标签：11 误差 控制器 MPC 控制 -- car PID ----
前言：这节课，主要介绍了无人车里面基本控制理论，然后介绍常用基本级控制器PID，也介绍以下进阶版本控制器，最后介绍一下matlab里面的控制工具箱。很菜现在，有些理解错误地方，还望大大们不吝赐教。觉得写得还行，麻烦赏个赞哈。好了，不瞎扯了，开始主题。
概要
1控制理论基础
2 PID控制器
3进阶控制器设计
4 MATLAB控制工具箱
1 控制理论基础
1.1 control基本介绍
【control目前，起到接管与自动驾驶转换的关键点；control直接与车协议沟通的，图中其他模块没有这种功能】【图中没有显示的就是，HD map对控制也有一定的作用】【control从planning接收轨迹参考信息，从localization接收自身定位信息，从HD Map接收周围环境信息，以及从图中没有显示的车底盘获取反馈信息，综合处理上述信息后，输出油门、刹车、方向盘信息】
1.2control控制模块
【淡茶绿色方框内的canbus，其是一个控制和车辆底层紧密相关的模块；在canbus设置好相应的协议，control根据协议发送指令，实现对车辆的控制】
1）输入：
----轨迹线reference【速度、加速度、位置】
----定位信息【自身位置状态】
----地图信息【环境信息，自身在环境位置信息】
----车辆反馈信息
2）输出：
油门、刹车、方向盘
3）canbus:车辆底盘交互协议（由车厂决定）
----Chassis（底盘）
----速度、四轮转速
----底盘健康状况
----底盘报错
----自动驾驶状态
4）仿真：
----运动学模型【车，根据轨迹以及运动方向，判断该车下一时刻会出现在哪里】
----动力学模型【车，在整个环境中的受力情况，包括干扰、风力、摩擦系数等造成的力学信息】
1.3 control控制任务
【上图左，表示轨迹点有位置、速度、加速度信息；上图中表示比较好的control，因为基本符合planning要求；上图右control就是比较差的，因为偏离planning越来越大，发散型control是危险的】
【下图左1，橙红色控制轨迹不合理的；下图左2控制轨迹也是不合理的，图中的三个点距离非常短，表示速度减少非常快，属于急刹，舒适性没有保证；下图左3的控制轨迹也是不合理的，因为其是严重摇摆影响舒适性，没有把累计的误差保证在一定范围导致严重摇摆的发生，业界称之为画龙现象（可能planning给的轨迹正常，但是control没有跟上，导致摇摆发生）；下图左4的控制轨迹基本合理】
1）【跟踪好】Planning的轨迹信息
2）不同环境下的轨迹跟踪
----雨雪、陡坡、石头路【这些细微因素使得轨迹跟踪变得不简单；由于planning并不会对这些信息进行处理，只是control来处理】
3）保证车辆可行性
4）保证车辆舒适性
5）实时性要求高（100Hz）【跟定位实时性要求一个级别，要求非常高】【对应时间复杂度比较高的算法，也就是运行时间比较长的算法，并不适合在control使用】
6）控制重要的原因：
----控制是对车辆油门、刹车、方向盘的精细控制
----是安全行驶的最后关卡
----克服外界各种不确定性环境因素（风速、湿滑）
7）控制模块：让车辆在既定轨迹上平稳运行的学问
控制问题很复杂，是一套严格的数学分支，本课程以下原则介绍控制：
----简化问题
----重点介绍概念性知识
----少用数学公式（推理、证明）
1.4 控制模块细分
1）预处理
----数据清洗：不正常信号、planning异常值【对于异常数据，去除或者报错】
----合理性检查：定位信息、车辆底盘信号
----紧急处理：前方突然出现障碍物（emergency stop）【例如无人车前侧安装的超声传感器，直接连接到control模块，应付紧急障碍物】
----信号smooth：去除信号噪声【传感器的信号都是带有噪声】，lag Compensation【滞后信号补偿，这是由于信号传递过程中，信号传递过程中有些滞后，需要做一些补偿，消除一些传递误差】
2）后处理
----saturation/limitation处理：执行器的固有缺陷补偿【由于执行器本身有能力限制，所以需要对输出信号做一定的限制，否则输出的信号有可能直接导致底盘报错或者执行器破坏】
----型号smoothing：简单的平滑处理和异常检查
3）control控制器设计：
----建模【建立一个车辆模型，目的提供一个控制对象】
