Research on obstacle avoidance control method of multi-rotor aircraft in coal mine
-
摘要: 多旋翼飞行器以其机械结构简单、可悬停和多方向飞行的优点，在煤矿井下生产巡检方面具有良好的应用前景。但多旋翼飞行器移动速度较快，飞行时易受外界各种因素的影响，难以建立精确的数学模型，使得飞行控制算法的设计较为复杂，现有基于激光雷达的同步定位与地图构建方法难以满足多旋翼飞行器快速飞行的实时性要求。针对上述问题，研究了一种利用虚拟远程操控技术对煤矿井下多旋翼飞行器进行避障的控制方法。构建了煤矿井下巷道多旋翼飞行器虚拟远程操控系统，根据煤矿巷道初始信息在虚拟远程操控系统中建立虚拟巷道模型及全局导航地图，获得飞行器移动过程中已知的静态障碍物信息，建立已知的静态环境模型，减少多旋翼飞行器运动过程中对环境感知建模的任务量，提高虚拟远程操控的运行效率。在巡检过程中，多旋翼飞行器通过自身携带的传感设备检测移动方向的动态障碍物信息，虚拟远程操控系统将动态障碍物信息实时重建于初始虚拟巷道模型中，对虚拟环境状态进行实时更新，为飞行器局部避障控制提供可靠的环境依据；虚拟远程操控系统通过读取障碍物与飞行器的位置数据和移动速度信息，采用复合虚拟势场（CVFF）避障控制算法进行避障路径规划，如果检测到前方障碍物对飞行器移动产生较大威胁，远程操控人员可根据规划的避障路径对飞行器进行远程干预，实现了自主避障飞行和人为远程干预控制。为提高飞行器对动态障碍物的感知效率和精度，在虚拟势场（VFF）算法的基础上引入飞行器与障碍物、目标点之间的相对速度影响，提出了一种CVFF避障控制算法。从静态和动态障碍物避障路径2个方面对CVFF避障控制算法进行仿真验证，结果表明：静态情况下，相比VFF算法，CVFF避障控制算法在减少了迭代次数的同时，也缩短了飞行器的轨迹长度；动态情况下，飞行器成功避开了提前设定的2个动态障碍物，顺利到达设定目标点，验证了采用CVFF算法的煤矿井下多旋翼飞行器避障控制方法的有效性。Abstract: Multi-rotor aircraft has a good application prospect in coal mine production inspection because of its advantages of simple structure, hovering and multi-directional flight. However, multi-rotor aircraft moves at a high speed, and the aircraft is easily influenced by various external factors during flying. It is difficult to establish a precise mathematical model. The design of a flight control algorithm is complicated. The existing synchronous positioning and map construction method based on laser radar is difficult to meet the real-time requirement of rapid flying of the multi-rotor aircraft. In view of the above problems, an obstacle avoidance control method of multi-rotor aircraft in coal mine by using remote virtual control technology is studied. The virtual remote control system of the multi-rotor aircraft in coal mine underground roadway is constructed. The virtual roadway model and the global navigation map are established in the virtual remote control system according to the initial information of the coal mine roadway. The known static obstacle information in the moving process of the aircraft is obtained, and the known static environment model is established. The task quantity of environment perception modeling in the moving process of the multi-rotor aircraft is reduced, and the operation efficiency of virtual remote control can be improved. In the inspection process, the multi-rotor aircraft detects dynamic obstacle information in the moving direction through sensing equipment carried by the multi-rotor aircraft. The remote control system reconstructs the dynamic obstacle information in an initial virtual roadway model in real-time according to obstacle data. The virtual environment state is updated in real-time to provide a reliable environment basis for local obstacle avoidance control of the aircraft. The remote control system uses the compound virtual force field (CVFF) obstacle avoidance control algorithm to plan the obstacle avoidance path by reading the positioning data and moving speed information of obstacles and aircraft. If the obstacle in front is detected to pose a great threat to the movement of the aircraft, the remote controller can implement remote intervention on the aircraft according to the planned obstacle avoidance path. The system realizes autonomous obstacle avoidance flight and human remote intervention control. In order to improve the perception efficiency and accuracy of aircraft to dynamic obstacles, a CVFF obstacle avoidance control algorithm is studied based on virtual force field (VFF) algorithm by introducing the influence of relative velocity between aircraft and obstacles and target points. The CVFF obstacle avoidance control algorithm is verified by simulation from two aspects of static and dynamic obstacle avoidance paths. The results show that under static conditions, compared with the VFF algorithm, the CVFF algorithm reduces the number of iterations and also shortens the trajectory length of the aircraft. Under dynamic conditions, the aircraft successfully avoids the two dynamic obstacles set in advance and successfully reaches the set target point. The effectiveness of the obstacle avoidance control method of multi-rotor aircraft using the CVFF algorithm is verified.
