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

        ?

        高速動態(tài)交通場景下自動駕駛車輛換道意圖識別模型研究*

        2023-04-27 07:48:16張新鋒王萬寶柳歡趙娟
        汽車技術(shù) 2023年4期
        關(guān)鍵詞:預(yù)判意圖殘差

        張新鋒 王萬寶 柳歡 趙娟

        (1.長安大學(xué),汽車運輸安全保障技術(shù)交通行業(yè)重點實驗室,西安 710064;2.長安大學(xué),汽車學(xué)院,西安 710064)

        主題詞:換道意圖識別 自動駕駛 長短期記憶網(wǎng)絡(luò) 注意力機制 交互信息

        1 前言

        據(jù)統(tǒng)計,人為駕駛失誤是大多數(shù)交通事故的主要原因之一,其中18%的交通事故發(fā)生在換道過程中[1]。自動駕駛車輛準確、高效地識別出周圍車輛的換道意圖,可以幫助車輛作出合理決策,大幅降低交通事故發(fā)生的風(fēng)險。

        針對自動駕駛車輛換道意圖識別,已有大量研究。如Schreier 等[2]提出利用因果和診斷證據(jù)在貝葉斯網(wǎng)絡(luò)中對車輛的行為進行建模,但無法考慮車輛動態(tài)變化,導(dǎo)致識別性能不佳。Gindele 等[3]利用動態(tài)貝葉斯網(wǎng)絡(luò)對車輛的駕駛意圖進行建模,但需要大量的參數(shù)設(shè)置和模型假設(shè);Kumar 等[4]提出基于支持向量機和貝葉斯濾波的換道意圖預(yù)測方法,但僅利用車輛當前狀態(tài),無法充分利用駕駛數(shù)據(jù)的時間特征;Li 等[5]提出隱馬爾可夫模型和貝葉斯濾波結(jié)合的算法,將駕駛行為分解為各種子行為,以提高識別性能,但忽略了時間序列信息之間的聯(lián)系。因此,傳統(tǒng)機器學(xué)習(xí)方法無法充分利用歷史時序信息,忽略了車輛前、后時刻信息的關(guān)聯(lián)性,導(dǎo)致在長時域范圍內(nèi)的識別性能受限。

        近年來,許多學(xué)者將深度學(xué)習(xí)應(yīng)用于車輛換道意圖識別研究。如Zyner 等[6]利用長短時記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)預(yù)測車輛在十字路口的駕駛意圖,但未考慮周圍車輛信息,導(dǎo)致精度受限;Tang等[7]將經(jīng)典的單層LSTM 擴展到多層LSTM,以增加模型的非線性成分,提高算法的魯棒性,但僅利用LSTM 提取車輛交互信息;宋曉琳等[8]通過構(gòu)造收益函數(shù)來描述目標車輛不同駕駛行為的收益,對車輛間的交互行為進行建模,將收益輸入LSTM 網(wǎng)絡(luò),得到較高的識別精度。與傳統(tǒng)機器學(xué)習(xí)相比,深度學(xué)習(xí)方法能夠更加準確地描述復(fù)雜的駕駛行為,在識別精度上更具優(yōu)勢[9]。

        在高速動態(tài)復(fù)雜的交通場景中,車輛之間有較強的交互關(guān)系。現(xiàn)有研究大多僅關(guān)注目標車輛自身的狀態(tài)信息,導(dǎo)致精度和預(yù)判能力受到限制。因此,本文利用目標車輛的運動狀態(tài)信息以及與周圍車輛之間的時空交互信息,引入注意力機制,基于卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)理論,提出基于融合注意力機制的卷積殘差雙向長短時記憶(CNN Residual BiLSTM Attention,CRBiLSTMA)車輛換道意圖識別模型。

        2 CRBiLSTMA車輛換道意圖識別模型

        2.1 殘差雙向長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)

        2.1.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

        車輛換道意圖識別屬于典型的時序分類問題,而LSTM 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò),能夠解決長時間序列訓(xùn)練中的梯度消失和爆炸問題,因此LSTM網(wǎng)絡(luò)在該應(yīng)用中具有良好的性能。單個LSTM單元結(jié)構(gòu)如圖1所示。

        圖1 LSTM單元結(jié)構(gòu)

        LSTM單元的計算公式如下:

