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

        ?

        融合神經(jīng)網(wǎng)絡(luò)及麻雀算法的機器人避障研究

        2023-04-26 08:39:30朱金壇
        計算機測量與控制 2023年4期
        關(guān)鍵詞:柵格步長復(fù)雜度

        朱金壇

        (西安鐵路職業(yè)技術(shù)學(xué)院 電子信息學(xué)院,西安 710014)

        0 引言

        機器人自主運行的核心技術(shù)就是能避開障礙,具體來說是指機器人在無人干預(yù)的情況下,自主實現(xiàn)計劃中要求的各點間可行路徑的搜索與運行。規(guī)劃過程需要結(jié)合自身運行動力特性和環(huán)境約束,根據(jù)自身能耗和速度特征,考慮環(huán)境威脅等條件,自主規(guī)劃出最優(yōu)路徑。其中,路徑的平滑度、行程長短、機器人能量消耗則是對該條路徑優(yōu)劣的評估標(biāo)準(zhǔn)。從規(guī)劃環(huán)境尺度角度可分為全局避障和局部避障兩大類。局部路徑避障通過傳感器獲取環(huán)境數(shù)據(jù),選擇一條當(dāng)下節(jié)點至下一節(jié)點的子路徑,常用方法有滾動窗口法[1]、Dijkstra算法[2]、人工勢場法[3]等。全局避障指在掌握運動環(huán)境的前提下,利用算法自主生成優(yōu)化路徑,如基于柵格圖對環(huán)境建模的方法[4]、利用可視圖法模擬實際環(huán)境的方式[5]以及基于open表的A*算法[6]等。

        上述傳統(tǒng)算法雖然容易實現(xiàn),但存在實時性差、適用范圍小、復(fù)雜環(huán)境計算量過大的問題。近年群智能算法的研究發(fā)展為解決機器人避障問題提供了更多解決方案。如:游達章[7]等人融合粒子群與灰狼算法,引入量子協(xié)同改善了算法在處理路徑規(guī)劃問題的精度;周晟[8]等人引入隨機分形自適應(yīng)搜索策略優(yōu)化了倉儲機器人多障礙多目標(biāo)環(huán)境的的路徑規(guī)劃問題;潘紋[9]基于動態(tài)步長果蠅算法研究了自動導(dǎo)引車的路徑規(guī)劃問題。還有其他如天牛須算法[10]、鯨魚優(yōu)化算法[11]等仿生群體算法也都開始用于路徑規(guī)劃與避障研究當(dāng)中。2020年薛建凱等[12]首次提出麻雀搜索算法,算法主要以數(shù)學(xué)公式模擬麻雀群體覓食過程,具有速度快、精度高的特點。但由于收斂速度快也更容易提早收斂于局部極值點而無法跳出、初始種群分布不夠廣泛以及平衡能力差等缺點。該算法在CT圖檢測[13]、電池參數(shù)優(yōu)化[14]、算法參數(shù)優(yōu)化[15]和成像偏移預(yù)測[16]等實際問題。但SSA仍存在過度依賴初始種群,收斂前種群多樣性不足,易陷入局部極值且無法跳出等不足。

        為解決以上問題,許多相關(guān)研究針對不同角度進行了優(yōu)化改進。如G.Liu等人[17]引入混沌策略增加多樣性,使用權(quán)重和突變策略加快尋優(yōu)。歐陽城添等人[18]融合折射學(xué)習(xí),以此初始化種群,豐富多樣性,同時引入瘋狂算子使得算法尋優(yōu)能力得以提升。這些算法雖也有一些算法上的提升,但并沒有從根本優(yōu)化尋優(yōu)機制,而是把結(jié)果交給不確定性較大的混沌隨機機制,也沒有考慮局部與全局的平衡,需要以時間復(fù)雜度為代價去優(yōu)化算法性能。

