Pixhawk室内自动控制：参数设置（SITL）

最新推荐文章于 2025-09-11 00:15:35 发布
最新推荐文章于 2025-09-11 00:15:35 发布
阅读量7.5k 收藏 35
点赞数 5
CC 4.0 BY-SA版权
文章标签： 测试 Pixhawk 参数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liberatetheus/article/details/77980775
本文详细介绍了如何在Pixhawk的室内自动控制中设置参数，包括在SITL模拟器上禁用GPS、设置虚拟光流和超声波传感器，以及通过MAVProxy修改飞控参数。通过这些步骤，用户可以在没有GPS的情况下测试室内导航功能。

Pixhawk室内自动控制：参数设置（SITL）

本文针对使用光流传感器和超声波传感器（或激光雷达）进行开发，期望实现室内自动控制的Pixhawk用户。这篇文章讲解了如何针对真机进行参数设置。本文将讲述如何为SITL模拟器设置虚拟光流传感器和虚拟超声波传感器，以测试室内自动控制方案是否可行。

在光流传感器和超声波传感器的帮助下实现室内的自动控制是一项实验性的功能，你需要使用最新的飞控软件版本来获得最新特性。关于如何在Windows上编译任意版本的SITL模拟器，请参阅从源码编译SITL(Windows)。

运行SITL和MAVProxy

  1. 启动SITL。打开Cygwin Terminal（你应该在编译SITL时已经安装了），运行以下命令
cd ~/ardupilot/ArduCopter/
./ArduCopter.elf --home 0,0,0,270 --model quad
  1. 启动MAVProxy。MAVProxy的作用是将数据包转发。打开cmd，运行以下命令
mavproxy.py --master tcp
最低0.47元/天 解锁文章
Pixhawk室内自动控制：参数设置
Roger今天好好搬砖了吗
09-13 1万+
Pixhawk室内自动控制：参数设置本文针对使用光流传感器和超声波传感器（或激光雷达）的Pixhawk用户。ArduCopter目前（3.52）已经能够使用光流传感器提供的位置信息以及超声波或雷达提供的高度信息，实现无GPS信号下的室内定位。由于默认情况下，GPS和气压计分别是定位和定高信息的主要来源，我们需要通过修改Pixhawk的参数设置，实现室内的自动控制。注意：本文需要你已经装配并调试好光流
Pixhawk参数调整
大话开源飞控
09-11 2万+
Pixhawk copter固件的默认参数是为3DR QUAD COPTER设计的。如果你想获得一个最佳的飞行表现的话。你需要对一些参数做一些调整。调整的参数主要是Extended Tuning下面的Roll和Pitch的PID，来获得稳定的姿态。 在copter的参数调整里边比较重要的参数主要是Roll、Pitch、yaw、Altitude hold、loiter、和waypoint nav
pixhawk PID 参数调整
01-23
PX4原生固件 姿态PID 参数调整： 第一步：准备工作 首先将所有的参数都设置为初始值 1. 将所有的MC_XXX_P设置为0（ROLL,PITCH,YAW） 2. 除了MC_ROLLRATE_P 和MC_PITCHRATE_P 将所有的MC_XXXRATE_P, MC_XXXRATE_I, MC_XXXRATE_D 设置为0 3. 将MC_ROLLRATE_P和MC_PITCHRATE_P设置为很小的值，比如0.02 4. 设置MC_YAW_FF为0.5 注意：所有的增益都必须缓慢地增加，每次增加20%~30%，当快达到最佳的时候甚至以10%的幅度增加。过大的增益，容易导致非常危险的振动。 第二步：调整ROLL 速率和Pitch 速率 …… 第三步：调整ROLL 角度和Pitch 角度 …… 第四步：调整YAW速率 …… 第五步：调整YAW角度 ……
ArduPilot避障系统：激光雷达与视觉避障集成方案
最新发布
gitblog_00088的博客
09-11 291
ArduPilot作为业界领先的开源自动驾驶系统，提供了完善的避障功能解决方案。本文将深入解析ArduPilot的避障系统架构，重点介绍激光雷达（Lidar）与视觉（Vision）避障技术的集成方案，帮助开发者构建安全可靠的自主飞行系统。 ## 避障系统架构 ArduPilot的避障系统采用分层架构设计，主要包含以下核心组件： ```mermaid flowchart TD A[传感...
