STM32与MPU6050卡尔曼滤波参数调优实战:平衡车稳定控制的关键

从航拍云台到机器人关节:手把手教你用STM32F103和MPU6050实现二自由度姿态稳定 本文详细介绍了如何使用STM32F103和MPU6050构建二自由度姿态稳定系统,适用于无人机航拍云台和机器人关节控制。通过硬件选型、电路连接、软件开发到PID算法实现的完整流程,帮助开发者快速掌握运动姿态控制系统的核心技术,实现低成本、高性能的姿态稳定解决方案。 阅读详情

1. 卡尔曼滤波参数调优的重要性

做平衡车的小伙伴们应该都深有体会,MPU6050传感器读出来的原始数据直接用来控制电机,效果简直惨不忍睹。我刚开始做平衡车的时候,直接把加速度计算出来的角度喂给PID控制器,结果小车晃得跟喝醉了一样,最后直接翻车。

后来才知道,MPU6050的加速度计虽然能直接算出角度,但是特别容易受到震动干扰。而陀螺仪虽然短期精度高,但会有累积误差。这时候就需要卡尔曼滤波来把两者的优势结合起来。

但是问题来了,很多教程给的卡尔曼滤波代码都是固定参数,直接抄过来用往往效果很差。我最开始就是直接用了网上找的参数,结果小车刚开始还能站一会儿,后面就越晃越大,最后直接崩溃。

其实关键在于那几个Q和R参数的理解和调整。Q_angle、Q_gyro、R_angle这些参数直接决定了滤波器的性能和稳定性,不同的硬件平台、不同的机械结构都需要不同的参数配置。

2. 关键参数的物理意义解析

2.1 Q_angle:角度过程噪声协方差

Q_angle这个参数代表了我们对系统模型的不确定度。简单来说,就是我们认为自己的物理模型和真实世界有多大差距。

在平衡车应用中,Q_angle通常设得比较小,比如0.001左右。这是因为我们假设小车的角度变化是比较平滑的,不会突然出现巨大的跳变。

但我发现很多初学者容易把这个参数设得太大。有一次我看到有人设了Q_angle=1.0,结果滤波器完全不相信陀螺仪的预测,基本就是在用加速度计的数据,抖动得非常厉害。

2.2 Q_gyro:陀螺仪过程噪声协方差

Q_gyro代表了陀螺仪测量的不确定度。这个参数直接影响滤波器对陀螺仪数据的信任程度。

在实际调试中,我发现Q_gyro的设置很有讲究。如果设得太小,滤波器会过于信任陀螺仪,导致累积误差无法被校正。如果设得太大,又会对加速度计的噪声过于敏感。

经过多次实验,我发现对于常见的MPU6050模块,Q_gyro在0.003到0.01之间比较合适。但这个范围也不是绝对的,需要根据具体的硬件来调整。

2.3 R_angle:测量噪声协方差

R_angle代表了加速度计测量的不确定度。这个参数决定了滤波器对加速度计数据的信任程度。

在平衡车应用中,由于电机震动、地面不平等因素,加速度计的噪声通常比较大。所以R_angle一般要设得相对大一些,比如0.5左右。

但我发现一个有趣的现象:有时候适当减小R_angle反而能获得更好的效果。这是因为当小车运动比较平稳时,加速度计的噪声确实比较小,这时候可以更信任它一些。

3. 参数调优的实战方法

3.1 调试工具的准备

工欲善其事,必先利其器。调试卡尔曼滤波参数没有合适的工具简直就是在摸黑走路。我强烈建议大家准备好以下工具:

首先是串口绘图工具,比如SerialPlot、Vofa+或者自己写的上位机。能够实时看到角度曲线对调试非常有帮助。

其次是要有一个好的调试环境。平衡车最好能固定在一个架子上,这样可以安全地测试各种参数而不怕摔坏。

// 简单的数据输出代码
printf("%f,%f,%f\n", 
       Kalman_GetAngle(), 
       Accel_GetAngle(), 
       Gyro_GetRate());