----系统参数辨识【控制可修复一些细微细小的错误，而这些错误对应的值是无法精确得到，这时候就需要系统辨识，利用一些方法，猜算出这些值也就是对应的系统参数】
----控制观测器设计【观测器，指的是有些控制方法在反馈的基础上，要添加更多观测信息，才能确定其反馈值是否符合控制输入；控制观测器可理解为整个控制器的一套方法；其设计非常重要，决定控制器性能】
----参数Fine Tuning【参数调节，与深度学习的超参的调差方式（一般是试验试错方式）不一样，而其一般是依据一些数学原理对参数调整进行指导，但也有试错试验方式来调整的】
1.5 控制被需要的原因
1）控制系统：消除数学模型和物理模型差异性的过程
【现实中的物理结构受很多复杂性因素影响，不能直接运行完美的数学结果；完美的数学结果与复杂的物理结构如何达到一个匹配，就是通过控制系统；控制系统就是缩小数学模型与物理模型的误差】【任何机械任务，数学模型看上去都是很美好的，但到机器层就会出现很多问题】
2）对于无人车：
----stability：稳定性，对于任何环境都需要稳定（安全）【稳定是安全的前提】
----稳态误差：尽可能小，保证执行上层命令【控制实际运行的偏差范围】
----动态误差：在动态工程中也需要保证很多性能
【上述的说的左右摇摆的画龙现象就是动态误差较大情况；特别在乘用车上，动态误差要求更高（舒适性要求高），而且比较难，因为其需要一些比较复杂的东西才能保证动态误差】
参考 J Doyle,Feedback Control Theory【http://static.gest.unipd.it/~oboe/psc/testi/dft.pdf】
【y(t)表示控制系统的输出；虚线表示控制系统理想状态下达到的位置（我们期望的）；t表示时间】【上图中的图（b）就是我们追求的控制系统效果；此外，a到达比较慢，c波动但没有收敛，d波动呈发散属于最不好的控制】
1.6 控制理论基础
参考 J Doyle,Feedback Control Theory 【http://static.gest.unipd.it/~oboe/psc/testi/dft.pdf】
【上左侧用于理解时间域；上右侧用于理解频率域，其横坐标表示频率，纵坐标表示增益】
【上右图中，波峰对应的是一个共振频率】
1）控制系统：
1-1）时间域（time domain）
----超调量：指的是目标值与可达到的最高位置的范围
----超调时间：指到达最高超调量所花时间
----稳态调整时间（整定时间）：指的是最初到达稳定在一定范围内所花的时间
----上升时间：指的是初次到达目标位置所花的时间，参与衡量上升速度大小
【一般来说，超调量尽量小；超调时间尽量快；整定时间越快越好；上升时间越快越好】
1-2）频率域（frequency domain）
----通过频率（pass band）：通过（增益大于一定程度）对应的频率
----停止频率（stop band）：增益下降到一定值所对应的频率
----带宽：增益上升和增益下降对应的频率范围大小
----截至频率：表示增益达到给定的截止值时所对应的频率
【时间域可通过傅里叶或者拉普拉斯变换，变成频率域】
1-3）离散域（z变换）
2)傅里叶变换（FT，FFT）
时域–>频域转换
【傅里叶变换，可以将任何信号转换成使用sin和cos的加权表示的】【任何信号都是可拆分为傅里叶变换】
3）拉普拉斯变换
----时域->频域
4）傅里叶变换（FT，FFT）
----信号–>正弦转换
右侧图参考：https://en.wikipedia.org/wiki/Fourier_series
【上表中，拉氏变换（频域）、时间函数（时域）、Z变换（离散域），三者是可以相互转换；时间函数相对比较常用，Google或百度搜索拉氏变换应该就用了】【右侧图表示的是傅里叶变换，不断叠加】
5）三域小结：
----控制系统三域是可以相互变换的
--------不同领域对特定的需求有不同的解法
---------控制算法也正对不同域有不同优势
---------三域认识，可扩展了人对物理系统的深刻理解
2 PID控制器
2.1 PID基本介绍
参考：Introduction:PID controller design
1）PID：【所有控制系统中】最简单但是应用最广最有效的控制器
2)Model Free
----通用性，任何模型都可以
----【PID属于】反馈控制
----输入可以是速度、位置等