-
0. 引言
煤矿巷道受地质环境和开采技术等因素影响会产生变形甚至破坏[1-2]，精确的巷道变形测量对于保障煤矿安全生产具有重要意义[3-4]。煤矿巷道变形测量方法可分为接触式测量和非接触式测量，其中非接触式测量方法具有测量速度快、测量范围广、测量数据丰富等优点，成为目前研究热点。王海军等[5]、郭良林等[6]利用三维激光扫描技术获取煤矿巷道点云信息，并对点云进行拼接和滤波处理，从而对工作面巷道进行三维重建，实现巷道变形监测。金卓等[7]利用三维激光扫描技术与圆柱形投影面巷道建模方法，构建矿井巷道三维立体模型，实现巷道围岩变形监测。刘晓阳等[8]利用三维激光扫描技术对巷道顶板进行监测，采用非均匀压缩法对获取的巷道点云数据进行简化处理，通过基于巷道点云数据分割的断面提取进行巷道变形分析。然而上述研究存在有效扫描距离受限、获取的点云密度低、细节缺失严重、测量精度和效率低等问题。针对上述问题，本文提出了一种基于线扫描原理的煤矿巷道变形测量系统，可重构数据丰富、精度高的巷道点云，并通过点云切片实现巷道变形监测，具有操作简单、灵活性高、测量速度快、测量范围广及测量精度高等特点。
1. 系统组成及原理
基于线扫描原理的煤矿巷道变形测量系统主要包括巷道测量机器人和机器人位姿追踪系统，如图1所示。巷道测量机器人由线扫描激光器、测量相机、自主规划路径车、旋转电动机和靶标组成，其中靶标采用发光LED材质棋盘格制作，可克服煤矿井下粉尘、灯光等因素的影响；机器人位姿追踪系统由安装在巷道两侧的多组追踪相机组成。
![]()
图 1 基于线扫描原理的煤矿巷道变形测量系统组成Figure 1. Composition of coal mine roadway deformation measurement system based on line scanning principle整个煤矿巷道内沿巷道测量机器人运动方向布置多组追踪相机，以巷道左侧第1组追踪相机的光心为原点Ow，沿追踪相机光轴方向为Zw轴，沿垂直光轴向右方向为Xw轴，沿垂直光轴向下方向为Yw轴，建立世界坐标系OwXwYwZw；以测量相机的光心为原点O，沿测量相机光轴方向为Z轴，沿垂直光轴向右方向为X轴，沿垂直光轴向下方向为Y轴，建立测量相机坐标系OXYZ。当机器人在巷道内移动测量时，追踪相机实时测量靶标图像，实现对机器人全巷道无死角、长距离、不间断地追踪与位姿精确测量。机器人测量巷道前，利用相机参数标定技术获取测量相机参数。机器人测量巷道时，由旋转电动机带动线扫描激光器和测量相机同步转动，线扫描激光器投射出的光平面与巷道表面交汇于1个光条，测量相机同步拍摄巷道表面的光条图像。对光条图像使用线结构光光条中心提取技术，获取光条中心坐标，并将光条中心坐标代入通过光平面标定技术拟合的光平面方程，求解出测量相机坐标系下巷道表面的光条图像点云数据，再结合机器人位姿测量结果将点云数据转换到世界坐标系，实现点云数据坐标归一化。将归一化后的点云数据进行拼接，重构精确的煤矿巷道点云，并利用点云切片技术实现煤矿巷道变形测量。
2. 系统关键技术
2.1 相机参数标定
为建立准确的相机成像几何模型，本文采用基于平面棋盘格的标定算法[9]，通过对不同角度拍摄的二维平面棋盘格角点进行计算处理，完成相机参数标定。
2.2 线结构光光条中心提取
由于测量相机拍摄到的光条图像是具有一定像素宽度的光条图像，为得到精确的光条点云坐标，需提取光条中心的亚像素坐标。本文采用骨架提取算法[10]对光条图像进行二值化预处理，对二值化图像像素点进行细化处理，得到像素宽度极低的像素线条。之后使用自适应阈值的加权灰度重心法[11]处理像素线条，求解像素线条截面灰度值的质心坐标，最终得到满足精度要求的光条中心坐标。
2.3 光平面标定
确定线扫描激光器投射出的光平面与测量相机的空间位置关系是煤矿巷道变形测量的关键环节，影响重构的煤矿巷道点云的精确性。本文采用光平面标定技术对线扫描激光器投射出的光平面与测量相机的空间位置关系进行参数求解，最终拟合出光平面方程。
线扫描激光器投射出的光平面与棋盘格标定板交汇于1个光条，保持线扫描激光器投射出的光平面不变，通过多次改变棋盘格标定板位姿，获取不同位置光条中心上所有特征点在测量相机坐标系下的坐标，采用最小二乘法拟合出测量相机坐标系下光平面方程[12-13]：
$$ ax+by+c {\textit{z}} +d=0 $$ (1) 式中：a，b，c，d为系数；（x，y，z）为光平面上任一空间点在测量相机坐标系下的三维坐标。
2.4 点云重构
为保证煤矿巷道点云坐标的唯一性，需要对煤矿巷道空间位置进行约束[14]。如图1（a）所示，空间点p处于线扫描激光器投射出的光平面上，同时点p在测量相机拍摄图像上的对应点为p1。设世界坐标系下点p坐标为（xw，yw，zw），则
