999精品在线视频,手机成人午夜在线视频,久久不卡国产精品无码,中日无码在线观看,成人av手机在线观看,日韩精品亚洲一区中文字幕,亚洲av无码人妻,四虎国产在线观看 ?

基于LSTM的空間機(jī)器人系統(tǒng)慣性張量在軌辨識(shí)

2021-11-30 14:38:16初未萌楊今朝鄔樹楠吳志剛
航空學(xué)報(bào) 2021年11期
關(guān)鍵詞:模型

初未萌,楊今朝,鄔樹楠,吳志剛

1.大連理工大學(xué) 航空航天學(xué)院,大連 116024

2.大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室,大連 116024

隨著在軌航天器的逐年增多,空間中充斥著大量因燃料耗盡或故障等原因造成失控的航天器[1-3]。這些失控的航天器一般為慣性參數(shù)未知的非合作目標(biāo),嚴(yán)重影響空間軌道上其他正常運(yùn)行航天器的安全。針對這一問題,目前世界各國都在大力發(fā)展基于空間機(jī)器人的在軌服務(wù)技術(shù),以實(shí)現(xiàn)對失控航天器的抓捕與維修[1]。空間機(jī)器人在抓捕目標(biāo)的過程中需要改變其本身構(gòu)型,整體系統(tǒng)的慣性張量會(huì)隨時(shí)間產(chǎn)生較大變化,特別是目標(biāo)被捕獲瞬間會(huì)造成系統(tǒng)慣性張量的突變。如果無法了解構(gòu)型改變以及目標(biāo)抓捕對整體系統(tǒng)慣性張量的影響,當(dāng)系統(tǒng)在抓捕過程中發(fā)生非預(yù)期改變時(shí)將不能實(shí)現(xiàn)有效的整體姿態(tài)控制。因此,對空間機(jī)器人整個(gè)抓捕過程的慣性張量進(jìn)行在軌實(shí)時(shí)辨識(shí)是十分必要的。

目前,涉及空間機(jī)器人慣性張量辨識(shí)方面的研究已經(jīng)取得了許多成果。Murotsu等[4]根據(jù)空間機(jī)器人機(jī)械臂關(guān)節(jié)運(yùn)動(dòng)所引起的整體位姿變化,分別運(yùn)用基于動(dòng)量守恒原理與基于Newton-Euler運(yùn)動(dòng)方程2種辨識(shí)方法對抓捕目標(biāo)慣性參數(shù)進(jìn)行辨識(shí)。王明等[5]基于機(jī)械臂的運(yùn)動(dòng)實(shí)現(xiàn)了對組合航天器慣性參數(shù)的辨識(shí)。侯振東等[6]提出了一種基于推力器激勵(lì)的組合航天器慣性參數(shù)辨識(shí)方法。張博等[7]采用自適應(yīng)反作用零空間控制方法,使得空間機(jī)器人可以在基體姿態(tài)擾動(dòng)最小的情況下,辨識(shí)捕獲的大型非合作目標(biāo)的慣性參數(shù)。Chu等[8]直接利用機(jī)械臂末端執(zhí)行器抓捕目標(biāo)所反饋的接觸力信息辨識(shí)其慣性參數(shù)。Xu等[9]提出的方法首先需要對整個(gè)組合航天器的慣性參數(shù)進(jìn)行辨識(shí),然后利用辨識(shí)出的參數(shù)來推導(dǎo)組合航天器各子部分的慣性參數(shù)。以上方法對空間機(jī)器人慣性張量的辨識(shí)都達(dá)到了較高精度,但是這些方法主要解決的是目標(biāo)已被捕獲且所辨識(shí)的參數(shù)是常量的情況,針對在整個(gè)抓捕過程中隨時(shí)間變化且會(huì)發(fā)生突變的系統(tǒng)慣性張量實(shí)時(shí)辨識(shí)問題的研究則較為少見。

