亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于群智感知和非監(jiān)督式學(xué)習(xí)的室內(nèi)定位指紋庫構(gòu)建算法

        2018-10-22 03:44:54馬永濤劉康偉
        關(guān)鍵詞:群智定位精度原型

        馬永濤,劉康偉,高?鑫

        ?

        基于群智感知和非監(jiān)督式學(xué)習(xí)的室內(nèi)定位指紋庫構(gòu)建算法

        馬永濤,劉康偉,高?鑫

        (天津大學(xué)微電子學(xué)院,天津 300072)

        針對指紋法定位中的指紋庫構(gòu)建耗費(fèi)大量人力和時間的問題,提出了一種基于群智感知和非監(jiān)督式學(xué)習(xí)的室內(nèi)定位指紋庫構(gòu)建算法.首先利用群智感知的方式采集無線接入點(diǎn)的接收信號強(qiáng)度獲取原始指紋數(shù)據(jù)集.然后針對原始指紋數(shù)據(jù)的冗余雜亂和指紋注釋問題,提出基于學(xué)習(xí)向量量化(LVQ)和多維標(biāo)度(MDS)結(jié)合的一種新穎算法FLM來解決.最終有效構(gòu)建室內(nèi)定位指紋庫.最后基于射線跟蹤模型(ray-tracing)建立仿真實(shí)驗(yàn)場景,仿真結(jié)果表明其指紋庫建立效率得到顯著提高,應(yīng)用于基本定位算法的定位誤差80%,在2.6,m以下,而且單次定位的計(jì)算量下降63%,.

        群智感知;指紋庫;原型指紋;接收信號強(qiáng)度;非監(jiān)督式學(xué)習(xí)

        隨著位置服務(wù)信息的迫愈加重要[1].對于室內(nèi)定位,現(xiàn)在已經(jīng)提出了較多的解決方案,例如時間到達(dá)(TOA)、到達(dá)角(AOA)、收到信號強(qiáng)度(received signal strength,RSS)、到達(dá)相位差(PDOA)和混合方法等[1].其中基于RSS的室內(nèi)定位系統(tǒng)有廣泛的研究.因?yàn)樗鼈儾恍枰~外的硬件部署[2-3].大多數(shù)基于RSS的室內(nèi)定位方法被分為兩類:測距法和指紋法.前者使用觀測到的接收信號強(qiáng)度(RSS)和信號傳播模型來估計(jì)移動終端和無線接入點(diǎn)(access point,AP)之間的距離.但是其定位性能受到復(fù)雜的室內(nèi)信號傳播環(huán)境影響[4].后者是通過對比移動終端觀測的RSS和線下訓(xùn)練指紋庫中的RSS來確定移動終端的線上位置估計(jì)[5].其優(yōu)點(diǎn)是克服了測距法的室內(nèi)環(huán)境影響,缺點(diǎn)是很多室內(nèi)區(qū)域面積較大,構(gòu)建指紋庫的現(xiàn)場調(diào)查是非常耗時耗力的,而且指紋庫還會隨著環(huán)境的不斷變化而失效[6].

        但是,對于指紋法定位,指紋庫的構(gòu)建是不可避免的步驟,所以如何減少線下訓(xùn)練階段位置調(diào)查成本是一個重要的研究方向.隨著智能移動終端的普及,利用群智感知的思想建立指紋庫非常有優(yōu)勢.因?yàn)槿褐歉兄梢岳眉簠f(xié)作的方式高效快速地完成單獨(dú)個體無法完成或者單獨(dú)完成比較困難的感知任務(wù)[7-8].所以基于群智感知的方法近來在許多學(xué)者的工作中已經(jīng)被提出.如FreeLoc把每一個AP當(dāng)作關(guān)鍵點(diǎn),使用Key-value機(jī)制來建立群智感知指紋??庫[9].Luo等[10]提出Piloc的群智感知定位系統(tǒng),其關(guān)鍵新穎之處在于它將用位移注釋的步行段和來自用戶的信號強(qiáng)度信息合并,以獲得用無線信號強(qiáng)度注釋的無線電地圖.Zhang等[11]提出groping依賴于比WiFi指紋更穩(wěn)定的地磁指紋,并且利用群智感知方式來構(gòu)建無線電地圖.Ye等[12]提出了一種基于眾包指紋分解和擬合的無線電地圖構(gòu)建方案來應(yīng)對群智感知數(shù)據(jù)問題.Jung等[13]提出了一種新穎的無監(jiān)督學(xué)習(xí)方法,使用混合全局和局部優(yōu)化方案的未標(biāo)記指紋的校準(zhǔn)定位模型來訓(xùn)練指紋庫.但是通過群智感知方式獲取的RSS數(shù)據(jù)集也存在一些問題:指紋數(shù)據(jù)集冗余雜亂和指紋數(shù)據(jù)沒有真實(shí)的物理位置標(biāo)簽(指紋注釋)[14].所以需要對定位區(qū)域獲得的大量指紋進(jìn)行融合處理,同時也能縮減指紋庫數(shù)據(jù)量.此外,由于室內(nèi)環(huán)境多變的特點(diǎn),構(gòu)建好指紋庫之后還要定期更新和優(yōu)化.