        式中,It為輸入門;Ot為輸出門;Ft為遺忘門;σ為Sigmoid非線性激活函數(shù);Wi、Wo、Wf、Wc和bi、bo、bf、bc分別為各部分的權(quán)重矩陣和偏置項;xt為t時刻的輸入;Ht為t時刻的隱藏狀態(tài);Ct為t時刻的記憶細胞,其作用是保留長期信息;為當前時間步的候選記憶細胞;tanh 為雙曲正切非線性激活函數(shù);⊙為哈達瑪(Hadamard)乘積。

        2.1.2 多層雙向長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)

        為了使模型學(xué)習(xí)到更多深層的信息,將單層LSTM網(wǎng)絡(luò)堆疊形成多層LSTM網(wǎng)絡(luò)。與傳統(tǒng)的單層LSTM網(wǎng)絡(luò)相比,多層LSTM 網(wǎng)絡(luò)結(jié)構(gòu)可以顯著增加非線性分量,從而提高模型的泛化能力和魯棒性。雙向長短時記憶(Bi-directional Long Short-Term Memory,BiLSTM)網(wǎng)絡(luò)由2個LSTM子層組成:前向LSTM(FW LSTM)層和反向LSTM(BW LSTM)層。與LSTM 不同,BiLSTM 網(wǎng)絡(luò)具有雙向特性,因此可以通過FW LSTM和BW LSTM相結(jié)合充分考慮時序信息,將前、后信息雙向傳遞,有助于解決長期依賴性問題并提高預(yù)測精度。BiLSTM單元的最終輸出為:

        2.1.3 殘差連接

        多層BiLSTM網(wǎng)絡(luò)的深化和復(fù)雜性的增加容易導(dǎo)致梯度消失問題,使得學(xué)習(xí)效率降低,模型精度提升微弱[10]。受到殘差神經(jīng)網(wǎng)絡(luò)(Residual Network)的啟發(fā),為了解決優(yōu)化瓶頸問題,將殘差連接引入模型,得到殘差雙向長短時記憶(Residual BiLSTM)模型,如圖2所示。

        圖2 殘差BiLSTM車輛換道意圖識別模型

        2.2 注意力機制

        在處理時間序列問題時,可通過注意力機制[11]對不同時刻的序列數(shù)據(jù)賦予不同的權(quán)重。在根據(jù)車輛歷史軌跡和交互信息進行意圖識別時,不同時刻的軌跡數(shù)據(jù)信息重要程度不同,通過注意力機制調(diào)整權(quán)重,可以使模型更好地提取到重要的深層換道特征。因此將注意力機制引入本文的卷積殘差BiLSTM模型中。注意力機制原理如圖3所示,其中softmax為激活函數(shù)。

        圖3 注意力機制原理

        注意力機制計算可以分為3 個步驟,即信息輸入、計算注意力權(quán)重系數(shù)α、根據(jù)α計算輸入信息的加權(quán)平均值:

        a.信息輸入:X=(x1,x2,…,xT)為數(shù)量為T的輸入信息;

        式中,Wv、Wk、Wq為權(quán)重系數(shù)矩陣;q為輸入序列中與換道意圖識別相關(guān)的查詢向量。

        c.信息加權(quán)平均:注意力權(quán)重系數(shù)αi表示相對于查詢向量q的第i個信息受關(guān)注程度,將其與v進行加權(quán)求和,可以得到注意力層輸出:

        2.3 CRBiLSTMA車輛換道意圖識別模型

        本文基于循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種CRBiLSTMA車輛換道意圖識別模型,其結(jié)構(gòu)如圖4所示。

        圖4 CRBiLSTMA車輛換道意圖識別模型

        該模型由輸入層、卷積層、殘差BiLSTM 層、注意力層、softmax層和輸出層組成。特征信息較多時,輸入的軌跡數(shù)據(jù)尺寸較大,可能會導(dǎo)致模型訓(xùn)練過慢以及準確率下降,而卷積神經(jīng)網(wǎng)絡(luò)具有局部連接和權(quán)值共享的特點,能夠?qū)崿F(xiàn)對高維數(shù)據(jù)的處理并提取車輛之間深層的時空交互信息;基于LSTM網(wǎng)絡(luò)對處理時序數(shù)據(jù)分類問題的優(yōu)勢,選取LSTM網(wǎng)絡(luò)對車輛的歷史軌跡和交互信息進行換道意圖預(yù)測;針對深層BiLSTM 模型的優(yōu)化瓶頸問題,引入殘差神經(jīng)網(wǎng)絡(luò)的殘差連接來解決;在卷積殘差BiLSTM模型的基礎(chǔ)上引入注意力機制來優(yōu)化該模型,調(diào)整不同時刻多層BiLSTM網(wǎng)絡(luò)輸出的權(quán)重,使模型從不同時刻的數(shù)據(jù)中更好地提取到換道特征。最后將注意力層的輸出利用softmax層,將多個神經(jīng)元的輸出映射到(0,1)區(qū)間,視為不同換道意圖的概率分布,將概率最大的換道行為作為模型的意圖識別結(jié)果。