3）PID控制器设计很简单【对系统没有要求，基本上没有什么控制系统，PID是搞不掂的】
2.2 PID解析
1）P
1-1）P：proportional比例
----跟误差成正比，误差越大，作用越强
1-2）容易出现震荡，无法收敛
----【我们希望】越靠近目标，应该作用越小，才能稳定
----注意在误差为0时候，控制器的输出也是0
2）D
2-1）D：derivative微分
----阻尼项，减少控制器输出的变化率
2-2）【D控制器】考虑将来误差，计算误差的一阶导，并和一个正常值的常数相乘
----微分控制可以提升整定时间及系统稳定性
【d,适合变化比较快的系统，例如波士顿机械狗底层就是pd控制；如果在变化不快系统使用d，会造成一些尾部的恒定误差，产生一些震荡，尾部很难收敛；由于无人车希望的是慢慢变，尽量平滑，所以d信号使用不多】
3）I
3-1）I：integral积分
----纠正系统累计偏差
----缩小稳态误差
3-2）【I控制】考虑过去的误差，将误差值过去一段时间和（误差和）乘以一个正值的常数
----积分控制会加速系统趋近设定值的过程，并且消除纯比例控制器会出现的稳态误差
【单纯pd控制时候，容易造成一个恒定（稳态）误差，如上图黄曲线距离直行大小；这时候就需要一个I控制，其可以将稳态误差收敛】
2.3 PID小结
1）PID控制器是世界上【综合性能】最好用的控制器
2）“没有什么是PID解决不了的”
----需要的信息少：当前状态、目标
----无人车使用pid控制方向和加速度基本满足
3）PID是线性控制器【性质决定了其不足】
----【单纯使用pid】复杂系统是不够的：四轴飞行器、多自由度机器人
参考：https://zh.wikipedia.org/wiki/File:PID_Compensation_Animated.gif
参考Kiam Heong Ang etc. PID Control system analysis,design,and technology,2005
【https://www.researchgate.net/publication/3207704_PID_control_system_analysis_and_design/link/02e7e51a8302235425000000/download】
【PID的调参不是一个简单事情】
2.4 常见PID种类
1）根据控制器输出和执行机构的关系划分：
----位置式PID
----增量式PID
1-1）位置式：输出控制量大小的实际值
1-2）增量式：输出只是控制量的增量
----递推式算法
【上式子为位置式pid;下式为增量式pid】
1-3）无人车应用：
----速度使用的是位置式
----方向盘使用的是位置式
2)串联PID
2-1）PID控制器对单一变量的控制是非常有效的
----无人车可以控制量：速度、加速度、位置、heading
2-2）串联控制作用
----改善控制质量的有效方法
----应对多变量控制和多干扰项
2-3）外环控制器的输出作为内环控制器的设定值
----内环控制器的输出去操纵控制阀
【虚线框表示内环控制器；调参时，先内环再外环】
3 进阶控制器设计
3.1 复杂控制器设计
1）控制任务
----按照planning要求到达目标
----适应不同路况
----适配不同车型
【这就是pid的弊端，在不同的环境，需要重新调参才能获取最佳效果】【这也是无人车难以广泛应用的原因之一】
2）动力学建模
----横向模型和纵向模型
【简单的PID利用的信息不充分，连控制对象是什么都不知道，只是简单利用数学方法来做，所以需要添加更多信息，控制器才能做的更好。因此，这里复杂控制器设计添加了动力学建模】
【纵向模型相对简单，因为车是一般是笔直往前开的，只是加速和减速，存在一些小误差也影响不大，所以相对简单，基本一个PI控制就能够满足基本要求；横向模型，不是指打方向盘的横向，而是要考虑加减速、轮胎转角的横向（这些映射到油门方向盘的控制），在无人车控制里面属于比较复杂而具有挑战性的工作】
3）控制器设计
----横向控制和纵向控制
3.2 车辆模型
1）模型表征一个车辆的物理特性
----单车模型
2）评估每一个控制输入应用于车辆后会发生什么
【车状态+控制输入–>车辆模型–>（估计）车辆轨迹】
3.3 单车模型
1）主要物理定律
【牛顿第二定律F=ma;刚体力矩分析，前轮转角稳定也就是转向力矩要一致；后轮转角，其左右转角稳定，符合转向角速度；横向没有侧向位移的，除非打滑】
