• <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TCN 的車輛跟馳軌跡優(yōu)化模型

    2022-07-09 13:10:40呂炎明趙治宇鄶世揚
    電子技術(shù)與軟件工程 2022年9期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)車輛

    呂炎明 趙治宇 鄶世揚

    (北京交通大學(xué)軟件學(xué)院 北京市 100091)

    1 引言

    自動駕駛技術(shù)是基于人工智能、道路勘測等技術(shù)于一體的綜合技術(shù),是當(dāng)前道路交通科學(xué)研究領(lǐng)域繞不開的熱門課題,基于該技術(shù)的各種特定場景下的優(yōu)化模型層出不窮。汽車跟馳(Car-Following, CF)是該研究領(lǐng)域的核心場景之一,也是道路交通過程中最普遍存在的情況,汽車跟馳的主要任務(wù)是控制車速以保持安全舒適的跟車間隙。汽車跟馳的速度與間隙控制有利于減輕駕駛員的工作量、改善交通安全并增強道路通行能力。而通過模仿人類駕駛車輛的跟馳行為,應(yīng)用自動駕駛技術(shù)的汽車可以習(xí)得一定車輛跟馳能力。

    基于該命題的研究,科學(xué)界已經(jīng)有比較清晰的研究方向和相對成熟的解決方案,其大多將場景定義為時序問題,利用RNN 等循環(huán)神經(jīng)網(wǎng)絡(luò)來訓(xùn)練智能體,因為RNN 天生的循環(huán)自回歸的結(jié)構(gòu)是對時間序列的很好的表示。Alahi 等首次提出RNN 的變體,基于長短時記憶(Long Short Term Memory, LSTM)的軌跡預(yù)測方法,將軌跡設(shè)立為一種時序問題,根據(jù)過去一段時間步長的軌跡序列預(yù)測未來的軌跡。Zhang 等通過使用LSTM,將車輛的跟馳行為(CF)與換道行為(Lane-Changing, LC)同時進(jìn)行建模,提出了一種不同于多次訓(xùn)練LSTM 模型(Retrained LSTM)的混合再訓(xùn)練約束(HRC)方法來進(jìn)一步優(yōu)化LSTM 模型。劉創(chuàng)等人提出將LSTM 網(wǎng)絡(luò)處理的車輛歷史軌跡信息作為全局特征,通過卷積池化來提取信息用于軌跡預(yù)測。Cho等提出了改良RNN的門控循環(huán)單元(Gated Recurrent Unit, GRU)。Wang等提出利用GRU 對汽車跟馳行為進(jìn)行建模,考慮駕駛員的記憶因素,并將其引入到模型中。費蓉等提出建立新的一種基于GRU 的車輛跟馳模型,獲得了較好的仿真度與穩(wěn)定性。

    與之相比,傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)一般被認(rèn)為不太適合時序問題的建模,這主要由于其卷積核大小的限制,不能很好的抓取長時的依賴信息。由此,傳統(tǒng)的卷積網(wǎng)絡(luò)并沒有被用來解決車輛跟馳問題。但近年來,由Bai 等提出的基于因果卷積、空洞卷積和殘存鏈接的時序卷積神經(jīng)網(wǎng)絡(luò)(Temporal Convolutional Network, TCN)可以被用來解決時序問題,并且在許多應(yīng)用場景上取得了與RNN、LSTM、GRU 等循環(huán)神經(jīng)網(wǎng)絡(luò)同等甚至更優(yōu)秀的表現(xiàn)。于是我們提出了將TCN 引入自動駕駛領(lǐng)域并將其應(yīng)用于車輛跟馳模型的研究,并通過實驗比較說明其與許多得到廣泛應(yīng)用的傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)建模方式在相同場景下的表現(xiàn)差異。

    本文的剩余部分組成如下:第二節(jié)詳細(xì)介紹了車輛跟馳模型,TCN 網(wǎng)絡(luò)的組成結(jié)構(gòu)及項目采用的數(shù)據(jù)集NGSIM;第三節(jié)研究了本文網(wǎng)絡(luò)模型的輸入輸出,網(wǎng)絡(luò)參數(shù)及數(shù)據(jù)處理,并使用數(shù)據(jù)集中的i-80 路段對模型進(jìn)行訓(xùn)練和評估,通過us-101 路段的數(shù)據(jù)及HighD 數(shù)據(jù)集的數(shù)據(jù)研究了模型的泛化能力;第四節(jié)研究總結(jié)了項目的主要結(jié)論及未來的研究方向。

    2 項目背景

    2.1 車輛跟馳(Car Following)

    跟馳模型描述了跟馳車輛(Following Vehicle, FV)響應(yīng)引導(dǎo)車輛(Leading Vehicle, LV)的動作的運動,它們是微觀道路交通場景的重要組成部分,并且為自動駕駛車輛跟馳系統(tǒng)的理論提供了參考。早期的車輛跟馳模型是純數(shù)學(xué)演算的公式模型,該模型存在車輛跟馳的效率低、車輛行為預(yù)測效果差等特點。近年來,得益于人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)、強化學(xué)習(xí)等技術(shù)常應(yīng)用于車輛跟馳模型的研究,取得了一定進(jìn)展,目前主要應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型有RNN、LSTM、GRU 等。