3.2 参数调优的具体步骤

我的调参经验是分三步走:首先调Q_angle和Q_gyro,然后调R_angle,最后微调。

第一步,先把R_angle设为一个较大的值(比如0.5),然后调整Q参数。观察滤波后的角度曲线,应该是平滑的但同时又能快速响应真实的角度变化。

第二步,固定Q参数,调整R_angle。这时候要注意观察滤波器对加速度计数据的响应程度。如果R_angle太小,曲线会跟着加速度计的噪声抖动;如果太大,响应会变慢。

第三步,微调所有参数。这时候需要实际让小车运行,观察控制效果。我通常会在这一步进行很多次小幅度调整。

3.3 常见问题及解决方法

在调试过程中,我最常遇到两个问题:滤波发散和振荡。

滤波发散通常表现为角度值越来越大最后溢出。这往往是因为Q_angle设得太小,或者R_angle设得太大。解决方法一般是增大Q_angle或减小R_angle。

振荡问题则表现为角度值在两个值之间来回跳动。这通常是因为Q参数设得太大,或者R参数设得太小。需要适当减小Q值或增大R值。

4. STM32实时处理的关键技巧

4.1 定时器中断的使用

STM32的定时器中断是保证卡尔曼滤波周期性的关键。我通常使用一个硬件定时器,设置5ms的中断周期,在中断服务函数中进行传感器读取和滤波计算。

// 定时器中断配置
void TIM2_IRQHandler(void)
{
    if (TIM_GetITStatus(TIM2, TIM_IT_Update) != RESET)
    {
        MPU6050_ReadData();  // 读取传感器数据
        Kalman_Update();     // 更新卡尔曼滤波
        TIM_ClearITPendingBit(TIM2, TIM_IT_Update);
    }
}

4.2 浮点运算的优化

虽然STM32F1系列没有硬件浮点单元,但通过一些技巧还是可以保证实时性的。我通常使用32位浮点数,并尽量避免在中断中进行复杂的数学运算。

对于更复杂的计算,可以考虑使用定点数运算或者查找表来加速。但在大多数平衡车应用中,STM32F103的计算能力已经足够了。

4.3 内存管理的注意事项

卡尔曼滤波算法需要维护一些状态变量和协方差矩阵,这些变量需要保持其值在不同次计算之间不变。我通常使用static变量来存储这些状态。

float Kalman_Filter(float Accel, float Gyro)
{
    static float angle = 0.0;
    static float P[2][2] = {{1.0, 0.0}, {0.0, 1.0}};
    static float Q_bias = 0.0;
    // ... 其余代码
}

5. 实际调试案例分享

5.1 案例一:滤波发散问题

有一次我遇到一个奇怪的现象:小车刚开始还能保持平衡,但几秒钟后就开始剧烈晃动,最后完全失控。通过串口绘图发现,滤波后的角度值在不断增大,明显是发散现象。

检查代码后发现是Q_angle设得太小了(0.0001),而R_angle又设得比较大(1.0)。滤波器过于信任预测模型,不相信测量值,导致误差不断累积。

将Q_angle增大到0.001,R_angle减小到0.5后,问题就解决了。滤波器现在能够很好地跟随真实的角度变化。

5.2 案例二:高频振荡问题

另一个常见问题是高频振荡。小车保持平衡时会出现高频率的微小抖动,虽然不会立即翻车,但影响整体性能而且很耗电。

这种问题通常是因为Q_gyro设得太大,或者R_angle设得太小。滤波器对陀螺仪噪声过于敏感,或者对加速度计过于信任。

通过适当减小Q_gyro(从0.01减小到0.003)和增大R_angle(从0.3增大到0.5),振荡问题得到了明显改善。

5.3 案例三:响应延迟问题

有时候滤波器虽然稳定,但响应速度太慢。用手推一下小车,它要过一会儿才反应过来,这显然达不到好的控制效果。

这种情况往往是因为R_angle设得太大,滤波器过于信任预测值而不相信测量值。适当减小R_angle可以提高响应速度,但要注意不能太小否则会引入噪声。

我通常会在稳定性和响应速度之间找一个平衡点,通过多次试验来确定最佳参数。

6. 高级调优技巧

6.1 自适应参数调整

对于有经验的开发者,可以考虑实现自适应的参数调整策略。比如根据小车的运动状态动态调整R_angle:当检测到较大震动时增大R_angle,运动平稳时减小R_angle。

