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

        ?

        并聯(lián)機(jī)器人視覺盲區(qū)末端位姿檢測方法

        2020-09-26 00:58:12高國琴
        計算機(jī)測量與控制 2020年9期
        關(guān)鍵詞:灰狼盲區(qū)位姿

        高國琴,韓 瀅

        (江蘇大學(xué) 電氣信息工程學(xué)院,江蘇 鎮(zhèn)江 212013)

        0 引言

        目前,機(jī)器人在水果分揀中的應(yīng)用越來越廣泛,而并聯(lián)機(jī)構(gòu)具有結(jié)構(gòu)穩(wěn)定、精度高、動態(tài)性能好等優(yōu)點(diǎn),因此研制了一種水果分揀并聯(lián)機(jī)器人。水果分揀并聯(lián)機(jī)器人分揀水果時,末端執(zhí)行器的位姿反映了機(jī)器人的運(yùn)動狀態(tài)且對實(shí)現(xiàn)閉環(huán)控制有重要意義,因此對末端位姿的實(shí)時檢測是成功抓取并分揀水果的前提。

        現(xiàn)有位姿檢測方法中,雙目視覺末端位姿檢測具有適用性強(qiáng)、性價比高等優(yōu)點(diǎn),適用于難以直接檢測的多運(yùn)動自由度并聯(lián)機(jī)器人末端位姿檢測[1]。然而并聯(lián)機(jī)器人由多支路構(gòu)成,機(jī)構(gòu)復(fù)雜,在雙目視覺成像中末端執(zhí)行器易受到機(jī)構(gòu)自身支路的遮擋,導(dǎo)致雙目視覺盲區(qū)末端位姿檢測錯誤。針對雙目視覺檢測盲區(qū)問題,有研究采用多目相機(jī)獲取球形視野,消除視覺盲區(qū),并應(yīng)用于電動輪椅的安全避障和手勢識別[2],但該方法應(yīng)用于并聯(lián)機(jī)器人末端位姿檢測時存在相機(jī)標(biāo)定困難和多幅圖像難以實(shí)現(xiàn)高準(zhǔn)確率匹配問題;有研究采用一對廣角魚眼鏡頭擴(kuò)大視野范圍,但該方法應(yīng)用于并聯(lián)機(jī)器人末端位姿檢測時圖像邊緣畸變較大,導(dǎo)致立體匹配產(chǎn)生較大誤差[3]。因此,上述研究應(yīng)用于水果分揀并聯(lián)機(jī)器人末端位姿檢測不僅對硬件要求高,同時會帶來后續(xù)圖像處理難度。

        為解決雙目視覺盲區(qū)末端位姿錯誤檢測的問題,考慮采用運(yùn)動學(xué)正解得到末端位姿,然而并聯(lián)機(jī)器人各部件的加工制造誤差、裝配過程中產(chǎn)生的誤差、因重力在不同位形下的變形誤差等,均會造成運(yùn)動學(xué)模型建立不精確,進(jìn)而導(dǎo)致基于運(yùn)動學(xué)模型求解出的運(yùn)動學(xué)正解存在較大誤差,且該誤差難以用一個準(zhǔn)確的數(shù)學(xué)模型來描述[4]。RBF神經(jīng)網(wǎng)絡(luò)(RBFNN)具有較強(qiáng)的預(yù)測和泛化能力,適用于水果分揀并聯(lián)機(jī)器人末端位姿檢測的實(shí)時誤差補(bǔ)償。但RBFNN在進(jìn)行樣本訓(xùn)練時,存在權(quán)值隨機(jī)選取而引起的預(yù)測精度不高問題,因此需要對權(quán)值進(jìn)行優(yōu)化以提高其預(yù)測精度[5]。針對這一問題,國內(nèi)有研究提出GWO算法優(yōu)化RBFNN權(quán)值并應(yīng)用于模擬電路故障診斷[6];國外有研究提出一種GWO算法優(yōu)化RBFNN的油水相對滲透率預(yù)測模型,并與PSO(粒子群)、GA(遺傳)和DE(差分進(jìn)化)算法進(jìn)行對比,驗(yàn)證了GWO算法優(yōu)化RBFNN權(quán)值的優(yōu)越性[7]。然而上述方法應(yīng)用于并聯(lián)機(jī)器人末端位姿誤差補(bǔ)償時,GWO算法易出現(xiàn)早熟收斂,致使網(wǎng)絡(luò)預(yù)測精度不高。為解決這一問題,提出一種GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值的方法,并將混合優(yōu)化的RBFNN應(yīng)用于視覺盲區(qū),通過對運(yùn)動學(xué)正解進(jìn)行誤差補(bǔ)償以提高末端位姿檢測精度。