2）横向动力学
【公式中线性化，抖动角度不大情况下，取cos近似为1简化】
3）小误差模型
【对于xy坐标系做近似会产生较大误差；这里再path坐标系下做的近似】【如果没有做近似的系统，复杂度非常高，基本上没法求解，或者计算量过大导致无法实用】【做近似时，需要一定的合理性】
4）模型表征一个车辆的物理属性
----单车模型
5）评估每一个控制输入应用于车辆后会发生什么
6）横向动力学模型
----heading误差
----横向误差
【图上方表示的是heading误差例子；下方展示的是横向误差；横向误差需要消除】
7）横向模型推导参考：
http://intheworld.win/2018/11/24/lqr%E4%B8%8E%E6%B1%BD%E8%BD%A6%E6%A8%AA%E5%90%91%E5%8A%A8%E5%8A%9B%E5%AD%A6/
参考：Rajamani,Vehicle dynamics and control.2011
【式子表示的是简化的横向动力学模型表示，上下两公式可以参数匹对的】
3.4 系统辨识模型
1）存在缘由：系统有些参数是不清楚【比如前轮转角和方向盘转角的实际关系，这时候就需要实验方法来获取】
2）系统辨识：通过实验的方法采集参数
----White Box:汽车大多是白箱辨识
----Black Box:有点像神经网络
----Grey Box
3)Learning-Based 方法【进行系统辨识】
----机器学习
【Apollo目前就应用到一些机器学习方法来做系统辨识，获取不清楚参数】
3.5 最优控制理论
【kalman fiter卡尔曼滤波，在控制领域被称为线性二次估计器】
【LQR，线性二次调节器，最基础的控制方法，好用且成熟，直接代入公式求解就可以了】
【LQE+LQR->LQG,LQG被称为线性二次高斯型】
【LQG+constraint条件限制->LMPC,LMPC线性模型预测控制器】
【LMPC+nonlinearity非线性条件+优化->MPC，MPC模型预测控制】
【整个框图是控制的优化领域概括】
1）optimal control【基本思想】
----给定一个系统和环境扰动
----根据需求条件（Objective）
----实现最优的控制量决策
2）复杂度从左往右递增
【控制最重要的是实时性，结合上图，所以并不是越往右侧控制越好，如果做一些简化能达到实时性的MPC也是可以使用的】
3）精准度从左往右递增
3.6 LQR（线性二次调节器）
1）LQR=linear quadratic regulator
2）基于模型的控制器
----通过车辆状态和模型推理，使得误差最小
----可用于设计横向控制器
3）状态X：
----横向误差及其变化率
----heading误差及其变化率
【横向误差及其变化率、heading误差及其变化率，如图x数组从上到下依次排列】
4）控制量U：
----方向盘（steering）
----油门（throttle）
----刹车（brake）
【如图中u的数组从上到下依次排列】
5）LQR状态方程
----线性等式（L）
【式子中，x表示状态，u表示控制量；状态x就是表示误差，u就是输入;状态与输入之和对时间积分最小就是cost】
【cost写成积分形式，也就是二次型原因是，求解方便，由于误差有正负，平方之和的误差最小才是真正误差最小】
6）尽可能减少误差，同时使用最小输入量U
----可以做到省油、平滑等特性
7）cost函数
----Q和R为正定矩阵
【Q、R表示的是使得两者之和最小，误差以及输入量对应的权重】【Q也可为半正定矩阵】
【R比较大，意味着，更加关注让输入小一些，此时状态衰减会慢一些】
8）最优控制理论的方法求解LQR
8-1）最小cost的解为：u=-Kx 【这个是数学推导得出的】
8-2）其中，K的公式：
----无人车中使用LQR的N一般为0
8-3）上述公式，P是连续空间中Riccati方程的解：
【Riccati方程在控制领域比较重要的，使用也比较广泛】
8-4）上述的是LQR的连续空间求解方法，下面是离散空间的表达式：
3.7 MPC（模型预测控制）
1）其是更为复杂控制器
2）基本步骤：
----建立模型
----计算有限时间范围内的最优控制输入
----执行第一组控制输入
【LQR没有时间限制，其累加当前状态下，未来所有环境内，所要达到最优的效果】
3）迭代优化的思想：
