55、三指欠驱动机器人夹爪的设计与分析

三指欠驱动机器人夹爪的设计与分析

1. 现有夹爪设计概述

在机器人夹爪设计领域,众多研究者提出了不同类型的设计方案:
- 特定功能夹爪 :
- 陈等人开发了具有拟人特征的新型下颌夹爪,能对不同表面材料的圆柱形装配物体施加特定力,并在高速运动中精确定位或转动。
- 原田等人提出了一种具有两种形状自适应机制的组合结构夹爪,包括颗粒干涉机制和单线驱动多指机制,可保持抓取物体的位置和姿态不变。
- 许等人设计了带有平行执行器的智能自锁欠驱动装置,通过差动齿轮调节夹爪和制动器之间的动力分配,达到所需抓取力时触发锁定。
- 聂等人结合使用曲柄滑块机构进行精确定位的内夹爪和使用平行四杆连杆进行稳定夹紧的外夹爪,为定位和抓取物体提供了低成本解决方案,但局限于抓取圆柱形物体和带圆柱孔的物体。
- 孙等人使用基于X形连杆的差动机构和两个跷跷板设计了单执行器四指自适应夹爪,无需任何传感器即可有效抓取不规则形状的扁平物体。
- 软材料夹爪 :一些研究者将软材料融入夹爪设计,利用其独特材料特性提高自适应抓取性能。例如,杨等人受海葵形状和运动启发,开发了具有多个柔性臂的软夹爪,以适应各种目标尺寸;阿基利等人使用热塑性聚氨酯等软材料设计了模块化结构,提高对物体形状和尺寸的适应性。然而,软材料夹爪存在刚性不足、负载能力低和抓取稳定性差等缺点。

基于上述需求,提出了一种新型三指自适应夹爪的设计,该夹爪具有一个主动输入和三个被动输出,采用SITO柔性差动机构,三个手指相对于差动机构并联连接,运动互不干扰,可实现自适应抓取,同时利用挠性铰链的材料特性在抓取后保持中心位置。

相关推荐

从零搭建人形机器人:技术栈、芯片选型与运动控制实战指南

机器人系统设计横跨机械、电气、控制、AI等多个领域,其中实时控制与感知决策是核心。理解自由度、关节模组、传感器融合等基础概念,是评估系统复杂度的前提;运动控制算法如ZMP、MPC与强化学习,则决定了双足机器人的稳定行走能力。随着边缘算力芯片与实时中间件的发展,机器人得以在复杂场景中完成感知、规划与交互。从服务、教育到工业巡检,人形机器人正加速落地。针对开发者与选型决策者,本文围绕芯片选型、软件架构、仿真到真机迁移的完整链路,梳理了可落地的技术方案与避坑经验,为从零构建人形机器人提供清晰参考。

weixin_30357231的博客 370

人形机器人核心五部件技术门槛与国产化瓶颈深度解析

人形机器人作为具身智能的物理载体,其运动能力高度依赖电机、减速器、丝杠、灵巧手和传感器构成的物理执行闭环。这五大部件并非孤立元件,而是以‘动力输出—力矩转换—位移精准化—末端操作—实时反馈’为逻辑链的系统级耦合体。其中,谐波减速器的柔轮材料稳定性、无框力矩电机的扭矩一致性、行星滚柱丝杠的微米级加工精度、灵巧手的多模态触觉融合延迟、以及传感器的跨源时间同步能力,共同决定了整机在真实场景下的可靠性与鲁棒性。当前国产替代已从‘能做’迈向‘稳供’阶段,但量产一致性、系统级刚度匹配与车规级工艺管控仍是关键分水岭。本文

wentao365的专栏 390

基于ESP32与50Hz神经控制闭环的MicroDuck双足机器鸭实战

双足机器人控制涉及状态感知、策略推理与执行下发的实时闭环,其中控制频率与信号调理直接影响步态稳定性。在嵌入式平台上,50Hz控制周期要求20ms内完成姿态解算与神经网络推理,而舵机振动引入的50Hz噪声会污染IMU数据,需通过双T型陷波器抑制。神经网络无需精确动力学模型,可从IMU与关节角度直接映射关节指令,适合欠驱动小型双足平台。该方案适用于桌面级机器人、教育科研及算法验证场景。MicroDuck以ESP32-S3为核心,在巴掌机身内实现了50Hz神经控制闭环与双T型陷波滤波器设计,为双足控制入门提供了完

weixin_34209851的博客 386

55、多机器人探索与平行夹爪设计评估

本博文探讨了机器人领域的两个重要研究方向:多机器人探索的机队规模优化和任务聚焦的平行夹爪设计评估。在多机器人探索部分,通过模拟实验分析了不同机器人数量和初始位置对探索时间和成本的影响,发现12个机器人组成的机队在探索效率和成本上表现最优。而在夹爪设计评估方面,提出了三种统计指标——成功概率、覆盖和扳手指标,用于量化夹爪性能,并在多种工业场景中进行了实验评估。这些研究成果为多机器人探索系统的优化和夹爪设计的自动化提供了理论支持和实践指导。

