• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于圖像識別與動力學融合的路面附著系數(shù)估計方法

    2023-07-31 04:23:56關(guān)可人丁曉林郭鵬宇王震坡孫逢春
    汽車工程 2023年7期
    關(guān)鍵詞:圖像識別輪胎語義

    張 雷,關(guān)可人,丁曉林,郭鵬宇,王震坡,孫逢春

    (1.北京理工大學,北京電動車輛協(xié)同創(chuàng)新中心,北京 100081;2.北京理工大學,電動車輛國家工程研究中心,北京 100081)

    前言

    隨著汽車電子技術(shù)的快速發(fā)展,車輛主動安全控制系統(tǒng)逐漸在量產(chǎn)車型上普及應(yīng)用,有效提高了車輛安全性。路面附著系數(shù)是車輛主動安全控制系統(tǒng)的關(guān)鍵參數(shù),其準確、快速估計可有效提升車輛安全性。

    圍繞路面附著系數(shù)估計,現(xiàn)有研究主要分為實驗法、模型法與融合法3 類[1-2]。實驗法利用聲波[3]、紅外[4]、攝像頭[5-9]、雷達[10-11]等傳感器辨識路面狀態(tài),在此基礎(chǔ)上進一步估計路面附著系數(shù)。隨著計算機視覺技術(shù)的迅速發(fā)展,有學者將圖像識別與分割技術(shù)應(yīng)用于路面狀態(tài)識別。圖像識別法通常是從車載攝像頭或路端監(jiān)控攝像頭獲取道路圖像,通過預訓練的分類器識別路面類型,再通過查表等方法將路面類型對應(yīng)的路面附著系數(shù)經(jīng)驗值作為估計結(jié)果。圖像識別法主要包括機器學習法和深度學習法。機器學習法通過人工提取RGB 值、紋理、灰度等圖片特征,使用支持向量機、K 最鄰近、貝葉斯分類器等識別路面類型[5-6],但該方法存在人為設(shè)計特征復雜、泛化能力差等缺點。為克服上述弊端,深度學習方法利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)樣本特征自動提取與自適應(yīng)學習,已廣泛應(yīng)用于路面類型識別。例如,王海等[7]利用語義分割網(wǎng)絡(luò)Res-UNet++分割出路面的積水和濕滑區(qū)域,取得了平均交并比為90.07%的分割精度。等[8]設(shè)計了一種深度卷積神經(jīng)網(wǎng)絡(luò),對干濕瀝青、干濕鵝卵石、干濕碎石等6 種路面類型的辨識準確率達88.8%。Nolte等[9]對比了ResNet50 和InceptionNetV3 兩種深度卷積神經(jīng)網(wǎng)絡(luò)在6 種典型路面多數(shù)據(jù)集上的識別效果,結(jié)果表明,Resnet50 相對于InceptionNetV3 具備更強的分類能力。還有學者通過分析輪胎噪聲[12]、胎面形變[13]、車輪振動[14]等參數(shù)估計路面附著系數(shù),但這類方法對傳感器要求高,且受周圍環(huán)境影響大。

    模型法通過建立與路面附著系數(shù)相關(guān)的車輛動力學模型,并結(jié)合狀態(tài)觀測器設(shè)計實現(xiàn)路面附著系數(shù)估計?,F(xiàn)有研究主要聚焦于通過輪胎或車輛動力學響應(yīng)特性實現(xiàn)路面附著系數(shù)估計。在輪胎動力學方面,有學者提出利用縱向輪胎模型激勵特征,如μ-s曲線小滑移率區(qū)間斜率[15]、變化率[16]或Burckhardt模型參數(shù)[17]等進行路面附著系數(shù)估計。但受限于輪胎滑動率噪聲、環(huán)境干擾等影響,該類方法在估計精度、可靠性等方面仍有待提升。在整車動力學方面,主要利用車輛動力學響應(yīng)特性與路面附著系數(shù)的關(guān)聯(lián)關(guān)系構(gòu)建狀態(tài)觀測器,實現(xiàn)路面附著系數(shù)估計[18-21]。常見的狀態(tài)觀測器包括卡爾曼濾波[18]、無跡卡爾曼濾波[19]、容積卡爾曼濾波[20]、模糊自適應(yīng)融合估計器[21]等。

    實驗法僅能確定路面類型而無法準確獲得路面附著系數(shù)值,估計效果易受環(huán)境影響;模型法存在時間滯后問題,且僅在輪胎處于大滑動區(qū)間時才具有較高估計精度。為進一步提升附著系數(shù)估計效果,有學者提出了基于多方法融合的路面附著系數(shù)估計方法。例如,王世峰等[22]綜合不同路面的加速度信號特征與路面圖像紋理特征,通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)了不同路面類型識別,但該方法未發(fā)揮利用圖像識別實現(xiàn)路面附著系數(shù)預測的優(yōu)勢。Leng 等[23]和熊璐等[24]考慮路面類型映射經(jīng)驗值與真實值間的差異,構(gòu)造了基于擾動觀測的路面附著系數(shù)估計器。庹文坤[25]利用圖像識別結(jié)果修正基于動力學方法的路面附著系數(shù)估計結(jié)果。但上述兩種估計方法高度依賴于估計器增益設(shè)計,且未考慮圖像識別錯誤等異常情況的影響。Leng 等[26]提出了一種綜合數(shù)據(jù)級、模型級和決策級的融合規(guī)則,考慮到輪胎小滑移率和小側(cè)偏時動力學估計結(jié)果不可靠,提出了基于圖像識別的動力學估計器啟停機制,根據(jù)圖像識別結(jié)果自校正動力學估計器參數(shù),但該方法同樣未考慮圖像識別結(jié)果不準確的情況。脫王捷[27]分別建立了基于圖像識別和基于動力學的路面附著系數(shù)估計器,提出了基于前方路面變化的融合機制。劉惠[28]提出了視覺與動力學信息時空同步機制,基于不同路面類型對應(yīng)的附著系數(shù)范圍,采用概率密度函數(shù)截斷法約束了基于動力學路面附著系數(shù)估計方法的估計值范圍。何中正[29]綜合利用路端三維相機、車載攝像頭以及車輛動力學狀態(tài)等多源信息,提出了“三選一”的路面附著系數(shù)融合估計機制,實現(xiàn)車輛小激勵工況下的附著系數(shù)估計。

