多无人机协同巡检任务的路径优化方法与流程
本发明涉及无人机技术领域，具体涉及一种多无人机协同巡检任务的路径优化方法。
背景技术：
无人机已被广泛应用于军事巡检和电力杆塔巡检等场景中。为了提高巡检任务的效率，通常会采用多架无人机从不同方向同时对目标区域展开巡检，而且这些无人机通常会从不同的站点出发。无人机可以通过其所搭载的传感器获取巡检目标的图像，对不同类型传感器所获取的图像进行合成可以大大提升所获取信息的可信度，比如：通过可见光雷达和合成孔径雷达对军事目标或电力杆塔进行拍照。
目前，传统方案对执行任务的多架无人机进行了任务分配时，没有考虑无人机所搭载传感器的探测误差，而且假定所有的无人机均是从同一个站点出发，并且只能对目标进行一次访问。因此，使得无人机路径无法优化，巡检任务的完成质量较低。
技术实现要素：
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种多无人机协同巡检任务的路径优化方法，可以在多种约束条件下对从多个站点出发的无人机进行路径规划，通过优化无人机对巡检目标的访问次数，最大限度地发挥无人机的续航能力，从而提升巡检任务的完成质量。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供了一种多无人机协同巡检任务的路径优化方法，其特征在于，所述方法包括：
确定目标区域内需要多无人机执行巡检任务的多个巡检目标的巡检目标坐标及其重要程度；
确定执行所述巡检任务的任务执行时长；
获取所述无人机的多站点的站点数量、站点编号及站点坐标；
获取访问所述巡检目标的所述无人机的相关参数；所述相关参数包括：所搭载的传感器类型、飞行速度和/或最小转弯半径；
确定从每个站点出发的无人机所携带传感器的类型及其探测误差；
设置所述无人机的航向角离散度，基于所述无人机的航向角离散度确定所述无人机的多个航向角；
基于所述巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标；
建立多站点可重访多无人机路径问题mdmv-murp模型；
采用所述mdmv-murp模型，根据每个所述巡检目标坐标及其重要程度、任务执行时长、每架无人机所能访问的巡检目标，获取所述多无人机执行协同巡检任务的初始路径规划方案集合；
采用引入双适应度函数的遗传算法对所述初始路径规划方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述巡检目标的最优路径规划方案。
可选地，设置所述无人机的航向角离散度，并基于所述无人机的航向角离散度确定所述无人机的多个航向角,包括：
使用杜宾车模型对无人机的运动状态进行描述，并设置所述无人机的航向角离散度为8；
确定所述无人机的多个航向角分别为0°,45°,90°,135°,180°,225°,270°,315°，并为各航向角进行编号。
可选地，基于所述巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标之前，还包括：
计算在所有航向角下，无人机从所述每个站点到每个巡检目标的第一飞行时长，并使用三维矩阵进行存储，记做出发矩阵；
计算在所有航向角下，无人机从每个巡检目标到每个站点的第二飞行时长，并使用三维矩阵进行存储，记做返回矩阵；
计算在所有航向角下，每架无人机在所有巡检目标之间的第三飞行时长，并使用三维矩阵进行存储，记做目标到目标矩阵。
可选地，在所述出发矩阵中，行表示无人机出发时的航向角编号，列表示无人机访问巡检目标时的航向角编号，页表示无人机站点的编号；
在所述返回矩阵中，行表示无人机访问最后一个巡检目标时的航向角编号，列表示无人机从最后一个巡检目标返回所述站点时的航向角编号；页表示无人机站点的编号；
在所述目标到目标矩阵中，行表示无人机访问当前巡检目标时的航向角编号，列表示无人机访问下一个巡检目标时的航向角编号，页表示无人机站点的编号。
可选地，基于所述巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标，包括：
基于所述巡检目标坐标、站点坐标，所述出发矩阵、返回矩阵以及每架所述无人机的相关参数确定从每个站点出发的无人机所能访问的巡检目标。
可选地，所述初始路径规划方案集合包括多个路径规划方案，所述路径规划方案包括每架所述多无人机中每架所述无人机的无人机站点编号、任务执行顺序；
其中，所述任务执行顺序包括：无人机的起点、依次经过的巡检目标的编号、无人机的终点。
