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

        ?

        非結(jié)構(gòu)環(huán)境空置域識別與放置點(diǎn)選取算法研究

        2022-12-29 02:01:50任工昌張路平劉朋桓源
        機(jī)床與液壓 2022年23期
        關(guān)鍵詞:區(qū)域環(huán)境

        任工昌,張路平,劉朋,桓源

        (陜西科技大學(xué)機(jī)電工程學(xué)院,陜西西安 710021)

        0 前言

        近年來,隨著機(jī)器人技術(shù)的高速發(fā)展,各種機(jī)器人已被廣泛運(yùn)用于醫(yī)療、服務(wù)、農(nóng)業(yè)和特種作業(yè)等多個領(lǐng)域。特別是近期疫情和人口老齡化問題的出現(xiàn),加速了機(jī)器人向醫(yī)療和服務(wù)領(lǐng)域的應(yīng)用步伐[1]。目前,針對醫(yī)療和服務(wù)領(lǐng)域機(jī)器人的相關(guān)研究熱點(diǎn)主要集中在避障、機(jī)械臂的軌跡規(guī)劃或視覺識別等方面。但考慮到醫(yī)療和服務(wù)機(jī)器人的應(yīng)用場景,除機(jī)器人本體的相關(guān)技術(shù)研究外,如何使機(jī)器人更好地適用于各種復(fù)雜場景是促進(jìn)機(jī)器人實(shí)際應(yīng)用的關(guān)鍵。

        現(xiàn)階段,醫(yī)療和服務(wù)機(jī)器人均通過攜帶機(jī)械臂幫助人類完成簡單的物品搬運(yùn)工作。機(jī)械臂在工業(yè)環(huán)境中應(yīng)用時,大多均是依照固定指令對物件進(jìn)行抓取和放置,物件形態(tài)及放置位置一旦發(fā)生變化,便難以完成[2]。很多研究人員都忽略了機(jī)械臂抓取技術(shù)與機(jī)械臂放置之間的差異,將機(jī)械臂抓取與機(jī)械臂放置歸為同一問題,未做深入研究。但是考慮實(shí)際運(yùn)用場景,在機(jī)械臂搬運(yùn)物品和放置過程中,如何在復(fù)雜環(huán)境下選取合理的放置區(qū)域是需要解決的關(guān)鍵問題。王永和李金澤[3]針對當(dāng)前機(jī)械臂抓取與放置方式固定、指令單一、難以應(yīng)對復(fù)雜未知情況的不足,提出一種基于深度強(qiáng)化學(xué)習(xí)與快速搜索隨機(jī)樹(Rapidly-exploring Random Tree,RRT)的機(jī)械臂抓放控制方法,經(jīng)過關(guān)鍵點(diǎn)選取以及RRT算法計(jì)算,根據(jù)任務(wù)需要將物件準(zhǔn)確放置于目標(biāo)位置,例如把杯子直立放在臺面上或把鞋子放在鞋架上,其研究重心為多類別的抓取放置。任工昌等[4]設(shè)計(jì)了一種拖車式醫(yī)用配送機(jī)器人,將立體循環(huán)車廂與機(jī)械手結(jié)合,可通過機(jī)械手將藥品放置于固定位置,實(shí)現(xiàn)醫(yī)院環(huán)境的藥品自主配送服務(wù)。

        上述技術(shù)均屬于點(diǎn)對點(diǎn)式放置,放置位置固定且操作環(huán)境簡單。針對具有隨機(jī)障礙物的非結(jié)構(gòu)環(huán)境,如何實(shí)現(xiàn)可放置區(qū)域的識別和最佳放置點(diǎn)的選取仍有待研究。本文作者通過分析抓取與放置環(huán)境的差異性,提出一種基于三維點(diǎn)云信息的空置域識別和最佳放置點(diǎn)選取算法,可實(shí)現(xiàn)對復(fù)雜環(huán)境中空置域的識別和放置點(diǎn)的選取,對提高機(jī)器人在復(fù)雜環(huán)境下的作業(yè)能力具有積極作用。