$$ \left\{ {\begin{array}{*{20}{c}} {s\left[ {\begin{array}{*{20}{c}} u \\ v \\ 1 \end{array}} \right] = \left[ {\begin{array}{*{20}{r}} {{f_x}}&0&{{u_0}}&0 \\ 0&{{f_y}}&{{v_0}}&0 \\ 0&0&0&0 \end{array}} \right]\left[ {\begin{array}{*{20}{r}} {{x_{\rm{w}}}} \\ {{y_{\rm{w}}}} \\ {{ {\textit{z}} _{\rm{w}}}} \\ 1 \end{array}} \right]} \\ {a{x_{\rm{w}}} + b{y_{\rm{w}}} + c{ {\textit{z}} _{\rm{w}}} + d = 0} \end{array}} \right. $$ (2) 式中：s为比例因子；（u，v）为点p1坐标；fx，fy分别为测量相机X，Y轴方向焦距长度；（u0，v0）为图像主点像素坐标。
通过求解式（2），计算出空间点p的唯一坐标，同理求解多组空间点的坐标并进行拼接，进而重构煤矿巷道点云。
2.5 点云切片
在世界坐标系下将多组煤矿巷道点云的起始位置坐标统一，并进行点云切片处理，比较投影到XwOwZw平面上具有相同坐标点云的Yw轴坐标，获得煤矿巷道变形量[15]。可设置不同的切片厚度、数量、间距等参数，满足实际不同场景巷道的监测需求，从而提高测量精度。
$$ l = \frac{{{Z_{{\rm{w}}{\rm{max}} }} - {Z_{{\rm{w}}{\rm{min}} }}}}{n} $$ (3) 式中：l为切片间距；Zwmax，Zwmin分别为世界坐标系Zw轴方向的最大值与最小值；n为切片数量。
3. 实验验证
3.1 实验平台
为验证基于线扫描原理的煤矿巷道变形测量系统的有效性，搭建了实验平台，如图2所示。实验平台主要包括：3 m×2 m×2 m（长×宽×高）的模拟巷道；分辨率为640×480、30万像素的测量相机；波长为650 nm的线扫描激光器；规格为8×6的棋盘格；Windows10 64 bit操作系统的计算机。实验采用VS2017作为开发平台，结合OpenCV4.1计算机视觉库和CloudCompare软件编写实验程序。
3.2 实验步骤
（1） 通过测量相机拍摄多幅不同位置棋盘格标定板的图像，对图像中棋盘格的角点进行检测与提取，标定测量相机具体参数。保持线扫描激光器投射出的光平面不变，测量相机拍摄多幅不同位置棋盘格标定板上光条图像，提取光条中心坐标，拟合出光平面方程，完成光平面标定。
（2） 巷道测量机器人到达模拟巷道的待测区域，测量相机拍摄线扫描激光器投射在模拟巷道表面的光条图像，在旋转电动机的控制下完成待测区域的全部测量。
（3） 将拍摄的光条图像导入计算机，对光条图像进行二值化预处理，提取预处理后光条图像中光条中心坐标，结合巷道测量机器人位姿测量结果，重构模拟巷道点云，并进行点云切片处理，实现巷道变形测量。
3.3 实验结果
（1） 参数标定。测量相机参数标定结果见表1。
表 1 测量相机参数标定结果Table 1. Calibration results of measurement camera parameters参数 标定结果 测量相机X轴方向焦距长度/mm 747.924 697 190 578 5 测量相机Y轴方向焦距长度/mm 736.549 011 060 198 0 图像主点像素坐标/pixel （691.827 974 297 265 9，
371.736 751 442 043 2）镜头径向畸变系数 (0.086 71，0.965 99，1.622 98) 镜头切向畸变系数 (0.009 27，0.006 03) 通过对16幅棋盘格标定板图像中光条中心上的特征点进行提取，将所有特征点坐标转换到测量相机坐标系下，通过特征点坐标拟合光平面（图3），光平面方程为
$$ 0.981 \; 9x+0.004 \; 9y+0.189 \; 4{\textit{z}}+145.318=0 $$ (4) 从图3可看出，特征点基本分布在拟合得到的光平面上，表明拟合的光平面方程误差较小，满足精度要求。
（2） 模拟巷道点云重构。使用巷道测量机器人对模拟巷道进行测量，对测量相机拍摄的模拟巷道表面光条图像进行处理，重构模拟巷道点云，如图4所示。可看出重构的局部光条点云数量丰富且连续清晰，重构的模拟巷道点云形状结构与模拟巷道形状结构基本一致。
（3） 模拟巷道变形分析。对模拟巷道设置不同程度的变形量（即模拟巷道变形实际值），重构不同变形量下模拟巷道点云，并进行点云切片，如图5所示，获得对应的模拟巷道变形测量值，见表2。
