人工智能训练物理模拟器 MuJoCo入门教程 常用函数介绍及测试用例

于 2025-03-03 20:07:46 发布
阅读量1.9k 收藏 31
点赞数 25
分类专栏： 三维引擎 AI 人工智能 文章标签： 人工智能 c++
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/lengyoumo/article/details/145996988
版权

一、MuJoCo 简介

MuJoCo（Multi-Joint dynamics with Contact）即多关节接触动力学，是一款免费开源的物理引擎，旨在助力机器人、生物力学、图形动画等领域的研究与开发。它将速度、精度和建模能力独特融合，专为基于模型的优化，尤其是通过接触进行的优化而设计。其具备以下关键特性：
广义坐标与现代接触动力学结合：融合机器人学、生物力学引擎在广义坐标上的高效递归算法，以及游戏引擎基于优化求解接触力的现代方法。
接触动力学处理：通过凸优化问题求解接触力，支持软接触、多种约束，能统一处理摩擦接触、关节限制等情况。
丰富的建模支持：可模拟肌腱几何结构、提供通用驱动模型、拥有可重构计算流水线，还支持模型编译以优化运行时计算。

二、安装环境

1 安装 Anaconda

从Anaconda 官方网站下载对应操作系统的安装包，按向导提示完成安装。

2 创建 Conda 环境

打开 Anaconda Prompt（Windows）或终端（Linux/Mac），执行以下命令创建新环境

conda create -n mujoco_env python=3.8

其中，mujoco_env为环境名，可自行修改；python=3.9指定 Python 版本。

3 激活环境

创建好环境后，执行以下命令激活：

conda activate mujoco_env
4 安装环境

在激活的 Conda 环境中，执行以下命令安装：

pip install mujoco numpy imageio glfw

三 常用函数简介

MuJoCo提供了丰富的API和函数，用于创建、模拟和可视化物理模型。以下是一些常用API和函数的介绍及用法：

模型加载与初始化
mujoco.MjModel.from_xml_path
  • 功能：从XML文件中加载MuJoCo模型。
  • 用法示例：
# 从指定路径的XML文件加载模型
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
mujoco.MjData
  • 功能：创建一个与模型对应的MjData对象，用于存储模型在模拟过程中的各种数据，如关节位置、速度、力等。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
# 创建MjData对象
data = mujoco.MjData(model)
模拟控制
mujoco.mj_step
  • 功能：执行一次模拟步骤，更新模型的状态（如位置、速度等）。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 执行一次模拟步骤
mujoco.mj_step(model, data)
data.ctrl
  • 功能：用于设置模型的控制输入，例如关节的驱动力矩。
  • 用法示例：
import numpy as np
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 设置控制输入，这里假设控制输入是一个长度为3的数组
control_input = np.array([1.0, 2.0, 3.0])
data.ctrl[:] = control_input
获取模型信息
data.qpos
  • 功能：获取模型中所有关节的位置（广义坐标）。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 获取关节位置
joint_positions = data.qpos
print(joint_positions)
data.qvel
  • 功能：获取模型中所有关节的速度（广义速度）。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 获取关节速度
joint_velocities = data.qvel
print(joint_velocities)
data.geom('geom_name').xpos
  • 功能：获取指定几何体的位置。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 获取名为'my_geom'的几何体的位置
geom_position = data.geom('my_geom').xpos
print(geom_position)
可视化相关
mujoco.MjvScene
  • 功能：创建一个用于存储要渲染的场景信息的对象。
  • 用法示例：
import mujoco

model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 创建MjvScene对象
scene = mujoco.MjvScene(model, maxgeom=10000)
mujoco.mjv_updateScene
  • 功能：根据模型和数据的当前状态更新场景中的几何体、光照等信息。
  • 用法示例：
import mujoco
import glfw
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)
scene = mujoco.MjvScene(model, maxgeom=10000)
opt = mujoco.MjvOption()
perturb = mujoco.MjvPerturb()
cam = mujoco.MjvCamera()
mujoco.mjv_defaultCamera(cam)

