研究生开题报告.docx
《研究生开题报告.docx》由会员分享，可在线阅读，更多相关《研究生开题报告.docx（16页珍藏版）》请在冰豆网上搜索。
研究生开题报告
学科代码
080203
编号
045
硕士学位论文开题报告
学号：
5
研究生：
卫玉梁
导师：
靳伍银研究员
研究方向：
机器视觉及图像处理
论文题目：
基于视觉导航的智能车跟随系统研究
学科：
机械制造及自动化
学院：
机电工程学院
入学时间：
2015年9月
开题时间：
2017年1月13日
2017年
1月
13日
学位论文题目
基于视觉导航的智能车跟随系统研究
课题来源
国家自然科学基金项目
一、课题意义及国外研究现状综述
1、课题意义
随着汽车工业的迅速发展，关于智能车辆的研究越来越受人关注。
智能车不仅在工业智能化上得到广泛的应用；运用于智能家居中的产品也越来越受到人们的青睐；而且，智能车的研究也为解决道路交通安全以及交通拥堵提供了一种新的途径[1]。
在汽车行业快速发展的带动下，作为现代社会产物的智能小车也成为目前较为热门的研究课题[2]。
智能小车是一个集环境感知、规划决策、自动行驶等功能于一身的多学科高新技术的集成体，集中运用了信息、传感、通信、导航、计算机、机械设计及自动控制等技术，是典型的高新技术综合体[3-4]。
因此，不论是从科学发展、理论研究的角度，还是从汽车工业发展以及市场竞争的角度看，对智能车辆和智能小车的研究都具有很高的科学理论价值和实际意义[5]。
智能小车作为智能车辆理论缩影与研究模型，在其快速发展的带动下也不断创新。
究其系统分类而言，可以简单的分为三类：
遥控式、半自主式以及全自主式系统[6]。
遥控式一般由人观察并做出决策，使用遥控器与小车进行信息的无线传输，从而达到对小车控制的目的，其原理相对简单，应用于市场上的大多数玩具模型等。
半自主式小车通常自己采集数据并处理，由核心处理芯片做出决策来实现其对行驶方向、启停以及速度的控制，一般无需人为控制，是目前大多数智能小车的研究方法。
第三类全自主式小车多采用嵌入式的方式，将决策层与运动层结合在一起，通过相应的算法达到智能化运动的目的，其灵活性高、功能性强，但全自主式小车的性能受到硬件条件的制约呈现两极化，如何平衡硬件条件以及优化算法是目前研究的前沿[7]。
本文采用将决策层与运动层相结合的全自动控制系统，在低成本的硬件设计要求下开发优化更加高效的代码和算法，实现可以快速的对周围环境进行信息提取并反馈给动力系统从而做出相应动作。
近年来，随着智能化与自动化技术的发展，智能车辆所具备的功能越来越多，所包含的技术种类也越来越丰富，而在智能车辆的相关技术中，跟踪技术是一项非常有研究意义的新型技术，也是一个涵盖了机器视觉、图像处理以及嵌入式与微系统等多学科的研究课题，具有广阔的研究前景[8]。
根据跟踪对象运动状态的不同，可将其分为对静止和对运动物体的跟踪两大类[9]。
对静止物体跟踪一般是通过在关键节点上设置具有特定形状、大小、颜色等突出特征的目标物，为智能小车提供方位等引导信息，使之可以按照预计的路线实现对目标的跟踪[10]。
这一方法小车所要提取和识别的信息相对较少，且节点周围环境已知，因此较为容易实现。
而对运动物体的跟踪则需要提取更多的有效信息，对算法的开发设计要求更高，同时需要考虑目标物的自身形状、明暗程度、外围环境在运动过程中所发生的改变[11]。
例如对人体的跟踪就是现代跟踪学的一个研究热点和难点[12]。
而关于智能车的跟随方案目前还没有特别优良稳定的算法。
因此，开发设计一种智能、高效、低成本的跟随小车控制方案具有重要的实际意义和科学理论价值。
2、国外研究现状
2.1智能车辆的研究现状
国外智能车辆的研究历史较长，始于上世纪50年代。
1954年美国BarrettElectronics公司研究开发了世界上第一台自主引导车系统AGVS（AutomatedGuidedVehicleSystem）[13]。