    綜上所述,現(xiàn)有的路面附著系數(shù)估計方法尚未充分發(fā)揮圖像識別和動力學估計方法的性能優(yōu)勢,存在融合邏輯簡單、適用工況有限等問題。由于四輪輪轂電機驅(qū)動電動汽車的車輪轉(zhuǎn)矩、轉(zhuǎn)速等信息可實時獲取,本文中提出了一種圖像識別與動力學融合的路面附著系數(shù)估計方法(圖1)。首先,基于單輪動力學模型估計輪胎縱向力,結(jié)合魔術(shù)輪胎模型,構(gòu)建了基于粒子濾波的路面附著系數(shù)估計器;其次,建立基于圖像識別的路面附著系數(shù)預測方法;針對結(jié)構(gòu)化道路干燥、潮濕、冰雪3 種狀態(tài),通過DeeplabV3+語義分割網(wǎng)絡(luò)分割道路,再利用MobileNetV2 輕量化卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)路面類型辨識,并通過查表獲取前向路面附著系數(shù);最后,建立圖像識別與動力學估計時空同步方法與融合策略,實現(xiàn)了兩種估計器的有效關(guān)聯(lián)和可靠融合。

    圖1 圖像識別與動力學融合的路面附著系數(shù)估計方法

    1 基于車輛動力學的路面附著系數(shù)估計

    基于車輛動力學的路面附著系數(shù)估計方法,其主要思路是根據(jù)輪胎力學響應(yīng)特性設(shè)計路面附著系數(shù)觀測器。因此,首先需要實時準確估計輪胎力。

    1.1 輪胎模型

    為精準表征輪胎力學特性,采用摩擦相似原理修正魔術(shù)輪胎公式[30],表示為

    式中:Fx(x)為輪胎縱向力;μ為實際路面附著系數(shù);s為輪胎滑移率;B、C、D和E分別表示輪胎力學特性曲線的剛度因子、形狀因子、峰值因子和曲率因子;Sh和Sv分別為輪胎力曲線相對于原點的水平偏移和縱向偏移,本文取0。

    1.2 輪胎縱向力估計

    由于可實時精確獲取4 個車輪的轉(zhuǎn)速和轉(zhuǎn)矩,因此,通過建立單輪動力學模型并利用卡爾曼濾波算法可實現(xiàn)對車輪縱向力的準確估計。

    如圖2所示,單輪動力學模型可表示為

    圖2 單輪動力學模型

    式中:Jw為車輪轉(zhuǎn)動慣量;ωw為車輪旋轉(zhuǎn)角速度;Tm為作用于車輪的驅(qū)動或制動力矩;Rw為車輪滾動半徑;Fx為輪胎縱向力。

    式(2)的離散狀態(tài)空間方程為

    式中:k表示離散時刻;x=[ωw,F(xiàn)x]T為狀態(tài)變量;z=ωw為觀測變量;u=Tm為控制量;w與v分別表示服從正態(tài)分布N(0,Q)的過程噪聲和服從正態(tài)分布N(0,R)的觀測噪聲。狀態(tài)矩陣A、控制矩陣B與觀測矩陣H分別為

    式中ts為離散采樣時間。

    卡爾曼濾波的基本流程如下。

    步驟 1:根據(jù)上一時刻狀態(tài)量及過程噪聲計算先驗估計值,可表示為

    步驟 2:計算卡爾曼增益,可表示為

    步驟 3:對先驗估計進行校正,可表示為

    步驟 4:獲得由k-1 時刻到k時刻狀態(tài)量的最優(yōu)估計值重復步驟 1-步驟 4。

    1.3 粒子濾波算法原理

    粒子濾波算法采用蒙特卡洛模擬實現(xiàn)貝葉斯濾波,其基本原理為:隨機抽樣生成一組粒子集合,一個粒子代表一個樣本;計算觀測值與測量值之差,通過不斷更新粒子權(quán)重使粒子分布逐漸貼近后驗概率分布;計算樣本均值近似為積分計算以減小運算量。由于路面附著系數(shù)與輪胎力之間呈非線性關(guān)系,因此,粒子濾波算法適用于路面附著系數(shù)估計。

    非線性系統(tǒng)的后驗分布概率密度函數(shù)復雜,難以對其采樣。因此,間接對一個已知且易采樣的重要性函數(shù)進行采樣,通過計算后驗分布概率密度函數(shù)與重要性函數(shù)的比值獲得重要性函數(shù)與后驗分布概率密度函數(shù)的接近程度,將該值作為粒子權(quán)重使符合重要性函數(shù)分布的粒子集接近后驗分布。

    經(jīng)過多次迭代后,估計器的少數(shù)粒子權(quán)重增大,多數(shù)粒子權(quán)重減小,權(quán)重方差增大,粒子多樣性減弱,導致粒子濾波結(jié)果出現(xiàn)偏差,形成粒子退化現(xiàn)象。為解決粒子退化問題,采用系統(tǒng)重采樣方法(system resampling,SR)[31],首先由均勻分布U(0,1]生成隨機數(shù)在此基礎(chǔ)上生成隨機數(shù)組:

    重新平均分配新粒子權(quán)重得到新的粒子集合為

    1.4 路面附著系數(shù)估計器

    假設(shè)路面附著系數(shù)短時間內(nèi)不發(fā)生劇烈變化,則狀態(tài)空間方程可表示為

    式中:x=[μfl,μfr,μrl,μrr]T為狀態(tài)矢量,其中,fl、fr、rl、rr分別表示左前輪、右前輪、左后輪、右后輪;z=[Fxfl,F(xiàn)xfr,F(xiàn)xrl,F(xiàn)xrr,ax]T為觀測矢量。

    狀態(tài)轉(zhuǎn)移方程表示為

    觀測方程為車輛縱向運動方程和縱向工況魔術(shù)輪胎模型,表示為

    式中:m為整車質(zhì)量;ax為由慣性元件測得的車輛縱向加速度;δf為前輪轉(zhuǎn)角。

    (3)圖像數(shù)據(jù)在服務(wù)器上的上傳和下載過程都在服務(wù)器端完成,這種設(shè)計增加了服務(wù)器端的負擔,影響了針對數(shù)據(jù)倉庫的上傳、檢索和下載速度。

    以單個車輪為例,粒子濾波算法流程如下。

    步驟 1:初始化粒子數(shù)N、過程噪聲w、觀測噪聲v,基于圖像識別法預測的路面附著系數(shù)值確定初始粒子集合X(0);

    步驟 2:根據(jù)k-1 時刻的粒子集合X(k-1)中的每個粒子,由狀態(tài)轉(zhuǎn)移方程計算得到k時刻路面附著系數(shù)的先驗估計值:

    式中下標j=1,2,3,…,N表示第j個粒子。

    以后驗分布概率密度函數(shù)p(·)與重要性函數(shù)π(·)的比值作為粒子權(quán)重,即

    粒子權(quán)重歸一化后的粒子權(quán)重可表示為

    k時刻路面附著系數(shù)的后驗估計為

    步驟4:代入式(8)-式(10)進行重采樣,得到新的粒子集合及其權(quán)重,代入下一次循環(huán),重復步驟 2-步驟 4。

    2 基于圖像識別的路面附著系數(shù)預測

    基于圖像識別的路面附著系數(shù)預測包括離線訓練和在線辨識兩部分。對于離線訓練,首先訓練語義分割網(wǎng)絡(luò),利用訓練后獲得的語義分割模型將原始數(shù)據(jù)集轉(zhuǎn)化為僅保留路面區(qū)域的新數(shù)據(jù)集,再基于新數(shù)據(jù)集訓練分類神經(jīng)網(wǎng)絡(luò)。對于在線辨識,先后利用訓練好的DeeplabV3+網(wǎng)絡(luò)和MobileNetV2 網(wǎng)絡(luò)對采集圖像進行路面區(qū)域分割和分類。

    2.1 路面區(qū)域語義分割

    語義分割可通過像素分類提取圖像重要信息,目前已廣泛應(yīng)用于醫(yī)療診斷、自動駕駛等領(lǐng)域。為減小背景因素對分類的影響,首先通過語義分割劃分路面區(qū)域。谷歌提出了Deeplab 系列語義分割網(wǎng)絡(luò),其中DeeplabV3+[32]在分割精度等方面具有較好性能。本文采用DeeplabV3+實現(xiàn)路面語義分割,同時考慮模型計算速度和分割性能,將骨干網(wǎng)絡(luò)Xception 替換為MobileNetV2[33]輕量化卷積神經(jīng)網(wǎng)絡(luò),DeeplabV3+采用編碼-解碼結(jié)構(gòu),具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。編碼器首先經(jīng)過骨干網(wǎng)絡(luò)提取低維特征圖,然后由空洞空間金字塔池化(atrous spatial pyramid pooling,ASPP)提取多尺度特征信息。1×1卷積提取細致的特征信息,不同空洞率的3×3 空洞卷積提取不同大小感受野的信息,全局平均池化提取全局信息。解碼器部分由低維特征圖與4 倍上采樣的高維特征圖級聯(lián),融合空間信息與通道信息以提高語義分割性能。最后,通過3×3卷積和4倍上采樣得到最終預測結(jié)果。

    圖3 DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)

    2.2 路面類型識別

    作為深度學習的重要分支,卷積神經(jīng)網(wǎng)絡(luò)已先后發(fā)展出LeNet[34]、AlexNet[35]、VGGNet[36]、ResNet[37]、MobileNet[33,38-39]、ShuffleNet[40-41]等網(wǎng)絡(luò)。相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),MobileNet 和ShuffleNet 等輕量化神經(jīng)網(wǎng)絡(luò)具備較小的模型參數(shù)計算量,適用于移動端部署。車輛高速行駛工況對模型計算效率要求高,且車載控制系統(tǒng)算力有限,綜合考慮分類準確性、模型大小、計算效率等因素,選用MobileNetV2 輕量化神經(jīng)網(wǎng)絡(luò)作為分類網(wǎng)絡(luò)。

    MobileNetV2 采用深度可分離卷積[35]。首先,特征圖的每個通道僅與一個卷積核進行卷積運算,得到的特征圖個數(shù)與通道數(shù)C一致;然后對新特征圖采用N個1×1×C大小的卷積核進行卷積運算;最后得到與卷積核個數(shù)一致的N個特征圖。深度可分離卷積操作可有效減少參數(shù)計算量。MobileNetv2 在此基礎(chǔ)上加入倒殘差結(jié)構(gòu)和線性瓶頸模塊。倒殘差結(jié)構(gòu)將先降維再升維的殘差結(jié)構(gòu)[37]調(diào)整為先升維再降維,先升維可豐富特征數(shù)量以提高模型精度。由于ReLU 激活函數(shù)將非正的輸入特征置0 而導致大量信息丟失,因此,瓶頸模塊采用線性激活函數(shù)可有效減少信息丟失。MobileNetV2 網(wǎng)絡(luò)結(jié)構(gòu)見表1,表中:Bottleneck 代表倒殘差的線性瓶頸模塊;Conv2d代表二維卷積,未特殊標注的卷積均為3×3 卷積;Avgpool代表平均池化;k代表類別數(shù)。

    表1 MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)

    2.3 路面類型與路面附著系數(shù)對照表

    由GA/T 643—2006[42]和《汽車理論》[43]獲得路面類型-路面附著系數(shù)對應(yīng)關(guān)系,詳見表2。

    表2 路面類型-路面附著系數(shù)對照表

    2.4 訓練與驗證

    本文采用多個公開數(shù)據(jù)集[44-46]、網(wǎng)絡(luò)圖片和人工拍攝照片作為數(shù)據(jù)集,圖片來源均為車輛前置攝像頭,共計4 254 張。其中,訓練集與驗證集的比例為9∶1。

    受限于計算資源,單次可訓練的圖片數(shù)量較少,從0 開始訓練得到的模型精確度較低。因此,本文采用遷移學習方法,在已訓練模型基礎(chǔ)上針對分類任務(wù)重新訓練模型,可以提高模型精度、縮短訓練時長。本文使用的具體軟件及硬件配置見表3。

    表3 軟硬件配置

    2.4.1 語義分割網(wǎng)絡(luò)訓練

    首先凍結(jié)骨干網(wǎng)絡(luò),僅訓練骨干網(wǎng)絡(luò)以外的參數(shù),骨干網(wǎng)絡(luò)部分采用已經(jīng)訓練好的模型參數(shù)。經(jīng)過多次凍結(jié)訓練,再對骨干網(wǎng)絡(luò)解凍,訓練整個網(wǎng)絡(luò)。該訓練方法可在獲得較好模型訓練效果的同時減小內(nèi)存占用。凍結(jié)訓練次數(shù)設(shè)置為epoch_freeze=50,解凍訓練次數(shù)設(shè)置為epoch_unfreeze=50,采用SGD 優(yōu)化器,設(shè)置余弦退火學習率,初始學習率lr=0.007,下采樣倍率=16,batch_size=16。