# 初始化GLFW并创建窗口等操作...

# 更新场景信息
mujoco.mjv_updateScene(model, data, opt, perturb, cam, mujoco.mjtCatBit.mjCAT_ALL, scene)
mujoco.mjr_render
  • 功能：将更新后的场景信息渲染到指定的视口区域。
  • 用法示例：
import mujoco
import glfw

model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)
scene = mujoco.MjvScene(model, maxgeom=10000)
opt = mujoco.MjvOption()
perturb = mujoco.MjvPerturb()
cam = mujoco.MjvCamera()
mujoco.mjv_defaultCamera(cam)

# 初始化GLFW并创建窗口等操作...

viewport = mujoco.MjrRect(0, 0, 1200, 900)  # 假设视口大小为1200x900
context = mujoco.MjrContext(model, mujoco.mjtFontScale.mjFONTSCALE_150)

# 渲染场景
mujoco.mjr_render(viewport, scene, context)
传感器相关

data.sensordata

  • 功能：获取模型中所有传感器的数据。
  • 用法示例：
model = mujoco.MjModel.from_xml_path('path/to/your/model.xml')
data = mujoco.MjData(model)

# 执行模拟步骤以更新传感器数据
mujoco.mj_step(model, data)

# 获取传感器数据
sensor_data = data.sensordata
print(sensor_data)

以上只是MuJoCo中一些常用API和函数的介绍，MuJoCo还有许多其他功能强大的API可以用于更复杂的模拟和分析任务。你可以参考MuJoCo官方文档以获取更详细的信息。

四 示例

1 创建模型配置文件

创xml文件：model1.xml

<mujoco>
    <worldbody>
        <!-- 机械臂底座 -->
        <body name="base" pos="0 0 0">
            <joint name="joint1" type="hinge" axis="0 1 0"/>
            <geom name="base_geom" type="cylinder" size="0.1 0.1"/>
            <body name="arm1" pos="0 0.1 0">
                <joint name="joint2" type="hinge" axis="0 1 0"/>
                <geom name="arm1_geom" type="cylinder" size="0.05 0.5"/>
                <body name="arm2" pos="0 0.5 0">
                    <joint name="joint3" type="hinge" axis="0 1 0"/>
                    <geom name="arm2_geom" type="cylinder" size="0.05 0.3"/>
                    <body name="end_effector" pos="0 0.3 0">
                        <geom name="ee_geom" type="sphere" size="0.05"/>
                    </body>
                </body>
            </body>
        </body>
        <!-- 小球 -->
        <body name="ball" pos="0.5 0 0.5">
            <geom name="ball_geom" type="sphere" size="0.03" rgba="1 0 0 1"/>
        </body>
    </worldbody>
    <actuator>
        <!-- 为每个关节添加一个执行器 -->
        <motor joint="joint1" ctrlrange="-1 1"/>
        <motor joint="joint2" ctrlrange="-1 1"/>
        <motor joint="joint3" ctrlrange="-1 1"/>
    </actuator>
</mujoco>
2 编写python脚本
# 导入 mujoco 库，用于进行物理模拟和模型加载等操作
import mujoco
# 导入 numpy 库，用于处理数值计算，例如数组操作等
import numpy as np
# 导入 glfw 库，用于创建窗口和处理图形渲染的上下文等
import glfw

# 加载模型，从指定的 XML 文件 'model1.xml' 中读取模型信息
model = mujoco.MjModel.from_xml_path('model1.xml')
# 创建与模型对应的 MjData 对象，用于存储模型在模拟过程中的各种数据
data = mujoco.MjData(model)

# 定义模拟的总时间，单位为秒
sim_time = 20.0
# 定义控制频率，即每秒进行控制计算的次数
control_freq = 100

# 计算控制周期，控制周期是控制频率的倒数，单位为秒
control_period = 1.0 / control_freq

# 定义目标位置，这是机械臂末端要到达的目标点，用三维数组表示
target_pos = np.array([0.5, 0, 0.5])

# 定义比例系数，用于计算控制力矩，在比例控制算法中使用
kp = 10.0

# 初始化 GLFW 库，GLFW 用于创建窗口和管理图形上下文
if not glfw.init():
    # 如果初始化失败，抛出异常并给出提示信息
    raise Exception("GLFW could not be initialized")