----先计算一系列的控制输入并优化该序列输入
----执行第一组控制输入
----循环执行上面两步
【不直接计算所有序列，选择迭代原因是，保证实时性和精确性；模型中做了近似，如果一次性执行所有，会造成很大误差，每次序列优化，选择迭代方式计算可以获取较好效果】
4）LQR VS MPC
----LQR针对固定的时间区间（一般为无限长时间）进行最佳化
----MPC针对不同的时间区间分别进行最佳化
5）时效性vs准确性
【MPC考虑未来时间越长，效果越好，当然耗费时间会越多】
6）【MPC也是一个】搜索问题
----通过车辆动力学模型来减少解空间
7）模型、约束、优化组合【MPC可理解为这三者的结合】
【cost 的求解使用的是QP】
【MPC相对于PID来说，比较精准；并且，MPC可以设定不同的cost，当然对应的计算过程更加复杂】
8）MPC控制流程图
8-1）预测系统
----车辆动力学模型
8-2）滚动优化【表示上流程图的优化方式】
8-3）反馈矫正
【MPC比PID优秀的原因，PID只是针对此刻而没有考虑未来】【比如给定一个轨迹进行实际拟合，PID可能是围着给定轨迹进行类似画龙方式进行拟合；而MPC会考虑综合误差最小方式慢慢拟合，也就是不会一次性拟合过头这些，这就是MPC和PID的拟合核心思想区别之处】
【画龙波浪线表示PID方式拟合；慢慢拟合是MPC方式拟合】
9）MPC车辆误差跟踪状态方程
【x矩阵，从上往下看，横向误差及其变化率，heading的角度误差及其变化率？，位置误差及其变化率（位置和速度）】
【A矩阵对应的是一个简化模型获取的】
【控制量u矩阵，从上往下，第一个为转向速度（对应方向盘），第二个是加速度（对应油门）】
【C的右侧矩阵，从上往下，第一个参数表示横向角变化率，第二个参数表示加速度参考值】
【MPC是可以不解耦的，包含横、纵向误差，可以直接输出两者的综合者】
9-1）X
----横向误差
----heading误差
----位置误差
----速度误差
9-2）U
----转向角
----加速度
9-3）C（扰动）
----横向角变化率
----加速度参考值
9-4）离散形式
10）MPC 未来N个周期的状态方程预测
【迭代预测、滚动计算结合】
10-1）目标函数
【目标函数使控制量、控制误差最小】
10-2）约束
【t 时刻控制量的大小范围；这里也是使用二次规划QP求解】
10-3）二次规划形式
10-4）求解出一组控制序列
【MPC是比较主要的控制方式，也是最优控制思想】
【控制领域比较成熟，一般利用现成公式以及工具，不需要怎么修改参数就可以了】
4 MATLAB控制工具箱
【matlab是做控制的必备工具；实际控制开发不使用python做的】
4.1 APOLLO控制算法
1）纵向PID控制器
2）横向LQR控制器【实际加了约束，所以更像是LMPC】
3）MPC控制器【其优势是可以处理非线性模型，可以使用QP求解出非线性最优解】
4）Apollo控制源码简单解读
【https://github.com/ApolloAuto/apollo/tree/master/modules/control/controller】
4.2 Matlab控制算法工具箱
1）Matlab
2)Simulink【位于matlab里面的】【下面是一些无人车相关工具箱】
----control system toolbox【控制】
----robust control toolbox【机器人】
----automated driving toolbox【无人车】
----model predictive control toolbox【MPC】
参考：https://ww2.mathworks.cn/?s_tid=gn_logo
https://ww2.mathworks.cn/help/mpc/ug/automated-driving-using-model-predictive-control.html 【MPC工具箱基本介绍】
【matlab官网对这些工具箱介绍非常好，如果想学习的，很有必要看这些官网说明性文件】
3)carsim【这个工具用于商业汽车仿真的，很贵（几百万一套）；其建模可以跟车一模一样】
4）https://ww2.mathworks.cn/help/mpc/automated-driving-applications.html
【老师说，把这些案例都搞明白了，进入无人驾驶开发没有问题的，虽然只是针对L2级别的】
