人生这条路很长,未来如星辰大海般璀璨,不必踟躇于过去的半亩方塘。
真正的优秀不是别人逼出来的,而是自己和自己死磕。 ------ Gaowaly
`

Active Pose Relocalization for Intelligent Substation Inspection Robot

(未完成:加 思维导图、段落分析、pipeline)

Active Pose Relocalization for Intelligent Substation Inspection Robot

智能变电站巡检机器人主动姿态重定位

期刊:一区Top IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS

  摘要:变电站中广泛应用的智能巡检机器人在对电气设备进行日常巡检时,要求采集与标定图像一致的巡检图像。然而,由于导航误差和机械磨损,检测机器人捕捉到符合要求的检测图像是一项具有挑战性的工作。为了解决这个问题,本文提出了一种主动姿态重定位(APR)方法。具体来说,建立描述图像平面中的像素误差与机器人位姿误差之间关系的误差模型。然后,提出一种基于误差模型的解耦三级PI控制策略,将机器人重新定位到校准位姿,其中,提出一种基于单应变换的平移误差估计算法来计算校准位姿和检查位姿之间的绝对平移尺度,避免了经典2D-2D位姿估计算法的退化问题。最后,通过分别在虚拟和现实环境中的 10 个校准点的比较重定位实验证明了所提出的 APR 方法的性能。

  索引术语——主动位姿重定位、检查机器人、PI 控制器、变电站检查、平移尺度估计。

1 引言

A. 动机

  智能巡检机器人因其非接触、多参数和高效率测量的优势而被广泛应用于变电站电力设备的运行状态监测。这些机器人可以搭载热红外成像传感器、云台变焦摄像机、局部放电检测装置等,独立完成巡检任务,及时发现电力设备的内部热缺陷和外部机械缺陷。姿态重定位的目标是将巡检机器人重新定位到校准姿态,这是由于巡检机器人需要捕获与标定图像(或模板图像)一致的检测图像如图1a所示,其中标定位姿是指检测机器人底盘停在检测路线预设点且云台调整到标定时的位姿角度。

 

图1.APR的背景介绍。 (a) 通过应用我们的 APR 方法重新定位检查机器人而捕获的一对校准检查图像示例。检查图像与校准图像高度一致。

(b) 由于导航误差,变电站巡检机器人无法拍摄到三张例行巡检图像。

(c) 由于机械磨损,云台的实际执行角度(蓝点)在十次独立重复中偏离指令角度(红线),这意味着重复性下降。

 

  然而,当检测机器人面临以下双重问题时,实现精确的位姿重定位是一项具有挑战性的工作。

  1)导航错误。室外场景中的激光雷达或视觉同步定位与建图(SLAM)导航技术,如嵌入在巡检机器人车载计算机中的[6]和[7],误差范围从厘米到分米,导致初始停车点偏离预设。这样,PTZ 摄像机捕获的检测图像就会变得模糊且不完整,如图 1b 所示。此外,目标设备标定图像和检测图像之间的像素偏差会随着焦距和导航误差的增加而线性增加。有时目标设备甚至超出 PTZ 摄像机的视野 (FOV)。

  2)机械磨损。由于长期的机械磨损,云台和运动执行器的重复性会下降[8]。即巡检机器人执行预设巡检命令后的位姿会偏离标定位姿;例如,由于长期的实验磨损,我们的 PTZ 的旋转和俯仰角精度已从 0.01° 降低到 0.1°,如图 1c 所示。

  因此,本文研究了主动位姿重定位(APR)方法,通过纠正上述初始位姿误差,主动将检测机器人重新定位到标定位姿,捕获与标定图像一致的检测图像。

B. 文献综述

  据我们所知,APR在变电站巡检机器人应用领域是一个新术语,目前还没有成熟的解决方案。类似地,主动相机重定位(ACR)旨在动态地将 RGB [9]–[11] 或 RGBD [12] 相机重新定位到生成输入参考图像的相同 6D 位姿。此类方法依赖于高精度六自由度 (6-DoF) 轨道运动平台,该平台比带有 PTZ 的轮式检查机器人运动平台更精确。而[10]、[11]的ACR策略中用于求解相对旋转矩阵和平移向量的2D-2D位姿估计算法在纯旋转[13]、[14]的情况下会遇到解退化问题。因此,这些策略不适合变电站检查场景。

