色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

利用VLM和MLLMs實(shí)現(xiàn)SLAM語義增強(qiáng)

INDEMIND ? 來源:INDEMIND ? 2024-12-05 10:00 ? 次閱讀

語義同步定位與建圖(SLAM)系統(tǒng)在對(duì)鄰近的語義相似物體進(jìn)行建圖時(shí)面臨困境,特別是在復(fù)雜的室內(nèi)環(huán)境中。本文提出了一種面向?qū)ο骃LAM的語義增強(qiáng)(SEO-SLAM)的新型SLAM系統(tǒng),借助視覺語言模型(VLM)和多模態(tài)大語言模型(MLLMs)來強(qiáng)化此類環(huán)境中的對(duì)象級(jí)語義映射。

? 文章:

Learning from Feedback: Semantic Enhancement for Object SLAM Using Foundation Models

? 作者:

Jungseok Hong, Ran Choi, John J. Leonard

? 論文鏈接:

https://arxiv.org/abs/2411.06752

? 編譯:

INDEMIND

? 數(shù)據(jù)集:

jungseokhong.com/SEO-SLAM

01 本文核心內(nèi)容

SLAM已從專注于幾何精度演變?yōu)槿诤险Z義信息,增強(qiáng)了其在諸如導(dǎo)航、操作和規(guī)劃等下游任務(wù)中的效用。這一演進(jìn)與計(jì)算機(jī)視覺深度學(xué)習(xí)的進(jìn)步相契合,引入了更豐富且更精確的環(huán)境表征。近期在基礎(chǔ)模型方面的發(fā)展,例如大語言模型(LLM)、視覺語言模型(VLM)、以及多模態(tài)大語言模型(MLLM),已表明它們能夠在開放式詞匯設(shè)定下從數(shù)據(jù)中提取語義信息。若干研究顯示,基礎(chǔ)模型能夠?qū)o定的包含語義特征的場景或地圖進(jìn)行空間推理。除了建圖,還有研究提出了運(yùn)用基礎(chǔ)模型的語義SLAM。

024e6c00-ad86-11ef-93f3-92fbcf53809c.png

盡管取得了這些進(jìn)展,語義SLAM仍存在關(guān)鍵挑戰(zhàn):(1)當(dāng)探測器僅提供通用標(biāo)簽(例如,所有鞋子均用“鞋”表示)時(shí),難以區(qū)分緊鄰的相似物體。這導(dǎo)致相似物體融合為一個(gè)單一地標(biāo),如圖1a所示。(2)錯(cuò)誤地標(biāo)在長時(shí)間維持地圖一致性方面構(gòu)成重大挑戰(zhàn)。此問題可能由傳感器測量的不確定性或場景變化引起,尤其在雜亂和動(dòng)態(tài)的環(huán)境中。(3)對(duì)象探測器易受其訓(xùn)練數(shù)據(jù)集中固有偏差的影響,導(dǎo)致某些對(duì)象存在持續(xù)的語義錯(cuò)誤。

為應(yīng)對(duì)這些挑戰(zhàn),我們旨在利用基礎(chǔ)模型的語義理解能力和SLAM的空間精度來構(gòu)建在語義和空間上均一致的地圖。基礎(chǔ)模型具有強(qiáng)大的語義理解能力,但在沒有預(yù)先構(gòu)建且嵌入語義特征的地圖時(shí),空間推理能力有限。相反,SLAM系統(tǒng)擅長捕獲空間信息,但往往難以維持可靠的語義信息。通過整合這些優(yōu)勢,我們提出了對(duì)象SLAM的語義增強(qiáng)(SemanticEnhancementforObjectSLAM,SEO-SLAM)這一新穎方法,該方法利用VLM和MLLM實(shí)現(xiàn)語義SLAM。

