无人机自主探索FUEL：代码阅读2--算法重要参数

已于 2023-07-24 11:48:40 修改
阅读量1.5k 收藏 5
点赞数 5
文章标签： 无人机 算法 FUEL
于 2023-07-20 16:37:34 首次发布
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/hongliyu_lvliyu/article/details/131826667
版权

1、 主要launch文件 exploration.launch

 <!-- 整体地图尺寸   size of map, change the size in x, y, z according to your application  50 50 10-->
  <arg name="map_size_x" value="50.0"/>
  <arg name="map_size_y" value="50.0"/>
  <arg name="map_size_z" value=" 10.0"/>
  <!-- 无人机初始位置 -->
  <arg name="init_x" value="0"/>
  <arg name="init_y" value="0"/>
  <arg name="init_z" value="1.0"/> 
  
    <!-- 边对界簇做AABB框的参数 改变探索范围 -10.-15，0，10，15，2 -->
    <arg name="box_min_x" value="-5.0"/>
    <arg name="box_min_y" value="-15.0"/>
    <arg name="box_min_z" value=" 0.0"/>
    <arg name="box_max_x" value="5.0"/>
    <arg name="box_max_y" value="15.0"/>
    <arg name="box_max_z" value=" 2.0"/>

  <!-- ODOM对应的topic -topic of your odometry such as VIO or LIO -->
  <arg name="odom_topic" value="/state_ukf/odom" />
 <!-- 相机内参  intrinsic params of the depth camera -->
    <arg name="cx" value="321.04638671875"/>
    <arg name="cy" value="243.44969177246094"/>
    <arg name="fx" value="387.229248046875"/>
    <arg name="fy" value="387.229248046875"/>

    <!-- 无人机速度、加速度上限  maximum velocity and acceleration the drone will reach -->
    <arg name="max_vel" value="2.0" />
    <arg name="max_acc" value="2.0" />

    <!-- 轨迹id，函数displayTrajWithColor中对traj_cmd_进行显示 -->
    <param name="traj_server/pub_traj_id" value="4" type="int"/>
    <param name="traj_server/init_x" value="$(arg init_x)" type="double"/>
    <param name="traj_server/init_y" value="$(arg init_y)" type="double"/>
    <param name="traj_server/init_z" value="$(arg init_z)" type="double"/>
    <!-- 传感器视角范围 80*60deg  0.69对应80deg-->
    <param name="perception_utils/top_angle" value="0.56125" type="double"/>
    <param name="perception_utils/left_angle" value="0.69222" type="double"/>
    <param name="perception_utils/right_angle" value="0.68901" type="double"/>
    <!-- 传感器最大范围 原4.5m 改动每变化？-->
    <param name="perception_utils/max_dist" value="4.5" type="double"/>
    <!-- FOV上下左右距离 原1.0  改小后，FOV对应红色边框变小-->
    <param name="perception_utils/vis_dist" value="1.0" type="double"/>

其中，在改变了地图尺寸时，会出现将扫描后的内容重复拼接出现的情况，例如将地图尺寸设为x=20, y=20
在这里插入图片描述

2. 算法主要参数文件 algorighm.xml

在exploration.launch中被调用
主要节点以及算法参数：

    <remap from ="/odom_world" to="$(arg odometry_topic)"/>
    <remap from ="/map_ros/pose"   to = "$(arg sensor_pose_topic)"/>      位置信息
    <remap from ="/map_ros/depth" to = "$(arg depth_topic)"/>             深度信息

 <!-- 障碍物膨胀系数 -->
    <param name="sdf_map/obstacles_inflation"     value="0.199" /> 
    <param name="sdf_map/local_bound_inflate"    value="0.5"/>
    <!-- 地图边缘 原 50-->
    <param name="sdf_map/local_map_margin" value="50"/>


