30mm。本发明还提供了一种电路结构简单、设计合理、接线方便、安装布设方便且投入成本低的实现上述足球机器人目标追踪方法的系统，其特征在于：包括数据处理器以及与数据处理器相接的数据存储卡、串口通信模块和无线通信模块，所述数据处理器的输入端接有全向视觉模块，所述串口通信模块上接有智能功率模块，所述智能功率模块的输出端接有三个运动控制卡，三个所述运动控制卡的输出端各接有一个电机驱动电路模块，三个所述电机驱动电路模块的输出端各接有一个电机，三个所述全向轮分别对应于三个所述电机输出轴连接，三个所述电机上各接有一个用于对所述电机的转速和位置进行实时检测的电机编码器，三个所述电机编码器的输出端均与所述智能功率模块的输入端相接，足球机器人踢球机构与所述智能功率模块的输出端相接，所述无线通信模块上接有足球机器人教练机。上述的系统，其特征在于：所述全向视觉模块包括设置在足球机器人机体上的全向视觉摄像头、设置在足球机器人机体上且位于所述全向视觉摄像头上方的全景视觉反射镜和与所述全向视觉摄像头相接的视频采集编解码卡，所述视频采集编解码卡与所述数据处理器的输入端相接。上述的系统，其特征在于：所述数据处理器为DSP数字信号处理器。上述的系统，其特征在于：所述数据存储卡为PCMCIA卡。本发明与现有技术相比具有以下优点：1、本发明足球机器人目标追踪系统的电路结构简单，设计合理，接线方便，安装布设方便且投入成本低。2、本发明足球机器人目标追踪方法的步骤简单，是基于高斯和粒子滤波算法（Gaussian Sum Particle Filter，GSPF）而实现的足球机器人目标追踪算法，将改进的粒子滤波算法（Particle Filter，PF）与高斯和滤波算法（Gaussian Sum Filter，GSF）相融合，采用“加权的高斯密度和”替代了“PF算法使用粒子集”来近似后验概率，降低粒子数，节约了计算时间；在计算滤波概率分布时，全向视觉模块对足球机器人所在场地上的环境信息图像进行实时采集，能够得到实时的测量量，能够使得状态分布更加接近真实的后验概率，实现了快速、准确的足球机器人目标追踪。3、本发明能够成功实现足球机器人对抗过程中本方足球机器人追踪目标，减少了足球机器人寻球、传球、带球和射门等这些动作所花费的时间和路径，提高了进球数目。4、本发明的实用性强，使用效果好，推广应用价值高。综上所述，本发明设计合理，使用操作简便，实现方便，实现了快速、准确的足球机器人目标追踪，实用性强，使用效果好，推广应用价值高。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明图1为本发明足球机器人目标追踪方法的方法流程图。图2为本发明足球机器人目标追踪系统的电路原理框图。图3为本发明足球机器人在足球场场地坐标下的运动模型。图4为本发明足球机器人在足球场场地坐标下的测量模型。图5为本发明目标直线行驶时足球机器人目标追踪预测轨迹比对图。图6A为本发明目标直线行驶时足球机器人目标追踪在足球场场地坐标下X轴方向的预测轨迹误差对比图。图6B为本发明目标直线行驶时足球机器人目标追踪在足球场场地坐标下Y轴方向的预测轨迹误差对比图。图6C为本发明目标直线行驶时足球机器人目标追踪足球机器人前进方向与目标行进方向之间的夹角β的预测轨迹误差对比图。图7为本发明目标曲线行驶时足球机器人目标追踪预测轨迹比对图。图8A为本发明目标曲线行驶时足球机器人目标追踪在足球场场地坐标下X轴方向的预测轨迹误差对比图。图8B为本发明目标曲线行驶时足球机器人目标追踪在足球场场地坐标下Y轴方向的预测轨迹误差对比图。图8C为本发明目标曲线行驶时足球机器人目标追踪足球机器人前进方向与目标行进方向之间的夹角β的预测轨迹误差对比图。附图标记说明:1—数据处理器； 2—数据存储卡； 3—串口通信模块；4—无线通信模块； 5—全向视觉模块； 5-1—全向视觉摄像头；5-2—全景视觉反射镜； 5-3—视频采集编解码卡； 6—智能功率模块；7—运动控制卡； 8—电机驱动电路模块； 9—电机；10—电机编码器； 11—足球机器人踢球机构；12—足球机器人教练机。具体实施方式如图1所示，本发明所述的足球机器人目标追踪方法，所述足球机器人为由三个全向轮构成运动机构的三轮全向足球机器人，该方法包括以下步骤：步骤一、采用数据处理器1建立足球机器人在足球场场地坐标下的运动模型：其中，S x 为足球机器人在足球场场地上的X轴方向的位移，S y 为足球机器人在足球场场地上的Y轴方向的位移，Φ为足球机器人在足球场场地上的转动角度，(S x,S y,Φ)为足球机器人的位姿信息；R为全向轮的半径，θ为足球机器人沿足球机器人坐标x轴方向的运动速度v x 与足球场场地坐标X轴之间的夹角，α为足球机器人沿足球机器人坐标x轴方向的运动速度v x 与直线d之间的夹角，所述直线d为落于足球机器人坐标第一象限内的全向轮的质心与足球机器人坐标原点的连线;L为三个全向轮中任意一个的质心与足球机器人的质心之间的距离，且三个全向轮的质心与足球机器人质心之间的距离相等；分别为三个全向轮转动的角度；所述足球场场地坐标是以足球场中心点为坐标原点和以足球机器人进攻方向为Y轴正方向的前提下，以符合右手坐标系的方向为X轴正方向建立的；所述足球机器人坐标是以足球机器人质心为坐标原点和以足球机器人正前方的方向为y轴正方向的前提下，以符合右手坐标系的方向为x轴正方向建立的；建立的运动模型如图3所示；其中，三个全向轮为结构、形状和大小完全相同的全向轮，三个全向轮以120°均匀分布，使得足球机器人在各个方向上的速度几乎相等；目标为足球；步骤二、采用数据处理器1对步骤一中建立的足球机器人在足球场场地坐标下的运动模型进行离散化，得到足球机器人在足球场场地坐标下的状态方程：x k =f(x k-1,u k-1)+η k-1其中，x k 为k时刻足球机器人在足球场场地坐标下的状态变量，x k-1 为k-1时刻足球机器人在足球场场地坐标下的状态变量，u k-1 =[v k-1,ω k-1] T 为k-1时刻对足球机器人的控制向量，η k-1 为过程噪声向量；v k-1 为k-1时刻足球机器人的前进速度且v