        1 水果分揀并聯(lián)機(jī)器人運(yùn)動學(xué)正解

        水果分揀并聯(lián)機(jī)器人機(jī)構(gòu)原型如圖1所示,該機(jī)構(gòu)主要由靜平臺、主(輔)動平臺和連接動、靜平臺的四組支鏈組成。其中,靜平臺上安裝有伺服電機(jī)、減速器和雙目相機(jī),每條支鏈都由主動臂和從動臂組成,主動臂與減速器通過漲緊套固定連結(jié)。利用與減速器配接的伺服電機(jī)實(shí)現(xiàn)主動臂轉(zhuǎn)動,從而實(shí)現(xiàn)末端執(zhí)行器的三自由度平動和繞豎直軸轉(zhuǎn)動[8]。

        圖1 水果分揀并聯(lián)機(jī)器人

        為便于運(yùn)動學(xué)正解求解,將并聯(lián)機(jī)器人的主體機(jī)構(gòu)—Cross-IV機(jī)械手簡化為圖2所示結(jié)構(gòu)。

        圖2 Cross-IV機(jī)械手結(jié)構(gòu)簡圖

        如圖2所示,Cross-IV機(jī)械手的動平臺分為主平臺和輔平臺,將主平臺和輔平臺分別簡化為質(zhì)點(diǎn)P1和P2,P2為標(biāo)定板中心點(diǎn),建立參考坐標(biāo)系O-xyz,原點(diǎn)靜平臺中心,則點(diǎn)P2在該坐標(biāo)系中的位置矢量r可表示為:

        (1)

        式中,εi=1,3=0,εi=2,4=1;ei表示O到Ai的向量,|ei|表示動平臺與靜平臺的內(nèi)切圓半徑差,Xi=(Xi1,Xi2,…,Xis);γi表示靜平臺結(jié)構(gòu)角,γi=(i-1)π/2;l1,l2,ui,wi分別表示支鏈i的主動臂和從動臂的桿長與單位矢量,其中,ui=(cosγicosθisinγicosθi-sinθi)T,θi表示主動臂i(i=1,2,3,4)的轉(zhuǎn)角。

        將式(1)改寫為:

        (2)

        同時兩端點(diǎn)乘各自的轉(zhuǎn)置,得:

        (3)

        展開公式(3)得:

        x2+y2-2(e+l1cosθi)(xcosγi+ysinγi)+

        (4)

        公式(4)展開得:

        x2-2xecosγi+e2cos2γi-2l1xcosγicosθi+

        2yesinγi+e2sin2γi-2l1ysinγicosθi+

        (5)

        根據(jù)θi(i=1,2,3,4)即可求出點(diǎn)P2的位置(x,y,z)和s。將s代入式(6)求出繞Z軸的轉(zhuǎn)角γ:

        γ=(2π/p)s

        (6)

        2 混合優(yōu)化的RBFNN設(shè)計

        為解決RBFNN對視覺盲區(qū)的運(yùn)動學(xué)正解進(jìn)行誤差補(bǔ)償時存在的預(yù)測精度不高問題,需對其網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化。GWO算法具有較強(qiáng)的全局搜索能力,實(shí)現(xiàn)簡單且收斂速度快[9],但其優(yōu)化RBFNN權(quán)值時存在因早熟收斂而引起的網(wǎng)絡(luò)預(yù)測精度不高問題。針對該問題,提出一種GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值方法,不僅能避免GWO算法單獨(dú)優(yōu)化RBFNN權(quán)值時出現(xiàn)的早熟收斂問題,同時能利用GWO算法的全局優(yōu)化性能和LM算法的局部優(yōu)化性能提高RBFNN的預(yù)測精度。GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值的過程如下:

        1) 建立RBFNN,設(shè)置測試誤差閾值ε,阻尼因子μ,阻尼系數(shù)β,最大迭代次數(shù)K,初始迭代次數(shù)k=0;

        2) 最近鄰聚類算法確定RBFNN基函數(shù)的中心、寬度和初始權(quán)值w;

        3) 輸入權(quán)值構(gòu)建新的RBFNN;

        4) 計算網(wǎng)絡(luò)目標(biāo)誤差函數(shù)E(x);

        5) 計算雅克比矩陣J;

        6) 計算權(quán)值向量調(diào)整值Δw并進(jìn)行權(quán)值更新wk+1=wk+Δw;

        7) 判斷是否E(w)<ε,滿足則結(jié)束訓(xùn)練,否則執(zhí)行步驟8);

        8) 計算E(wk+1),判斷是否E(wk+1)

        9) 初始化灰狼種群,最大迭代次數(shù)T,初始化參數(shù)a、A、C;

        10) 計算種群內(nèi)每個個體的適應(yīng)度值,確定α、β、δ灰狼;

        11) 在定義域內(nèi)隨機(jī)產(chǎn)生α灰狼、β灰狼、δ灰狼的位置,并計算其余灰狼ω位置,更新參數(shù)a、A、C;

        12) 判斷是否達(dá)到最大迭代次數(shù)或精度,若達(dá)到,執(zhí)行步驟3),否則執(zhí)行步驟10)。

        具體權(quán)值優(yōu)化流程圖如圖3所示。

        圖3 GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值流程圖

        2.1 GWO算法

        GWO算法通過模擬自然界中灰狼尋找、包圍和攻擊獵物等狩獵機(jī)制的過程來完成優(yōu)化工作。如圖4所示,將灰狼族群劃分為4個等級,分別為最優(yōu)灰狼α,次優(yōu)灰狼β、第三優(yōu)灰狼δ和普通灰狼ω[10],在追擊獵物過程中,由α、β、δ灰狼進(jìn)行獵物追捕,而普通灰狼ω跟隨灰狼α、β、δ進(jìn)行獵物圍捕,獵物的位置則是問題的最優(yōu)解。

        圖4 灰狼族群等級制度結(jié)構(gòu)圖

        定義在S維搜索空間內(nèi)第i只狼的位置為Xi=(Xi1,Xi2,…,Xis),其中(i=1,2,…,N),第i只狼與獵物間的距離為Di,則灰狼追捕獵物的行為描述如下:

        Xi(t+1)=XP(t)-Ai·Di

        (7)

        Di=|Ci·XP-Xi|

        (8)

        式中,t為迭代次數(shù),X(t)表示第t代灰狼個體當(dāng)前的位置,XP(t)為第t代獵物的位置;Ai為收斂因子,C表示向量系數(shù),且:

        Ai=2ar1-a

        (9)

        Ci=2r2

        (10)

        式中,a隨著迭代次數(shù)t的增加從2線性遞減至0;r1,r2為[0,1]內(nèi)的隨機(jī)數(shù)。

        定義灰狼族群向獵物追捕過程中,灰狼個體的位置向量更新方式為:

        Dα=|C1·Xα(t)-Xω(t)|

        (11)

        Dβ=|C2·Xβ(t)-Xω(t)|

        (12)

        Dδ=|C3·Xδ(t)-Xω(t)|

        (13)

        X1=Xα-A1·Dα

        (14)

        X2=Xβ-A2·Dβ

        (15)

        X3=Xδ-A3·Dδ

        (16)

        Xω(t+1)=(X1+X2+X3)/3

        (17)