    2.2 時序卷積神經(jīng)網(wǎng)絡(luò)(TCN)

    時序卷積神經(jīng)網(wǎng)絡(luò)(TCN)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)的一種,是基于因果卷積(Causal Convolution)、空洞卷積(Dilated Convolution)和殘差鏈接(Residual Connections)的一種新型神經(jīng)網(wǎng)絡(luò)。

    2.2.1 因果卷積

    TCN 有兩個重要特征,一是其具有相同的輸入和輸出長度,二是其模型預(yù)測只會受到歷史數(shù)據(jù)的影響而不會受到未來數(shù)據(jù)的滲透,后者是卷積網(wǎng)絡(luò)用于解決時序問題的關(guān)鍵。因果卷積可以用(公式1)直觀表示。即對卷積網(wǎng)絡(luò)中每一層t 時刻的權(quán)重變化p 只來自其上一層的t 時刻及之前時刻節(jié)點的p 權(quán)重變化。作為一種單向的網(wǎng)絡(luò)結(jié)構(gòu),其存在使得整個卷積網(wǎng)絡(luò)的訓(xùn)練是以數(shù)據(jù)的時間屬性為基準(zhǔn),不會出現(xiàn)未來影響過去的情況,是一種嚴(yán)格的時間約束模型,因此被稱為因果卷積。

    Causal Convolutions:

    公式 1 因果卷積

    2.2.2 空洞卷積

    傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能被應(yīng)用于時序問題的重要原因,是建?;诘臅r間步長受限于卷積核的大小,如果要想抓取更長的依賴關(guān)系,就需要線性的堆疊很多的網(wǎng)絡(luò)層,使得網(wǎng)絡(luò)體積過大或很難收斂。為了解決這一問題,TCN 采用了空洞卷積的方式,即通過對輸入數(shù)據(jù)指數(shù)級逐層間隔采樣,從而實現(xiàn)用較少的網(wǎng)絡(luò)層數(shù)獲得較大的感受野,具體的實現(xiàn)方法如(公式 2)所示,其中F 是我們定義的對序列元素s 的卷積運算,f 是一個過濾器,k 是過濾器的大小,d 是我們給定的擴張因子,s-d·i 說明過去的方向。(圖1)也能很好地說明該卷積方式。

    圖1: TCN 網(wǎng)絡(luò)的空洞卷積結(jié)構(gòu)

    Dilated Convolution:

    公式 2 空洞卷積

    2.2.3 殘差鏈接

    對于深層的神經(jīng)網(wǎng)絡(luò),隨著網(wǎng)絡(luò)深度的不斷提高,獲取的信息量會逐層減少。TCN 通過構(gòu)建殘差鏈接來實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)中跨層的傳遞信息,防止信息丟失。在本網(wǎng)絡(luò)結(jié)構(gòu)中,我們添加了一個殘差塊(Residual Block)以替代一層卷積。殘差塊擁有兩層的卷積和非線性映射,對于殘差塊中的每一層,我們添加了Dropout 層并進(jìn)行了權(quán)重值歸一化處理來將網(wǎng)絡(luò)正則化,提高網(wǎng)絡(luò)的泛化能力。

    2.3 下一代仿真模擬數(shù)據(jù)集(NGSIM)

    隨著智能交通系統(tǒng)的發(fā)展,NGSIM(Next Generation Simulation)數(shù)據(jù)集是美國FHWA 搜集的美國高速公路行車數(shù)據(jù)。數(shù)據(jù)集采集于美國的四個不同地區(qū),分別是加州南向的US-101 號公路,加州洛杉磯的Lankershim Boulevard 地圖,加州埃默里維爾的東向的 I-80 號公路,以及佐治亞州亞特拉大的Peachtree Street。該數(shù)據(jù)集覆蓋了結(jié)構(gòu)化道路的路口,高速上下閘道等車路協(xié)同研究的熱點區(qū)域。其數(shù)據(jù)是采用攝像頭獲取,得到了道路上的所有車輛在一個時間段的車輛行駛狀況。再通過對原始的視頻信息做后處理,加工成一條一條的軌跡點記錄,生成了交通流中每輛車的行駛軌跡數(shù)據(jù)。我們的項目依托NGSIM 進(jìn)行數(shù)據(jù)的分析和問題的研究。

    3 實驗研究

    我們的實驗聚焦簡單跟馳場景下不同網(wǎng)絡(luò)(TCN 和RNN、LSTM、GRU)之間的預(yù)測準(zhǔn)確性、收斂速率與泛化能力。在實驗場景一致的前提下,網(wǎng)絡(luò)中的各個非核心參數(shù)盡量保持統(tǒng)一,并通過實驗選取該場景下最優(yōu)的核心參數(shù),以保證該網(wǎng)絡(luò)在給定場景下的預(yù)測準(zhǔn)確性達(dá)到最高。