        本文提出了基于群智感知和非監(jiān)督式學(xué)習(xí)的室內(nèi)定位指紋庫構(gòu)建算法.群智感知方式采集數(shù)據(jù)解決傳統(tǒng)指紋庫構(gòu)建的耗時費(fèi)力問題,非監(jiān)督式學(xué)習(xí)解決群智感知獲取的指紋數(shù)據(jù)的冗余雜亂和指紋注釋問題.本文的結(jié)構(gòu)如下:第1節(jié)闡述了指紋庫構(gòu)建問題和群智感知的指紋數(shù)據(jù)問題;第2節(jié)詳細(xì)介紹了本文所提算法(a fingerprint database construction algorithm based on LVQ and MDS,下文簡稱FLM);第3節(jié)根據(jù)ray-tracing模型建立仿真場景并對本文所提算法的指紋庫性能進(jìn)行分析;第4節(jié)為本文總結(jié)并且展望未來.

        1?指紋庫構(gòu)建問題和群智感知的指紋數(shù)據(jù)問題

        對于指紋法定位,指紋庫的精度直接影響最終的定位精度.雖然可以大量采樣定位區(qū)域的RSS來提高精度,但是這也需要付出相應(yīng)的代價.比如在一個50,m×50,m的室內(nèi)定位區(qū)域,劃分成50×50個網(wǎng)格(每個網(wǎng)格1,m×1,m),每個網(wǎng)格中間通過移動終端采集一組來自各個AP的RSS指紋數(shù)據(jù),采集時間為5~10,min,同時可能還要使用不同的移動終端或者設(shè)定幾個不同的設(shè)備方向.計(jì)算這個過程所耗費(fèi)的時間,假設(shè)使用單個設(shè)備和固定的方向,整個采集過程需要2,500(網(wǎng)格數(shù))×5(采集時間)=12,500,min,接近9,d.這樣的采集工作極其繁瑣,而且為了適應(yīng)環(huán)境的變化需要周期性地更新,所以通過群智感知獲取指紋數(shù)據(jù)的方式更有效率.

        此外,對于群智感知所采集到的數(shù)據(jù)不一定都能改善系統(tǒng)的性能.Swangmuang等[15]的工作證明了實(shí)際很多數(shù)據(jù)并沒有用.圖1所示是來自2個AP的指紋數(shù)據(jù)集在信號空間上的分布,可以看出在信號空間有些數(shù)據(jù)的歐式距離幾乎為0.從位置分辨率的角度來看,在信號空間距離很近的指紋是冗余指紋,把這樣的指紋放入指紋庫中不僅會增加線上定位時的計(jì)算量甚至?xí)档投ㄎ痪龋缘?節(jié)介紹了本文所提算法如何解決以上問題.

        圖1?兩個AP的指紋數(shù)據(jù)集在信號空間上的分布

        2?FLM算法原理

        針對基于群智感知所獲取的指紋數(shù)據(jù)的兩大問題——數(shù)據(jù)冗余雜亂和指紋注釋,本文提出一種基于非監(jiān)督式學(xué)習(xí)的指紋庫構(gòu)建算法.首先,利用聚類方法學(xué)習(xí)向量量化(LVQ)解決指紋數(shù)據(jù)冗余雜亂問題,通過找到一組原型指紋來刻畫聚類結(jié)構(gòu),提高各個指紋數(shù)據(jù)集在歐式空間的非相似性.然后利用多維標(biāo)度算法(MDS)解決指紋注釋問題,通過對原型指紋向量降維到二維找到原型指紋向量在室內(nèi)平面圖的對應(yīng)坐標(biāo),也就是指紋空間和物理空間的對應(yīng)關(guān)系.總體的算法流程如圖2所示.