        式中,Xω(t+1)表示灰狼個體更新后的位置向量。

        圖5為說明上述公式的灰狼位置更新機(jī)制原理圖,最優(yōu)灰狼α、次優(yōu)灰狼β和第三優(yōu)灰狼δ對獵物的位置進(jìn)行追蹤,普通灰狼ω以此為參考在獵物周圍隨機(jī)更新位置,直到獵物在灰狼α、β或δ的隨機(jī)圓內(nèi)停止更新[11]。

        圖5 灰狼位置更新原理圖

        2.2 LM算法

        LM算法是梯度下降法和高斯-牛頓法相結(jié)合的快速數(shù)值優(yōu)化算法,其局部搜索能力強(qiáng),具有局部快速收斂特性[12]。根據(jù)LM算法的基本思想,設(shè)ωk∈Rn表示經(jīng)過第k次迭代后的網(wǎng)絡(luò)權(quán)值向量,則新的權(quán)值向量ωk+1可根據(jù)下面的公式求得[13]:

        ωk+1=ωk+Δω

        (18)

        Δω=-[JT(ω)J(ω)+μI]-1JT(ω)e(ω)

        (19)

        式(19)中,J(ω)為Jacobi矩陣,e(ω)=(e1,e2,…eN)T表示誤差,I為單位矩陣,n為網(wǎng)絡(luò)權(quán)值數(shù)量;μ為阻尼因子。

        設(shè)誤差函數(shù)為:

        (20)

        其中:t,o分別為網(wǎng)絡(luò)各輸出層的實(shí)際輸出和期望輸出。

        3 運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測

        首先在非視覺盲區(qū)采樣,然后進(jìn)行RBFNN訓(xùn)練,訓(xùn)練中采用GWO算法和LM算法混合優(yōu)化網(wǎng)絡(luò)權(quán)值,將訓(xùn)練好的混合優(yōu)化RBFNN用于視覺盲區(qū)末端位姿檢測,通過對運(yùn)動學(xué)正解進(jìn)行誤差補(bǔ)償以提高末端位姿檢測精度。

        3.1 RBFNN的訓(xùn)練樣本

        水果分揀并聯(lián)機(jī)器人的工作空間較小且RBFNN擁有較強(qiáng)的泛化能力,因此在非視覺盲區(qū)進(jìn)行采樣。樣本包括運(yùn)動學(xué)正解和視覺檢測的末端位姿,其中運(yùn)動學(xué)正解為RBFNN訓(xùn)練的輸入樣本,視覺檢測的末端位姿與運(yùn)動學(xué)正解的差值為RBFNN訓(xùn)練的輸出樣本。

        為保證混合優(yōu)化RBFNN的輸入與輸出在[0,1]之間,對訓(xùn)練樣本[Xo,Yo]進(jìn)行歸一化處理,即:

        (21)

        (22)

        式中,xoi,min,xoi,max,yoi,min與yoi,max分別為[Xo,Yo]中xoi與yoi的最小值與最大值。

        則樣本學(xué)習(xí)后還原得到的網(wǎng)絡(luò)輸出yi,out為:

        yi,out=yoi,min+yi(yoi,max-yoi,min)

        (23)

        3.2 GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值

        首先通過最近鄰聚類算法[14]確定RBFNN的徑向基函數(shù)中心及初始權(quán)值,然后采用GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值,算法切換可通過精度或最大迭代步數(shù)實(shí)現(xiàn)。通過互以對方訓(xùn)練結(jié)果作為自己的初始群體或初始值,反復(fù)交替訓(xùn)練,直到達(dá)到所設(shè)置的測試誤差閾值或達(dá)到訓(xùn)練的最大次數(shù)時輸出最優(yōu)權(quán)值。

        3.3 運(yùn)動學(xué)正解誤差補(bǔ)償

        混合優(yōu)化的RBFNN訓(xùn)練完成后,將其用于視覺盲區(qū)的運(yùn)動學(xué)正解誤差補(bǔ)償,以提高視覺盲區(qū)的末端位姿檢測精度。

        4 實(shí)驗(yàn)與結(jié)果分析

        實(shí)驗(yàn)平臺包括硬件平臺和軟件平臺。硬件平臺:操作系統(tǒng)Windows7,處理器 Intel(R) Core(TM) i7-3770,主頻3.40 GHz,內(nèi)存8 GB。軟件平臺:MATLAB、VC++。