可选地，所述mdmv-murp模型的目标函数采用公式(1)来表示：
其中，i为巡检目标的编号，wi为巡检目标i的权重，pk为第k个站点的无人机所携带传感器的探测误差，k为无人机站点的编号，k为无人机站点的数量，
可选地，所述mdmv-murp模型的约束条件采用公式(2)至(6)来表示：
其中，k为无人机站点的编号，k为无人机站点的数量，dk表示第k个无人机站点，
公式(6)为二元决策变量
可选地，采用引入双适应度函数的遗传算法对所述初始路径规划方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述巡检目标的最优路径规划方案，包括：
建立双适应度函数的染色体评价机制，即总有用信息适应度函数fit1和总飞行时长适应度函数fit2，计算公式如下：
其中，i为巡检目标的编号，wi为巡检目标i的权重，pk为第k个站点的无人机所携带传感器的探测误差，k为无人机站点编号，k为无人机站点的数量，
其中，k为无人机站点的编号，k为无人机站点的数量，dk表示第k个无人机站点，
公式(7)的fit1值是染色体所代表路径规划方案的总有用信息，fit1值越大说明染色体的适应度越高，公式(8)的fit2值是染色体所代表路径规划方案的总飞行时长，fit2值越小说明染色体的适应度越高；
以fit1作为主适应度函数，以fit2作为辅适应度函数，比较各路径规划方案的fit1值，并且在fit1值相同时，再比较fit2值，从而对所述初始路径规划方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述巡检目标的最优路径规划方案。
(三)有益效果
本发明提供了一种异构多无人机协同任务分配与路径优化方法。与现有技术相比，具备以下有益效果：
1、在多无人机巡检场景下，对从不同站点出发的多架无人机进行路径规划，确定每架无人机的巡检目标以及对所分配巡检目标的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取信息的可信度最大；
2、通过循环迭代的优化方法，针对需要多架无人机协同完成的巡检任务，优化了多架无人机对巡检目标的访问次数，并最大化所有无人机获取的有用信息，从而提升巡检任务的完成质量。
3、遗传算法的鲁棒性好，使得多次运行的结果差距很小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的多无人机协同巡检任务的路径优化方法流程示意图；
图2是根据本申请实施例的多无人机协同巡检任务具体执行场景示意图；
图3是根据本申请实施例的多无人机协同巡检任务场景示意图；
图4是图3所示巡检任务场景下最优的无人机可飞路径；
图5是根据本申请实施例的航向角离散化示意图；
图6(a)-(b)是根据本申请实施例的期望收益相同但总飞行时长不同的路径规划方案示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种异构多无人机协同任务分配与路径优化方法。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
先确定目标区域内需要多无人机执行巡检任务的多个巡检目标的相关参数、执行巡检任务的无人机参数、无人机的站点参数以及总的任务执行时长，并且设置无人机的航向角离散度，进而基于巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标，同时建立并利用多站点可重访多无人机路径问题mdmv-murp模型获取多无人机执行协同巡检任务的初始路径规划方案集合，并进行优化后获得每架无人机的访问任意一个或多个巡检目标的最优路径规划方案。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1是根据本申请实施例的多无人机协同巡检任务的路径优化方法流程示意图，参见图1可知，本实施例提供的多无人机协同巡检任务的路径优化方法可以包括：
步骤s101，确定目标区域内需要多无人机执行巡检任务的多个巡检目标的巡检目标坐标及其重要程度；
步骤s102，确定执行巡检任务的任务执行时长；
步骤s103，获取无人机的多站点的站点数量、站点编号及站点坐标；
步骤s104，获取访问巡检目标的所述无人机的相关参数；相关参数包括：所搭载的传感器类型、飞行速度和/或最小转弯半径；