        1 問題描述和分析

        研究解決機(jī)械臂在非結(jié)構(gòu)環(huán)境下放置的問題首先要理解并區(qū)分抓取與放置問題的差異性。兩者的差異主要體現(xiàn)在操作環(huán)境和操作流程的不同:(1)操作環(huán)境。分析目前的研究現(xiàn)狀,機(jī)器人抓取的操作環(huán)境大多為已知環(huán)境,大部分抓取技術(shù)實(shí)現(xiàn)的前提是已知抓取目標(biāo)的模型或位置,如室內(nèi)環(huán)境的模板匹配抓取或工業(yè)應(yīng)用中的工件識別抓??;相反,非結(jié)構(gòu)環(huán)境下機(jī)械臂放置面臨的首要難題是環(huán)境的未知性或隨機(jī)性,使得機(jī)械臂放置增加了難度和不確定性;(2)操作流程。機(jī)械臂抓取一般以識別目標(biāo)為前提,確定目標(biāo)相對于機(jī)械臂的坐標(biāo),再通過機(jī)械臂進(jìn)行避障抓取。對于機(jī)械臂的放置,首先要對放置環(huán)境進(jìn)行實(shí)時識別分析,再確定可放置區(qū)域或可放置點(diǎn),最后進(jìn)行避障放置。

        2 空置域及放置點(diǎn)識別算法設(shè)計(jì)

        針對空置域和放置點(diǎn)的識別流程如圖1所示。使用深度攝像頭獲取放置環(huán)境的三維點(diǎn)云信息,對獲取的點(diǎn)云圖進(jìn)行預(yù)處理后,采用統(tǒng)計(jì)濾波進(jìn)行離群點(diǎn)移除,從而減少數(shù)據(jù)處理量并降低噪聲對識別結(jié)果的影響[5]?;陬伾珔^(qū)域生長的聚類分割算法分割場景,得到無障礙桌面區(qū)域(空置域),再利用平面擬合、點(diǎn)云投影等進(jìn)行處理,獲取平面空置域信息;通過對空置域進(jìn)行邊緣鄰域計(jì)算分析,獲取可放置區(qū)域,通過篩選可放置區(qū)域關(guān)鍵特征點(diǎn)識別獲取最終放置區(qū)域和放置點(diǎn)。

        圖1 可放置域及放置點(diǎn)識別流程

        2.1 點(diǎn)云預(yù)處理

        利用KinectV2攝像頭獲取桌面環(huán)境點(diǎn)云信息,為避免光照等因素影響使得獲取的點(diǎn)云圖像存在噪點(diǎn),需要對它進(jìn)行預(yù)處理。通過統(tǒng)計(jì)濾波去除空間中點(diǎn)云密集區(qū)域外的離群點(diǎn),達(dá)到濾波降噪處理的目的[6]。

        2.2 基于顏色區(qū)域生長的場景聚類分割

        獲取的目標(biāo)場景實(shí)時點(diǎn)云數(shù)據(jù)中包括桌面及其障礙物信息,為得到可放置區(qū)域,需要將障礙物與桌面分割,從而得到無障礙物數(shù)據(jù)的桌面點(diǎn)云信息,便于后續(xù)處理。

        本文作者選用基于顏色區(qū)域生長的聚類分割算法實(shí)現(xiàn)場景分割。該算法適合復(fù)雜室內(nèi)場景的分割,通過合并滿足相同色差閾值條件的點(diǎn)實(shí)現(xiàn)分割,其輸出的數(shù)據(jù)為分割后不同聚類組成的數(shù)組。將種子點(diǎn)鄰域內(nèi)色差小于閾值的點(diǎn)視為一個聚類,聚類之間的色差小于閾值時合并為一個聚類,且當(dāng)前聚類中點(diǎn)的數(shù)量小于聚類點(diǎn)數(shù)量的與最近的聚類合并在一起[7]。

        2.3 基于隨機(jī)采樣一致性算法的平面擬合

        由于受障礙物邊界信息的影響,經(jīng)分割后的無障礙桌面會出現(xiàn)表面不平整等情況。因此,為便于后續(xù)處理,需要對桌面的點(diǎn)云信息進(jìn)行平面擬合。隨機(jī)采樣一致性(Random Sample Consensus,RANSAC)算法是一種獨(dú)立于噪聲的方法,常用于在圖像中尋找平面[8]。通過 RANSAC 算法擬合平面,可以將數(shù)據(jù)點(diǎn)劃分為內(nèi)點(diǎn)和外點(diǎn),內(nèi)點(diǎn)是滿足估計(jì)平面模型的點(diǎn)。擬合是為了通過迭代方式將更多的點(diǎn)形成平面模型,而將未擬合在平面模型內(nèi)的點(diǎn)看作為外點(diǎn)。RANSAC 平面擬合隨機(jī)采樣參數(shù)的估計(jì)可以有效降低噪聲點(diǎn)的影響。

