自动驾驶框架 UniAD环境部署

已于 2024-04-27 19:21:00 修改
阅读量6.3k 收藏 101
点赞数 26
分类专栏： BEV环视感知 文章标签： 自动驾驶 人工智能 机器学习 目标检测
于 2024-04-27 18:58:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/h904798869/article/details/138255214
版权

统一自动驾驶框架 (UniAD) ，第一个将全栈驾驶任务整合到一个深度神经网络中的框架，并可以发挥每个子任务以及各个模块的优势，以执行安全的规划。

细节可参考UniAD-源论文地址
在这里插入图片描述

1 环境配置

  • 基础环境ubuntu-20.04、cuda-11.3、torch-1.10.0、python3.8

  • 建议小白和不想折腾的童鞋直接抄作业, 不要只抄90分，都抄了,为啥不直接抄100分, 不要不好意思^_^

  • 配环境和运行报错可以先看1.2小节错误汇总

1.1 环境安装

ubuntu 下 显卡驱动-cuda-cudnn-conda-TensorRT 安装及其配置参考链接

mmcv-full==1.3.16-1.7.2whl下载
mmcv-full==1.4.7-1.7.2whl下载

# 1 创建虚拟环境
conda create -n uniAD python=3.8 -y
# 2 激活虚拟环境
conda activate uniAD

# 3 安装 torch、torchvision、torchaudio
## 安装torch1.11.0以下版本的,不然运行uniAD会报错, 详情见1.2小节
pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 torchaudio==0.10.0 --extra-index-url https://download.pytorch.org/whl/cu113

# 4 安装mmcv-full、mmdet、mmsegmentation
## 4.1 安装mmcv-full，pip在线安装耗时久,建议按4.2采用离线安装 
pip install mmcv-full==1.4.0

## 4.2 离线安装mmcv-full 本节开头有mmcv-full==1.3.16-1.7.2whl下载地址，找到1.4.0进行下载后安装， 注意python版本
pip install mmcv_full-1.4.0-cp38-cp38-manylinux1_x86_64.whl


## 4.3 安装mmdet、mmsegmentation
pip install mmdet==2.14.0 mmsegmentation==0.14.1

# 5 安装scipy、scikit-image
pip install scipy==1.8.0 scikit-image==0.20.0

# 6 下载UniAD
## 6.1
git clone https://github.com/OpenDriveLab/UniAD.git
## 6.2 国内可使用魔法下载
git clone https://mirror.ghproxy.com/https://github.com/OpenDriveLab/UniAD.git

# 7 下载mmdetection3d
## 7.1 进入UniAD目录
cd UniAD
## 7.2 UniAD目录下， 下载mmdetection3d-v0.17.1版本
## 下载失败可加魔法https://mirror.ghproxy.com/， 格式如6.2
git clone https://github.com/open-mmlab/mmdetection3d.git -b v0.17.1

## 7.3 进入安装
cd mmdetection3d
## 7.4 安装mmdetection3d, 耗时比较久
pip install -v -e .

# 8 安装UniAD其他依赖
## 8.1  进入UniAD目录， 因为刚刚在mmdetection3d目录直接cd ..即可
cd ..
## 8.2 安装UniAD依赖
pip install -r requirements.txt

# 9 更新其他依赖
pip install numpy==1.23.4 yapf==0.40.1
## 更新numpy版本可能会报错与mmdetection3d冲突，可忽略该错误

1.2 错误汇总

# 1 报错 1 fatal error: THC/THC.h: No such file or directory
 mmdet3d/ops/ball_query/src/ball_query.cpp:4:10: fatal error: THC/THC.h: No such file or directory 4 | #include <THC/THC.h>
# 报错的原因是THC方法目前在最新版本的 Pytorch 中已被弃用，并被 ATen API 取代，因此在高版本的Pytorch（版本在1.11.0及以上）编译安装mmdet3d的时候就会遇到无法找到THC/THC.h的报错。
# 修改方法1：
将#include <THC/THC.h>全部替换成下面2句即可, 使用vscode全局搜索
#include <ATen/cuda/CUDAContext.h> 
#include <ATen/cuda/CUDAEvent.h>