因其可以在固定路线上运行，并自主完成货物运输，因此标志着智能车辆的诞生[14]。
随后，世界主要发达国家对智能车辆开展了卓有成效的研究。
在欧洲，普罗米修斯项目开始在这个领域的探索；在美洲，美国成立了国家自动高速公路系统联盟（NAHSC）；在亚洲，日本成立了高速公路先进巡航/辅助驾驶研究会[15]。
至此，智能车辆进入了深入、系统、大规模研究阶段。
其中，美国卡基.梅隆大学（CarnegieMellonUniversity）机器人研究所一共完成了Navlab系列的10台自主车（Navlab1—Navlab10）的研究，取得了显著的成就[16]。
近年来，国外智能车技术依然保持快速发展，2010年由德国国防大学研制成功的高速公路自主驾驶车VaMoRS在行驶速度上突破150km/h，随后又由奥迪等公司将其不断刷新至最高可达240km/h的速度。
2012年5月，谷歌公司研发的自动驾驶汽车拿到了美国首个自动车辆许可证。
2016年3月联合国颁布《国际道路交通公约》：
“在全面符合联合国车辆安全管理条例情况下，将驾驶车辆的职责交给自动驾驶技术可以应用到交通运输当中”[17]。
这意味着在不久的将来，自动驾驶智能车辆将真正的走进大众的生活。
相比于国外，我国开展智能车辆技术方面的研究起步较晚，开始于20世纪80年代。
而且大多数研究处在于针对某个单项技术研究的阶段。
但是也取得了一系列的重要成果：
中国第一汽车集团公司和国防科技大学机电工程与自动化学院于2003年研制成功我国第一辆自主驾驶轿车；2016年3月由中国电子科技大学研制成功的中国第一代警用标准巡逻原型车，可以在120公里/小时的速度下，自动捕获方圆60米视野的人脸，识别其性别、年龄，并可与已有人脸库进行比对分析，按人员特征进行筛选识别，对可疑人员做出警报提示；2016年4月，由长安公司自主研发的无人驾驶汽车，从开往，历时6天，测试总里程超过2000公里。
智能小车相对于智能车辆而言，其研究成本更低、拓展性更强、普及率更广。
因此对于智能小车的研究具有很高的实际意义和科学理论价值。
2016年05月08日Puma联合NASA、麻省理工的机器人工程师及研究人员，开发出一款基于Arduino平台，能够通过智能手机精确控制行驶速度和距离，名为Beatbot的竞速机器人，它可以自动识别跑道并跟上运动员的步伐，速度甚至可以超越奥运冠军博尔特。
而我国很多高校、研究所研发设计的智能小车普遍能够实现循迹、避障、检测贴片、寻光入库、避崖等功能，更有的增设许多其他功能，例如在近几届的电子设计大赛中，智能小车又在向声音控制、无线定位以及视频传输与物体识别等方向发展，其中较为出名的飞思卡尔智能小车更是走在前列[18-19]。
但是智能小车在对目标识别与跟踪方面，多数设计方案采用的均为红外、超声波传感器对距离的测量来实现目的识别，所使用的方法较为单一。
本文采用了基于单目视觉的视频采集与图像处理技术对目标物进行智能的筛选与分析，较之于传统的红外以及超声波测距识别更为直观、准确并且适用围更广、容错率更高[20]。
对于智能车辆目标识别与自动驾驶技术的研究具有一定的参考意义。
2.2跟踪技术研究现状
常用的跟踪的方法有很多种，如基于红外、超声波等测距传感器、基于视频图像的视觉传感器、基于射频识别RFID（RadioFrequencyIdentification）技术、基于全球定位系统GPS（GlobalPositioningSystem）导航及无线电定位与导航等[21-22]。
本文所采用的视觉跟踪方法相对于其他的几种方法是最直观也是最困难的，它需要利用摄像机来获取外部环境的图像信息并将之转换成数字信号，通过PC机、微处理器或者其他嵌入式系统来实现对信号的采集与传输[23]。
并对获取视频中一帧或者多帧图像的处理分析，从而帮助小车完成对周围环境信息的了解，这些信息通常包括物体的形状、姿态、位置、运动等，从其中筛选目标信息进行描述、存储、传输和处理，进而做出相应动作[24]。