  相比之下,静态相机重定位(SCR)方法旨在从输入图像序列中被动估计相机位姿[11],并将最佳位姿对应的图像视为输出,特别是在大规模基于图像的定位应用中[15]–[17]。与APR不同,SCR中检查机器人的位姿是手动设置或固定的,这意味着SCR的精度仍然受到导航误差和机械磨损的限制。

  此外,视觉伺服(VS)致力于控制机器人的运动以实现轨迹跟踪[18]、[19],与我们的APR工作很接近。 VS可以分为两种类型:1)基于图像的视觉伺服(IBVS)[20],[21]和2)基于位置的视觉伺服(PBVS)[22],[23]。 IBVS和PBVS方法都依赖一些显着标记来计算目标的运动[20]、[24],而APR场景中没有标记。此外,VS技术注重动态响应性能,不能满足变电站巡检任务的高精度要求。

  另一个相关问题是计算再摄影(CRP),它在不同时间从同一视点拍摄同一场景的照片[25]。 CRP在历史研究[26]-[28]和环境监测[29]中得到广泛研究,主要追求人类视觉体验。可以理解的是,由于整个补拍过程都是手动操作,其准确性和鲁棒性不高。

  尽管相关技术取得了进步和优势,但它们仍然存在精度低或不适合场景的问题。巡检机器人作为变电站的关键巡检设备,保证了电气设备的安全稳定运行。因此,开发一种适用于巡检机器人的鲁棒APR方法对于实现可靠的变电站巡检势在必行。

C. 贡献

  为了解决上述问题,本文提出了一种APR方法。这项研究的主要贡献有三个方面:
  1. 研究建立了一个误差模型,描述了校准和检查状态下姿态和像素误差之间的关系,并提出了一种平移误差估计算法,计算校准和检查姿态之间的绝对平移比例。
  2. 基于误差模型和平移误差估计算法,展示了一种APR控制策略,通过调整机器人实现精确和鲁棒的姿态重定位,将控制过程分为三个解耦阶段,避免了上述退化问题。同时,理论上证明了控制块的收敛性。
  3. 实验结果表明,与相关技术相比,APR方法捕获的检查图像与校准图像更加一致,验证了APR方法在变电站检查场景中的高精度和可行性。

D. 组织结构

  本文的其余部分安排如下。第II节介绍了误差模型和问题表述。然后,第III节详细描述了所提出的APR方法,并在第IV节展示了相应的比较实验。最后,第V节简要总结了这项工作。

2 问题表述

A. 巡检机器人姿态模型

  刚体的姿态可以用4×4矩阵表示

 

  其中SE(3)、R∈R^3×^3和t∈R^3×^1分别是特殊欧几里得群、正交旋转矩阵和平移向量。为了方便,我们使用两个元组⟨R, t⟩来等价表示,并定义Tij = ⟨Rij, tij⟩表示从Pi到Pj的变换,即Pj = TijPi。

  巡检机器人简化为三个刚体部分,即底盘、PTZ和高清(HD)摄像机,它们对应的姿势分别用Ph、Pp和Pc表示。最初,它们的变换矩阵表示为Thp = ⟨1, thp⟩和Tpc = ⟨1, tpc⟩,其中thp和tpc是固定的机器人装配参数。

B. 姿态误差模型

  图2 巡检机器人的状态模型。黄色、蓝色和红色右手坐标系分别代表底盘、云台和高清摄像机的姿态。

最初,所有 Z 轴均平行于路面,Y 轴垂直于路面。实线和虚线分别表示校准和检查状态。

  如图2所示,根据巡检机器人的介绍,有两种机器人状态,即标定状态和巡检状态。在标定状态下,底盘与云台位姿之间的变换为

   其中 Ph 为单位矩阵,Rx 和 Ry 分别为 PTZ 校准俯仰角 θx 和旋转角 θy 对应的正交矩阵,分别为

  应当注意的是,θx和θy是每个预设校准点的固定已知参数。

  巡检状态下,底盘位置和云台角度偏离标定,即当前位姿变为

   其中 = [thx, thy, thx]T 为底盘平移误差向量,R*xRy* 为云台旋转矩阵。

  结合(1)-(3),相机在标定和检测状态下的位姿可推导为

  然后,Pc 和 P* c 之间的相机位姿误差给出

  其中Rcx和Rcy是对应于俯仰和旋转角度误差的正交矩阵,tc = [tcx, tcy, tcz]T是高清摄像机的平移误差向量。

  对于标定图像和检测图像之间的像素误差,首先,标定相机坐标系 Oc−xyz 中的 3D 点 Xc = [Xc, Yc, Zc]T 与其对应像素点 m = [u, v] 之间的关系校准图像平面中的 T 由下式给出