    3.1 模型輸入輸出

    為研究簡單跟馳場景下后車根據(jù)跟馳前車時對自身情況的預(yù)測能力,本文研究就該場景建立TCN 預(yù)測模型,項目實驗情景模擬如圖2 所示。模型輸出層輸出為當(dāng)前車下一幀在x 及y 軸上的坐標(biāo)(x, y),模型的輸入為該時刻當(dāng)前車的x,y 坐標(biāo)、速度、加速度,被跟馳車的x,y 坐標(biāo)、速度、加速度,共8 項參數(shù)。輸入層的歷史數(shù)據(jù)seq_len 定義為80,對應(yīng)實際的8 秒時間。

    圖2: 車輛跟馳場景模擬

    3.2 數(shù)據(jù)準(zhǔn)備

    TCN 模型作為一種深度學(xué)習(xí)算法,需要訓(xùn)練包含一段較長時間的車輛跟馳行為的大量數(shù)據(jù)。因此,我們采用NGSIM 中的i-80 路段的數(shù)據(jù)集來訓(xùn)練集成模型。其軌跡數(shù)據(jù)是2005 年4 月13 日在加州埃默里維爾的舊金山灣區(qū)i-80公路東行處獲得的。調(diào)查區(qū)域長約500 米(1640 英尺),行車方向由南向北,平均流量為7124 veh/h, 平均車速為8.32 m/s,由6 條高速公路車道組成,其中包括最右側(cè)的一條集散車道,為典型的交通擁堵狀態(tài),因此我們選取該路段數(shù)據(jù)進(jìn)行分析??紤]到最左側(cè)車道存在頻繁變道等現(xiàn)象,數(shù)據(jù)集中Lane_id 在2 到5 之間的中間車道被用于訓(xùn)練網(wǎng)絡(luò)模型。對于每輛車來說,我們提取了與該車輛在同一車道,相距100m 內(nèi)(因為常用傳感器如LIDAR 或RADAR 的距離為60-175 米)最近的前車數(shù)據(jù),其中兩車應(yīng)保持至少持續(xù)80 幀、間距不長于100m 的不變道跟馳行為。對于跟馳時間長于80 幀的數(shù)據(jù),我們截取了其中前80 幀數(shù)據(jù)并每隔10幀再次截取80 幀數(shù)據(jù)作為新的一段跟馳行為數(shù)據(jù)。最終我們得到了192307 段汽車跟馳事件,其中3/4 的數(shù)據(jù)用于訓(xùn)練模型,1/4 的數(shù)據(jù)用于測試模型。

    3.3 網(wǎng)絡(luò)參數(shù)

    與其他深度學(xué)習(xí)的網(wǎng)絡(luò)模型類似,在TCN 模型中,許多參數(shù)都會影響模型的性能。對于單一網(wǎng)絡(luò)在該跟車場景下最優(yōu)參數(shù)的尋找,我們通過執(zhí)行多組對照實驗,改動不同組實驗中的單一變量,尋找最優(yōu)參數(shù)。對于每一個模型,我們在該場景下進(jìn)行了多組實驗?zāi)M,通過比較最終預(yù)測結(jié)果準(zhǔn)確性的方式給出各模型在該場景下的最優(yōu)參數(shù),并盡量保證不同網(wǎng)絡(luò)非核心參數(shù)的一致性。以TCN 網(wǎng)絡(luò)為例,我們通過調(diào)整卷積核大小k_nize,隱藏層數(shù)量level,隱藏層中神經(jīng)元數(shù)量n_hid 和數(shù)據(jù)訓(xùn)練參數(shù)更新周期epoch,尋找神經(jīng)網(wǎng)絡(luò)收斂速度、最終模型預(yù)測效果等綜合最優(yōu)的一組參數(shù),作為TCN 網(wǎng)絡(luò)的最優(yōu)參數(shù),用于其與其他網(wǎng)絡(luò)模型進(jìn)行比較。如表1 所示。

    根據(jù)不同參數(shù)下多輪數(shù)據(jù)訓(xùn)練及測試,當(dāng)k_nize 為4,level 為4,n_hid 為32,epoch 為10 時,網(wǎng)絡(luò)模型具有最小的均方誤差(MSE),在后續(xù)的訓(xùn)練中,我們使用該參數(shù)作為TCN 網(wǎng)絡(luò)模型的參數(shù),除此之外,根據(jù)車輛跟馳的實際情況及數(shù)據(jù)集特點,我們確立了TCN 網(wǎng)絡(luò)模型的各項參數(shù)(表2)。

    表2: TCN 網(wǎng)絡(luò)各項參數(shù)

