日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

LSTM增強卡爾曼濾波:動態(tài)噪聲參數(shù)優(yōu)化與Python實現(xiàn)

LSTM增強卡爾曼濾波:動態(tài)噪聲參數(shù)優(yōu)化與Python實現(xiàn) 簡介本資源是一套面向信號處理與智能濾波領(lǐng)域的Python/MATLAB混合實現(xiàn)方案聚焦于LSTM神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波的協(xié)同優(yōu)化適用于高年級本科生、研究生及具備基礎(chǔ)控制理論與深度學(xué)習(xí)知識的研究人員。它解決了傳統(tǒng)卡爾曼濾波在非線性、時變系統(tǒng)中建模精度不足的問題特別適配傳感器融合、目標(biāo)跟蹤、狀態(tài)估計等動態(tài)時序預(yù)測場景。壓縮包共7個文件32KB含4個核心MATLAB函數(shù)文件.m實現(xiàn)LSTM-CKF聯(lián)合架構(gòu)、狀態(tài)更新與觀測建模2個文本文件.txt提供示例數(shù)據(jù)與使用說明1個備份文件保障配置安全代碼模塊化清晰、注釋詳盡支持參數(shù)調(diào)整與功能擴展。目前已有48人下載學(xué)習(xí)用戶可直接運行驗證算法效果并基于現(xiàn)有結(jié)構(gòu)開展網(wǎng)絡(luò)層數(shù)調(diào)優(yōu)、觀測模型重構(gòu)或跨平臺移植等二次開發(fā)。1. 項目概述當(dāng)傳統(tǒng)濾波遇上深度學(xué)習(xí)在信號處理、導(dǎo)航定位、機器人控制這些領(lǐng)域卡爾曼濾波是個繞不開的名字。它就像一位經(jīng)驗老道的“狀態(tài)估算師”能從一堆充滿噪聲的觀測數(shù)據(jù)里抽絲剝繭地還原出系統(tǒng)最可能的狀態(tài)。經(jīng)典卡爾曼濾波的優(yōu)雅之處在于其基于線性高斯假設(shè)的遞推框架計算高效理論完備。但現(xiàn)實世界往往更“骨感”——系統(tǒng)模型可能非線性噪聲可能非高斯甚至模型參數(shù)本身就在動態(tài)變化。這時候傳統(tǒng)卡爾曼濾波的表現(xiàn)就會打折扣出現(xiàn)滯后、發(fā)散或者精度下降的問題。于是我們開始思考有沒有辦法讓這位“估算師”變得更聰明、更適應(yīng)復(fù)雜環(huán)境近年來深度學(xué)習(xí)的崛起尤其是像LSTM長短期記憶網(wǎng)絡(luò)這類擅長捕捉時間序列長期依賴關(guān)系的模型為我們提供了新的思路。LSTM就像一個擁有“記憶”和“遺忘”能力的智能體能從歷史數(shù)據(jù)中學(xué)習(xí)到復(fù)雜的動態(tài)模式。這個項目的核心就是把LSTM的“學(xué)習(xí)能力”與卡爾曼濾波的“最優(yōu)估計框架”結(jié)合起來。它不是簡單地用LSTM替代卡爾曼濾波而是讓LSTM去輔助優(yōu)化卡爾曼濾波中最脆弱的一環(huán)——系統(tǒng)噪聲協(xié)方差矩陣Q和觀測噪聲協(xié)方差矩陣R。這兩個參數(shù)在傳統(tǒng)應(yīng)用中常常依賴經(jīng)驗設(shè)定一旦不準(zhǔn)濾波性能就難以保證。我們讓LSTM根據(jù)實時數(shù)據(jù)流動態(tài)地調(diào)整或預(yù)測這些關(guān)鍵參數(shù)從而提升濾波算法在非理想條件下的魯棒性和精度。這個Python實現(xiàn)項目就是一次從理論到實踐的完整探索。它適合對狀態(tài)估計、時間序列預(yù)測和深度學(xué)習(xí)交叉領(lǐng)域感興趣的工程師、學(xué)生和研究者。無論你是想理解兩種算法融合的機理還是急需一個可運行、可修改的代碼框架來解決自己的濾波問題這篇文章都將提供從思路拆解、代碼實現(xiàn)到避坑經(jīng)驗的全程指南。我們會使用一個模擬的車輛定位數(shù)據(jù)集來演示但代碼結(jié)構(gòu)具有通用性你可以輕松替換為自己的數(shù)據(jù)。2. 核心思路與方案選型為什么是LSTM卡爾曼在動手寫代碼之前我們必須把融合的邏輯想清楚。為什么選擇LSTM為什么選擇優(yōu)化Q和R有沒有其他方案這部分就是項目的“設(shè)計圖”。2.1 卡爾曼濾波的瓶頸模型與噪聲的不確定性標(biāo)準(zhǔn)卡爾曼濾波建立在五個方程之上其核心假設(shè)是系統(tǒng)的狀態(tài)轉(zhuǎn)移模型F矩陣和觀測模型H矩陣是已知且準(zhǔn)確的并且過程噪聲w和觀測噪聲v都是零均值的高斯白噪聲其協(xié)方差矩陣Q和R已知。在實際中問題就出在這里模型不準(zhǔn)F H真實的物理系統(tǒng)往往是非線性的線性模型只是近似。雖然我們有擴展卡爾曼濾波EKF、無跡卡爾曼濾波UKF等來處理非線性但它們依然依賴于一個預(yù)設(shè)的、可能不精確的模型結(jié)構(gòu)。噪聲統(tǒng)計特性未知Q RQ和R代表了我們對過程噪聲和觀測噪聲“強度”和“相關(guān)性”的認知。它們很難通過理論精確計算通??拷?jīng)驗調(diào)試或離線估計。一個常見的場景是傳感器的噪聲水平R可能會隨溫度、濕度或使用時長變化目標(biāo)的運動模式突變?nèi)畿囕v急轉(zhuǎn)彎會導(dǎo)致過程噪聲Q瞬時增大。固定的Q和R無法捕捉這種時變特性。當(dāng)模型和噪聲統(tǒng)計不匹配時卡爾曼濾波增益K的計算就會失準(zhǔn)導(dǎo)致要么過于信任預(yù)測濾波結(jié)果滯后要么過于信任觀測濾波結(jié)果對觀測噪聲敏感嚴(yán)重時會引起濾波發(fā)散——估計誤差協(xié)方差陣P無限增大濾波器完全失效。2.2 LSTM的優(yōu)勢從數(shù)據(jù)中學(xué)習(xí)時序動態(tài)LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的一種變體通過精巧的門控機制輸入門、遺忘門、輸出門解決了傳統(tǒng)RNN的梯度消失/爆炸問題使其能夠有效地學(xué)習(xí)長序列中的長期依賴關(guān)系。它的能力正好可以彌補卡爾曼濾波的不足強大的非線性擬合能力LSTM可以逼近任何復(fù)雜的非線性函數(shù)這意味著它有能力學(xué)習(xí)系統(tǒng)狀態(tài)之間那些無法用簡單線性方程描述的動態(tài)關(guān)系。對時序上下文的記憶LSTM的“細胞狀態(tài)”像一個傳送帶可以保留歷史信息的精華。這對于理解系統(tǒng)狀態(tài)的演變趨勢、識別運動模式如勻速、加速、轉(zhuǎn)彎至關(guān)重要。數(shù)據(jù)驅(qū)動的參數(shù)調(diào)整我們可以訓(xùn)練LSTM讓它根據(jù)歷史的狀態(tài)序列、觀測序列或濾波殘差觀測值與預(yù)測觀測值之差來輸出對當(dāng)前時刻Q和R矩陣的調(diào)整量或預(yù)測值。這樣噪聲參數(shù)就從靜態(tài)的、經(jīng)驗性的變成了動態(tài)的、數(shù)據(jù)驅(qū)動的。2.3 融合架構(gòu)選型如何讓兩者協(xié)同工作LSTM與卡爾曼濾波的融合有多種范式本項目采用一種較為經(jīng)典且易于實現(xiàn)的串聯(lián)輔助型架構(gòu)也被稱為“自適應(yīng)卡爾曼濾波的深度學(xué)習(xí)增強”。其工作流程如下數(shù)據(jù)流系統(tǒng)在每個時刻t產(chǎn)生一個觀測值z_t。LSTM模塊將過去一段時間窗口例如過去10個時刻的濾波新息序列Innovationd_t z_t - H * x_{t|t-1}即實際觀測與預(yù)測觀測的差值輸入到預(yù)訓(xùn)練好的LSTM網(wǎng)絡(luò)中。參數(shù)預(yù)測LSTM網(wǎng)絡(luò)分析新息序列的模式。如果新息突然持續(xù)偏大可能意味著觀測噪聲R增大了或者模型誤差體現(xiàn)在Q中變大了。LSTM輸出對當(dāng)前時刻噪聲協(xié)方差矩陣Q_t和R_t的調(diào)整因子或直接預(yù)測值??柭鼮V波模塊使用LSTM動態(tài)提供的Q_t和R_t執(zhí)行標(biāo)準(zhǔn)卡爾曼濾波的預(yù)測和更新步驟得到當(dāng)前時刻的狀態(tài)最優(yōu)估計x_t和協(xié)方差P_t。閉環(huán)反饋將計算得到的新息d_t加入歷史序列用于下一時刻LSTM的輸入形成閉環(huán)。這種架構(gòu)的優(yōu)勢在于模塊化LSTM模塊和卡爾曼濾波模塊相對獨立便于單獨訓(xùn)練、調(diào)試和替換。邏輯清晰LSTM專注于“診斷”噪聲特性卡爾曼濾波專注于“執(zhí)行”最優(yōu)估計分工明確。易于實現(xiàn)不需要改動卡爾曼濾波的核心遞歸方程只需將固定的Q、R替換為時變的Q_t、R_t即可。注意還有一種更緊密的融合方式如用LSTM直接預(yù)測系統(tǒng)狀態(tài)再與卡爾曼濾波結(jié)果進行融合或者用LSTM來學(xué)習(xí)整個卡爾曼增益K。但這些方法要么破壞了卡爾曼濾波的最優(yōu)估計理論框架要么使得網(wǎng)絡(luò)訓(xùn)練和可解釋性變得非常復(fù)雜。對于大多數(shù)工程應(yīng)用我們采用的輔助優(yōu)化Q/R的方案在提升性能和保持可解釋性之間取得了較好的平衡。3. 項目實現(xiàn)詳解從數(shù)據(jù)到可運行的濾波器理論清晰后我們進入實戰(zhàn)環(huán)節(jié)。這里會詳細拆解數(shù)據(jù)生成、LSTM網(wǎng)絡(luò)設(shè)計、訓(xùn)練以及最終的集成濾波流程。