实现目标跟踪极为关键的部分在于对目标物的识别与定位，目标识别与定位是衡量整个跟踪技术水平高低的标杆[25]。
目标识别是运用图像处理技术对所要跟踪的目标与其背景进行分离的操作[26]。
现有的视觉跟踪算法根据被跟踪对象信息使用情况的不同，可大致分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于检测的目标跟踪等[27]。
基于对比度分析的目标跟踪算法的思想是利用目标与背景在对比度上的差异来提取、识别和跟踪目标[28]。
这类算法按照跟踪参考点的不同又可分为边缘跟踪、形心跟踪和质心跟踪等[29]。
基于匹配的目标跟踪算法是通过提取目标特征来进行识别，即是通过一种变换或者编码的方式，将数据从高维的原始特征空间经过映射，变换到低维空间来表示。
目标特征包括几何形状、子空间特征、外形轮廓和特征点等[30]。
其中特征点检测是匹配算法中常用的方法，其特性是不随光照和照相机视角的改变而改变。
常用的特征点包括Moravec特征，Harris、Tomasi（KLT）和SIFT[31-32]等特征。
基于运动检测的目标跟踪算法是通过检测序列图像中目标和背景的不同运动来发现目标存在的区域，其具有检测多个目标的能力，可用于多目标的检测跟踪，这类检测方法主要有帧间图像差分法、背景估计法、能量积累法、运动场估计法等。
其中基于Camshift算法和基于流光法的目标跟踪是这一类目标跟踪方法的代表性算法[33-34]。
近年来，对于视觉跟踪技术的研究，国外众多学者也是不断提出各种新的思路和想法：
Mansouri采用水平集方法进行轮廓跟踪，用于半径为r的环形邻近的完整目标区域穷尽搜索每个像素计算流失量；江晓莲、翠华、雄宗提出的基于视觉显著性的两阶段采样突变目标跟踪法[35]；董文会等人提出将融合颜色直方图和SIFT特征检测相结合的自适应分块目标跟踪法[36]。
MichaelKass、AndrewWitkin等人第一次提出了主动轮廓模型，设计了这样一种能量函数：
其局部极值组成了可供高层视觉处理进行选择的方案，从该组方案中选择最优的一种是由能量项的迭加来完成[37]。
视觉识别跟踪的算法种类繁多，总体上可大致分为基于模型的跟踪、基于区域的跟踪、基于活动轮廓的跟踪和基于特征的跟踪四种[38]。
本文将通过实际实验对各类跟踪算法的优缺点进行调研和比较，结合实际硬件条件，开发并优化在本方案上运行最理想、跟踪效果最好的程序及算法。
二、课题研究目标、研究容和拟解决的关键性问题
1、研究目标
（1）实现视频图像信息的实时采集与传输；
（2）基于图像处理技术对视频图像进行分析与处理，快速识别目标物体并准确定位；
（3）实现无人控制的自主跟随运动，在运动过程中智能避障并实时传输各类信息显示到PC端的上位机界面；
2、研究容
本课题通过基于单目视觉的视频采集及图像处理技术，对具有规定特征的目标物体进行识别与跟踪，拟将重点研究以下三个方面的容[39]：
（1）基于STM32的小车实验平台搭建
就所要实现的目的搭建小车实验平台。
总体上可分为包括车体架构、信号采集系统和运动控制系统三个主要部分的设计与开发。
其中车体架构包括直流电机、步进电机及舵机的选用与安装、各类电机驱动的优劣比较、电池电源以及稳压模块的合理选择等。
信号采集系统由摄像头、红外传感器、超声波传感器以及无线模块等构成，主要完成对外部信号的实时采集与传输[40]。
控制系统采用以STM32F1系列芯片为核心的控制开发板，实现对视频图像及其他信息的处理。
合理分配与利用I/O接口驱动各个模块正常运作，通过对电机的控制，达到对小车总体的运动控制；开发相应上位机，使整个跟踪系统更为完善，通过无线模块将小车的实时信息传送到PC端，从而实现对小车跟踪状况的远程监测，以及在特殊情况下可以对小车进行人工控制[41]。
（2）基于图像处理的算法优化及代码开发