        實(shí)驗(yàn)方法:為驗(yàn)證本文提出的GWO算法和LM混合優(yōu)化RBFNN權(quán)值方法相比于GWO算法優(yōu)化RBFNN權(quán)值方法以及未優(yōu)化RBFNN權(quán)值方法的有效性,進(jìn)行三組實(shí)驗(yàn)對比。在非視覺盲區(qū)采集300組樣本數(shù)據(jù),將運(yùn)動學(xué)正解求得的末端位姿作為RBFNN訓(xùn)練的輸入樣本,視覺檢測的末端位姿與運(yùn)動學(xué)正解的差值作為輸出樣本。取2/3作為訓(xùn)練樣本,1/3作為測試樣本,分別采用未優(yōu)化的RBFNN、GWO算法優(yōu)化的RBFNN、GWO算法和LM算法混合優(yōu)化的RBFNN進(jìn)行樣本訓(xùn)練和測試,并依據(jù)末端位姿(x,y,z,γ)各分量的測試誤差對3種方法進(jìn)行比較分析。

        在視覺盲區(qū)進(jìn)行末端位姿檢測實(shí)驗(yàn),首先通過運(yùn)動學(xué)正解得到末端位姿,然后采用混合優(yōu)化的RBFNN對運(yùn)動學(xué)正解進(jìn)行末端位姿誤差補(bǔ)償,將補(bǔ)償前的末端位姿和補(bǔ)償后的末端位姿分別與激光跟蹤儀Leica AT901和電子羅盤Honeywell-HMR3100測得的實(shí)際末端位姿進(jìn)行對比,以驗(yàn)證所提出的視覺盲區(qū)末端位姿檢測方法的有效性。

        實(shí)驗(yàn)結(jié)果和分析:針對相同樣本,采用未優(yōu)化的RBFNN、GWO算法優(yōu)化的RBFNN、GWO算法和LM算法混合優(yōu)化的RBFNN進(jìn)行訓(xùn)練,所得測試樣本誤差分別如圖6~8所示。

        圖6 未優(yōu)化RBFNN的測試樣本誤差

        圖7 GWO算法優(yōu)化RBFNN的測試樣本誤差

        圖8 GWO算法和LM算法混合優(yōu)化RBFNN的測試樣本誤差

        由圖6~8分析得,GWO算法和LM算法混合優(yōu)化RBFNN的測試誤差明顯低于未優(yōu)化的RBFNN和GWO算法優(yōu)化的RBFNN,說明所提出的混合優(yōu)化RBFNN的預(yù)測效果更優(yōu)。

        分別采用基于運(yùn)動學(xué)正解的末端位姿檢測方法、運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測方法完成水果分揀并聯(lián)機(jī)器人視覺盲區(qū)末端位姿檢測實(shí)驗(yàn),檢測誤差如圖9~10所示,圖9為基于運(yùn)動學(xué)正解的末端位姿檢測誤差,圖10為運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測誤差,表2為檢測誤差統(tǒng)計結(jié)果。

        圖9 基于運(yùn)動學(xué)正解的末端位姿檢測誤差

        圖10 運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測誤差

        由表1分析得,與基于運(yùn)動學(xué)正解的末端位姿檢測方法相比,運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測方法將視覺盲區(qū)末端位姿(x,y,z,γ)分量x誤差的平均絕對值和標(biāo)準(zhǔn)差降低了54.4%和52.9%;y誤差的平均絕對值和標(biāo)準(zhǔn)差降低了67.7%和62.8%;z誤差的平均絕對值和標(biāo)準(zhǔn)差降低了54.7%和51.9%;γ誤差的平均絕對值和標(biāo)準(zhǔn)差降低了52.9%和58.8%。

        表1 視覺盲區(qū)末端位姿檢測誤差結(jié)果統(tǒng)計

        5 結(jié)束語

        為解決水果分揀并聯(lián)機(jī)器人雙目視覺盲區(qū)的末端位姿錯誤檢測問題,并提高視覺盲區(qū)的末端位姿檢測精度,提出一種運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測方法。主要結(jié)論如下:

        1) 針對GWO算法優(yōu)化RBFNN權(quán)值時易陷入早熟收斂而引起的網(wǎng)絡(luò)預(yù)測精度不高問題,提出了一種GWO算法和LM算法混合優(yōu)化RBFNN權(quán)值方法,并將混合優(yōu)化的RBFNN應(yīng)用于水果分揀并聯(lián)機(jī)器人雙目視覺盲區(qū)末端位姿檢測,通過對運(yùn)動學(xué)正解進(jìn)行誤差補(bǔ)償,不僅解決了并聯(lián)機(jī)器人受機(jī)構(gòu)支路遮擋造成的視覺盲區(qū)末端位姿錯誤檢測問題,同時提高了視覺盲區(qū)的末端位姿檢測精度。

        2) 將基于運(yùn)動學(xué)正解的末端位姿檢測方法,與運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測方法進(jìn)行實(shí)驗(yàn)對比,實(shí)驗(yàn)結(jié)果表明運(yùn)動學(xué)正解結(jié)合混合優(yōu)化RBFNN誤差補(bǔ)償?shù)哪┒宋蛔藱z測方法將視覺盲區(qū)末端位姿(x,y,z,γ)分量x,y,z,γ的誤差平均絕對值分別降低了54.4%、67.7%、54.7%和52.9%,誤差標(biāo)準(zhǔn)差分別降低了52.9%、62.8%、51.9%和58.8%。因此,所提出的末端位姿檢測方法提高了視覺盲區(qū)水果分揀并聯(lián)機(jī)器人的末端位姿檢測精度。

        猜你喜歡
        灰狼盲區(qū)位姿
        盲區(qū)50米
        谷谷雞和小灰狼
        小太陽畫報(2019年1期)2019-06-11 10:29:48
        交叉感應(yīng)環(huán)線通信盲區(qū)分析和應(yīng)對
        灰狼的大大噴嚏
        產(chǎn)能不足、去向不明,危廢監(jiān)管盲區(qū)依然存在
        資源再生(2017年4期)2017-06-15 20:28:30
        灰狼和老虎
        快樂語文(2016年15期)2016-11-07 09:46:31
        基于共面直線迭代加權(quán)最小二乘的相機(jī)位姿估計
        基于CAD模型的單目六自由度位姿測量
        小型四旋翼飛行器位姿建模及其仿真
        重慶事件與醫(yī)保盲區(qū)
        91九色免费视频网站 | 美女被射视频在线观看91| 亚洲一区二区自偷自拍另类| 日韩精品人妻中文字幕有码| 中文字幕一区二区三区喷水| 精品国产一区二区三区性色| 色婷婷五月综合久久| 99久久久无码国产aaa精品| 巨臀精品无码AV在线播放| 我揉搓少妇好久没做高潮| 久久精品国产亚洲av麻豆图片| 国产精品成人99一区无码| 日韩欧美精品有码在线观看 | 欧美a级情欲片在线观看免费| 国产综合自拍| 亚洲av国产精品色a变脸| 免费观看全黄做爰大片| 中文字幕av一区中文字幕天堂| 日韩精品一区二区三区视频| 国产精品一区二区AV不卡| 日本在线观看一二三区| 未满十八勿入av网免费| 免费人成黄页在线观看视频国产| 国产成人福利av一区二区三区| 国产免费一区二区三区精品视频| 久久久久久国产精品mv| 日韩欧美国产亚洲中文| 亚洲粉嫩视频在线观看| 五月av综合av国产av| 婷婷综合缴情亚洲| 日本激情视频一区在线观看| 人妻少妇久久中中文字幕| 成人免费777777被爆出| 久久青青草原亚洲AV无码麻豆| 中文字幕人妻激情在线视频| 日韩欧美aⅴ综合网站发布| av无码精品一区二区三区四区| 青青青伊人色综合久久| 国产亚洲一区二区在线观看| 日韩a无v码在线播放| 亚洲图片第二页|