地下道路线形及横向净距设计方法.doc

精选资料

基于多智能体仿真的地下道路线形及横向净距设计方法

技术方案:
现实表明，地下道路由于其封闭性和躲避空间的局限性，交通安全事故的发生频率是一般道路的几倍，严重程度很高且极易引起后继事故的发生，而把人、车、路和环境等几个方面综合进行考虑的地下道路交通工程设计，被认为是解决公路地下道路交通安全问题的重要措施之一。在地下道路交通工程涉及的各种手段和方法中，地下道路线形和横向净距的优化设计能够帮助驾驶员做出更有效的驾驶行为决策，减少驾驶焦虑和压力，是真正能够保证地下道路交通安全、提高通行能力的手段之一。本章主要基于SOAR认知框架建立大型车辆多智能体模型，对不同道路线形和横向净距下的交通行为和交通流特征进行仿真和分析，提出优化的地下道路线形和横向净距设计推荐方案。
6.1 地下道路线形及横向距离 对驾驶行为的影响分析
荷兰应用科学研究组织(TNO)认为，隧道的特殊设计包括隧道的长度、类型、宽度，隧道路线曲线的数目、曲度及波动等，在很大程度上影响着驾驶员的行为以及主观安全感。但是这些研究都是针对公路隧道的研究，对地下道路的研究主要集中在横断面的设计、出入口变速车道长度以及交通安全的定性分析等，较少对城市地下道路的驾驶行为进行研究。
6.1.1一般路段对驾驶员行为的影响分析
一般路段线形对驾驶员行为的影响主要有：
1）长直线道路会使驾驶员在行驶过程中产生催眠现象，反应变得迟钝，注意力分散，从而导致行车中判断失误；
2）合适半径的平曲线，给驾驶员适当的紧张感，有利于交通安全。不合理的平曲线设计会使司机在猜测和紧张中驾驶，使他们身体很容易疲劳，心脏负荷过大，判断力下降，反应迟钝。过小的曲线半径会降低驾驶员的停车视距使他们不能提前观察到前方转弯处，也不能对道路线形的走势做到心中有数；
3）长大下坡易造成驾驶员频繁刹车，感觉疲劳、紧张；
4）凸形竖曲线易导致驾驶员视距不足，看不到前方交通情况引起心情烦躁不安；夜晚无照明道路上的凹形竖曲线处视距不足，易引起驾驶员紧张心理。
6.1.2地下道路对驾驶员行为的影响分析
地下道路线形对驾驶行为除了具有与一般路段相似的影响外，还具有其特殊性，其中线性变化对车速和心率变化的影响较明显。
1）车速：地下道路出入口是驾驶员心理变化最显著且快速的路段。研究发现，一般车辆在进入地下道路口前一定距离有明显减速，在地下道路中，车速一般在较低水平范围上下波动，而在出地下道路口有明显加速过程。导致地下道路进出口区域车速变化的主要原因是地下道路内外光线差导致的视觉适应和道路线形因素。根据对秦岭二号地下道路和终南山地下道路调研研究发现车辆在地下道路进出口前后5s设计车速行程范围运行车速都受到线形影响。郭忠印等对地下道路进出口的运行安全进行了研究，认为进出口线形过渡是地下道路安全的主要影响因素之一。
不同线形的地下道路出入口对内部环境产生不同影响，直线地下道路不利于光线过渡，不能有效调节驾驶员心理，无法避免 “黑洞效应”和“白洞效应”引起的减速进洞、加速出洞现象的出现。瑞士及北欧国家的公路地下道路绝大多数都做成曲线形的，这有利于提高驾驶员的注意力，且地下道路出入口曲线段可以有效解决“黑白洞”问题，减少事故的发生。
在地下道路中行驶，驾驶员的视野受到诸多因素的影响，视野随车速的变化而变化，同样，车速随视野的变化而变化，即驾驶员总是根据其视野大小来选择行驶速度。当前方出现小半径平曲线、纵坡、地下道路洞口等使视野变小时，驾驶员会相应的降低速度；当前方为长直线或者大半径平曲线通视良好时，视野增大驾驶员会提高速度。
2）心率：研究发现，驾驶员心率增量与地下道路的弯道半径存在较大相关性。小半径地下道路由于离心力、视距、通风不良等原因易引起驾驶员心率增加，对驾驶员的感知、情绪造成影响。此外，地下道路的密闭空间易造成驾驶员的压迫感，感觉地下道路内车道宽度变小，曲线地下道路会给驾驶员造成与地下道路内壁相撞的恐惧感，产生所谓的“边墙效应”，驾驶压力大大增加，并有可能情绪失控，操作失误，引起事故。单向通行的地下道路应设置为大半径曲线，驾驶员适当的心率增加、心理紧张利于注意力的集中，且大半径曲线地下道路光照过渡性好，利于驾驶员的明暗适应过程。
根据长安大学西汉高速秦岭地下道路群路段的调研数据，地下道路纵坡对驾驶员心理的影响因上下坡而有所变化，上行路段上坡过程心率增加率随坡度不同而变化，在纵坡由小变大过程，驾驶员为了冲越坡度，一般速度提升，心率增加率变大，在纵坡2.7%左右心率增加率达到顶峰；坡度继续增大，则驾驶员采取保守措施，低档稳速爬坡，心率有所下降；随着坡度继续增加，爬坡难度增加，驾驶员心理紧张，心率再次升高。下坡过程心率变化受到车速控制影响，在坡度为之间时心率增量最大，坡度继续增加，驾驶员刹车控制车速，心率反而降低。
3）横净距：《公路地下道路设计规范》中对公路地下道路停车视距作出了明确的规定,其中所采用的安全停车视距与普通路基的停车视距是一致的。由于地下道路内轮廓的限制, 洞内的横净距( 视点至洞壁或检修道等障碍物的距离) 远小于普通路基的横净距值。地下道路横净距越小, 要求最小平曲线半径越大；单向双车道地下道路，左侧车道横净距小于右侧车道横净距；依据车辆行驶方向，左转弯地下道路的横净距小于右转弯，地下道路左转弯曲线地下道路较右转弯曲线地下道路不利于安全。 因此，地下道路平曲线半径小于最小视距半径时,应采取措施加大地下道路横净距。