# 创建一个 GLFW 窗口，指定窗口的宽度为 1200 像素，高度为 900 像素，窗口标题为 "MuJoCo Simulation"
window = glfw.create_window(1200, 900, "MuJoCo Simulation", None, None)
if not window:
    # 如果窗口创建失败，终止 GLFW 并抛出异常给出提示信息
    glfw.terminate()
    raise Exception("GLFW window could not be created")

# 将当前的 OpenGL 上下文设置为刚刚创建的窗口的上下文
glfw.make_context_current(window)

# 创建一个 MjvScene 对象，用于存储要渲染的场景信息，maxgeom 参数指定场景中最大的几何体数量
scene = mujoco.MjvScene(model, maxgeom=10000)
# 创建一个 MjvPerturb 对象，用于处理场景中的扰动信息，例如外力等
perturb = mujoco.MjvPerturb()
# 创建一个 MjvOption 对象，用于设置场景渲染的各种选项
opt = mujoco.MjvOption()

# 创建一个 MjvCamera 对象，用于控制场景的视角
cam = mujoco.MjvCamera()
# 使用默认设置初始化相机对象
mujoco.mjv_defaultCamera(cam)

# 开始模拟循环，只要模拟时间未达到总时间且窗口没有被关闭，就继续循环
while data.time < sim_time and not glfw.window_should_close(window):
    # 计算机械臂末端当前位置与目标位置之间的误差，用向量表示
    error = target_pos - data.geom('ee_geom').xpos

    # 根据误差和比例系数计算控制力矩，这里使用简单的比例控制算法
    control_torque = kp * error

    # 将计算得到的控制力矩应用到模型的控制输入中，控制机械臂的运动
    data.ctrl[:] = control_torque

    # 在每个控制周期内，执行多次模拟步骤，确保模拟的精度
    for _ in range(int(control_period / model.opt.timestep)):
        # 执行一次模拟步骤，更新模型的状态
        mujoco.mj_step(model, data)

    # 获取当前窗口的帧缓冲区大小，即窗口的实际渲染区域大小
    viewport_width, viewport_height = glfw.get_framebuffer_size(window)
    # 创建一个 MjrRect 对象，用于定义渲染的视口区域，左上角坐标为 (0, 0)，宽度和高度为窗口的大小
    viewport = mujoco.MjrRect(0, 0, viewport_width, viewport_height)

    # 更新场景信息，根据模型和数据的当前状态更新场景中的几何体、光照等信息
    mujoco.mjv_updateScene(model, data, opt, perturb, cam, mujoco.mjtCatBit.mjCAT_ALL, scene)

    # 创建一个 MjrContext 对象，用于管理渲染上下文，指定字体缩放比例
    context = mujoco.MjrContext(model, mujoco.mjtFontScale.mjFONTSCALE_150)

    # 渲染场景，将更新后的场景信息渲染到指定的视口区域
    mujoco.mjr_render(viewport, scene, context)

    # 交换前后缓冲区，将渲染好的图像显示到窗口上
    glfw.swap_buffers(window)
    # 处理窗口的事件，例如鼠标点击、键盘输入等
    glfw.poll_events()

    # 每 0.1 秒打印一次当前的模拟时间和机械臂末端的位置
    if data.time % 0.1 < 0.001:
        print(f'time: {data.time:.2f}, end effector pos: {data.geom("ee_geom").xpos}')

#模拟结束后，终止 GLFW 库，释放相关资源
glfw.terminate()