# 修改方法2 ：安装小于torch1.11.0即可, 本人使用的方法2, 方法1请自行验证
安装torch=1.10.0即可

# 2 报错2 docker环境中：ImportError: libGL.so.1: cannot open shared object file: No such file or directory
# 安装ffmpeg即可
apt-get install ffmpeg -y

# 3 报错3 ModuleNotFoundError: No module named 'numpy.typing'
# 解决方法：更改numpy版本                    
pip install numpy==1.23.4

# 4 报错4 TypeError: FormatCode() got an unexpected keyword argument 'verify'
# 更新yapf版本即可
pip install yapf==0.40.1

# 5 报错5 FileNotFoundError: [Errno 2] No such file or directory: 'data/nuscenes/maps/expansion/boston-seaport.json'
重新去nuscenes官网下载Map expansion即可,然后解压放入/nuscenes/maps/目录下

# 6 报错6 OSError: ckpts/bevformer_r101_dcn_24ep.pth is not a checkpoint file
官方github-安装教程中下载权重即可

# 7 报错7 FileNotFoundError: img file does not exist: data/nuscenes/./data/nuscenes/samples/CAM_FRONT/n015-2018-11-21-19-38-26+0800__CAM_FRONT__1542800382862460.jpg
## 解决方法：路径不对，修改如下
projects/mmdet3d_plugin/datasets/pipelines/loading.py 48行注释掉

# 8 报错8 RuntimeError: CUDA out of memory. Tried to allocate 2.12 GiB (GPU 0; 47.49 GiB total capacity; 39.66 GiB already allocated; 1.94 GiB free; 41.65 GiB reserved in total by PyTorch)
# 训练到第2个周期，显存爆了，48G不够用, 
# 解决方法：老板加钱, 贫民就别折磨自己了

# 9 报错9 运行代码时报错ModuleNotFoundError: No module named 'projects'
# 解决方法：同一个终端中先运行下面代码, 然后重新执行你需要运行的代码
export PYTHONPATH=$PYTHONPATH:"./"

import sys
sys.path.append("./")

2 数据集准备

准备数据参考

准备权重参考

2.1 生成数据集

pkl文件可以在准备数据参考链接自己下载，也可以直接运行脚本生成pkl文件。

nuscenes-mini数据集官方下载参考Fast-BEV代码复现实践第2.1节下载数据集篇

# 1 官方直接提供数据集nuscenes.pkl文件下载
cd UniAD/data
mkdir infos && cd infos
# train_infos
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0/nuscenes_infos_temporal_train.pkl 
 # val_infos
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0/nuscenes_infos_temporal_val.pkl 

# 2 使用nuscenes数据集生成pkl文件
./tools/uniad_create_data.sh

# 本人使用nuscenes-mini生成pkl文件
python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/infos --extra-tag nuscenes --version v1.0-mini --canbus ./data/nuscenes

# 3 准备motion_anchor
cd UniAD/data
mkdir others && cd others
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0/motion_anchor_infos_mode6.pkl

2.2 下载权重

# 代理https://mirror.ghproxy.com/
# 1. 创建ckpts目录
mkdir ckpts && cd ckpts

# 2. 下载预训练权重
# Also the initial state of training stage1 model
wget https://github.com/zhiqi-li/storage/releases/download/v1.0/bevformer_r101_dcn_24ep.pth

# 3. Pretrained weights of stage1 model (perception part of UniAD)
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0/uniad_base_track_map.pth

# 4. Pretrained weights of stage2 model (fully functional UniAD)
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0.1/uniad_base_e2e.pth