步骤s105，确定从每个站点出发的无人机所携带传感器的类型及其探测误差；
步骤s106，设置无人机的航向角离散度，基于无人机的航向角离散度确定无人机的多个航向角；
步骤s107，基于巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标；
步骤s108，建立多站点可重访多无人机路径问题mdmv-murp模型；
步骤s109，采用mdmv-murp模型，根据每个巡检目标坐标及其重要程度、任务执行时长、每架无人机所能访问的巡检目标，获取多无人机执行协同巡检任务的初始路径规划方案集合；
步骤s110，采用引入双适应度函数的遗传算法对初始路径规划方案集合进行优化以获得每架所述无人机的访问任意一个或多个巡检目标的最优路径规划方案。
基于本发明实施例提供的方法，可以对从不同站点出发的多架无人机进行路径规划，确定每架无人机的巡检目标以及对所分配巡检目标的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取信息的可信度最大。
实际应用中，由于无人机可以快速地进入巡检区域，并通过所搭载的传感器快速捕获图像和视频数据，所以已被广泛地应用于各种场景的目标巡检中。
图2是根据本申请实施例的多无人机协同任务具体执行场景示意图，参见图2可知，根据任务区域内需要多无人机协同巡检的多个巡检目标(例如电力杆塔)，确定多无人机协同任务以确定各巡检目标的有用信息，所有无人机从不同的站点出发，对不同的目标进行巡检，在任务时间内巡检尽可能多的目标，并使用搭载不同类型传感器的无人机对重要程度较高的巡检目标进行多次访问，以使所获取信息的可信度最大。
下面分别对上述步骤s101～110进行详细说明。
参见上述步骤s101，首先要确定目标区域内需要多无人机执行巡检任务的多个巡检目标的巡检目标坐标及其重要程度。本实施例汇总的目标区域是指需要执行巡检任务的指定区域，如军事巡检或是电力杆塔巡检等场景。以执行电力杆塔巡检来讲，巡检目标可以是多回路电力铁塔或普通电线杆等，多无人机电力杆塔巡检的主要目的是在指定的任务时间内巡检尽可能多的电力杆塔，并获取准确的图像信息，从而进行有针对性的故障诊断。在有限的任务时长内，无人机只能巡检有限数量的电力杆塔，所以需要有选择地访问部分巡检目标，比如：多回路电力铁塔应作为优先考虑的巡检目标。因此，对于目标区域中不同的巡检目标来讲，其各自重要程度是不一样的，在本实施例中，巡检目标的重要程度可通过权重进行表示，权重数值越大说明巡检目标越重要。本发明实施例所提供的应用场景如图3所示，d1、d2分布表示两个站点，1～23为巡检目标，同时，按照重要目标优先选择原则，颜色越深代表目标越重要，先选择颜色深的作为进行优先访问，参见图3可知，越靠近中心巡检目标的权重越大，其中，巡检目标12权重最大，其次是7、8、16、17，10、11、13、14依次减小，1、23相等为最小。
图4是最优的无人机可飞路径，图4中的实线和虚线分别表示两架异构无人机的飞行路径。
在本实施例中，对于目标区域中的各巡检目标也可以依据巡检目标的不同属性进行设定，一般情况下，巡检目标的权重可以用wi＝{1,2,…,10}表示，各巡检目标的巡检目标坐标可以通过gps获取或是其他方式获取，本发明对此不做限定。当然，实际应用中目标区域还可以是其他属性的需要无人机进行巡检的区域，本发明不做限定。
参见上述步骤s102，确定执行所述巡检任务的任务执行时长。
在本实施例中，需要应先确定执行巡检任务的执行时长，以为后续合理规划无人机的路径提供数据基础，该执行时长可以根据不同的场景进行设置，本发明不做限定。本实施例中的任务执行时长是针对所有无人机的，即在指定时间内所有无人机对多少目标完成了巡检任务决定了任务的完成质量(不考虑返回时长)。有了任务执行时长，可不考虑无人机的续航时长，因为在实际应用中，无人机的续航能力一般远大于任务的执行时长，所以在进行路径规划时不考虑无人机返回站点的时间。
参见上述步骤s103，获取所述无人机的多站点的站点数量、站点编号及站点坐标。
在本发明实施例中，无人机实际执行巡检任务的站点可以有多个，即多个无人机可从多个站点分布触发执行巡检任务。在本发明实施例中，无人机的站点可同时作为为无人机对巡检目标执行巡检任务的起点和终点。而站点坐标，可同时作为无人机的起点坐标和终点坐标，或者是不同的站点作为起点或终点，其站点总数以及起点站点的数量和终点站点的数量可根据不同应用场景进行设置，本发明不做限定。具体获取站点坐标时，可以利用gps或是其他方式进行获取，本发明不做限定。