Pixhawk无人机-ArduPilot 软件SITL仿真模拟飞行（SITL+Mission Planner结合）
2019菜鸡进化史
06-01 8855
本文的目的是将SITL仿真结合Missionplanner地面站，之后再探索SITL仿真结合QGC地面站。教程中指出，QGC地面站是安装在与SITL仿真软件一起的笔记本电脑上的，而MP地面站是安装在另外一台笔记本电脑上的。因此要注意连接IP地址的区别。
pixhawk自动调参测试
2401_83568055的博客
12-02 805
2.降落过程中最好不要关闭设置的自动AutoTune开关，这里关闭后会出现刷新参数不会成功（但是根据其余调试人员操作这里不会影响）--问题事项待解决。1.操作：定高模式调试时会出现飞机漂移情况，这里可以选择开阔位置，飞远时可以通过俯仰.横滚摇杆飞回来。2.姿态：飞机在调试当中会摆动飞机，这里飞机不摆动时飞机就调试好了。这里飞机过近或许可以听见（滴滴~~）的长鸣的一声，这里就表示调试好了。”参数来设置自动调参的激进程度，（这里默认是0.1，也可以减小数值然调试过程中幅度减小些）在全部参数列表中，修改“
【掌握Pixhawk舵机控制】：一步到位成为飞控大师
Pixhawk飞控系统是当前无人机和无人车辆领域广泛应用的开源飞行控制解决方案。它由灵活的硬件设计、模块化软件架构以及丰富的社区支持构成，提供强大的飞行控制能力。在本章节中，我们将简要介绍Pixhawk的发展背景，...
【Pixhawk编程自定义】：打造个性化的BlueROV2飞行控制系统
Pixhawk平台介绍和基础设置 ## 1.1 Pixhawk简介 Pixhawk是一个开源的飞控平台，广泛应用于无人机（UAV）、遥控车（RC）和无人船（USV）。它是基于PX4或ArduPilot固件的飞行控制硬件，以高性能和强大的功能著称。...
PixHawk飞控开发进阶：掌握核心算法，成为飞控系统专家
PixHawk飞控系统作为先进的无人机控制平台，广泛应用于多种空中任务。本文从系统概述到核心算法，再到实践应用和高级功能开发，全面介绍了PixHawk飞控系统的工作原理和操作实践。通过详细分析PixHawk的核心算法，...
教程：使用DroneKit在室内控制无人机
热门推荐
Roger今天好好搬砖了吗
09-16 2万+
教程：使用DroneKit在室内控制无人机DroneKit-Python是一个用于控制无人机的Python库。DroneKit提供了用于控制无人机的API，其代码独立于飞控，单独运行在机载电脑（Companion Computer）或其他设备之上，通过串口或无线的方式经MAVLink协议与飞控板通信。除了DroneKit-Python以外，还有DroneKit-Android以及DroneKit-C
PX4（Pixhawk）添加自定义参数（Parameter）
qq_33662995的博客
03-05 2806
参考PX4开发者文档parameters&configurations板块，基于版本v10.0.1 以官方提供的 module 模板为例，先要将 module文件夹复制到modules/ 目录下，然后在 Firmware/boards/px4/sitl/default.cmake 中添加编译，使该模块能进入编译链。 第一步：在module.cpp目录下建立module_param.c...
Gazebo 仿真中给 PX4 无人机添加 Livox 激光雷达
11-23
Gazebo 仿真中给 PX4 无人机添加 Livox 激光雷达，可用于 Fast-LIO 等 SLAM 算法的仿真。
手把手教你调试Pixhawk垂直起降参数
weixin_43056212的博客
08-24 1万+
Pixhawk垂直起降参数 1、写在前面 本来想写个垂直起降手把手教你调试的，由于作者也没有太多的时间给大家拍照并现场调试，鉴于很多朋友问我里面的参数问题，干脆写点东西算了。 2、参数列表及解释 VT_ARSP_BLEND 这个参数的意思是，如果飞机在由旋翼状态转成固定翼状态的过程中，空速达到了这个参数设置的空速，那么旋翼的控制比重开始慢慢减少。也就是说在没有达到这个空速之前，旋...