        2.4 空置域及放置點(diǎn)搜索算法設(shè)計(jì)研究

        為得到物體的可放置區(qū)域和放置點(diǎn)坐標(biāo),需要對得到的無障礙物桌面點(diǎn)云數(shù)據(jù)進(jìn)行處理分析。想要得到理想的放置區(qū)域需要考慮以下因素:(1)放置區(qū)域面積滿足要求;(2)放置區(qū)域沒有去除障礙物后的點(diǎn)云空洞缺陷。

        2.4.1 算法思想

        根據(jù)以上需求,提出一種基于邊緣鄰域搜索的空置域識別方法,并在此基礎(chǔ)上提出最優(yōu)放置點(diǎn)的選取算法。目前,點(diǎn)云的邊界點(diǎn)提取方法眾多,其中直接提取點(diǎn)云邊界的方法主要是基于點(diǎn)云微切面邊界提取的研究方法。其基本思想:首先,在所有點(diǎn)云中搜索到離該點(diǎn)最近的k個近鄰點(diǎn);再將k個近鄰點(diǎn)依據(jù)最小二乘準(zhǔn)則投影到微切面上;最后在微切面上依據(jù)不同的判別方法提取邊界點(diǎn)[9]。

        由于文中的研究對象為桌面點(diǎn)云,其本身為一整體平面,為提高算法搜索速度,降低數(shù)據(jù)處理量,經(jīng)點(diǎn)云旋轉(zhuǎn),將其旋轉(zhuǎn)至與xoy面平行的平面,利用點(diǎn)云投影算法壓縮投影至xoy面,則搜索與z坐標(biāo)信息無關(guān),避免了將三維點(diǎn)云投影到微切面的繁瑣過程,同時將算法處理的對象從空間三維點(diǎn)云轉(zhuǎn)變?yōu)槠矫娑S點(diǎn)云信息,大大減少了數(shù)據(jù)處理量。采用alpha shapes平面點(diǎn)云邊緣提取算法,提取經(jīng)投影平面化后的點(diǎn)云邊緣輪廓,通過遍歷識別邊緣點(diǎn)的半徑鄰域,確定不可放置的區(qū)域?yàn)橥恻c(diǎn),則內(nèi)點(diǎn)為可放置區(qū)域,通過Kd-Tree算法搜索內(nèi)點(diǎn)中半徑為R的鄰域內(nèi)點(diǎn)云數(shù)量最多的點(diǎn)即為最優(yōu)放置點(diǎn)。其整體思路流程如圖2所示。

        圖2 空置域及放置點(diǎn)搜索流程

        2.4.2 alpha shapes邊緣提取算法

        由EDELSBRUNNER等[10]提出的alpha shapes算法是一種簡單、有效的快速提取平面點(diǎn)云邊界點(diǎn)的算法。它克服了點(diǎn)云形狀不規(guī)則對算法的影響,可快速準(zhǔn)確提取邊界點(diǎn),其原理如下。

        如圖3所示,對于任意形狀的平面點(diǎn)云,有一半徑為α的圓,繞其進(jìn)行滾動。若α足夠小時,則點(diǎn)云中每一點(diǎn)均為邊界點(diǎn):若α適當(dāng)增大到一定程度,其只在邊界點(diǎn)上進(jìn)行滾動,其滾動的軌跡為點(diǎn)云邊界[11]。

        圖3 alpha shapes 邊界提取原理

        其算法思路如下:

        (1)對于一組平面點(diǎn)云,任選一點(diǎn)P,設(shè)定滾動圓半徑為α,搜索點(diǎn)P半徑2α內(nèi)的所有點(diǎn)云,記為點(diǎn)集Q;

        (2)任選Q中一點(diǎn)P1(x1,y1),計(jì)算過P與P1且半徑為α的兩個圓,如圖3(b)所示,P2與P3為圓心,則兩圓心坐標(biāo)為

        (1)

        其中:

        (2)

        S2=(x-x1)2+(y-y1)2

        (3)