        因此針對算法提早收斂于局部、初始種群分布不夠廣泛和平衡能力差等問題,提出一種融合神經(jīng)網(wǎng)絡(luò)的改進麻雀搜索算法。首先,通過神經(jīng)網(wǎng)絡(luò)對規(guī)劃環(huán)境進行柵格化建模,其次引入低差異的Halton序列進行麻雀種群初始化,可使得初代種群分布廣泛且均勻,有很好的遍歷性;再次,采用布朗運動步長策略優(yōu)化傳統(tǒng)SSA算法平衡能力差的缺陷,實現(xiàn)前期全局過程搜索范圍廣,中后期搜索精度高的平衡與切換,同時可通過布朗運動步長跳出局部收斂;最后,為了避免機器人實際運行過程出現(xiàn)急轉(zhuǎn)急停問題,引入clothoid曲線法進行最終的路徑平滑,避免了尖銳拐彎,減少實際運行時輪軸磨損和能耗。將綜合改進后的算法與原始算法進行時間復(fù)雜度對比,并使用6種函數(shù)對幾種常見算法進行橫向?qū)Ρ?,最后將改進后算法與SSA算法和CSSA算法[19]進行不同尺度的環(huán)境規(guī)劃對比,綜合評價算法的機器人避障效果指標(biāo)性能。

        1 麻雀搜索算法

        麻雀搜索算法(SSA)是一種啟發(fā)式算法,由麻雀搜索食物過程中的行為模式啟發(fā)而來,有算法穩(wěn)定、尋優(yōu)速度較快的特點。不僅優(yōu)于傳統(tǒng)粒子群算法,對于新型的算法如灰狼算法、引力搜索算法也具有一定優(yōu)勢。SSA真?zhèn)€種群共有3種角色,分別是發(fā)現(xiàn)者、尾隨者和警戒者,三者有不同的任務(wù)分工,發(fā)現(xiàn)者負責(zé)探索食物方位,并將食物位置共享給跟隨者,跟隨者的任務(wù)則是尾隨發(fā)現(xiàn)者,當(dāng)收到發(fā)現(xiàn)者的位置更新后,則前往新位置準(zhǔn)備覓食,同時,為了保證種群安全,種群中部分個體會在覓食前進行警戒,當(dāng)收到危險信號時則會通知種群放棄覓食。

        對于算法而言,發(fā)現(xiàn)者即執(zhí)行的全局探測任務(wù),跟隨者即對更新的位置信息進行局部尋優(yōu),當(dāng)陷入局部極小值時,有警戒者負責(zé)釋放危險信號跳出局部,重新進行全局尋優(yōu)。具有預(yù)警機制也是該算法優(yōu)于其他算法的核心,使得SSA相較于其他算法更不易陷入局部最優(yōu)解,更容易取得全局最優(yōu)解。

        SSA算法中的發(fā)現(xiàn)者、追隨者以及警戒者,分別按照各自規(guī)則進行位置更新,更新規(guī)則如式(1)~(3)所示:

        (1)

        (2)

        (3)

        2 改進的麻雀搜索算法

        2.1 三層神經(jīng)網(wǎng)絡(luò)建模

        首先有三點假設(shè)前提:一是機器人運動范圍并非無限,而是在限定范圍內(nèi)自主運行;二是以機器人最大尺度半徑膨脹障礙物,得到柵格環(huán)境;三是將機器人視為無尺度無邊界的質(zhì)點處理。三層并聯(lián)神經(jīng)網(wǎng)絡(luò)如圖1所示,數(shù)學(xué)表達如式(4)所示:

        圖1 神經(jīng)網(wǎng)絡(luò)的環(huán)境建模

        (4)

        其中:θim=(i=1,2,…,8)計算路徑如下:

        (5)

        式中,假設(shè)機器人的切線方向速度在[ti,ti+1]內(nèi)不變。Vkx和Vky為速度分量。ti與ti+1之間的關(guān)系如下式:

        (6)

        式中,機器人在ti時速度為vrob,且在[ti,ti+1]速度不變。

        (7)

        式中,避碰檢測值Z為0時,代表可行路徑,取正值時則產(chǎn)生碰撞,路徑不可行。障礙物數(shù)目為PR,路徑等分點個數(shù)為Pe。此模型可同時計算出當(dāng)前路徑與所有障礙物之間的碰撞結(jié)果。

        2.2 低差異序列初始化

        初代種群分布的廣泛性與均勻性直接影響算法收斂的速度。初代種群分布越廣,全局探索的速度越快,局部尋優(yōu)的精度越高。標(biāo)準(zhǔn)SSA中初代麻雀種群位置過于隨機,均勻性過低、許多區(qū)域存在盲區(qū),不夠遍歷。因此引入一種基于超均勻分布的均勻分布隨機數(shù)組Halton序列,以此代替隨機數(shù)進行種群初始化操作。

        Halton序列主要有如下三步計算過程:

        1)假定p≥2且為質(zhì)數(shù),對任意整數(shù)n,n∈(1,N),可以p為基表達出如式(8)的形式:

        bi∈{0,1,…,p-1}

        (8)