  其中 fu 和 fv 分别是水平和垂直方向的比例因子,对于方形像素,fu = fv相机,[u0,v0]T表示基于通用针孔相机模型的相机主点的像素坐标。

  然后,我们可以得到检测相机坐标系中 Xc 对应的 3D 点 X * c = [X* c,Y* c , Z* c ]T 和像素点 m* = [u*, v*]T 为

   因此,校准图像和检查图像之间的像素误差为

 

C. 问题陈述

  为了重新定位检测机器人的摄像头以捕获与标定图像相同的检测图像,即Tc=1且‖(Δu,Δv)‖2=0,APR方法考虑的问题主要包括以下两个方面。

  1)需要估计位姿误差Tc。一般来说,我们可以通过结合基于点的图像配准方法和5点算法[30]来获得校准位姿和检查位姿之间的位姿误差,从而求解相对旋转矩阵RxRy和​​归一化平移向量tc = tc ‖tc‖ 2.从校准和检查图像像素。因此,tc需要通过APR来估计。

  2)为了精确控制巡检机器人修正估计位姿误差Tc,需要设计APR控制策略。

  为了使问题得以解决,根据变电站的空间结构,做出如下假设是合理的。

  假设1:标定点附近的路面绝对是平面,即thy = 0。

  假设2:电气设备到高清摄像头的深度远大于底盘的初始平移误差,即Zc ‖th ‖2.

3 提出的APR方法

A. 平移误差估计

  假设Pc和P*c之间没有相对旋转,即RxRy=R*xRy*且RcxRcy=1,则Xc与X*c之间的关系为

 

   将(11)代入(10),tc对应的像素误差可得

   考虑到假设 Zc ‖th‖2 和方程 ‖th‖2 = ‖tc‖2,(15) 和 (16) 可以简化为

   现在平移误差 tc 可以通过组合 (13) 和 (17) 来估计:

   为了求解(18)中的Δu和Δv,具体地,在相机的光轴上选择标定状态下的3D点Xc,即Xc = [0, 0, Zc]T,m = [u0 ,v0]T。以Xc为中心,建立一个边长为2w的虚拟正方形G,记为

 

 

   Gc对应的标定图像中的像素点为

   由于电气设备可以被视为相对于相机较远的物体,因此使用单应矩阵来表示校准图像视图和检查图像视图之间的变换。应用基于点的图像配准方法,我们可以得到像素单应矩阵H。那么,检查图像中的g*c为

   基于单应性变换的平面性质,m对应的m*=[u*,v*]T是线g*1g*3和g*2g*4的交点,并且对于任何边宽都保持相同2w。为了保证H的尺度等于虚拟方块Gc的单应变换的尺度,根据式(7)将Zc的值设置为fu。最终得到式(18)中的Δu=u0−u*和Δv=v0−v*。显然,估计算法可以避免 5 点算法在 ‖tc‖2 → 0 时遇到的解退化问题,因为当 ‖tc‖2 变小时,单应矩阵解会更加准确,

B. APR控制策略

  观察式(6)中的位姿误差模型和式(18)中的平移误差,可以发现旋转误差RcxRcy与平移误差tc解耦,不成立相反,平移误差对应于Δu和Δ v 彼此解耦。因此,可以首先校正云台的旋转误差。然而,假设 1 和 2 在现实世界的变电站中可能并不严格成立,这导致近似计算误差(18)。因此,考虑到计算误差和机械磨损,提出了一种APR控制策略来控制巡检机器人自动纠正位姿误差。该策略对机械磨损具有鲁棒性,包含三个解耦阶段,如图 3 所示。详细信息描述如下。

图 3. 提出的 APR 控制策略。 (一)工作流程。 (b) 各阶段对应的云台运动轨迹。

   阶段1(云台位姿校正):该阶段对云台位姿误差进行校正。具体来说,加速鲁棒特征(SURF)作为机器人运动估计中广泛使用的特征检测器,由于其计算时间短[31],[32],被用来寻找校准图像 Ic 之间的匹配点 Dc 和 Dr和实时检测图像 Ir。然后,可以通过经典的5点算法[30]和位姿求解算法[14]从Dc和Dr准确估计RcxRcy。分解RcxRcy,得到俯仰角和旋转角误差:

   其中RcxRcy(i, j)表示矩阵RcxRcy第i行j列的元素。此外,Δθx 和 Δθy 应通过乘以雅可比矩阵 Jθ = diag(ωx, ωy) 转换为执行时间 τcx 和 τcy,如下所示

   其中,ωx和ωy分别为云台的俯仰角速度和旋转角速度。

  然而,由于机械磨损,Δθx和Δθy不能一步精确地校正。因此,PI 控制器作为广泛使用的鲁棒控制器,被用来产生执行时间 ˆ τcx 和 ˆ τcy 直到 ‖(θcx, θcy)‖2 ≤ εθ。

   第2阶段(PTZ纵向平移校正):由于第1阶段对PTZ的位姿误差进行了校正,即RcxRcy = 1,因此可以通过(18)估计与PTZ的Δv对应的平移误差tcy和tcz。底盘的相应翻译由下式给出

   显然,arctan(thx/thz) = θy 或 θy + π。一般情况下,俯仰角θx ε (0, π/2),旋转角θy ε (0, 2π)。因此,sin θx > 0,底盘平移方向由 θy 和 Δv 决定。基于(25)式不同条件对应的arctan(thx/thz)值如图4所示。 可以发现

其中,当 Δv > 0 时,PTZ 应向前平移;当 Δv < 0 时,应向后平移。

图 4 不同 θy 和 Δv 对应的 th 方向。 Oh−xz 为标定状态下的底盘坐标系。

   这意味着此阶段云台将通过底盘进行纵向平移。与阶段 1 类似,PI 控制器也用于产生平移 t ˆh 直到 |Δv|考虑到机械磨损,≤ εv。

  第3阶段(PTZ横向平移校正):与第2阶段相同,对应于Δu的平移th给出

其中 th 的方向为 θy − π/2 或 θy + π/2。

  与图4类似,图5给出了基于(28)的不同条件对应的th的方向。显然,

其中,当 Δu > 0 时,PTZ 应向右平移;当 Δu < 0 时,PTZ 应向左平移。

  此阶段云台将进行横向平移。再次应用 PI 控制器来产生平移 t ˆh 直到 |Δu| ≤ εu。

  算法 1 总结了三阶段控制策略。

   需要注意的是,如果我们选择同时执行(25)和(28)来纠正平移误差th,则每次迭代更新Δu和Δv后,机器人需要转一圈并向前或向后移动,这是非常耗时的。相比之下,基于解耦的机器人策略总共只需要两轮,控制更加鲁棒。此外,在第2阶段和第3阶段的迭代平移误差校正中,“th”2变得更小,这进一步增强了假设Zc“th”2。

C. 收敛性分析

  图3(a)中的每个阶段的控制块可以统一表示为图6。我们给出定理1来显示其收敛性。

  定理1:对于所提出的APR控制策略,图6所示的控制方案的误差收敛到零。

  证明1:图6中的实时状态可以写为

   θr 在 τ0 处的泰勒展开式忽略二阶项给出

4 实验

A. 实验设置

  为了评估所提出的 APR 方法的性能,我们建立了现实世界和模拟实验平台。

  1)真实世界实验平台:真实世界平台的设置如图7所示,主要包括:

图 7. 真实电气设备检测平台的实验设置。

  • 高压电气设备:气体绝缘开关设备(GIS) 和支撑绝缘子。

  • 巡检机器人:由云台、路由器、底盘组成。 PTZ 配备红外摄像头和高达 32 倍变焦的高清摄像头。高清摄像机的图像分辨率、主点和1×焦距fu分别为2688×1520、[1356.09、774.79]和2596.99 mm。路由器是用于将实时巡检图像上传至上位机,接收和下发云台、底盘的控制命令。底盘由安装有 Ubuntu 18.04 和机器人操作系统(ROS 1,kinetic distribution)的车载计算机控制。云台和路由器由机箱电池供电。云台、机箱、路由器之间通过以太网进行通信。

  • 上位机:1.9 GHz Intel Core CPU、16 GB RAM 的笔记本电脑。 APR程序是基于微软基础级(MFC)平台的云台和底盘软件开发包(SDK)开发的,负责自动接收实时巡检图像并产生实时控制命令,供云台和底盘使用。云台和机箱通过路由器的WiFi网络。