表 2 模拟巷道变形测量结果Table 2. Simulated roadway deformation measurement resultsmm 巷道变形前实际值 巷道变形后实际值 巷道变形前测量值 巷道变形后测量值 巷道变形实际值 巷道变形测量值 测量误差 1 800.000 1 780.000 1 837.462 1 810.521 20.000 26.941 6.941 1 780.000 1 750.000 1 810.521 1 773.585 30.000 36.936 6.936 1 750.000 1 710.000 1 773.585 1 726.704 40.000 46.881 6.881 1 710.000 1 650.000 1 726.704 1 660.085 60.000 66.619 6.619 1 650.000 1 570.000 1 660.085 1 574.083 80.000 86.002 6.002 ![]()
图 5 不同变形量下模拟巷道点云切片Figure 5. Simulated roadway point cloud slices under different deformations从图5可看出，随着模拟巷道变形量增加，点云切片在变形处的变形趋势更加明显，表明系统可有效监测巷道变形。从表2可看出，系统测量误差小于7 mm。
4. 结语
基于线扫描原理的煤矿巷道变形测量系统通过巷道测量机器人获取煤矿巷道点云数据，结合机器人位姿追踪系统的测量结果对点云数据进行拼接，精确重构煤矿巷道点云，并对重构的煤矿巷道点云进行切片处理，实现煤矿巷道变形快速测量。实验结果表明，该系统测量误差小于7 mm，可用于具备煤矿巷道表面类似结构的大型曲面三维模型点云重构与变形监测。
-
![]()
图 1 煤矿井下多旋翼飞行器虚拟远程操控系统组成
Figure 1. Composition of virtual remote control system of underground coal mine multi-rotor aircraft
![]()
图 2 复杂环境下多旋翼飞行器避障控制流程
Figure 2. Obstacle avoidance control flow for multi-rotor aircraft in complex environment
![]()
图 6 多旋翼飞行器在复合虚拟势场中的受力
Figure 6. The force of multi-rotor aircraft in compound virtual force field
![]()
图 7 CVFF避障控制算法流程
Figure 7. Compound virtual force field obstacle avoidance control algorithm flow
![]()
图 8
$ {p}_{0} $ =0.5时VFF算法仿真结果Figure 8. Simulation results of virtual force field algorithm when
$ {p}_{0} $ = 0.5![]()
图 9
$ {p}_{0} $ =0.5时CVFF避障控制算法仿真结果Figure 9. Simulation results of compound virtual force field obstacle avoidance control algorithm when
$ {p}_{0} $ =0.5![]()
图 10
$ {p}_{0} $ =1时VFF算法仿真结果Figure 10. Simulation results of virtual force field algorithm when
$ {p}_{0} $ =1![]()
图 11
$ {p}_{0} $ =1时CVFF避障控制算法仿真结果Figure 11. Simulation results of compound virtual force field obstacle avoidance control algorithm when
$ {p}_{0} $ =1表 1 仿真环境参数
Table 1 Simulation environment parameters
参数名称 数值 位置势场引力增益系数$ {K}_{{\rm{p}}} $ 13 速度势场引力增益系数$ {{K}}_{\mathrm{v}} $ 15 位置势场斥力增益系数$ {{M}}_{\mathrm{p}} $ 5 速度势场斥力增益系数$ {M}_{{\rm{v}}} $ 7 步长$ {l}_{0} $/dm 1 迭代次数J 500 障碍物影响距离$ {p}_{0} $ 0.5/1 
下载: 导出CSV
表 2
$ {p}_{0} $ =0.5时2种算法性能比较Table 2 Performance comparison of two algorithms when
$ {p}_{0} $ =0.5算法 迭代次数 轨迹长度/dm VFF算法 75 19.175 CVFF避障控制算法 64 17.378
下载: 导出CSV
表 3