        2)已知bi與p,基本逆序函數(shù)如式(9):

        φp(n)=(0.b0b1…bm)p=b0p-1+

        b1p-2+…+bmp-m-1

        (9)

        3)d維空間的Halton序列計算如式(10):

        H(n)=[φp1(n),φp2(n),…,φpd(n)]

        (10)

        在解空間上下限中生成一個取值范圍在0和1之間的隨機數(shù)Kn,初始位置Xn如式(11)所示:

        Xn=Xmin+Kn·(Xmax-Xmin)

        (11)

        如圖2所示,可以清楚看出二維空間中Halton序列相對于偽隨機數(shù)法可將種群分布得更加均勻。

        圖2 二維位置分布對比圖

        由圖2可看出,Halton序列初始化種群相比偽隨機數(shù)序列得到分布更均勻、遍歷性更廣的初始化麻雀群體。

        2.3 布朗運動步長策略

        傳統(tǒng)SSA算法的迭代步長由一個符合均勻分布的隨機數(shù)作為步長因子,存在隨機性過大的問題,不能很好的平衡前期全局開發(fā)與中后期局部開發(fā)的過程切換。因此引入布朗運動步長策略,滿足前期全局過程搜索范圍足夠廣,中后期搜索精度足夠高的運行要求,當(dāng)算法收斂于局部最優(yōu)值,也可通過布朗運動策略跳出局部最優(yōu),脫離算法停滯。

        布朗運動的步長服從均值為0方差為1的高斯分布,其本質(zhì)是一個均勻可控的步長隨機過程,概率密度函數(shù)如式(12)所示:

        (12)

        麻雀位置更新公式為:

        (13)

        式(13)中,布朗運動步長以RB表示;P等于1/2;R為(0,1)間隨機數(shù)。

        2.4 clothoid曲線法的路徑平滑

        clothoid曲線廣泛運用于車輛行駛軌跡設(shè)計,路徑規(guī)劃等方向,是一種曲率半徑隨弧長線性變化的曲線,可以在直線段與曲線段平滑過渡。clothoid曲線的數(shù)學(xué)表達如式(14)所示:

        (14)

        式中,(x0,y0)為起點,θ0為切線角初始值,k為曲率,下標(biāo)0代表初始值,c為曲率銳度參數(shù),s為弧長。其中曲率k和切線角θ的計算如式(15)所示:

        (15)

        假設(shè)算法中關(guān)鍵點坐標(biāo)為P(xi,yi)(i=1,2,…)上的離散點,那么對各點曲線擬合的過程,即保證曲率連續(xù),求解k個離散點的各曲線段。圖3為一組離散點經(jīng)擬合后的曲線段。

        圖3 若干離散點擬合成clothoid曲線段

        對于任意的第l段曲線,其端點坐標(biāo)滿足如式(16)條件:

        (16)

        式中,第l段弧長為sl,(x1,y1)點的切線角為θ0l,曲率為k0l。為保證各點曲率連續(xù)且平滑,各參數(shù)滿足如式(17)的要求:

        (17)

        式中,前后兩段曲線交點處切線角、曲率均前后相等。即第l+1段曲線起點切線角等于第l段曲線的終點切線角,第l+1段曲線起點曲率等于第l段曲線的終點曲率。

        2.5 改進算法描述

        改進后的算法流程圖大致可分為初始化階段、網(wǎng)絡(luò)建模階段、判斷階段和位置更新階段,具體如圖4所示。

        圖4 改進算法流程圖

        首先通過式(8)~(11)以三層神經(jīng)網(wǎng)絡(luò)對規(guī)劃環(huán)境進行柵格化建模,生成膨脹后的柵格圖,再對各參數(shù)初始化;用公式(4)~(6)對種群進行低差異序列初始化,形成分布均勻的種群;分別以式(1)、(3)、(7)更新尾隨麻雀、警戒麻雀和發(fā)現(xiàn)者的位置,若果算法陷入局部最優(yōu)則以布朗運動步長通過式(13)跳出局部最優(yōu),若存在個體位置超過解空間上下界,也通過式(13)進行位置初始化;最后當(dāng)滿足設(shè)定迭代次數(shù)時,結(jié)束算法,再對路徑進行平滑,同時輸出平滑前后的路徑,得到對應(yīng)收斂曲線。