2.3 数据集、权重目录结构

nuscenes-mini生成的数据目录data如下, 权重目录ckpts如下

nuscenes-full全部数据集可能生成目录结构与下不同, 可参考准备数据参考

UniAD
├── projects/
├── tools/
├── ckpts/
│   ├── bevformer_r101_dcn_24ep.pth
│   ├── uniad_base_track_map.pth
│   ├── uniad_base_e2e.pth
data
├── infos
│   ├── nuscenes_infos_temporal_train.pkl
│   ├── nuscenes_infos_temporal_train_mono3d.coco.json
│   ├── nuscenes_infos_temporal_val.pkl
│   └── nuscenes_infos_temporal_val_mono3d.coco.json
├── nuscenes
│   ├── can_bus
│   ├── maps
│   ├── samples
│   ├── sweeps
│   ├── v1.0-mini
├──  others
│   └── motion_anchor_infos_mode6.pkl
├── ...

3 运行

# 1 修改配置
## 测试环境是否正常时，由于该模型占用显存比较大，先把/projects/configs/stage1_track_map/base_track_map.py与./projects/configs/stage2_e2e/base_e2e.py中的samples_per_gpu与workers_per_gpu两个参数设为1进行测试
samples_per_gpu=1
workers_per_gpu=1
## 正常训练时, 可以根据显存大小进行调整, 逐渐增大, 直到显存拉满 

# 2 训练
## 2.1 脚本运行 
### 脚本命令最后的1指使用了1个gpu，因为本人的只有一张卡, 所以给1
./tools/uniad_dist_train.sh ./projects/configs/stage1_track_map/base_track_map.py 1

## 2.2 不适用脚本
python ./tools/train.py ./projects/configs/stage1_track_map/base_track_map.py  --gpus 1
## 训练完成生成结果保存到./work_dirs目录下

# 3 验证
./tools/uniad_dist_eval.sh ./projects/configs/stage1_track_map/base_track_map.py /PATH/TO/YOUR/CKPT.pth N_GPUS

# 第一阶段, 不带轨迹
./tools/uniad_dist_eval.sh ./projects/configs/stage1_track_map/base_track_map.py ./ckpts/uniad_base_track_map.pth 1
## KeyError: 'traj'1阶段运行可视化有bug, 没有traj这个参数, 直接进行2阶段可视化

# 第二阶段， 带轨迹
./tools/uniad_dist_eval.sh ./projects/configs/stage2_e2e/base_e2e.py ./ckpts/uniad_base_e2e.pth 1
## 运行后生成结果默认保存到output与test目录下，可视化结果需要output目录下results.pkl文件

# 4 可视化
## 采用2阶段的生成results.pkl的结果进行可视化
./tools/analysis_tools/visualize/run.py --predroot output/results.pkl --out_folder ./vis-dir --demo_video test_demo.avi --project_to_cam True
# 运行完成后生成可视化结果保存./vis-dir目录, 显示如下

