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

        ?

        基于礦區(qū)巷道巡檢機(jī)器人的LOAM-SLAM地圖重建改進(jìn)算法的研究

        2022-04-26 10:12:32秦學(xué)斌景寧波薛宇強(qiáng)朱信龍張俊樂
        金屬礦山 2022年4期
        關(guān)鍵詞:里程計角點(diǎn)位姿

        秦學(xué)斌 王 炳 景寧波 薛宇強(qiáng) 朱信龍 張俊樂

        (1.西安科技大學(xué)電氣與控制工程學(xué)院,陜西 西安 710054;2.西安科技大學(xué)工程訓(xùn)練中心,陜西 西安 710054;3.陜西陜煤陜北礦業(yè)有限公司,陜西 榆林 719000;4.陜西省計量科學(xué)研究院,陜西 西安 710100)

        1 問題的提出

        中國煤炭使用歷史已超千年,規(guī)?;?、機(jī)械化煤炭挖掘有百多年歷史,前期不科學(xué)的開采工作嚴(yán)重破壞部分礦區(qū)環(huán)境,包括地下水?dāng)?shù)量和質(zhì)量下降、地面沉降、采礦廢物儲存不當(dāng)、土地占用和其他影響,給當(dāng)?shù)鼐用裆顜聿槐?且該行業(yè)一直被廣泛認(rèn)知為高危、艱苦行業(yè),相關(guān)技術(shù)受關(guān)注度較低,發(fā)展緩慢,礦業(yè)工作人員安全存在風(fēng)險[1]。針對采煤產(chǎn)生的環(huán)境問題以及安全問題,“十三五”期間,全國礦山產(chǎn)業(yè)結(jié)構(gòu)不斷優(yōu)化,淘汰退出煤礦5 464處,涉及產(chǎn)能9.4億t,整頓關(guān)閉金屬非金屬礦山和尾礦庫1.9萬余座[2]。

        近年來,在關(guān)停不合格礦區(qū)礦井以增加行業(yè)安全性、投入使用“少人/無人化”智能礦用機(jī)械以提高開采科學(xué)性和效率性的多重影響下,我國礦業(yè)智能化建設(shè)取得積極進(jìn)展,這是礦業(yè)工業(yè)發(fā)展的必然選擇,且符合“中國制造2025”的國家戰(zhàn)略[3]。2019年國家煤監(jiān)局提出的《煤礦機(jī)器人重點(diǎn)研發(fā)目錄》[4]明確了礦區(qū)機(jī)器人的分類及相應(yīng)標(biāo)準(zhǔn),智能化采掘工作面從2015年僅有3個增加到275個,截至2021年1月增至494個、同比增加80%,掘進(jìn)、巡檢、運(yùn)輸?shù)?9種機(jī)器人在礦區(qū)現(xiàn)場已有示范應(yīng)用[5]。2020年12月,國家電投集團(tuán)內(nèi)蒙古白音華煤電有限公司礦用卡車無人駕駛項目實現(xiàn)階段性目標(biāo),并穩(wěn)定參與到剝離生產(chǎn)作業(yè)中,礦區(qū)已完成12臺無人駕駛礦用卡車編組運(yùn)行,每臺核載約為50 t物料,行駛速度為12 km/h,實現(xiàn)了單車中間運(yùn)輸路段無人運(yùn)行;2021年3月,陜煤集團(tuán)黃陵礦業(yè)公司部署煤礦巡檢機(jī)器人群,該機(jī)器人群可以實現(xiàn)遠(yuǎn)程操控、智能巡檢,減輕了約180位巡檢工人的工作量[6]。