    3.4 研究結(jié)果

    3.4.1 預(yù)測準(zhǔn)確率與收斂速度

    我們?nèi)∮昧薸-80 路段的跟車對標(biāo)簽集,將80 幀作為時間步長,實驗比較了各網(wǎng)絡(luò)在該時間步長的模型大小下經(jīng)過一定輪數(shù)的訓(xùn)練達(dá)到的最優(yōu)預(yù)測能力。以前80 個連續(xù)時間單位的前車與后車的x 與y 坐標(biāo)、加速度與速度這個八個維度作為輸入,以第81 時間點的后車位置坐標(biāo)作為輸出,對模型進(jìn)行訓(xùn)練,并使用mse 損失函數(shù)對訓(xùn)練得到的網(wǎng)絡(luò)的預(yù)測效果進(jìn)行評價,得到各網(wǎng)絡(luò)在相同測試數(shù)據(jù)集下的loss,如(表3),并在測試數(shù)據(jù)集中隨機選取了200 個測試數(shù)據(jù)進(jìn)行預(yù)測并繪制預(yù)測曲線圖,結(jié)果如(圖3)??梢钥吹?,與其他網(wǎng)絡(luò)模型相比,TCN 網(wǎng)絡(luò)的預(yù)測結(jié)果更接近真實數(shù)據(jù)。我們記錄了網(wǎng)絡(luò)訓(xùn)練過程中的loss 值,并繪制曲線比較網(wǎng)絡(luò)收斂速率(圖3),可以看到,TCN 在1 ~2 輪訓(xùn)練后已經(jīng)有較低的loss 了,而其他網(wǎng)絡(luò)還需要重復(fù)訓(xùn)練幾遍才能達(dá)到相對不錯的效果。

    圖3: 各網(wǎng)絡(luò)模型loss 曲線與預(yù)測曲線

    表 1:TCN 網(wǎng)絡(luò)參數(shù)效率對比

    表 3:時序網(wǎng)絡(luò)模型效率對比

    3.4.2 泛化能力

    HighD 數(shù)據(jù)集是德國高速公路的大型自然車輛軌跡數(shù)據(jù)集。我們將數(shù)據(jù)訓(xùn)練得到的網(wǎng)絡(luò)預(yù)測NGSIM 數(shù)據(jù)集中us-101 路段、HighD 數(shù)據(jù)集中01_highway 路段的車輛跟馳行為,以考察各個網(wǎng)絡(luò)的泛化能力。我們在測試數(shù)據(jù)集中隨機選取了符合條件的50 個測試用例,用實驗訓(xùn)練完成的各網(wǎng)絡(luò)模型預(yù)測其跟馳行為,比較loss 大小,并繪制曲線比較預(yù)測結(jié)果(圖4)。可以看到,各網(wǎng)絡(luò)模型在us-101 路段、01_highway 路段下均具有較高的車輛行為還原度。其中, TCN網(wǎng)絡(luò)模型對于數(shù)據(jù)的預(yù)測最接近真實值,具有最好的車輛行為還原度。該實驗說明了與其他網(wǎng)絡(luò)模型相比,TCN 具有較好的泛化能力且其泛化能力優(yōu)于其他模型。

    圖4: 各網(wǎng)絡(luò)模型泛化能力對比圖

    4 結(jié)論

    作為主流的自動駕駛理論研究場景和典型的時間序列問題,跟馳模型的優(yōu)化具有重要意義。本文將TCN 引入跟馳模型的研究,將卷積網(wǎng)絡(luò)引入自動駕駛汽車車輛軌跡模型優(yōu)化的研究,并通過實驗證明了其可應(yīng)用性及相對較高的準(zhǔn)確性和穩(wěn)定性,為上述問題的研究提供了新思路、新方法,相信時序卷積網(wǎng)絡(luò)模型會在自動駕駛研究領(lǐng)域大放異彩。