        (3)計(jì)算去除P1(x1,y1)后,其余點(diǎn)P2與P3的距離,若所有點(diǎn)至這兩點(diǎn)的距離都大于α,則表明點(diǎn)P為邊界點(diǎn)P2;

        (4)若剩余的點(diǎn)到點(diǎn)P2或P3的距離不全都大于α,則遍歷點(diǎn)集Q內(nèi)所有點(diǎn)輪換作為點(diǎn)P1。若存在某一點(diǎn)滿足以上條件,則表明該點(diǎn)為邊界點(diǎn),終止對該點(diǎn)的判斷,判斷下一點(diǎn);若Q中所有近鄰點(diǎn)中均不存在P1這樣的點(diǎn),則表明點(diǎn)為非邊界點(diǎn)。

        2.4.3 基于alpha shapes邊緣提取的可放置域識別算法

        提取到邊界點(diǎn)后,對邊緣點(diǎn)進(jìn)行半徑鄰域遍歷搜索,半徑大小設(shè)為待放置物品的最大半徑,則外邊緣點(diǎn)與內(nèi)空洞邊緣點(diǎn)半徑鄰域的點(diǎn)云區(qū)域?yàn)椴豢煞胖命c(diǎn),其余區(qū)域?yàn)榭煞胖脜^(qū)域。圖4所示為空置域識別提取算法原理,紅色為邊緣點(diǎn),黑色為以R為半徑的邊緣點(diǎn)同心圓,黃色點(diǎn)為邊緣點(diǎn)R鄰域內(nèi)搜索到的無效點(diǎn),剩余的綠色點(diǎn)為可放置點(diǎn)。

        圖4 邊緣點(diǎn)鄰域提取原理

        算法流程如下:

        (1)讀取經(jīng)旋轉(zhuǎn)投影后的平面點(diǎn)云數(shù)據(jù)集合:

        其中:N為進(jìn)行處理的點(diǎn)云個數(shù);

        (2)采用alpha shapes算法提取邊緣點(diǎn)數(shù)據(jù),將它添加進(jìn)邊緣點(diǎn)集P1;

        (3)在P對點(diǎn)云數(shù)據(jù)集合P1中的每一點(diǎn)Pi=[xi,yi,zi]T使用基于Kd 樹的搜索算法計(jì)算,查詢點(diǎn)半徑R內(nèi)的鄰域點(diǎn),將搜索的鄰域點(diǎn)添加進(jìn)邊緣鄰域點(diǎn)集P2;

        (4)從P中刪除集合P1與P2中的點(diǎn)云數(shù)據(jù),則P中其余點(diǎn)為可放置區(qū)域點(diǎn)集;

        2.4.4 基于點(diǎn)云半徑鄰域搜索的最優(yōu)放置點(diǎn)選擇算法

        通過以上算法,得到可放置區(qū)域的點(diǎn)云數(shù)據(jù)集合,但這些點(diǎn)的分布有的靠近放置平面邊緣,有的距離障礙物過近,其安全性和可靠性較低,增加了機(jī)械臂的避障難度。針對以上問題,進(jìn)一步設(shè)計(jì)基于點(diǎn)云密度的最優(yōu)放置點(diǎn)選取算法。通過迭代搜索和Kd-Tree鄰域搜索算法,對得到的可放置區(qū)域點(diǎn)云數(shù)據(jù)進(jìn)行搜索,利用可放置區(qū)域點(diǎn)的無空洞最大鄰域半徑確定最終的最佳放置點(diǎn)。

        點(diǎn)云為不均勻分布,假設(shè)已知其平均密度ρ、冗余變量δ、放置平面最大半徑Rmax、待放置物體的最大半徑Rmin,則半徑為Rs(cm)的無空洞點(diǎn)云數(shù)量m滿足:

        0

        (4)

        (5)

        文中最佳放置點(diǎn)為最大相同半徑鄰域內(nèi)點(diǎn)云數(shù)量最多的可放置點(diǎn),則對于半徑為R=kRs的無空洞可靠鄰域,其點(diǎn)云數(shù)量mj應(yīng)滿足非線性關(guān)系:

        mj=k2m

        (6)

        則有:

        (7)

        Rj=Rj+s

        (8)

        需縮小半徑時,有:

        Rj=Rj-s

        (9)

        算法的流程如圖5所示,其詳細(xì)步驟如下:

        圖5 放置點(diǎn)優(yōu)選算法流程

        (3)確定點(diǎn)qj最大無空洞鄰域范圍。搜索點(diǎn)qj的Rj半徑內(nèi)的鄰域點(diǎn)數(shù)量mj;當(dāng)該點(diǎn)不滿足點(diǎn)云無空洞條件公式(7)時,則表明半徑過大,依據(jù)公式(9)縮小搜索半徑,若滿足無空洞條件時,則搜索鄰域可能是最大鄰域,依據(jù)公式(8)增加搜索半徑,進(jìn)一步確認(rèn);同時,若mj≥m,則將當(dāng)前半徑鄰域作為該點(diǎn)最大無空洞鄰域;若mj

        (4)若搜索半徑減小至Rj≤0時或搜索點(diǎn)在增加搜索半徑后,不滿足無空洞條件后,則表明已獲取到該點(diǎn)最大鄰域信息(最優(yōu)點(diǎn)坐標(biāo)qj、最大可靠鄰域半徑R、最優(yōu)點(diǎn)鄰域點(diǎn)數(shù)m),則j=j+1,若j≤M,搜索下一個點(diǎn),同時將當(dāng)前最大搜索半徑作為下一個點(diǎn)的初始搜索半徑(Rj=R),跳轉(zhuǎn)至步驟(3)循環(huán);

        (5)若m≠0,則保留qj作為鄰域范圍最大點(diǎn),輸出該點(diǎn)坐標(biāo)及鄰域信息;若m=0,則無解;

        (6)算法結(jié)束。

        3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

        利用實(shí)驗(yàn)室現(xiàn)有的醫(yī)藥配送機(jī)器人作為實(shí)驗(yàn)平臺,驗(yàn)證文中提出的算法。如圖6所示,該機(jī)器人裝有KinectV2攝像頭,前方為一個放置有部分物品的桌面,識別算法基于PCL點(diǎn)云庫和MATLAB點(diǎn)云工具箱進(jìn)行設(shè)計(jì),利用ROS平臺進(jìn)行開發(fā)驗(yàn)證。

        圖6 醫(yī)藥配送機(jī)器人及實(shí)驗(yàn)場景設(shè)計(jì)

        首先,驅(qū)動相機(jī)采集數(shù)據(jù)。獲取實(shí)驗(yàn)環(huán)境的RGB-D圖和深度圖,如圖7(a)(b)所示。然后,采用棋盤格法對KinectV2相機(jī)進(jìn)行內(nèi)外參數(shù)標(biāo)定,根據(jù)標(biāo)定后的相機(jī)模型獲取實(shí)驗(yàn)環(huán)境的三維點(diǎn)云數(shù)據(jù),如圖7(c)所示。

        圖7 采集實(shí)驗(yàn)環(huán)境數(shù)據(jù)

        獲取到實(shí)驗(yàn)所需點(diǎn)云數(shù)據(jù)后,對點(diǎn)云進(jìn)行預(yù)處理。經(jīng)過預(yù)處理后的點(diǎn)云數(shù)據(jù)如圖8所示,此時點(diǎn)云噪聲等冗余無效數(shù)據(jù)點(diǎn)被大量移除,提高了后續(xù)算法運(yùn)行的效率和魯棒性。

        圖8 點(diǎn)云預(yù)處理結(jié)果

        基于顏色區(qū)域生長的點(diǎn)云聚類分割,結(jié)果如圖9所示。通過區(qū)域色度信息將點(diǎn)云數(shù)據(jù)進(jìn)行類區(qū)分,經(jīng)過類分割提取后,獲取分離背景與障礙物的桌面,如圖10(a)所示,經(jīng)平面擬合后的桌面如圖10(b)所示。

        圖9 基于顏色區(qū)域生長的點(diǎn)云聚類分割結(jié)果

        圖10 桌面點(diǎn)云提取結(jié)果

        對平面擬合后的桌面三維點(diǎn)云進(jìn)行旋轉(zhuǎn)、投影,壓縮為二維平面點(diǎn)云,只對其二維坐標(biāo)數(shù)據(jù)信息進(jìn)行處理,大大減少數(shù)據(jù)的處理量。圖11所示為點(diǎn)云平面化后的結(jié)果。