6.2 SOAR 认知框架概述
SOAR的全称为状态、算子和目标（State, Operator and Result）,是由Allen Newell等人于1983年开发的称为“通用智能”的一种框架，主要讨论知识思考、智力和记忆，是一个应用范围非常广的认知结构。其中，状态是当前要解决问题的情况表征，算子是可以改变状态、产生新的状态的操作，目标是需要解决问题的理想结果。SOAR的运行就是在问题空间持续地应用算子和选择下一个算子直到该问题目标实现的过程。
SOAR框架主要包括输入/输出界面、长期记忆区、工作记忆区三大部分，还有其他一些潜在的机制如决策周期、学习过程等。如下图1所示：

图6-1 SOAR框架的结构
如上图所示，SOAR必须通过感知/动作界面与外界发生交互，由感知将外部世界映射到工作记忆中，通过动作将工作记忆内部的表征返回外部环境并产生行动。SOAR内部具有不同表征形式的工作记忆区和长期记忆区，分别用来描述问题求解的当前状态和长期记忆。工作记忆用具有等级结构的状态/目标图表来表示与当前状态相关的感知数据、中间推理的结果、活动目标和活动算子等。长期记忆包括程序性记忆、语义性记忆和情节性记忆。SOAR通过一个固定的处理机制——决策周期，完成SOAR的选择和应用算子等功能。伴随着决策周期SOAR有四种不同的学习机制，分别是强化学习、组块、情节性学习和语义性学习。
6.3 应用于地下道路线形和横向净距仿真的SOAR智能体设计
本节采用SOAR认知框架对地下道路行车中的驾驶员智能体进行建模，包括智能体工作记忆、长期记忆、程序性算子选择方法及学习机制等。
6.3.1 通过地下道路的驾驶员智能体工作记忆设计
工作记忆包括SOAR智能体的所有关于世界和内部推理的动态信息，它包括感知信息，中间计算，分级的状态以及相关的算子和目标等，智能体所有的推理和决策都在工作记忆中进行。SOAR中所有工作记忆中的信息被组织成图表结构，下图6-2为某一个经过地下道路驾驶员智能体工作记忆的图表结构。
S1
Vehicle: V1
Driver: D1
Super-State: nil
Name: s1
IO: IO1

V1
Size: small
Type: private-car
D1
Gender: male
Age: 45
Driving-years: 20
Incomings: 8000
Character: reserved
Match-accuracy: 1
Familiarity: type1
Location: org-loc

IO1
Output-Link: I3
Input-Link: I2

O1
Operator: move forward
Operator: turn left
……..