    RGB是一種顏色標準,在語義分割中,不同類別區(qū)域被賦予不同RGB 值。首先,根據(jù)目標提取區(qū)域RGB值查找語義分割結(jié)果圖的3個通道R、G、B中相同的值,值相同的像素點賦為1,其它像素點賦0;然后,將得到3 個掩膜拼接,保留3 個掩膜值都為1 的像素點,其余像素點賦值0;最后,通過掩膜與原圖矩陣運算即可提取原圖中的目標區(qū)域。本文僅包括背景和路面兩類語義分割對象,將生成掩膜過程簡化為對語義分割結(jié)果圖的灰度化處理,得到的灰度圖僅有兩個值:背景區(qū)域灰度值為0,路面區(qū)域灰度值為90。值為90 的像素點賦1,得到背景為0、路面為1 的掩膜,再通過掩膜與原圖矩陣運算提取路面區(qū)域。

    分割和提取結(jié)果見圖4。語義分割通常采用平均交并比作為評價指標,此訓練模型在驗證集上的平均交并比miou=87.41%,表明模型精度較高。

    圖4 路面區(qū)域語義分割結(jié)果

    2.4.2 分類網(wǎng)絡(luò)訓練

    MobileNetV2遷移學習流程見圖5。為保證各類別樣本均衡,從語義分割提取路面結(jié)果中選取瀝青路面的干燥、潮濕、冰雪3 種狀態(tài)圖片各1 100 張,共計3 300張。導入MobileNetV2網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上訓練的參數(shù),在此基礎(chǔ)上僅對網(wǎng)絡(luò)微調(diào)訓練。將圖片壓縮至像素為224×224,batch size=32,訓練次數(shù)設(shè)置為epoch=100,采用Adam優(yōu)化器,學習率lr=0.0001。此模型在驗證集上的分類準確率為92.90%。

    圖5 MobileNetV2遷移訓練流程圖

    3 融合估計策略

    3.1 時空同步

    車載前置攝像頭可通過拍攝車輛前向道路實現(xiàn)路面附著預測,而車輛動力學估計方法僅能估計車輛當下路面附著系數(shù),首先須將兩種方法估計結(jié)果進行時間和空間匹配。攝像頭采樣頻率為30 Hz,GPS 采樣頻率為20 Hz,慣導采樣頻率為100 Hz,以20 Hz頻率進行采樣。

    由于基于圖像識別的路面附著系數(shù)預測是對整車未來行駛區(qū)域的路面條件的辨識,不針對單個車輪,在時空同步中可將車輛近似為質(zhì)點進行分析。如圖6所示,lr為攝像頭拍攝范圍,ln為車輛質(zhì)心到拍攝范圍最小距離。在xik(k=1,2,…,N)點攝像頭獲取前方路面信息;在xd點獲取車輛動力學響應(yīng)信息。xi1-xiN區(qū)間內(nèi)攝像頭獲取的路面信息均包含xd點。攝像頭采集圖像須經(jīng)過語義分割和卷積神經(jīng)網(wǎng)絡(luò)處理,設(shè)運算時間為timage,則經(jīng)過timage后車輛由xik移動到,須保證不超過xd。因此,能夠與xd處車輛動力學算法融合的攝像頭拍攝點應(yīng)滿足:

    圖6 時空同步示意圖

    選取xi1-xiN區(qū)間所有圖像識結(jié)果中出現(xiàn)頻率最高的路面類型作為最終圖像識別結(jié)果,輸入動力學響應(yīng)處xd,記該類型出現(xiàn)次數(shù)為NMAX,則分類概率為P=NMAX/N。設(shè)置圖像識別法置信度Pc,當某類型路面出現(xiàn)頻率高于Pc時才將該路面類型作為圖像識別的最終結(jié)果,本文圖像識別法置信度取值為80%。

    3.2 融合機制

    圖像識別法雖可預測路面附著系數(shù),但受外界光照、天氣等影響,且只能根據(jù)識別類型獲得路面附著系數(shù)經(jīng)驗范圍。車輛動力學法具有較高估計精度,但時效性較弱,且在車輛小滑移等工況下難以實現(xiàn)路面附著系數(shù)準確估計。因此,本文結(jié)合兩種算法的優(yōu)勢,提出基于圖像識別與基于動力學的路面附著系數(shù)估計方法融合機制,具體流程如圖7所示。

    圖7 基于圖像識別和基于動力學的路面附著系數(shù)估計融合機制流程圖

    (1)當P≥Pc時,圖像識別結(jié)果可信,查表得到路面類型對應(yīng)的路面附著系數(shù)范圍[a,b],預測值為μi=(a+b)/2,作為基于動力學的粒子濾波估計器初始值。判斷μd是否在區(qū)間[a,b]之間;若μd位于區(qū)間[a,b],則動力學估計準確,以動力學估計值μd作為最終μ估計值;相反,以圖像法預測結(jié)果μi作為最終μ估計值。

    (2)當P<Pc時,此時圖像預測結(jié)果不可信,則須判斷基于動力學的估計結(jié)果是否可信。以縱向加速度的觀測值與傳感器測量值之差err作為判斷依據(jù),若err≤Ec則基于動力學的估計準確,以動力學估計值μd作為最終μ估計值;否則保持上一時刻估計值不變。

    4 仿真

    通過CarSim-Simulink 聯(lián)合仿真驗證所提的融合估計方法的有效性。選擇CarSim 中B級轎車作為實驗原型車,車輛參數(shù)見表4。為更好檢驗本文方法對路面附著變化的魯棒性,仿真道路工況設(shè)置為對接路面。假設(shè)圖像法識別的路面類型準確并將其作為已知條件。

    表4 車輛模型參數(shù)

    對接路面1 如圖8 所示,設(shè)置為0-40 m 冰雪路面、40-80 m 潮濕瀝青路面,相應(yīng)圖像法預測路面附著系數(shù)為0.275 和0.525,設(shè)定路面附著系數(shù)為0.3和0.5。初始車速設(shè)為40 km/h,采用開環(huán)節(jié)氣門控制,0-3 s 內(nèi)節(jié)氣門開度在0.2-0.5 區(qū)間波動,3-5 s節(jié)氣門開度在0.8-1.0 區(qū)間波動,車輛縱向車速、縱向加速度和車輪轉(zhuǎn)速、滑移率變化情況如圖9 所示。輪胎縱向力估計結(jié)果如圖10 所示,左前輪、右前輪、左后輪、右后輪輪胎縱向力的均方根估計誤差分別為74.13、83.90、73.18、74.29 N。路面附著系數(shù)估計結(jié)果如圖11 所示,可以看出,在路面狀態(tài)變化位置,基于動力學的附著系數(shù)估計器需要一定的收斂時間,此時估計值存在明顯偏差。因此,通過圖像識別法融合修正該階段估計誤差。僅采用基于動力學的估計方法,左前輪、右前輪、左后輪、右后輪處的路面附著系數(shù)均方根估計誤差分別為0.040 1、0.030 0、0.040 0、0.030 5;基于圖像法與動力學融合方法的均方根估計誤差分別為0.023 9、0.023 6、0.028 6、0.026 0。