在这里插入图片描述

在这里插入图片描述

自动驾驶---基于视觉语言模型的自动驾驶
智能汽车人的博客
04-27 743
VLM-AD是一种通过利用视觉语言模型（VLM）作为辅助 “教师” 来增强端到端自动驾驶模型的新方法。通过包含非结构化推理文本和结构化动作标签的针对性问题来整合基于 VLM 的标注信息，在训练过程中加入了额外的推理和动作监督，丰富了训练内容。在 nuScenes 数据集上显著提高了规划的准确性，并降低了碰撞率，同时通过动作预测使其输出轨迹具有可解释性。重要的是，VLM-AD 在推理过程中不需要视觉语言模型（VLM），这使得它能够即插即用地应用于现实场景的部署中，而无需额外的推理成本。
端到端自动驾驶主要玩家
自动驾驶实战
08-12 1335
2024年5月20日，小鹏汽车举办AIDay发布会，董事长、CEO何小鹏宣布端到端大模型上车。小鹏的端到端大模型有三个组成部分：神经网络XNet+控大模型XPlanner+大语言模型XBrain。小鹏汽车在发布会上表示，端到端大模型上车后，18个月内小鹏智能驾驶能力将提高30倍，每2天内部将做次智驾模型的送代。2024年4月24日，华为智能汽车解决方案发布会上，华为发布了以智能驾驶为核心的全新智能汽车解决方案品牌一一乾崑，并发布了并发布了ADS3.0。乾崑ADS3.0的技术架构，感知部分采用GOD（Gene
自动驾驶端到端模型UniAD代码详解-感知部分
weixin_43915081的博客
03-09 1296
UniAD作为端到端自动驾驶的开创性模型，具有不错的学习意义，学习1个模型，相当于以前的5个模型（track, map, motion prediction, occ, plan）^ v ^，以前也看过UniAD的代码，今天抽时间又把它回顾总结一下，作为记录，希望对大家也能有所帮助。
autodl部署复现UniAD--使用nuscenes v1.0-mini
cxzzjw的博客
12-08 1957
由于本人目前在研究端到端自动驾驶，不过算力有限，因此打算在autodl上部署复现一下经典的UniAD，但是踩了许多坑。特此写下来记录一下（与官方文档不同的部分用红色标出），也方便大家复现，少走弯路。
UniAD：自动驾驶的统一架构 - 创新与挑战并存
数据与算法架构提升之路专栏
04-11 903
UniAD代表了自动驾驶架构设计的一次重要尝试，它打破了传统模块化系统的边界，探索了更紧密集成的可能性。从学术角度看，UniAD在nuScenes等基准测试上的出色表现证明了这种方法的潜力。然而，从工程实现角度来看，UniAD距离量产应用仍有相当距离。
自动驾驶大模型算法助力端到端顺利落地
小明师兄的博客
08-08 1513
FSD效果惊艳，Robotaxi迈向现实 2024年3月FSD V12.3推出，解决复杂场景能力大幅提升，驾驶体验平顺丝滑拟人化程度高。FSD开始从“测试版”晋级为“监督版”，并面向所有北美车主免费试用30天。随后马斯克在社交媒体上表示将在8月8日推出Robotaxi功能，自动驾驶即将真正带来汽车商业模式的变革。FSDV12是一个端到端算法，对算力和数据需求激增，马斯克表示到2024年底将累计投入100亿美金在算力和数据领域，到2024年底总算力规模有望突
端到端自动驾驶落地挑战与驱动力
自动驾驶实战
08-14 1175
大部分行业专家表示，特斯拉FSD v12的优秀表现，是端到端自动驾驶这一技术路线快速形成大范围共识的最重要的推动力；而在此之前，从来没有一个自动驾驶产品可以让从业者和用户如此便捷地感受到技术带来的体验提升。由第三方网站FSDTracker统计的特斯拉车辆接管里程数据也表明了FSD v12的巨大性能提升。在此前很长一段时间，FSD的版本迭代处于瓶颈期，自2022年初FSD v10更新以来，其接管里程数据保持在稳态波动，行业普遍认为这是传统架构的工程优化陷入瓶颈的表现；
UniAD解读
ioir123juuki的博客
06-17 2913
引入了统一自动驾驶（UniAD），这是一个最新的综合框架，它将全栈驾驶任务集成在一个网络中。任务通过统一的查询接口进行沟通，以便于彼此进行规划。
UniAD本地测试（使用docker搭建训练环境）
Aitotra的博客
10-16 2153
在docker中构建环境，测试端到段自动驾驶算法UniAD
UniAD 项目安装和配置指南
gitblog_09384的博客
09-13 786
UniAD 项目安装和配置指南 UniAD [CVPR 2023 Best Paper] Planning-oriented Autonomous Driving 项目地址: https://gitcode.com/gh_mirr...
UniAD_面向规划的自动驾驶
真诚的灰灰的博客
08-18 5576