I1
Road-alignment: L
Clear-distance: S
Sense-Density: 2
Velocity: F
Turn-angle:L2
……

图6-2 驾驶员智能体工作记忆
如上图所示，工作记忆里的状态S1包含五个属性，其中vehicle、driver、IO属性的值为对象V1、D1和I1，其余两个属性分别表示该状态的名称为s1，且其没有父状态。状态S1的V1属性表示智能体组成单元车辆的相关信息，包括表示车辆的尺寸为小，车辆的用途为私家车，当前速度很快。S1的D1属性表示驾驶员的相关信息，包括驾驶员的性别为男，年龄为45，驾龄为20年，月收入为8000，性格为稳重型，对路网非常熟悉，当前驾驶员的匹配精度为1，当前位置为初始位置。IO属性为S1的输入输出，分别通过input-link和output-link接口实现，其中input-link的标识符I1有四个属性，分别表示智能体从外界感知到的与路段以及周边环境相关的信息，包括属性Road-alignment、Clear-distance、Sense-density、Velocity、Turn-angle分别表示当前车辆所在道路的感知线形、横向距离、感知拥堵程度、速度、转弯角度。输出接口output-link的标识符O1表示该状态下的输出，比如选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果通过I3下的属性输出。
表6-1 工作记忆输入和输出
序号
属性
输入\输出
取值
编码
说明
1
当前路段线形
输入
直线段、左转弯道、右转弯道
1,2,3

1
路段线形特征值
输入
弯道半径
1,2,3,4

2
横向距离
输入
数值
1,2,3

3
当前道路拥堵状况
输入
严重拥堵、一般拥堵、通畅
3,2,1

4
预测道路拥堵状况
输入
严重拥堵、一般拥堵、通畅
3,2,1

5
当前情绪
输入
舒畅、急躁
1,2

6
目的地
输入
左、前、右
1,2,3

7
驾驶风格
输入
保守、冒险、一般
1,2,3

9
当前行驶状态
输入
直行、左转、右转
1,2,3

8
行驶状态特征值
输入
速度、角度
具体值

9
改变当前情绪
输出
舒畅、急躁切换
匹配精度升降
依记忆规则确定
10
改变目的地
输出
左、前、右目的地切换

依记忆规则确定
11
改变行驶状态
输出
直行、左转、右转及对应特征值变化

依记忆规则确定

6.3.2地下道路行车中驾驶员智能体长期记忆设计
长期记忆区是一个成果记忆区。长期记忆中最重要和最有效的是程序性知识，情节性知识只在程序性的知识不足以支撑决策时才起作用，在驾驶行为中不涉及语义性知识。SOAR智能体经过地下道路驾驶行为程序性记忆用产生式规则来进行表征。首先，用每个规则的“if”部分去匹配工作记忆里的元素，如果规则的“if”部分与工作记忆元素完全匹配，这个规则就会被触发，然后通过发送一条到运动系统的信息或产生改变当前状态的建议，引起“then”部分触发，即任何与当前目标、状态和算子匹配的规则会改变当前的目标和状态。
SOAR智能体经过地下道路的情节性记忆是智能体的特定经历和记忆，是情节性学习的知识来源，一旦驾驶行为决策完成，就将当前行为、对应的决策状态转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。
表6-2 某个驾驶员智能体的部分初始长期记忆规则
规则编号
IF/THEN
IF/THEN
IF/THEN
IF/THEN
IF/THEN
IF/THEN
IF/THEN
IF/THEN
r1
[I]
R-A1(2)
[I]
R-A2(1)
[I]
C-D(1)
[I]
S-D(1)
[I]
D-S1(2)
[I] D-S2(12)
[T]
D-S1(1)
[T]
D-S2(1)
r2
[I]
S-D(3,1,3)
[I]
P-D(3,1,3)
[I]
Des(1)
[T]
Des(2)