        圖2?FLM算法流程

        2.1?群智感知的指紋數(shù)據(jù)模型的建立

        不同于傳統(tǒng)的固定參考點(diǎn)的數(shù)據(jù)采集方式,群智感知采用非固定參考點(diǎn)采集方式,相當(dāng)于在待定位區(qū)域的物理空間對來自各個AP的RSS信號的大量隨機(jī)采樣.假設(shè)待定位區(qū)域的無線接入點(diǎn)(AP)個數(shù)為,一段時間內(nèi)的指紋采樣總數(shù)為,則單次采樣的指紋數(shù)據(jù)為

        2.2?學(xué)習(xí)向量量化聚類(LVQ)

        對于群智感知獲取的指紋數(shù)據(jù)集存在相似性,通過非監(jiān)督式學(xué)習(xí)中的學(xué)習(xí)向量量化來優(yōu)化,找到一組原型指紋向量來刻畫聚類結(jié)構(gòu),但與一般的聚類結(jié)構(gòu)不同,LVQ假設(shè)數(shù)據(jù)樣本帶有類別標(biāo)記,學(xué)習(xí)過程利用監(jiān)督式信息和競爭學(xué)習(xí)來輔助聚類,相對于均值算法具有更好的聚類效果,而相對于高斯混合聚類這類算法又有更小的計(jì)算量.同時算法所生成的簇劃分與指紋空間的劃分相吻合.給定一段時間內(nèi)采樣到的指紋數(shù)據(jù)集為

        式中為學(xué)習(xí)效率,取值范圍(0,1).如圖3所示,在不斷地迭代優(yōu)化學(xué)得一組原型指紋向量后,即可實(shí)現(xiàn)對指紋樣本空間的簇劃分來聚類.

        2.3?多維標(biāo)度法(MDS)降維

        MDS能可視化地展現(xiàn)原始數(shù)據(jù)間的相對關(guān)系.利用這個信息去構(gòu)建合適的低維空間,使得樣本在子空間的距離和在高維空間中的樣本間的相似性盡可能地保持一致[16].在第2.2節(jié)中已經(jīng)對群智感知指紋數(shù)據(jù)集進(jìn)行聚類分區(qū)學(xué)得一組原型指紋向量,接下來提出利用多維標(biāo)度法將維的原型指紋向量降維到二維,從而為這些原型指紋向量打上對應(yīng)的位置標(biāo)簽.如此一致來源于物理空間和指紋空間的相?似性.

        首先,獲取指紋向量的歐式距離矩陣,第個原型指紋和第個原型指紋之間的歐氏距離定義為

        3?仿真場景建立與指紋庫性能分析

        3.1?室內(nèi)無線信道模型

        對于室內(nèi)無線定位以及無線地圖的建立,室內(nèi)無線信道模型是非常重要的[17].在自由空間中,移動終端和AP之間只有直射路徑,接收信號強(qiáng)度可以用Friis傳播公式表示為

        3.2?基于ray-tracing的仿真場景建立

        射線跟蹤(ray-tracing)[18]:基于幾何光學(xué)理論,在高頻條件下將電磁波的傳播近似為射線傳播,通過模擬射線的傳播路徑來確定反射、折射和繞射等.具體的實(shí)施方法是對環(huán)境進(jìn)行幾何建模,分別計(jì)算到達(dá)接收端的每條反射路徑、繞射路徑和透射路徑的場強(qiáng)值,再進(jìn)行矢量和,得到接收端總場強(qiáng).如圖4所示,最簡單的射線跟蹤模型為雙射線模型.

        圖4?雙射線模型

        對于視距路徑,采樣點(diǎn)處直射路徑場強(qiáng)為

        對于反射路徑,信號到達(dá)采樣點(diǎn)的反射路徑強(qiáng)度為

        室內(nèi)無線信道模型為Friis傳播公式,即

        則各個采樣點(diǎn)的RSS值可由式(13)給出

        圖5?基于ray-tracing 模型的場景示意

        如圖6所示,本文在MatLab2013軟件平臺利用上述信道模型進(jìn)行仿真得到了室內(nèi)無線環(huán)境的三維建模圖,基本反映了室內(nèi)無線信號的波動情況.至此,本節(jié)完成了基于ray-tracing模型的仿真場景建立.

