SensorHub数据融合算法.docx

SensorHub数据融合算法.docx

《SensorHub数据融合算法.docx》由会员分享，可在线阅读，更多相关《SensorHub数据融合算法.docx（48页珍藏版）》请在冰豆网上搜索。

SensorHub数据融合算法

SensorHub

Author:

Alg

RevisionHistory

Version

Date

Author

Description

1.0

07/08/2015

Alg

文档第一版

1多传感器数据融合算法研究

本片文章阐述了数据融合的估计理论，归纳总结了多传感器系统中各种数据融合结构：

集中式、分布式、混合式；并根据相关线性估计理论，提出了数据融合估计的最优准则。

后边根据多传感器数据融合估计知识，建立了基于卡尔曼滤波的数据融合估计模型，接着给出了不同融合结构的数据融合滤波算法，分别是：

集中式卡尔曼滤波算法、顺序式卡尔曼滤波算法、平行式卡尔曼滤波算法、联合式卡尔曼滤波算法。

然后针对卡尔曼滤波进行研究；后边又给出一种关于估计融合的一般的系统的方法，建立了统一线性数据模型，并给出了不同的情况下的最优的线性融和规则，重点研究了线性最小方差估计和最小二乘估计，最后研究了非线性并也包含线性数据的情况下的最优的线性融合规则。

最后实际应用（军事方面威胁）举例研究威胁估计算法。

2飞行控制系统多传感器信息融合技术研究

本文主要研究的是飞行控制系统中的多传感器信息融合算法。

现在国内外对融合算法研究主要集中在综合平均法、贝叶斯估计法、D-S法、模糊逻辑法、神经网络方法、卡尔曼滤波法、专家系统方法。

本篇文章主要针对的传感器数据有大气数据计算机、无线电高度表、差分GPS三种高度传感器，垂直陀螺、航姿参考系统两种姿态角传感器。

本文关于姿态融合采用的是BP神经网络方法。

关于高度数据融合使用的是传统的卡尔曼滤波方法。

详细算法看文档。

3基于多传感器信息融合关键技术的研究

系统的讨论了信息融合过程中的量测预处理技术、数据关联技术、数据决策技术以及信息融合技术。

这篇文章中主要针对航迹跟踪相关技术背景进行研究。

主要研究的算法为DS。

通过阅读大量的国内外参考文献,介绍了多传感器信息融合的磁念和特点,分析了多传感器信息融合的模型结构,着重介绍了信息融合技术的发展现状和趋势。

主要对量测数据预处理技术中的时空配准技术进行了研究,并研究了野值问题,并提出了基于新息变化的野值检测方法。

全文最关键的部分,即数据关联技术的研究。

本章主要对关联算法进行了仿真分析。

并提出了基于证据理论的概率数据关联算法对单目标进行跟踪,并在此基础上对算法进行了拓展,提出了基于证据理论的联合概率数据关联算法对多目标进行跟踪,此外为了减少算法计算量,引用最大模糊熵思想对关联算法进行简化。

对多传感器数据决策技术的研究,重点研究了DS证据理论方法。

提出了针对冲突的改进DS证据理论算法和基于传感器信任度的DS证据理论改进算法。

多传感器信息融合技术的应用部分,对同类传感器信息融合和异类传感器信息融合算法进行研究,并对基于DS证据理论的多传感器信息融合算法和基于雷达与红外的异类传感器融合算法进行了仿真。

研究的算法可以参考，研究的相关传感器实用方法与手机的相关多传感器融合相关性很小。

简单介绍DS：

DS证据理论也称为Dempster-Shafer理论或信任函数理论,这一理论产生于20世纪60年代,是由Dempster利用概率上下限来处理不确定性问题而首先提出的。

并且由其学生Shafer对该理论进行了一系列系统的理论i#正,使得该理论适用于处理不精确问题并具有严格的理论推导,通常将该理论简称为DS证据理论。

4可穿戴传感网络中异质传感器数据融合算法研究

本文研究的可穿戴传感器数据融合与sensorhub相关的数据融合相关性较强。

下边摘录出相关可穿戴的基本内容。

4.1可穿戴传感网络概述

4.1.1可穿戴传感网络概念

可穿戴传感网络是在可穿戴计算机基础上发展起来的新型网络，可穿戴计算机是近几年兴起的新的研究热点，实际上早在20世纪60年代就形成了可穿戴计算思想的雏形，与传统计算机相比，可穿戴计算机与人的交互更为紧密，它是在科技不断发展，各种超微型、高集成元器件不断产生的背景下应运而生的。