隨著人工智能技術(shù)的發(fā)展,人工神經(jīng)網(wǎng)絡(luò)(ANN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等智能技術(shù)已經(jīng)廣泛用于眾多領(lǐng)域的研究[10-12]。其中RNN中的長短期記憶(Long-Short Term Memory, LSTM)網(wǎng)絡(luò)在處理復(fù)雜時(shí)間序列問題上具有較大優(yōu)勢。LSTM網(wǎng)絡(luò)可以有效捕獲復(fù)雜時(shí)序數(shù)據(jù)中的長期依賴信息,并進(jìn)行建模,近年來在時(shí)變參數(shù)辨識(shí)、故障診斷等領(lǐng)域都獲得了成功的應(yīng)用[13-15]。

根據(jù)以上分析,針對空間機(jī)器人在抓捕失控目標(biāo)過程中復(fù)雜時(shí)變的系統(tǒng)慣性張量辨識(shí)問題,本文提出一種基于LSTM的系統(tǒng)慣性張量在軌智能辨識(shí)方法,并利用仿真數(shù)據(jù)對采用本文方法構(gòu)建的參數(shù)辨識(shí)網(wǎng)絡(luò)的有效性進(jìn)行驗(yàn)證。

1 空間機(jī)器人建模

對抓捕過程中的空間機(jī)器人進(jìn)行建模可以分為2個(gè)階段:目標(biāo)捕獲前和目標(biāo)捕獲后。研究的目標(biāo)捕獲前空間機(jī)器人模型如圖1所示,空間機(jī)器人是由一個(gè)航天器基體和一個(gè)具有2個(gè)連桿的機(jī)械臂組成,機(jī)械臂上的每個(gè)連桿假設(shè)只有一個(gè)轉(zhuǎn)動(dòng)自由度。圖1中:ΣI為慣性坐標(biāo)系;Σ0為航天器基體的體坐標(biāo)系,原點(diǎn)設(shè)在基體質(zhì)心;Σi(i=1,2)為連桿i的體坐標(biāo)系,原點(diǎn)位于連桿i前端旋轉(zhuǎn)關(guān)節(jié)轉(zhuǎn)軸處;r0、r1、r2分別為基體和2個(gè)連桿的質(zhì)心位置矢量;p1、p2分別為2個(gè)連桿體坐標(biāo)系的位置矢量。

在慣性坐標(biāo)系ΣI下,上述矢量之間的幾何關(guān)系為

(1)

在目標(biāo)捕獲前空間機(jī)器人的運(yùn)動(dòng)學(xué)方程為

(2)

式中:ai為連桿i體坐標(biāo)系∑i原點(diǎn)到其質(zhì)心的位置矢量;b0為基體質(zhì)心到坐標(biāo)系∑1原點(diǎn)的位置矢量,b1為連桿1質(zhì)心到坐標(biāo)系∑2原點(diǎn)的位置矢量,b2為連桿2質(zhì)心到其末端的位置矢量;ω0為基體的角速度矢量;ωi為連桿i的角速度矢量;φi為連桿i的角度矢量;i=1,2。

根據(jù)以上運(yùn)動(dòng)學(xué)方程,可以得到在空間機(jī)器人目標(biāo)捕獲之前系統(tǒng)的動(dòng)能為

(3)

(4)

由于空間機(jī)器人和目標(biāo)均為剛體,因此系統(tǒng)不存在彈性勢能,且重力勢能可忽略不計(jì)。由式(3)可得到目標(biāo)捕獲前系統(tǒng)的拉格朗日函數(shù)L=Tbc,將其代入第二類拉格朗日方程:

(5)

即可得到目標(biāo)捕獲前空間機(jī)器人的動(dòng)力學(xué)方程:

(6)

在目標(biāo)捕獲前,空間機(jī)器人相對于航天器基體的體坐標(biāo)系Σ0的整體慣性張量為

(7)

(8)

