一种基于点云近邻点密度的人机协调空间判断方法和装置 专利技术说明

五金工具产品及配附件制造技术1.本发明实施例康复机器人运动学技术领域，特别涉及一种基于点云近邻点密度的人机协调空间判断方法和装置。背景技术：2.人体的上肢拥有较强的操作能力和较为复杂的协调能力，能够完成抓、放、推、拉等一系列的动作及动作组合，是人类整体运动能力的重要组成。随着人口老龄化的加速及寿命的延长，四肢肌力衰退、心血管疾病等导致的肢体残疾的患者数量越来越多，现有技术中，对肢体残疾的有效治疗方法是通过运动实现对受损神经及肌肉的康复，进而实现对肢体的康复。但是由于上肢的关节整体构成较为复杂，对于上肢的康复则需要长期细致、重复的康复训练来达到治疗此类疾病的效果。近些年，伴随着机器人硬件、控制技术的快速发展，和此类疾病的专业医疗康复护理人员的紧缺，康复机器人逐渐成为了解决目前这一问题的重要解决方案。3.在大多数情况下，机器人都是与患者身体相连，并在同一工作空间内与患者紧密合作，因此，对于康复机器人人机交互的安全性也是一项关键问题。康复机器人作为一种康复训练的器材，如果控制不安全，就可能对康复者造成训练损伤，造成二次伤害，这种事情在近些年发生了很多起，机器人人机交互的安全性问题已经成为学术界及产业界的研究热点。目前，部分外骨骼式上肢康复机器人在设计之初会仿真康复机器人的工作空间及人类上肢的工作空间之间的映射关系，从而在机械结构设计上保证其整体的适应性及安全性。但是，部分康复机器人，尤其是牵引式康复机器人，因其拥有更高的适应性，所以很难从机械结构设计结构的角度去提高人机交互的安全按行，保证机器人的末端运动点在安全的人机协调空间内进行康复训练，这使得康复者在使用康复机器人进行主动式或介导式的康复训练时，存在着很大的安全隐患。现有技术中，康复机器人在控制层面上同样也没有对机器人末端运动点进行空间范围判断的相关方法，者致使牵引式机器人的机器交互安全性存在很大的隐患，阻碍了此类康复机器人的发展和应用。4.对于人机协调空间的判断，可以等效于双机械臂协同空间的范围判断问题，常见的计算方法是通过数值逆运动学法或几何逆运动学法对双臂进行分别求解实现双臂协同空间的界定，但是传统的逆运动学解法常受限于机械臂自由度的数量，逆运动学求解的速度以及易出现奇异解的问题，因此有部分研究者应用了一些优化算法，以改进传统逆运动学解法所存在的缺陷。但是此类方法，在判断机器人末端运动点是否处在人机协调空间内时，因其计算速度较慢，且存在错误结果，所以不符合空间快速判断的安全控制系统的实时性要求。5.因此，亟需一种能够快速、准确判断上肢康复机器人末端运动点所处人机协调空间的相对空间范围的方法，为安全控制提供运动学基础。技术实现要素：6.本发明实施方式的目的在于提供一种基于点云近邻点密度的人机协调空间判断方法和装置，以根据不同体型康复者，精确、快速确定上肢康复机器人人机协调空间的范围，为康复机器人的安全控制提供运动学基础，从而在控制层面提高上肢康复机器人的安全性。7.为解决上述技术问题，本发明的实施方式提供了一种基于点云近邻点密度的人机协调空间判断方法，具体包括：根据深度相机建立人体上肢模型，建立康复机器人模型；根据人体上肢模型和康复机器人模型，利用蒙特卡洛方法生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云；对第一点云和第二点云进行滤波，得到密度均匀分布且大小一致的第三点云和第四点云；根据康复对象基坐标系和康复机器人空间坐标系，混合第三点云和第四点云得到点云密度梯度变化的第五合成点云；基于k近邻算法计算第三点云、第四点云和第五合成点云中各点的相对密度；在计算第三点云、第四点云和第五合成点云中分别代入运动输入点，利用k近邻算法分别查找运动输入点在第三点云、第四点云和第五合成点云中的近邻点第一近邻点、第二近邻点和第三近邻点，分别获取第一近邻点、第二近邻点和第三近邻点的相对密度第一相对密度、第二相对密度和第三相对密度；根据第一相对密度、第二相对密度和第三相对密度判断运动输入点是否在人机协调空间内。8.优选的，基于k近邻算法计算第三点云、第四点云和第五合成点云中各点的相对密度，具体包括：遍历第三点云、第四点云和第五合成点云中每一点，根据k近邻算法搜索当前点的相邻点，以当前点和最近相邻点的距离的倒数作为当前点的相对密度。9.优选的，对于待计算点云中的一点p，p表示当前点，q表示p所在的待计算点云中其他任一点，n为待计算点云中的数据量，用dis(p,q)表示点p与点q之间的距离，用dp表示点p与待计算点云中其他点的最小距离，则当前点的相对密度：。