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)車輛
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    車輛
    小太陽畫報(2018年3期)2018-05-14 17:19:26
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    冬天路滑 遠(yuǎn)離車輛
    車輛出沒,請注意
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    提高車輛響應(yīng)的轉(zhuǎn)向輔助控制系統(tǒng)
    汽車文摘(2015年11期)2015-12-02 03:02:53
    日日啪夜夜撸| 亚洲国产成人一精品久久久| 亚洲美女黄色视频免费看| 国产成人aa在线观看| 国产真实伦视频高清在线观看| 亚洲中文av在线| 亚洲,一卡二卡三卡| 在线看a的网站| 日本黄色片子视频| 一本—道久久a久久精品蜜桃钙片| 在线播放无遮挡| 女性被躁到高潮视频| 亚洲av中文av极速乱| 十八禁高潮呻吟视频 | 久久久久网色| 免费观看在线日韩| 免费黄网站久久成人精品| 天美传媒精品一区二区| 亚洲精品视频女| 久久久欧美国产精品| 曰老女人黄片| 亚洲精品色激情综合| 黄色配什么色好看| 国产精品99久久99久久久不卡 | 免费黄网站久久成人精品| 一级a做视频免费观看| 亚洲精品aⅴ在线观看| av在线老鸭窝| 亚洲成人手机| 成人国产麻豆网| 午夜视频国产福利| 色视频www国产| 人人澡人人妻人| 国产av码专区亚洲av| 黑人巨大精品欧美一区二区蜜桃 | 黑丝袜美女国产一区| 精品国产国语对白av| 免费不卡的大黄色大毛片视频在线观看| 人人妻人人看人人澡| 51国产日韩欧美| 9色porny在线观看| 99久久精品热视频| 亚洲欧美成人精品一区二区| 久久国内精品自在自线图片| 精品久久久久久电影网| 久久女婷五月综合色啪小说| 国产爽快片一区二区三区| 99久国产av精品国产电影| 一级毛片 在线播放| 午夜视频国产福利| 亚洲国产精品成人久久小说| 国产精品国产三级国产av玫瑰| 黑丝袜美女国产一区| 国产高清三级在线| 久久精品夜色国产| 五月玫瑰六月丁香| 国产成人精品无人区| 中文字幕人妻熟人妻熟丝袜美| 国产精品久久久久久av不卡| 黄片无遮挡物在线观看| 色5月婷婷丁香| 少妇精品久久久久久久| 各种免费的搞黄视频| 最近中文字幕2019免费版| 在线观看人妻少妇| 男人和女人高潮做爰伦理| 亚洲自偷自拍三级| 男的添女的下面高潮视频| 免费人成在线观看视频色| 国产精品久久久久久精品电影小说| 18禁裸乳无遮挡动漫免费视频| 在线天堂最新版资源| 精品卡一卡二卡四卡免费| 亚洲精品日韩av片在线观看| 成人亚洲欧美一区二区av| 大又大粗又爽又黄少妇毛片口| 国产精品一区二区在线不卡| 制服丝袜香蕉在线| 伊人久久精品亚洲午夜| 在线免费观看不下载黄p国产| 激情五月婷婷亚洲| 最新的欧美精品一区二区| 国产在线男女| 国产亚洲一区二区精品| 国产日韩一区二区三区精品不卡 | 如日韩欧美国产精品一区二区三区 | 有码 亚洲区| 永久免费av网站大全| 久久久国产欧美日韩av| 一级毛片我不卡| av一本久久久久| 91aial.com中文字幕在线观看| 国产精品国产av在线观看| 青春草国产在线视频| 欧美日韩视频高清一区二区三区二| 国产一区二区在线观看日韩| 国产精品.久久久| 丁香六月天网| 久久影院123| av在线观看视频网站免费| 亚洲第一区二区三区不卡| 黑人巨大精品欧美一区二区蜜桃 | 免费观看a级毛片全部| 99久久精品一区二区三区| 国产91av在线免费观看| 国产亚洲精品久久久com| 又粗又硬又长又爽又黄的视频| 亚洲精品日韩在线中文字幕| 精品一区二区三卡| 欧美精品亚洲一区二区| 黑人猛操日本美女一级片| 欧美三级亚洲精品| 久久久久久久久久久丰满| 国产 一区精品| 中文字幕免费在线视频6| 综合色丁香网| 97在线视频观看| 一区在线观看完整版| 亚洲经典国产精华液单| 免费黄频网站在线观看国产| 国产精品久久久久久精品电影小说| 男女边吃奶边做爰视频| 伦精品一区二区三区| 国产视频内射| 少妇的逼好多水| 久久国产乱子免费精品| 99国产精品免费福利视频| 极品少妇高潮喷水抽搐| 日韩亚洲欧美综合| 国产日韩一区二区三区精品不卡 | 熟妇人妻不卡中文字幕| 亚洲精品国产av成人精品| 久久久久精品久久久久真实原创| 少妇高潮的动态图| 亚洲国产精品999| 