在小车实验平台的基础上，完成对现有跟随方式的调研，对上文中各类算法的优缺点进行分析与比较，重点分析基于单目视觉的小车导航算法[42]。
对自主跟随小车的算法进行模拟与仿真，结合实际进行优化与改善。
通过编写对小车控制的代码工程文件，将理论算法固化并应用于小车控制系统当中。
以基于对比度分析跟踪中的质心跟踪算法优化过程为例。
质心法跟踪基于如下数学原型：
其中
为图像的灰度值，取值围为0-255，
、
分别为各像素点的横纵坐标，
、
分别为质心的横纵坐标。
小车对摄像头将拍摄到的图像进行灰度化处理，再将灰度图像二值化。
通过计算二值图像的像素平均值来寻找像素质心点，从而确定目标位位置。
此跟踪方法计算量少、实时性高，缺点是容易受噪声干扰，在背景不均匀的情况下，容易出现误差。
虽然小车系统导航提取的是方位信息，并不需要精确的坐标结构，有一定的容错率[43]。
但是为了提高跟随的准确性、增强系统的抗干扰能力，需要对现有算法进行优化处理。
优化思路为：
结合其他的目标识别方法以及改进目标跟踪函数等。
例如在获取质心位置前，使用基于轮廓匹配的轮廓检测方法进行预处理：
提取灰度信息之后对图像进行滤波去除系统中杂散光干扰，剔除随机噪声；再通过对单帧图像中目标物体轮廓的检测，筛选出目标物所处的大概位置，缩小目标在背景中的区域围；最后对灰度图取反，利用重心法求取图像的质心位置，从而对小车的运动方向进行导航[44]。
（3）实验验证与方案优化
在小车实验平台成功运行的基础上，开发相应上位机并进行实验验证。
通过对不同目标物在不同的环境下进行跟随实验，分析比较跟踪效果，总结算法的跟踪特点与要求；将相应算法优化处理后对同种目标物在相同环境下进行跟随实验，比较优化前后跟踪状况，是否达到提高跟踪效果、增强抗干扰能力等目的。
在充分多的试验次数下，收集并记录实验数据、分析误差来源、优化跟踪算法、提高跟踪效率，完成对基于视觉导航的低成本、高准确度和较强抗干扰能力智能跟随小车的实现。
3、拟解决的关键问题
课题通过采集并实时的对视频图像进行处理与分析，以期能对设定的目标进行识别并准确跟踪。
在具体的研究过程中拟解决如下几个关键问题：
（1）实验平台搭建
实验平台的优劣与否会对实验效果及结论产生很大的影响，其中包括车身结构的选用，驱动方式以及系统电路的设计、硬件的连接等。
由于车体架构的不同，小车在实际运动过程中摄像机以及其他传感器的工作稳定性差异较大，导致采集到的视频图像质量高低不尽相同，因而增加了目标物的识别难度，令跟踪效果降低。
因此，合理搭建小车实验平台，是一个本课题将要面临的关键性问题。
（2）对目标快速准确识别
在实现目标跟踪的过程中，对目标的识别是极其关键的一步。
简单的特征提取算法无法精准捕获目标物体规定特征，造成识别不准确、多目标错误识别和不识别等问题。
而由于实际硬件设施的制约，过于复杂的算法会因为提取信息多、计算量大导致系统运行变慢，造成视频采集时的丢帧或少帧等现象，降低了小车的运动的流畅性与实时性[45]。
因此，开发设计合理的特征提取算法，结合自身实际，在系统运行速度与目标物识别效率之间寻找到最佳平衡点，是本课题需要解决的关键问题之一。
（3）提高系统的抗干扰能力
实际运动中，由于外界的干扰，例如目标物所处的背景环境光线明暗的变化、目标自身形状发生的变化以及其运动轨迹的突变，都可能会造成目标物所具有的规定特征隐藏或者不可见，使目标短暂性的丢失或者无法准确识别，从而无法继续对目标进行跟踪[46]。
因此，如何降低外界不确定因素的干扰，提高系统鲁棒性是一个有待且必须解决的实际问题。
同时，在目标丢失后如何快速寻找并重新拾取目标也是需要考虑的一部分。
三、拟采取的研究方法、技术路线、试验方案及其可行性分析
1、研究方法
目前，对于智能小车系统设计的方案有很多，但是鉴于本课题的研究目标和所要实现功能，拟采用具有高性能、低成本、低功耗的嵌入式ARMCortex-M3核的STM32F103ZET6处理芯片：