所有代碼都將使用Python并依賴NumPy、PyTorch和Matplotlib等主流庫。3.1 模擬數(shù)據(jù)集生成構(gòu)建一個可驗證的戰(zhàn)場為了充分展示算法性能我們模擬一個在二維平面運動的車輛并人為引入時變的噪聲。這樣我們擁有絕對的“地面真值”可以客觀評估濾波效果。import numpy as np import matplotlib.pyplot as plt def generate_simulation_data(total_time100, dt0.1): 生成車輛軌跡仿真數(shù)據(jù)。 運動模型大部分時間勻速直線運動中間穿插一段轉(zhuǎn)彎加速度變化。 過程噪聲Q時變轉(zhuǎn)彎時增大。 觀測噪聲R時變模擬傳感器性能波動。 # 狀態(tài)量 [x, vx, y, vy] 即位置和速度 num_states 4 # 觀測量 [x, y] 即只能觀測到位置 num_observations 2 steps int(total_time / dt) time np.arange(0, total_time, dt) # 初始化真實狀態(tài)、觀測值和噪聲 true_states np.zeros((steps, num_states)) observations np.zeros((steps, num_observations)) # 初始狀態(tài) true_states[0] [0, 5, 0, 2] # 初始位置(0,0) 初始速度(5,2) # 定義時變噪聲參數(shù) Q_scale np.ones(steps) R_scale np.ones(steps) # 在時間30-50秒車輛轉(zhuǎn)彎過程不確定性增大 turn_idx (time 30) (time 50) Q_scale[turn_idx] 3.0 # 在時間60-80秒觀測噪聲增大模擬傳感器干擾 obs_noise_idx (time 60) (time 80) R_scale[obs_noise_idx] 2.5 # 過程噪聲協(xié)方差基矩陣對角線 Q_base np.diag([0.1, 0.5, 0.1, 0.5]) # 位置噪聲小速度噪聲大 # 觀測噪聲協(xié)方差基矩陣 R_base np.diag([1.0, 1.0]) for t in range(1, steps): # 1. 真實狀態(tài)更新 (CV模型) F np.array([[1, dt, 0, 0], [0, 1, 0, 0], [0, 0, 1, dt], [0, 0, 0, 1]]) true_states[t] F true_states[t-1] # 在轉(zhuǎn)彎階段加入一個恒定的向心加速度來改變速度方向模擬轉(zhuǎn)彎 if turn_idx[t]: # 簡單模擬一個向左的加速度 true_states[t, 1] - 0.05 * dt # vx 減小 true_states[t, 3] 0.03 * dt # vy 增加 # 加入時變過程噪聲 w np.random.multivariate_normal(meannp.zeros(num_states), covQ_scale[t] * Q_base) true_states[t] w # 2. 生成帶時變噪聲的觀測 H np.array([[1, 0, 0, 0], [0, 0, 1, 0]]) v np.random.multivariate_normal(meannp.zeros(num_observations), covR_scale[t] * R_base) observations[t] H true_states[t] v return time, true_states, observations, Q_scale, R_scale # 生成數(shù)據(jù) time, true_states, observations, Q_scale_true, R_scale_true generate_simulation_data() print(f數(shù)據(jù)生成完畢??偛綌?shù){len(time)} 狀態(tài)維度{true_states.shape[1]} 觀測維度{observations.shape[1]})這段代碼生成了一個包含1000個時間步總時間100秒間隔0.1秒的數(shù)據(jù)集。車輛先勻速運動然后在30-50秒轉(zhuǎn)彎過程噪聲Q增大在60-80秒遇到觀測干擾觀測噪聲R增大。true_states是我們的“地面真值”observations是帶噪聲的、我們實際能拿到手的傳感器數(shù)據(jù)。Q_scale_true和R_scale_true記錄了噪聲變化的真實情況用于后續(xù)效果對比。3.2 LSTM網(wǎng)絡(luò)設(shè)計與訓(xùn)練教會網(wǎng)絡(luò)識別噪聲模式我們的目標(biāo)是訓(xùn)練一個LSTM網(wǎng)絡(luò)輸入是過去N個時刻的濾波新息序列輸出是對當(dāng)前時刻Q和R的調(diào)整因子標(biāo)量用于乘以基矩陣。這里假設(shè)Q和R是對角矩陣且我們只優(yōu)化它們的幅度縮放因子不改變其結(jié)構(gòu)。這是一種簡化且有效的做法。import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class LSTMParameterPredictor(nn.Module): LSTM網(wǎng)絡(luò)用于預(yù)測Q和R的縮放因子 def __init__(self, input_dim, hidden_dim, num_layers, output_dim, window_size): super(LSTMParameterPredictor, self).__init__() self.hidden_dim hidden_dim self.num_layers num_layers self.window_size window_size self.lstm nn.LSTM(input_dim, hidden_dim, num_layers, batch_firstTrue) # 輸出兩個縮放因子一個給Q一個給R self.fc nn.Linear(hidden_dim, output_dim) self.sigmoid nn.Sigmoid() # 將輸出限制在正數(shù)范圍例如[0.1, 5] def forward(self, x): # x shape: (batch_size, window_size, input_dim) lstm_out, _ self.lstm(x) # lstm_out shape: (batch_size, window_size, hidden_dim) # 取最后一個時間步的輸出 last_output lstm_out[:, -1, :] # 通過全連接層和激活函數(shù) raw_output self.fc(last_output) # 使用Sigmoid并映射到一個合理的范圍例如 [0.1, 5.0] scaled_output 0.1 4.9 * self.sigmoid(raw_output) return scaled_output # shape: (batch_size, output_dim2) def prepare_lstm_training_data(innovations, window_size10): 準(zhǔn)備LSTM的訓(xùn)練數(shù)據(jù)。 輸入濾波新息序列 (T, obs_dim) 輸出特征X (樣本數(shù), window_size, obs_dim) 和 標(biāo)簽y (樣本數(shù), 2) 標(biāo)簽y是當(dāng)前時刻真實的Q_scale和R_scale在這個仿真例子中我們知道真實值。 在實際應(yīng)用中真實標(biāo)簽需要通過其他方式估計或定義為損失函數(shù)的一部分。 T, obs_dim innovations.shape X, y [], [] # 我們需要一個“教師信號”來訓(xùn)練LSTM。在這個仿真中我們直接用真實的噪聲縮放因子作為標(biāo)簽。 # 注意這在實際應(yīng)用中不可行因為真實噪聲統(tǒng)計未知。 # 實際應(yīng)用中一種方法是使用一個時間窗口內(nèi)新息的統(tǒng)計特性如協(xié)方差作為標(biāo)簽的近似 # 或者設(shè)計一個無監(jiān)督/自監(jiān)督的損失函數(shù)讓LSTM的輸出使得卡爾曼濾波的新息序列最接近白噪聲。 # 這里為了演示使用已知真實值。 global Q_scale_true, R_scale_true # 使用之前生成的全局變量 for i in range(window_size, T): X.append(innovations[i-window_size:i]) # 標(biāo)簽當(dāng)前時刻的Q縮放因子和R縮放因子 y.append([Q_scale_true[i], R_scale_true[i]]) return np.array(X), np.array(y) # 首先我們需要一個初始的濾波新息序列。先用標(biāo)準(zhǔn)卡爾曼濾波固定Q,R跑一遍收集新息。 # 這里省略標(biāo)準(zhǔn)KF的代碼假設(shè)我們已經(jīng)得到了 innovations_standard_kf (T, 2) # 在實際訓(xùn)練時我們可以用標(biāo)準(zhǔn)KF的結(jié)果或者用一段真實數(shù)據(jù)對應(yīng)的“理想”新息如果可知。 # 模擬生成一些訓(xùn)練數(shù)據(jù)這里用標(biāo)準(zhǔn)KF的新息近似實際需按上述方法獲取 # 為了演示我們直接用帶噪聲的觀測差值簡單構(gòu)造一個模擬新息序列 sim_innovations np.random.randn(len(time), 2) * 1.5 # 模擬新息 # 準(zhǔn)備數(shù)據(jù) window_size 10 X_train, y_train prepare_lstm_training_data(sim_innovations, window_size) # 轉(zhuǎn)換為PyTorch張量 X_train_tensor torch.FloatTensor(X_train) y_train_tensor torch.FloatTensor(y_train) dataset TensorDataset(X_train_tensor, y_train_tensor) dataloader DataLoader(dataset, batch_size32, shuffleTrue) # 初始化模型、損失函數(shù)和優(yōu)化器 input_dim 2 # 新息的維度觀測維度 hidden_dim 32 num_layers 2 output_dim 2 # 預(yù)測Q_scale和R_scale model LSTMParameterPredictor(input_dim, hidden_dim, num_layers, output_dim, window_size) criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001) # 訓(xùn)練循環(huán) num_epochs 50 for epoch in range(num_epochs): total_loss 0 for batch_X, batch_y in dataloader: optimizer.zero_grad() predictions model(batch_X) loss criterion(predictions, batch_y) loss.backward() optimizer.step() total_loss loss.item() if (epoch1) % 10 0: print(fEpoch [{epoch1}/{num_epochs}], Loss: {total_loss/len(dataloader):.6f}) print(LSTM模型訓(xùn)練完成。)實操心得這里最大的挑戰(zhàn)在于獲取LSTM的訓(xùn)練標(biāo)簽。在仿真中我們作弊了用了真實值。在實際項目中有幾種思路離線標(biāo)定法在系統(tǒng)穩(wěn)定運行且環(huán)境可控的階段采集數(shù)據(jù)用最大似然估計等離線方法估計出一段時間內(nèi)的Q和R序列作為監(jiān)督學(xué)習(xí)的標(biāo)簽。自適應(yīng)目標(biāo)法設(shè)計損失函數(shù)使得經(jīng)過LSTM調(diào)整參數(shù)后的卡爾曼濾波其輸出新息序列的統(tǒng)計特性盡可能接近零均值的白噪聲這是卡爾曼濾波最優(yōu)的一個條件。這需要將LSTM和卡爾曼濾波作為一個整體進行端到端的梯度訓(xùn)練實現(xiàn)更復(fù)雜。強化學(xué)習(xí)法將調(diào)整Q/R視為一個動作將濾波誤差的負值作為獎勵用強化學(xué)習(xí)來訓(xùn)練LSTM智能體。 本項目為演示清晰采用了仿真環(huán)境下的監(jiān)督學(xué)習(xí)。在實際應(yīng)用時你需要根據(jù)數(shù)據(jù)可得性和問題特點選擇合適的方法。3.3 集成自適應(yīng)卡爾曼濾波將LSTM嵌入循環(huán)現(xiàn)在我們將訓(xùn)練好的LSTM網(wǎng)絡(luò)集成到卡爾曼濾波的主循環(huán)中實現(xiàn)真正的動態(tài)調(diào)整。class AdaptiveKalmanFilterLSTM: 集成了LSTM參數(shù)預(yù)測器的自適應(yīng)卡爾曼濾波器 def __init__(self, F, H, Q_base, R_base, lstm_model, window_size, state_dim4, obs_dim2): 初始化濾波器。 Args: F: 狀態(tài)轉(zhuǎn)移矩陣 H: 觀測矩陣 Q_base: 過程噪聲基協(xié)方差矩陣 R_base: 觀測噪聲基協(xié)方差矩陣 lstm_model: 訓(xùn)練好的LSTM模型PyTorch window_size: LSTM輸入窗口大小 self.F F self.H H self.Q_base Q_base self.R_base R_base self.model lstm_model self.model.eval() # 設(shè)置為評估模式 self.window_size window_size self.state_dim state_dim self.obs_dim obs_dim # 初始狀態(tài)估計和協(xié)方差 self.x np.zeros(state_dim) self.P np.eye(state_dim) # 用于存儲歷史新息供LSTM使用 self.innovation_buffer [] def predict(self, Q_scale): 預(yù)測步驟 self.x self.F self.x self.P self.F self.P self.F.T Q_scale * self.Q_base return self.x.copy() def update(self, z, R_scale): 更新步驟 y z - self.H self.x # 新息 S self.H self.P self.H.T R_scale * self.R_base K self.P self.H.T np.linalg.inv(S) self.x self.x K y self.P (np.eye(self.state_dim) - K self.H) self.P return self.x.copy(), y # 返回估計值和新息 def run(self, observations): 運行整個濾波流程 num_steps len(observations) estimated_states np.zeros((num_steps, self.state_dim)) innovations np.zeros((num_steps, self.obs_dim)) predicted_Q_scale np.zeros(num_steps) predicted_R_scale np.zeros(num_steps) for t in range(num_steps): # 1. 準(zhǔn)備LSTM輸入并預(yù)測噪聲參數(shù) if len(self.innovation_buffer) self.window_size: # 取最近window_size個新息 lstm_input_np np.array(self.innovation_buffer[-self.window_size:]) lstm_input_tensor torch.FloatTensor(lstm_input_np).unsqueeze(0) # shape: (1, window, obs_dim) with torch.no_grad(): scale_factors self.model(lstm_input_tensor).numpy().flatten() q_scale, r_scale scale_factors[0], scale_factors[1] else: # 緩沖區(qū)不足使用默認值如1.0 q_scale, r_scale 1.0, 1.0 predicted_Q_scale[t] q_scale predicted_R_scale[t] r_scale # 2. 卡爾曼濾波預(yù)測步驟使用動態(tài)Q self.predict(q_scale) # 3. 卡爾曼濾波更新步驟使用動態(tài)R estimated_state, innov self.update(observations[t], r_scale) estimated_states[t] estimated_state innovations[t] innov # 4. 將新息加入緩沖區(qū) self.innovation_buffer.append(innov) return estimated_states, innovations, predicted_Q_scale, predicted_R_scale # 初始化濾波器參數(shù) dt 0.1 F np.array([[1, dt, 0, 0], [0, 1, 0, 0], [0, 0, 1, dt], [0, 0, 0, 1]]) H np.array([[1, 0, 0, 0], [0, 0, 1, 0]]) Q_base np.diag([0.1, 0.5, 0.1, 0.5]) R_base np.diag([1.0, 1.0]) # 假設(shè)我們已經(jīng)有了訓(xùn)練好的模型 trained_lstm_model # 這里為了演示我們重新實例化一個并加載假定的權(quán)重實際應(yīng)加載訓(xùn)練好的 trained_lstm_model LSTMParameterPredictor(input_dim2, hidden_dim32, num_layers2, output_dim2, window_size10) # 在實際使用中你需要加載訓(xùn)練好的模型參數(shù)trained_lstm_model.load_state_dict(torch.load(model.pth)) # 創(chuàng)建自適應(yīng)濾波器實例 akf_lstm AdaptiveKalmanFilterLSTM(F, H, Q_base, R_base, trained_lstm_model, window_size10) # 運行濾波器 estimated_states_akf, innovations_akf, Q_scale_pred, R_scale_pred akf_lstm.run(observations)這段代碼是項目的核心。