式中:R1、R2分別為體坐標(biāo)系Σ1與Σ2相對于Σ0的姿態(tài)矩陣。

在目標(biāo)捕獲后,空間機(jī)器人示意圖如圖2所示。為便于分析,對捕獲過程進(jìn)行簡化:假設(shè)空間機(jī)器人與目標(biāo)不存在相對運(yùn)動(dòng),目標(biāo)與機(jī)械臂一經(jīng)接觸即被捕獲,并與連桿2固連在一起,整個(gè)捕獲過程較為平穩(wěn)。Σe為目標(biāo)的體坐標(biāo)系,原點(diǎn)位于機(jī)械臂末端中心處,re、pe分別為目標(biāo)的質(zhì)心位置矢量和體坐標(biāo)系位置矢量。re、pe在慣性坐標(biāo)系下的幾何關(guān)系為

圖2 目標(biāo)捕獲后空間機(jī)器人示意圖

(9)

目標(biāo)捕獲后空間機(jī)器人的運(yùn)動(dòng)學(xué)方程是在式(2) 基礎(chǔ)上加上目標(biāo)的運(yùn)動(dòng)學(xué)方程,即

(10)

式中:ωe為目標(biāo)的角速度矢量。

相應(yīng)的空間機(jī)器人目標(biāo)捕獲后的系統(tǒng)動(dòng)能為

(11)

(12)

(13)

目標(biāo)捕獲后的空間機(jī)器人相對于航天器基體的體坐標(biāo)系Σ0的整體慣性張量為

(14)

(15)

式中:Re為體坐標(biāo)系Σe相對于Σ0的姿態(tài)矩陣。

2 基于LSTM的參數(shù)辨識(shí)網(wǎng)絡(luò)

2.1 訓(xùn)練數(shù)據(jù)生成

在構(gòu)建基于LSTM的參數(shù)辨識(shí)網(wǎng)絡(luò)之前需要獲得足量的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,本節(jié)對訓(xùn)練數(shù)據(jù)生成過程進(jìn)行詳細(xì)介紹。

假設(shè)給定空間機(jī)器人初始狀態(tài)、受力情況、最終目標(biāo)構(gòu)型及抓捕過程時(shí)長,對每個(gè)空間目標(biāo)所執(zhí)行的抓捕策略可以描述為:在目標(biāo)捕獲前驅(qū)動(dòng)空間機(jī)器人機(jī)械臂從初始狀態(tài)逐漸伸展,直至完全展開捕獲目標(biāo),捕獲到目標(biāo)后收回機(jī)械臂將目標(biāo)拉至后續(xù)控制所需的目標(biāo)構(gòu)型。

Jt=[JxxJyyJzzJxyJxzJyz]t

(16)

為使訓(xùn)練效果盡量不受Jt量級大小的影響,需對Jt中的每個(gè)元素分別進(jìn)行歸一化處理:

(17)

2.2 參數(shù)辨識(shí)網(wǎng)絡(luò)構(gòu)建

LSTM網(wǎng)絡(luò)如圖3所示,可以看到LSTM網(wǎng)絡(luò)是多個(gè)LSTM cell組成的,LSTM cell的數(shù)目與輸入序列長度相同,其輸出為網(wǎng)絡(luò)最后一個(gè)LSTM cell輸出hl。LSTM cell可以利用遺忘門、輸入門和輸出門3個(gè)門來控制沿?cái)?shù)據(jù)序列的信息傳遞[13],其計(jì)算方法為

圖3 LSTM網(wǎng)絡(luò)

(18)

式中:st為cell的輸入向量;ft、it、ot分別為cell內(nèi)的遺忘門值、輸入門值和輸出門值;ct、lt分別代表cell產(chǎn)生的候選記憶和新記憶;bf、bi、bo、bc分別為對應(yīng)的偏移向量;Wf、Wi、Wo、Wc分別為對應(yīng)的輸入權(quán)重矩陣;Uf、Ui、Uo、Uc分別為對應(yīng)的回歸權(quán)重矩陣;ht為cell內(nèi)隱含層的輸出向量,也是cell的輸出向量,其維度由隱含層的結(jié)點(diǎn)數(shù)確定;σ、tanh分別為sigmoid激活函數(shù)與雙曲正切激活函數(shù)。