  2)仿真实验平台:基于虚幻引擎4.26构建的仿真平台集成了中国真实变电站的虚拟环境模型和巡检机器人,如图8所示,完全可控,可进行理想的可重复测试。虚拟机器人的线速度和角速度以及虚拟 PTZ 摄像机的分辨率和内在参数与现实世界的检查机器人相同。根据文献[8]的研究,在底盘和云台的运动控制指令中加入高斯随机白噪声来模拟机械磨损。

图8. 基于虚幻引擎构建的虚拟实验环境。

  3)数据设置:为减少光照对标定图像质量的影响,根据变电站巡检中预置标定点的原则,在虚拟环境和现实环境中分别为巡检机器人设置10个标定点。虚拟环境中初始位姿误差的数量级与现实世界中的一致。最大初始 PTZ 角度和平移误差分别设置为 3° 和 500 mm。并且虚拟和现实实验中的算法参数是相同的。具体来说,PI控制器的参数设置为kp = 0.4和ki = 0.04。角度阈值εθ选择为0.1°。像素阈值εu和εv都选择为1.0像素。

  此外,为了测试所提出的用于纠正平移误差的 APR 控制策略的准确性和鲁棒性,我们将 APR 与分别应用于细粒度检测和重新摄影的 ACR [11] 和 CRP [25] 控制策略进行比较。在ACR中,平移向量的尺度是通过五点算法和二分理论手动预设并频繁更新的。 CRP方法利用3D重建技术分别估计校准图像、第一帧图像和当前图像中共同特征点的深度,并间接获得当前姿态和校准姿态之间的平移向量以避免退化问题。所有方法都从同一位置开始,然后在1×焦距处进行位姿估计和调整,最后捕获具有校准变焦的检查图像。

B. 评估标准

  为了定量评估不同方法捕获的校准图像和检查图像之间的一致性,我们提出了两个指标,即图像覆盖率和平均密集光流(ADOF)。图像覆盖率定义为检查图像和校准图像之间重叠像素的数量与图像分辨率的比率。 ADOF 定义为

   其中M×N = 2688×1520是图像分辨率,F(Ic,IrH)表示Farneback算法[33]计算的密集光流,IrH是校准图像和单应性变换的检查图像。显然,图像覆盖率越大、ADOF越小,标定图像和检查图像越一致。

C. 仿真比较结果

  在虚拟环境中,我们从相同的初始姿势开始,在每个校准点执行不同的策略四次。图 9 报告了 ACR、CRP 和 APR 方法在不同指标方面的模拟比较结果。

图 9. 仿真比较结果。 ACR、CRP 和 (a) 平移误差、(b) 迭代次数、(c) 运行时间、(d) 图像覆盖率、(e) ADOF、(f) Δu 和 (g) Δv 的箱线图10 个校准点的 APR 方法。 

  其中,图9(a)显示APR实现了最小平移误差,中值为8.13mm,比ACR和CRP精确一个数量级。从图9(b)和(c)可以发现,我们的APR方法的运行时间在60秒之内,并且比ACR和CRP更快,尽管APR似乎需要更多的迭代。 APR需要更多迭代但消耗更少运行时间的原因是底盘在整个APR控制过程中只需要两圈,如图3(b)所示,并且只需要在每次迭代平移过程中向前或向后移动,而,由于 PTZ 摄像头的平移依赖于底盘的运动,因此在 ACR 和 CRP 策略中更新摄像头矢量的每次迭代过程中,底盘需要转动一圈,然后向前或向后移动,这非常耗时,并且降低了平移鲁棒性。考虑到常规变电站检查任务的重点是重定位精度和图像质量而不是检查时间,APR 的运行时间性能是可以接受的。此外,如图9(d)至(g)所示,APR捕获的校准图像和检查图像之间的覆盖率和像素偏差优于ACR和CRP方法,这意味着APR获得了与APR方法最一致的检查图像。校准图像。观察每个箱线图中的数据分布,我们可以发现APR方法是最准确和综合稳健的。仿真结果验证了与变电站巡检机器人的比较策略相比,APR 可以实现更简单的控制来纠正平移误差。