10.优选的，根据第一相对密度、第二相对密度和第三相对密度判断运动输入点是否在人机协调空间内，具体包括：若第三相对密度大于第二相对密度，则代表运动输入点在人机协调空间内，否则判定运动输入点不在人机协调空间内。11.优选的，利用体素中心滤波器对第一点云和第二点云进行滤波，具体包括：根据第一点云和第二点云分别计算其对应的最小包围盒边长；基于八叉树结构，分别构建第一点云和第二点云的三维体素栅格；分别遍历第一点云和第二点云中的非空体素，根据非空体素的行列层数计算非空体素的中心，得到密度均匀且大小一致的第三点云和第四点云。12.优选的，根据非空体素的行列层数计算非空体素的中心，具体包括：用每个体素的中心点来近似表达体素内所有其他的点，对于非空体素内的任一点，根据其所在体素的行row、列col、层数lay以及计算得到的其所在体素的坐标最小值xmin、ymin、zmin，计算所在体素的中心为ccenter(xcenter,ycenter,zcenter)为：，其中，r为设定的体素边长。13.优选的，生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云，具体包括：根据人体上肢模型求解得人体上肢正运动学方程，人体上肢模型具体为人体上肢dh参数；根据康复机器人模型求解得到康复机器人的正运动学方程，康复机器人模型为康复机器人的dh参数；分别在人体上肢和康复机器人的各个关节上下限中随机取值进行遍历；将人体上肢关节的随机值代入到人体上肢正运动学方程中，将康复机器人关节的随机值代入到康复机器人的正运动学方程中，求得上肢的位置坐标点集合和康复机器人末端的位置坐标点集合。14.优选的，在人体上肢和康复机器人的各个关节上下限中随机取值进行遍历，具体包括：，gp,limb为人体上肢的第p个关节角度取到的随机值，gq,robot为康复机器人的第q个关节角度取到的随机值，gp,min表示第p个关节的角度最小值，gq,min表示第q个关节的角度最小值， gp,max表示第p个关节的角度最大值，gq,max表示第q个关节的角度最大值，rand随机取0~1间的随机数。15.优选的，根据深度相机建立人体上肢模型，具体包括：对深度相机与康复机器人进行手眼标定，得到像素坐标系与康复机器人坐标系之间的坐标转化关系，深度相机用来捕捉人体上肢的关节坐标；利用深度相机多次拍摄康复者上肢，获取康复者的人体上肢的关节数据及三维坐标，计算得到人体上肢肩胛带、肱骨和前臂的长度；获取康复者的上肢简化后的运动链，根据人体上肢肩胛带、肱骨和前臂的长度以及人体上肢关节极限运动范围，得到简化后的人体上肢dh参数。16.本发明还提供一种基于点云近邻点密度的人机协调空间判断装置，包括：建模模块，用于根据深度相机建立人体上肢模型，建立康复机器人模型；17.点云生成模块，用于根据人体上肢模型和康复机器人模型，利用蒙特卡洛方法生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云；18.滤波模块，用于对第一点云和第二点云进行滤波，得到密度均匀分布且大小一致的第三点云和第四点云；19.合成模块，用于根据康复对象基坐标系和康复机器人空间坐标系，混合第三点云和第四点云得到点云密度梯度变化的第五合成点云；20.密度计算模块，用于基于k近邻算法计算第三点云、第四点云和第五合成点云中各点的相对密度；21.查找判断模块，用于在计算第三点云、第四点云和第五合成点云中分别代入运动输入点，利用k近邻算法分别查找运动输入点在第三点云、第四点云和第五合成点云中的近邻点第一近邻点、第二近邻点和第三近邻点，分别获取第一近邻点、第二近邻点和第三近邻点的相对密度第一相对密度、第二相对密度和第三相对密度；根据第一相对密度、第二相对密度和第三相对密度判断运动输入点是否在人机协调空间内。22.本发明实施方式相对于现有技术而言，本发明提供的基于点云近邻点密度的人机协调空间判断方法和装置，借助点云在空间范围内对人体上肢结构层面确定人机协调空间的范围，提高了人机协调空间范围的求解速度和求解精度，从而提高了康复机器人操作安全性，满足当前康复训练的要求。直接利用人机协调空间点云密度的变化特点，根据相对密度数值大小快速判断运动输入点是否在人机协调空间内，利用点云的属性信息进行人机协调空间范围的定位，避免在三维空间中采用复杂的算法进行位置分析和判断，整个判断过程运算量小、判断速度快。