计算机控制系统课程论文.doc

计算机控制系统课程设计设计名称 基于单片机的双轮小车站立自动平衡系统 学生姓名 靳亚飞 学院 西南大学工程技术学院 专业班级 2009级自动化二班 学号 222009322072068 指导教师 胡东 1.2主要内容 本课题重点从两方面入手进行探究。它们分别是“高重心双轮自平衡机器人的实现”与“低重心双轮自平衡机器人的应用”。下面就这两方面作具体介绍。1.2.1高重心双轮自平衡机器人的实现 高重心双轮自平衡是指在重力场中，机体重心高于支点（这里具体是指机器人的轮轴）的动态平衡。通过对两个车轮的控制，产生加速场，模拟物体平衡条件（F=0，M=0），产生回复力矩，使整个机体维持在重力势能的顶点。 平衡的流程是这样的： 稳定重心偏移探测器探知情况处理器计算校正办法机器人加速物体收惯性力物体重新平衡循环 整个问题主要有三个方面组成：状态捕捉、控制算法、平衡能力。 状态捕捉，是指获取机体瞬间的状态参数，以便计算出相应的马达输出功率，维持机体的平衡状态。结合仿生学原理（参见“理论研究”），在传感器选择余地小等不利条件的制约下，目前设想的方法有如下几种：光（距离）传感器法： 如图： 原理：利用光传感器测量距离d，从而计算机体倾角。 优点：能够精确测定倾角，同时测量线速度V（=d d / d t），为控制通了可靠且有用的数据。 缺点：传感器的选择非常困难。目前已知的超声波距离传感器大多在量程上不符合要求（近距离精度太低）。而光传感器是反馈光的回射率，不能准确测得距离（只能借助试验积累的数据）。同时易易受外界光照、接触面等因素影响。 注明：具体参见“实验报告”。 触脚传感法： 如图： 原理：利用角度传感器反馈机体的倾角及角速度（=d/ d t）。 优点：可靠，稳定，材料普及。 缺点：触脚有支撑的嫌疑，可能会引起歧义。 注明：具体参见“实验报告”。 应激发： 如图： 原理：测量机体的加速度（其实是加速率），当加速度（率）达到一定界限时自动调整。（就像人在感觉就要向前摔倒时立刻像前一步作支撑） 优点：材料普及，符合仿生学原理（条件反射conditioned reflex）。 缺点：是被动平衡，控制难度太大。 加速仪法： 如图： 原理：利用矢量合成，可以明确得知机体中某点的加速度，从而进行控制。 优点：能够进行精确控制，材料普及。 缺点：几乎没有缺点。 注明：本课题因材料关系没有进行实验，这是课题进一步提高的方向之一。 重垂法： 如图： 原理：利用角度传感器获取重垂与机轴的夹角，从而获知机体倾角。 优点：材料普及，易搭建。 缺点：由于是动态平衡，易受加速场影响。一段时间后（即机体开始摆动后，约5秒左右）几乎无法控制。 其他：u 水箱法： 如图： 说明：机体倾斜后，两个水 箱的水位发生变化， 利用水溶液可导电， 充当电键。 水箱导电水溶液断路导线侧视图u 电偶极子法： 说明：需要外加的电场。u 磁针控制法： 说明：需要外加的磁场。 控制算法，是指处理器在获取相关信息后如何处理并做出相应决策的。由于控制涉及的数据样本较大，且有很大的关联性，所以引进了神经网络（Neural Network）和遗传算法（Genetic Algorithm）。遗传算法和神经网络都是将生物学原理用于科学研究的仿生学理论成果，它们都是解决非线性、不确定性问题的较有力的工具，而将二者结合起来，可兼有NN广泛映射能力和GA快速、全局收敛以及增强式学习能力等性能。进一步优化算法是我们一直在努力的方向之一。 平衡能力，是指机体动态平衡的可靠性和稳定性。我们选用了以下动作进行测试：u 原地平衡（类似倒立摆，在一定空间内维持平衡，d-0.1m，0.1m）。u 平衡中行进（以相对稳定的速度，完成位移。同时通过重心的控制，从而在宏观上完成前进和后退的控制）。u 转弯（包括原地平衡时的扭动以及行进时的转弯。主要由双轮的转速差完成）。 平衡中上坡（tan0.1左右）。uu 平衡中下坡（tan0.1左右）。 平衡中沿黑线循迹u 具体的操作及完成情况见“实验报告”。1.2.2低重心双轮自平衡机器人的应用 低重心双轮自平衡机器人是指机体的重力势能已经达到所能达到的最低点，具体表现为机体重心低于支点（在这里具体是指轮轴）。