AdaptiveKalmanFilterLSTM類封裝了整個流程。在每一步濾波中它首先用歷史新息詢問LSTM得到當(dāng)前時刻推薦的q_scale和r_scale然后用它們縮放基矩陣Q_base和R_base再進行標(biāo)準(zhǔn)的預(yù)測和更新。這樣就實現(xiàn)了噪聲參數(shù)的動態(tài)調(diào)整。3.4 效果對比與可視化用數(shù)據(jù)說話理論再好也要看實際效果。我們同時運行標(biāo)準(zhǔn)卡爾曼濾波使用固定的、平均的Q和R和我們的LSTM優(yōu)化自適應(yīng)卡爾曼濾波進行對比。class StandardKalmanFilter: 標(biāo)準(zhǔn)卡爾曼濾波器固定Q, R def __init__(self, F, H, Q, R, state_dim4): self.F F self.H H self.Q Q self.R R self.state_dim state_dim self.x np.zeros(state_dim) self.P np.eye(state_dim) def predict(self): self.x self.F self.x self.P self.F self.P self.F.T self.Q def update(self, z): y z - self.H self.x S self.H self.P self.H.T self.R K self.P self.H.T np.linalg.inv(S) self.x self.x K y self.P (np.eye(self.state_dim) - K self.H) self.P return self.x.copy(), y def run(self, observations): num_steps len(observations) estimates np.zeros((num_steps, self.state_dim)) innovs np.zeros((num_steps, 2)) for t, z in enumerate(observations): self.predict() est, inn self.update(z) estimates[t] est innovs[t] inn return estimates, innovs # 標(biāo)準(zhǔn)KF使用固定的Q和R取真實縮放因子的平均值作為先驗知識這已經(jīng)是較優(yōu)情況 Q_fixed np.mean(Q_scale_true) * Q_base R_fixed np.mean(R_scale_true) * R_base print(f固定Q的縮放因子{np.mean(Q_scale_true):.2f}, 固定R的縮放因子{np.mean(R_scale_true):.2f}) skf StandardKalmanFilter(F, H, Q_fixed, R_fixed) estimated_states_skf, innovations_skf skf.run(observations) # 計算誤差 def calculate_rmse(estimates, true_values): 計算位置估計的均方根誤差 pos_estimates estimates[:, [0, 2]] # 提取x, y位置 pos_true true_values[:, [0, 2]] error pos_estimates - pos_true rmse np.sqrt(np.mean(error**2, axis0)) return rmse, np.mean(rmse) rmse_skf, avg_rmse_skf calculate_rmse(estimated_states_skf, true_states) rmse_akf, avg_rmse_akf calculate_rmse(estimated_states_akf, true_states) print(f標(biāo)準(zhǔn)卡爾曼濾波 RMSE (x, y): {rmse_skf}, 平均: {avg_rmse_skf:.4f}) print(fLSTM自適應(yīng)卡爾曼濾波 RMSE (x, y): {rmse_akf}, 平均: {avg_rmse_akf:.4f}) print(f性能提升: {((avg_rmse_skf - avg_rmse_akf) / avg_rmse_skf * 100):.2f}%) # 可視化對比 fig, axes plt.subplots(3, 2, figsize(14, 12)) # 1. 軌跡對比 ax axes[0, 0] ax.plot(true_states[:, 0], true_states[:, 2], k-, label真實軌跡, linewidth2) ax.plot(observations[:, 0], observations[:, 1], g., label觀測值, markersize3, alpha0.6) ax.plot(estimated_states_skf[:, 0], estimated_states_skf[:, 2], b--, label標(biāo)準(zhǔn)KF估計, linewidth1.5) ax.plot(estimated_states_akf[:, 0], estimated_states_akf[:, 2], r-, labelLSTM-KF估計, linewidth1.5) ax.set_xlabel(X 位置) ax.set_ylabel(Y 位置) ax.set_title(軌跡對比圖) ax.legend() ax.grid(True) # 2. X方向位置誤差對比 ax axes[0, 1] error_skf_x estimated_states_skf[:, 0] - true_states[:, 0] error_akf_x estimated_states_akf[:, 0] - true_states[:, 0] ax.plot(time, error_skf_x, b--, label標(biāo)準(zhǔn)KF誤差, linewidth1, alpha0.7) ax.plot(time, error_akf_x, r-, labelLSTM-KF誤差, linewidth1) ax.axvspan(30, 50, alpha0.2, colorgray, label轉(zhuǎn)彎段 (Q變化)) ax.axvspan(60, 80, alpha0.2, coloryellow, label觀測干擾段 (R變化)) ax.set_xlabel(時間 (s)) ax.set_ylabel(X位置誤差) ax.set_title(X方向估計誤差對比) ax.legend() ax.grid(True) # 3. 噪聲縮放因子預(yù)測 vs 真實 ax axes[1, 0] ax.plot(time, Q_scale_true, k-, label真實 Q_scale, linewidth2) ax.plot(time, Q_scale_pred, r--, labelLSTM預(yù)測 Q_scale, linewidth1.5) ax.axvspan(30, 50, alpha0.2, colorgray) ax.set_xlabel(時間 (s)) ax.set_ylabel(Q縮放因子) ax.set_title(過程噪聲縮放因子動態(tài)預(yù)測) ax.legend() ax.grid(True) ax axes[1, 1] ax.plot(time, R_scale_true, k-, label真實 R_scale, linewidth2) ax.plot(time, R_scale_pred, r--, labelLSTM預(yù)測 R_scale, linewidth1.5) ax.axvspan(60, 80, alpha0.2, coloryellow) ax.set_xlabel(時間 (s)) ax.set_ylabel(R縮放因子) ax.set_title(觀測噪聲縮放因子動態(tài)預(yù)測) ax.legend() ax.grid(True) # 4. 新息序列自相關(guān)對比檢查是否接近白噪聲 def plot_innovation_autocorrelation(innovations, title, ax, max_lag50): 繪制新息序列的自相關(guān)函數(shù) from statsmodels.graphics.tsaplots import plot_acf plot_acf(innovations[:, 0], lagsmax_lag, axax, titlef{title} - X新息自相關(guān)) ax.grid(True) plot_innovation_autocorrelation(innovations_skf, 標(biāo)準(zhǔn)KF, axes[2, 0]) plot_innovation_autocorrelation(innovations_akf, LSTM-KF, axes[2, 1]) plt.tight_layout() plt.show()運行這段代碼你會得到一系列對比圖表。