如果环境正确，即可看到下面的演示窗口和数据
请添加图片描述

MuJoCo 3 进阶教程（高级教程）
weixin_46300916的博客
12-30 1727
MuJoCo 是一个免费开源的物理引擎，旨在促进机器人、生物力学、图形和动画以及其他需要快速精确模拟的领域的研究和开发。MuJoCo 是 Multi-Joint dynamics with Contact 的缩写。它是（刚体）模拟器我个人认为，（适当的）模拟器包括。
MuJoCo Playground 人形机器人强化学习入门教程（一）
最新发布
weixin_46300916的博客
04-19 2342
我们按照文献[50, 25]中的方法实现了操纵杆运动任务，其中指令由三个值指定，分别表示所需的前进速度、横向速度和机器人根部身体的转动速度。此外，我们还为倒立和脚立式任务设计了策略，在这些任务中，机器人分别用前肢或后肢保持平衡，同时最大限度地减小致动器扭矩。在跌倒恢复方面，我们遵循了文献[30, 58]，使机器人能够从任意的跌倒姿态恢复到稳定的 “原点 ”姿态。我们执行的操纵杆运动任务与四足动物环境中的相同。
Python-MuJoCo使用MuJoCo引擎开源一个用于机器人仿真的高性能Python库
08-11
MuJoCo 使用MuJoCo引擎开源一个用于机器人仿真的高性能Python库。mujoco-py能够从Python 3中使用MuJoCo。
Mujoco 基本教程
upr_rom的博客
12-22 1万+
Mujoco 建模教程 + Mujoco_py构建环境
Mujoco 操作面板介绍
MakeYouClimax的博客
06-29 2550
加载模型帮助面板 F1字体大小调整 200% 300% Font。
MuJoCo 入门教程（二）
weixin_46300916的博客
04-18 2676
本章介绍 MuJoCo 的数学和算法基础。对于熟悉广义或关节坐标建模和仿真的读者来说，整体框架是相当标准的。因此，我们将对这些材料进行简要总结。本章的大部分篇幅用于介绍我们如何处理接触和其他约束条件。这种方法是基于我们最近的研究，也是 MuJoCo 所独有的，因此我们花时间对其进行了详细的激励和解释。更多信息可参见下面的论文，尽管本章中的一些技术思想是新的，在其他地方还没有描述过。
MuJoCo 入门教程（一）
weixin_46300916的博客
04-02 7250
在 MuJoCo 仿真中输入自定义数字有三种方法。首先，可在 XML 中定义全局数字字段。它们有一个名称和一个实数值数组。其次，可以通过特定元素的自定义数组来扩展某些模型元素的定义。具体方法是在 XML 元素大小中设置 nuser_XXX 属性。第三，数组 mjData.userdata 不用于任何 MuJoCo 计算。用户可以在这里存储自定义计算的结果；请记住，所有随时间变化的内容都应存储在 mjData 中，而不是 mjModel 中。自定义文本字段可以保存在模型中。
Mujoco基本情况介绍
逐日者
02-10 9947
基本情况 Mujoco是一个跨平台的机器人建模软件。 官方的介绍是这样的： MuJoCo is a physics engine that aims to facilitate research and development in robotics, biomechanics, graphics and animation, and other areas where fast and accurate simulation is needed. 不同于webots的1G多的大小，Mujoco windo
MuJoCo 入门教程（四）建模
weixin_46300916的博客
05-01 3076
在 MJCF 中，一个体可以包含多个关节，因此无需引入虚拟体来创建复合关节。相反，只需在同一主体中定义构成所需复合关节的所有原始关节即可。例如，可以使用两个滑块和一个铰链来模拟在平面内运动的肢体。其他 MJCF 元素可以在嵌套的主体元素所创建的树中定义，特别是关节、几何体、场地、摄像机、灯光。当一个元素被定义在一个肢体内时，它就固定在该肢体的局部坐标系上，并始终随其移动。涉及多个机构或根本不涉及机构的元素，将在运动树之外的单独部分中定义。
【mujoco（ DeepMind ）】入门学习记录1
Doudou_Nai的博客
09-14 2869
mujoco deepmind快速上手，学习记录。
MuJoCo 入门教程（五）Python 绑定
weixin_46300916的博客
04-08 1998