        圖6?室內(nèi)RSS三維建模圖

        3.3?定位性能分析

        筆者在上述仿真場景中隨機(jī)采樣各個位置上的RSS值來模擬群智感知數(shù)據(jù)采集方式,然后利用本文所提算法建立指紋法定位所需的指紋庫.如圖7所示,線上測試的RSS指紋數(shù)據(jù)通過行人航位推算[19](pedestrian dead reckoning,PDR)方式獲取,然后通過不同的基本定位算法測試指紋庫性能以及參數(shù)分析.本文進(jìn)行了5,000個采樣點(diǎn)的蒙特卡洛仿真實(shí)驗(yàn),還設(shè)置了1,000個測試指紋數(shù)據(jù)集,包括仿真場景中采樣點(diǎn)的RSS值和真實(shí)位置坐標(biāo).接下來詳細(xì)說明仿真數(shù)據(jù)的實(shí)驗(yàn)結(jié)果.

        圖7?基于PDR的線上測試數(shù)據(jù)獲取

        3.3.1?算法參數(shù)分析

        圖8為平均定位誤差隨原型指紋數(shù)變化的曲線圖,筆者對其中關(guān)鍵原型指紋數(shù)做列表分析,如表1所示.可以看出原型指紋數(shù)的增多(原型指紋550,1,000相對于原型指紋225)對定位精度有著不同程度的提高.這是因?yàn)楦嗟闹讣y采樣數(shù)據(jù)能更好地描述指紋的信號空間分布,減小簇劃分的誤差.但是從圖8來看平均定位誤差并不是隨原型指紋數(shù)量線性變化,所以原型指紋在1,000到5,000時,NN、KNN和WKNN算法定位精度并沒有明顯的提高(0.1%~0.2%,).這是因?yàn)榇胤謪^(qū)內(nèi)所需的定位指紋數(shù)已經(jīng)達(dá)到飽和,指紋數(shù)量的提高只會增加定位的計(jì)算量,定位精度的提高沒有實(shí)質(zhì)性的幫助.

        圖8?原型指紋對定位精度的影響

        表1?原型指紋數(shù)對定位精度的影響

        Tab.1 Influence of prototype fingerprint numbers on localization accuracy

        表2?原型指紋對定位計(jì)算量的影響

        Tab.2 Influence of prototype fingerprints on localization computation amount

        3.3.2?定位性能分析

        圖9為對指紋庫性能分析的CDF曲線,F(xiàn)-KNN為在原始指紋庫上得到的KNN定位算法的CDF曲線,F(xiàn)LM-500-KNN、FLM-1000-KNN和FLM-1500-KNN為在本文所提算法下的指紋庫得到的KNN定位算法的CDF曲線.在F-KNN、FLM-500-KNN、FLM-1000-KNN和FLM-1500-KNN情況下,80%,的定位誤差分別在2.5,m、4.1,m、2.6,m和2.6,m以下.原型指紋數(shù)量在500時的定位效果最差,因?yàn)橹讣y庫中指紋數(shù)量太少,不能全面地表示待定位區(qū)域的指紋分布特征,也就是說指紋相對于物理空間的位置分辨率不夠.而原型指紋數(shù)量在1,000和1,500時,甚至和使用5,000個采樣點(diǎn)的原始指紋庫,KNN的定位精度幾乎一樣.

        本文還測試了另一種主流的室內(nèi)定位算法,在利用融合無線指紋信號和慣性導(dǎo)航的基礎(chǔ)上使用卡爾曼濾波(Kalman filtering,KF)優(yōu)化的定位算法[20].測試效果如圖10所示,F(xiàn)-KF代表在原始指紋庫上得到的卡爾曼濾波定位算法的CDF曲線,F(xiàn)LM-500-KF、FLM-1000-KF和FLM-1500-KF為在FLM下的指紋庫得到的卡爾曼濾波定位算法的CDF曲線.F-KF、FLM-500-KF、FLM-1000-KF和FLM-1500-KF曲線的80%,定位誤差分別在2.17,m、2.6,m、2.3,m和2.1,m以下.相比于KNN,定位精度有很大改善,這歸功于算法的優(yōu)越性.但定位誤差隨著原型指紋數(shù)量變化的趨勢是類似的.這也從側(cè)面驗(yàn)證了本文所提算法FLM的魯棒性.