Pixhawk VTOL SITL仿真
Phillweston的博客
05-31 1176
基于Windows操作系统和Cygwin软件，利用Ardupilot官方提供的SITL软件在环仿真实现VTOL垂直起降飞行器的仿真，并使用FlightGear软件可视化飞行过程。
APM/PIX通过mission planner扩展调参PID的设置实操案例 试着说清pid比例，微分，积分的原理，方法，设计
m0_72607891的博客
12-08 4742
如果说音色是声学中的玄学，那么pid可以算是工学中的玄学。难就难在需要复杂的调试才能找到一个合适值。临界值需要自己去试。在临界值之前，或许有一个可以把握的趋势。突破临界值立马就正变负负变正。《论语》里讲：过犹不及。说话办事也好，工作生活也罢，如果不能做到进退有度，取舍有法，就很可能陷入物极必反的窘境中。或者说是过犹不及，稍有不慎，原本正常还能飞的飞机可能变得就无法操控了。 开始操作。 首先确定你的飞机可以正常解锁加速度计遥控器都已经完成校准，飞行模式设置正确。 基本调参，在另外一篇文章当中
基于APM(Pixhawk）飞控和missionplanner制作遥控无人车-从零搭建自主pix无人车无人履带车坦克-2（以乐迪crossflight飞控为例）
m0_72607891的博客
11-30 2012
以乐迪crossflight飞控为例进行组装调试。
PixHawk飞控参数及指示灯状态
zssyu0416的博客
04-12 4805
Pixhawk Ardupilot Introduction Pixhawk is the world's most famous open source flight control hardware manufacturer 3DR launched open source flight control. Pixhawk as an open source hardware and has...
ArduPilot飞控之ubuntu22.04-SITL安装
lida2003的专栏
03-25 5617
在没有任何硬件的情况下，SITL模拟运行Plane、Copter或Rover。提供了一个本地可执行文件（ArduCopter or ArduPlane Desktop Executable， elf），允许在没有硬件的情况下测试代码的行为。该方法比较适合熟悉ardupilot系统，也便于研发人员验证软件算法方面的控制逻辑。如果之前工程有过编译或者编译缺少组件导致失败，可以用以下命令对工程进行清理。第一次运行时，应该使用-w选项擦除虚拟EEPROM，加载正确的默认参数。加载默认参数后，可以正常启动模拟器。
PX4 SITL环境添加传感器（雷达、双目相机和下视摄像头）教程
qq_51657760的博客
05-17 622
本教程将指导您如何在PX4仿真环境中为无人机添加激光雷达、双目相机和下视摄像头，以便进行算法测试和开发。首先，我们需要创建或确保已有所需的传感器模型。 1.2 创建双目相机(Kinect)模型 填入以下内容： 创建模型配置文件： 填入以下内容： 1.3 创建激光雷达(RPLidar)模型 填入以下内容： 创建模型配置文件： 填入以下内容： 1.4 创建下视摄像头(FPV Cam)模型 填入以下内容： 创建模型配置文件： 填入以下内容： 1.5
aruco pixhawk
08-21
<think>首先，用户的问题是关于在Pixhawk设备上使用ArUco库进行无人机相关的视觉定位或控制。具体来说，是如何将ArUco库与Pixhawk无人机控制器集成使用。 我需要回顾系统级指令： - 所有行内数学表达式必须使用$...$格式。 - 独立公式必须使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 在回答中引用的段落末尾自然地添加引用标识，例如[^1]。 用户可见层： - 回答结构清晰，帮助用户逐步解决问题。 - 尽量保证回答真实可靠。 参考站内引用： - 引用[1]: 关于无人机开发环境的组件，包括硬件平台、仿真环境、开发工具。 - 引用[2]: 关于PX4飞行控制栈的介绍。 - 引用[3]: 关于无人机多传感器融合感知方案，包括数学基础、硬件架构等。 这些引用不是直接针对用户的问题，但可以提供背景信息。用户的问题是集成ArUco库与Pixhawk进行视觉定位或控制。ArUco是一个用于增强现实和计算机视觉的库，常用于标记检测和姿态估计。 关键点： - ArUco库：用于检测ArUco标记（类似于QR码），并估计相机相对于标记的位置和方向（姿态）。 - Pixhawk：一个开源的无人机飞行控制器硬件，通常运行PX4或ArduPilot软件。 - 集成：用户想将ArUco的视觉输出用于无人机的定位或控制，比如基于视觉的悬停或导航。 回答结构应该清晰： 1. 介绍集成的基本概念。 2. 步骤指南：如何设置和集成。 3. 代码示例（如果可能）。 4. 注意事项。 5. 生成相关问题。 由于用户提到“在Pixhawk设备上使用”，我需要确保回答基于Pixhawk和PX4生态系统。 真实可靠的回答： - ArUco库通常与ROS（Robot Operating System）集成。 - PX4支持与ROS的接口，通过MAVLink协议。 - 常见的做法是：在机载计算机（如Raspberry Pi或Jetson）上运行ArUco检测，然后将姿态信息发送给Pixhawk。 步骤： 1. **硬件设置**：需要一个机载计算机连接到Pixhawk（例如通过串口或USB），和一个摄像头。 2. **软件安装**：在机载计算机上安装ROS、ArUco库（如aruco_ros），和PX4的ROS接口（如mavros）。 3. **开发流程**： - 使用ArUco检测标记并输出姿态。 - 通过MAVLink将姿态信息发送给Pixhawk。 - Pixhawk使用这些数据进行控制，例如通过外部位置估计。 4. **控制策略**：可以用于视觉定位，比如在标记上悬停。 数学表达式： - 如果有姿态估计或坐标转换，需要使用LaTeX。例如，姿态估计涉及旋转矩阵或四元数。 - 例如，坐标转换：$$ \mathbf{T} = \begin{bmatrix} \mathbf{R} & \mathbf{t} \\ \mathbf{0} & 1 \end{bmatrix} $$，其中$\mathbf{R}$是旋转矩阵，$\mathbf{t}$是平移向量。 生成相关问题： - 在回答末尾，添加相关问题，类似于示例。 引用： - 在回答中，自然地添加引用标识。例如，提到PX4时引用[^2]，提到开发环境时引用[^1]。 - 引用[3]提到数学基础和硬件同步，可能相关。 完整回答结构： - **引言**：解释集成的重要性。 - **步骤详解**：分步指南。 - **代码片段**：提供Python或C++示例。 - **注意事项**：常见问题和优化。 - **相关问题**：生成2-3个相关问题。 使用中文回答。 最终输出格式： - 回答内容。 - §§相关问题§§。</think>### ArUco库与Pixhawk无人机控制器的集成使用指南 在Pixhawk无人机控制器上集成ArUco库，可以实现基于视觉的定位或控制，例如使用ArUco标记进行精确悬停、导航或避障。ArUco库是一个开源的计算机视觉库，用于检测和估计ArUco标记（类似于二维码）的姿态（位置和方向）。Pixhawk作为开源飞控硬件，通常运行PX4或ArduPilot软件，支持通过MAVLink协议接收外部传感器数据。集成过程涉及硬件设置、软件开发和通信协议。下面我将逐步解释如何实现这一集成，确保回答基于真实可靠的开源实践（参考PX4官方文档和ROS社区资源）。 #### 1. **集成原理与硬件要求** 集成ArUco与Pixhawk的核心是将ArUco的视觉输出（如标记的姿态估计）转换为Pixhawk可用的位置信息，并通过MAVLink协议发送给飞控。这通常需要一个机载计算机（如Raspberry Pi或NVIDIA Jetson）来处理视觉计算，并通过串口/UART连接到Pixhawk。Pixhawk则使用这些数据进行控制，例如在外部位置模式（如`OFFBOARD`模式）下实现视觉定位。 - **硬件组件**： - Pixhawk飞控（如Pixhawk 4）。 - 机载计算机：运行视觉处理，推荐使用支持ROS的设备，如Jetson Nano或Raspberry Pi 4。 - 摄像头：USB或CSI接口摄像头，分辨率至少720p。 - 连接方式：机载计算机通过串口（如`/dev/ttyS0`）或USB连接到Pixhawk的TELEM端口。 - ArUco标记：打印标准标记（如4x4或6x6字典），用于环境中的参考点。 无人机开发环境通常包括硬件平台和仿真工具，Pixhawk系列是主流选择[^1]。PX4飞行控制栈提供标准接口，支持外部传感器输入[^2]。 - **数学基础**： ArUco库通过检测标记的角点，估计相机相对于标记的变换矩阵。姿态估计涉及坐标转换： $$ \mathbf{T} = \begin{bmatrix} \mathbf{R} & \mathbf{t} \\ \mathbf{0} & 1 \end{bmatrix} $$ 其中$\mathbf{R}$是旋转矩阵（表示方向），$\mathbf{t}$是平移向量（表示位置）。在无人机应用中，需要将相机坐标系转换为全局坐标系（如NED坐标系）。这涉及齐次坐标变换： $$ \mathbf{p}_{\text{global}} = \mathbf{T} \cdot \mathbf{p}_{\text{camera}} $$ 其中$\mathbf{p}_{\text{camera}}$是标记在相机坐标系中的位置。EKF（扩展卡尔曼滤波）算法常用于融合视觉数据与IMU传感器，提高鲁棒性[^3]。 #### 2. **软件设置与开发步骤** 集成依赖ROS（Robot Operating System）作为中间件，因为它提供ArUco库的封装（如`aruco_ros`）和PX4的接口（如`mavros`）。以下是详细步骤： - **步骤1: 安装ROS和依赖库** 在机载计算机上安装ROS Noetic（Ubuntu 20.04）或ROS Melodic（Ubuntu 18.04）。