        根據(jù)《煤礦機(jī)器人重點(diǎn)研發(fā)目錄》,需要環(huán)境感知、路徑規(guī)劃技術(shù)支撐的煤礦機(jī)器人可以分為5類:掘進(jìn)類(掘進(jìn)機(jī)器人)、采煤類(采煤機(jī)機(jī)器人)、運(yùn)輸類(搬運(yùn)機(jī)器人、巷道清理機(jī)器人、井下無人駕駛運(yùn)輸車、露天礦卡車無人駕駛系統(tǒng))、安控類(工作面巡檢機(jī)器人、皮帶機(jī)巡檢機(jī)器人、巷道巡檢機(jī)器人)、救援類(井下?lián)岆U作業(yè)機(jī)器人、礦井救援機(jī)器人、災(zāi)后搜救水陸兩棲機(jī)器人)[7]。本研究根據(jù)現(xiàn)有行業(yè)指導(dǎo)方案及國內(nèi)外研究進(jìn)展,以巷道巡檢機(jī)器人SLAM(simultaneous localization and mapping)建圖算法為切入點(diǎn),結(jié)合礦區(qū)井下巷道復(fù)雜環(huán)境,同時考慮礦區(qū)成本,實現(xiàn)巡檢機(jī)器人巡檢地圖路線精度的提升。傳統(tǒng)井下巷道巡檢機(jī)器人SLAM建圖算法存在以下弊端:①對傳感器數(shù)量及配置要求較高,需要多傳感器聯(lián)合調(diào)配,從而進(jìn)行數(shù)據(jù)采集,增加礦區(qū)成本;②建圖與定位過程所需數(shù)據(jù)量較高,使得算法的時間復(fù)雜度較高,大大降低了運(yùn)行效率;③難以適應(yīng)礦區(qū)井下復(fù)雜路況,在井下采集數(shù)據(jù)時,算法自身無法處理采集的數(shù)據(jù),從而降低地圖路線精度,導(dǎo)致巡檢機(jī)器人無法完成井下巡檢任務(wù),從而存在井下安全隱患。

        對上述弊端進(jìn)行分析之后,在 LOAM(Lidar Odometry and Mapping in Real-time)建圖算法的基礎(chǔ)上,提出了一種基于礦區(qū)巷道巡檢機(jī)器人的LOAMSLAM地圖重建改進(jìn)算法。該算法選用單軸單線激光雷達(dá)進(jìn)行數(shù)據(jù)采集,降低礦區(qū)成本。算法層面利用Harris 3D角點(diǎn)檢測,選取角點(diǎn)作為點(diǎn)云幀數(shù)據(jù)中的關(guān)鍵點(diǎn)進(jìn)行匹配,保證計算量的同時,去除部分冗余數(shù)據(jù)。通過EKF(Extended Kalman Filter,擴(kuò)展卡爾曼濾波)消除由于激光雷達(dá)抖動所產(chǎn)生的點(diǎn)云運(yùn)動畸變,提高建圖定位精度,同時對機(jī)器人進(jìn)行運(yùn)動估計,保證巡檢機(jī)器人巡檢路線的準(zhǔn)確性和安全性。

        2 LOAM算法

        由于點(diǎn)云中的點(diǎn)隨著激光雷達(dá)運(yùn)動會產(chǎn)生運(yùn)動畸變,也就是點(diǎn)云中的點(diǎn)會相對實際環(huán)境中的物品表面上的點(diǎn)存在位置上的誤差。運(yùn)動畸變會造成點(diǎn)云在匹配時發(fā)生錯誤,從而不能正確獲得兩幀點(diǎn)云的相對位置關(guān)系也就無法獲得正確的里程計信息[8]。LOAM算法將SLAM問題分成了2部分,使用2個算法并行運(yùn)行來處理這2部分問題,以達(dá)到實時構(gòu)建低漂移的地圖(即使用1個三維空間中運(yùn)動的兩軸單線激光雷達(dá)來構(gòu)建實時激光里程計并建圖)。其中一個算法以10 Hz的頻率運(yùn)行,得到1個較為粗糙的里程計信息。該算法使用基于特征點(diǎn)的scan-to-scan match(點(diǎn)集與點(diǎn)集配準(zhǔn))方法,可以快速計算得到里程計信息。另一個算法以1 Hz的頻率運(yùn)行,輸出1個更為精確的里程計信息。

        如圖1為LOAM算法主要流程圖:①Point Cloud Registration,使用IMU數(shù)據(jù)進(jìn)行點(diǎn)云運(yùn)動畸變?nèi)コ?②特征點(diǎn)提取,LOAM中提取的特征點(diǎn)有2種——Edge Point和Planar Point,2種特征使用曲率來進(jìn)行區(qū)分,曲率最大的為Edge Point,曲率最小的為Planar Point;③Lidar Odometry,激光幀的時間同步、點(diǎn)云匹配與誤差函數(shù);④Lidar Mapping,機(jī)器人位姿變換;⑤Transform Integration,融合了Lidar Mapping得到的位姿變換和Lidar Odometry得到的位姿變換。最終發(fā)布1個頻率與Lidar Odometry發(fā)布頻率一致的位姿變換。