        圖9?FLM-KNN算法的定位誤差CDF曲線比較

        圖10?FLM-KF算法的定位誤差CDF曲線比較

        4?結(jié)?語

        本文提出利用群智感知的方式獲取指紋法定位所需指紋數(shù)據(jù)集,以克服傳統(tǒng)指紋庫構(gòu)建時耗費(fèi)大量人力和時間的問題.接著,針對原始指紋數(shù)據(jù)的數(shù)據(jù)冗余和指紋注釋問題提出非監(jiān)督式學(xué)習(xí)算法FLM來解決.最后通過ray-tracing原理仿真室內(nèi)定位場景,并對算法參數(shù)和指紋庫定位性能進(jìn)行了分析.從仿真結(jié)果可以看出,本文所提出的指紋庫構(gòu)建算法是有效的而且定位精度很高.同時對于被動式定位也有很大應(yīng)用價值.今后將繼續(xù)對算法進(jìn)行改進(jìn),一方面將對整個方案進(jìn)行實(shí)驗(yàn)應(yīng)用分析;另一方面針對本文所建指紋庫設(shè)計(jì)相應(yīng)的定位算法,以達(dá)到更好的定位性能.

        [1] Liu H,Darabi H,Banerjee P,et al. Survey of wireless indoor positioning techniques and systems[J].,2007,37(6):1067-1080.

        [2] 張明華. 基于WLAN的室內(nèi)定位技術(shù)研究[D]. 上海:上海交通大學(xué)電子信息與電氣工程學(xué)院,2009.

        Zhang Minghua. Research on Indoor Positioning Technology Based on WLAN[D]. Shanghai:School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,2009(in Chinese).

        [3] He S,Chan S H G,. Wi-Fi fingerprint-based indoor positioning:recent advances and comparisons[J].,2016,18(1):466-490.

        [4] Li X,Pahlavan K. Super-resolution TOA estimation with diversity for indoor geolocation[J].,2004,3(1):224-234.

        [5] Bahl P,Padmanabhan V N. RADAR:An in-building RF-based user location and tracking system[C]// 19. Tel Aviv,Israel,2000:775-784.

        [6] Wu C,Yang Z,Liu Y,et al. WILL:Wireless indoor localization without site survey[J].,2013,24(4):839-848.

        [7] He S,Ji B,Chan S H G. Chameleon:Survey-free updating of a fingerprint database for indoor localization [J].,2016,15(4):66-75.

        [8] Wu C,Yang Z,Liu Y. Smartphones based crowdsourcing for indoor localization[J].,2015,14(2):444-457.

        [9] Yang S,Dessai P,Verma M,et al. FreeLoc:Calibration-free crowdsourced indoor localization[C]//2013Turin,Italy,2013:2481-2489.

        [10] Luo C,Hong H,Chan M C. PiLoc:A self-calibrating participatory indoor localization system[C]//1413. Berlin,Germany,2014:143-154.

        [11] Zhang C,Subbu K P,Luo J,et al. GROPING:Geomagnetism and crowdsensing powered indoor navigation[J].,2015,14(2):387-400.

        [12] Ye Y,Wang B. Indoor radio map construction based on crowdsourced fingerprint splitting and fitting[C]//. San Francisco,CA,USA,2017:1-6.

        [13] Jung S H,Moon B C,Han D. Unsupervised learning for crowdsourced indoor localization in wireless networks[J].,2016,15(11):2892-2906.

        [14] Wang B,Chen Q,Yang L T,et al. Indoor smartphone localization via fingerprint crowdsourcing:Challenges and approaches[J].,2016,23(3):82-89.

        [15] Swangmuang N,Krishnamurthy P. Location finger print analyses toward efficient indoor positioning[C]//. Hong Kong,China,2008:100-109.

        [16] Wei N,Xiao W,Yue K T,et al. Fingerprint-MDS based algorithm for indoor wireless localization[C]//. Instanbul,Turkey,2010:1972-1977.

        [17] Gao Z,Ma Y,Liu K,et al. An indoor mlti-Tag cooperative localization algorithm based on NMDS for RFID [J].,2017,17(7):2120-2128.

        [18] Yang C F,Wu B C,Ko C J. A ray-tracing method for modeling indoor wave propagation and penetration[J].,1998,46(6):907-919.