目前关于可穿戴计算机还没有一个明确统一的定义，概括来讲，可穿戴计算机是一种个人移动计算系统，它属于使用者的个人空间，能随时为佩戴者提供信息获取、交换和处理能力，使人机关系更加紧密，从而促成了一种新的“以人为本”的人机交互方式，达到人机的和谐统一。

可穿戴计算机大部分配有头戴式或眼镜式超微型显示器，通常采用多模式交互和多通道传感技术。

大体而言，可穿戴计算机具备以下几个基本特征：

（1）可在运动状态或移动状态下使用。

采用头戴显示器，使用者可在行走时使用，在关注虚拟世界的同时关注真实世界。

（2）使用时可腾出双手做其它事情。

这种模式需要利用双手以外的其它模式与计算机进行交互，如语音操作、环境感知等等。

（3）穿戴者可以进行控制。

可以通过多模式、多通道与计算机进行交互，从而达到控制的目的。

（4）衣物一体。

体现人机结合的新型关系，实现“以人为本，人机合一”的理念。

（5）具有可持续性。

可持续性的涵义是人机一直保持联系，这是可穿戴计算机与其他移动计算机最大的区别。

（6）多样性。

可穿戴计算机由于功能不同，在构成、形态等很多方面也存在差异。

可穿戴传感网络是可穿戴计算机概念的外延和发展，是利用各种专门穿戴在人体上的传感器（光、电、温度、湿度、压力等）节点，基于短距离无线通信技术，具有智能收集人体和周围环境信息功能的一种新型独立网络。

由蓝牙和Zigbee等短距离无线通信技术作为其底层传输手段，从而组建一个无线、高度灵活、自组织，甚至是隐蔽的新型个域网。

可穿戴传感网络的结构主要包括传感器节点、无线通信协议、无线通信模块、数据处理模块，如下图所示。

在该网络中，传感器节点负责采集监测用户的各种生理信息和运动状态，并将这些数据通过无线通信协议发送到无线通信模块，无线通信模块再将数据传送到PC机上进行处理。

图表41可穿戴传感网络结构图

可穿戴传感网络与可穿戴计算机相比具备更好的灵活性，并能充分融合现有的个人通信终端，由于现在的通信终端一般都具有存储容量和运算处理能力，因此可穿戴传感网络能进行分散控制。

4.1.2可穿戴传感网络应用背景

目前可穿戴传感网络具有广阔的应用背景。

随着生活水平的提高，人们的健康保健意识也在逐步增强。

过去，远距离实时监测病患者或高危环境工作者的生理参数是让人为难的问题。

而现在，利用可穿戴传感网络，智能衣服、智能戒指、智能项链等设备就可以实现远距离实时监测，因此可穿戴传感网络在医疗保健领域发挥着巨大的作用。

美国密歇根州立大学的电气工程与运动学专业研究部门合作开发出一套新式可穿戴式传感器网络，将可穿戴传感器节点放在实验者的手腕、手臂、小腿上，通过对频率、时间、强度等数值的监测来确定当前用户的运动类型以及其他一些有价值的信息。

文献针对正在接受治疗的神经肌肉疾病如帕金森氏病、癫痫和中风患者开发了一个可穿戴无线传感网络平台，该网络平台被命名为“Mercury”，利用8个无线传感器节点采集患者的运动和生理信息，与其他类似的网络系统相比，该平台能够为患者提供高达每天12-18小时的佩戴时间，每个独立节点可以对原始信号进行高层计算。

文献[18]将织物传感器整合到衣物中，设计出一种穿戴式的睡眠呼吸监测系统，能够实时实现胸部、腹部的呼吸监测，这对家庭中的慢性疾病监测与诊断提供一个良好的平台。

另外，特别针对老年人的身心健康护理需求，构建可穿戴传感网络监测老年人活动状态，减少并预防老年人经常发生的跌倒情况。

日本是一个老龄化速度很快的国家，为了更好的照顾老年人生活，日本电信公司NTT（NipponTelegraph&Telephone）研发出一种可穿戴传感器，能够像手表一样戴在腕部，由小型摄像头、加速度传感器、方位传感器、照度传感器及麦克风组成，可以识别人们的日常生活活动。