// 简单的自适应参数调整
if (fabs(accel_noise) > NOISE_THRESHOLD) {
    R_angle = 0.8;  // 噪声大时更信任预测
} else {
    R_angle = 0.3;  // 噪声小时更信任测量
}

6.2 多传感器融合

除了MPU6050,还可以考虑加入其他传感器如编码器、超声波等来进一步提高稳定性。多传感器融合时需要注意各传感器的噪声特性和更新频率。

卡尔曼滤波可以很容易地扩展到多传感器情况,只需要适当增加状态向量和测量向量的维度即可。

6.3 参数自动整定

对于产品化的平衡车,可以考虑加入参数自动整定功能。通过让小车执行特定的运动模式,自动寻找最优的滤波参数。

这种方法虽然实现复杂,但可以大大提高产品的适用性和用户体验。

电赛H题无视觉平衡小球:PID控制与传感器融合实战指南 在自动控制领域,闭环反馈系统是实现精确调节与稳定的核心技术。其基本原理是通过传感器实时采集被控对象的状态信息,与设定目标值进行比较得到误差,再经由控制算法计算出修正指令,驱动执行器动作以消除误差。PID控制器作为经典且广泛应用的控制算法,通过比例、积分、微分三个环节的组合,能有效应对系统的动态响应、稳态精度和抗干扰需求。在工程实践中,传感器融合技术(如结合加速度计与陀螺仪)能显著提升状态感知的准确性与可靠性,这对于**姿态解算**和**系统建模**至关重要。这类技术广泛应用于机器人平衡、无人机定高、工业过程 阅读详情

相关推荐

2026电赛控制类赛题预测与实战:PID算法、传感器融合与视觉导引系统

在嵌入式系统与自动控制领域,闭环反馈是构建稳定、精确系统的核心原理。它通过传感器采集状态信息,经由微控制器(如STM32)执行控制算法(如经典的PID控制),驱动执行器完成目标动作,从而实现从环境感知到精准执行的技术闭环。这一原理在机器人、智能车等运动控制场景中具有极高的技术价值,是实现自动化与智能化的基础。随着技术发展,单一传感器已难以满足复杂环境需求,多传感器数据融合(如结合视觉与惯性测量单元)和高级控制算法(如自适应PID)成为提升系统鲁棒性与性能的关键。本文聚焦全国大学生电子设计竞赛(电赛)控制类赛

weixin_33911824的博客 426

从零构建:STM32与MPU6050的嵌入式姿态感知系统实战

本文详细介绍了从零构建基于STM32和MPU6050的嵌入式姿态感知系统的完整实战流程。涵盖硬件选型、电路连接、传感器初始化、数据采集以及核心的姿态解算算法实现,包括互补滤波和卡尔曼滤波两种方法,并提供了系统调试技巧和实际应用案例。

kotlin6android的博客 181

基于STM32的平衡车小车系统设计与实现

在平衡车控制系统中,STM32作为主控芯片,需实现高实时性与多任务协同。系统上电后,首先执行启动文件(如),完成堆栈初始化与中断向量表定位。随后调用配置时钟树,将HSE外部晶振(通常8MHz)经PLL倍频至系统主频168MHz(以STM32F4为例),确保运算性能与定时精度。// 示例寄存器配置关键外设GPIO、I2C、TIM等通过HAL库或直接寄存器配置模式、速率与复用功能。SysTick定时器被初始化为1ms节拍,为姿态解算与PID控制提供统一时间基准,保障控制周期稳定性。

weixin_35636570的博客 376

平衡小车/四轴飞行器怎么选?MPU6050三种姿态算法实测对比(附参数调优心得)