    圖8 對接路面1示意圖

    圖9 車輛動力學參數(shù)

    圖11 路面附著系數(shù)估計結(jié)果

    對接路面2 如圖12 所示,設(shè)置為0-40 m 干燥瀝青路面、40-80 m 潮濕瀝青路面、80-120 m 冰雪路面,相應(yīng)圖像法預測路面附著系數(shù)為0.75、0.525和0.275,設(shè)定路面附著系數(shù)為0.7、0.5 和0.3。測試車輛初始車速設(shè)為120 km/h,制動輪缸壓力0-3 s為3 MPa,3-5 s 為2 MPa,車輛縱向車速、縱向加速度和車輪轉(zhuǎn)速、滑移率變化如圖13 所示。輪胎縱向力估計結(jié)果和路面附著系數(shù)估計結(jié)果分別如圖14 和圖15 所示,左前輪、右前輪、左后輪、右后輪輪胎縱向力均方根估計誤差分別為88.40、98.06、90.15、89.13 N,而僅采用基于動力學的估計方法,左前輪、右前輪、左后輪、右后輪處的路面附著系數(shù)均方根估計誤差分別為0.068 6、0.065 4、0.066 3、0.064 6;基于圖像法與動力學融合方法的均方根估計誤差分別為0.028 2、0.024 6、0.035 2、0.034 3。

    圖12 對接路面2示意圖

    圖13 車輛動力學參數(shù)

    圖14 輪胎縱向力估計結(jié)果

    圖15 路面附著系數(shù)估計結(jié)果

    在表3 給定的電腦配置下,對每張圖片進行語義分割和分類的總用時為0.3 s,偏差在0.05 s 以內(nèi),攝像頭拍攝范圍為車輛前方15-50 m 范圍[28]。動力學法估計四輪輪胎力和路面附著系數(shù)總用時為0.04 s。高速公路限速為120 km/h,假設(shè)車輛以120 km/h速度行駛,識別每張圖片車輛前行約10 m,x'ik未超過xd,在動力學相應(yīng)點xd能夠獲得5個圖像識別結(jié)果。因此,不同車速下圖像識別均符合時空同步模塊要求,能夠在動力學響應(yīng)點前完成識別,為粒子濾波算法提供參考輸入,本文算法可實現(xiàn)路面參數(shù)的實時估計。

    綜上,本文提出基于圖像識別與動力學融合的估計方法能夠準確估計路面附著系數(shù),相較于單一動力學方法估計精度顯著提升。

    5 結(jié)論

    本文中提出了一種基于圖像法與動力學法融合的路面附著系數(shù)估計方法。首先,基于卡爾曼濾波算法和單輪動力學模型估計輪胎縱向力,利用估計的輪胎縱向力與魔術(shù)輪胎模型建立基于粒子濾波的路面附著系數(shù)估計器。其次,通過輕量化DeeplavV3+語義分割網(wǎng)絡(luò)劃分路面區(qū)域,再通過MobileNetV2卷積神經(jīng)網(wǎng)絡(luò)識別路面類型,查表獲得基于圖像識別的路面附著系數(shù)預估值。最后,建立時空同步體系和融合規(guī)則,實現(xiàn)了兩類路面附著系數(shù)估計結(jié)果的有效關(guān)聯(lián)和可靠融合。CarSim-Simulink 聯(lián)合仿真驗證結(jié)果表明,本文所提出的基于圖像識別與動力學融合的方法有效提高了路面附著系數(shù)估計精度和工況適應(yīng)性。