D. 真实世界比较结果

  与模拟实验类似,我们从相同的初始姿势对每个校准点执行不同的策略一次。由(18)计算的平移误差的比较如图10(a)所示,其中我们的APR方法实现了26.50毫米的中值误差,而ACR和CRP的中值误差分别为102.83毫米和167.91毫米。 APR的优越性在于所提出的平移估计算法不需要应用经典的2D2D位姿估计方法,而是依靠计算更鲁棒的单应矩阵来避免ACR中的平移解退化问题和CRP间接求解中的位姿误差传播问题。也就是说,ACR 和 CRP 策略中用于计算摄像机归一化平移误差向量的 5 点平移估计算法,一旦 ‖tc‖2 变小,精度就会下降,即 5 点算法会给出不准确甚至不准确的结果。错误的翻译向量。与ACR和CRP不同,所提出的基于单应矩阵的平移误差估计算法能够更可靠、更准确地计算出‖tc‖2→0时机器人的平移向量。

  此外,不同方法在图像质量方面的定量比较结果如图10(b)至(e)所示,所提出的APR方法显示出最佳的图像覆盖率以及校准图像和检查图像之间的最小像素偏差,与模拟实验结果相同。

图 10. 现实世界的定量比较结果。 ACR、CRP 和 APR 方法在 10 个校准点的 (a) 平移误差、(d) 图像覆盖率、(c) ADOF、(d) Δu 和 (e) Δv 的箱线图。

图 11. 不同方法捕获的检查图像的真实定性比较结果。 (a)至(j)列分别为1至10标定点的结果,分别对应GIS的3个绝缘子标定图像、4个SF6气压计、2个套管和1个开关标定图像。在每一列中,顶行是校准图像,第二行至第四行分别是通过 APR、ACR 和 CRP 方法捕获的检查图像。黄线用于视觉辅助对齐。 

  图11呈现了不同策略的更直观的定性比较。显然,APR在每个校准点处捕获的检测图像与视觉上的校准图像最为一致。特别是,仪表和套管不在 ACR 和 CRP 在校准点 (d)、(g) 和 (h) 处捕获的检查图像的 FOV 范围内。这种重定位失败将导致在现实世界的变电站例行检查中出现许多不可用的检查图像,如图1(b)所示。

  可以理解的是,现实世界中所有策略的准确度都低于虚拟环境中的准确度,因为现实世界的图像纹理比渲染的纹理更复杂,并且现实世界中的地面并不是绝对平面,这降低了策略的准确度。姿态估计和机器人运动。尽管如此,真实世界的实验结果进一步验证了我们的平移误差估计算法和变电站巡检机器人位姿重定位控制策略的高精度和强鲁棒性。

5 结论和讨论

  本文提出了一种变电站巡检机器人的主动姿态重定位(APR)方法,旨在自动将巡检机器人重新定位到校准姿态,并捕获与校准图像一致的检查图像。首先,引入了基于构建的姿态误差模型的平移误差估计算法。这种估计算法可以产生平移机器人的真实尺度。然后,考虑到运动执行器的机械磨损,展示了一种姿态解耦控制策略,以准确地重新定位机器人捕获检查图像。与现有技术相比,实验结果表明:
  1. 提出的APR只需要知道PTZ摄像机的校准角度和内在参数,就实现了比比较策略更快、更鲁棒的控制,以纠正变电站巡检机器人的平移误差。
  2. 基于比现有技术更准确的单应性矩阵解决方案,APR避免了平移解决方案退化问题,并显示出在变电站巡检机器人姿态重定位方面的高精度和强鲁棒性。
  我们的工作可以为基于轮式机器人运动平台和PTZ的其他姿态重定位应用提供参考。然而,一些实际问题,如影响APR性能的不平坦路面,仍需在未来解决。

 

作者:Gaowaly

出处:https://www.cnblogs.com/Gaowaly/p/18633864

版权:本作品采用「署名-非商业性使用-相同方式共享 4.0 国际」许可协议进行许可。

posted @   Gaowaly  阅读(26)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· PowerShell开发游戏 · 打蜜蜂
· 在鹅厂做java开发是什么体验
· 百万级群聊的设计实践
· WPF到Web的无缝过渡:英雄联盟客户端的OpenSilver迁移实战
· 永远不要相信用户的输入:从 SQL 注入攻防看输入验证的重要性
``
点击右上角即可分享
微信分享提示
more_horiz
keyboard_arrow_up light_mode palette
选择主题