food6的博客 75

21、机器人关键部件设计:从手部到轴承的创新探索

本文探讨了LARMbot人形机器人的三指手部设计与线性旋转电机的柔性轴承创新方案。手部采用连杆驱动与可移动手掌结构,实现低成本、高稳定性的抓取性能,并通过Adams进行运动模拟验证。柔性轴承设计基于柔性机构原理,通过解析方法进行刚度优化,利用有限元分析评估其在驱动方向的低刚度与非驱动方向的高刚度特性,满足高精度运动需求。文章还总结了未来在结构优化、动力学性能提升及应用拓展方面的研究方向。

tree的博客 110

55、基于深度强化学习的机械臂控制与任务训练

本文研究了基于深度强化学习的机械臂控制方法,针对UR5机械臂在随机目标到达和拾取放置任务中的表现,比较了VPG、TRPO、DDPG和DQN-NAF等算法在不同奖励函数下的性能。通过分析惩罚性与鼓励性奖励对学习效果的影响,发现DQN-NAF在简单任务中表现优异,而TRPO在复杂随机环境中更具稳定性。同时探讨了策略网络结构、超参数设置及奖励设计对训练效果的作用,并提出了实际应用建议与未来研究方向。

ggg99的专栏 155

人形机器人运动控制全景综述:从动力学模型到学习范式,一文读懂双足行走的技术路线图

动力学方法(MPC、ZMP、HZD、WBC)提供稳定可预测的控制,学习方法(RL、IL、表征学习、LLM)赋予自适应与智能行为,二者并非替代而是互补。人形机器人正处在从实验室走向真实应用的拐点,但仿真到现实的鸿沟与成本问题仍是必须跨越的工程门槛。对于关注具身智能的读者,这篇文章的 Table 1/2/3/4/7/8 与 Figure 5 的六维对比,是快速建立技术全景的高效入口。

沧海一帆的专栏 93

MATLAB双足机器人零动力学控制仿真与源码开发实践

机器人动力学建模与仿真是验证控制算法的关键环节,尤其对于双足机器人这类高阶、非线性、欠驱动的混合动态系统,仅仅依靠关节PD跟踪往往导致仿真发散。零动力学控制通过定义虚拟约束,将步态规划转化为输出误差收敛问题,使系统整体动态降阶为稳定的内部流形,从而支持更接近人类的动态行走。MATLAB提供了符号推导、事件检测和刚性求解器支持,可高效实现从动力学方程到控制器的完整链路。本文从平面五连杆模型建模、基于角度相位变量的五次多项式步态规划、反馈线性化控制器设计,到触地碰撞处理与发散排查,系统梳理了零动力学控制仿真的工

weixin_29192141的博客 323

攀爬机器人文献综述的结构化解析与工程落地方法

攀爬机器人是特种移动机器人的重要分支,其核心技术围绕吸附原理、运动构型与环境适应性展开。理解真空吸附、磁吸附、仿生微结构等吸附方式的物理边界,结合欠驱动机构、轮式-履带混合构型等运动设计,是实现稳定攀附的前提。技术价值在于将分散的学术结论转化为可验证的工程约束——如倾角适应能力、表面兼容性、实时控制周期等关键参数。典型应用场景包括变电站巡检、高层建筑消防、风电塔筒检测等工业现场。本文聚焦如何从PDF文献综述中提取结构化知识,通过Python解析、三元组抽取与约束决策树构建,打通‘论文发现’到‘硬件接口定义’

weixin_34268310的博客 360

攀爬机器人文献复现:从PDF综述到可验证模块的工程落地

攀爬机器人是特种移动机器人的重要分支,其核心技术涵盖机械构型、吸附原理、运动控制与性能验证四大维度。理解吸附方式(如真空、磁吸、范德华力)与控制策略(如PID、LQR、强化学习)的基本原理,是实现技术迁移的前提;而真实工程价值体现在参数可测、模块可拆、结果可复现——这要求突破文献中模糊描述与缺失实验细节的瓶颈。典型应用场景包括建筑巡检、电力铁塔维护、化工罐体检测等对附着可靠性与环境适应性要求极高的任务。本文聚焦文献综述的结构化解析与本地化验证,重点解决真空吸附选型、密封结构实测、负压闭环调试等高频落地难题,

weixin_34121282的博客 289

基于深度图的GG-CNN机械臂抓取检测:原理、仿真与避坑指南

机器人抓取的核心难点在于从感知到控制的实时闭环,传统目标检测加位姿估计的方法在堆叠场景中容易失效。深度图作为几何信息的直接载体,对光照和纹理不敏感,成为抓取感知的重要输入。基于深度卷积网络,逐像素预测抓取质量、角度与夹爪宽度,能够在图像空间直接选出最优抓取点,无需候选框与NMS,推理延迟低至毫秒级,适合视觉伺服控制。这种端到端抓取检测方法在机械臂分拣、物品搬运等场景具有广泛价值。围绕GG-CNN这一经典轻量级网络,详细介绍其原理、训练数据生成、损失函数设计、在Gazebo与Pybullet中的部署流程,并总

weixin_30595035的博客 272

三菱工业机器人螺钉自动装配夹爪设计.pdf

#资源达人分享计划#

DSP28335笔记——内部Flash中进行数据读写(Flash_API的使用)