    猜你喜歡
    圖像識別輪胎語義
    語言與語義
    基于Resnet-50的貓狗圖像識別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識別技術(shù)應(yīng)用探討
    胖瘦自如的輪胎
    童話世界(2019年14期)2019-06-25 10:11:52
    圖像識別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識別在水質(zhì)檢測中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    大輪胎,玩起來
    “上”與“下”語義的不對稱性及其認知闡釋
    輪胎業(yè)未來數(shù)年將現(xiàn)并購潮
    固特異Fuel Max系列新增LHS輪胎
    欧美三级亚洲精品| 国产淫语在线视频| 99久久精品国产国产毛片| 天天躁日日操中文字幕| 这个男人来自地球电影免费观看 | 国语对白做爰xxxⅹ性视频网站| 国产精品人妻久久久影院| 亚洲欧美日韩无卡精品| kizo精华| 91精品国产九色| 99久久综合免费| 最近最新中文字幕免费大全7| 午夜福利网站1000一区二区三区| 欧美人与善性xxx| 九九爱精品视频在线观看| 性色avwww在线观看| 国产精品欧美亚洲77777| av免费在线看不卡| 欧美精品人与动牲交sv欧美| 久久亚洲国产成人精品v| 黄色视频在线播放观看不卡| 国产亚洲最大av| av国产免费在线观看| 中文欧美无线码| 网址你懂的国产日韩在线| 精品亚洲乱码少妇综合久久| 久久精品国产亚洲网站| 丰满迷人的少妇在线观看| 高清av免费在线| 亚洲熟女精品中文字幕| 黑丝袜美女国产一区| 日韩一区二区视频免费看| 晚上一个人看的免费电影| 国产精品久久久久成人av| 日韩强制内射视频| 3wmmmm亚洲av在线观看| 国产精品久久久久久久电影| 另类亚洲欧美激情| 欧美成人午夜免费资源| 乱系列少妇在线播放| 毛片一级片免费看久久久久| 国产男女内射视频| 日本av免费视频播放| 免费av不卡在线播放| 亚洲三级黄色毛片| 欧美3d第一页| 亚洲va在线va天堂va国产| 亚洲国产精品一区三区| 国产成人91sexporn| 国产精品国产三级专区第一集| 网址你懂的国产日韩在线| 99久久精品一区二区三区| 免费黄网站久久成人精品| 国产 精品1| 91精品伊人久久大香线蕉| 大片电影免费在线观看免费| 26uuu在线亚洲综合色| 亚洲精品aⅴ在线观看| 大香蕉久久网| 亚洲av中文字字幕乱码综合| 中文字幕免费在线视频6| 在线免费十八禁| 日日摸夜夜添夜夜爱| 少妇的逼好多水| 亚洲av成人精品一二三区| 久久久亚洲精品成人影院| 久久久久久久久久久免费av| 男人和女人高潮做爰伦理| 国产成人91sexporn| 国产乱人视频| 精品国产一区二区三区久久久樱花 | 最近最新中文字幕免费大全7| 日韩一区二区视频免费看| 久久精品国产鲁丝片午夜精品| 免费黄色在线免费观看| 一区二区三区免费毛片| 最近手机中文字幕大全| 夜夜骑夜夜射夜夜干| 老司机影院成人| 国产精品99久久99久久久不卡 | 亚洲欧美中文字幕日韩二区| 午夜免费鲁丝| 一本—道久久a久久精品蜜桃钙片| 中文欧美无线码| 寂寞人妻少妇视频99o| 女性生殖器流出的白浆| 人人妻人人看人人澡| av在线老鸭窝| 久久久久精品性色| 国产精品人妻久久久影院| 搡女人真爽免费视频火全软件| 蜜臀久久99精品久久宅男| 寂寞人妻少妇视频99o| 亚洲成色77777| 亚洲国产精品999| 一级毛片aaaaaa免费看小| 国产深夜福利视频在线观看| 欧美xxxx性猛交bbbb| 色婷婷久久久亚洲欧美| 美女福利国产在线 | 欧美精品亚洲一区二区| 丰满少妇做爰视频| 一级毛片久久久久久久久女| 国产成人精品婷婷| 看非洲黑人一级黄片| 久久99蜜桃精品久久| 日韩人妻高清精品专区| 夜夜看夜夜爽夜夜摸| 网址你懂的国产日韩在线| 久久亚洲国产成人精品v| 精品视频人人做人人爽| 精品亚洲成国产av| 97在线人人人人妻| 尤物成人国产欧美一区二区三区| 国产成人a区在线观看| 亚洲欧美日韩东京热| 插逼视频在线观看| 亚洲精品自拍成人| 日本vs欧美在线观看视频 | 又粗又硬又长又爽又黄的视频| 在线观看美女被高潮喷水网站| 乱系列少妇在线播放| 免费黄色在线免费观看| 久久99热6这里只有精品| 六月丁香七月| 少妇人妻精品综合一区二区| 久久久色成人| 夜夜骑夜夜射夜夜干| 女的被弄到高潮叫床怎么办| 国产成人精品一,二区| 亚洲精品乱码久久久v下载方式| 丝瓜视频免费看黄片| 观看免费一级毛片| 热re99久久精品国产66热6| 亚洲精品中文字幕在线视频 | 久久久久久久久大av| 深夜a级毛片| 美女国产视频在线观看| 欧美精品国产亚洲| 久久99热这里只频精品6学生| 精品久久久久久久末码| 熟女人妻精品中文字幕| 麻豆精品久久久久久蜜桃| a级毛色黄片| 国产乱来视频区| 韩国高清视频一区二区三区| 精品99又大又爽又粗少妇毛片| videos熟女内射| 日韩欧美一区视频在线观看 | 亚洲av不卡在线观看| 老师上课跳d突然被开到最大视频| 亚洲丝袜综合中文字幕| 麻豆成人av视频| 午夜视频国产福利| 国产探花极品一区二区| 久久鲁丝午夜福利片| 国产白丝娇喘喷水9色精品| 大陆偷拍与自拍| 亚洲欧美日韩东京热| 人体艺术视频欧美日本| 欧美+日韩+精品| 高清视频免费观看一区二区| 免费大片黄手机在线观看| 在线观看免费日韩欧美大片 | 国产成人freesex在线| 国产极品天堂在线| av一本久久久久| 在线免费十八禁| 久久精品熟女亚洲av麻豆精品| 高清黄色对白视频在线免费看 | 少妇的逼好多水| 男人和女人高潮做爰伦理| 一二三四中文在线观看免费高清| 少妇猛男粗大的猛烈进出视频| 麻豆成人午夜福利视频| 国产深夜福利视频在线观看| 性高湖久久久久久久久免费观看| 永久免费av网站大全| 日本-黄色视频高清免费观看| 日本欧美视频一区| 美女高潮的动态| 亚洲国产精品国产精品| 欧美老熟妇乱子伦牲交| 国产精品久久久久久久电影| 