        2.6 算法復(fù)雜度分析

        時間復(fù)雜度反映了算法面對復(fù)雜問題的求解能力。若在D維解空間存在規(guī)模為N的初代種群,求解該問題需要消耗f(D)的時間。則時間復(fù)雜度可表示為:

        T=O(D+f(D))

        (18)

        在一系列的改進后,初始化參數(shù)用時記為η0,各隨機因子生成時間記為η1,任意一維種群產(chǎn)生耗時為η2,越界重置位置時間記為η3,此時的時間復(fù)雜度可表示為如下公式:

        T1=O(η0+Nf(D)+D(η1+η2+η3))=

        O(D+f(D))

        (19)

        種群存在不同類型個體。發(fā)現(xiàn)者有r1N個,r1即發(fā)現(xiàn)者在種群所有個體中的占比,任意一維位置更新耗時η4,隨機因子生成需消耗時長η5,則發(fā)現(xiàn)者執(zhí)行階段時間復(fù)雜度可表示為:

        T2=O(r1N(η4+η5+η5)D)=O(D)

        (20)

        追隨者有r2N,同樣的r2為其在個體總量的占比,任意一維位置更新耗時η6,隨機因子消耗時長η7,則追隨者執(zhí)行階段時間復(fù)雜度可表示為:

        T3=O(r2N(η6+η7)D)=O(D)

        (21)

        除去發(fā)現(xiàn)者與追隨者,剩余的均為警戒者,數(shù)量則為(1-r1-r2)N,任一維位置更新耗時η8,隨機因子消耗時長為η9,則警戒者執(zhí)行階段時間復(fù)雜度可表示為:

        T4=O((1-r1-r2)N(η8+η9+η9)D)=O(D)

        (22)

        在布朗運動階段,按式(13)更新麻雀最優(yōu)個體所需的時間為η10,生成隨機步長R所需的時間分別為η11,則此階段的時間復(fù)雜度為:

        T5=O(N(η10+η11+η12)D)=O(D)

        (23)

        最大迭代次數(shù)為itermax,改進算法的時間復(fù)雜度為:

        T′=T1+itermax(T2+T3+T4+T5)=

        O(D+f(D))

        (24)

        通過對比可知,算法改進前后的時間復(fù)雜度在同一水平尺度,優(yōu)化改進得到的性能優(yōu)化沒有導(dǎo)致時間復(fù)雜度的額外增加。

        3 仿真及分析

        3.1 算法性能測試

        選取2個單峰,3個復(fù)雜多峰,1個定維函數(shù)來測試算法尋優(yōu)性能,具體函數(shù)如表1所示。同時將標(biāo)準(zhǔn)SSA,GWO和粒子群算法也加入一起作為橫向?qū)Ρ?,將文獻[20]中的ISSA與文獻[21]中的CSSA進行縱向?qū)Ρ?,以此突出本文改進算法的新穎性與優(yōu)越性。對比算法種群數(shù)量統(tǒng)一為100,迭代次數(shù)為500,粒子群算法中的獨有參數(shù)c1=c2=2,w=0.728。統(tǒng)計各算法的平均值指標(biāo),并將各算法最終指標(biāo)進行排序,根據(jù)排序先后衡量算法的尋優(yōu)能力的強弱。表2中可以發(fā)現(xiàn),改進算法對各函數(shù)均表現(xiàn)出較強的尋優(yōu)能力,特別是在F3~F6中,改進算法的尋優(yōu)效果顯著。為避免均值指標(biāo)的片面性,引入Wilcoxon秩檢驗,在5%的顯著水平下進行試驗,當(dāng)P≤0.05時,則存在顯著性差異。反之當(dāng)P>0.05時,則表示差異不顯著,用N/A表示,具體結(jié)果如表1所示。由表1中看出,改進算法與其他各算法存在顯著差異,改進算法更具有快速處理復(fù)雜問題的優(yōu)勢。

        表1 測試函數(shù)表

        表2 算法尋優(yōu)結(jié)果排序

        表3 Wilconxon秩和檢驗P值

        3.2 地圖環(huán)境生成

        用本文改進算法與傳統(tǒng)麻雀算法、文獻[19]中的CSSA算法作仿真結(jié)果對比。仿真計算機配置采用intel i7-11800H型號的CPU,GeForce RTX 3070顯卡,32 GB運行內(nèi)存。