多層全連接網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,它由1個(gè)輸入層、2個(gè)隱含層及1個(gè)輸出層組成。輸入層接收LSTM網(wǎng)絡(luò)的輸出量hl并將其導(dǎo)入至隱含層中進(jìn)行計(jì)算。

圖4 多層全連接網(wǎng)絡(luò)

單層隱含層的計(jì)算方法為

(19)

式中:yi-1為第i-1隱含層的輸出量;Wi、bi分別為對應(yīng)的權(quán)重矩陣與偏移向量;xi為第i隱含層的輸入量;yi為當(dāng)前隱含層的輸出量;f(·)表示非線性激活函數(shù),本文選取的激活函數(shù)是ReLU函數(shù)[18]。

最后一個(gè)隱含層的輸出yl被輸入至一個(gè)線性回歸層(輸出層)中并輸出辨識(shí)結(jié)果:

(20)

式中:WO、bO分別為輸出層的權(quán)重矩陣與偏移向量;yt為t時(shí)刻網(wǎng)絡(luò)辨識(shí)的空間機(jī)器人整體慣性張量。

2.3 模型訓(xùn)練

在參數(shù)辨識(shí)網(wǎng)絡(luò)構(gòu)建完成后需要對其進(jìn)行訓(xùn)練以實(shí)現(xiàn)既定的目標(biāo)。訓(xùn)練過程如圖5所示。

圖5 訓(xùn)練過程

首先對網(wǎng)絡(luò)模型參數(shù)進(jìn)行初始化,對于LSTM網(wǎng)絡(luò)參數(shù)采用的是正態(tài)分布隨機(jī)初始化方法,而對于全連接網(wǎng)絡(luò)參數(shù)采用的是MSRA(Microsoft Research Asia)初始化[19]。MSRA初始化主要應(yīng)用于激活函數(shù)為ReLU函數(shù)的網(wǎng)絡(luò)模型,該方法可以使模型各層的前向輸出方差保持一致,保證層間傳遞的信息受層數(shù)的影響較小,從而提高模型訓(xùn)練的收斂速度。然后設(shè)定目標(biāo)函數(shù),由于慣性張量辨識(shí)是一個(gè)回歸問題,因此目標(biāo)函數(shù)被設(shè)為網(wǎng)絡(luò)辨識(shí)輸出與標(biāo)簽之間的均方誤差(MSE):

(21)

式中:F(θ)為目標(biāo)函數(shù);θ代表網(wǎng)絡(luò)模型中所有參數(shù);M為訓(xùn)練集中的樣本總個(gè)數(shù)。設(shè)定好目標(biāo)函數(shù)后,采用Adam優(yōu)化方法對網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化,優(yōu)化目標(biāo)為最小化F(θ)[20]。Adam優(yōu)化方法通過估計(jì)目標(biāo)函數(shù)中參數(shù)梯度的一階矩和二階矩,實(shí)現(xiàn)了對學(xué)習(xí)率的自適應(yīng)調(diào)整,可以有效提升模型的訓(xùn)練效率。最后在訓(xùn)練過程中不斷優(yōu)化迭代直至F(θ)小于一定范圍或達(dá)到預(yù)定的迭代次數(shù)時(shí),參數(shù)辨識(shí)模型完成訓(xùn)練。

3 數(shù)值仿真驗(yàn)證

所研究的空間機(jī)器人參數(shù)如表1所示。假設(shè)只在平面執(zhí)行空間機(jī)器人的整個(gè)抓捕過程,并采用PD(Proportion Differentiation)控制策略對空間機(jī)器人進(jìn)行控制。目標(biāo)捕獲前后對空間機(jī)器人的控制目標(biāo)如下。