k-1 =-v x sinθ+v y cosθ+Rω k-1 ，ω k-1 为k-1时刻足球机器人的旋转速度；步骤三、采用数据处理器1建立足球机器人在足球场场地坐标下的测量模型：> z_{k} = <mfenced> \begin{matrix} d_{k} \end{matrix}β_{k}mfenced> + {η_{k}}^{&pr}ime;>d k 2 =[P xk -x k -Acosθ k'] 2 +[P yk -y k -Asinθ k'] 2> β_{k} =mo> π -\arctan [k - y_{k} -A \sini>'xk - x_{k} -A \cos_{}b>'] -{_{}}^{'}sup>>其中，z k 为k时刻足球机器人位姿的测量量，d k 为k时刻足球机器人与目标之间的距离，β k 为k时刻足球机器人前进方向与目标行进方向之间的夹角，η k'为测量噪声向量，P xk 为k时刻目标与足球场场地坐标X轴之间的距离，x k 为k时刻足球机器人在足球场场地坐标下的横坐标，A为足球机器人的底座直径，θ k'为k时刻足球机器人的前进速度v k 与足球场场地坐标X轴之间的夹角，P yk 为k时刻目标与足球场场地坐标Y轴之间的距离，y k为k时刻足球机器人在足球场场地坐标下的纵坐标；建立的测量模型如图4所示；步骤四、所述数据处理器1调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法建立k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1 的滤波概率分布模型：>mrow> k -1 | z_{}: k) = <msubsup> Σ i = 1G \overset{}{}>1) i N <mrow> (x_{}1; \overset{<}{}mo>‾1) i, <msub> \overline{Σ} <mo>(k -1) i)mrow>>其中，z 0:k ={z 0,z 1,\dots,z k}，G为并行的高斯和粒子滤波器的总数，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻状态变量样本点集的权值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻足球机器人在足球场场地坐标下的状态变量x k-1 的高斯分布，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的滤波均值，为根据k-2时刻状态变量的概率分布预测得到的k-1时刻样本点集的协方差；步骤五、测量更新：采用全向视觉模块5对足球机器人所在场地上的环境信息图像进行实时采集，并将所采集到的环境信息图像同步传送至数据处理器1，数据处理器1对其接收到的环境信息图像进行分析处理，得到k时刻足球机器人在足球场场地上的位姿和目标在场地上的位姿，并调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k时刻的足球机器人位姿的测量量z k 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k的滤波概率分布p(x k |z 0:k)；本实施例中，步骤五中所述数据处理器1调用高斯和粒子滤波处理模块且采用高斯和粒子滤波算法对k-1时刻的足球机器人位姿的测量量z k-1 进行测量更新，得到测量更新后k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)的具体过程如下：步骤501、所述数据处理器1根据公式：>mi>k | z_{}> k) = C> k Σ_{}> 1 G \overset{}{}OverBar; ki p (b> z k | x_{k}ub>) N (_{}k; \overset{}{}ki, \overset{}{}‾ ki)>>计算得到k时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布p(x k |z 0:k)；其中，C k 为标准化常数且C k =(\intp(x k |z 0:k-1)p(z k |x k)dx k) -1 ，为根据k-1时刻状态变量的概率分布预测得到的k时刻状态变量样本点集的权值，p(x k |z 0:k-1)为k-1时刻足球机器人在足球场场地坐标下的状态变量x k 的滤波概率分布，p(z k |x k)为得到k时刻真实状态变量x k 后足球机器人位姿的测量量z k 的贝叶斯分布；为根据k-1时刻状态变量的概率分布预测得到的k时刻足球机器人在足球场场地坐标下的状态变量x k 的高斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的滤波均值，为根据k-1时刻状态变量的概率分布预测得到的k时刻样本点集的协方差；步骤502、首先，选取重要性函数q(\cdot)=p(x k |z 0:k)，并对重要性函数q(\cdot)=p(x k |z 0:k)进行抽样，得到k时刻的样本点集其中，j为样本数且j=1,2,...,M，M为样本总数，i为并行的高斯和粒子滤波器的数量且i=1,2,...,G；然后，所述数据处理器1根据公式>sup> = p (_{<}/msub> | x_{ki}^{j}) N (_{}> j; \overset{}{}ar; ki,mi> ‾ ki)/ q (_{}^{}mi> | z_{<}mi>k) >计算得到k时刻的样本点集的权值其中，为为抽样得到k时刻的样本点集后足球机器人位姿的测量量z k 的贝叶斯分布，为根据k-1时刻状态变量的概率分布预测得到的k时刻的样本点集的高斯分布；为对应于抽样得到的k时刻的样本点集的滤波概率分布的重要性函数；步骤503、所述数据处理器1模块调用蒙特卡罗估计模块且按照蒙特卡罗估计方法计算得到k时刻机器人样本点集的滤波均值μ ki 和协方差Σ ki 分别为：>}{Σ}}{Σ}$