r3
[I]
S-D(223)
[I]
R-A1(3)
[I]
R-A2(3)
[I]
D-S1(3)
[I] D-S2(1,3)
[T]
Tem(2)

r4
[I]
R-A1(1)
[I]
R-A2(3)
[I]
C-D(1)
[T]
D-S1(1)
[T]
D-S2(2)
—
—
—
r5
[I]
R-A1(2)
[I]
R-A2(2)
[I]
C-D(2)
[I]
D-S1(1)
[I]
D-S2(3)
[T]
D-S1(2)
[T]
D-S2(2)

上表中，[I]表示条件，[T]表示行动，R-A1, R-A2, C-D, S-D, P-D, Tem, Des, D-S1, D-S2为对象属性的缩写， 分别表示线形、线形特征值、横向距离拥堵、预测拥堵、情绪、目的地、行驶状态、行驶状态特征值。以r5为例，规则意义为如果当前线形为左转弯，转弯半径为中等（根据具体值进行标定），车辆横向距离较大（根据具体值进行标定），当前车辆正直行且速度较快，则在满足转弯条件前提下车辆左转，速度降低1个单位，其它规则意义依此类推。上述规则只是某个驾驶员智能体初始规则的一部分，篇幅所限，不详细列出。另外，驾驶员智能体规则在学习过程中会通过学习机制动态的增加和删除。
SOAR智能体的诱导服从行为的情节性记忆是智能体的特定经历和记忆，是情节性学习的知识来源，一旦诱导服从行为决策完成，就将当前行为、对应的决策状态转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。
6.3.3 程序式算子选择
经过地下道路的SOAR智能体中采用数值偏好。长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值。每添加一条新规则需要判断该规则中算子的初始数值偏好大小，并在决策过程中根据外界的反馈对该值的大小进行更新以使其更接近真实情况，为驾驶员的决策提供更加准确的信息。
1）令表示状态下的候选算子集合，如果其基数 等于1，则选择进入工作记忆，否则继续；
2）如果，，则以轮盘赌机制从中选择当前算子进入工作记忆，否则继续；其中、表示状态下最优算子和次优算子的偏好，表示状态下算子直接选择阈值；
3） 如果或，，则不能直接进行算子选择，则产生困境，进入组块学习阶段。
6.3.4学习机制
本章主要采用组块学习方式来描述驾驶员经过地下道路驾驶行为的学习功能。组块是SOAR在困境解决时进行学习的机制，即在子状态的处理过程中学习组块规则。当一个困境产生时意味着当期系统的长期记忆中没有可以利用的算子使得问题求解过程在问题空间中向前移动，需要自动创建一个新的规则来解决当前困境，组块规则的建立需要分析长期记忆中与达到结果相关的产生式规则及情节记忆线索。
6.3.4.1困境的解决
当程序式记忆不能对当前状态选择算子时，采用如下步骤解决困境。
1）令从初始状态经过i次状态转移得到的当前状态为，如果或，，则符合组块学习条件，令j=i+1，继续；否则采用程序式记忆进行算子选择，见3.4；
2）如果j=0，转5；否则j:=j-1；
3）在所有情节记忆库中寻找状态转移路径中包含的情节性记忆的算子集合，记为。如果，转2，否则继续；
4）在中选择最优算子进入工作记忆，解决当前困境，转7；
5）如果，以步长0.1改变当前状态的匹配精度，直到满足当前状态的算子集合出现，其中表示改变匹配精度后的新状态；
6）在或中采用轮盘赌机制选择算子进入工作记忆，解决当前困境；
6.3.4.2组块规则
经过地下道路的智能体除了初始程序性记忆规则外，绝大部分规则是通过组块创建的。如果智能体在状态转移中遇到过困境，则说明决策过程中有部分状态没有算子或者不能直接选择，那么智能体此次决策后，需要采用组块学习方法创建规则及偏好更新。如果，则对解决困境的算子进行一次组块更新，其中表示智能体在状态下的期望驾驶目标，表示智能体动作的实际驾驶目标,为规则组块更新阈值。如果相同规则连续两次被组块更新，则将对应算子添加到决策过程中遇到困境状态，组块成功。
无论是组块形成还是已经存在的规则，智能体后都要对此次决策涉及的算子进行反馈学习，由于决策过程涉及多个状态和算子，因此采用各状态与目标状态的距离来分配对应算子的反馈偏好。决策周期的状态转移路径中第个状态对应的算子的反馈偏好值为，其中=为最终状态下的总偏好反馈值，本文中参数取0.5；为分配到上的权重，它是状态到的距离及所在的状态转移路径的函数，本文，其中为所在路径包含的状态数量。
6.4 仿真框架