本笔记本提供了使用本地 Python 绑定的 MuJoCo 物理入门教程。版权声明DeepMind Technologies Limited 2022 年版权所有。根据 Apache License 2.0 版（以下简称 "许可协议"）授权；除非遵守许可协议，否则不得使用本文件。您可从 http://www.apache.org/licenses/LICENSE-2.0 获取许可证副本。除非适用法律要求或书面同意，否则根据许可协议分发的软件均按 "原样 "分发，不附带任何明示或暗示的保证或条件。
Mujoco
02-12
超现实机器人套件 最新更新 [03/08/2020]添加了新的来调整相机的姿势 :camera: [02/08/2020]使用Franka Emika的臂添加了模型和环境 :panda_face: [12/10/2019]在我们的v0.3.0版本中迁移到MuJoCo 2.0（通过安装） :party_popper: 超现实机器人套件是由支持的可复制和模拟基准，用于可重复的机器人研究。 当前版本专注于机器人操纵的强化学习。 该库旨在与平滑地互操作。 强化学习一直是机器人技术中强大而通用的工具。 强化学习与深度神经网络（即深度强化学习（DRL））相结合，已在各种机器人控制问题中取得了令人兴奋的成功。 但是，DRL和机器人技术中可再现性和可复制性的挑战削弱了研究进展。 我们的目标是提供一组易于访问的基准测试任务，以促进公正，严格的评估并增进我们对新方法的理解。 该框架最初于2017年底由（SVL）的研究人员开发，作为机器人学习研究的内部工具。
MuJoCo安装与使用指南
gitblog_00342的博客
08-08 2144
MuJoCo安装与使用指南 项目地址:https://gitcode.com/gh_mirrors/mu/mujoco 项目介绍 MuJoCo（Multi-Joint dynamics with Contact）是一款高级多体动力学模拟器，由Roboti LLC开发并被DeepMind于2021年收购，现作为Apache 2.0许可下的开源项目在GitHub上托管。这款物理引擎专为促进机器人技术...
Ubantu 20.04 安装 Mujoco210、mujoco-py、gym及报错解决
Wuwj的博客
07-23 4031
的解决方案，因为我每次都是直接点击桌面图标进入pycharm，好像并没有解决问题，尝试了一下从终端进入，瞬间就好起来了！解决方案3： 关闭pycharm和终端，找到pycharm.sh所在位置，右键然后选择在终端打开，然后输入。在pycharm中新建一个python文件并使用前面刚刚创建的环境（ttmujoco）解决方案2：右键选择“修改运行配置” ，在环境变量这里把提示你少的这个环境变量加进去。找到刚刚下载的压缩包所在位置（一般在下载目录下），右键选择 在终端打开。确保在刚刚创建的虚拟环境中，输入。
强化学习：MuJoCo机器人强化学习仿真入门（1）
热门推荐
qq_54900679的博客
01-22 1万+
强化学习：MuJoCo机器人强化学习仿真入门（1）
Mujoco仿真【xml文件的学习 1】
qq_54900679的博客
05-16 3256
Mujoco仿真【xml文件的学习 1】
MuJoCo安装教程
weixin_46509574的博客
12-12 2020
1. 首先打开官网，下载安装包：Download (roboti.us) 这里选择的是mujoco200 win64，下载完安装包之后进行解压。 2. 点击如下链接：License (roboti.us)，进入后点击Activation key，根据这个链接下载文件mikey.txt。 3. 打开home根目录，这里是：C:\Users\001，然后输出cmd，通过命令行新建文件夹，即： mkdir -f .mujoco 4. 将第一步解压后的文件包放在这里的.mujoco文件夹下。 5. 将
mujoco安装教程
weixin_42106556的博客
09-04 1153
mujoco安装教程
mujoco 速度控制
02-28