        圖1 LOAM算法主要流程圖Fig.1 The flow-process diagram of LOAM algorithm

        3 基于礦區(qū)巷道巡檢機(jī)器人的 LOAMSLAM地圖重建改進(jìn)算法

        3.1 算法描述

        該算法繼承LOAM算法對于點(diǎn)云數(shù)據(jù)的配準(zhǔn)scan-to-map match(點(diǎn)集與子圖配準(zhǔn))方式,在此基礎(chǔ)上運(yùn)用Harris-3D角點(diǎn)檢測算法,在選定區(qū)域內(nèi)檢測點(diǎn)云數(shù)據(jù)幀的關(guān)鍵點(diǎn),以此為中心點(diǎn)進(jìn)行點(diǎn)云數(shù)據(jù)的配準(zhǔn),保證計算量的同時,去除了部分冗余數(shù)據(jù)。由于該算法選用單軸單線激光雷達(dá),故不能通過原算法中利用三維空間中運(yùn)動的兩軸單線激光雷達(dá)將定位和建圖分別進(jìn)行的方式,從而消除運(yùn)動畸變。故考慮運(yùn)用EKF(擴(kuò)展卡爾曼濾波)消除由于激光雷達(dá)抖動所產(chǎn)生的運(yùn)動畸變,同時通過狀態(tài)方程和預(yù)測方程,對機(jī)器人進(jìn)行運(yùn)動估計,提高定位精度。

        3.2 特征點(diǎn)提取

        利用單軸單線激光雷達(dá)采集點(diǎn)云數(shù)據(jù)后,傳統(tǒng)SLAM建圖算法中相互關(guān)聯(lián)的特征點(diǎn)是通過特征值和特征向量來獲得,這種方法計算量大,且容易造成局部差異。本算法利用Harris 3D角點(diǎn)檢測,選取角點(diǎn)作為點(diǎn)云幀數(shù)據(jù)中的關(guān)鍵點(diǎn)進(jìn)行點(diǎn)云數(shù)據(jù)幀的匹配,保證計算量的同時,可去除部分冗余數(shù)據(jù),而且具備穩(wěn)定性質(zhì)的特征。

        Harris 3D確定角點(diǎn)的方法是方塊體內(nèi)點(diǎn)云的數(shù)量變化。在點(diǎn)云中存在1點(diǎn)p,在p上建立1個局部坐標(biāo)系:z方向是法線方向,x、y方向和z垂直。在p上建立1個小正方體:①如果小正方體沿z方向移動,那小正方體里的點(diǎn)云數(shù)量不變;②如果小正方體位于邊緣上,則沿邊緣移動,點(diǎn)云數(shù)量幾乎不變,沿垂直邊緣方向移動,點(diǎn)云數(shù)量改變;③如果小正方體位于角點(diǎn)上,則有2個方向都會大幅改變點(diǎn)云量。

        由二維圖像的矩陣M擴(kuò)展至三維點(diǎn)云,矩陣M元素為法向量(包含法線和方向2個信息)x、y、z構(gòu)成協(xié)方差矩陣,屬于對稱矩陣,該矩陣的特征向量有1個方向是法線方向,另外2個方向和法線垂直。其中,半徑r可以用來控制角點(diǎn)的規(guī)模,r小,則對應(yīng)的角點(diǎn)越尖銳(對噪聲更敏感),r大,則可能在平緩的區(qū)域也檢測出角點(diǎn)。

        計算點(diǎn)云的Harris響應(yīng)值:

        通過提取方塊內(nèi)的點(diǎn)云數(shù)據(jù),計算Harris 3D算法中的矩陣M的跡和行列式,最后由計算出來的結(jié)果,配合公式,輸出關(guān)鍵角點(diǎn)的坐標(biāo)(x,y,z)。

        3.3 點(diǎn)云配準(zhǔn)