        3 換道意圖特征參數(shù)選擇

        現(xiàn)有研究的換道意圖主要根據(jù)目標車輛的歷史軌跡信息提取換道特征。當車輛尚未表現(xiàn)出關(guān)鍵的典型換道特征時,例如,車輛還未穿過車道線,僅使用目標車輛本身的運動信息不足以預(yù)測車輛的未來換道意圖。因此,除了目標車輛本身的信息外,還應(yīng)考慮目標車輛周圍車輛的信息,通過對車輛間的時空交互信息,提取深層的換道特征,來提前預(yù)測目標車輛的換道意圖。

        在高速動態(tài)復(fù)雜的交通場景中,為了使模型更好地理解車輛的交互作用,提取車輛之間深層的時空交互信息,輸入信息[12]應(yīng)包括目標車輛本身及周圍車輛的信息,輸入信息可表示為:

        式中,E(t)為目標車輛在t時刻的信息;H(t)為周圍車輛在t時刻的信息;Tp為歷史時域,即輸入車輛軌跡序列的長度。

        設(shè)目標車輛在t時刻的狀態(tài)信息集合為:

        目標車輛與周圍車輛的位置關(guān)系如圖5所示。

        圖5 目標車輛及其周圍車輛位置示意

        設(shè)周圍車輛集合為:

        周圍車輛的位置信息和速度信息可表示為:

        假設(shè)目標車輛的周圍車輛數(shù)量為m,實際行駛中會出現(xiàn)某個位置不存在車輛的情況,因此m≤6。若周圍某個位置(相對于目標車輛的正前、正后、左前、左后、右前、右后)的車輛不存在,則根據(jù)該車相對于目標車輛的位置,將該位置車輛信息設(shè)置為,其中,d為車道寬度。

        4 試驗與結(jié)果分析

        4.1 數(shù)據(jù)集

        為了驗證2.3 節(jié)所提出的CRBiLSTMA 車輛換道意圖模型在高速動態(tài)復(fù)雜交通場景中的車輛換道意圖識別性能,這里選取NGSIM數(shù)據(jù)集[13]中的高速公路數(shù)據(jù)作為分析數(shù)據(jù)集。根據(jù)研究需求,選取其中的US-101 和I-80高速公路路段車輛軌跡數(shù)據(jù)集,每個數(shù)據(jù)集記錄了車輛位置、GPS 坐標、速度、車輛類型等信息,采樣周期為10 Hz。研究區(qū)域路段結(jié)構(gòu)如圖6所示。

        圖6 I-80和US-101研究路段

        4.2 數(shù)據(jù)預(yù)處理

        NGSIM 數(shù)據(jù)集的軌跡數(shù)據(jù)存在一定的誤差和噪聲,如US-101路段車輛2的加速度與時間的關(guān)系,如圖7 所示。從圖7 中可以發(fā)現(xiàn):車輛在較短的時間內(nèi)頻繁出現(xiàn)急加速和急減速相互切換的情況[14],這是不符合實際的;此外,根據(jù)統(tǒng)計發(fā)現(xiàn)數(shù)據(jù)集中還存在8.99%的數(shù)據(jù)具有超過±3 m/s2的異常加速度現(xiàn)象。

        圖7 US-101路段車輛2加速度-時間關(guān)系

        為了避免車輛運動信息中的誤差和噪聲對試驗結(jié)果的影響,可以采用Savitzky-Golay 濾波器[15]對其進行平滑處理,計算流程如下:

        設(shè)一個窗口內(nèi)待擬合的數(shù)據(jù)組為x[i],i=-m,…0,…m,i的取值為(2m+1)個連續(xù)的整數(shù)值,構(gòu)造一個n階多項式(n≤2m+1)來擬合數(shù)據(jù):

        式中,bnk為系數(shù)。

        擬合數(shù)據(jù)點與原數(shù)據(jù)點的殘差平方和為:

        使用最小二乘法,要使擬合效果最好,則殘差平方和應(yīng)E最小,令E對該多項式的系數(shù)bnk求偏導(dǎo)等于0:

        式中,r=0,1,…,n。

        當需要擬合的點數(shù)量m、多項式的階次n、待擬合的數(shù)據(jù)x[i]已知時,即可確定該多項式。

        這里采用3 階Savitzky-Golay 濾波器,窗口長度為21,以US-101路段中車輛2的加速度為例,濾波器平滑前、后的車輛加速度對比如圖8所示。由圖8可以看出,濾波后的加速度數(shù)據(jù)平滑性更顯著,能夠為模型提供更符合實際的高速公路車輛行駛測試數(shù)據(jù)。

        圖8 車輛加速度濾波結(jié)果

        4.3 數(shù)據(jù)提取與標注

        將從數(shù)據(jù)集中提取的軌跡片段分為車道保持、左換道和右換道3類,并添加相應(yīng)的標注[16]。軌跡提取劃分過程如下:

        a.確定換道點和航向角。如圖9所示,從車輛的一段左換道軌跡中求取車輛在換道過程中與車道線的交點B,定義為換道點。設(shè)車輛位置為(x,y),則車輛在前進方向上每個時刻的航向角為:

        圖9 車輛左換道序列標注示意

        b.確定換道過程點。換道點確定后,即可通過車輛的航向角θ確定換道過程的起點和終點。沿著換道點向前、后兩側(cè)遍歷所有時刻的車輛航向角θ。如果|θ|≤θs(θs為車道變換的起始航向角閾值)連續(xù)5次(目的是減少由數(shù)據(jù)噪聲引起的模型誤判),則將第1 次達到閾值θs的位置向前1 s(目的是更早識別出車輛的換道意圖)獲得的點A定義為換道起點,同理,如果|θ|≤θe(θe為車道變換的結(jié)束航向角閾值)連續(xù)5次,第1次達到閾值θe的點C定義為換道終點。將車輛從換道起點行駛到換道終點之間的位置點定義為換道過程點[17]。

        c.軌跡標注。為了充分利用數(shù)據(jù),使用滑動窗口提取車輛軌跡數(shù)據(jù)。選取窗口大小Tp=10,若提取軌跡的最后一個采樣點在換道起點A和換道終點C之間,則將該軌跡序列標記為左換道序列0。同理,將右換道序列標記為1;將直線行駛車輛的全部軌跡標注為2。

        基于以上方法,本文從數(shù)據(jù)集中共提取了93 311條標簽為0 的左換道序列、36 305 條標簽為1 的右換道序列、641 848 條標簽為2 的保持直行序列。由于各類樣本數(shù)據(jù)量差別較大,會導(dǎo)致模型識別結(jié)果準確率虛高。為了減少由樣本比例失衡引起的過擬合問題,各類樣本統(tǒng)一隨機選取36 305個序列,并按8∶1∶1的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。

        4.4 意圖識別模塊性能分析

        針對車輛換道意圖識別問題,常用以下指標進行性能評價:

        a.準確率Acc,指分類正確的樣本占總樣本數(shù)量的比例:

        式中,STP、STN、SFP、SFN分別為真正例、真負例、假正例、假負例數(shù)量。

        b.精確率P,指真正例占被預(yù)測為正的樣本總數(shù)的比例:

        c.召回率R,指真正例占所有實際為正類樣本總數(shù)的比例:

        d.F1,指精確率P與召回率R的調(diào)和平均值:

        本文提出的CRBiLSTMA 車輛換道意圖識別模型由3 層BiLSTM 堆疊,學(xué)習(xí)率設(shè)置為0.000 1,批量處理尺寸(Batch size)設(shè)置為64,各層之間的隨機失活(Dropout)設(shè)置為0.2,使用交叉熵損失函數(shù)(Cross Entropy),采用自適應(yīng)動量評估(Adam)優(yōu)化器,輸入歷史軌跡長度Tp=10。識別算法基于Python3.9.7語言編寫,基于Pytorch1.11.0 框架實現(xiàn)。識別結(jié)果利用混淆矩陣圖來表征,評價指標結(jié)果以及混淆矩陣如表1 和圖10所示。