另一方面，本发明能够根据不同体型康复者，建立与之对应的人体上肢模型，从而获得与之对应的准确的人机协调空间，为康复机器人的安全控制提供运动学基础，从而帮助开发人员从控制层面提高上肢康复机器人的安全性。23.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。附图说明24.一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。25.图1为本发明基于点云近邻点密度的人机协调空间判断方法的流程图；图2为本发明各工作空间结构示意图；图3为本发明各工作空间仿真示意图；图4为本发明的各坐标系示意图；图5为深度相机捕捉的关节坐标点对应人体实际关节示意图；图6为人体关节和康复机器人关节示意图；图7为体素滤波前第一点云示意图；图8为第一点云体素滤波后的第三点云示意图；图9为体素滤波前第二点云示意图；图10为第二点云体素滤波后第四点云示意图；图11为第五合成点云示意图；图12为第五合成点云中各点相对密度大小示意图；图13为运动输入点和近邻点空间位置关系示意图；图14为本发明实施例提供的一种基于点云近邻点密度的人机协调空间判断装置结构示意图。实施方式26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。27.本发明的第一实施方式涉及一种基于点云近邻点密度的人机协调空间判断方法，方法流程图如图1所示，本实施例康复机器人选用基于遨博i5开发的六轴牵引式康复机器人，深度相机型号为微软kinect v2，康复对象选择身高175cm的成年男性。康复机器人在未采用本发明提供的人机协调空间判断方法进行主动式康复任务时，无法快速、准确获得人机协调空间的范围，进而无法对运动输入点是否在上肢的活动空间内进行快速判断，存在助力范围超出人体上肢工作空间的情况，给康复者带来了很大的安全隐患。如图2、图3所示，本发明的工作空间包括机械臂工作空间、人体上肢工作空间，二者的交叉空间为人机协调空间，图2为工作空间结构示意图，图3为工作空间仿真示意图。28.根据深度相机建立人体上肢模型，建立康复机器人模型。29.人体上肢模型具体为人体上肢dh参数，康复机器人模型为康复机器人的dh参数，可通过查询康复机器人工作手册获取。30.根据深度相机建立人体上肢模型具体包括：对深度相机与康复机器人进行手眼标定，得到像素坐标系与康复机器人坐标系之间的坐标转化关系，深度相机用来捕捉人体上肢的关节坐标；各坐标系如图4所示，系统内其他局部坐标系相对相机坐标系{c}，x0y0z0，的位姿描述分别为：康复机器人基坐标系，，机械臂末端基坐标系，，以及康复对象基坐标系，。31.利用深度相机多次拍摄康复者上肢，获取康复者的人体上肢的关节数据及三维坐标，计算得到人体上肢肩胛带、肱骨和前臂的长度；如图5所示，人体上肢的关节数据具体包括脊柱肩胛骨关节、肩关节、肘关节、腕关节和手心的坐标:脊柱肩胛骨关节的坐标j1(i1,j1,k1)，肩关节的坐标j2(i2,j2,k2)，肘关节的坐标j3(i3,j3,k3)，腕关节的坐标j4(i4,j4,k4)，手心的坐标j5(i5,j5,k5)，计算出人体上肢肩胛带长度ls、肱骨长度lu、前臂长度lf以及手腕到手心的长度lh:32.获取康复者的上肢简化后的运动链，根据人体上肢肩胛带、肱骨和前臂的长度以及人体上肢关节极限运动范围，得到简化后的人体上肢dh参数。33.获取康复者的上肢简化后的运动链，具体包括：忽略人体上肢肘关节内旋/外旋自由度，及移动关节，得到上肢简化后的运动链。基于深度相机捕捉到的人体关节，只能够对应到人体上肢关节中的几个转动关节，无法对移动关节进行捕捉，因此通过忽略上述信息，获得与上肢运动相关的、简化后的运动链。34.根据上肢简化后的运动链，获取人体上肢和康复机器人的各关节的上、下限值，人体上肢和康复机器人关节位置如图6所示。人体上肢的各关节角度上、下限值分别为：{g1,max=0°, g2,max=0°, g3,max=-10°, g4,max=-60°, g5,max=-60°, g6,max=0°, g7,max=0°}{g1,min=0°, g2,min=0°, g3,min=170°, g4,min=170°, g5,min=90°, g6,min=90°, g7,min=0°}，其中，{gn,max|n=1,2,3,…,f}、{gm,min|m=1,2,3,…,f}分别表示第n个关节的角度上限值和第m个关节的角度下限值。