现代自动驾驶系统以顺序执行的模块化任务为特点，即感知、预测和规划。为了执行多样化的任务并达到高级智能水平，当代方法要么为每个单独任务部署独立模型，要么设计具有不同分支的多任务模型。然而，这些方法可能会遇到累积误差或任务协调不足的问题。相反，我们认为应该设计并优化一个有利的框架，以实现最终目标，即自动驾驶汽车的规划。为此，我们重新审视了感知和预测中的关键组件，并优先考虑任务，以确保所有这些任务都能促进规划。我们提出了统一自动驾驶（UniAD），这是一个集成了全栈驾驶任务的全面框架。它精心设计，
自动驾驶统一框架UniAD
weixin_38257276的博客
06-22 1153
论文地址：https://arxiv.org/pdf/2212.10156.pdf论文代码：https://github.com/OpenDriveLab/UniAD 当前自动驾驶主要有两种模型训练方案：（1）一个任务一个模型，这种方法性能一般会更好，如Fig.(a)（2）多任务网络，通过共享backbone，添加多个预测头实现多个任务，这种方法会节省计算资源，如Fig.(b)，但是可能会受到累积错误（我的理解是比如跟踪的稳定性与目标检测的准确性是有关系的）或者任务之间的干扰影响（任务与任务之间），因此作者
从代码层面熟悉UniAD，开始学习了解端到端整体架构
lovely_yoshino的博客
07-25 5023
最近端到端已经是越来越火了，以为代表的很多工作不断地在不断刷新端到端的指标，比如最近又重新刷新了所有任务的指标。在端到端火热起来之前，成熟的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，从而导致模块间信息丢失和错误累积。相比之下，端到端范式将多任务统一到一个完全可微分的框架中，从而允许以规划为导向进行优化。当然对于刚刚开始熟悉这一行的人来说，最简单也最值得接触的就是UniAD这各项目，这里最近受到优刻得的使用邀请，正好解决了我在大模型和自动驾驶行业对GPU的使用需求。
自动驾驶汽车框架文件.pdf
08-19
自动驾驶汽车框架文件框架文件的提出，自动驾驶汽车的安全性和相关原则，框架文件中对“系统安全”、“失效保护响应”、“人机交互界面/操作者信息”以及“事件数据记录和数据存储”、“消费者教育培训”、“碰撞后自动驾驶汽车行为”等十多项内容进行了定义
自动驾驶系统架构设计
01-03
这篇英文ppt主要介绍了自动驾驶系统架构的设计包括逻辑架构、功能架构、网络架构和线控架构等等。
快速入门：自动驾驶感知工程师的规划与决策核心技巧
2401_85233349的博客
07-10 3220
规划。
【自动驾驶端到端2：UniAD: Planning-oriented Autonomous Driving】
weixin_40000560的博客
03-23 1012
上海人工智实验室提出了自动驾驶通用算法框架——Unified Autonomous Driving（UniAD）。，在 nuScenes 数据集下的所有相关任务都达到 SOTA 性能，。UniAD多个共享BEV 特征的Transformer 网络首次将跟踪，建图，轨迹预测，占据栅格预测统一到一起， 并且使用的Planner 作为一个最终的目标输出，同时使用Plan 结果作为整体训练的loss 来源。虽然整体称为端到端，但是各个模块直接确实有着明显的界限和区隔，并非一个整体黑盒网络。
【自动驾驶】UniAD代码解析
聿默的博客
10-07 695
论文：代码：
端到端 - UniAD: Planning-oriented Autonomous Driving - 以规划为导向的自动驾驶（CVPR 2023）
77wpa的博客
08-23 2224
现代自动驾驶系统的特点是按顺序执行模块化任务，即感知、预测和规划。为了执行各种各样的任务并实现高级智能，当代方法要么为单个任务部署独立模型，要么设计一个具有独立头部的多任务范式。然而，他们可能会出现累积错误或任务协调不足。相反，我们认为应该设计并优化一个有利的框架，以实现最终目标，即自动驾驶汽车的规划。为此，我们重新审视了感知和预测中的关键组成部分，并对任务进行了优先级排序，以便所有这些任务都有助于规划。
ubuntu20.04下uniad复现
最新发布
04-25
### 安装和配置 UniAD 项目的步骤 为了成功在 Ubuntu 20.04 下复现 UniAD 项目，需要完成以下几个方面的准备工作： #### 1. 更新系统并安装必要的依赖项 确保系统的软件包是最新的，并安装一些基础工具。可以运行以下命令更新系统并安装基本开发工具： ```bash sudo apt update && sudo apt upgrade -y sudo apt install build-essential cmake git wget unzip pkg-config -y ``` 这些工具对于编译 C++ 库以及下载代码非常必要[^1]。 --- #### 2. 配置 Python 环境 UniAD 可能基于特定版本的 Python 和 PyTorch 运行。