        圖11 點(diǎn)云平面化

        采用alpha shapes邊緣提取算法對壓縮后的二維點(diǎn)進(jìn)行邊緣的識別提取,圖12所示為采用alpha shapes對經(jīng)投影平面化后的點(diǎn)云進(jìn)行邊緣識別提取的結(jié)果。

        圖12 alpha shapes邊緣識別提取結(jié)果

        提取到邊緣點(diǎn)云數(shù)據(jù)后,通過對邊緣點(diǎn)云的半徑鄰域進(jìn)行遍歷搜索,如圖13所示,區(qū)分提取到可放置區(qū)域。

        圖13 基于邊緣點(diǎn)鄰域搜索的可放置域識別結(jié)果

        獲取可放置區(qū)域后,基于可放置區(qū)域的點(diǎn)云數(shù)據(jù),采用文中提出的基于最優(yōu)放置點(diǎn)選取算法,獲取最優(yōu)放置點(diǎn),即最大無空洞半徑鄰域內(nèi)點(diǎn)云數(shù)量最多的點(diǎn)。如圖14(a)所示。為更加直觀地展示其放置區(qū)域,采用基于Kd-Tree的半徑鄰域搜索算法,搜索顯示其最大半徑鄰域,如圖14(b)所示。

        圖14 最優(yōu)放置點(diǎn)選取算法結(jié)果

        4 總結(jié)

        為解決室內(nèi)非結(jié)構(gòu)環(huán)境下機(jī)械臂放置物品區(qū)域的識別難題,本文作者基于三維點(diǎn)云信息處理和點(diǎn)云半徑鄰域搜索提出了一種空置域識別和最優(yōu)放置點(diǎn)選取算法。通過對點(diǎn)云信息進(jìn)行預(yù)處理、分割、平面擬合等操作,實(shí)現(xiàn)了空置域的識別。結(jié)合alpha shapes平面點(diǎn)云邊緣提取算法和半徑鄰域搜索算法得到可放置區(qū)域,并基于點(diǎn)云密度篩選出最優(yōu)放置點(diǎn)。通過實(shí)驗(yàn)驗(yàn)證了算法的可行性和有效性。該算法為機(jī)械臂在非結(jié)構(gòu)環(huán)境下的隨機(jī)放置問題提供了有效解決方案,對推進(jìn)移動機(jī)器人在復(fù)雜環(huán)境下的自主抓放技術(shù)具有積極意義。

        猜你喜歡
        區(qū)域環(huán)境
        永久基本農(nóng)田集中區(qū)域“禁廢”
        長期鍛煉創(chuàng)造體內(nèi)抑癌環(huán)境
        一種用于自主學(xué)習(xí)的虛擬仿真環(huán)境
        分割區(qū)域
        孕期遠(yuǎn)離容易致畸的環(huán)境
        不能改變環(huán)境,那就改變心境
        環(huán)境
        孕期遠(yuǎn)離容易致畸的環(huán)境
        關(guān)于四色猜想
        分區(qū)域
        无码不卡免费一级毛片视频 | 亚洲精品字幕| 手机看片福利日韩| 在线观看国产精品自拍| 青青视频在线播放免费的| 激情五月天在线观看视频| 狂猛欧美激情性xxxx大豆行情| 人妻少妇精品视频专区| 久久人人97超碰超国产| 在线观看av片永久免费| 国产视频一区二区三区观看| 免费国产成人肉肉视频大全| 亚洲高潮喷水无码av电影| 亚洲日产无码中文字幕| 国产一区二区三区视频了| 日本韩国三级在线观看| 在线观看日本一区二区三区四区| 日本va欧美va精品发布| 中文成人无字幕乱码精品区| 妺妺窝人体色www在线图片 | 国产女同一区二区在线| 久久本道久久综合一人| 亚洲av成人精品一区二区三区| 免费看泡妞视频app| 一级毛片不卡在线播放免费| 亚洲国产综合精品久久av| 亚洲色图专区在线观看| 久久精品无码av| 99精品视频在线观看| 国产成人一区二区三区视频免费蜜| 国产精品久久夜伦鲁鲁| 一区二区在线观看精品在线观看| 未发育成型小奶头毛片av| 蜜臀av无码精品人妻色欲| 精品久久久久久无码不卡 | 欧美老熟妇乱xxxxx| 色屁屁www影院免费观看入口| 国产成人精品曰本亚洲| av天堂一区二区三区| 日本免费视频| 久久久久亚洲av片无码v|