        SLAM中點(diǎn)云匹配的問題分為scan-to-scan(點(diǎn)集與點(diǎn)集)、scan-to-map(點(diǎn)集與子圖)、map-to-map(子圖與子圖)。而三者各有特點(diǎn),scan-to-scan匹配:優(yōu)點(diǎn)是計算量小速度快,缺點(diǎn)是誤差累計大,長距離誤差累計后地圖精度下降。map-to-map的匹配:優(yōu)點(diǎn)是精度高,誤差累計小;缺點(diǎn)就是計算量大,實時性壓力大;scan-to-map的匹配居中。由于該算法利用Harris 3D選取角點(diǎn)作為點(diǎn)云幀數(shù)據(jù)中的關(guān)鍵點(diǎn)進(jìn)行點(diǎn)云數(shù)據(jù)幀的匹配,去除了部分冗余數(shù)據(jù),故選用scan-tomap點(diǎn)云匹配方式。

        如圖2(a)所示,通過提取角點(diǎn)作為關(guān)鍵點(diǎn)選取某幾幀點(diǎn)云數(shù)據(jù)組成子圖,之后點(diǎn)云數(shù)據(jù)幀如圖2(b)所示,與子圖相互匹配,配合上述完成的Harris 3D點(diǎn)云檢測,最終完成點(diǎn)云配準(zhǔn)。

        圖2 點(diǎn)云配準(zhǔn)過程圖Fig.2 Point cloud registration process diagram

        圖3為通過Harris 3D角點(diǎn)所配準(zhǔn)的最終效果圖,圖中白色點(diǎn)表示所檢測出來的Harris 3D角點(diǎn),所選場景為井下模擬礦道。

        圖3 點(diǎn)云配準(zhǔn)圖Fig.3 The point cloud registration map

        3.4 EKF擴(kuò)展卡爾曼濾波

        3.4.1 消除運(yùn)動畸變

        礦區(qū)井下路況復(fù)雜,利用激光雷達(dá)采集點(diǎn)云數(shù)據(jù)時,點(diǎn)云中的點(diǎn)會隨著激光雷達(dá)的抖動產(chǎn)生運(yùn)動畸變,從而無法獲得正確的里程計信息,導(dǎo)致既定路線精度較低,容易造成井下安全問題。故通過選用EKF擴(kuò)展卡爾曼濾波消除運(yùn)動畸變,同時對巡檢機(jī)器人進(jìn)行運(yùn)動估計。

        擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)是標(biāo)準(zhǔn)卡爾曼濾波在非線性情形下的一種擴(kuò)展形式,屬于一種高效率的遞歸濾波器(自回歸濾波器)。其基本思想是利用泰勒級數(shù)展開將非線性系統(tǒng)線性化,然后采用卡爾曼濾波框架對信號進(jìn)行濾波[9]。

        圖4為擴(kuò)展卡爾曼濾波器的算法結(jié)構(gòu)和步驟:卡爾曼濾波利用點(diǎn)云目標(biāo)的動態(tài)信息,去掉其噪聲,得到1個關(guān)于目標(biāo)位置的好的估計。這個估計可以是對當(dāng)前目標(biāo)位置的估計(濾波),也可以是對于將來位置的估計(預(yù)測),也可以是對過去位置的估計(插值或者平滑)[10]。

        圖4 擴(kuò)展卡爾曼濾波器的算法結(jié)構(gòu)圖Fig.4 Algorithm structure diagram of Extended Kalman Filter

        3.4.2 運(yùn)動估計

        任何含有不確定信息的動態(tài)系統(tǒng)中使用卡爾曼濾波,對系統(tǒng)下一步的走向做出有根據(jù)的預(yù)測,即使伴隨著各種干擾,其總是能指出真實發(fā)生的情況。

        在連續(xù)變化的系統(tǒng)中使用卡爾曼濾波是非常理想的,具有占用內(nèi)存小的優(yōu)點(diǎn)(除了前一個狀態(tài)量外,不需要保留其他歷史數(shù)據(jù)),并且速度很快,很適合應(yīng)用于實時問題和嵌入式系統(tǒng)。

        擴(kuò)展卡爾曼濾波EKF的狀態(tài)轉(zhuǎn)移方程和觀測方程為

        利用泰勒展開式對(4)式在上一次的估計值(θk-2)處展開得:

        再利用泰勒展開式對式(6)在本輪的狀態(tài)預(yù)測值θ′k處展開得:

        其中,F k-1和H k分別表示函數(shù)f(θ)和h(θ)在θk-2和θ′k處的雅可比矩陣。這里對泰勒展開式只保留到一階導(dǎo)數(shù),二階導(dǎo)數(shù)以上的都舍去,噪聲假設(shè)均為加性高斯噪聲。