理想情況下你會看到軌跡圖LSTM-KF的估計軌跡紅線應(yīng)該比標(biāo)準(zhǔn)KF藍虛線更貼近真實軌跡黑線尤其在轉(zhuǎn)彎和干擾時段。誤差曲線LSTM-KF的誤差曲線紅色的波動幅度和持續(xù)時間應(yīng)小于標(biāo)準(zhǔn)KF藍色特別是在灰色和黃色陰影區(qū)域。噪聲預(yù)測圖LSTM預(yù)測的Q_scale和R_scale紅色虛線應(yīng)該能大致跟蹤真實的變化趨勢黑色實線盡管不可能完全一致。新息自相關(guān)圖最優(yōu)卡爾曼濾波的新息序列應(yīng)該是白噪聲自相關(guān)函數(shù)除了0階外都接近0。LSTM-KF的新息自相關(guān)圖應(yīng)該比標(biāo)準(zhǔn)KF的更接近白噪聲特性這表明其模型和噪聲參數(shù)更匹配實際系統(tǒng)。4. 關(guān)鍵參數(shù)調(diào)優(yōu)與工程實踐要點項目跑通只是第一步要讓算法在實際中穩(wěn)定可靠還需要精細調(diào)優(yōu)。這里分享幾個關(guān)鍵點的實操經(jīng)驗。4.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)與超參數(shù)選擇網(wǎng)絡(luò)結(jié)構(gòu)直接影響其學(xué)習(xí)和泛化能力。我們的模型相對簡單但以下參數(shù)需要仔細調(diào)整輸入窗口大小 (window_size)這決定了LSTM能看到多長的歷史上下文。太小則無法捕捉趨勢太大則可能引入無關(guān)噪聲并增加計算量。建議通過交叉驗證選擇??梢詮囊粋€大概的系統(tǒng)“記憶時間”開始例如如果系統(tǒng)噪聲變化較慢窗口可以大一些如20-50如果變化快窗口小一些如5-10。在我們的例子中10是一個合理的起點。隱藏層維度 (hidden_dim) 和層數(shù) (num_layers)這代表了網(wǎng)絡(luò)的容量。太小的網(wǎng)絡(luò)學(xué)不到復(fù)雜模式太大的網(wǎng)絡(luò)容易過擬合。對于噪聲參數(shù)預(yù)測這種相對簡單的時序映射問題1-2層LSTM隱藏單元在16-64之間通常足夠。建議從較小的網(wǎng)絡(luò)開始如1層32單元如果訓(xùn)練損失居高不下再逐步增加復(fù)雜度。輸出層激活函數(shù)我們使用了Sigmoid將輸出映射到[0.1, 5.0]。這個范圍需要根據(jù)你對Q/R變化幅度的先驗知識來設(shè)定。如果噪聲可能劇烈變化上限可以設(shè)得更高。也可以使用Softplus等保證輸出為正的函數(shù)。訓(xùn)練目標(biāo)與損失函數(shù)我們使用了MSE損失直接擬合真實的縮放因子。在實際數(shù)據(jù)中如果沒有真實標(biāo)簽可以考慮以下替代方案新息協(xié)方差匹配設(shè)計損失函數(shù)使得濾波新息d_t的樣本協(xié)方差與理論協(xié)方差S_t H P_{t|t-1} H^T R_t盡可能接近。這鼓勵LSTM預(yù)測出使濾波器“自洽”的參數(shù)。狀態(tài)估計誤差如果能獲取部分高精度參考狀態(tài)如GPS RTK、激光跟蹤儀數(shù)據(jù)可以直接最小化狀態(tài)估計誤差。但這需要額外的硬件。4.2 卡爾曼濾波初始化與數(shù)值穩(wěn)定性集成系統(tǒng)時濾波器的初始化同樣重要初始狀態(tài) (x0)盡量準(zhǔn)確。如果完全未知可以設(shè)置為0但初始協(xié)方差P0要設(shè)置得很大如1e6 * I表示非常不確定濾波器會快速信任最初的幾次觀測。初始協(xié)方差 (P0)如前所述不確定性大時設(shè)大值。但要注意過大的值在最初幾步更新時可能導(dǎo)致計算問題矩陣病態(tài)。一個穩(wěn)健的做法是設(shè)置一個合理的較大值如diag([100, 10, 100, 10])。數(shù)值計算卡爾曼濾波涉及矩陣求逆inv(S)。當(dāng)S矩陣接近奇異時求逆會不穩(wěn)定。強烈建議使用np.linalg.pinv偽逆或更穩(wěn)健的np.linalg.solve來求解卡爾曼增益K。# 更穩(wěn)健的更新步驟計算K # K self.P self.H.T np.linalg.inv(S) # 傳統(tǒng)方式可能不穩(wěn)定 # 使用求解線性方程組的方式更穩(wěn)定 K np.linalg.solve(S.T, (self.H self.P).T).T協(xié)方差矩陣正定性由于浮點誤差預(yù)測和更新后的協(xié)方差矩陣P可能失去正定性??梢栽诿看胃潞髮ζ溥M行對稱化處理P (P P.T) / 2。更復(fù)雜的情況下可以使用平方根濾波算法如SR-UKF來保證數(shù)值穩(wěn)定性。4.3 實時性考量與部署優(yōu)化在嵌入式系統(tǒng)或高頻率實時應(yīng)用中需要關(guān)注計算效率LSTM推理開銷LSTM的前向傳播需要一定的計算量。如果濾波周期極短如毫米波雷達的1ms可能需要簡化網(wǎng)絡(luò)如使用GRU或更小的MLP或者將LSTM預(yù)測頻率降低如每10個濾波周期預(yù)測一次參數(shù)。序列化與部署訓(xùn)練通常在Python/PyTorch中進行部署環(huán)境可能是C、TensorRT或ONNX Runtime。需要將訓(xùn)練好的模型導(dǎo)出為torch.jit.script或ONNX格式并在目標(biāo)環(huán)境中進行優(yōu)化推理。緩沖區(qū)管理維護一個固定長度的新息緩沖區(qū)innovation_buffer。當(dāng)新數(shù)據(jù)到來時移除最舊的數(shù)據(jù)加入最新的數(shù)據(jù)。使用collections.deque數(shù)據(jù)結(jié)構(gòu)可以高效實現(xiàn)。5. 常見問題排查與實戰(zhàn)技巧在實際集成和調(diào)試中你肯定會遇到各種問題。下面這個表格整理了一些典型癥狀、可能原因和解決思路可以當(dāng)作你的調(diào)試速查手冊。問題現(xiàn)象可能原因排查與解決思路濾波器發(fā)散誤差協(xié)方差P急劇增大1.過程噪聲Q設(shè)置過小濾波器過于信任預(yù)測模型當(dāng)模型誤差大時P會不斷累積。2.觀測噪聲R設(shè)置過大濾波器過于信任預(yù)測不信任觀測無法修正誤差。3.LSTM預(yù)測的Q/R嚴(yán)重偏離實際LSTM輸出異常值如接近0或極大。4.數(shù)值計算不穩(wěn)定矩陣求逆失敗。1. 檢查LSTM輸出的Q_scale/R_scale是否在合理范圍內(nèi)。為輸出層激活函數(shù)設(shè)置上下限如[0.01, 10]。2. 在濾波循環(huán)中加入P矩陣的跡trace或最大特征值監(jiān)控超過閾值則重置濾波器或使用一個較大的固定Q/R。3. 使用數(shù)值穩(wěn)定的卡爾曼增益計算方法如np.linalg.solve。4. 檢查系統(tǒng)模型F和H是否正確。濾波結(jié)果滯后嚴(yán)重1.過程噪聲Q設(shè)置過大濾波器過于信任觀測對預(yù)測的平滑作用弱響應(yīng)快但抗噪差滯后不明顯。反之Q過小會導(dǎo)致滯后。2.LSTM預(yù)測的Q持續(xù)偏小導(dǎo)致濾波器“僵化”跟不上狀態(tài)變化。1. 觀察新息序列d_t。如果新息呈現(xiàn)明顯的自相關(guān)非白噪聲特別是存在趨勢說明模型不匹配或Q太小。調(diào)整LSTM訓(xùn)練目標(biāo)鼓勵其在新息有趨勢時增大Q的預(yù)測值。2. 分析狀態(tài)估計誤差看滯后是發(fā)生在狀態(tài)變化的瞬間還是持續(xù)存在。LSTM預(yù)測值波動劇烈1.訓(xùn)練數(shù)據(jù)不足或噪聲大LSTM學(xué)到了數(shù)據(jù)中的噪聲而非規(guī)律。2.網(wǎng)絡(luò)過擬合在訓(xùn)練集上表現(xiàn)好在新數(shù)據(jù)上亂跳。3.輸入新息序列噪聲過大標(biāo)準(zhǔn)KF本身沒調(diào)好導(dǎo)致輸入LSTM的信號質(zhì)量差。1. 增加訓(xùn)練數(shù)據(jù)量或?qū)τ?xùn)練數(shù)據(jù)進行平滑處理。2. 增加Dropout層、L2正則化或簡化網(wǎng)絡(luò)結(jié)構(gòu)。3.至關(guān)重要先用一個固定參數(shù)但調(diào)校良好的標(biāo)準(zhǔn)KF產(chǎn)生相對“干凈”的新息序列用于訓(xùn)練LSTM。用一個差的KF去訓(xùn)練LSTM只會得到更差的結(jié)果。性能提升不明顯1.系統(tǒng)本身接近線性高斯噪聲統(tǒng)計特性穩(wěn)定固定參數(shù)KF已接近最優(yōu)LSTM無優(yōu)化空間。2.LSTM輸入特征信息量不足僅用新息可能不夠。3.Q/R基矩陣設(shè)置不當(dāng)LSTM只能縮放如果基矩陣的結(jié)構(gòu)非對角線元素不對縮放也無力回天。1. 首先確認問題是否真有“時變噪聲”或“模型失配”。可通過分析標(biāo)準(zhǔn)KF的新息序列是否平穩(wěn)來判斷。2. 考慮為LSTM增加輸入特征如狀態(tài)估計值、時間戳、甚至其他傳感器提供的上下文信息如IMU的角速度判斷是否在轉(zhuǎn)彎。3. 嘗試讓LSTM輸出對Q/R矩陣對角線元素的獨立調(diào)整因子甚至學(xué)習(xí)非對角線元素相關(guān)性但這會大幅增加輸出維度和訓(xùn)練難度。