$ {p}_{0} $ =1时2种算法性能比较Table 3 Performance comparison of two algorithms when
$ {p}_{0} $ =1算法 迭代次数 轨迹长度/dm VFF算法 74 20.412 CVFF避障控制算法 62 19.036
下载: 导出CSV
-
[1] 陈维健, 曹茂永. 中国煤矿安全技术与管理丛书−煤矿安全装备篇[M]. 徐州: 中国矿业大学出版社, 2014. CHEN Weijian, CAO Maoyong. China coal mine safety technology and management series: coal mine safety equipment[M]. Xuzhou: China University of Mining and Technology Press, 2014.
[2] 贾勇骁,郑学召,崔嘉明,等. 煤田火灾无人机监测关键技术研究[J]. 工矿自动化,2019,45(9):30-33,53. DOI: 10.13272/j.issn.1671-251x.17473 JIA Yongxiao,ZHENG Xuezhao,CUI Jiaming,et al. Research on key technologies of unmanned aerial vehicle monitoring of coalfield fire[J]. Industry and Mine Automation,2019,45(9):30-33,53. DOI: 10.13272/j.issn.1671-251x.17473
[3] 吴文臻. 基于5G技术的矿用四旋翼巡检机器人设计[J]. 煤炭工程,2021,53(12):159-163. WU Wenzhen. Design of mine quadrotor inspection robot based on 5G technology[J]. Coal Engineering,2021,53(12):159-163.
[4] 张沛,孙运强,石喜玲. 应用于矿井的多旋翼飞行器姿态信息融合设计[J]. 煤炭技术,2016,35(5):279-281. DOI: 10.13301/j.cnki.ct.2016.05.115 ZHANG Pei,SUN Yunqiang,SHI Xiling. Fusion design of multi rotor aircraft attitude information used in coal mine[J]. Coal Technology,2016,35(5):279-281. DOI: 10.13301/j.cnki.ct.2016.05.115
[5] 王岩,马宏伟,王星,等. 基于迭代最近点的井下无人机实时位姿估计[J]. 工矿自动化,2019,45(9):25-29. DOI: 10.13272/j.issn.1671-251x.17441 WANG Yan,MA Hongwei,WANG Xing,et al. Real-time pose estimation of underground unmanned aerial vehicle based on ICP method[J]. Industry and Mine Automation,2019,45(9):25-29. DOI: 10.13272/j.issn.1671-251x.17441
[6] 郑学召,童鑫,张铎,等. 矿井危险区域多旋翼侦测无人机关键技术探讨[J]. 工矿自动化,2020,46(12):48-56. DOI: 10.13272/j.issn.1671-251x.17653 ZHENG Xuezhao,TONG Xin,ZHANG Duo,et al. Discussion on key technologies of multi-rotor detection UAVs in mine dangerous area[J]. Industry and Mine Automation,2020,46(12):48-56. DOI: 10.13272/j.issn.1671-251x.17653
[7] 贾文友,魏文涛,朱良恒,等. 移动机器人改进Dijkstra算法下路径规划及可视化研究[J]. 徐州工程学院学报(自然科学版),2021,36(2):34-38. JIA Wenyou,WEI Wentao,ZHU Liangheng,et al. Research on path planning and visualization of mobile robot based on improved Dijkstra algorithm[J]. Journal of Xuzhou Institute of Technology(Natural Sciences Edition),2021,36(2):34-38.