成年女人在线观看亚洲视频| 午夜福利影视在线免费观看| 一级二级三级毛片免费看| 日韩伦理黄色片| 人妻夜夜爽99麻豆av| 男人狂女人下面高潮的视频| 丰满少妇做爰视频| 有码 亚洲区| 国产欧美日韩综合在线一区二区 | 国产在线男女| 99热这里只有精品一区| 亚洲欧美中文字幕日韩二区| 天美传媒精品一区二区| 日韩三级伦理在线观看| 国产精品久久久久久久电影| 亚洲国产毛片av蜜桃av| 97精品久久久久久久久久精品| 欧美日韩视频高清一区二区三区二| 极品人妻少妇av视频| 91午夜精品亚洲一区二区三区| 日韩视频在线欧美| 2018国产大陆天天弄谢| av福利片在线| 国产极品天堂在线| 乱码一卡2卡4卡精品| 亚洲精品中文字幕在线视频 | 亚洲国产最新在线播放| 日韩av在线免费看完整版不卡| 精品少妇黑人巨大在线播放| 新久久久久国产一级毛片| 国产中年淑女户外野战色| 亚洲欧美清纯卡通| 亚洲一级一片aⅴ在线观看| 亚洲av国产av综合av卡| 十八禁网站网址无遮挡 | 少妇精品久久久久久久| 久久精品夜色国产| 一区二区三区免费毛片| 成人特级av手机在线观看| 少妇人妻久久综合中文| 久久久午夜欧美精品| 高清欧美精品videossex| 国产日韩一区二区三区精品不卡 | 国产精品秋霞免费鲁丝片| 伊人亚洲综合成人网| 国产白丝娇喘喷水9色精品| 国产淫语在线视频| 久久精品国产亚洲av天美| 精品人妻熟女av久视频| 卡戴珊不雅视频在线播放| 日本wwww免费看| 在线观看av片永久免费下载| 国产高清不卡午夜福利| 国产探花极品一区二区| 欧美一级a爱片免费观看看| 午夜免费男女啪啪视频观看| 国产高清三级在线| 嘟嘟电影网在线观看| 成年人午夜在线观看视频| 美女内射精品一级片tv| 国产精品三级大全| 色吧在线观看| 国产黄频视频在线观看| 成人毛片a级毛片在线播放| 国产精品一区二区性色av| 成人午夜精彩视频在线观看| 高清毛片免费看| 国产极品粉嫩免费观看在线 | 99热国产这里只有精品6| 欧美日韩综合久久久久久| 美女中出高潮动态图| 人妻人人澡人人爽人人| 视频中文字幕在线观看| 亚洲av福利一区| 观看av在线不卡| 欧美精品一区二区大全| 人人妻人人澡人人爽人人夜夜| 久久精品国产亚洲av涩爱| 久久久精品免费免费高清| 亚洲av成人精品一区久久| 亚洲精品国产av蜜桃| 久久精品夜色国产| 国产日韩一区二区三区精品不卡 | 国产精品成人在线| 中文字幕人妻丝袜制服| 久久精品国产鲁丝片午夜精品| 男人和女人高潮做爰伦理| 国产成人免费无遮挡视频| 亚洲精品国产色婷婷电影| 欧美国产精品一级二级三级 | 中文天堂在线官网| 久久热精品热| 午夜福利网站1000一区二区三区| .国产精品久久| 一个人看视频在线观看www免费| 91精品一卡2卡3卡4卡| av线在线观看网站| 亚洲成人一二三区av| 国产视频内射| 久久久久网色| 色婷婷久久久亚洲欧美| 天堂俺去俺来也www色官网| 一本一本综合久久| 精品少妇内射三级| 天美传媒精品一区二区| 丰满乱子伦码专区| 18禁裸乳无遮挡动漫免费视频| av福利片在线| 国产午夜精品久久久久久一区二区三区| 午夜日本视频在线| 伦精品一区二区三区| 国产伦精品一区二区三区四那| 成人美女网站在线观看视频| 黑人巨大精品欧美一区二区蜜桃 | 精品国产露脸久久av麻豆| 亚洲av国产av综合av卡| 九九久久精品国产亚洲av麻豆| 亚洲内射少妇av| 黄色怎么调成土黄色| 夜夜骑夜夜射夜夜干| 欧美丝袜亚洲另类| 丝袜喷水一区| 国产成人午夜福利电影在线观看| 中文在线观看免费www的网站| 国产精品一二三区在线看| 女性被躁到高潮视频| 成年人午夜在线观看视频| 男男h啪啪无遮挡| av卡一久久| 啦啦啦视频在线资源免费观看| 国精品久久久久久国模美| 免费观看无遮挡的男女| 日韩伦理黄色片| 日产精品乱码卡一卡2卡三| 街头女战士在线观看网站| 视频区图区小说| 亚洲天堂av无毛| 免费高清在线观看视频在线观看| av网站免费在线观看视频| 精品熟女少妇av免费看| 街头女战士在线观看网站| 国内少妇人妻偷人精品xxx网站| 22中文网久久字幕| 欧美精品人与动牲交sv欧美| 日本黄大片高清| 国产高清不卡午夜福利| 国产欧美亚洲国产| 肉色欧美久久久久久久蜜桃| 婷婷色麻豆天堂久久| 亚洲真实伦在线观看| 久久女婷五月综合色啪小说| 国产欧美日韩精品一区二区| 欧美一级a爱片免费观看看| 亚洲国产毛片av蜜桃av| 日韩一区二区三区影片| 亚洲精品成人av观看孕妇| 亚洲av中文av极速乱| 在线看a的网站| freevideosex欧美| 街头女战士在线观看网站| 