實時運行速度慢1.LSTM模型復(fù)雜。2.Python循環(huán)效率低。1. 網(wǎng)絡(luò)剪枝、量化或改用更輕量模型如TCN、小型MLP。2. 將濾波核心循環(huán)用Numba加速或改用C實現(xiàn)。將LSTM推理批量處理如果允許微小延遲。踩坑實錄在一次無人機定位項目中我們直接使用GPS原始觀測新息訓(xùn)練LSTM結(jié)果濾波器在機動時頻繁發(fā)散。后來發(fā)現(xiàn)GPS原始數(shù)據(jù)跳變很大導(dǎo)致新息序列噪聲極強LSTM無法學(xué)到有效規(guī)律。解決方案是先用一個強魯棒性的濾波器如抗差卡爾曼濾波對GPS數(shù)據(jù)進行預(yù)處理得到一個相對平滑的“偽觀測”序列和對應(yīng)的新息再用這個“干凈”的新息去訓(xùn)練LSTM。這相當(dāng)于讓LSTM在一個更清晰的信號上學(xué)習(xí)效果顯著提升。這個經(jīng)驗告訴我們LSTM的性能上限受限于其輸入信號的質(zhì)量。最后這個項目的代碼框架是通用的。你可以嘗試替換不同的系統(tǒng)模型將勻速CV模型換成勻加速CA或轉(zhuǎn)彎CT模型嘗試不同的LSTM輸入特征如加入控制輸入u或者探索更緊密的融合方式。算法的世界沒有銀彈但這種“傳統(tǒng)模型數(shù)據(jù)驅(qū)動”的思路為解決一類復(fù)雜的工程估計問題提供了強大而靈活的工具箱。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
日日操免费视频| 日韩成人无码| 韩日精品四区| 国产丝袜美女在线一区| 国产91专区| 国产乱码久久| 中文久久爆乳| 2019男人的天堂| 99九九久久| 51一区二区三区| av天堂影视中文在字幕在线中文| 人人操人人爽人人操人人| 无毛精品| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师黑人潮喷一 | 五月天玖玖资源站| 天天舔天天日天天射| 色色色日本| 黄资源| 天天做日日爱夜夜爽| 欧美天天综合在线| 亚州欧美综合| 色香在线| 射丝袜高跟鞋99| 91丨熟女丨丰满熟女| 国产激情综合| 色综合网1| 啪啪综合网| 美女91色黄18| 久久噜| 久插不卡| 免费看污网站| 人人超碰在线观看黄| 男人兔费天堂| 欧洲免费一区二| 能看的AV| 狠狠搞 亚洲91| 五月丁香大香蕉| 天天做日日爱夜夜爽| 国产高清午夜成人在线观看| 亚洲欧美情色| 999久久久国产精品| 亚洲精品97中文字幕| 蜜桃中文字日产乱幕4区| 亚洲五月天激情| 大香蕉五月天| 综合色播| 蜜桃久久综合视频| 美女刺激久久国产欧美| 日本精品一区三区| 性色avv| #NAME?| 大香蕉92| 素人伊尹大香蕉免费下载视频| 亚洲Av噜噜一区二区三区妖精| 久视频在线观看| 精品久久視頻在线| 久久久久密| 亚洲无套久久嗯嗯| 久久久久久久 九九九九九九九| 伊人99热| 日本天堂网| 黑丝日韩av丝袜av| 91大香蕉伊人| 国内偷自视频区视频综合| 亚洲啪啪视频一区二区| 亚洲精品一卡二卡三卡福利视频网站 | 性爱AV天堂| 日韩ab网| 精久久久| 亚洲在线91| 亚洲欧美另类激情小说| 后X久久| 欧美日韩m| 亚洲精品国产精品乱码不卡| 91色宗合| 狠狠操夜夜| 亚洲av综合色区无码一| 色区久久| 亚洲视频一二区| 粉嫩av一区二区三区四季| 91精产一区二区三区| 欧美精品双插| 欧美在线伊人色| 美女露胸露屁股| 最新av在线| 大但人体久久久久| 日韩免费a级毛片无码a∨| 久久久久精| 九九无码视频| 久久久久中出| 青青草女人天天干| 免费黄色片。| 欧美色图在线视频少妇| 在线视频97| 成年女人黄网站| 亚洲AV噜噜狠狠网址蜜桃动漫| 久久性爱大全| 亚洲蜜臀懂色| 神马麻豆福利院| 精品中文字幕第一页| 日韩久久激情精品| 亚洲色图自拍| 日韩精品人妻一| 欧美综合站| 亚洲清纯唯美| 成人av影院在线观看| 吻戏激情性巴克| 精品九九淫乱男| 夜夜欧美 | 加勒比人妻综合| 97香蕉网| 大稥蕉免费视频这里只有精品| 中文久久96| 熟女少妇一区二区三区| 亚洲成人免费中文字幕| 一区中文字幕二区日韩| 日韩精品人妻| 国产三级电影免费观看| av东京热男人的天堂| 噜噜噜在线视频| 欧美后入式| 日韩成人高清一区二区| 欧美有码激情视频一区二区三区| 欧美激情色婷婷花野真衣一区二区| 亚洲丝袜少妇在线| 成人在线视频一区| 国产av色网| 操b在线观看| 中文字幕jul-617人妻熟女| 91亚洲不卡一区| 97国产|免费| 爱av免费| 亚洲春色欧美| 国产免费永久精品无码| 欲综合网| 99re公开精品免费视频| 青青伊人加勒比海| 久久高清欧美国产| 97网站在线观看| 无码日韩网站| 好涩综合| 国产熟女少妇一区| 成人av性爱电影在线观看| 麻豆蜜桃视频在线观看| 84YTCOM性无码| 日本91白丝| 十八禁啪啪视频| 97亚洲国产影视| 香蕉综合网| 久久精品视频久久久| 亚洲国产综合图区中文字幕| 日韩AV一区二区三区三州三州| 91操操操操| 精品.99999| 亚洲欧洲综合成人av一区| 91亚洲不卡一区| 男女猛烈无遮掩视频免费软件| 吉田爱美AV在线| 国产精品点击进入在线影院| 中文字幕第二页| www.久久| 亚洲成人在线高清| 97亚洲自在精品在线观看| 黄色性爱网网| 亚洲天天操| 青青草久久一区网| www色色色com| 久久中文字幕不卡人妻| 午夜福利在线合集| 欧美AB在线观看| 成人性爱AV在线免费观看| 夜夜国产一区| 无码乱人伦中文视频| 天堂亚洲精品| 91麻豆天美国产| 日韩国产乱子伦App| 亚洲图片 欧美电影| 久久婷婷一区二| 啪啪视频亚洲第一| 欧美天天综合网| 色制服丝袜夫妻av一区| 成功精品影院| 中文字幕一区二区三区四区在线视频| 97精品一区二区视频在线观看| 激情六月天| 国产精品午夜福利亚洲综合网| 久久婷婷亚洲欧| 日韩成人综合网| 人人摸.人人色| 超碰在97| 一牛影视久久久一区二区三区| 精品国产人成在线| 日韩免费福利在线观看| 91n欧美| 天天舔天天日天天射| 天天操夜夜操| 五月丁香色情| 极品极品色影院| 99国产精品视频尤物| 国产伊人精品在线| 久久人妻少妇| 青青草日本中文字幕| 日本亚洲熟女视频| 日本免费专区| 无遮挡一级毛片视频免费的| 欧美一二三级精品在线| 啊啊啊好多水| 97超碰中文在线| 精品高清牛人盗摄一区二区三区中文字幕A片免费在线观看 | 1024香蕉视频| 亚洲精品亚洲人成在线麻豆| 欧美爱三级日韩久久| 亚洲色交| 天堂综合网| 国产搭汕a级片| 热G综合热G中文| 久久精品女同亚洲女同13| 中文字幕第23区| 99热这里都是精品| 亚洲天堂男人在线| 日本韩国一本产品小视频日本韩国一本产品久久久产品小视频日本韩国一本产品久 | 欧美疯狂做爰xxxx| 无码日韩人妻av一| 亚洲 国产 精品一区| 亚洲一级性爱视频免费看| 人人看人人插| 欧美日韩在线国产在线| 亚洲最大91网| 天天干天天中出av| 天天热精品| 91狠狠狠| 91综合网| 国产 日韩 欧美高清| 亚洲精品一区二区精品| 性爱边摸边日免费AV| 国产精品自产拍在线观看社区| 九月婷婷综合| 午夜精品久久久久| 最近二区三区视频大全| 手机午夜电影神马久久| 九月丁香综合网| 久久婷婷伊人| 91美女视频在线| 好吊爽好吊爽在线视频,中文字幕精品一区二区日本,国产良妇出轨视频在线观看, | 吊色| 1769成人国产精品视频| 精品久久久久av影院| 国产67194| 国产欧美一区二区| www.91理论| 久久99草| 97亚洲综合| 男女激情黄色网址| 综合国产影视三级| 91色亚洲| 少妇啪啪自拍| 久草久热| 超碰久超碰久| 99久久精品无码一区二区毛片免费| 国产福利小视频高清在线观看| 99熟女| 天天综合网在线| 久久久精品91八戒| 超碰精品在线| 色偷偷综合91久久噜噜| 一级日本牲交大片好爽在线看| 国产18精品亚洲精品| 99青草| 激情文学亚洲| 中日亚韩免费视频| 日本久久久久久久久| 欧美成人综合| 1人人看人人摸人人操| 99re视频在线观看这里只有精品| 欧美91在线+|+欧美| 国产日韩久久| 爆乳免费黄网站| 青青草原av| 一区二区三区黄片免费观看| 男人的天堂欧美| 97在线视频网站| 亚洲四虎熟女精品| julia中文字幕在线观看| 国产精品懂色tv影视免费观看 | 久久久一级| 啊啊啊啊啊好舒服视频| 美国精品国产精品| 91美女视频电影| 国产 亚洲 一二三四| 青青草中文-久久青草精品一区二区三 | 亚洲国产一区二区三区在线| jizz啪啪| av九九| 久久人妻一区二区三区高清| 久久男女激情视频网站| 超碰97极品9| 在线观看黄色电话| chaopen97久久| 久久 国产 无码| 亚洲人在线成线成人| 五月天亚洲色图| 插欧洲美女欧美精品| 国产一区自拍欧美日韩| 欧美夜夜草视频| 中文字幕在线免费观看2| 嗯……啊…嗯嗯…啊…好舒服| 麻豆黄色五月天| 操逼精品视频| 超碰无码加勒比| 亚洲限制级| 久久久久亚洲av综合波多野制衣| 亚洲天堂情色| 日韩丝袜二区| 久久这里只精品| 国产成人+综合亚洲+天堂| 熟女一区二区三区四区| 在线观看综合精品亚洲| julia国产在线| 日韩欧无码一区二区三区免费不卡| 97一区二区三区视频| 91网九色蝌蚪操熟女| 亚洲AV资源| 中文人妻av高清一区| 欧美 亚洲 91| 亚洲国产第一页综合视频| 97在线看| 91中出在线| 亚洲高清色综合| 久久色人体| 久久精品国产AV一区二区三区| 日韩久久超碰色| 日本欧美韩国国产在线| 少妇人妻在线| 丝袜内射| 久久久免费一级黄片| 亚洲欧美校园| 午夜后入| 日韩女优在线| 91动漫操逼视频| 91欧美在线| 九一国产精品| 精品免费1| 欧美激情中文字幕另类小说| 亚洲情欲| com 首页 18岁 禁区 女优 免费 精选 同城 | 久久久久骚| 日操粉逼逼| 亚洲中文字幕在现观看| 久久久草草精品| 青青草自拍视频在线播放| 日韩人妻 中文字幕| 亚洲综合首页| 久午视频| 好一吊区二区| 亚洲涩涩| 九九九久久久| 亚洲性网| 91n欧美| 日本性爱网址| 91精品人妻一区二区三区蜜桃| 亚洲最大91网| 亚洲福利中文字幕在线| 高潮毛片无遮挡高清免费| 狠狠躁伊人中文字幕| 久久久久ab| www.