        本文以膨脹法將環(huán)境進行柵格化建立環(huán)境模型。每個柵格代表一個節(jié)點,每次可移動一個單元格,因此有8個移動方向,如圖5所示。

        圖5 運動方向

        通過建立兩種圖5所示的不同柵格環(huán)境,驗證算法在不同尺度環(huán)境下的移動機器人的實際規(guī)劃效果。柵格地圖中,黑色部分即障礙,白色部分為可規(guī)劃區(qū)域。坐標(biāo)(0.5,0.5)為規(guī)劃起點,坐標(biāo)(19.5,19.5)和(39.5,39.5)為規(guī)劃終點,在圖6以灰色柵格表示,在仿真過程中黑色用1表示,白色和灰色用0表示。

        圖6 環(huán)境柵格圖

        柵格圖中原點位于左下角,終點在右上角第j行k列,代號為G的柵格中心坐標(biāo)為:

        (25)

        式中,橫、縱坐標(biāo)即x和y,mod為取余運算,int為求整公式。

        3.3 算法參數(shù)

        通過Matlab軟件得到20*20與40*40柵格圖,通過比較測試SSA算法、CSSA算法、本文改進算法在柵格地圖上規(guī)劃出的最短路徑來對比改進算法的優(yōu)越性。其主要參數(shù)設(shè)置如表4所示。

        表4 基本參數(shù)設(shè)置

        3.4 仿真分析

        在環(huán)境大小為20×20的柵格地圖中對3種算法進行仿真,得到的最優(yōu)路徑對比和收斂迭代曲線對比如圖7所示。

        圖7 20×20地圖仿真路徑與收斂曲線對比圖

        圖7中,左圖為改進算法、原始算法同對比算法規(guī)劃出的路徑,改進算法因為引入了平滑改進,所以相對于其他兩種算法沒有尖銳轉(zhuǎn)彎點,而原始算法則有7個尖銳轉(zhuǎn)彎點,對比算法也有相應(yīng)優(yōu)化,只有5個尖銳轉(zhuǎn)彎點。右圖為3種算法的收斂曲線,原始算法迭代60次后趨于收斂,對比算法迭代52次后收斂穩(wěn)定,改進算法最優(yōu),46代即收斂于最優(yōu)路徑。

        在環(huán)境大小為40×40的柵格地圖中對3種算法進行仿真,得到的最優(yōu)路徑對比和收斂迭代曲線對比如圖8所示。

        圖8 40×40地圖仿真路徑與收斂曲線對比圖

        圖8中,左圖為改進算法、原始算法同對比算法規(guī)劃出的路徑,改進算法因為引入了平滑改進,所以相對于其他兩種算法沒有尖銳轉(zhuǎn)彎點,由于地圖尺度增加,環(huán)境障礙更加復(fù)雜,原始算法有8個尖銳轉(zhuǎn)彎點,對比算法只有7個尖銳轉(zhuǎn)彎點。右圖為3種算法的收斂曲線,原始算法迭代175次后趨于收斂,對比算法迭代158次后收斂穩(wěn)定,改進算法最優(yōu),139代即收斂于最優(yōu)路徑。

        在20×20地圖和40×40地圖中,對比傳統(tǒng)SSA、改進SSA和CSSA三種算法規(guī)劃出的路徑,傳統(tǒng)SSA算法和CSSA算法由于沒有路徑平滑過程,均有較多的尖銳拐點,且收斂速度相對改進SSA算法更慢,其中傳統(tǒng)SSA算法路徑相對較長,加大了機器人不必要的能量消耗。改進SSA算法在路徑長度上最短,收斂速度最快,且無尖銳拐點。具體指標(biāo)對比如表5所示。

        表5 指標(biāo)對比

        結(jié)果顯示,在20×20地圖環(huán)境下,改進SSA相對傳統(tǒng)SSA算法最短路徑縮短了6.07 m,降低了17.66%,收斂迭代次數(shù)減少14次約23.33%;改進SSA相對CSSA算法最短路徑縮短了2.36 m,降低了7.69%,收斂迭代次數(shù)減少6次約11.54%。在40×40地圖環(huán)境下,改進SSA相對傳統(tǒng)SSA算法最短路徑縮短了10.18 m,降低了15.43%,收斂迭代次數(shù)減少36次約20.57%;改進SSA相對CSSA算法最短路徑縮短了4.03 m,降低了6.74%,收斂迭代次數(shù)減少19次約12.03%。