电子爱好者 - 最新技术资讯及电子产品介绍！

一种足球机器人目标追踪方法及系统

更多相关文章

物联网4G全网通无线路由器模块 串口WiFi透传 插SIM卡就能上网

第六篇 串口（应用篇）- WIFI模块和4G模块

【学习总结】win10下yolov5使用GPU训练自己的模型，同时调用网络摄像头识别目标、学习指南与踩坑经验

【3D目标检测】OpenPCDet自定义数据集训练

【点云目标检测】3DSSD:Point-based 3D Single Stage Object Detector

《花雕学AI》用Edge和chrome浏览器体验GPT-4智能聊天的神奇免费插件，Sider – 聊天机器人的新选择

设计聊天机器人技术栈的终极攻略

用免费的Cloudflare Workers搭建一个telegram的chatgpt机器人并接入oneapi支持各大ai模型

ChatGPT实践-构建简单的AI聊天机器人(python)

ThinkPHP实现用户注册、登录模块

如何设计登录注册模块

用户注册登录模块实践

带你全面理解JS模块的标准（AMD、CMD、COMMON.JS 、 UMD、ESM）

ESP8266学习笔记(3):手机发送数据经WiFi模块透传控制Arduino开发板上的led灯

STC15单片机-无线通讯（WIFI模块）

ESP8266串口WiFi模块基本使用方法和配置教程

串口转WiFi透传模块UART转WiFi模块嵌入式WiFi参数一键配置原理

手把手教会51单片机应用esp8266wifi模块

WiFi模块如何配置-web篇（绝对通用好使）

【Android工程师与智能家居产品的第一次接触②】给设备配网 Esp8266 wifi模块的快速配网和AP配网简介（付Android demo）

发表评论

推荐文章

moto's personal commitment

Acer宏碁暗影骑士AN515-55笔记本原厂Windows10系统工厂模式安装包

嵌入式linux收银机重装系统,收银机重装系统。没有光驱，用U盘怎么装？详细点的。谢了！...