	 <!-- Fsm fast_exploration_fsm.cpp 中使用-->
    <!-- 轨迹基本执行后重规划时间阈值 -->
    <param name="fsm/thresh_replan1" value="0.5" type="double"/>
    <!-- 边界被覆盖，重新规划时间阈值 -->
    <param name="fsm/thresh_replan2" value="0.5" type="double"/>
    <!-- 定时重规划时间 -->
    <param name="fsm/thresh_replan3" value="1.5" type="double"/>


		<!-- Exploration manager 对应使用在 fast_exploration_manager.cpp中-->
		 <param name="exploration/refine_local" value="true" type="bool"/>
    <!-- 进行优化的视点数量上限 -->
    <param name="exploration/refined_num" value="7" type="int"/>
     <!-- 全环境搜索的截断半径，应该与fast_exploration_manageer.cpp中的radius_far联系起来 -->
    <param name="exploration/refined_radius" value="5.0" type="double"/>
    
    <!-- max_decay,top_view_num在函数getNViewPoints中用于获得N个视点 -->
    <param name="exploration/max_decay" value="0.8" type="double"/>
    <param name="exploration/top_view_num" value="15" type="int"/>
    <!-- 计算视点代价函数的参数 -->
    <param name="exploration/vm" value="$(eval 1.0 * arg('max_vel'))" type="double"/>
    <param name="exploration/am" value="$(eval 1.0 * arg('max_acc'))" type="double"/>
    <param name="exploration/yd" value="$(eval 60 * 3.1415926 / 180.0)" type="double"/>
    <param name="exploration/ydd" value="$(eval 90 * 3.1415926 / 180.0)" type="double"/>
    <param name="exploration/w_dir" value="1.5" type="double"/>      没有用到
    <!-- 旅行商算法求解依赖路径 -->
    <param name="exploration/tsp_dir" value="$(find lkh_tsp_solver)/resource" type="string"/>
 <!-- 在planner_manager.cpp中使用 -->
  <!-- 簇聚类与检查相关系数 -->
    <param name="frontier/cluster_min" value="100" type="int"/>        
    <!-- 对簇主成分分析的参数 -->
    <param name="frontier/cluster_size_xy" value="2.0" type="double"/>
    <!-- 未查到使用 -->
    <param name="frontier/cluster_size_z" value="10.0" type="double"/>
    <!-- 检测视点覆盖率的参数 -->
    <param name="frontier/min_candidate_dist" value="0.75" type="double"/>
    <!-- //检测簇距离的参数 -->
    <param name="frontier/min_candidate_clearance" value="0.21" type="double"/>
    <!-- dphi,rnum,rmin,rmax:在sampleViewpoints函数中用于检测视点覆盖率 -->
    <param name="frontier/candidate_dphi" value="$(eval 15 * 3.1415926 / 180.0)" type="double"/>
    <param name="frontier/candidate_rnum" value="3" type="int"/>
    <param name="frontier/candidate_rmin" value="1.5" type="double"/>
    <param name="frontier/candidate_rmax" value="2.5" type="double"/>
    <!-- 簇降采样参数 -->
    <param name="frontier/down_sample" value="3" type="int"/>;
    <!-- 用于保留视点数量的参数 -->
    <param name="frontier/min_visib_num" value="15" type="int"/>;

（1）vm，am，yd，ydd，w_dir

在函数ViewNode::computeCost中被使用，用于计算视点之间的位置、速度、yaw角代价，对应原文VI.C部分，公式（1），最后得到将代价保存在FIS中，当簇过时代价一并删除
(但其中仅vm,yd,w_dir使用了)

double ViewNode::computeCost(const Vector3d& p1, const Vector3d& p2, const double& y1, const double& y2,
                             const Vector3d& v1, const double& yd1, vector<Vector3d>& path) {
  // Cost of position change
  double pos_cost = ViewNode::searchPath(p1, p2, path) / vm_;

  // Consider velocity change
  if (v1.norm() > 1e-3) {
    Vector3d dir = (p2 - p1).normalized();
    Vector3d vdir = v1.normalized();
    double diff = acos(vdir.dot(dir));
    pos_cost += w_dir_ * diff;
  }