4.2可穿戴传感网络中的姿态测量技术

可穿戴传感网络主要以人作为传感器节点的载体，除了监测人体的血压、呼吸、心电图等生理信息，还有最重要的一个监测项目就是人体姿态，包括静止姿态和运动姿态。

本文研究的异质传感器数据融合算法是以人体姿态为主要研究目标的算法。

目前，姿态测量方法有很多种，如电磁跟踪法、机械跟踪法、声学跟踪法、光学跟踪法、传感器跟踪法等等，其中光学跟踪法中的视频摄像测量法是应用最广泛的一种，主要由于该方法实时性好，准确性高，但其致命的缺点是暴露了用户的隐私，且监测范围有限，受环境影响很大。

本文讨论的算法属于姿态测量中的传感器跟踪法，该方法是一种接触式测量方法，具备体积小、重量轻、能耗低、成本低、受环境影响较小的优势，因此具有广阔的应用前景。

4.2.1三维坐标系的定义及转换

人体的姿态是人体坐标系和地理坐标系之间的方位关系，因此本文涉及两个坐标系：

人体坐标系和地理坐标系。

图表42三维人体坐标系

对于惯性MEMS传感器来说，人体坐标系是最基本的坐标系，因为惯性MEMS传感器是固定在人体上并随着人体的运动而运动的，因此传感器坐标系与人体坐标系一直保持重合。

三维人体坐标系如图2.2所示，其原点与人体质心重合，X轴指向人体正面向前，Y轴指向人体侧面向右，Z轴垂直向下与重力方向重合，三轴互相垂直，箭头方向为正，构成右手坐标系。

图表43地理坐标系

地理坐标系即当地水平坐标系，亦称NED坐标系或惯性直角坐标系，同样通过满足右手正交法则的三个互相垂直的向量轴来表示（图2.3所示）。

其原点与人体坐标系原点重合，N轴沿当地子午线指向地球正北方，E轴沿当地纬线指向地球正东方向，D轴与重力方向重合，指向地球中心。

由于人体姿态是通过人体坐标系和地理坐标系的方位关系来表达的，因此涉及到这两个坐标系之间的转换。

在数学方法中，一个直角坐标系到另一个直角坐标系的转换需要进行旋转和平移两方面的运算，但因为平移没有改变坐标系的方向，因此这里只考虑坐标旋转。

两个空间坐标系之间的角度关系可以用一矩阵来表示，即方向余弦矩阵。

设有一三维直角坐标系OX1Y1Z1,其三个轴上的单位向量分别为i1,j1,k1.任一向量L均可以用它在三个轴上的分量来表示如图2.4所示：

图表44向量在三维直角坐标系OXYZ中的表示

4.2.2姿态表示方法

研究人体的实时运动姿态，需要对人体坐标系和地理坐标系相应三轴之间夹角进行求解，这是姿态算法的核心内容。

姿态的表示方法主要有三种，分别为：

欧拉角、四元数和方向余弦矩阵（也称旋转矩阵）。

这三种表示方法之间具有一定的联系也可以进行相互转换。

4.2.2.1欧拉角

图表45坐标系OX0Y0Z0到OXYZ的三次旋转

4.2.2.2四元数

4.2.2.3方向余弦矩阵

4.2.2.4三种姿态表示方法之间的转换

4.2.3姿态测量的基本原理

4.2.3.1加速度传感器

4.2.3.2磁力传感器

4.2.3.3角速度传感器

4.3数据融合基本理论

异质传感器数据融合技术是多种传感器信息的获取、表示以其内在联系进行综合处理和优化的技术，它从多信息的视角进行处理和综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化。