国产精品福利在线免费观看| 亚洲激情五月婷婷啪啪| 日本午夜av视频| 亚洲av福利一区| 少妇人妻久久综合中文| 在线观看av片永久免费下载| 日韩av不卡免费在线播放| freevideosex欧美| 自拍偷自拍亚洲精品老妇| 亚洲熟女精品中文字幕| 久久精品国产自在天天线| 亚洲精品久久久久久婷婷小说| 欧美日韩精品成人综合77777| 免费观看a级毛片全部| 草草在线视频免费看| 一本—道久久a久久精品蜜桃钙片| 日本vs欧美在线观看视频 | 国产精品免费大片| 久久午夜综合久久蜜桃| 国产免费视频播放在线视频| 观看美女的网站| 啦啦啦在线观看免费高清www| 国产一区亚洲一区在线观看| 一边亲一边摸免费视频| 亚洲欧洲日产国产| 国产日韩一区二区三区精品不卡 | 精品亚洲成a人片在线观看| 欧美一级a爱片免费观看看| 欧美97在线视频| 日韩精品免费视频一区二区三区 | 看非洲黑人一级黄片| 在线观看av片永久免费下载| av网站免费在线观看视频| 久久免费观看电影| 少妇丰满av| 亚洲欧洲日产国产| 成人漫画全彩无遮挡| 毛片一级片免费看久久久久| 中文乱码字字幕精品一区二区三区| 51国产日韩欧美| 国产一级毛片在线| 在线亚洲精品国产二区图片欧美 | 国产无遮挡羞羞视频在线观看| 啦啦啦啦在线视频资源| 99久久人妻综合| 精品视频人人做人人爽| 午夜免费男女啪啪视频观看| 日日啪夜夜爽| av在线app专区| www.av在线官网国产| 国内揄拍国产精品人妻在线| 精品久久久精品久久久| 亚洲av不卡在线观看| 日韩在线高清观看一区二区三区| 久久久久久久久久久久大奶| 亚洲av福利一区| 热99国产精品久久久久久7| 中文字幕人妻熟人妻熟丝袜美| 欧美最新免费一区二区三区| 最黄视频免费看| 国精品久久久久久国模美| 亚洲国产欧美日韩在线播放 | 日韩制服骚丝袜av| 精品少妇内射三级| 黑人巨大精品欧美一区二区蜜桃 | 观看美女的网站| 另类精品久久| 高清视频免费观看一区二区| 亚洲精品久久久久久婷婷小说| 国国产精品蜜臀av免费| av卡一久久| 狠狠精品人妻久久久久久综合| 日日摸夜夜添夜夜添av毛片| 日韩一本色道免费dvd| 久久久久久伊人网av| 亚洲精品国产av成人精品| 99久久人妻综合| 亚洲性久久影院| 国产精品无大码| 免费大片18禁| 亚洲成人一二三区av| 久久精品国产亚洲av涩爱| 国产精品秋霞免费鲁丝片| 日韩亚洲欧美综合| 日韩视频在线欧美| 日韩欧美 国产精品| 夫妻午夜视频| 久久人人爽人人片av| 国产伦理片在线播放av一区| 91aial.com中文字幕在线观看| 日本av手机在线免费观看| 中国美白少妇内射xxxbb| 亚洲精品久久久久久婷婷小说| 国产精品一区二区在线不卡| 久久99热6这里只有精品| 人妻一区二区av| 精品久久久久久久久亚洲| 少妇猛男粗大的猛烈进出视频| 99久久人妻综合| 午夜福利在线观看免费完整高清在| 久久人人爽人人爽人人片va| 最近2019中文字幕mv第一页| 国产精品国产av在线观看| 国产精品偷伦视频观看了| 免费观看性生交大片5| 亚洲精品乱码久久久v下载方式| 国产黄片美女视频| 成人国产av品久久久| 黑人猛操日本美女一级片| 青春草国产在线视频| 久久久久久久久久久免费av| 视频区图区小说| 亚洲欧美清纯卡通| 久久亚洲国产成人精品v| 亚洲欧洲国产日韩| a 毛片基地| 精品少妇黑人巨大在线播放| 亚洲国产av新网站| 五月天丁香电影| 人妻 亚洲 视频| 国产午夜精品久久久久久一区二区三区| 9色porny在线观看| 蜜桃久久精品国产亚洲av| 永久免费av网站大全| 午夜免费鲁丝| 精品人妻一区二区三区麻豆| 最近中文字幕2019免费版| 2018国产大陆天天弄谢| 晚上一个人看的免费电影| 两个人的视频大全免费| 99九九线精品视频在线观看视频| 极品教师在线视频| 亚洲第一区二区三区不卡| 久久人人爽av亚洲精品天堂| 香蕉精品网在线| 久久久久国产网址| 最近最新中文字幕免费大全7| 99热全是精品| 性高湖久久久久久久久免费观看| 国产欧美另类精品又又久久亚洲欧美| 99热6这里只有精品| 国产av精品麻豆| 国产成人精品婷婷| 中文字幕亚洲精品专区| 午夜福利网站1000一区二区三区| 久久精品久久精品一区二区三区| av黄色大香蕉| 亚洲精品乱码久久久久久按摩| 日日爽夜夜爽网站| 久久精品熟女亚洲av麻豆精品| 亚洲天堂av无毛| 亚洲av免费高清在线观看| 国产精品不卡视频一区二区| 五月伊人婷婷丁香| 精品久久久精品久久久| 久久毛片免费看一区二区三区| 美女国产视频在线观看| a级毛色黄片| 插逼视频在线观看| 久久久精品94久久精品| 