然后安装ArUco库和PX4接口： ```bash # 安装ROS基础包 sudo apt-get install ros-$ROS_DISTRO-ros-base # 安装ArUco ROS包 sudo apt-get install ros-$ROS_DISTRO-aruco-ros # 安装MAVROS（PX4的ROS接口） sudo apt-get install ros-$ROS_DISTRO-mavros ros-$ROS_DISTRO-mavros-extras # 安装依赖工具 sudo apt-get install python3-catkin-tools ``` 确保Pixhawk固件为最新PX4版本（使用QGroundControl地面站更新）。 - **步骤2: 配置通信和相机** - 连接Pixhawk与机载计算机：通过串口线连接Pixhawk的TELEM端口到机载计算机的UART端口。在`mavros`配置文件中设置串口参数（波特率通常为921600）。 - 相机校准：使用`camera_calibration`ROS包校准相机内参，以减少姿态估计误差。内参矩阵表示为： $$ \mathbf{K} = \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} $$ 其中$f_x, f_y$是焦距，$c_x, c_y$是主点坐标。 - **步骤3: 开发ArUco检测节点** 创建一个ROS节点，使用ArUco库检测标记并发布姿态信息。以下是Python示例代码（保存为`aruco_detector.py`）： ```python #!/usr/bin/env python3 import rospy import cv2 from cv2 import aruco from sensor_msgs.msg import Image from geometry_msgs.msg import PoseStamped from cv_bridge import CvBridge class ArucoDetector: def __init__(self): rospy.init_node('aruco_detector') self.bridge = CvBridge() self.image_sub = rospy.Subscriber('/camera/image_raw', Image, self.image_callback) self.pose_pub = rospy.Publisher('/aruco_pose', PoseStamped, queue_size=10) self.dictionary = aruco.getPredefinedDictionary(aruco.DICT_4X4_50) self.parameters = aruco.DetectorParameters_create() def image_callback(self, msg): try: cv_image = self.bridge.imgmsg_to_cv2(msg, "bgr8") gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY) corners, ids, _ = aruco.detectMarkers(gray, self.dictionary, parameters=self.parameters) if ids is not None: # 估计标记姿态（假设标记尺寸为0.1m） rvec, tvec, _ = aruco.estimatePoseSingleMarkers(corners, 0.1, self.camera_matrix, self.dist_coeffs) pose_msg = PoseStamped() pose_msg.header.stamp = rospy.Time.now() pose_msg.header.frame_id = "camera" # 转换到PoseStamped消息（tvec和rvec转换为位置和四元数） pose_msg.pose.position.x = tvec[0][0][0] pose_msg.pose.position.y = tvec[0][0][1] pose_msg.pose.position.z = tvec[0][0][2] # 简化的旋转转换（实际中需使用cv2.Rodrigues） pose_msg.pose.orientation.w = 1.0 # 占位符，实际需计算四元数 self.pose_pub.publish(pose_msg) except Exception as e: rospy.logerr(f"Detection error: {str(e)}") def set_camera_params(self, camera_matrix, dist_coeffs): self.camera_matrix = camera_matrix # 从校准文件加载 self.dist_coeffs = dist_coeffs if __name__ == '__main__': detector = ArucoDetector() # 假设从YAML文件加载相机参数 detector.set_camera_params(np.load('camera_params.npy'), np.load('dist_coeffs.npy')) rospy.spin() ``` 此代码订阅相机图像，检测ArUco标记，并发布姿态到`/aruco_pose`话题。