Program时的报错返回值较为常见,对返回值30、31进行详解:返回值为30:每次操作写入16位的字节,直到Buffer中的数据全部写入,若写入的数据位超过16位时则返回值30。返回值为31:表示尝试将已有数据位上的0写成1。一般情况下,在Program操作之前,会将指定部分中的数据进行擦除;但擦除函数执行时间较久,且只能以扇区为单位进行擦除,因此也可以在已有数据的基础上再进行Program,但无法将已有数据的位中的0值写成1。

m0_46621336的博客 8754

保姆级教程:手把手带你复现APFNet论文的RGBT目标跟踪模型(附完整代码与数据集配置)

本文提供了一份详细的APFNet论文复现指南,涵盖从环境搭建到模型测试的全流程。通过解析多模态融合模块和渐进式训练流程,帮助读者高效完成RGBT目标跟踪模型的复现工作,特别针对训练和测试中的常见问题提供实用解决方案。

weixin_29056781的博客 348

信道估计之MMSE算法

信道估计之MMSE算法前言MMSE估计的原理总结 前言        前篇分析了LS信道估计算法,也说明了由于没有考虑SNR的影响,所以LS算法不适合在低信噪比的情况下使用。本篇来学习信道估计的另外一种常用的算法–MMSE。        为什么说LS没有考虑噪声大小的情况呢,因为LS算法使用的是实际观测量与估计观测量的误差,这并不能精确的代表估计量的真值与估计值的误

大白的博客 2万+

Unity 2D精灵点击交互实现:从BoxCollider 2D到Event Trigger的完整指南

本文提供了Unity 2D精灵点击交互的完整实现指南。通过详细拆解BoxCollider 2D与Event Trigger两大核心组件的协同工作原理,手把手教你为Sprite Renderer添加点击、悬停等事件响应。文章包含从基础配置到进阶优化、性能调试的实战步骤,帮助开发者高效实现游戏世界内的对象交互,是Unity 2D开发的实用教程。

ansible6ops的博客 304

couldn‘t upgrade db schema: insert into ACT_GE_PROPERTY values (‘common.sche[已解决]

启动整合了flowable的项目,初始化时报错。flowable没有自动建表, 原因 测试数据库版本是MySQL5.7。经过查询和尝试,原因是:在这个数据库里面,已经有一个数据库里面有activiti的这些表了,它检索的时候全库检索查到它了,所以flowable不去建表了,但是我们指定的这个schema里卖弄还是空的,所以它报了找不到表。解决方法:mysql的链接上加上参数如下,让本schema成为默认的schema。...

JavaPub 6027

【AVRCP】规范精讲[19]: 媒体属性全解析,让你的蓝牙设备显示完整歌曲信息

AVRCP协议中的媒体属性是蓝牙音频设备传输歌曲元数据的关键,包含标题、艺术家、专辑等32位ID标识的键值对信息。规范要求字符串属性必须使用UTF-8编码,但乱码问题频发(如中文显示异常),主因是设备未遵循编码标准或使用GBK等非规范格式。常见问题包括信息不全(仅显示标题)、封面缺失(因带宽限制或格式不支持)及更新延迟(通知机制未启用)。解决方案包括强制UTF-8编码、优化封面大小(如300x300像素JPEG)、主动请求缺失属性。Android示例代码展示了通过广播接收器解析媒体属性的方法。

byte轻骑兵的技术小窝 1万+

【ComfyUI】Wan2.2 Animate 背景保留动作迁移视频生成

本文介绍了一个基于ComfyUI的高精度视频生成工作流"Wan2.2 Animate",该系统融合动作捕捉、图像拼接和LoRA加权等技术,能自动识别人脸并完成精准动作迁移,同时保持背景稳定。工作流采用模块化设计,包含输入提取、图像融合、模型加载等关键节点,核心模型Wan2.2-Animate-14B支持fp8精度与BlockSwap控制。流程分为图像输入、动作提取、多图合成等五个阶段,通过文本提示编码器和图像语义编码器实现语义驱动的动作生成,最终输出高质量视频,适用于虚拟形象驱动和

Mr数据杨 2282

C#winform自定义绘制曲线控件实例

本文实例讲解自定义绘制曲线控件过程。 在实际项目中,需要绘制曲线,系统的提供的绘制曲线的控件有时不能满足自己的需要,需要根据项目需要定制开发曲线控件。 实例目标,实时绘制显示温湿度值曲线。

qq_30725967的博客 1736

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 19、聚类算法全解析:原理、应用与挑战
下一篇: 43、基于POD的时间步长神经网络及相关方法在降阶模型中的应用
电竞养老选手
博客等级 码龄4年 61粉丝 1196原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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
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