        綜合來看,改進SSA算法在不同尺度環(huán)境解決機器人避障問題表現(xiàn)均很突出,其各項性能指標(biāo)均優(yōu)于CSSA算法和傳統(tǒng)SSA算法,可以以最快的速度收斂于最短平滑路徑。

        4 結(jié)束語

        針對傳統(tǒng)SSA算法易收斂在局部極值,平衡能力差、精度相對較低的缺陷,通過提出一種融合神經(jīng)網(wǎng)絡(luò)的改進麻雀搜索算法得出以下結(jié)論。

        1)通過三層神經(jīng)網(wǎng)絡(luò)對規(guī)劃環(huán)境進行柵格化建模;引入低差異序列中的Halton序列,使得初代麻雀種群分布廣泛且均勻,有很好的遍歷性,改善了初始麻雀種群隨機性過大,位置分布不均勻?qū)е氯〉镁植繕O值的問題;

        2)采用布朗運動步長策略,實現(xiàn)前期全局過程搜索范圍廣,中后期搜索精度高的平衡與切換,當(dāng)算法收斂于局部最優(yōu)值,也可通過布朗運動策略跳出局部最優(yōu),更快脫離算法停滯;

        3)引入clothoid曲線法進行最終的路徑平滑,避免了尖銳拐彎,運行時急轉(zhuǎn)急停,減少了機器人運行時機械磨損和降低了能耗。

        4)經(jīng)6個標(biāo)準(zhǔn)函數(shù)驗證和Wilcoxon檢驗P值對比可知,改進后的算法相較于SSA和CSSA算法各項指標(biāo)得到明顯優(yōu)化,且具有和SSA同一水平的時間復(fù)雜度。

        仿真結(jié)果進一步顯示,改進后的SSA算法在求解機器人避障問題時,不同地圖環(huán)境的避障結(jié)果均好于傳統(tǒng)SSA算法和CSSA算法,改進算法收斂速度快,規(guī)劃路徑短,拐點少且平滑,更滿足機器人實際工作的運行需求。

        猜你喜歡
        柵格步長復(fù)雜度
        基于Armijo搜索步長的BFGS與DFP擬牛頓法的比較研究
        基于鄰域柵格篩選的點云邊緣點提取方法*
        一種低復(fù)雜度的慣性/GNSS矢量深組合方法
        求圖上廣探樹的時間復(fù)雜度
        某雷達導(dǎo)51 頭中心控制軟件圈復(fù)雜度分析與改進
        基于逐維改進的自適應(yīng)步長布谷鳥搜索算法
        不同剖面形狀的柵格壁對柵格翼氣動特性的影響
        出口技術(shù)復(fù)雜度研究回顧與評述
        基于CVT排布的非周期柵格密度加權(quán)陣設(shè)計
        一種新型光伏系統(tǒng)MPPT變步長滯環(huán)比較P&O法
        電測與儀表(2014年2期)2014-04-04 09:04:00
        少妇人妻偷人精品视蜜桃| 按摩师玩弄少妇到高潮av| 国产无套乱子伦精彩是白视频| 中文字幕天天躁日日躁狠狠躁免费| 久久国产偷| 中文字幕无线精品亚洲乱码一区| 亚洲av乱码二区三区涩涩屋| 亚洲成a∨人片在线观看不卡| 久久亚洲sm情趣捆绑调教| 国产免费午夜福利蜜芽无码| 深夜一区二区三区视频在线观看| 少妇熟女天堂网av| 五十路熟妇亲子交尾| 色老汉亚洲av影院天天精品| 蜜桃传媒网站在线观看| 国产综合无码一区二区辣椒| 欧美色五月| 亚洲黄色大片在线观看| 中文无码人妻有码人妻中文字幕| 欲色天天网综合久久| 亚欧乱色束缚一区二区三区| 中文字幕日本av网站| 中文字幕人妻无码视频| 久久婷婷综合色丁香五月| 国产偷闻隔壁人妻内裤av | 免费观看91色国产熟女| 无码av免费精品一区二区三区| 久久男人av资源网站无码| 三级网站亚洲三级一区| 99在线精品视频在线观看| 久99久热只有精品国产男同| 亚洲国产欲色有一二欲色| 日出白浆视频在线播放| 午夜亚洲www湿好爽| 亚洲色拍拍噜噜噜最新网站| 精品日本一区二区三区| 人人爽久久涩噜噜噜丁香| 深夜国产成人福利在线观看女同| 91羞射短视频在线观看| 凹凸国产熟女精品视频app| 欧美高大丰满freesex|