狠狠干.coom| 亚洲一区二区性爱电影| 思思热久久成人| 四虎午夜影院| 亚洲伊人成综合成人网| 91久久久久久久久18| 中文字幕欧洲有码| 亚洲色图第四色| 啊啊啊啊啊好大好舒服想要| 日日黄色三级网站| 国产又大又粗又色生活片亚洲国产精品成人久久久综合免费 | 男人a天堂手机在线版| 天天草天天日| 97日韩欧美| 欧美 亚洲精品首页| 熟女91网| 午夜经典| …亚洲黄色厕厕女女在线播…| 91模特在线观看| 在线五区| 久久久涩| 热热色中文无码| 成人小电影网站tex| 懂色av中文字幕| 97在线播放 | 男人天堂东京热| 好吊色青靑草| 精品国产Av无码久久久亚洲| 一级AV性爱| 午夜福利无毒不卡| 午夜久久无码1000合集| 国产一区二区视频在线播放| 免费A V在线| 午夜大香蕉| 男人兔费天堂| 久久綜合很很很| 久久色一区二区| 青青草成人视频在线观看二区| 欧美A√综合网| 欧美第二页午夜| 欧美韩日精品99综合| 美欧色综合| 精品无码久久久久久久杏吧| 一级日本牲交大片好爽在线看| 国产精品极品美女视频| 在线国产探花| 日本少妇va7777| 欧美日韩一干二干| 2020天天色综合| 啊啊嗯嗯好爽| 亚洲日韩国产欧美综合v| 啪啪一区| 色大香蕉97N| 在线播放欧洲免费av| 一本色道综合久久欧美日韩精品| 亚洲啪啪视频免费| 精品性爱一区二区| 欧美少妇一区二区三区| 男人精品天堂一区| 美女啊啊啊啊啊| 尹人免费观看视频在线| av资源在线观看少妇| 干B视频伊人网| 亚洲日韩黑丝| 亚洲国产一级黄色视频| 5月婷婷6月六月丁香| 操我啊啊啊啊啊| 后入综合久久| 99久久久无码精品国产人| 丰满的三级少妇欧美久久久| 上床不卡网站| 色色九区| 色情综合| 青青草导航在线视频| 午夜舔阴达高潮视频免费看| 欧美顶级黄片AAAAA在线免费看| 久久久艹艹艹| 欧日韩一二三f区| 亚洲国产一区二区入口| 91人妻超碰| 亚洲成人AB| 精品欧美А∨无码黑人大荫蒂 | 粉嫩AV输入| 欧美日韩在线小说 | 把腿张开老子CAO烂你| 懂色AV一区二区三区| 亚洲97网站| 欧亚性爱在线视频| 精品国产一区二区三区久久久蜜臀| 97精品视频在线| 成人av影院在线观看| 欧美日韩情色一区二区| 天天综合网~91| 日本中文字幕在线电影| 青青青艹在线视频| 欧美激情另类一区二区| 操美女人妻| 国语精品av| 午夜欧美女人操逼| 大香伊人在线一区| 欧州激情视频在线一区二区| 三级精品三级在线观看| 98一区二区精品| 麻豆精品三区视频| 欧美色图亚洲色| 色五月综合| 91超碰丝袜制服| 国产69精品久久久久99尤物| 东北操逼| 国产成人bd在线观看| 日本孕妇孕交| 亚洲色图欧美视频| 日本亚洲嫩草影院啪啪| 久久xxxx| 97精品视频| 国产精品对白内射| 国产精品干干干| 麻豆国产成人精品| 玖玖玖玖精品国产剧情| 一级免费精品| 亚洲,欧美,春色,另类| 人妻久久一区二区三区| 97欧美精品综合| 人人人摸人人| 91 综合 色| 精品伊人久久久大香线蕉小说| 破处bbq| 综合色色网| 精品午夜福利| 精品国产72| 国产小黄片在线免费观看| 久久久精品九| 久久免费老司机精品| 欧美熟妇成人一区二区| 免费97视频| 翔田千里av一区二区三区| 2017天天操| www.99热在线只有精品| 91爆操视频| 密臀在线一区尤物| 日韩精品第3页| 欧美v亚洲v日韩v最新在线二区| 欧色网址| 亚洲精品1区| 日本女人操逼| 日产操逼| 青青草中日韩在线| 欧美久久草熟女| 久久天天艹| 亚洲成人在线资源| 欲色影视综合吧| 国产中文精品一区二区在线观看| 性欧美第一页| 黄色不卡视频| 久久婷婷亚洲| 黑白配性爱AV成| xxx亚洲午夜天堂| 乱伦av国产| 老司机福利青青草| 国偷自 一区| 加勒比无码一区二区三区| 强奸乱伦AV网址| 男人的天堂com| 熟女自慰久久久| 大香蕉AV在线| 日本精品无码三级网站| 韩日欧亚a级| 玖玖综合色| 日韩激情中文字幕有码| 亚洲欧美日韩制服另类| 天天日天天干天天摸天天操| 综合色拍| 影音综合网| 日韩一级片| 国产无马视频| 四虎午夜影院| 97这里只有精品| 日欧毛片久久| 国产精品视频电影| 91亚州日韩高清| 日亚韩精品视频二区三| 国产高清精品一区二区三区毛片| 亚洲成人激情小说视频| 亚洲三级。日韩三级| 国产外初女出血视频| 久久超碰、| 黑丝内射一区二区三区| 久久亚洲人妻| 99re热有精品视频国产| 狠狠爱大香蕉| 无码久久亚洲高清,| 东北女人性交| 97色欧洲| 加勒比性爱成人在线| 91美乳| 日本伦理一区二区| 男人天堂站| 人妻精品4K4K4K4K4| 97久久精品亚洲| 97在线精品| 久久草大香蕉| 任你艹| 国产亚州精品美女久久久免费| 天天色,天天干,天天干| 3d成人精品一区二区| 亚洲制服aⅴ中文字幕| 日韩欧美操逼xxx| 日本视频在线中文字幕| 亚洲啪啪视频免费| 黄片qw| 性色av蜜臀av色欲aV| AV天堂国产| 日小BB小视频| 伊人欧美大香蕉视频| 久久久麻豆精品| 大香蕉97久久| 久久丁香五月婷婷| 亚洲在线a| 综合 亚洲 欧美| 91性色| 日产操逼| 永久免费观看的毛片的网站| 84YTCOM性无码| 男人的天堂在线2| 久久久影院| 99久久久| 爽爽淫人网| 欧美激情久操网| 免费1级a做爰片观看| 亚洲素人综合| 黄页av| 18禁无码永久免费无限制| 免费一级性爱久久| 色欲久久综合| 久九九九九九九热| 91欧美综合在线| 日本亚洲嫩草影院啪啪| 欧州一区二区三区四区| 美女一区二区国产精品| 婷色五月天| 日韩国产十八禁| 蜜臀99久久精品久久久久久| 国产v亚洲v日韩v欧美v片另类| 一本大道不卡一二三区| 国产激情综合五月久久| 亚洲精品天天影视综合网 | 91久久国产综合久久| 色九九九| 久久久久久中文| 91久久免费视频互動交流 | 欧美后入式| 97在线免费观看视频| 日韩不卡a级视频专区| 大香蕉伊利av| 精品制服美女中文一区二区三区| 国产亚洲色停停久久99精品91| 顶级丝袜熟女一区二区三区 | 欧美色图97| 国产精品九九九| 亚洲砖码砖专无区2023| 三上制服丝AV| 国产精品诱惑| 亚洲中文字幕网| 超碰夫妻97| 嗯嗯啊啊好爽| 男人天堂一区二区| 碰人碰碰人人开房人肉| 国产精品爱欲| 少妇被玩视频二三区| 欧美后入式| www.久久最新地址| 国产农村妇女精品1区二区| 男同专区一区二区三区在线| 女人喷水视频在线观看| 亚洲97P| 日语五十路和六十路亚洲国产精品| 亚洲欧洲网站免费观看| 久久人妻无码毛片A片麻豆| 尤物av网站免费在线播放| 五月婷婷六月色| 久久亚洲一区女同性恋中文字幕| 国产精品无套内谢| 亚洲熟女乱色一区二区三区久久久 | 中文字幕后石码三区四区| 天天操夜夜嗨| 涩涩久久精品| 99久久久无码精品国产人| 欧洲乱码视频| 国产精品亚洲色婷婷久久久| 超碰在线人妻不卡| 亚洲中文字幕在线视频一区二区| 亚洲天堂电影精品一区| 五十路一区无码| 久久小视频| 亚欧成人一级片在线播放| 久久婷五月| 啊啊啊啊无码| 91色碰| 日韩日本欧美在线观看| 国产精品91ai| 操B视频日韩无码| 性性欧美| 色香色欲天天综合网天天来吧| 男人天堂 天天射| 日韩乱伦视频| 78操B| 裸体女人草逼视频播放一区,二区,三区,四区,五区 | 欧美激情视频一区二区三区不卡| 亚洲欧美另类图片| 婷婷亚洲五月***久久| 97国产精品久久久久| 很很热性爱视频| 青青草一区二区高清无码视频| 亚洲图片偷拍视频区| 97天天操| 亚洲熟妇无码一区二区三区| 蜜乳Av成人片网站| 欧美洲精品一级| www九九热| 亚洲欧美天堂| 精品国产国产AV| AV无码久久久精品| 日本媚薬中文字幕在线| 亚洲激情 欧美色图| 逼操网站| 国产一二三在线视频五十路| 久久精品一区| 亚洲色诱惑| 亚洲学生妹高清av| 2001天天操| 久干9操| 另类欧美色| av东京热男人的天堂| 91粉嫩萝控精品福利网站_精品影音先锋国 | 黄色成品网站| 国产 日韩 欧美 中文 另类,国产 欧美 另类 制服 变态,高清 日韩 欧美 中文,高 | 亚洲αv一区二区三区| 啊啊在线| 欧美综合制服在线| 国产一级片| xxxx网站亚洲精品| 日本不卡一二区| 六月婷婷一区二区三区| 尹人大香蕉视频在线| 日韩中文字幕视频| 欧美色视| 久久视频少妇美女| 中文字幕在线观看AV| 人人摸人人干人人拍97| yw尤物av无码点击进入麻豆| 国产日韩中文字幕欧美| AV天堂丝袜| 中国国国产一级特黄毛片| 97啪啪| 中国和日本人色哪个不下载能放| 亚洲自拍另类丝袜综合| 嗯啊不要在线观看嗯啊| 这里只有精品视频在线观看麻豆| 日韩精品在线视频,日韩精品……| 国产精品色| 欧美大码在线视频| 色婷婷六月| 色久桃花影院在线观看| 影视综合无码少妇| 国产极品粉嫩馒头一线天av| 韩国一级婬片A片AAAAA| 国产强奸乱伦欧美| 久久五月视频| 欧美熟妇人体| 亚洲日韩一区电影| 99久久婷婷国产综合精品草原| 亚洲,日韩,欧美,成人播放| 香蕉欧美| 中文字幕三四五区| 国产女主播视频在线观看| 久色99999| 九九英色视频| 天天碰操中国年青熟妇| 嗯啊免费视频| 亚洲欧洲美腿丝袜| 亚洲av在线免费观看| 99婷婷| 性做久久久久久久| 天天色播亚洲综合网站| 人人摸人人摸人人干| 96国产精品| 超碰人人干天天射| 人妻夜爽夜夜爽| 国产搭汕a级片| 亚洲猛交| 久久综合97| 色臀AV| 国产成年女黄特黄| 操国产高清| 国产亚洲深夜激情| 欧美日韩不卡a片| 亚洲va有码在线天堂| 大学生口爆吞精| a一区二区三区乱码在线| 天天操夜夜操狠很操| 逼操网站| 爱媛媛久久国产福利| 911粉嫩人妻| 丁香五月天视频| 一色网男人的天堂| 久久精品免视看国产成人﹣蜜臀av一区. 