本文深入对比了MPU6050三种姿态融合算法在平衡小车和四轴飞行器中的应用效果,包括四元数法、一阶互补滤波和卡尔曼滤波。通过实测数据和参数调优心得,帮助开发者根据项目需求选择最适合的姿态角度算法,提升系统稳定性和实时性。

weixin_42525264的博客 330

基于STM32与MPU6050的倒立摆控制系统设计与实现

将倒立摆视为一个刚性质点连接在无质量杆上绕固定轴旋转的理想单摆,是一种广泛接受的建模方式。设摆杆长度为 $ L $,质心位于杆端,质量为 $ m $,重力加速度为 $ g $,摆杆相对于垂直向上方向的偏转角为 $ \theta $(单位:弧度),则其动力学方程可表示为:其中 $ u(t) $ 表示外部施加的力矩输入(由电机驱动产生)。

weixin_31597759的博客 711

51单片机平衡车源码解析:卡尔曼滤波+MPU6050+互补滤波与PID调参

姿态解算是平衡车控制的核心,MPU6050同时提供加速度计与陀螺仪数据,但直接使用会因振动和零漂导致角度失真。卡尔曼滤波通过预测-更新迭代融合两类传感器,在噪声统计意义下输出最优倾角,而互补滤波则以更简单的加权方式实现低频与高频信号融合。在51单片机上实现卡尔曼滤波与PID闭环,能够以低成本完成平衡车的直立控制和速度稳定。基于STC89C52/STC12的完整代码涵盖I2C驱动、传感器读取、滤波算法、电机死区补偿等工程细节,为电子设计竞赛和嵌入式入门提供可直接移植的方案。

weixin_29174385的博客 100

电赛车载平衡滚球系统:从PID控制到STM32与OpenMV的完整实现

在嵌入式系统与自动控制领域,PID控制算法是经典且核心的闭环反馈控制方法,通过比例、积分、微分三个环节的协同作用,实现对系统偏差的精确调节,广泛应用于机器人、无人机、工业自动化等场景,以达成稳定、快速、准确的控制目标。其技术价值在于算法结构简单、易于实现且鲁棒性强,是学习复杂控制系统的基础。本文聚焦于全国大学生电子设计竞赛中的“车载平衡滚球运动”这一具体应用场景,深入剖析如何将双环PID控制策略应用于该赛题。通过结合STM32微控制器进行实时算法运算与电机驱动,并利用OpenMV进行视觉感知实现球体定位,构

weixin_34014555的博客 312

STM32直立车闭环控制系统实战:IMU姿态解算与双环PID驱动

直立车是嵌入式实时控制的经典范例,其本质是基于传感器反馈的闭环控制系统——通过IMU(如MPU6050)实时采集角速度与加速度,经互补滤波或卡尔曼滤波融合出精确倾角,再由双环PID控制器(外环控姿态、内环控轮速)生成PWM驱动电机。该系统对时序严苛,要求采样-计算-执行全流程稳定在500μs以内,凸显实时性与算法-硬件紧耦合的技术价值。典型应用场景包括智能车竞赛、平衡机器人开发及自动导引车(AGV)姿态稳定模块。本文以STM32F4平台真实工程源码为载体,深入解析从传感器数据融合、HAL定制驱动、液晶GRA

weixin_31887307的博客 200

无视觉无电机平衡小球方案:电赛H题级联PID控制实战解析

闭环控制系统是现代自动化与机器人技术的核心基础,它通过传感器、控制器和执行器构成的反馈回路,实现对物理量的精确调节。其基本原理在于实时测量被控对象的输出,与期望值进行比较,并利用控制算法(如PID)计算出修正量,驱动执行机构动作,从而消除误差、稳定系统。这项技术的核心价值在于能够显著提升系统的动态响应速度、稳态精度和抗干扰能力,因此在工业自动化、精密仪器、机器人平衡控制等场景中不可或缺。本文聚焦于一个典型的工程实践案例——全国大学生电子设计竞赛(电赛)中的平衡小球系统。针对传统方案中视觉处理延迟和电机响应慢

weixin_33769125的博客 456

STM32双足机器人实战源码:IMU姿态解算+ZMP稳定控制+贝塞尔步态生成

双足机器人控制是具身智能与运动控制交叉的核心技术,其本质是通过实时姿态感知、动力学建模与闭环伺服协同实现动态平衡。关键技术包括IMU传感器融合(如MPU6050)、卡尔曼滤波姿态解算、ZMP(零力矩点)稳定性评估,以及高连续性步态规划。其中,贝塞尔曲线插值可保障关节轨迹C²连续,显著抑制电机抖动;而基于电流反推的ZMP估算方法,无需昂贵六维力传感器,大幅降低工程落地门槛。该方案广泛应用于教育机器人、科研平台及轻量级服务机器人开发,特别适合具备STM32嵌入式基础的进阶开发者快速构建可行走、可调参、可验证的物