更具体的说法是将经过处理的异质传感器信息进行合成，形成一种对外部环境或被测对象某一特征的表达方式。

单一传感器只能获取环境或被测对象的部分信息，而异质传感器信息融合后能够完善地、准确地反映环境的特征。

目前异质传感器数据融合技术大规模应用于信息电子学领域、计算机科学领域、自动化领域等等。

4.3.1数据融合系统的功能模型

数据融合系统的通用功能模型，如图2.8所示，主要包括四个级别的处理：

第一级处理的内容为信息处理级的数据融合，包括数据配准和数据关联。

数据配准是通过校准技术使全部传感器具有相同的空间和时间基准，数据关联则是把各个传感器产生的点迹与数据库中已有的标准点迹进行关联，同时预测目标状态，以达到连续跟踪目标的目的。

第二级处理是属性信息融合。

对来自多个传感器的属性数据进行合并，以便得到对目标身份的联合估计。

第三级处理是态势提取与威胁评估，态势提取是指将不完整的数据通过整合得到统一的态势表示，而威胁评估则是对系统综合环境等进行威胁程度的评估。

第四级处理是对数据融合结果进行最后优化，例如资源优化利用、优化传感器管理等以提高系统的融合效果。

图表46数据融合系统功能模型

4.3.2数据融合体系结构

数据融合系统可以采用多种融合结构，主要的融合结构有集中式融合结构和分布式融合结构。

集中式融合结构的特点是将局部传感器所采集观测的数据传送到中心融合节点，该系统能够将所有传感器对整个全局进行观测的数据全部用来进行态势估计。

这种结构形式的优点是能够利用全部信息，目标姿态估计最佳，信息损失性小。

但由于处理中心要处理所有的原始信息，加大了通信开销，数据融合中心的计算机存储容量要求较大，对计算机要求很高而且数据关联困难。

分布式融合结构中的各个传感器都可以独立完成计算任务，然后把处理过的数据信息送给数据融合中心，融合中心利用各个传感器所提供的局部估计进行融合，最后给出融合结果，即全局估计。

这种结构形式的优点是能够增加新传感器或对老传感器进行改进，以便更少地触动系统软硬件，现有的平台数据总线可以频繁使用。

但由于提供给中心处理器的数据有限，会降低传感器融合的有效性，某些传感器对环境的干扰会影响到处理器部件的选择，造成成本增加。

4.3.3数据融合层次描述

在异质传感器数据融合中，由于不同传感器的不同工作原理和特征，产生了数据的多样化，因此必须针对具体问题中的不同数据特征、采集的方法等特点进行分级别分步骤地融合。

按照数据处理的抽象程度，将数据融合划分为数据级、特征级和决策级3个级别：

（1）数据级融合也称为像素级融合，属于数据融合的最低层次，如图2.9所示。

对属于同一级别的传感器原始数据进行直接融合处理，然后再进行特征提取和态势估计。

传感器的信息融合之后，没有单个处理的信息损失，识别的处理等价于对单个传感器的处理。

图表47数据层融合

（2）特征级数据融合是利用各个传感器观测目标完成提取有代表性的特征信息，产生单一的特征向量，然后将这些特征向量进行融合从而产生身份估计。

这种方法所提取的特征信息应是数据信息的充分表示量或者统计量，必须使用关联处理，如图2.10所示。

图表48特征层融合

特征级数据融合的主要优点是可以压缩观测信息，这样便于提取特征向量进行实时处理。

该级数据融合还可以分为目标特性融合和目标状态融合两类，其中目标特性融合是特征级联合识别，在融合前必须先对特征进行相关处理，对特征向量进行分类组合。

目标状态数据融合首先要完成数据配准，然后再实现参数相关和状态估计，该方法多应用于异质传感器目标跟踪领域。

（3）决策级别数据融合如图2.11所示，属于高级别融合，最后的融合结果直接为决策提供依据。

多个异质传感器观测同一个目标，独立完成特征信息的提取，然后通过相关处理、决策级融合判决，最终获得联合推断结果。

图表49决策层融合

决策级数据融合的灵活性和实时性很好，对带宽要求不高，当一个或几个传感器失效时仍能给出最终决策，因此抗干扰能力强，具有良好的容错性。

4.3.4数据融合的主要方法

数据融合的方法有很多，现阶段常用的比较经典方法有Kalman滤波算法、加权平均法、贝叶斯融合估计、D-S证据推理法、模糊逻辑法、产生式规则法以及神经网络方法等。

这些数据融合方法中，贝叶斯估计、Kalman滤波、模糊逻辑法和神经网络方法理论基本已经成熟，而D-S证据推理在合理性方面存在欠缺；从数据处理量来看，贝叶斯估计、D-S证据推理的数据处理量都很大，而Kalman滤波和模糊逻辑法的数据处理量适中；从使用难度方面考查几种算法，难度较高的有模糊逻辑法和神经网络方法，因为这两种方法均属于现代方法，模拟人类的思维过程需要强大的理论基础，D-S证据推理难度适中，难度较低的方法是贝叶斯估计和Kalman滤波。