姿态信息包括位置$(x,y,z)$和方向（四元数）。 - **步骤4: 集成PX4 via MAVROS** 使用`mavros`将ArUco姿态发送给Pixhawk。PX4支持外部位置输入（如`VISION_POSITION_ESTIMATE`）。创建ROS节点转发姿态： ```python #!/usr/bin/env python3 import rospy from geometry_msgs.msg import PoseStamped from mavros_msgs.msg import PositionTarget from mavros_msgs.srv import SetMode class MavrosBridge: def __init__(self): rospy.init_node('mavros_bridge') self.pose_sub = rospy.Subscriber('/aruco_pose', PoseStamped, self.pose_callback) self.position_pub = rospy.Publisher('/mavros/setpoint_position/local', PositionTarget, queue_size=10) rospy.wait_for_service('/mavros/set_mode') self.set_mode = rospy.ServiceProxy('/mavros/set_mode', SetMode) # 设置PX4为OFFBOARD模式 try: self.set_mode(custom_mode="OFFBOARD") except rospy.ServiceException as e: rospy.logerr("Mode change failed: %s" % e) def pose_callback(self, msg): # 将ArUco姿态转换为PX4的NED坐标系（z向下） target = PositionTarget() target.header.stamp = rospy.Time.now() target.coordinate_frame = PositionTarget.FRAME_LOCAL_NED target.position.x = msg.pose.position.x target.position.y = -msg.pose.position.y # 相机坐标系到NED的y轴反转 target.position.z = -msg.pose.position.z # 相机坐标系到NED的z轴反转 target.yaw = 0 # 简化的偏航角，实际中需从四元数计算 self.position_pub.publish(target) if __name__ == '__main__': MavrosBridge() rospy.spin() ``` 运行此节点后，PX4将使用视觉数据进行控制。在QGroundControl中启用外部位置源，并测试在标记上悬停。 #### 3. **测试与优化注意事项** - **测试流程**： - 仿真测试：先在Gazebo + ROS + PX4 SITL环境中测试，使用虚拟ArUco标记和相机[^1]。 - 实机测试：在安全环境中，逐步增加高度和移动范围。 - 监控话题：使用`rostopic echo /mavros/vision_pose/pose`验证数据流。 - **常见问题与优化**： - **精度问题**：标记尺寸和相机校准误差会导致漂移。优化方法包括： - 使用多个标记或融合IMU数据（通过EKF算法）[^3]。 - 减小标记检测延迟，使用硬件加速（如CUDA on Jetson）。 - **实时性**：确保机载计算机处理频率 > 10Hz。优化代码使用C++或PyTorch/TensorFlow加速。 - **安全机制**：设置故障恢复，例如当标记丢失时切换回GPS模式。 - 性能分析：记录数据计算延迟$t_{\text{delay}} = t_{\text{processing}} + t_{\text{communication}}$，并确保$t_{\text{delay}} < 0.1\text{s}$。 - **应用场景**： - 室内定位：GPS-denied环境中的自动悬停。 - 精准着陆：在标记上自动降落。 - 编队控制：多无人机基于共享标记协同。 #### 4. **总结与资源** 通过以上步骤，您可以在Pixhawk上实现ArUco视觉定位。核心是ROS + MAVROS桥接，确保姿态数据实时发送。本方案基于开源实践，可直接用于原型开发[^3]。未来可探索深度学习优化标记检测或与激光雷达融合。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值