5）MPC车道跟随案例
https://ww2.mathworks.cn/help/mpc/ug/lane-following-using-nonlinear-model-predictive-control.html
6）老师强烈推荐的MPC讲解视频
https://ww2.mathworks.cn/help/mpc/getting-started-with-model-predictive-control-toolbox.html
5 文献以及案例推荐
Omead Amidi. Integrated mobile robot control.1990【一本书，介绍机器人建模思路】
【https://pdfs.semanticscholar.org/2453/8d912da84a128f73cb4bca68a31ba8388781.pdf?_ga=2.92043610.1910327742.1611058982-127953921.1611058982】
Goodwin. Control system design.2001【一本书，控制系统设计介绍】
Coding：（optional）
Simulink: Adaptive Cruise Control System Using Model Predictive Control
【https://ww2.mathworks.cn/help/mpc/ug/adaptive-cruise-control-using-model-predictive-controller.html】
Simulink: Lane Following Using Nonlinear Model Predictive Control
【https://ww2.mathworks.cn/help/mpc/ug/lane-following-using-nonlinear-model-predictive-control.html】
答疑环节：
1）pid控制如何进行车辆的横纵向耦合？
答：一般情况下，将无人车系统简化，实现横纵分离，不要耦合
2）PID调参属于玄学，但是还是能够调好的，因为有一些规律的。
3）内外环pid会相互影响，设计时候，内环到外环应是从低维到高维的过程，如内环控制加速度，外环控制速度。再比如无人机，先偏航这些，然后速度这些，最后位置这些，共三层控制。
4）稳定误差，执行机构的终止状态和理想的参数状态不一致。比如方向盘一直有往左偏的误差，即使方向盘打正了，我认为打正了，方向盘应该正常输出，但是总会有一点点左偏。这种情况下，pd控制可能发现不了这个稳定误差，当误差减少到一定程度以后，如果p控制器没有进一步提高控制量的话，会被干扰项或者系统滞后项给过滤掉。因此，出现稳态误差，这个误差会累加到很大，加上I控制器以后，给足够的控制量，从而纠正这个误差。
5）稳定误差，就是系统本身造成的。
6）LQR核心是有了约束
7）控制在无人车里面位置不低，薪资待遇不比视觉这些低
8）强化学习对无人车的决策有用，但是做的难度比较大（老师团队开发经验），研究还行，但是实际使用难度较大，但是这是一个未来方向。
9）无论哪个领域，进入一定深度，都是有难度的
个人小结：这节课，首先介绍了基本的控制理论基础知识，当然也是结合无人车情况进行讲解。接着，介绍了PID控制器，P比例控制，I微分控制，D积分控制，个人理解，这是一个应用很广泛的线性控制器，因此需要解耦，介绍了应用在无人车里面的横向和纵向的引用情况。接着，介绍了比较复杂的控制器设计MPC这些思想啥的。然后，简单介绍了APOLLO的控制器是怎么做的，纵向PID、横向LQR以及MPC这些。最后介绍了matlab跟控制相关的工具箱，当然，重点介绍MPC工具箱，也介绍了两个案例。其实，很多概念这一节。信息量很大。突然感觉，本科时候杨叔子的那本控制论课本应该要好好重新学一下才行。很迷！可能太菜了。
#####################
感恩授课老师的付出
图片版权归原作者所有
不积硅步，无以至千里
好记性不如烂笔头
感觉有点收获的话，麻烦大大们点赞收藏哈
标签：11,误差,控制器,MPC,控制,--,car,PID,---- 来源： https://blog.csdn.net/qq_45701501/article/details/115316605
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。