综上所述，在数据融合的多种方法中，不存在最优的算法，每种算法自身都存在着优缺点，同时也对应着各自的应用领域，因此在融合方法选择上要根据实际问题择优选择并可以考虑不同方法的自适应混合算法来解决问题。

目前，将模糊逻辑法、神经网络法、粗集理论等新型智能方法有机结合在一起是一个重要的发展趋势。

4.4本章小结

本章介绍了可穿戴传感网络的概念和应用背景，研究了姿态测量技术，确定了关于人体姿态测量的两种坐标系统，人体坐标系和地理坐标系，并说明了两种坐标系的转换方法。

关于人体姿态的表示方式，研究了欧拉角、四元数和旋转矩阵三种最基本的形式以及相互转换的方法。

同时，研究了加速度传感器、角速度传感器和磁力传感器单独计算姿态角的原理和异质传感器数据融合的基本理论，为后续算法设计提供理论基础。

4.5基于kalman滤波的数据融合算法研究

异质传感器数据融合算法包括姿态计算和滤波算法两部分，姿态计算是利用传感器数据计算人体的姿态，并可以根据实际需要选择四元数、欧拉角或旋转矩阵作为姿态的表示方式。

但由于传感器自身的误差以及周围环境的影响，会使计算结果出现较大的误差，因此为了提高姿态计算的准确性，降低计算误差，这里引入滤波算法。

Kalman滤波算法是由匈牙利数学家RudolfEmilKalman在1960年的一篇《ANewApproachtoLinearFilteringandPredictionProblems》论文中提出新的解决线性预测问题的方法，它是一种实时递推算法，所处理的是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计的状态或参数作为滤波器的输出。

滤波器的输入和输出是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所需处理的信号，是一种最优估计方法。

后边关于使用卡尔曼和非线性卡尔曼滤波算法在文章第三章的3.1-3.3小节进行了描述。

这里不做详细描述。

4.6基于LMS的自适应互补滤波算法

人体姿态估计算法是可穿戴传感网络的核心部分，由于使用环境的特殊性，各传感器数据有两种处理方式：

一种是直接在人体传感器节点内部进行处理，一种是将数据发送到服务中心进行处理。

第一种处理方式受到节点能源和存储空间的约束，本文研究的算法是利用第二种处理方式，即将数据采集之后再进行独立计算。

但无论用任何一种方式，高效、准确、低消耗的数据融合算法都是算法设计的最终目标。

本文所选三种异质传感器包括加速度传感器、磁力传感器和角速度传感器，这三种传感器均具备无源、小尺寸、重量轻的特点，十分符合可穿戴传感网的应用背景。

从理论上，可以利用加速度—磁力组合或单独使用角速度传感器就可以获取人体姿态，然而在实际应用中，由于传感器信号噪声的影响以及传感器自身特点，上面的方法是不可行的。

加速度—磁力组合进行姿态估计只适用于静态或准静态，并且除地磁场外，没有其他的磁力因素或磁源较弱的环境，在这种情况下，加速度传感器测量重力分量，而磁力传感器测量地磁场的磁力分量。

因此，在动态环境或磁力影响很大的测量环境中，加速度—磁力组合进行人体姿态估计将会产生较大的误差，从而使系统性能下降。

单独利用角速度积分进行姿态估计，由于积分运算具有信号放大的作用，因此即便是微小的误差经过累积之后也会大大降低系统准确率，影响姿态估计的正确性。

不过，这两种姿态测量系统却具有互补性，如果能够合理利用这种互补性，不但能克服上面描述的种种弊端，还可以提高算法的准确性，从而产生更好的姿态估计算法。

目前，利用上述三种传感器进行数据融合的算法有很多。

文献提出了一种基于扩展Kalman用于姿态估计的数据融合算法，该算法摒除欧拉角、四元数这些传统姿态表示方式，采用6*1状态向量将Kalman算法线性化，并简化了迭代计算的过程，提高了处理速率。