图6-3 地下道路线形及横向净距优化仿真框架

6.5 仿真实验及分析
本仿真实验首先对面向地下道路线形和横向净距的SOAR智能体进行设计，继而针对不同线形和横向净距条件下进行仿真实验，对不同仿真条件下的实验结果进行分析，给出本实验场景下的最优推荐方案。
6.5.1 仿真场景设置
仿真场景为天津某地下道路，单向三车道，仿真场景中线形、横向净距等在原设计方案基础上进行一定程度的调整后，分别进行仿真实验，在仿真实验结果分析基础上，得到不同条件下的横向净距和线形优化方案。下图为部分现场图。

图6-4 地下道路线形及横向净距场景1

图6-5 地下道路线形及横向净距场景2

基于该地下道路设计方案，采用uc win/road进行三维虚拟现实构建，用来进行实验参数标定的基础，地下道路设置为三车道，设计车速为40公里，部分模拟场景如下图所示。

图 6-6 地下道路模拟场景1

图 6-7 地下道路模拟场景2

6.5.2 仿真实验
在地下道路直线段和弯道行驶条件下，在不同行车速度下对标准横向净距进行一定幅度调整，本章一般条件下的横净距和视距半径如下表6-3和6-4所示。
表6-3 地下道路一般条件下横净距
车速（km/h）
一般横净距（左）
一般横净距（右）
小汽车（m）
大货车（m）
小汽车（m）
大货车（m）
100
2.725
2.375
4.025
4.375
80
2.725
2.375
3.775
4.125
60
2.6
2.25
3.65
4
40
1.85
1.5
2.65
3
30
1.725
1.375
2.525
2.875
20
1.6
1.25
2.4
2.75

表6-4 地下道路一般条件下视距半径
车速（km/h）
一般视距半径（左）
一般横净距（右）
小汽车（m）
大货车（m）
小汽车（m）
大货车（m）
100
1174
1705
795
926
80
555
822
401
473
60
270
401
193
226
40
108
208
75
104
30
65
111
45
53
20
31
40
21
18

6.5.2.1 地下道路直线段横向净距仿真
在地下道路直线段小汽车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加15%，采用本章仿真方法对车辆通过直线段进行仿真，下表为300分钟内200m路段上不同车速下不同仿真实验对应的交通冲突数据。
表6-5 不同车速和不同横净距下的地下道路直线段行驶交通冲突数据（小汽车）
车速(km/h)
实验1（减小15%）
实验1（减小10%）
实验1（减小5%）
实验1（一般值）
实验1（增加5%）
实验1（增加10%）
实验1（增加15%）
100
196
171
151
144
139
135
135
80
193
165
151
140
136
133
132
60
181
169
156
150
146
140
138
40
166
140
132
128
127
124
122
30
154
134
129

125
125
121
120
20
123
116
116
115
114
111
110

图6-8 直线段行驶中不同横净距下的交通冲突图（小汽车）
在地下道路直线段大货车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为300分钟内不同车速下不同仿真实验对应的交通冲突数据。
表6-6 不同车速下的地下道路直线段行驶交通冲突数据（大货车）
车速(km/h)
横净距减小15%
横净距减小10%
横净距减小5%
一般横净距
横净距增加5%
横净距增加10%
横净距增加15%
100
252
242
223
208
191
180
179
80
241
225
214
203
186
177
171
60
229
223
217
202
187
179
170
40
210
195
187
182
172
169
169
30
221
212
192
182
168
166
165
20
201
194
178
172
162
160
160