久久精品免视看国产成人,蜜臀av一区 | BBBBB97COM| 欧美激情一区| 蜜臀AV秘一区翔田千里| 欧美精品成人在线播放| 亚洲四虎熟女精品| 2021国产成人精品久久| 欧美片第一页| 免费试看60秒| 国产精品第一区第一页| 成人97人人超碰人人| 91色黑人少妇| 国产精品com| 天美传媒麻豆一区二区三区国产精| 97超碰欧美中文字幕| 国内外内射高清视频| 熟妇的味道HD中文字幕| 久久一区二区三区入口| 97精品国产97久久久久久免费| 嗯嗯啊啊亚欧精品| 欧美亚洲清纯| 精品国产乱码久久久久久蜜臀| 人人人摸人人| 竹菊影视国产一区二区| 中文字幕一区 二 区 三 四 五 区日 日 骚| 欧美激情亚洲色图| 欧美精品,四区。五区| 人妻第一页| 人妻一二三区| 婷婷综合网| 亚洲天堂另类美腿| 中文字幕视频免费| 婷婷五月天色网| 中文字幕日韩精品久久| 日本色色的视频| 青青草吊丝| 亚洲素人综合| 色综合天天| 天美麻豆精品视频99| 亚洲 无码 有码 中文字幕| 亚洲欧美人妻| 亚洲欧洲另类| 亚洲中文电影| 乱伦强奸区日韩| 爆操无码| 午夜福利在线合集| 亚洲在线| 成人欧美一区二区三区黑人一| 男女性无套 免费九一| 亚洲欧美一区二区三区一猛片| 天天看天天综合成人网| 国产精品午夜福利| 精品毛片av一区二区| 嗯嗯嗯啊啊啊在线免费观看| 影音资源男人日韩| 国产精品亚洲无码| 亚洲熟妇丝袜在线观看| 综合久久2017| 欧美人人AAA| 另类专区加勒比| 国产亚洲精品激情| 1区2区3区中文字幕日韩| 夜夜爽夜夜爽| 精品国产少妇高潮视频| 国产精品一区在线播放| 中文字幕精品资源在线| 欧美中文狠| 大屁股人妻女教师撅着屁股| 夜夜爽爽爽| 国产一区二区在线播放| www.色综合| 97久久久网站| 久久这里只精品99re66图| 麻豆区久久久久亚| 一区二区视频在线播放| 伊人视频| 极品美女福利在线观看| 韩国嫰模上门援交视频| 岛国视频一二三区| 亚拍在线| 操逼片中文| 亚洲欧美天| 国产男女无套视频免费观看| 久久99久久99精品天美传媒棢·纸:. | 欧美综合在线91| 极品欧美一区二区三区| 国精综合一二三区影视| 黄片免费视频2019| 免费看国产大AB| 日本免费专区| A 在线网址| 亚州成人A√| 第四色奇米影视777| 91久久18禁| 欧美,日韩,亚洲视频| 久久九操在线观看| 亚洲男人天堂2013| 天天综合精品| 色情综合| 久久久久久999| 国产成人精品必看| 操婷婷逼| 欧美91色| 91狠婷| 岛国1区2区3区在线观看| 人人爽夜夜操| 黄片免费日韩| 91oumei| 欧美热图99| 91黑丝露脚| 久久午夜鲁丝片| 中文字幕人乱码中文字的预防方法| 熟女色综合久久| 日本幼女18+| 中美日韩毛片| 一级黄色性爱A级片| 日韩内| 亚洲男人的天堂一区二区| 丰满人妻无码一区二区三区| 丝袜美腿操av| 欧美se亚洲| 中国少妇XXXX做受| 91 丝袜在线播放| 天天看高清麻豆| 999国产精品999| 久久亚洲国产成人| 91撸色网 玖玖网 欧美| 强奸乱伦Av网| WWW.操逼.COM| 十八禁电影伊人网| 日韩99神马视频播放片在线播放| 久操网址| 亚洲色人| 丰满欧美放荡少妇在线| 嗯啊啊啊轻点视频 | 国产毛片精品一区二区色欲黄A片| 亚洲一区中文精品| 伊人嫩草| 日韩啪啪啪视频| 成人短视频在线观看| 日韩无码a片| 国产传媒一区二区三区| 一区二区三区四区在线不卡| 一区二区三区 丝袜 高跟 美腿| 日韩中文字幕在线视频观看| 日本淫乱女一区二区三区视频| 欧美综合自拍亚洲综合图| 激情亚洲天堂| 中文字幕一区av| 日本欧美国内在线| 久久久亚洲Av| 国产成人 综合亚洲 天堂| 大香蕉淫人| 香蕉国产97| 人妻黑丝袜电影| 四虎免费看黄| 国产精品一区二区在钱播放| 九九热精品| 欧美操人| 国产一区二区视频在线播放| 一,爱啪啪,在线免费视频| 亚洲 欧美 日韩 国产一区二区| 极品色综合| 人人澡人人澡人人| 亚欧美综合| 日本中文字幕一区| 人人妻人人色| 啊操爽品善一区二区三区| 欧美熟妇色| 伊人亚洲国产一成人久久精品,久久| 久热99999| 欧美亚洲激情小说| 丁香五月天婷婷姐| 五月天色综合| 密臀在线免费观看| 久久专区| 久久精品老司| 97色诱| 亚洲免费精品一区| 色性荡荡荡荡视频| 欲色综合| 97 国产一区| 97干色天堂| 欧洲乱码视频| 激情婷婷丁香| 色五月亚洲| 内射卯月麻衣| 2000亚洲男人天堂| 激情综合av| 嗯嗯啊啊视频一区二区三区| 97超碰天天| 北京美女一区二区| 情色五月天网| 豆1无夜无码| 激情四射婷婷六月天| 97超碰中文字幕| 热热色综合网| 精品人妻一区二区三区不卡断 | 伊人天堂在线| 欧美激情 日韩精品| 日本欧美色| 啊嗯嗯啊好大好爽| 欧美se综合| 一区二区高清视频| 国产大陆天天艹| 色丁香五月婷婷| 久7色| 久久99草| 久久久久久久久9| 中文操逼字幕| 久草国产在线视频| 99亚洲天堂| 欧美精品久久96人妻无码| 欧美综合 站| 国产精品网址| 久久免费99精品久久久久久| 岛国片在线观看视频亚洲| 青青操97| 蜜臀久久精品久久久久视频| 大奶的诱惑| 日韩欧美午夜一区二区| 99久re热视频精品98| 精品国产嫩穴视频| 亚洲高清在线se| 国产精品白领在线观看| 天天搞在线综合网| 久久久一热在线播放| 欧美影音在线| 91精品综合久久久久久五月丁香| 91精品成人| 亚洲精品97p| 久综合国内精品自在自线| 蜜乳AV色欲AVAV无码| 日夜久久久九九九久| 夜夜骑日日| 人妻一区二区三区四区视频| 国产人妻天天干精品| 亚洲天天艹| 啊啊啊啊啊啊啊在线| 欧洲在线性爱视频| 日本三级中国三级99人妇网站| 天天日日本| 午夜精品久久久久久久久久久久久 | 成人一级性爱| 亚洲成人碰碰| 久久九九热| 国产又色又粗又黄又爽| 校园春色之综合网| 清纯唯美激情| 手机在线人成免费视频| 97色欧州| 白嫩少妇| 口爆综合网| 激情婷婷黑人91| 欧美一级久久久久久久大片动画 | 精品日日人妻| 男人的天堂一区三区| 亚洲激情久久| 久操视频在线| 人人人人插| 国产精品久久久蜜臀| 国产一国产一级毛片古装| 五月天综合网| 二级毛片| av日韩在线观看电影| 大香蕉在线免| 自拍偷拍草一草| 日韩/97| 人人操人人色网| 情色日播放AV| 激情文学亚洲| 99色天堂| 国产熟女一区二区| 91黑人无码激情在线| 亚洲素人综合| 日本韩欧美在线播放a| 国产精品亚洲日韩骚欢乐谷最新地址发布页huanieguty性屋娱乐妖精视频 | 国产免费永久精品无码| 青青草华人在线欧美在线| 亚洲av淫乱| 天天躁狠狠躁av| 亚洲一区二区中文字幕| 中出后入| 亚洲欧洲国产综合av| 后入综合久久| 熟女乱伦二区| 九九九精品美女| 丁香五月天激情综合| 超碰九7| 少妇毛片久久| 国产精品无码成人精品| 色偷偷色偷偷欧美日韩| 多毛小伙内射老太婆| 欧美日韩夜夜| 亚洲精品国产拍免费91在线| 国产精品秘 福利姬在线观看| 蜜桃臀久久| 超97在线精品视频| 蜜桃视频啊啊啊啊| 激情无码日韩| 麻豆一区二区AV天美| 久久精品欧美一区蜜桃| 又大又大又大又粗爽高潮观看| 色女99一级片在线观看| 色色香蕉| 久久久久久无码人妻中文字幕| 男人的天堂啪啪| 国产亚洲深夜激情| 国产青青美女玩逼视频| 天天干天天狼在线视频| 人人操人人精品影片| 五月黑AⅤ| 在线a v| 超碰人人干天天射| 天色综合网| 国产成人在线观看综合| 久久高潮妇女视频| 中文字幕久久精视频久久大全| 丰满人妻一区二区三区大胸懂色| yazhououmeizongya| 色噜噜国产在线| 青青操狠狠撩| 国产97亚洲| 色眯眯av| 狠狠干狠狠色| 一级@啪啪视频| 国产美女自拍视频| 欧美精品91| 五月天激情婷婷| 日本性爱欧美性爱| 亚洲成人在线乱码色午夜| 91天堂视频| 1024香蕉视频| 国产亚洲中文不卡二区| 亚洲久久久久| 丁香7月婷婷| 四虎永久在线精品免费网址| 亚洲最大的综合性av| 欧美人与动性人交a| 9997se| 好好的日:com久久九九| 99性爱| 久久直播国产| 一级片视频啪啪| 麻豆av一区二区| 丝袜亚洲91| 美腿色图| 91国产精品在线看| 啊啊啊啊啊啊好湿好爽视频| 色五月婷婷中文字幕| 污污汅18禁网站在线永久免费观看 | 国产成人AV麻豆| 偷拍网站久久男女男| 色婷婷电影网| 人人爱人人操人人性| 91午夜无码| 午夜人人操| 好吊色综合| 亚洲Av诱惑| 蜜桃传媒视频第一区入口在线看| 精品国产一区二区三区久久久蜜臀 | 国产高清免费不卡av| 久久久久亚洲熟妇熟女| 91熟女丨91老女人| 青娱乐 青青青操 日逼| 国产在线观看一区二区三区| 日韩丝袜二区| 免费啪啪啪网站18岁| 91久久免费视频互動交流| 欧洲久久一二线| 欧美狠狠狠| 蜜臀AV一区二区三区| 嗯嗯嗯啊啊在线观看| 人妻无码久久一区二区三区免费| 日韩中文字幕熟妇人妻| 久操B网| 人人色97| 在线观看十八禁| 偷拍欧美激情| 日韩一级二级| 亚洲一区中文字幕久久,果冻传媒一区二区天美传媒 | 亚洲日韩欧美一区二区| 成人黄页| 天天影视网色欲色香| 在线97在线| 日本精品免费一区二区三区四区| 麻豆AV短剧| 伊人色综合欧美| 97频视在线| 中文字幕二区|