2018国产大陆天天弄谢| 18禁在线播放成人免费| 久久人人爽人人片av| 夜夜爽夜夜爽视频| 女人久久www免费人成看片| 男女下面进入的视频免费午夜| 成人漫画全彩无遮挡| 麻豆精品久久久久久蜜桃| av视频免费观看在线观看| 亚洲激情五月婷婷啪啪| 男女国产视频网站| 99热这里只有是精品在线观看| 中国美白少妇内射xxxbb| 在线观看免费日韩欧美大片 | 国产成人一区二区在线| 91久久精品电影网| a级毛片免费高清观看在线播放| 国产亚洲精品久久久com| 亚洲不卡免费看| 欧美老熟妇乱子伦牲交| 国产欧美亚洲国产| 大话2 男鬼变身卡| 国产精品国产三级国产av玫瑰| 欧美xxxx黑人xx丫x性爽| 日韩一区二区三区影片| 久久婷婷青草| 国产永久视频网站| 精品久久国产蜜桃| 国产精品99久久99久久久不卡 | 在线观看免费视频网站a站| 久久av网站| 久久女婷五月综合色啪小说| 三级国产精品欧美在线观看| freevideosex欧美| 日韩中字成人| 亚洲精品乱久久久久久| 国产亚洲最大av| 91在线精品国自产拍蜜月| 欧美日韩国产mv在线观看视频 | 高清午夜精品一区二区三区| 一级毛片电影观看| 男人狂女人下面高潮的视频| 亚洲av在线观看美女高潮| 美女中出高潮动态图| 国产精品一区二区性色av| 亚洲美女视频黄频| 伦理电影免费视频| 亚洲四区av| 国产精品伦人一区二区| 九九爱精品视频在线观看| 黄色欧美视频在线观看| 日日摸夜夜添夜夜添av毛片| 女人久久www免费人成看片| 久久精品人妻少妇| 中国三级夫妇交换| 欧美一区二区亚洲| 女性被躁到高潮视频| 丝袜脚勾引网站| 91精品国产九色| 丝袜喷水一区| 人妻制服诱惑在线中文字幕| 久久99精品国语久久久| 成人国产麻豆网| 国产成人精品婷婷| 国产综合精华液| 亚洲精品国产av成人精品| 午夜激情福利司机影院| 国产爽快片一区二区三区| 精品久久久噜噜| 人妻一区二区av| 插逼视频在线观看| 亚洲一区二区三区欧美精品| 精品国产三级普通话版| 一本色道久久久久久精品综合| 丰满迷人的少妇在线观看| 亚洲欧美清纯卡通| 妹子高潮喷水视频| 老女人水多毛片| 99国产精品免费福利视频| 精品熟女少妇av免费看| 欧美日韩视频精品一区| 三级国产精品片| 亚洲美女搞黄在线观看| 亚洲av中文字字幕乱码综合| 亚洲成色77777| 亚洲精品久久久久久婷婷小说| 日日撸夜夜添| 超碰av人人做人人爽久久| 国产精品久久久久成人av| 亚洲人成网站在线观看播放| 亚洲真实伦在线观看| 91在线精品国自产拍蜜月| 在线亚洲精品国产二区图片欧美 | 七月丁香在线播放| 色视频在线一区二区三区| 国产老妇伦熟女老妇高清| 国产爽快片一区二区三区| 亚洲人成网站在线观看播放| 国产熟女欧美一区二区| 国产精品无大码| 精品久久久久久久久av| 大片免费播放器 马上看| 建设人人有责人人尽责人人享有的 | 久久久久精品性色| 国产91av在线免费观看| 少妇的逼水好多| 亚洲成人av在线免费| 街头女战士在线观看网站| 久久久久视频综合| 久久6这里有精品| 午夜激情福利司机影院| 乱码一卡2卡4卡精品| 国产探花极品一区二区| 天天躁夜夜躁狠狠久久av| 七月丁香在线播放| 少妇裸体淫交视频免费看高清| 在线免费十八禁| 新久久久久国产一级毛片| 伊人久久精品亚洲午夜| 边亲边吃奶的免费视频| 少妇人妻久久综合中文| 亚洲精品久久午夜乱码| 少妇人妻精品综合一区二区| 亚洲人成网站高清观看| 色综合色国产| 国产精品成人在线| 一级片'在线观看视频| 欧美成人一区二区免费高清观看| 亚洲精品中文字幕在线视频 | av不卡在线播放| 中文字幕免费在线视频6| 国产伦理片在线播放av一区| 成人毛片60女人毛片免费| 日本vs欧美在线观看视频 | 一级a做视频免费观看| 亚洲婷婷狠狠爱综合网| 久久99热6这里只有精品| 午夜免费观看性视频| 插逼视频在线观看| 国产精品av视频在线免费观看| 视频中文字幕在线观看| 国产精品99久久99久久久不卡 | 一个人看视频在线观看www免费| 亚洲av国产av综合av卡| 日本猛色少妇xxxxx猛交久久| 亚洲va在线va天堂va国产| 亚洲精品乱码久久久v下载方式| 伊人久久精品亚洲午夜| 亚洲精品久久久久久婷婷小说| 麻豆国产97在线/欧美| 久久影院123| 精品久久久精品久久久| 最近2019中文字幕mv第一页| 国产精品蜜桃在线观看| 日韩国内少妇激情av| 国产午夜精品久久久久久一区二区三区| 国产人伦9x9x在线观看| 一级a爱视频在线免费观看| 日韩视频在线欧美| 亚洲欧美精品自产自拍| 一本—道久久a久久精品蜜桃钙片| 亚洲成人手机| 国产爽快片一区二区三区| 亚洲国产日韩一区二区| 中文欧美无线码| 久久综合国产亚洲精品| 亚洲精品第二区| 国产又色又爽无遮挡免| 久久久亚洲精品成人影院| 国产精品免费大片| 精品福利观看| 考比视频在线观看| 麻豆av在线久日| 欧美精品av麻豆av| 麻豆乱淫一区二区| 1024香蕉在线观看| 最新的欧美精品一区二区| 国产视频首页在线观看| 欧美成人午夜精品| 亚洲国产精品999| 成年人黄色毛片网站| 国产一区二区 视频在线| 一边摸一边做爽爽视频免费| 国产午夜精品一二区理论片| 亚洲精品日韩在线中文字幕| 国产视频首页在线观看| 黄网站色视频无遮挡免费观看| 久久亚洲国产成人精品v| 国产精品国产三级专区第一集| 精品第一国产精品| 久久精品久久久久久久性| www.999成人在线观看| 美女主播在线视频| 男男h啪啪无遮挡| 精品人妻1区二区| 亚洲av男天堂| 一本大道久久a久久精品| 波多野结衣av一区二区av| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品乱久久久久久| 五月天丁香电影| h视频一区二区三区| 丝袜人妻中文字幕| 久久久久久久久免费视频了| 老汉色∧v一级毛片| 性高湖久久久久久久久免费观看| 亚洲国产av新网站| 精品久久久精品久久久| 天天影视国产精品| 亚洲国产欧美一区二区综合| 在线观看国产h片| 悠悠久久av| 午夜福利在线免费观看网站| 一本色道久久久久久精品综合| 久久久久网色| 国产欧美日韩一区二区三 | 