不同速度下和横净距下的交通冲突曲线图如下图所示。

图6-9 直线段行驶中不同横净距下的交通冲突图（大货车）

6.5.2.2 地下道路弯道横向净距仿真
在地下道路弯道段小汽车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为30分钟内不同车速下不同仿真实验对应的交通冲突数据。
表6-7 不同车速下的地下道路弯道行驶交通冲突数据（小汽车）
车速(km/h)
横净距减小15%
横净距减小10%
横净距减小5%
一般横净距
横净距增加5%
横净距增加10%
横净距增加15%
100
215
188
158
148
140
134
131
80
209
184
170
155
138
131
129
60
194
185
164
152
134
127
125
40
173
157
141
137
134
130
131
30
163
152
137
134
128
126
123
20
134
131
124
118
120
120
118

不同速度下和横净距下的交通冲突曲线图如下图所示。

图6-10 弯道行驶不同横净距下的交通冲突图（小汽车）
在地下道路弯道大货车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为30分钟内不同车速下不同仿真实验对应的交通冲突数据。
表6-8 不同车速下的地下道路弯道行驶交通冲突数据（大货车）
车速(km/h)
横净距减小15%
横净距减小10%
横净距减小5%
一般横净距
横净距增加5%
横净距增加10%
横净距增加15%
100
268
248
235
218
223
211
268
80
250
229
228
202
212
207
250
60
240
222
217
194
198
183
240
40
223
210
209
187
186
181
223
30
193
190
196
185
175

182
193
20
181
180
184
178
171
176
181

不同速度下和横净距下的交通冲突曲线图如下图所示。

图6-11 弯道行驶不同横净距下的交通冲突图（大货车）

6.5.3 结果分析
1）由表6-5至6-8和图6-8至6-11可知，当横向净距增大时，不同速度下的交通冲突数均呈下降趋势，这说明横向净距增加有利于地下道路交通安全的提升。
2）从整体上看，随着横向净距的增加，交通冲突减少的速度减缓，这说明地下道路横净距对交通安全的影响是有一定敏感区间的，当横向净距增大到一般标准下的110%以上时，继续增大对交通冲突的影响显著降低。

3）对以小汽车为主要组成部分的交通流而言，在直线段行驶中，当车速大于60km/h时，横向净距增大到一般标准的5%以上时，继续增大对交通冲突的影响显著降低；当车速小于等于40km/h时，横向净距即使减小到一般标准的90%，也对交通冲突影响不大。因此在本文实验条件下，小汽车直线段行驶时，当设计车速大于等于60公里时，推荐的横向净距标准为一般标准的105%，当设计车速小于等于40公里时，推荐的横净距标准为一般标准的90%。
4）对以小汽车为主要组成部分的交通流而言，在弯道行驶中，当车速大于60km/h时，横向净距增大到一般标准的15%，仍对交通冲突的影响显著；当车速小于等于40km/h时，横向净距即使减小到一般标准的105%，也对交通冲突影响不大。因此在本文实验条件下，小汽车弯道行驶时，当设计车速大于等于60公里时，推荐的横向净距标准为一般标准的115%，当设计车速小于等于40公里时，推荐的横净距标准为一般标准的105%。
5）对以大货车为主要组成部分的交通流而言，在直线段行驶中，当车速大于60km/h时，横向净距增大到一般标准的5%以上时，继续增大对交通冲突的影响显著降低；当车速小于等于40km/h时，在一般标准基础上增大对交通冲突影响不显著。因此在本文实验条件下，大货车直线段行驶时，当设计车速大于等于60公里时，推荐的横向净距标准为一般标准的105%，当设计车速小于等于40公里时，推荐的横净距标准为一般标准推荐值。
6）对以大货车为主要组成部分的交通流而言，在弯道行驶中，横净距对所有速度段都显著，因此在本文实验条件下，大货车弯道行驶时，推荐的横净距在可行的条件下尽量增大，以提高行车安全性。

THANKS !!!

致力为企业和个人提供合同协议，策划案计划书，学习课件等等
打造全网一站式需求

欢迎您的下载，资料仅供参考，如有侵权联系删 除！

可修改编辑