  // Cost of yaw change
  double diff = fabs(y2 - y1);
  diff = min(diff, 2 * M_PI - diff);
  double yaw_cost = diff / yd_;
  return max(pos_cost, yaw_cost);
}

！！！：

其中，在计算代价时使用了A* 来计算无碰撞路径，调用了Astar2.cpp，在簇不同时调用Astar2.cpp的次数不同，即Astar2.cpp仅用于计算簇的代价，是仅用2个视点进行规划。主体算法的规划使用kinodynamicAstar.cpp来计算。 可以在终端中看出规划的使用区别：

[FSM]: from PLAN_TRAJ to EXEC_TRAJ
[ INFO] [1689835929.587823117]: [FSM]: state: EXEC_TRAJ
[FSM]: from EXEC_TRAJ to PLAN_TRAJ
[ WARN] [1689835930.017565323]: Replan: cluster covered=====================================
[ WARN] [1689835930.027529959]: min_id 0.000000 0.000000 0.000000: 
[ WARN] [1689835930.027559013]: max_id 0.000000 0.000000 0.000000: 
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------

[ WARN] [1689835930.033240569]: Cost mat: 0.001881, TSP: 0.000355
[Dijkstra Search] Node: 17, edge: 30
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
[Kino replan]: start: start_pt = -1.03064  8.31489  1.16124, start_vel = -0.382292  0.385339 -0.232095, start_acc =  -1.54011 -0.202278 -0.704203
[Kino replan]:  goal: end_pt = -2.92632  7.96307  1.18743, end_vel = 0 0 0
--------------KinodynamicAstar begin to search ----------------------
vel:-1.4467, acc:2.02864
near end
[non uniform B-spline] A size	120
[planner manager] B-spline时间间隔: dt_yaw: 0.0769338, start yaw:   3.01219  0.361323 -0.590218, end_yaw: -2.26126
[FSM]: from PLAN_TRAJ to EXEC_TRAJ
[FSM]: from EXEC_TRAJ to PLAN_TRAJ
[ WARN] [1689835930.469860361]: Replan: traj fully executed=================================
[ WARN] [1689835930.477673706]: min_id 0.000000 0.000000 0.000000: 
[ WARN] [1689835930.477725216]: max_id 0.000000 0.000000 0.000000: 
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------

[ WARN] [1689835930.481764293]: Cost mat: 0.001246, TSP: 0.000382
[Dijkstra Search] Node: 17, edge: 30
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
------------------- Astar2 begin to search ---------------------
[Kino replan]: start: start_pt = -1.27208  8.47133  1.06096, start_vel = -0.793755  0.295399 -0.209913, start_acc =  -1.53363 -0.305818 0.0625115
[Kino replan]:  goal: end_pt = -3.78867  5.34186  1.14388, end_vel = 0 0 0
--------------KinodynamicAstar begin to search ----------------------
open set empty, no path!

（2）“sdf_map/local_map_margin”

在map_ros.cpp中被用到，具体的效果影响不是很确定。

  Eigen::Vector3i min_cut = map_->md_->local_bound_min_ - Eigen::Vector3i(map_->mp_->local_map_margin_,
                                                                          map_->mp_->local_map_margin_,
                                                                          map_->mp_->local_map_margin_);
  Eigen::Vector3i max_cut = map_->md_->local_bound_max_ + Eigen::Vector3i(map_->mp_->local_map_margin_,
                                                                          map_->mp_->local_map_margin_,
                                                                          map_->mp_->local_map_margin_);