建议创建虚拟环境以隔离依赖项。以下是具体操作方法： ```bash sudo apt install python3-pip python3-venv -y python3 -m venv uniad_env source uniad_env/bin/activate pip install --upgrade pip setuptools wheel ``` 激活虚拟环境后，可以根据 UniAD 的需求安装所需的库。通常情况下，`requirements.txt` 文件会列出所有必需的依赖项。如果文件存在，则可以通过以下方式安装它们： ```bash pip install -r requirements.txt ``` 需要注意的是，Python 版本应与 UniAD 所需的版本一致。推荐使用 `python3.8` 或更高版本[^2]。 --- #### 3. 安装 CUDA 和 cuDNN 由于 UniAD 使用深度学习框架（如 PyTorch），因此可能需要 GPU 支持。安装 CUDA 和 cuDNN 是关键一步。以下是常见步骤： ##### (a) 卸载旧版 NVIDIA 驱动程序 如果有旧版驱动程序，先卸载它们： ```bash sudo apt-get purge nvidia* ``` ##### (b) 添加 NVIDIA PPA 并安装最新驱动程序 ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-<version> ``` 替换 `<version>` 为适合当前硬件的最佳驱动版本号。例如，NVIDIA 推荐的稳定版本可能是 `nvidia-driver-525`。 重启计算机使更改生效： ```bash sudo reboot ``` ##### (c) 安装 CUDA 工具包 根据 UniAD 文档中的要求选择合适的 CUDA 版本。假设需要 CUDA 11.7，则执行以下命令： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt update sudo apt install cuda-11-7 ``` 验证安装是否成功： ```bash nvcc --version ``` ##### (d) 设置环境变量 编辑 `.bashrc` 文件以添加 CUDA 到 PATH 中： ```bash echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` ##### (e) 安装 cuDNN cuDNN 提供优化后的深度神经网络计算支持。可以从 NVIDIA 开发者网站下载对应版本的 cuDNN 压缩包，并解压到 `/usr/local/cuda-11.7/` 目录下。 --- #### 4. 安装 OpenCV OpenCV 是许多视觉处理任务的基础库，在某些场景中可能会被用到。可以直接通过 APT 安装预构建版本： ```bash sudo apt install libopencv-dev python3-opencv -y ``` 这将自动安装 OpenCV 及其 Python 绑定[^1]。 --- #### 5. 克隆 UniAD 仓库并初始化子模块 从 GitHub 或其他托管平台克隆 UniAD 项目代码： ```bash git clone https://github.com/<username>/uniad.git cd uniad git submodule update --init --recursive ``` --- #### 6. 编译 MMDetection 或其他扩展组件 部分深度学习模型可能依赖于自定义算子或扩展组件。例如，MMDetection 是常用的检测框架之一。按照官方文档说明进行编译即可： ```bash pip install mmdet # 如果需要重新编译 mmcv-full，请运行以下命令 MMCV_WITH_OPS=1 pip install mmcv-full ``` --- #### 7. 测试环境配置 启动 Jupyter Notebook 或终端脚本来测试环境是否正常工作。尝试加载一个简单的模型推理流程，观察是否有任何错误提示。 --- ### 注意事项 - **版本一致性**：确保使用的 CUDA、cuDNN 和 PyTorch 版本完全匹配。不兼容可能导致无法加载 GPU 设备。 - **日志分析**：遇到问题时仔细阅读报错信息，并查阅相关日志文件定位根本原因。 - **备份数据**：在修改系统设置前做好重要数据的备份以防意外丢失。 ---
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

全网最菜的Slamer

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值