在这种情况下，机体便能随时保持在稳定平衡状态。这样的双轮机器人弥补了高重心双轮自平衡机器人的先天不足不稳定性，具有广阔的发展前景和应用潜力。 课题主要从“新一代交通工具的设想”这一方面进行分析、规划，双轮较之于四轮有更强的灵活性与适应性，同时在车辆设计上的制约比四轮车要少。（具体参见“理论研究”） 具体地，我们以低重心双轮自平衡机器人为基础开发了一辆能够绘制地形的车辆。此车利用触觉传感器巧妙地解决了无法像四轮车一样始终与接触面平行从而测出坡度的难题，并为积分出的图像设计出一套坡度校正优化算法，使得优化后的图像能够更真实、准确地反映客观的地形情况。（具体参见“实验报告”）2. 理论研究2.1物理模型建立及控制流程2.1.1物理模型建立如图: 这里的模型为简化后的理想物理模型,与实际结构模型有差异(参见“实验报告”)。这样建立模型只是为了便于进行物理上的推导。2.1.2控制流程 主控制流程如下： 下面对“过程一”和“过程二”作具体介绍：l 过程一：加速度计算： 如图： 点O为轮轴，点P为机体（系统）质心； 假设已知：机体质量m , 重力加速度g , 机轴倾角（具体测法参见“实验报告”）。 设机体以加速度a加速， 则受到假想的惯性力F*= ma; 要使机体回复平衡状态，就要使得：M = 0 （M为力矩）； 如图以点O（即轮轴）为转轴，支持力N，过转轴，力矩为零；摩擦力为被动力，且轮胎不与机身固连，不需要考虑。 即：mglsin+ F* = 0; a gtan; 从而可以令：a = ktang （k1）; 进一步修正：又知a应与P点相对于点O的角（线）速度（=d /d t）成正比以获得更好的回复效果;可以令 a = k1 tang; （） 其中：k1为常量，其取值可通过实验获得；为优化修正量，没有量纲。 l过程二：加速度实现： 假设轮子与地面不发生相对滑动， a = at （at为车轮的线加速度）； a = Rd /d t （R为车轮半径）； 而 J = Ji = I （J为角动量；I为车轮转动惯量。由于质点组（车轮）角动量方向相同，可以叠加。）； at = Rd /d t = R/I(d J/d t) = (R/I)M ； 其中： M = M1 M0 （其中M0为阻力力矩，设其为定值；M1为马达产生的力矩）； M1 = atI/R + M0; 已知：M1M1与马达扭力F成正比, 而：P = FV （其中，P为功率，V为车轮转速）； 可以令：M1 = kP/V (*)； P = (1/k)V(atI/R + M0) (其中V可以通过测定轮轴的转速来获得)； 进一步修正： 车轮可以近似看作均匀圆盘，I 2mR2 (其中m为单个车轮的质量) a = at; 令：1/k = k2 P = k2V(2mRa + M0) ； 单个车轮的输出功率为：P = k2maVR + 0.5 k2VM0 ；（） 其中：k2 、M0均为常量，可从实验中归纳。注明：由（*）可知，k的量纲为“m”,所以k2的量纲为“1/m”。l 过程一与二的统一： 将两（）式联立，可以得到： P = k1 k2tanmgVR + 0.5 k2VM0 其中，为优化修正量，没有量纲，k2有量纲（1/m）。2.2双轮自平衡机器人中的仿生学实践 仿生学是近期发展起来的生物学和技术学相结合的交叉学科，仿生学的英文是：Bionics。 人们发现，一些关于植物和动物的相类似的功能，实际上是超越了人类自身的在此方面的技术方案的，植物和动物在百万年的自然进化中不仅完全适应自然而且其程度接近完美。仿生学试图在技术方面模仿动物和植物在自然中的功能，这个思想在生物学和技术之间架起了一座桥梁，并对解决技术难题提供帮助，通过再现生物学的原理，人类不仅找到了技术上的解决方案，而且同时该方案也完全适应了自然的需要。 仿生学的目的就是分析生物过程和结构以及利用它们的分析用于未来的设计，仿生学的思想是建立在自然进化和共同的基础上的。人类所从事的技术就是使得达到最优化和相互之间的协调，而模拟生物适应环境的功能无疑是一个好机会。 