        表1 模型性能評價

        圖10 換道意圖識別模型混淆矩陣

        由表1 和圖10 可知,所提出的CRBiLSTMA 模型的總體準確率達到了97.44%,3類駕駛意圖的精確率都到達了94%以上,說明意圖識別模型能夠準確識別車輛的換道行為。左、右換道行為的識別精確率接近,高達98%以上,高于車道保持的識別率,這是因為車輛在實際直線行駛過程中會發(fā)生左右晃動。由于車輛晃動,軌跡數(shù)據(jù)的橫向坐標會發(fā)生抖動,造成模型容易將保持直行誤判為換道行為。而且,左右換道行為的換道特征差別明顯,模型將左(右)換道行為誤判為右(左)換道的概率較低,從而導(dǎo)致左、右換道行為的識別精確率高于車道保持行為。

        為了進一步驗證所提出模型的性能,選取LSTM模型、SLSTM 模型、RBiLSTM 模型和CRBiLSTM 模型與本文所提出的CRBiLSTMA 模型進行對比分析,并利用同一測試集進行驗證。模型性能對比結(jié)果如表2所示。

        表2 五種模型性能評價對比

        分析表2 可以發(fā)現(xiàn),所提出的CRBiLSTMA 模型的識別準確率高于其他模型,總體準確率達到了97.44%。進一步分析發(fā)現(xiàn):SLSTM 模型與LSTM 模型相比,準確率提高了8.19百分點,說明在車輛意圖識別過程中,考慮目標車輛周圍的車輛信息時,SLSTM 模型能夠?qū)换ミM行隱式建模,通過交互感知特征能夠明顯提高識別準確率;RBiLSTM 模型與SLSTM 模型相比,準確率提高了2.48 百分點,說明BiLSTM 網(wǎng)絡(luò)可以通過在神經(jīng)網(wǎng)絡(luò)中建立雙向連接來解決長期依賴問題并提高預(yù)測準確率,且引入了殘差連接可以解決多層BiLSTM 網(wǎng)絡(luò)學(xué)習(xí)效率降低的問題;CRBiLSTM 模型與RBiLSTM 模型相比,準確率提高了0.41 百分點,說明輸入層的數(shù)據(jù)先經(jīng)過一維卷積神經(jīng)網(wǎng)絡(luò)能夠提取更深層的信息;CRBiLSTMA 模型與CRBiLSTM 模型相比,準確率提高了0.15百分點,說明通過引入注意力機制調(diào)整不同時間幀的數(shù)據(jù)權(quán)重,能夠更好地考慮時間序列之間的內(nèi)在聯(lián)系。

        因此,本文提出的CRBiLSTMA 模型由于引入了殘差連接、卷積神經(jīng)網(wǎng)絡(luò)和注意力機制,對輸入信息的換道特征提取能力更強,具有更高的換道意圖識別精度。

        然而,對于高速動態(tài)自動駕駛車輛而言,必須具有更高的提前預(yù)測換道意圖的能力,對周圍車輛的車道變換意圖預(yù)判時間有著更高的要求。將車輛從當前位置行駛到車道變換的位置所需要的時間定義為預(yù)判時間。高速公路環(huán)境下車輛的換道時間一般在3.5~6.0 s范圍內(nèi),平均持續(xù)時間為5.0 s 可以完成一次換道[18-19]。從測試集的換道車輛中挑選預(yù)判時間分別為3.0 s,2.5 s,2.0 s,1.5 s,1.0 s,0.5 s 的軌跡序列作為輸入,本文所提出的CRBiLSTMA模型在不同預(yù)判時間下的識別性能如表3所示。

        表3 不同預(yù)判時間下模型識別性能評價對比

        由表3可知,隨著被預(yù)測車輛駛向換道點,向左、向右換道意圖識別準確率均逐漸提高。當預(yù)判時間為2.5 s 時,本文所提出的CRBiLSTMA 模型即可準確識別出換道意圖,整體準確率達到90%以上。

        進一步對比分析不同預(yù)判時間下各模型的識別準確率,結(jié)果如圖11所示。

        圖11 不同預(yù)判時間的識別結(jié)果

        由圖11 可知,隨著被預(yù)測車輛駛向換道點,5 種模型的意圖識別準確率都逐漸提高。通過SLSTM模型與LSTM模型對比分析可知,在預(yù)判時間較長,即車輛換道特征不顯著時,考慮目標車輛與周圍車輛的交互信息,能夠明顯提升識別精度。并且隨著預(yù)判時間的增大,識別準確率的提升也尤為顯著。在預(yù)判時間為1~3 s 時,本文所提出的CRBiLSTMA模型識別準確率最高,此時,車輛還未穿過車道線,即車輛尚未表現(xiàn)出明顯的換道典型特征,表明該模型能夠從數(shù)據(jù)中更早、更準確地提取深層的換道特征,且有更高的識別精度。假設(shè)在換道點前、后各占2.5 s時間,本文所提出的模型能夠在車輛執(zhí)行換道動作前作出恰當預(yù)判。