35.由于关节、肌肉存在个体差异，不同患者的上肢空间结构各不相同，采用统一的人体结构模型进行主动式康复训练，容易因人体结构模型和实际患者的上肢空间存在偏差而导致操作过程中对患者造成二次伤害，极大降低了安全控制的精度，降低了操作的安全性。本发明实施例提供的方法中，利用深度相机建立人体上肢结构模型，提高了系统的适应性。36.根据人体上肢模型和康复机器人模型，利用蒙特卡洛方法生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云。37.具体来说，在人体上肢和康复机器人各关节运动范围内进行随机取值遍历，根据人体上肢模型、康复机器人模型求解正运动学方程，根据随机值和正运动学方程计算出在关节随机取值后人体上肢末端和康复机器人末端的坐标位置，生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云。38.进一步的，生成第一点云和第二点云具体包括：根据人体上肢模型求解得人体上肢正运动学方程：;其中g的下角标表示第n个关节，g1-g7分别表示关节1-7的生物学角度：g1表示人体胸锁关节1，g2表示人体胸锁关节2，g3表示人体肩关节1，g4表示人体肩关节2，g5表示人体肩关节3，g6表示人体肘关节，g7表示人体腕关节，为变换矩阵，表示变换矩阵，其分别是人体上肢对应关节的生物学角度的函数；根据康复机器人模型求解得到康复机器人的正运动学方程：;f表示康复机器人的自由度，f=1,2,3,…,7，gf表示第f个关节的生物学角度，表示第f个关节的变换矩阵，变换矩阵是第f个关节的生物学角度的函数，为变换矩阵。39.分别在人体上肢和康复机器人的各个关节角度上下限中随机取值进行遍历：，gp,limb为人体上肢的第p个关节角度取到的随机值，gq,robot为康复机器人的第q个关节角度取到的随机值，gp,min表示第p个关节的角度最小值，gq,min表示第q个关节的角度最小值，gp,max表示第p个关节的角度最大值，gq,max表示第q个关节的角度最大值，rand随机取0~1间的随机数。40.将获得的人体上肢关节的随机值代入到人体上肢正运动学方程中，将获得的康复机器人关节的随机值代入到康复机器人的正运动学方程中，求得上肢的位置坐标点集合和康复机器人末端的位置坐标点集合。41.位置坐标点集合构成了工作空间点云，即人体上肢工作空间的第一点云pi,limb和机械臂工作空间的第二点云pi,robot：，其中，ilimb、irobot分别为第一点云的数据量和第二点云的数据量，ilimb=irobot。42.生成第一点云和第二点云后，对第一点云和第二点云进行滤波，得到密度均匀分布且大小一致的第三点云和第四点云。43.滤波借助体素中心滤波器实现，第三点云为第一点云滤波后的数据，第四点云为第二点云滤波后的数据，如图7-10所示。对第一点云和第二点云进行滤波具体包括：根据第一点云和第二点云分别计算其对应的最小包围盒边长。44.最小包围盒边长计算方式为：求取点云坐标集合中x、y、z三个坐标轴的极大值xmax、ymax、zmax与极小值xmin、ymin、zmin的差值计算出最小包围盒的各边边长lx、ly、lz；45.基于八叉树结构，分别构建第一点云和第二点云的三维体素栅格。46.具体来说，第一点云和第二点云的体素小栅格的边长相等，rlimb=rrobot，以此来保证后续输出的两组点云的密度一致。47.分别遍历第一点云和第二点云中的非空体素，根据非空体素的行列层数计算非空体素的中心，得到密度均匀且大小一致的第三点云和第四点云。48.具体来说，对于非空体素内的任一点，根据其所在体素的行列层数(row,col,lay)以及计算得到的其所在体素的坐标最小值xmin、ymin、zmin，求得所在体素的中心为ccenter(xcenter,ycenter,zcenter)为：，其中，r为设定的体素边长。49.分别遍历第一点云和第二点云中的所有非空体素，用每个体素的中心点来近似表达体素内所有其他的点，最终得到密度均匀且大小一致的第三点云pk,limb和第四点云pk,robot，klimb、krobot分别为第三点云和第四点云的数据量。[0050][0051]根据康复对象基坐标系和康复机器人空间坐标系，混合第三点云和第四点云得到点云密度梯度变化的第五合成点云。