最高工作频率72MHz；片上集成512KB的Flash存储器，64KB的SRAM存储器；具备强大的运算处理能力，同时拥有大量的外设I/O接口可连接和驱动为实现指定功能所需的各类传感器与外部设备[47]。
根据前面叙述的研究容，本课题的研究方法是将整体方案的设计开发分为硬件设计、软件设计以及实验验证三大主要部分，具体方法如图1所示：
图1研究方法示意图
在开题前进行大量的文献阅读和资料查询，学习并积累相关知识。
首先对整体的硬件进行设计，其中包括选择所需要使用的各模块种类，绘制电路图，根据电路连接相关外设并驱动其正常工作；再对系统的软件部分进行设计与开发，主要是识别与跟踪代码的开发与优化，包括对现有的一些跟踪算法进行调研分析，比较其优缺点，结合自身硬件设施采用最适宜的跟踪思路，完成识别算法的模拟与跟踪仿真，并根据仿真结果对算法进行合理的优化，开发编写优化后的小车识别跟踪代码，烧录至小车控制主板中，完成软件与硬件的结合；最后通过实验验证来观察整个跟踪系统的效果，试验前开发相应的上位机，用来接收小车传输的实时画面以及各项数据资料，收集处理相应数据，分析跟踪误差来源并进行误差消除与系统优化，最终完成高效、准确的智能车跟随系统开发。
2、技术路线
如图2所示，系统使用STM32作为主控芯片，通过驱动动力、导航、避障、通信等模块来实现整体运作。
其中动力模块主要包括电机与电机驱动构成的动力系统，以及相应的电源模块对整体系统的供电；导航模块是以摄像头为核心的相关外设，用于采集所需跟踪目标物的视频图像信息，为小车提供方向指引，达到导航目的；避障模块包括红外传感器和超声波传感器用来探测小车所处周围环境信息，目的是实现小车在跟踪目标的过程中自行避开障碍物的功能，同时也为小车的导航信息提供一定的矫正，从而提高跟随的实时性与准确性[48]；通信模块是用于实现小车与上位机的通信，将采集的视频图像和小车自身相关数据实时传输到PC端，便于观察跟踪效果以及小车运动情况，同时上位机应具有对实时数据的同步处理、绘制曲线以及在特殊情况下取得对小车的控制权等功能。
图2系统整体框图
图3目标识别框图
如图3所示，STM32处理器首先对采集来图像直接进行灰度取反、然后通过滤波处理来降低图像中的噪声干扰，结合了基于轮廓匹配的目标识别算法，对目标物体边缘检测并进行轮廓识别，判断出目标处于图像中的大致区域，将轮廓区域部的图像信息保留用于下一步分析，轮廓区域外部的图像信息舍去，即将该部分图像像素值全部设为0，降低图像的信息量，达到消除目标背景及其他干扰因素影响的目的。
再通过将轮廓部图像二值化处理，得到背影统一且包含目标物的二值图像[49]。
最后通过重心法求质心来确定目标的位置，反馈给控制芯片，进而控制电机使小车运动继续追踪目标物。
3、可行分析
在对于目标识别与跟踪的研究方向上，国外已经有过许多有效可行的算法设计开发，其中包括飞行器、机器人、智能小车等各个领域。
下面对本文的设计方案进行可行性分析。
（1）代码移植与固化的可行性
MATLAB以及STM32的编程环境KeilMDK都是基于C语言及C++的语言基础，在MATLAB仿真中的编程原理是，将图像灰度化后的每一个像素点用围为0-255的一个数字表示，用一个数字矩阵来表示一帧图像；而STM32也是经过A/D转换后利用数组矩阵的方法来实现对图像的采集、传输与运算。
理论上可以通过再编程的方法将MATLAB仿真好的跟踪识别代码移植到STM32的编程环境KeilMDK中，再使用J-LINK将代码烧录至芯片，实现算法的固化[50]。
（2）从理论仿真到实际验证的可行性
近年来目标跟踪技术发展取得了很大进步，研发出了多个性能优良的跟踪器，可以在简单场景中实时跟踪目标[51]。
应用假设可以使跟踪问题简单化（如平滑的运动、少量阻塞、光照恒定性、高对比度背景等），但这些假设在现实场景中是不存在的，限制了其在自动化监控、人机交互、视频检索、交通监控、车辆导航等领域的应用。