Bachmann等人提出了一种利用四元数表示姿态的数据融合算法，该算法主要是基于线性最小二乘回归分析的思想，巧妙地利用了加速度—磁力组合与角速度传感器的互补特性，提高了算法准确性，不过由于计算过程涉及到矩阵求逆，因此计算量并不小。

文献则另辟蹊径，在传统互补算法基础上分析了两种测量系统的噪声特性，认为利用角速度积分的方法容易经历低频漂移，而利用加速度—磁力组合的向量观测法则易产生高频运动误差，因此针对两种测量特性设计了阈值，在不同情况信任不同的测量系统。

四元数估计（quaternionestimator，缩写为QUEST）算法是1981年Shuster提出的一种姿态估计算法，由于该算法能解决Wahba问题而广受欢迎，文献提出将QUEST算法和EKF算法结合在一起进行姿态估计，分析结果表明这种结合大大提高了估计精度，而且实时性较好。

本章将在前面研究地基础上，进一步分析两种测量系统的特性，并参照文献的分析方法，利用高低频区分，合理利用互补性质，提出基于LMS的自适应互补滤波算法。

详细的算法内容请查阅文档的第五章5.1-5.2小节内容。

5微型四旋翼无人机控制系统设计与实现

本文中主要对四旋翼无人机中关键技术中的姿态确定算法（第四章）和控制算法（第五章）作出描述。

基于我们关于传感器融合算法研究只需考虑第四章内容。

5.1引言

飞行姿态的准确获取是飞行控制的基础和前提，因此飞行姿态的确定至关重要由于旋翼飞行器旋翼转动时振动强烈，故姿态参考系统受振动的影响较大。

同时旋翼飞行器结构轻巧简单，必须要求其控制周期尽可能小以提高响应速度。

故该姿态参考系统应能减小振动的影响同时保证较高的快速性。

无人飞行器的飞行姿态通过惯性测量组合元件（IMU）来获取，主要包括三个MEMS陀螺仪和三轴加速度传感器。

本章采用Allan方差分析传感器的噪声源，介绍Kalman滤波器和互补滤波器的基本原理，给出了其设计和实现步骤，结合M4R对所设计的姿态参考系统进行了实验验证。

姿态更新算法作为姿态参考系统的核心，直接影响姿态参考系统的精度，因此选择合理的姿态更新算法对整个姿态参考系统的性能至关重要。

一般来说，利用陀螺仪输出的角速率直接计算飞行器的姿态和航向可采用：

欧拉角法、方向余弦法、四元数法和等效转动矢量法。

但是，欧拉角法不支持全姿态工作；方向余弦法复杂度较大；四元数法计算简单、工作量小。

此外，在飞行器无线运动加速度时，还可利用加速度计解算飞行器的姿态角。

然而由于传感器存在各项误差，因此不能仅仅单独通过以上所选方法获取准确的姿态角。

在航姿系统中，需要采用相应的信息融合方法以补偿各类误差所带来的影响。

本文研究了基于四元数的卡尔曼滤波器和互补滤波器在飞行器姿态参考系统的应用，在飞行控制系统硬件平台上实现了以上两种算法，并从不同角度对上述方法进行对比，通过仿真和飞行试验证明采用互补滤波器解算旋翼飞行器姿态不仅能满足精度要求，而且能降低系统资源消耗，是一种更为简单、有效的方法。

5.2传感器误差特性分析

无论采用何种姿态解算方法，飞行器姿态的获取都是通过处理传感器输出的原始数据获得的，因此对传感器输出数据进行必要的误差特性分析，进而进行必要的预处理和误差补偿校正对姿态参考系统的精度有极大的影响。

本文主要就MEMS陀螺仪和加速度计的误差进行分析。

5.2.1MEMS陀螺仪误差分析及矫正

随着电子技术的发展，惯性测量器件的精度越来越高，但是惯性测量器件的精度会随着时间的增加而降低，同时由于惯性测量元件固联于载体上，受载体振动和冲击影响大。

因此获取确的姿态信息，对惯性测量元件的性能提出了很高要求。

陀螺的漂移