目標(biāo)捕獲前,對基體、連桿1和連桿2的控制目標(biāo)分別為

(22)

(23)

式中:tc為捕獲到目標(biāo)的時(shí)刻。

目標(biāo)捕獲后,對基體、連桿1和連桿2的控制目標(biāo)分別為

(24)

(25)

式中:te為抓捕過程完成的時(shí)刻。本文設(shè)定的tc、te分別為50、100 s。

表1 空間機(jī)器人參數(shù)和目標(biāo)

表2 生成訓(xùn)練集所需參數(shù)

在參數(shù)辨識(shí)網(wǎng)絡(luò)構(gòu)建方面,設(shè)LSTM網(wǎng)絡(luò)的隱含層結(jié)點(diǎn)數(shù)為40,全連接網(wǎng)絡(luò)的2個(gè)隱含層神經(jīng)元數(shù)也為40。訓(xùn)練過程中設(shè)定優(yōu)化方法的學(xué)習(xí)率為0.001,批處理樣本量為20,對整個(gè)訓(xùn)練集的訓(xùn)練次數(shù)為50。為驗(yàn)證所提方法的有效性,采用與生成訓(xùn)練集相同的方法,隨機(jī)生成了30組與訓(xùn)練集不同的數(shù)據(jù)組成測試集。

模型在N=200的訓(xùn)練集上進(jìn)行訓(xùn)練的MSE曲線如圖6所示。從圖中可以看出,隨著迭代次數(shù)的增加,根據(jù)目標(biāo)函數(shù)計(jì)算的MSE曲線整體上呈下降趨勢。在2×105次迭代之前,MSE曲線收斂速度較快但存在較大振蕩,隨后曲線的收斂逐漸趨于平穩(wěn)并維持在較低水平。這說明所采用的訓(xùn)練方法可以保證MSE曲線在訓(xùn)練過程中快速且高精度地收斂。訓(xùn)練完畢后,分析訓(xùn)練集大小對網(wǎng)絡(luò)模型精度的影響如表3所示,當(dāng)N=50時(shí),即訓(xùn)練集數(shù)據(jù)量較小的情況下,模型在訓(xùn)練集與測試集上的性能表現(xiàn)存在較大的差異。當(dāng)數(shù)據(jù)量達(dá)到一定水平后,這種差異明顯降低。而且隨著訓(xùn)練集大小的增加,模型精度不斷得到提升,因此增加訓(xùn)練集的大小可以有效地提高模型的精度,并減少模型過擬合的風(fēng)險(xiǎn)。不過訓(xùn)練集過大會(huì)增加數(shù)據(jù)的獲取成本,且會(huì)降低模型訓(xùn)練的收斂速度,因此需要對以上情況進(jìn)行綜合分析來選取合適的訓(xùn)練集大小[21]。

圖6 訓(xùn)練過程中的MSE曲線

表3 訓(xùn)練集大小的影響

為驗(yàn)證本文所提參數(shù)辨識(shí)網(wǎng)絡(luò)的辨識(shí)效果,選取了測試集中一組數(shù)據(jù)的辨識(shí)結(jié)果進(jìn)行展示,這組數(shù)據(jù)對應(yīng)的目標(biāo)參數(shù)如表4所示。圖7是抓捕該目標(biāo)時(shí)對連桿施加的驅(qū)動(dòng)力矩時(shí)程曲線。抓捕過程系統(tǒng)慣性張量在軌辨識(shí)結(jié)果如圖8所示。從圖8可以看到,采用一定目標(biāo)參數(shù)范圍生成的訓(xùn)練數(shù)據(jù)訓(xùn)練的參數(shù)辨識(shí)網(wǎng)絡(luò)有效地實(shí)現(xiàn)了對非合作目標(biāo)抓捕過程系統(tǒng)慣性張量的辨識(shí),其所計(jì)算的辨識(shí)曲線與真實(shí)曲線基本重合。特別是對于Jyy、Jzz在50 s捕獲到目標(biāo)時(shí)所產(chǎn)生的明顯突變,本文方法仍能精確辨識(shí)出突變的參數(shù)且僅產(chǎn)生了較小的誤差波動(dòng)。不過當(dāng)測量噪聲的量級較大時(shí),本文方法的辨識(shí)精度也會(huì)有所降低。