同样，本文所开发设计实际应用的智能车跟随系统同样将面临诸多考验型问题。
如以下几个跟踪难点：
目标外观随时间而变化，即尺度变化、旋转、超平面旋转、光照变化引起的目标颜色不均匀变化、非刚体形变、视角变化引起的外观变化等；目标背景的复杂多变；实际运动中相机不稳导致的图像采集模糊；完全遮挡或丢失后造成的时间不连续等[52]。
但可以通过算法的优化以及硬件的改良来减小上述问题的影响，达到较好的实验效果。
（3）系统优化的可行性
在前面的学习实践中，已经在一定程度上实现了多个不同功能的智能小车研发，其中包括基于51单片机的红外遥控超声波避障小车、基于Arduino的红外巡线小车、基于STM32的自平衡小车以及基于安卓APP的颜色识别跟踪小车。
为本方案设计开发打下一定的基础，借鉴以往的经验，系统需要经过硬件与软件的双优化而最终达到优良的实验目的。
本文中由于实际运动的各种不确定因素都会对跟踪效果产生影响，以及大量的数据传输与处理会导致在目标跟踪的连续性上不平滑。
因此，在优化了算法识别目标并确定方位信息的基础上，进一步对硬件进行优化，采用软件开发与硬件设计相结合的方式，增强系统的抗干扰能力，提高跟随的实时性与准确性[53]。
在本课题开展之前，理工大学机电工程学院就智能小车理论及实验设备方面做了大量的研究，这些研究和设备为本课题的完成提供了帮助。
四、课题的创新性
（1）以低成本的STM32F1系列小车主控板直接对图像进行处理分析，系统灵活性高、运行速度快，实现低成本、高效、准确的智能车跟随系统开发；
（2）调研对比各类算法的优缺点，结合实际运动情况，对相应算法进行优化，提高识别与跟踪算法的鲁棒性。
五、计划进度、预期进展和预期成果
序号
类别
容和要求
起止时间
1
查阅文献搜集资料
查阅与本课题相关的期刊论文,了解国外研究现状，对本课题有大体的方向和展望。
2015.09-2015.12
2
调查研究
对与本课题有关的前沿研究成果进行调查研究，并经过分析、总结，对研究课题进行初步理论探讨。
2015.12-2016.05
3
软件学习
学习与课题相关的软件，如KEILMDK、MATLAB等。
2016.05-2016.12
4
开题报告
撰写开题报告。
其容包括所研究课题的目的、容、意义、创新点、关键技术、实现方案、以及方案可行性论证等。
2016.12-2017.01
5
算法仿真
在MATLAB软件中设计目标识别算法，利用不同目标物体进行相应仿真。
2017.01-2017.05
6
实验验证
搭建小车实验平台，记录实验数据分析误差来源，优化算法与程序代码。
2017.05-2017.07
7
理论完善
对以上各阶段的研究进行总结，实验验证，对出现的各种问题进行分析并完善设计方案。
2017.07-2017.12
8
写小论文
至少发表论文1篇。
2017.12-2018.04
9
学位论文答辩
进一步论证，准备论文答辩。
2018.04-2018.05
备注：
本计划在实际工作中可能会有所调整。
六、预期的研究成果：
1）优化的算法可以有效的对于目标物体进行特征提取并快速实现识别与定位；
2）实验验证中，小车可以良好的实现目标物的跟随运动，同时具有避障及一定的抗干扰能力；
3）在国核心期刊上发表科研论文1-2篇。
七、与本课题有关的工作积累、已有的研究工作成绩
通过阅读大量的文献资料，了解课题相关容，掌握国外研究方向的最新动态，通过调研和比较大量的目标识别与跟踪算法，已经初步开发设计出对具有规定特征目标物的识别算法，并且在MATLAB上成功的进行了模拟与仿真。
此外，再之前的学习实践中已经开发设计过蓝牙遥控超声波避障小车、红外自主巡线小车以及自平衡小车等，对智能小车整体架构较为了解。
同时机电工程院各位前辈学者对智能小车方面的多年研究，在基础理论和实践中已经取得了丰富的研究成果，对本课题也有着极为重要的借鉴和指导意义。
八、研究经费预算计划和经费落实情
升级会员 