        整體結(jié)構(gòu)如圖5所示。

        圖5 EKF運(yùn)動估計結(jié)構(gòu)圖Fig.5 The motion estimation structure of EKF

        通過傳感器采集數(shù)據(jù)后,進(jìn)行位姿估計階段,需限定點(diǎn)云數(shù)量的范圍,之后通過點(diǎn)云配準(zhǔn),以及傳感器采集數(shù)據(jù),進(jìn)行點(diǎn)云位姿的原始估計,最終利用EKF濾波器進(jìn)行位姿的預(yù)測與更新。

        3.5 LOAM-SLAM算法

        根據(jù)以上描述,算法整體框架如圖6所示。

        圖6 LOAM-SLAM算法主要流程圖Fig.6 The flow-process diagram of LOAM-SLAM algorithm

        基于礦區(qū)巷道巡檢機(jī)器人的LOAM-SLAM地圖重建改進(jìn)算法的整體流程圖,此過程描述數(shù)據(jù)采集、濾波處理、運(yùn)動估計以及建圖與定位。算法步驟如下:

        Step1:利用單軸單線激光雷達(dá)采集所需點(diǎn)云數(shù)據(jù),本研究選用Velodyne型號激光雷達(dá),場景為井下模擬礦道。

        Step2:通過 Harris 3D角點(diǎn)檢測算法,對于獲取的點(diǎn)云數(shù)據(jù)進(jìn)行關(guān)鍵點(diǎn)的檢測,用于之后的點(diǎn)云配準(zhǔn)。Harris 3D確定角點(diǎn)的方法是方塊體內(nèi)點(diǎn)云的數(shù)量變化。若小正方體位于角點(diǎn)上,則在不同方向都會大幅改變點(diǎn)云數(shù)量。

        Step3:EKF濾波器對于點(diǎn)云數(shù)據(jù)進(jìn)行運(yùn)動畸變的消除,消除運(yùn)動畸變之后,通過檢測出的點(diǎn)云關(guān)鍵點(diǎn),進(jìn)行配準(zhǔn),以及通過狀態(tài)方程和預(yù)測方程對于巡檢機(jī)器人進(jìn)行運(yùn)動估計,預(yù)測和更新巡檢機(jī)器人的位姿。

        Step4:通過EKF對于點(diǎn)云數(shù)據(jù)的處理以及運(yùn)動估計,得到機(jī)器人的位姿變換。

        Step5:融合了Lidar Mapping得到的位姿變換和經(jīng)EKF處理后的點(diǎn)云。最終發(fā)布1個頻率與里程計發(fā)布頻率一致的位姿變換。

        4 算法改進(jìn)前后實驗結(jié)果對比

        實驗環(huán)境:操作系統(tǒng)為Ubuntu 18.04;ROS環(huán)境為ros-melodic;cuda-10.2,cudnn-7.6。計算機(jī)硬件:Intel(R)Core(TM)i5-9300H CPU,8GB RAM,512G固態(tài)。編譯語言:C++。傳感器為單軸單線激光雷達(dá)。數(shù)據(jù)采集環(huán)境為礦區(qū)井下模擬巷道。本次實驗主要驗證:①改進(jìn)前后算法中里程計信息對于旋轉(zhuǎn),2幀數(shù)據(jù)推算時,角度是否變化較大;②改進(jìn)前后算法對于建圖效果的對比。

        4.1 里程計信息對于旋轉(zhuǎn)角度變化實驗

        對于點(diǎn)云旋轉(zhuǎn),實際上里程計的前后2幀推算時,角度不會變化很大,大多數(shù)情況下都是歐拉角中偏航角(yaw)發(fā)生變化,同時由于角度變化過小時,點(diǎn)云幀數(shù)據(jù)不會有太大差異,故該實驗對點(diǎn)云施加5°旋轉(zhuǎn),按照步長為5°增加,從而對比改進(jìn)前后算法精度。

        實驗1:2幀點(diǎn)云幀之間yaw角相差5°,改進(jìn)前后算法點(diǎn)云幀變化如圖7所示。

        圖7 yaw角相差5°時點(diǎn)云幀數(shù)據(jù)圖Fig.7 Point cloud frame data diagram when yaw angle difference is 5 degrees