[0052]分别根据康复对象基坐标系{g}与相机坐标系{c}的位姿关系和康复机器人基坐标{b}与相机坐标系{g}的位姿关系对两组点云的所有点进行坐标平移，得到点云密度梯度变化的第五合成点云。如图11所示，第五合成点云中密度大的部分点云为人机协调空间。[0053]基于k近邻算法计算第三点云、第四点云和第五合成点云中各点的相对密度。[0054]遍历第三点云、第四点云和第五合成点云中每一点，根据k近邻算法搜索当前点的相邻点，以当前点和最近相邻点的距离的倒数作为当前点的相对密度。具体来说，对于待计算点云中的一点p，p表示当前点，q表示p所在的待计算点云中其他任一点，n为待计算点云中的数据量，用dis(p,q)表示点p与点q之间的距离，用dp表示点p与待计算点云中其他点的最小距离，则当前点的相对密度：。[0055]在均匀分布的点云中dp为定值，即点云内所有点相对密度ρ都可以用同一大小的1/dp来表示；在第五合成点云中，dp越大，点云的相对密度ρ越小；dp越小，点云的相对密度ρ越大，如图12所示，图中各点的颜色深浅即表示第五合成点云中各点相对密度的大小。[0056]在计算第三点云、第四点云和第五合成点云中分别代入运动输入点，利用k近邻算法分别查找运动输入点在第三点云、第四点云和第五合成点云中的近邻点第一近邻点、第二近邻点和第三近邻点，分别获取第一近邻点、第二近邻点和第三近邻点的相对密度第一相对密度、第二相对密度和第三相对密度。[0057]对康复机器人末端实时运动坐标进行采样，获得运动输入点的三维坐标，运动输入点的坐标为s输入(xs,ys,zs)，利用k近邻算法分别查找运动输入点在第三点云、第四点云和第五合成点云中的近邻点第一近邻点、第二近邻点和第三近邻点，在一个点云中，在运动输入点搜索到近邻点，二者空间位置关系如图13所示。根据计算得到的相对密度获得第一相对密度ρs,limb、第二相对密度ρs,robot和第三相对密度ρs,combine，其中，由于第三点云和第四点云的密度相等，ρs,limb=ρs,robot。[0058]根据第一相对密度、第二相对密度和第三相对密度判断运动输入点是否在人机协调空间内。[0059]若第三相对密度大于第二相对密度，即ρs,combine》ρs,robot，则代表运动输入点在人机协调空间内，否则判定运动输入点不在人机协调空间内。[0060]本专利提供了一种基于点云近邻点密度的人机协调空间判断方法，直接利用人机协调空间点云密度的变化特点，直接根据相对密度数值大小快速判断运动输入点是否在人机协调空间内，避免在三维空间中采用复杂的算法进行位置分析和判断，整个判断过程运算量小、判断速度快、定位精度高。另一方面，本发明能够根据不同体型康复者，建立与之对应的人体上肢模型，从而获得与之对应的准确的人机协调空间，提高了系统的适应性，为康复机器人的安全控制提供运动学基础。[0061]本发明实施例二还提供一种基于点云近邻点密度的人机协调空间判断装置，如图14所示，包括：建模模块，用于根据深度相机建立人体上肢模型，建立康复机器人模型；[0062]点云生成模块，用于根据人体上肢模型和康复机器人模型，利用蒙特卡洛方法生成人体上肢工作空间的第一点云和康复机器人机械臂工作空间的第二点云；[0063]滤波模块，用于对第一点云和第二点云进行滤波，得到密度均匀分布且大小一致的第三点云和第四点云；[0064]合成模块，用于根据康复对象基坐标系和康复机器人空间坐标系，将第三点云和第四点云导入中间坐标系中，得到点云密度梯度变化的第五合成点云；[0065]密度计算模块，用于基于k近邻算法计算第三点云、第四点云和第五合成点云中各点的相对密度；[0066]查找判断模块，用于在计算第三点云、第四点云和第五合成点云中分别代入运动输入点，利用k近邻算法分别查找运动输入点在第三点云、第四点云和第五合成点云中的近邻点第一近邻点、第二近邻点和第三近邻点，分别获取第一近邻点、第二近邻点和第三近邻点的相对密度第一相对密度、第二相对密度和第三相对密度；根据第一相对密度、第二相对密度和第三相对密度判断运动输入点是否在人机协调空间内。[0067]不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。[0068]值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。[0069]本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!