        5 結(jié)束語

        本文針對高速動態(tài)復(fù)雜交通場景下自動駕駛車輛換道意圖識別問題,通過注意力機制調(diào)整LSTM 不同時刻的權(quán)重,并考慮車輛之間的交互性,將目標車輛與周圍車輛之間的信息通過CNN 網(wǎng)絡(luò)進行融合,提出了CRBiLSTMA 車輛換道意圖識別模型,基于NGSIM 數(shù)據(jù)集驗證了模型的有效性,并通過LSTM、SLSTM、RBiLSTM、CRBiLSTM 等模型與本文所提出的CRBiLSTMA 模型進行對比分析,結(jié)果表明:

        a.CRBiLSTMA 模型的整體識別準確率最高,達到97.44%。而且通過對比發(fā)現(xiàn)考慮交互信息時,識別準確率能夠得到明顯提升。

        b.CRBiLSTMA 模型由于引入殘差連接、卷積神經(jīng)網(wǎng)絡(luò)和注意力機制,使得模型提取輸入信息的換道特征能力更強,換道意圖識別精度更高。

        c.隨著預(yù)判時間的縮短,CRBiLSTMA 模型的意圖識別準確率逐漸提高,在預(yù)判時間為1~3 s時,模型識別準確率最高,在換道前2.5 s 內(nèi)即可準確識別車輛換道意圖,準確率可達90%以上,具有更好的意圖識別和預(yù)判能力。

        猜你喜歡
        預(yù)判意圖殘差
        原始意圖、對抗主義和非解釋主義
        法律方法(2022年2期)2022-10-20 06:42:20
        基于雙向GRU與殘差擬合的車輛跟馳建模
        陸游詩寫意圖(國畫)
        制定法解釋與立法意圖的反事實檢驗
        法律方法(2021年3期)2021-03-16 05:56:58
        2021年下半年集裝箱海運市場走勢預(yù)判
        對書業(yè)的30個預(yù)判
        出版人(2020年5期)2020-11-17 01:45:18
        基于殘差學(xué)習(xí)的自適應(yīng)無人機目標跟蹤算法
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        整體供大于求 蘋果行情預(yù)判
        平穩(wěn)自相關(guān)過程的殘差累積和控制圖
        河南科技(2015年8期)2015-03-11 16:23:52
        国产成+人+综合+亚洲 欧美| 人妻少妇偷人精品久久性色av| 色综合av综合无码综合网站| 亚洲 欧美 激情 小说 另类| 探花国产精品三级在线播放| 国产成人av区一区二区三| 人与人性恔配视频免费| 国产精品国产午夜免费看福利 | 亚洲无人区乱码中文字幕动画| 无码 人妻 在线 视频| 黑人玩弄漂亮少妇高潮大叫| 国产精品情侣露脸av在线播放| 男女一区视频在线观看| 成人麻豆日韩在无码视频| 亚洲成a人片在线观看无码| 亚洲一区精品中文字幕| 亚洲一区二区三区重口另类 | 两人前一后地插着她丰满| 欧美一性一乱一交一视频| 丝袜AV在线一区二区三区| 二区三区视频在线观看| 激情五月婷婷一区二区| 国产高颜值大学生情侣酒店| 日韩偷拍一区二区三区视频| 成人影院视频在线播放| 人人妻人人澡人人爽超污| 无套内谢孕妇毛片免费看看| 极品人妻少妇一区二区| 神马影院日本一区二区| 人妻少妇精品无码专区二区 | 男女深夜视频网站入口| 久久国产色av免费观看| 欧美三级不卡视频| 中文字幕一区二区三区在线看一区| 极品人妻被黑人中出种子| 亚洲精品字幕在线观看| 久久99国产亚洲高清观看首页| 免费观看人妻av网站| 国产无遮挡又黄又爽在线观看| 亚洲都市校园激情另类| 视频一区视频二区自拍偷拍|