        實驗2:2幀點(diǎn)云幀之間yaw角相差10°,改進(jìn)前后算法點(diǎn)云幀變化如圖8所示。

        圖8 yaw角相差10°時點(diǎn)云幀數(shù)據(jù)圖Fig.8 Point cloud frame data diagram when yaw angle difference is 10 degrees

        上述實驗均為單軸單線激光雷達(dá)測試結(jié)果,可以看出改進(jìn)后算法在偏航角變化時,精度更好。

        4.2 井下巷道建圖實驗

        實驗場景為礦區(qū)井下模擬巷道,效果對比如圖9所示。

        圖9 算法改進(jìn)前后效果對比圖Fig.9 Comparison of effects before and after algorithm improvement

        上述實驗均為單軸單線激光雷達(dá)測試結(jié)果,可以看出改進(jìn)前算法會出現(xiàn)地圖疊影的現(xiàn)象,而且巷道中的岔路口也沒有體現(xiàn)出來。改進(jìn)后,疊影現(xiàn)象消失,且可以完整呈現(xiàn)出井下巷道的情況。

        5 結(jié) 論

        提出了一種基于礦區(qū)巷道巡檢機(jī)器人的LOAMSLAM地圖重建改進(jìn)算法,以LOAM算法為基礎(chǔ),在此基礎(chǔ)上改用單軸單線激光雷達(dá)進(jìn)行數(shù)據(jù)采集。同時進(jìn)行Harris 3D算法、EKF擴(kuò)展卡爾曼濾波的融合,解決了點(diǎn)云數(shù)據(jù)存在大量冗余數(shù)據(jù)、運(yùn)動畸變和運(yùn)動估計等問題,完成了單軸單線激光雷達(dá)對于井下巷道地圖的建立。后續(xù)將其進(jìn)行多傳感器數(shù)據(jù)融合,提升建圖定位精度,適用于更多場景。

        猜你喜歡
        里程計角點(diǎn)位姿
        室內(nèi)退化場景下UWB雙基站輔助LiDAR里程計的定位方法
        一種單目相機(jī)/三軸陀螺儀/里程計緊組合導(dǎo)航算法
        基于模板特征點(diǎn)提取的立體視覺里程計實現(xiàn)方法
        基于FAST角點(diǎn)檢測算法上對Y型與X型角點(diǎn)的檢測
        基于邊緣的角點(diǎn)分類和描述算法
        電子科技(2016年12期)2016-12-26 02:25:49
        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
        基于圓環(huán)模板的改進(jìn)Harris角點(diǎn)檢測算法
        大角度斜置激光慣組與里程計組合導(dǎo)航方法
        小型四旋翼飛行器位姿建模及其仿真
        好吊妞视频这里有精品| 国产高清天干天天视频| 亚洲av乱码国产精品色| 亚洲综合中文日韩字幕| 免费的日本一区二区三区视频 | 国产专区国产av| 国产一区二区三区4区| 日本一区二区三区在线视频观看| 97精品熟女少妇一区二区三区| 亚洲va中文字幕无码一二三区| 亚洲精品乱码久久久久久日本蜜臀| 国产精品毛片无码久久| 亚洲国产精品一区二区第一| 91熟女av一区二区在线| 久久精品中文字幕| 亚洲精品乱码久久久久久久久久久久 | 午夜天堂av天堂久久久| 中文字幕乱码熟女人妻水蜜桃| 亚洲AV无码成人网站久久精品| 亚洲中文字幕黄色小视频| 色婷婷精品午夜在线播放| 国产大片内射1区2区| 中文字幕av无码一区二区三区| 亚洲av日韩av一卡二卡| 性色av一区二区三区密臀av| 免费人成视网站在线剧情| 欧美老熟妇喷水| 色av综合av综合无码网站| 亚洲人av毛片一区二区| 国产av一卡二卡日韩av| 日韩av激情在线观看| 精品国产18久久久久久| 熟女系列丰满熟妇av| 91精品人妻一区二区三区水蜜桃| 久久99国产精品久久| 中文字幕无码av激情不卡| 久久久久久无码AV成人影院| 少妇熟女天堂网av天堂| 国产色欲av一区二区三区 | 成人日韩熟女高清视频一区| 撕开奶罩揉吮奶头视频|