<think>好的，我现在需要向用户介绍MuJoCo中的速度控制。首先，我得回忆一下MuJoCo的基本知识。MuJoCo是一个物理引擎，主要用于机器人、生物力学等领域的仿真。速度控制应该是指如何控制模型中的关节或执行器的速度。 首先，我应该明确MuJoCo中的执行器类型。记得MuJoCo支持多种执行器，比如力矩电机、位置伺服、速度伺服等。速度控制可能涉及到使用速度伺服（velocity servo）类型的执行器。用户可能想知道如何在XML模型中配置这些执行器，以及如何在仿真过程中控制它们。 接下来，需要解释如何在模型文件中设置速度控制。比如，在XML的<actuator>部分，使用velctrl类型的执行器，并指定对应的关节。可能需要给出一个简单的例子，比如： <actuator> <velocity name="motor1" joint="joint1"/> </actuator> 然后，运行时如何设置目标速度。通常是通过mjModel的actuator_gear或直接设置ctrl数组。在代码中，用户可能在每个仿真步设置mju_data->ctrl[i] = target_velocity。这里可能需要提到ctrl数组的作用，以及如何将其映射到对应的执行器。 另外，可能需要讨论速度控制的稳定性问题。因为纯速度控制如果没有适当的阻尼或积分项，可能会导致系统振荡或不稳定。MuJoCo的执行器参数，如增益和阻尼，可能需要调整。例如，设置kp和kv参数，或者使用PID控制来改善响应。 还要考虑与其他控制方式的对比，比如位置控制或力矩控制。速度控制常用于需要恒定速度的场景，比如轮式机器人的驱动。但需要指出其优缺点，比如对干扰的响应可能不如力矩控制直接。 用户可能想知道实际应用中的例子，比如如何让一个关节以特定速度旋转，或者如何实现基于速度的闭环控制。这时候可能需要结合代码片段和模型定义的例子，说明整个流程。 最后，应该提醒用户注意仿真步长和积分器参数对速度控制的影响。过大的步长可能导致数值不稳定，需要适当调整仿真参数以保证控制的准确性。 总结一下，我需要分步骤介绍MuJoCo中速度控制的配置方法、运行时控制方式、参数调整以及实际应用注意事项，确保用户能够理解并正确实施速度控制策略。</think>MuJoCo中的速度控制是实现关节或执行器匀速运动的核心机制。以下是关键要点分步说明： 1. **模型定义阶段** ```xml <actuator> <!-- 定义速度型执行器 --> <velocity name="motor_hip" joint="hip_joint" kv="20"/> <velocity name="motor_knee" joint="knee_joint" kv="15"/> </actuator> ``` *kv*参数表示速度增益，影响响应速度。值越大跟踪速度指令越快速，但也可能引发振荡。 2. **控制信号设置** 在仿真循环中通过`mjData.ctrl`数组赋值： ```python data.ctrl[0] = 1.5 # 设置hip关节目标速度为1.5 rad/s data.ctrl[1] = -0.8 # 设置knee关节目标速度为-0.8 rad/s ``` 每个索引对应<actuator>中定义的执行器顺序。 3. **动力学原理 MuJoCo根据公式计算所需力矩： $$ \tau = kv \times (v_{target} - v_{actual}) $$ 其中$v_{target}$为设定速度，$v_{actual}$为当前实际速度 4. **参数整定技巧 - 初始测试时从较小kv值开始（如10） - 观察响应曲线，逐步增加kv直到出现超调 - 添加阻尼项：在joint定义中设置`damping="0.1"` - 典型调整范围：kv=10~100，damping=0.01~1.0 5. **混合控制示例 ```xml <!-- 带前馈力矩的速度控制 --> <actuator> <velocity name="wheel_motor" joint="wheel" kv="50" biasprm="0 0 100"/> </actuator> ``` `biasprm`提供恒定前馈力矩（100 N·m），适用于需要克服恒定负载的场景 6. **实时调试建议 - 使用`mjVISUALIZE_CTRL`可视化控制信号 - 监控`mjData.qvel`获取实际关节速度 - 当出现高频振荡时，降低仿真步长（如从5ms改为2ms） 典型应用场景：轮式机器人驱动、传送带控制、恒速旋转机械等需要精确速度维持的系统。注意纯速度控制在冲击载荷下可能出现速度波动，需结合阻抗控制增强鲁棒性。
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

打赏作者

千年奇葩

从来没受过打赏，这玩意好吃吗？

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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