表4 目標(biāo)參數(shù)

表5給出了本文方法與基于RNN的參數(shù)辨識(shí)網(wǎng)絡(luò)在測試集上的辨識(shí)性能對比。性能對比采用平均相對辨識(shí)誤差(MIRE)作為標(biāo)準(zhǔn),其公式為

(26)

如表5所示,本文方法對這4個(gè)參數(shù)的辨識(shí)精度明顯高于基于RNN的參數(shù)辨識(shí)網(wǎng)絡(luò),而且對主慣量Jxx、Jyy、Jzz的辨識(shí)尤為精確。雖然對Jyy、Jzz的辨識(shí)精度相對于Jzz有所降低,這主要是由于Jyy、Jzz慣性張量曲線的突變所造成的,但其平均相對誤差仍然維持在10-4數(shù)量級這樣較低的水平。在實(shí)時(shí)性方面,本文方法的單步辨識(shí)時(shí)間約為3×10-3s,是可以滿足在軌辨識(shí)任務(wù)的實(shí)時(shí)性要求。因此以上結(jié)果進(jìn)一步顯示了本文所提出的基于LSTM的參數(shù)辨識(shí)網(wǎng)絡(luò)的有效性與可行性。

表5 辨識(shí)性能對比

為進(jìn)一步明確參數(shù)范圍設(shè)定對模型辨識(shí)精度的影響,對使用3種不同參數(shù)范圍訓(xùn)練的模型精度進(jìn)行比較,每個(gè)模型都采用了與上述仿真相同的結(jié)構(gòu)與訓(xùn)練策略。如表6所示,隨著目標(biāo)長寬高范圍的增加,模型對測試集的MSE顯著增加。這其中一個(gè)原因是當(dāng)長、寬、高3個(gè)參數(shù)范圍增加時(shí),參數(shù)整體取值的可能組合將會(huì)呈指數(shù)級增加。即當(dāng)3個(gè)參數(shù)范圍同時(shí)增加k倍時(shí),參數(shù)取值的可能組合就會(huì)增加(1+k)3-1倍。根據(jù)表3所示,在[0.10, 0.20]范圍內(nèi)選取了200組不同的目標(biāo)長寬高組合進(jìn)行訓(xùn)練即可獲得較高的辨識(shí)精度。但當(dāng)范圍增大的情況下,當(dāng)前的數(shù)據(jù)量就不能充分地表征該范圍內(nèi)的數(shù)據(jù)分布特性,因此需要更多組的參數(shù)用于訓(xùn)練來提高辨識(shí)精度。另一方面,由于參數(shù)范圍的增加,其狀態(tài)-控制序列與參數(shù)之間的映射也變得更加復(fù)雜,因此需要根據(jù)任務(wù)目標(biāo)調(diào)整網(wǎng)絡(luò)模型的節(jié)點(diǎn)數(shù),加強(qiáng)其非線性擬合能力,從而提升模型的辨識(shí)精度。

表6 模型辨識(shí)精度在不同參數(shù)范圍下的比較

4 結(jié) 論

利用LSTM構(gòu)建參數(shù)辨識(shí)網(wǎng)絡(luò),實(shí)現(xiàn)了對空間機(jī)器人抓捕非合作目標(biāo)過程中系統(tǒng)慣性張量的在軌辨識(shí)。