weixin_29184371的博客 244

平衡小车全栈开发实战:PCB设计+原理图+源码+蓝牙通信+APP控制

蓝牙模块(如HC-05、HC-06、BLE模块)通过UART与MCU通信,实现远程控制与状态回传。典型连接方式:HC-05引脚连接目标注意事项TXDMCU RX注意电平匹配RXDMCU TX需经分压或电平转换VCC3.3V或5V(视型号)查阅手册确认GNDGND共地EN置高使能可悬空或接VCC重要提示。

weixin_31749299的博客 540

2026电赛控制题预测:多模态感知融合与视觉伺服控制备赛指南

在嵌入式系统与自动控制领域,闭环控制是实现精确运动与稳定运行的核心原理。它通过传感器实时采集系统状态,经由控制器(如经典的PID算法)计算决策,再驱动执行器动作,并形成反馈回路以修正误差。这项技术的核心价值在于将理论模型转化为高鲁棒性、自适应性的实体系统,是机器人、智能车及工业自动化等场景的基石。随着传感器多元化和处理器性能提升,多模态感知融合与基于视觉的智能反馈成为技术演进的关键方向。本文聚焦全国大学生电子设计竞赛(电赛)控制类题目,深入剖析如何围绕**多模态感知融合**与**视觉伺服控制**两大技术交叉

weixin_34128839的博客 326

基于STM32的高性能三轴云台控制系统设计与实现

回顾整个开发流程,我们可以总结出一条清晰的路径:明确指标:精度、响应、功耗、成本;机械先行:刚性、平衡、材料;硬件筑基:选型、电源、PCB布局;算法赋能:四元数融合+EKF+双环PID;测试迭代:静态/动态测试+数据分析;持续优化:加入看门狗、低功耗模式、OTA升级。未来的优化方向还包括:- 引入FreeRTOS实现任务分级调度;- 使用定点数替代浮点数提升执行效率;- 添加无线通信模块(蓝牙/Wi-Fi)实现远程监控;

weixin_42560991的博客 803

从PID控制到机电一体化:ME 461自平衡小车项目全流程实战解析

机电一体化系统是现代自动化与机器人技术的核心基础,其本质是通过传感器、控制器和执行器的协同,实现物理实体的智能感知与精准控制。其工作原理遵循经典的“感知-决策-执行”闭环,其中,PID控制算法作为最经典、应用最广泛的控制策略,通过比例、积分、微分三个环节的配合,实现对系统误差的动态调节与稳定跟踪。这项技术的工程价值在于,它将抽象的控制理论转化为可落地、可调试的软硬件系统,是连接算法仿真与物理世界的关键桥梁。在机器人平衡控制、智能小车、工业自动化等场景中,PID控制与传感器融合技术是实现稳定、快速、准确响应的

weixin_34152820的博客 389

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

[代码开源]基于DistFlow的IEEE33和IEEE69节点最优潮流模型(OPF)实现与性能分析

本文详细介绍了基于DistFlow的IEEE33和IEEE69节点最优潮流模型(OPF)的实现与性能分析。通过代码开源,展示了如何从零搭建电力系统优化模型,解决配电网中的发电成本最小化问题。文章涵盖数据准备、模型实现细节、性能优化建议及常见问题解答,为电力系统研究者提供实用参考。

weixin_29103191的博客 709

【花雕学编程】Arduino BLDC 之基于卡尔曼滤波器和电机编码器的自平衡小车

基于 Arduino 的 BLDC 自平衡小车系统摘要(150字): 本系统融合卡尔曼滤波与 FOC 控制技术,在低成本硬件上实现高动态平衡控制。通过卡尔曼滤波优化处理 MEMS 传感器数据,消除陀螺仪漂移与加速度计噪声,获得精确姿态估计;采用 FOC 算法驱动 BLDC 电机,实现平滑力矩输出。系统采用三层控制架构(电流环 10-20kHz/速度环 1-2kHz/角度环 500Hz-1kHz),在 ESP32/STM32 平台完成资源优化。典型应用于教育实验、AGV 运输及代步工具原型开发,具备零半径转向