        [19] Ma Y,Dou Z,Jiang Q,et al. Basmag:An optimized HMM-based localization system using backward sequences matching algorithm exploiting geomagnetic information[J].,2016,16(20):7472-7482.

        [20] Ni L M,Liu Y,Lau Y C,et al. LANDMARC:Indoor location sensing using active RFID[J].,2004,10(6):701-710.

        (責(zé)任編輯:王曉燕)

        Fingerprint Database Construction Algorithm for Indoor Localization Based on Crowdsensing and Unsupervised Learning

        Ma Yongtao,Liu Kangwei,Gao Xin

        (School of Microelectronics,Tianjin University,Tianjin 300072,China)

        Aiming at solving the problem of massive manpower and time consumption in fingerprint database construction for fingerprint localization,an algorithm for indoor positioning fingerprint database construction based on crowdsensing and unsupervised learning was proposed in this paper.Firstly,the received signal strength was acquired from access points by crowdsensing,which is the original fingerprint data set.Then,to deal with the problem of data redundancy and fingerprint annotation of the original fingerprint data,a FLM-algorithm based on the combination of learning vector quantization(LVQ)and multidimensional scaling(MDS)was proposed.Finally,the construction of indoor positioning fingerprint database was effectively achieved.Based on ray-tracing,a simulation scenarios of the proposed algorithm was established.Simulation results show that the efficiency of the fingerprint database construction is improved greatly. 80%, of localization error is lower than 2.6,m by appling to the basic localization algorithm,and the amount of localization calculation of the single position is reduced by 63%,.

        crowdsensing;fingerprint database;prototype fingerprint;received signal strength;unsupervised learning

        TN911.7

        A

        0493-2137(2018)10-1065-07

        10.11784/tdxbz201711040

        2017-11-09;

        2018-03-27.

        馬永濤(1979— ),男,博士,副教授,mayongtao@tju.edu.cn.

        劉康偉,1984402393@qq.com.

        國家自然科學(xué)基金資助項(xiàng)目(61671318).

        the National Natural Science Foundation of China(No.,61671318).

        猜你喜歡
        群智定位精度原型
        軟件眾測服務(wù)模式探索與實(shí)踐
        北斗定位精度可達(dá)兩三米
        軍事文摘(2023年4期)2023-04-05 13:57:35
        物聯(lián)網(wǎng)時代移動群智感知技術(shù)中的安全問題淺析
        包裹的一切
        線上教學(xué)平臺評價主體多元化的發(fā)展趨勢
        基于開源和群智的軟件工程實(shí)踐教學(xué)方法
        GPS定位精度研究
        智富時代(2019年4期)2019-06-01 07:35:00
        組合導(dǎo)航的AGV定位精度的改善
        《哈姆雷特》的《圣經(jīng)》敘事原型考證
        論《西藏隱秘歲月》的原型復(fù)現(xiàn)
        高潮社区51视频在线观看| 又大又长粗又爽又黄少妇视频| 久久久国产打桩机| 精品无码专区久久久水蜜桃 | 亚洲天堂色婷婷一区二区| 国产高潮流白浆视频在线观看| 成年站免费网站看v片在线| 人妻丰满熟妇av无码处处不卡| 免费国产一级片内射老| 日本一区二三区在线中文| 欧美高清精品一区二区| 亚洲老妈激情一区二区三区| 午夜免费福利在线观看| 精品蜜桃视频在线观看| 国产桃色一区二区三区| 久久无码av一区二区三区| 中国一级免费毛片| 国产特黄1区2区3区4区| 色婷婷色丁香久久婷婷| 久久精品国产精品国产精品污| 最新国产午夜福利| 国产熟妇一区二区三区网站| 99噜噜噜在线播放| 国产丝袜无码一区二区三区视频| 国产亚洲欧美精品一区| 国产影片免费一级内射| 久久精品中文字幕| 无码少妇一区二区三区芒果| 国产av天堂亚洲国产av麻豆| 久久免费亚洲免费视频| 国产av旡码专区亚洲av苍井空| 中文字幕在线亚洲一区二区三区| 国产三级av在线播放| 尤物在线观看一区蜜桃| 国产精品嫩草影院av| 国产精品国产午夜免费福利看 | 精品成人av人一区二区三区| 亚洲av日韩综合一区久热| 欧美午夜一区二区福利视频| 东风日产系列全部车型| 蜜桃视频在线观看免费亚洲|