mac链接移动硬盘问题总结

Mac电脑移动硬盘文件呈灰色，无法打开怎么办？

热门文章

LLM及其API的应用（ChatGPT与OpenAI API）

关于ChatGPT八个技术问题的猜想

Vector Commitment, Zero-knowledge Set, Zero-knowledge Accumulator等区别

u盘最大单个文件支持多少g_USB 文件传输单个文件最大能用多少G???

模拟登录163邮箱

win10一键卸载所有自带应用

AMD CPU电脑安装Android Studio详细步骤以及无法成功install HAXM的解决办法

安装windows10出现“计算机意外的重新启动或遇到错误，windows安装无法继续。

如何将搜狗拼音输入法键盘布局更改成日文106键布局

移动硬盘测试扩容卡软件,U盘扩容检测教程，优盘容量真实性检测，TF卡移动硬盘SD卡内存卡...

最新文章

excel VLOOKUP和MATCH结合使用匹配数据

[开源项目学习]langchain-chatchat学习笔记3

《论工业社会及其未来》—泰德.卡辛斯基

有效沟通bic法则_善用BIC法则，负面回馈不怕引起反弹！

岩土工程英语词汇A-R

Unskilled in English is looked down on by people （composition）

语法长难句-----比较级的特殊用法as专题

数理逻辑蕴含_数理逻辑＝﹥ ，|－这两个符号有什么区别？

C#中的条件操作符，空接合，应用参数（ref），输出参数（out），递归与重载

HCIE-Security Day37：理论学习：信息安全防范与趋势

python序列如何使用 特点是什么_Python 序列的切片操作与技巧

已解决：KeyError ‘attention_mask‘

Python 问题复盘解析

她没有你会使用计算机英语,大学英语第二册五至十单元翻译

部署llama3时出现RuntimeError: “triu_tril_cuda_template“ not implemented for ‘BFloat16‘报错

小米手机肿么还原时钟

15000流明是多少瓦

一般普通投影机功率多大?

苹果绿联转换器有些投影机不能用

坚果V9投影机具体参数?

有关九年级作文850字精选

80后90后_高一作文

中级卫生专业资格中医全科学主治医师中级模拟题2021年(9)案与解析

(精品)师范大学招考硕士研究生课程八六0试卷

ZXMVC8900(V3

【模拟人生4（The Sims 4）性感露背黑色亮片礼服MOD V20190313】模拟人生4（The Sims 4）性感露背黑色亮片礼服MOD V20190313 官方免费下载

【生化危机2：重制版（Resident Evil 2 Remake）克莱尔红头发深色服装MOD】生化危机2：重制版（Resident Evil 2 Remake）克莱尔红头发深色服装MOD 官方免费下载

【模拟人生4（The Sims 4）性感露背深V领吊带裙MOD V20190311】模拟人生4（The Sims 4）性感露背深V领吊带裙MOD V20190311 官方免费下载

【模拟人生4（The Sims 4）科幻风宇宙飞船家庭住宅MOD V20190311】模拟人生4（The Sims 4）科幻风宇宙飞船家庭住宅MOD V20190311 官方免费下载

【鬼泣5（Devil May Cry V）v1.0十四项修改】鬼泣5（Devil May Cry V）v1.0十四项修改 官方免费下载

如何实现高效的treenode搜索算法

treenode与链表有何本质区别

在哪些场景下应优先考虑使用treenode

treenode在树形结构中的角色是什么

如何通过treenode实现二叉树

物联网4G全网通无线路由器模块串口WiFi透传插SIM卡就能上网

第六篇串口（应用篇）- WIFI模块和4G模块

python序列如何使用特点是什么_Python 序列的切片操作与技巧

【鬼泣5（Devil May Cry V）v1.0十四项修改】鬼泣5（Devil May Cry V）v1.0十四项修改官方免费下载