参见上述步骤s104，获取访问所述巡检目标的所述无人机的相关参数。上文介绍，在本实施例中，所有无人机可采用相同型号，搭载相同的传感器，因此可以获取访问所述巡检目标的无人机的相关参数，该相关参数可以包括所搭载的传感器的类型、飞行速度和/或最小转弯半径。除此之外，无人机的相关参数还可以包括无人机编号等等。通过对无人机相关参数的获取，可以在后续优化无人机路径中，合理利用无人机的巡检能力，从而提升每架无人机的使用效率。其中，无人机编号是可以与无人机进行一一对应的唯一编号。
参见上述步骤s105，确定从每个站点出发的无人机所携带传感器的类型及其探测误差。
无人机进入目标区域后，通过所搭载的传感器快速捕获图像和视频数据。即对于每架无人机来讲，还可以获取其所所携带传感器的类型以及探测误差，从而为后续为每架无人机规划执行巡检任务时可以根据每架无人机的特性进行个性化规划路径，充分发挥每架无人机的优势，以便于对重要的巡检目标采用低探测误差的无人机或进行多次访问以尽可能准确高效地完成巡检任务。
以位于山区的电力杆塔巡检区域来讲，由于无人机可以不受地形影响快速地到达杆塔上方，并通过所搭载的传感器快速捕获图像和视频数据，所以已被广泛地应用于电力杆塔巡检中。
参见上述步骤s106，设置无人机的航向角离散度，基于无人机的航向角离散度确定所述无人机的多个航向角。
由于无人机受到动力学的约束，所以在对无人机进行路径规划时必须确保其路径的可飞性，具体来说，可飞路径必须是一条二次可微的平滑曲线。dubins提出的平面非完整车辆最短可行路径模型(简称“杜宾车模型”)可以满足无人机的动力学约束，因此，在本发明实施例中，可以使用杜宾车模型对无人机的运动状态进行描述。
杜宾车的状态q＝(x,y,θ)由其在平面中的坐标(x,y)和其方向角θ共同组成。杜宾车模型的特点之一是杜宾车在两个状态之间的最短路径受到最小转弯半径ρ的影响，具有恒定的飞行速度v和控制输入u的杜宾车的运动模型可以描述为：
u>0表示左转，u<0表示右转，u＝0表示直行，u＝±1表示无人机以最小转弯半径进行转弯。
使用“杜宾车模型”为每架无人机规划路径时需要考虑以下2个因素：①无人机的最小转弯半径；②无人机访问每个目标时的航向角。
由于异构无人机的最小转弯半径不同，所以异构无人机在2个相同目标之间飞行的最短路径是不同的，如图4所示，图4中，实线和虚线分别表示两架异构无人机飞行路径。
因此，本发明实施例通过使用航向角离散法(即设定航向离散度，将360°划分为多个航向角)对无人机访问每个目标时的航向角进行优化。在本发明实施例中，设置无人机的航向角离散度nθ为8，与此同时确定无人机的多个航向角分别为0°,45°,90°,135°,180°,225°,270°,315°，并为各航向角进行编号(该编号为分别一一对应各航向角的唯一编号)。图5是航向角离散度nθ＝8时的示意图。图5所示各航向角的编号顺序为0-7，例如图5中无人机的航向角编号为7，航向角编号与航向角度的计算公式如下式：
另外，本发明实施例还通过数值实验证明：航向角离散度nθ设定为8可以得到所有实验的最优解。
参见上述步骤s107，基于巡检目标相关信息、站点相关信息以及任务执行时长确定从每个站点出发的无人机所能访问的巡检目标。
上文提及，通过设置航向角离散度，可以确定无人机在执行飞行任务时可能的航向角。因此，在确定从每个站点出发的无人机所能访问的巡检目标之前，还可以先分别获取出发矩阵、返回矩阵以及目标到目标矩阵，具体方式如下：
计算在所有航向角下，无人机从所述每个站点到每个巡检目标的第一飞行时长，并使用三维矩阵进行存储，记做出发矩阵；
计算在所有航向角下，无人机从每个巡检目标到每个站点的第二飞行时长，并使用三维矩阵进行存储，记做返回矩阵；
计算在所有航向角下，每架无人机在所有巡检目标之间的第三飞行时长，并使用三维矩阵进行存储，记做目标到目标矩阵。
进一步地，在出发矩阵中，行表示无人机出发时的航向角编号，列表示无人机访问巡检目标时的航向角编号，页表示无人机站点的编号；
在返回矩阵中，行表示无人机访问最后一个巡检目标时的航向角编号，列表示无人机从最后一个巡检目标返回所述站点时的航向角编号；页表示无人机站点的编号；
在目标到目标矩阵中，行表示无人机访问当前巡检目标时的航向角编号，列表示无人机访问下一个巡检目标时的航向角编号，页表示无人机站点的编号。
确定出发矩阵、返回矩阵和目标到目标的矩阵之后，就可以基于巡检目标坐标、站点坐标，出发矩阵、返回矩阵以及每架无人机的相关参数确定从每个站点出发的无人机所能访问的巡检目标。