免费在线观看完整版高清| 亚洲天堂av无毛| 美女福利国产在线| 午夜福利视频在线观看免费| 交换朋友夫妻互换小说| 欧美大码av| 女人被躁到高潮嗷嗷叫费观| 性高湖久久久久久久久免费观看| 国产97色在线日韩免费| 亚洲午夜精品一区,二区,三区| 国产不卡av网站在线观看| 久9热在线精品视频| 亚洲欧美一区二区三区久久| 国产在线观看jvid| 日韩av在线免费看完整版不卡| 91老司机精品| 亚洲伊人色综图| 99国产精品一区二区蜜桃av | 人人妻人人添人人爽欧美一区卜| 免费在线观看影片大全网站 | 国产极品粉嫩免费观看在线| 午夜福利影视在线免费观看| 一区福利在线观看| 欧美精品一区二区免费开放| 中文字幕高清在线视频| 久久国产精品男人的天堂亚洲| 日韩一本色道免费dvd| 日本av手机在线免费观看| 女人高潮潮喷娇喘18禁视频| 纵有疾风起免费观看全集完整版| 久久午夜综合久久蜜桃| 91字幕亚洲| 男女下面插进去视频免费观看| 中国国产av一级| 亚洲专区中文字幕在线| 国产免费福利视频在线观看| 久久影院123| 国产在线一区二区三区精| 国产成人精品久久二区二区91| 久久人人爽av亚洲精品天堂| 国产在线一区二区三区精| 欧美精品一区二区大全| 高潮久久久久久久久久久不卡| 国产亚洲精品第一综合不卡| 男的添女的下面高潮视频| 人人澡人人妻人| 亚洲成人免费av在线播放| 丝袜人妻中文字幕| 午夜日韩欧美国产| 午夜福利一区二区在线看| 69精品国产乱码久久久| 日本欧美国产在线视频| 亚洲男人天堂网一区| 十分钟在线观看高清视频www| 亚洲精品第二区| 国产成人精品在线电影| 欧美另类一区| 国产深夜福利视频在线观看| 99国产精品免费福利视频| 波多野结衣一区麻豆| 亚洲自偷自拍图片 自拍| a级片在线免费高清观看视频| 午夜老司机福利片| 国产精品免费视频内射| 色94色欧美一区二区| 一级毛片电影观看| 亚洲精品一区蜜桃| 亚洲精品日韩在线中文字幕| 好男人视频免费观看在线| 国产午夜精品一二区理论片| 久久久精品国产亚洲av高清涩受| 手机成人av网站| 亚洲中文av在线| 亚洲国产中文字幕在线视频| 天天躁夜夜躁狠狠躁躁| 一级片免费观看大全| 91精品国产国语对白视频| 80岁老熟妇乱子伦牲交| 精品久久久久久电影网| 九色亚洲精品在线播放| 人人妻人人澡人人爽人人夜夜| 黑人猛操日本美女一级片| 亚洲国产精品国产精品| 汤姆久久久久久久影院中文字幕| 欧美乱码精品一区二区三区| 人妻一区二区av| 又粗又硬又长又爽又黄的视频| 老汉色∧v一级毛片| 男的添女的下面高潮视频| 精品高清国产在线一区| 91麻豆精品激情在线观看国产 | 80岁老熟妇乱子伦牲交| 少妇人妻久久综合中文| 性色av一级| 人成视频在线观看免费观看| 黄色毛片三级朝国网站| 午夜免费观看性视频| 少妇人妻久久综合中文| 免费看av在线观看网站| av天堂在线播放| 久久精品亚洲av国产电影网| 欧美精品啪啪一区二区三区 | 狠狠精品人妻久久久久久综合| 一级,二级,三级黄色视频| 一本综合久久免费| 国产欧美日韩精品亚洲av| √禁漫天堂资源中文www| 国产日韩欧美亚洲二区| 久9热在线精品视频| 少妇 在线观看| 欧美xxⅹ黑人| 亚洲成人手机| 99re6热这里在线精品视频| 亚洲欧洲日产国产| 无遮挡黄片免费观看| 女警被强在线播放| 韩国高清视频一区二区三区| 男女下面插进去视频免费观看| 99久久综合免费| 国产欧美日韩精品亚洲av| www.熟女人妻精品国产| 国产成人系列免费观看| 午夜老司机福利片| av天堂在线播放| 久久久国产一区二区| 日韩欧美一区视频在线观看| 黄色a级毛片大全视频| 精品人妻熟女毛片av久久网站| 亚洲av电影在线观看一区二区三区| 精品人妻在线不人妻| 大片电影免费在线观看免费| 日本五十路高清| av片东京热男人的天堂| 久久久久久久国产电影| 男人操女人黄网站| 一级黄色大片毛片| 久久久亚洲精品成人影院| 男人爽女人下面视频在线观看| 欧美激情高清一区二区三区| 国产成人精品久久二区二区免费| 久久鲁丝午夜福利片| 人人澡人人妻人| 欧美黑人欧美精品刺激| 熟女少妇亚洲综合色aaa.| 亚洲第一av免费看| 少妇的丰满在线观看| 亚洲成人免费av在线播放| av片东京热男人的天堂| 亚洲精品一区蜜桃| 亚洲国产av新网站| 日韩制服丝袜自拍偷拍| 中文字幕人妻熟女乱码| 亚洲精品在线美女| 大香蕉久久成人网| 精品少妇一区二区三区视频日本电影| 日韩一本色道免费dvd| 九色亚洲精品在线播放| 久久久久久久久久久久大奶| 亚洲一区中文字幕在线| 51午夜福利影视在线观看| 女人爽到高潮嗷嗷叫在线视频| 久久久国产精品麻豆| 99久久99久久久精品蜜桃| 性高湖久久久久久久久免费观看| 青青草视频在线视频观看| 亚洲,欧美,日韩| 日日摸夜夜添夜夜爱| 夫妻性生交免费视频一级片| 精品少妇内射三级| 久久女婷五月综合色啪小说| 色播在线永久视频| 亚洲人成77777在线视频| 中文字幕高清在线视频| 色94色欧美一区二区| 亚洲国产欧美网| 99国产综合亚洲精品| 精品久久久精品久久久| 中文字幕人妻丝袜制服| av不卡在线播放| 满18在线观看网站| 黄色视频在线播放观看不卡| 老鸭窝网址在线观看| 国产黄色视频一区二区在线观看| 麻豆av在线久日| 久久久精品区二区三区| 成人黄色视频免费在线看| 悠悠久久av| 国产成人av教育| 极品少妇高潮喷水抽搐| 18禁裸乳无遮挡动漫免费视频| 天天影视国产精品| 日本猛色少妇xxxxx猛交久久| 久久久精品免费免费高清| 国产视频首页在线观看| 人人妻人人爽人人添夜夜欢视频| 黄色怎么调成土黄色| 捣出白浆h1v1| 少妇猛男粗大的猛烈进出视频| 夫妻性生交免费视频一级片| 午夜福利影视在线免费观看| 亚洲欧美精品自产自拍| 精品福利观看| 一区二区三区精品91| 悠悠久久av| 国产一区二区在线观看av| 午夜福利视频在线观看免费| 中文精品一卡2卡3卡4更新| 精品人妻在线不人妻| 国产精品一区二区在线不卡| 亚洲成av片中文字幕在线观看| 真人做人爱边吃奶动态| 美女脱内裤让男人舔精品视频| 男人爽女人下面视频在线观看| 一级,二级,三级黄色视频| 久久精品久久久久久久性|