熟妇人妻不卡中文字幕| 亚洲av日韩在线播放| 在线观看美女被高潮喷水网站| 又爽又黄a免费视频| 欧美变态另类bdsm刘玥| 在线观看免费日韩欧美大片 | 午夜日本视频在线| 插阴视频在线观看视频| 亚洲无线观看免费| 久久久久视频综合| 国产精品一二三区在线看| 夫妻性生交免费视频一级片| 精品久久国产蜜桃| 黑人巨大精品欧美一区二区蜜桃 | av不卡在线播放| 日韩在线高清观看一区二区三区| 爱豆传媒免费全集在线观看| 欧美丝袜亚洲另类| 日本-黄色视频高清免费观看| 中国国产av一级| av在线老鸭窝| 汤姆久久久久久久影院中文字幕| 我要看黄色一级片免费的| 亚洲精品一二三| 各种免费的搞黄视频| 国产精品久久久久久久久免| 亚洲欧美精品自产自拍| 嫩草影院入口| 国产精品国产av在线观看| 99久久精品热视频| 韩国av在线不卡| 老司机影院毛片| 国产精品女同一区二区软件| 国产精品麻豆人妻色哟哟久久| 亚洲美女黄色视频免费看| 2021少妇久久久久久久久久久| 亚洲无线观看免费| 中文精品一卡2卡3卡4更新| 中文字幕亚洲精品专区| 男女啪啪激烈高潮av片| 99九九在线精品视频 | 欧美精品国产亚洲| 国产一级毛片在线| 欧美精品人与动牲交sv欧美| 精品卡一卡二卡四卡免费| 国产精品不卡视频一区二区| 一本—道久久a久久精品蜜桃钙片| 午夜激情福利司机影院| 在线天堂最新版资源| 人人妻人人添人人爽欧美一区卜| 男人添女人高潮全过程视频| 男人舔奶头视频| 一本大道久久a久久精品| 久久久久国产网址| 日韩强制内射视频| 亚洲第一av免费看| 亚洲av成人精品一二三区| 亚洲欧美一区二区三区国产| 精品国产一区二区三区久久久樱花| 人人澡人人妻人| 亚洲丝袜综合中文字幕| 亚洲国产精品专区欧美| 国产日韩欧美视频二区| 99精国产麻豆久久婷婷| 91在线精品国自产拍蜜月| 少妇被粗大的猛进出69影院 | 午夜91福利影院| 久久久久久久久久成人| 亚洲av福利一区| 国产一区有黄有色的免费视频| 日韩伦理黄色片| 成人二区视频| 免费人妻精品一区二区三区视频| 曰老女人黄片| 在线看a的网站| 2021少妇久久久久久久久久久| 看十八女毛片水多多多| 日韩成人av中文字幕在线观看| 80岁老熟妇乱子伦牲交| 18禁裸乳无遮挡动漫免费视频| 伊人久久国产一区二区| 26uuu在线亚洲综合色| 免费看日本二区| 少妇人妻一区二区三区视频| 欧美精品亚洲一区二区| 国产免费福利视频在线观看| 午夜福利影视在线免费观看| 性高湖久久久久久久久免费观看| 日韩成人av中文字幕在线观看| 在线播放无遮挡| 高清av免费在线| 久久久久久久亚洲中文字幕| 美女国产视频在线观看| 国产爽快片一区二区三区| av福利片在线| 亚洲成人一二三区av| 国产精品国产三级专区第一集| 水蜜桃什么品种好| 国产女主播在线喷水免费视频网站| 亚洲综合精品二区| 波野结衣二区三区在线| 久久国产亚洲av麻豆专区| 免费看光身美女| 久久99热这里只频精品6学生| 伦精品一区二区三区| 美女xxoo啪啪120秒动态图| 少妇被粗大的猛进出69影院 | 国语对白做爰xxxⅹ性视频网站| 亚洲久久久国产精品| 国产日韩一区二区三区精品不卡 | 精品一区二区三区视频在线| 肉色欧美久久久久久久蜜桃| 毛片一级片免费看久久久久| 国产欧美亚洲国产| 啦啦啦中文免费视频观看日本| 日日摸夜夜添夜夜添av毛片| 91久久精品国产一区二区三区| 国产日韩欧美在线精品| 亚洲精品乱久久久久久| 久久精品国产鲁丝片午夜精品| 成人国产麻豆网| 欧美日韩亚洲高清精品| 一区在线观看完整版| 国产精品久久久久久久久免| 看非洲黑人一级黄片| 中文字幕人妻熟人妻熟丝袜美| 日韩伦理黄色片| 美女视频免费永久观看网站| 国产精品无大码| 另类精品久久| 哪个播放器可以免费观看大片| 国产乱来视频区| 高清黄色对白视频在线免费看 | 成人亚洲精品一区在线观看| 久久国产亚洲av麻豆专区| 伦理电影大哥的女人| 国产成人免费无遮挡视频| 欧美激情国产日韩精品一区| 中国国产av一级| 国产伦在线观看视频一区| 美女xxoo啪啪120秒动态图| 午夜福利,免费看| 精品少妇久久久久久888优播| 精品人妻熟女毛片av久久网站| 亚洲精品久久午夜乱码| 九草在线视频观看| 美女福利国产在线| 久久久久久久久久人人人人人人| 亚洲av不卡在线观看| 成人黄色视频免费在线看| 国产精品久久久久久久久免| av福利片在线| 亚洲av在线观看美女高潮| 又大又黄又爽视频免费| 97在线人人人人妻| 国产精品国产三级国产av玫瑰| 观看免费一级毛片| 大片电影免费在线观看免费| 亚洲三级黄色毛片| 激情五月婷婷亚洲|