我们推断，对生物界的模仿也是一种开拓新的设计思想和路子的方法。 而在整个生物界中，以人类这种生物最为先进和复杂，虽说人类在整个生物界的历史上并没有走过太长的路，但人类是整个生物进化链的最长的一支的末端，其从原生细胞开始，经历了海洋、树木、陆地等各种环境，并经历了漫长的地球气候和地质变化的考验，所以，任何人都可以断定，人类的身体构造和神经系统等具体结构，都能杰出地适应多变的环境。于是，我们为了这个目的，开始了对人类行为进行模仿的实践，首先，我们开始对“双轮平衡”这个课题进行深入研究。 “双足行走”是人类进化史上最重要的一笔，它的出现，解放了人类的双手，增大了人类视野，增加了人类在地面上活动的灵活性，也促进了身体其他结构的进一步完善。对于移动的机器人来说，如果能双轮行动的话，可大大减小触地面积，极强地增大灵活性，显然在转向上可以轻松地在很短的时间内完成180度转向。而实现双轮的行进，基础就是实现双轮自平衡，而解决这个问题最好的途径则就是求助于人类身体结构本身。 进行了一段时间的研究后，我们发现虽然人类的平衡执行器是腿部肌肉，但对于人体平衡状态判断的“传感器”是人脑中的小脑部分和眼睛的视觉刺激，肌肉受力的反馈只能起到辅助作用，这点可以由一个小实验证明。闭上双眼，提起一只脚，尝试站立，任何人都会发现这是一件极困难的事，但如果睁开双眼，我们就会觉得轻松很多。所以，在一开始我们就抓住小脑的功能这一点，小脑的功能是对于人类重心偏移的感知。所以，我们曾经尝试使用重锤，利用恒定的重力场作为准线，判断机器的倾角，再利用马达驱动车轮，利用加速来纠正车身，如图（1），但我们很快在实践中否定了这种想法，在车轮加速调整中，因为加速，所以干扰了重力场，使重力场发生了偏移，重锤在几次调整后就无法控制，随意摇晃，造成机器人判断失误。由于无法进一步研究小脑的工作方式，所以，我们把目光转向他处，开始着手改进自己的方案。 我们第二步开始对眼睛所起的作用进行一定的研究和推测。尽管最终由于知识的欠缺和材料的限制无法对双眼功能完全模拟，但我们知道双眼对于外界景象变化的反馈是人类判断平衡状态的先决条件。所以，我们决定为机器人安上模拟“双眼”光传感器。光传感器能对自身发出的反射光的强弱产生反馈数值，这数据就可以为我们所用。经过试验，我们制做出了如下结构。如图2 机器人偏转时光传感器离地面的距离就会变化，理论上在小范围内，光传感器的数值随离地距离而线性变化。所以也为我们的控制提供了方便。而且通过实验，也证明了光传感器在外界光干扰不强的情况下，原地自平衡基本实现，可维持9-15秒。基于这个实验，我们又拓展思路，尝试其他传感器，类似的传感器有红外线传感器、超声波传感器等。值得注意的是一种光偏角传感器，其可以准确的测量出反射光的偏角或偏移量。这种传感器在我们的双轮自平衡及机器人的控制上是一个比光传感器更好的选择。（具体参见“实验报告”） 尽管有了一定的进展，但是我们仍意识到这是不够的，就像人一样，不能只靠眼睛来判断，就是眼睛也会欺骗大脑，科技馆里的那个旋转通道肯定已经让很多人莫名地在平地上失去了平衡。机器人也一样，一旦光传感器或其他传感器受到干扰，也就无法完成自己的使命了，而且同样的，错误的数据也会欺骗处理元件。所以，我们决定在人体上寻找我们需要的一些辅助功能。显然的，我们在肌肉系统上找到了一定的答案。一个人，当两脚受力不均的时候，也可能是重心失调的一个征兆。所以，我们在机器人倾覆的临界位置安放了2个触觉传感器，一旦触觉传感器被激活，即说明光传感器失效，在程序上命令夺取光传感器控制权，并立即进行一次自主调整，就一次，但这一次就能让机器人恢复到一个较为稳定的状态，然后，立即归还控制权，让“双眼”继续接管维持平衡的工作。当然，我们也在尝试依靠触觉传感器的功能独立控制平衡，目前仍在实验中。如此一来，自平衡更加得到了保障。 当然，仿生学不是单一的就事论事，而是一个融会贯通的思想过程。人类很久以前就想飞，这就是一种很原始的思想，既让人类的身体拥有更多功能，而这些功能，往往也是一些生物所独有的。所以，我们在研究时，也注意到了吸收其他生物的一些特性和优势，包括在平衡技巧上的和感知方式上的。