因此，通过上述出发矩阵、返回矩阵以及目标到目标矩阵就可以快速求得某一个路径规划方案，路径规划方案包括每架多无人机的无人机站点编号和任务执行顺序，其中，任务执行顺序包括：无人机的起点、依次经过的巡检目标的编号、无人机的终点。
参见上述步骤s108，建立多站点可重访多无人机路径问题mdmv-murp模型。
在本实施例中，mdmv-murp模型的目标函数采用公式(1)来表示：
其中，i为巡检目标的编号，wi为巡检目标i的权重，pk为第k个站点的无人机所携带传感器的探测误差，k为无人机站点的编号，k为无人机站点的数量，xijk为从巡检目标i到巡检目标j的决策变量，n为所述巡检目标的数量，max为最大值函数。
而mdmv-murp模型的约束条件采用公式(2)至(6)来表示：
其中，k为无人机站点的编号，k为无人机站点的数量，dk表示第k个无人机站点，
公式(6)为二元决策变量
需要说明的是，在本实施例中，任务完成时间不需要考虑无人机从最后一个目标返回站点的时间，因为无人机只要在规定时间内获取到目标的图像信息即视为完成任务。
参见上述步骤s109，建立好mdmv-murp模型之后，即可采用mdmv-murp模型根据每个巡检目标坐标及其重要程度、任务执行时长、每架无人机所能访问的巡检目标，获取多无人机执行协同巡检任务的初始路径规划方案集合。
可选地，本实施例中提及的初始任务分配方案集合包括多个任务分配方案；各任务分配方案均可包括每架异构多无人机中每架无人机的无人机编号、任务执行顺序；其中，任务执行顺序包括：无人机的起点、依次经过的巡检目标编号。
参见上述步骤s110，获取到初始路径规划方案集合之后，采用引入双适应度函数的遗传算法对初始路径规划方案集合进行优化以获得每架所述无人机的访问任意一个或多个巡检目标的最优路径规划方案。
遗传算法(geneticalgorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
在本申请一可选实施例中，染色体的适应度代表了路径规划方案的优劣,根据mdmv-murp的优化目标函数，通过公式(1)计算得到的路径规划方案所获取的有用信息越大，说明该方案越优。但由于无人机访问目标时有多个可选的航向角，所以期望收益相同的方案可能有着不同的总飞行时长如图6所示，图6(a)所示方案与图6(b)所示方案访问的潜在目标完全相同，且每个潜在目标的访问次数完全相同，所以两个方案的期望收益也是相同的，但是图6(b)所示方案的总飞行时长更短。
同时，建立双适应度函数的染色体评价机制，即总有用信息适应度函数fit1和总飞行时长适应度函数fit2，计算公式如下：
其中，i为巡检目标的编号，wi为巡检目标i的权重，pk为第k个站点的无人机所携带传感器的探测误差，k为无人机站点编号，k为无人机站点的数量，
其中，k为无人机站点的编号，k为无人机站点的数量，dk表示第k个无人机站点，
公式(7)的fit1值是染色体所代表路径规划方案的总有用信息，fit1值越大说明染色体的适应度越高，公式(8)的fit2值是染色体所代表路径规划方案的总飞行时长，fit2值越小说明染色体的适应度越高；
以fit1作为主适应度函数，以fit2作为辅适应度函数，比较各路径规划方案的fit1值，并且在fit1值相同时，再比较fit2值，从而对所述初始路径规划方案集合进行优化以获得每架无人机的访问任意一个或多个所述巡检目标的最优路径规划方案。
采用引入双适应度函数的遗传算法通过多轮迭代对所述初始路径规划方案集合进行优化，可获得每架所述无人机的访问任意一个或多个巡检目标的最优路径规划方案。需要说明的是，本实施例提供的公式中的各常量参数可根据实际需要进行调整，对于上述实施例所提供公式的合理变形均属于本发明的保护范围。
综上所述，与现有技术相比，具备以下有益效果：
1、在多无人机巡检场景下，对从不同站点出发的多架无人机进行路径规划，确定每架无人机的巡检目标以及对所分配巡检目标的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取信息的可信度最大；
2、通过循环迭代的优化方法，针对需要多架无人机协同完成的巡检任务，优化了多架无人机对巡检目标的访问次数，并最大化所有无人机获取的有用信息，从而提升巡检任务的完成质量。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！