[8] 张旭辉,吕欣媛,王甜,等. 数字孪生驱动的掘进机器人决策控制系统研究[J]. 煤炭科学技术,2022,50(7):36-49. DOI: 10.13199/j.cnki.cst.2022-0176 ZHANG Xuhui,LYU Xinyuan,WANG Tian,et al. Research on decision control system of tunneling robot driven by digital twin[J]. Coal Science and Technology,2022,50(7):36-49. DOI: 10.13199/j.cnki.cst.2022-0176
[9] 杨林,马宏伟,王岩,等. 煤矿巡检机器人同步定位与地图构建方法研究[J]. 工矿自动化,2019,45(9):18-24. DOI: 10.13272/j.issn.1671-251x.17444 YANG Lin,MA Hongwei,WANG Yan,et al. Research on method of simultaneous localization and mapping of coal mine inspection robot[J]. Industry and Mine Automation,2019,45(9):18-24. DOI: 10.13272/j.issn.1671-251x.17444
[10] 张旭辉,王妙云,张雨萌,等. 数据驱动下的工业设备虚拟仿真与远程操控技术研究[J]. 重型机械,2018(5):14-17. DOI: 10.3969/j.issn.1001-196X.2018.05.005 ZHANG Xuhui,WANG Miaoyun,ZHANG Yumeng,et al. Virtual simulation and remote control technology with data-driven for industrial equipment[J]. Heavy Machinery,2018(5):14-17. DOI: 10.3969/j.issn.1001-196X.2018.05.005
[11] 董润霖. 煤矿探测机器人环境重建与虚拟操控技术研究[D]. 西安: 西安科技大学, 2018. DONG Runlin. Environmental reconstruction and virtual manipulation technology of coal mine detection robot[D]. Xi'an: Xi'an University of Science and Technology, 2018.
[12] 程旗,岳碧波. 无人机自主编队的人工力场控制方法[J]. 兵器装备工程学报,2018,39(8):88-91. DOI: 10.11809/bqzbgcxb2018.08.019 CHENG Qi,YUE Bibo. Artificial potential fields control method of UAV autonomous formation[J]. Journal of Ordnance Equipment Engineering,2018,39(8):88-91. DOI: 10.11809/bqzbgcxb2018.08.019
[13] GIANIBELLI A, CARLUCHO I, PAULA M D, et al. An obstacle avoidance system for mobile robotics based on the virtual force field method[C]. IEEE Biennial Congress of Argentina （ARGENCON）, San Miguel de Tucuman, 2018: 1-8.
[14] 邓学强. 基于改进人工势场法的移动机器人路径规划[J]. 山东理工大学学报(自然科学版),2014,28(1):38-41. DENG Xueqiang. Path planning of mobile robot based on modified artificial potential field method[J]. Journal of Shandong University of Technology(Natural Science Edition),2014,28(1):38-41.
-
期刊类型引用(3)
1. 陈晓伟，陈雷，李猛，胡成军，宋磊，袁鹏喆. 一种长巷道形变监测中轴线提取及断面构建方法. 工矿自动化. 2024(02): 35-41 . 
本站查看
2. 戴文祥，陈雷，闫鹏飞，王利欣，李波，袁鹏喆. 基于三维激光扫描的煤矿巷道形变监测方法. 工矿自动化. 2023(10): 61-67+95 . 本站查看
3. 杨洪涛，何健，张双双，沈梅. 基于GWO模糊PI的永磁同步电机动态性能优化. 安徽理工大学学报(自然科学版). 2022(05): 1-8 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 240
- HTML全文浏览量: 61
- PDF下载量: 32
- 被引次数: 5