在平衡技巧上，我们并未取得很大突破，原因是大自然中绝大多数生物在平衡自己的身体时，采用了稳定的静态支撑方式，例如猿猴在树枝间攀援，始终保持身体上有3处与支持物相接触。但是，我们仍然获得了一些线索袋鼠在高速前进时，具有一定质量的尾巴很好地担负起了保持中心稳定的作用，于是，我们在另一台机器人上也安装了一个调整中心的结构，但由于缺乏高效的执行机构与理论相结合，所以目前这个装置仅用于在机器人行进时的宏观调整。不过在感知方式上的探索倒给了我们意想不到的收获，我们从昆虫的触角出发，制作了如图3所示的结构。 角度传感器连接直棒，直棒的一端置于水平面上，当机器人侧倾时，角度会发生变化，而这个变化在可控范围内也是随侧倾程度而线性变化的。所以，我们又有了一种全新的方法来控制平衡，而这个方式在平衡效果上与光传感器的效果不分伯仲，而且其还有不受外界光干扰的优势。但也有缺陷，这种方案要求地面平整，不然也会引起错误的判断。这又大大限制了机器人的活动空间。（注：直棒对机器人几乎没有支撑作用，所以双轮平衡的性质没有改变。）（具体参见“实验报告”） 最后，我们的课题进入了程序控制的仿生，在这一点上，无疑是最诱人、而且最有难度的，谁都知道人类大脑的高效和快捷，但是大家也知道人类大脑的复杂性。不过，这一点上，科学家们已经基本完成了对人类大脑最基本活动的模拟即“神经网络”的研究。神经网络是一个具有高度非线性的超大规模连续时间自适应信息处理系统。它模仿了人类神经中枢中无数神经元的复杂连接与信息交换方式。多层前向神经网络是一个有力的学习系统。一个三层前向网络可以逼近任意非线性函数。为了更好地完成大规模数据处理，我们引进了“遗传算法”。遗传算法是基于自然选择和遗传学机理的迭代自适应概率性搜索方法。遗传算法实质上是一个迭代过程，首先随机形成初始种群，种群规模固定为N，接着进行迭代，每次迭代都保留一组候选解，形成一个新种群，按照解的优劣进行排序，并按某种指标从中选出一些解，进行繁殖、交叉和变异等操作，产生新一代的候选解，重复此过程，直到满足某种收敛指标，求出最优解或准最优解为止。遗传算法和神经网络都是将生物学原理用于科学研究的仿生学理论成果，它们都是解决非线性、不确定性问题的较有力的工具，而将二者结合起来，可兼有神经网络广泛映射能力和遗传算法快速、全局收敛以及增强式学习能力等性能。（具体参见“神经网络及遗传算法介绍”）袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇羅膃蚈螂羁膂莈蚅袇膁蒀袀螃膀薂蚃肂腿节衿羈腿莄蚂袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇羅膃蚈螂羁膂莈蚅袇膁蒀袀螃膀薂蚃肂腿节衿羈腿莄蚂袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇羅膃蚈螂羁膂莈蚅袇膁蒀袀螃膀薂蚃肂腿节衿羈腿莄蚂袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇羅膃蚈螂羁膂莈蚅袇膁蒀袀螃膀薂蚃肂腿节衿羈腿莄蚂袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇羅膃蚈螂羁膂莈蚅袇膁蒀袀螃膀薂蚃肂腿节衿羈腿莄蚂袄芈蒇袇螀芇蕿蚀聿芆艿蒃肅芅蒁螈羁芄薃薁袆芃芃螆螂芃莅蕿肁节蒈螅羇莁薀薈袃莀艿螃蝿荿莂薆膈莈薄袁肄莇蚆蚄羀莇莆袀袆羃蒈蚂螂羂薁袈肀肁芀蚁羆肁莃袆袂肀薅虿袈聿蚇蒂膇肈莇螇肃肇葿薀罿肆薂螆袅肅芁薈螁膅莃螄聿膄蒆薇袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃蒅蝿肈羆莁螈螇芁芇莄袀肄膃莄羂艿蒂莃蚂肂莈蒂螄芈芄蒁袆肀膀蒀罿袃薈葿螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈膄蚄螇羁蒂蚃衿膆莈蚂羁罿芄螁蚁膄膀螁螃羇葿螀袅膃螈聿蒄葿袁羁莀蒈羃膇芆蒇蚃羀膂蒆螅膅蒁薅袇羈莇薄罿膄芃薃虿羆艿薃袁节膅薂羄肅蒃薁蚃芀荿薀螆肃芅蕿袈芈膁蚈羀肁蒀蚇蚀袄莆蚇螂肀莂蚆羅袂芈蚅蚄膈