1) 使用在預(yù)先設(shè)定的目標(biāo)參數(shù)范圍內(nèi)隨機(jī)生成的訓(xùn)練數(shù)據(jù)對參數(shù)辨識(shí)模型進(jìn)行訓(xùn)練,所訓(xùn)練的模型能夠有效地執(zhí)行在同一范圍內(nèi)目標(biāo)參數(shù)未知情況下的系統(tǒng)慣性張量辨識(shí)任務(wù)。

2) 在測量噪聲存在的情況下,所構(gòu)建的參數(shù)辨識(shí)網(wǎng)絡(luò)能夠?qū)崟r(shí)且準(zhǔn)確地辨識(shí)時(shí)變的系統(tǒng)慣性張量,即使在參數(shù)發(fā)生突變時(shí)辨識(shí)結(jié)果仍然十分精確。仿真結(jié)果顯示,本文方法辨識(shí)主慣量Jxx、Jyy、Jzz的平均相對誤差數(shù)量級為10-4,辨識(shí)慣性積Jxy的平均相對誤差數(shù)量級為10-3。

猜你喜歡
模型
一半模型
一種去中心化的域名服務(wù)本地化模型
適用于BDS-3 PPP的隨機(jī)模型
提煉模型 突破難點(diǎn)
函數(shù)模型及應(yīng)用
p150Glued在帕金森病模型中的表達(dá)及分布
函數(shù)模型及應(yīng)用
重要模型『一線三等角』
重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
3D打印中的模型分割與打包
主站蜘蛛池模板: 亚洲午夜福利精品无码不卡| 欧美第一页在线| 日韩无码视频播放| 国产精品一区二区在线播放| 亚洲精品第一页不卡| 99精品这里只有精品高清视频| 69国产精品视频免费| 麻豆精品视频在线原创| 精品乱码久久久久久久| jijzzizz老师出水喷水喷出| 亚洲视频三级| 成人小视频网| 99久久99这里只有免费的精品| 欧美在线观看不卡| 久久综合干| 精品无码一区二区三区电影| 伊人久久婷婷| 国产经典在线观看一区| 日韩成人在线网站| 毛片手机在线看| 亚洲视频色图| 亚洲Va中文字幕久久一区| 国产成人91精品| 国产毛片片精品天天看视频| 国产粉嫩粉嫩的18在线播放91| 久久6免费视频| 亚洲欧美日韩中文字幕在线| 国产激情无码一区二区APP| 国产00高中生在线播放| 久久国产亚洲偷自| 久久一日本道色综合久久| 亚洲国产无码有码| 色欲综合久久中文字幕网| 国产成人亚洲毛片| 一级黄色网站在线免费看| 欧美精品v| 在线综合亚洲欧美网站| 欧美一区二区三区不卡免费| 福利视频久久| a在线观看免费| 熟妇人妻无乱码中文字幕真矢织江| 午夜日本永久乱码免费播放片| 91www在线观看| 国产成人精品高清不卡在线| 国产午夜看片| 精品国产免费观看| 中文精品久久久久国产网址 | 欧美第一页在线| 夜精品a一区二区三区| 久久精品视频一| 国产成人永久免费视频| 欧美视频在线第一页| 少妇露出福利视频| 国产精品美乳| 欧美日韩亚洲综合在线观看 | 试看120秒男女啪啪免费| 日本在线亚洲| 天天摸夜夜操| 欧美日韩中文国产va另类| 日韩无码视频专区| 中文字幕波多野不卡一区| 日韩欧美综合在线制服| 超碰91免费人妻| 日韩欧美视频第一区在线观看| 国产经典在线观看一区| 国产十八禁在线观看免费| 国产小视频a在线观看| 国产区网址| 真人免费一级毛片一区二区 | 久久精品免费看一| 国产在线第二页| 一级毛片不卡片免费观看| 亚洲综合片| 2021国产精品自产拍在线| 国产成人精品一区二区| 亚洲精选无码久久久| 中文字幕1区2区| 国模极品一区二区三区| 国产中文在线亚洲精品官网| 国产精品伦视频观看免费| 色有码无码视频| 国产成人亚洲毛片|