（3）与exploration.launch重复的参数（修改时需要注意修改哪个文件）


    <param name="perception_utils/top_angle" value="0.56125" type="double"/>;      传感器向上角度60度
    <param name="perception_utils/left_angle" value="0.69222" type="double"/>;      传感器左右角度80度
    <param name="perception_utils/right_angle" value="0.68901" type="double"/>;
    <param name="perception_utils/max_dist" value="4.5" type="double"/>;         仿真实验中调整后区别不大，不知道是否表示传感器向前方探测的距离(m)
    <param name="perception_utils/vis_dist" value="1.0" type="double"/>;     传感器FOV尺寸（红色三角）

！！！：
其中，在heading_planner.cpp中，写死了相机FOV的参数，可能影响了在algorithm.xml中调参的效果

// camera FoV params
        far_ = 4.5;
// normals of hyperplanes
        const double top_ang = 0.56125;

        const double left_ang = 0.69222;
        const double right_ang = 0.68901;

3. 影响时间的参数

所在文件参数名称具体含义
algorithm.xml<param name="fsm/replan_time" value="0.200" type="double"/>重规划时间

To be continue …

hongliyu_lvliyu
关注
  • 5
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于改进CB-HAQL算法的无人机导航方法研究
04-30
针对基于案例推理启发式Q学习（CB-HAQL）算法受案例库质量影响而无法收敛到较优策略的问题，提出基于有效触发机制改进的CB-HAQL算法。首先，根据迭代次数设置触发式案例库更新机制，只在达到阈值时生成或更新案例库...
FUEL算法解读（一）——框架解读，思维导图可以很清晰看懂算法启动框架，已更新完，图太大放不上来链接在文末
weixin_43793717的博客
11-28 694
一图看懂FUEL算法节点框架！！！
无人机自主探索FUEL：代码阅读3--执行循环顺序与部分释义
hongliyu_lvliyu的博客
08-07 623
其中函数search主要用于寻找路径，输入起点的p,v,a,终点p,v，布尔值init_search，路点path，布尔值is_shot_succ，矩阵coef_shot，时间shot_time；此时终端打印max_id，min_id，代价cost mat以及旅行商算法参数 TSP。其中特别的是 固定了yaw角规划的分段信息，固定为了12段，而。其中当前视点与下一个视点距离。：对yaw角进行了单独的规划。其中主要调用了两个函数。时显示ROS_ERROR。，进行探索并选择视点；
FUEL复现（一）
weixin_52814031的博客
12-21 503
实验设备：虚拟机ubuntu18.04 + ROS1。
GestureRecognition-PyTorch:动作识别网络-CNN + LSTM
05-13
手势动作识别 微调预训练的CNN模型（AlexNet，VGG，ResNet），然后微调LSTM。 该网络应用于手势控制无人机。 训练： 下载直升机编组数据集： : usp 将数据集放在/data文件夹下 运行培训代码并指定数据文件夹的路径 python basic_lstm.py ../data 测试： 使用具有指定型号的网络摄像头运行在线测试代码： cd testing python lstm_test.py ../weights/model_best_865.pth.tar 依存关系： pyTorch-0.3.xx Opencv的3.3.1 PIL-5.0.0 Numpy-1.13.1
matlab无人机路径规划代码-multi-uav-planning:这是论文Multi-UAVRoutingforAreaCoveragea