雕爷学编程 422

强化学习:Distributed PPO (DPPO) 学习笔记

DPPO = Distributed + Proximal Policy Optimization Distributed:多个智能体并行训练 Proximal:限制策略更新幅度,确保稳定性 Policy Optimization:基于策略梯度的优化方法 核心思想:多个智能体并行探索环境,共享经验,通过裁剪策略更新确保训练稳定

只是个人学习笔记 1332

嵌入式硬件项目实践路径:从Arduino入门到STM32+AI系统集成

嵌入式系统开发是软硬协同的典型工程实践,其核心在于构建可感知、可验证、可迭代的物理反馈闭环。理解微控制器(MCU)的基本运行机制——如时钟配置、GPIO控制、中断响应与外设驱动——是开展任何硬件项目的前提;而PID控制、传感器融合、PCB信号完整性等关键技术,则决定了系统能否从‘能动’走向‘稳定可靠’。随着需求升级,嵌入式AI部署、异构计算架构(如ARM+MCU协同)、模型量化与内存优化等能力日益成为进阶关键。本文围绕平衡小车、手势识别、乒乓球机器人等真实项目案例,系统梳理从Arduino快速原型、STM3

ppp33的博客 777

EPLAN二次开发实战:从API接口到定制化功能的完整指南

本文为电气工程师和自动化设计师提供了一份EPLAN二次开发的完整实战指南。文章详细介绍了从脚本、插件到独立程序三种开发模式,重点讲解了如何使用C#或VB.NET通过API接口操作EPLAN数据模型,实现定制化功能以提升设计效率,并分享了开发环境搭建、调试及项目打包分发的避坑经验。

c6d7e8f9g的博客 1129

VS Code + EIDE + Clangd 构建 Keil/MDK 嵌入式开发新范式

嵌入式C/C++开发长期受限于传统IDE的语法理解弱、导航卡顿、跨工程复用难等问题。Clangd作为基于AST的现代语言服务器,结合EIDE对Keil uVision和ARM MDK工程文件(.uvprojx)的深度解析能力,可将编译配置、芯片型号、内存模型、扩展关键字等语义精准翻译为标准compile_commands.json,从而实现智能跳转、宏展开识别、结构体实时展开等高阶编辑体验。该方案不替换Keil/MDK编译与烧录流程,仅升级代码理解层,天然兼容STC8051、STM32 Cortex-M、G

weixin_34321753的博客 355

电赛H题解析:动态物理系统闭环控制实战指南

闭环控制是自动控制理论的核心基础,指系统通过实时反馈持续修正输出以逼近目标状态。其原理源于负反馈机制,依赖传感器采集、控制器运算与执行器响应构成完整回路。在嵌入式实时系统中,闭环控制的技术价值体现在抗干扰性、鲁棒性与动态响应精度上,广泛应用于机器人平衡、云台稳定、电机调速等场景。而车载平衡滚球系统正是典型的非线性、多变量、强耦合动态物理系统闭环控制问题,需兼顾建模准确性与硬件资源约束。本文围绕STM32平台下的PID实现、状态机设计与传感器-执行器协同优化,提供可落地的工程化闭环控制解决方案。

weixin_29178069的博客 211

永磁同步电机矢量控制——电流内环前馈解耦策略

在采用永磁同步电机矢量控制时,ud和uq的指令值存在耦合项。需要对其进行解耦,目前,常用的解耦设计方法有前馈解耦、偏差解耦以及内模控制,本文主要分享电流内环前馈解耦控制策略。

a12312341ll的博客 8701
上一篇: 深入剖析STM32通信协议栈:从寄存器到实战优化
下一篇: 超越调试器:STM32CubeMonitor在工业预测性维护中的隐身革命
tensorflowjs6
博客等级 码龄3年 154粉丝 1495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