06-08
matlab 路径规划代码多无人机规划 这是使用多个无人机进行路径规划覆盖任务的 matlab 代码。 该算法背后的概念在论文（）中展示。 软件要求 MATLAB - 亚米普 - Gurobi - （可选）
睿智的自主探索01——FUEL
puffdoudou的博客
10-11 1605
目录摘要综述增量式FIS层次探索规划未完待续 摘要 自主探索是无人机（UAV）各种应用的基本问题。 然而，由于缺乏有效的全局覆盖、保守的运动计划和低决策频率，现有方法被证明探索率不足。 在本文中，我们提出了 FUEL，这是一种分层框架，可以在复杂的未知环境中支持快速无人机探索。 我们通过前沿信息结构 (FIS) 在探索规划所需的整个空间中维护关键信息，在探索空间时可以增量更新。 在 FIS 的支持下，分层规划器分三个步骤规划探索运动，找到有效的全局覆盖路径，细化一组局部视点并依次生成最小时间轨迹。 我们提供
无人机自主探索FUEL：代码阅读1--边界簇检测更新与视点生成
hongliyu_lvliyu的博客
07-20 1200
bag中包含三个.sh文件，为rosbag指令，给出了录包指令以及有用话题信息。
EGO-Swarm代码解读-地图部分
weixin_45736684的博客
02-28 3323
文章目录1、参数解读2、主要函数解读 1、参数解读 一、MappingData md_中的参数含义： local_bound_min_, local_bound_max_ //更新栅格的范围 md_.occupancy_buffer_ = vector<double>(buffer_size, mp_.clamp_min_log_ - mp_.unknown_flag_); //栅格占据与否,0表示空闲,1表示占据 md_.occupancy_buffer_inflate_
FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning(论文学习)
qq_44101169的博客
06-21 968
采用增量前沿结构和分层规划的无人机快速探测 摘要 现存的无人机自主导航方法存在着，不充足的探索速率，缺乏有效的全局覆盖率，保守的运动规划和低频率的决策分析等问题，因此，本文提出了在复杂环境中采用增量前沿结构和分层规划的无人机快速探测的方法,　我们使用新的边界信息结构(FIS)来存储整个空间中的重要信息，在采用FIS信息结构之后，采用找到有效的全局覆盖路径，修正本地视角点和产生最短时间路径这三个步骤。该方法已经过仿真环境和现实中复杂环境的测试. 本文的贡献如下： (1) 采用了增量式的更新FIS信息结构,能够
[运动规划算法]空中机器人在未知环境中的快速自主探索
xiewf的博客
04-15 3328
文章目录前言一、快速自主飞行中的重规划方法1.基于梯度的轨迹优化方法2.Perception-aware replanning二、快速自主探索中的层级规划方法1.增量式边界检测和聚类2.全局行程规划3.局部视点细化三、自主探索现存的问题和研究方向四、总结 前言 摘录香港科技大学周博宇的线上分享https://www.techbeat.net/talk-info?id=499 自主探索是用自主机器人对未知环境进行快速重建的过程，它在许多实际应用，比如工业检测、精准农业、搜索救援中，都是一个基础问题。无人机由
lidar:RPLidar A2M8-R4的代码
05-11
激光雷达 RPLidar A2M8-R4的代码：目标是将其用于无人机的避障。 使用Skoltech Robotics的rplidar软件包 如果您尝试使用任何这些代码，请先从Skoltech Robotics安装rplidar软件包。
基于EKF扩展卡尔曼滤波的6DOF无人机GPS-INS融合算法matlab仿真【包括程序操作视频】
最新发布
01-19
1.版本：matlab2022A，包含仿真操作录像，操作录像使用windows media player播放。 2.领域：GPS-INS融合 3.仿真效果：仿真效果可以参考博客同名文章《基于EKF扩展卡尔曼滤波的6DOF无人机GPS-INS融合算法matlab仿真》 4.内容：基于EKF扩展卡尔曼滤波的6DOF无人机GPS-INS融合算法matlab仿真。基于EKF的6DOF无人机GPS-INS融合算法可以实现高精度的导航，即使在GPS信号受到干扰或暂时丢失的情况下，也能依靠INS数据维持导航的连续性和准确性。 5.注意事项：注意MATLAB左侧当前文件夹路径，必须是程序所在文件夹位置，具体可以参考视频录。
FUEL:使用增量式边界结构和分层计划进行快速无人机探索
05-16
燃料 燃料是适用于F ASTüAVËXP大号祭文的一种体系。 它包含一个边境信息结构（FIS），可以使用在线构建的地图进行增量更新，并有助于进行高频率的勘探计划。 基于FIS，分层计划者可以规划最佳的全局覆盖路径，细化局部视点并连续生成最短时间的局部轨迹。 事实证明，我们的方法比最先进的方法快3-8倍完成具有挑战性的勘探任务。 作者：和从。 完整的视频： 。 如果您在研究中使用此项目，请引用我们的论文： ，周博宇，张艺晨，陈欣怡，沉少杰，IEEE机器人与自动化快报（ RA-L ），带有ICRA 2021选项 @article{zhou2021fuel, title={FUEL: Fast UAV Exploration Using Incremental Frontier Structure and Hierarchical Planning}, author={Zho
MTK Fuel Gauge算法分析
04-08
MTK Fuel Gauge算法分析
CGAL-SDF原理讲解以及使用
FrankDura的博客
05-13 2063
综述 最近老师安排我们熟悉CGAL的SDF工具。上周才弄完，这周发一下。 作业较多所以拖的有点晚。 环境 clion 基础知识 SDF详细讲解 这里面讲的很详细，但是需要注意SDF算法本身是有缺陷的。对于那么环状的处理是不佳的。 代码 核心代码 导入为mesh SM mesh; if (argc==2){ std::ifstream in...
C++中的菱形继承问题详解
weixin_48716357的博客
09-08 5191
不难发现，在菱形继承中也存在二义性，并且出现数据冗余浪费了内存空间，由基类Person的_idPerson身份证号有两条路径继承到EGStudent类中，两个身份证号在逻辑上是相同的，但在物理上被分配了不同的内存空间，是两个变量。有了多继承，就有菱形继承，有了菱形继承就有了菱形虚拟继承，底层实现很复杂，一般不建议设计出多继承，否则在复杂度和性能上可能都会出现问题。由多个基类共同派生出新的派生类出新的类，这样的继承结构被称为多重继承或多继承。而在多继承中还存在一种特殊情况——菱形继承。
Fluent Addon 程序解析
独木专栏
07-22 3852
Fluent 自带了几个 Addon 程序，通过命令可以加载。   /define/models> addon-modules FLUENT Addon Modules:  0. none  1. MHD Model  2. Fiber Model  3. PEM Fuel Cell Model  4. SOFC Fuel Cell Model  5. Population Ba
【纯技术】MTK Fuel Gauge算法分析
背后的菜鸟
12-22 6073
Battery 架构简析 MTK 平台 Battery 软件架构基本如上图所示。 具体过程: 硬件 ADC 读取 Battery 的各路信息:包括温度,电压等。 MTK 开发的电量算法分析得到的数据。 Kernel 层将电量信息通过写文件节点的方式更新,并通过 UEVENT 通知上层。 上层 Service 开启 UEVENT LISTENER,监听到 UEVENT 后,读取
无人机避障算法 基于RRT-Star算法的无人机避障
12-05
以下是基于RRT-Star算法的无人机避障算法的介绍： 无人机避障算法需要考虑以下几个问题： 1. 如何表示无人机的状态和环境信息？ 2. 如何生成避障路径？ 3. 如何实现路径跟踪？ 基于RRT-Star算法的无人机避障算法可以解决上述问题。具体步骤如下： 1. 状态表示：将无人机的状态表示为(x,y,z,roll,pitch,yaw)，其中(x,y,z)表示无人机的位置，(roll,pitch,yaw)表示无人机的姿态。 2. 环境表示：将环境表示为三维网格地图，其中每个网格表示一个体素，体素的值表示该位置是否可行。 3. 路径搜索：使用RRT-Star算法在三维网格地图上搜索避障路径。具体来说，RRT-Star算法在树的生长过程中，不仅考虑到新节点到起点的距离，还考虑到新节点到目标点的距离和已有节点到新节点的距离，从而更加全面地评估节点的价值。在搜索到目标点后，RRT-Star算法采用路径优化策略对路径进行优化，以获得更短的路径。 4. 路径跟踪：使用控制器实现路径跟踪。具体来说，将路径离散化为一系列航点，然后使用控制器控制无人机沿着这些航点飞行。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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