我們?cè)诰哂刑魬?zhàn)性的數(shù)據(jù)集上對(duì)SEO-SLAM進(jìn)行評(píng)估,其在存在多個(gè)相似物體的環(huán)境中的準(zhǔn)確性和穩(wěn)健性明顯提升。我們的系統(tǒng)在路標(biāo)匹配精度和語義一致性方面優(yōu)于現(xiàn)有方法。結(jié)果表明,MLLM的反饋改進(jìn)了以對(duì)象為中心的語義映射。

02 主要貢獻(xiàn)

1.將圖像標(biāo)記、基于標(biāo)簽的定位以及分割模型整合到SLAM流程中,以實(shí)現(xiàn)描述性開放式詞匯對(duì)象檢測,并優(yōu)化地標(biāo)的語義信息。

2.利用MLLMs為現(xiàn)有地標(biāo)生成更具描述性的標(biāo)簽,并校正錯(cuò)誤地標(biāo)以減少感知混淆。

3.提出一種使用MLLM響應(yīng)來更新多類別預(yù)測混淆矩陣并識(shí)別重復(fù)地標(biāo)的方法。

4.實(shí)驗(yàn)結(jié)果表明,在具有多個(gè)緊鄰相似對(duì)象的具有挑戰(zhàn)性的場景中,對(duì)象語義映射精度得到了提高。

5.引入在單個(gè)場景中具有語義相似對(duì)象的數(shù)據(jù)集,其中包含里程計(jì)、真實(shí)軌跡數(shù)據(jù)和真實(shí)對(duì)象信息。

03 方法架構(gòu)

SEO-SLAM旨在通過整合豐富的語義信息來解決MAP問題。為了適應(yīng)開放式詞匯表的語義,我們僅使用幾何信息來優(yōu)化MAP問題,并利用我們測量中的語義和幾何信息之間的聯(lián)系。這通過融合來自檢測器和深度圖像的語義信息來實(shí)現(xiàn)。我們的方法可以處理開放式詞匯表的語義類別,無需為多類預(yù)測混淆矩陣的類預(yù)測統(tǒng)計(jì)信息提供先驗(yàn)知識(shí)。圖2展示了我們SEO-SLAM管道的整體架構(gòu)。

026321e0-ad86-11ef-93f3-92fbcf53809c.png

04 實(shí)驗(yàn)

A.數(shù)據(jù)采集

我們?cè)谑覂?nèi)房間環(huán)境中采集了六個(gè)涵蓋日常物品的數(shù)據(jù)集(見表II)。依據(jù)現(xiàn)存物體的數(shù)量,我們將這些數(shù)據(jù)集歸類為小(約10個(gè))、中(約20個(gè))或大(約30個(gè))類別。我們采用ZED2i立體相機(jī)來收集RGB圖像及里程數(shù)據(jù)。通過OptiTrack運(yùn)動(dòng)捕捉系統(tǒng)獲取真實(shí)軌跡。為構(gòu)建具有挑戰(zhàn)性的場景,我們將相同類別的物體放置得較為臨近。

B.實(shí)驗(yàn)設(shè)置

我們運(yùn)用RAM++大型模型(加上swin大型模型)進(jìn)行圖像標(biāo)注,并濾除那些過于寬泛且不代表單個(gè)物體的標(biāo)簽(例如,“坐”、“白色”、“許多物體”)。對(duì)象定位由GroundingDINO大型模型(swinbcogcoor)處理,而分割任務(wù)則使用帶有ViT-H模型的SAM完成。在我們的RGS模型中,我們將置信度閾值設(shè)為0.5,將GroundingDINO的IoU閾值設(shè)為0.5。對(duì)于MLLMs,我們利用ChatGPTAPI(gpt-4o版本),在LandmarkEval和ClassLabelGen中均使用默認(rèn)設(shè)置,并異步執(zhí)行以優(yōu)化我們的系統(tǒng)速度。

0270cd2c-ad86-11ef-93f3-92fbcf53809c.png

我們針對(duì)這六個(gè)數(shù)據(jù)集(見表II)開展了實(shí)驗(yàn)。我們的評(píng)估指標(biāo)涵蓋地標(biāo)語義的準(zhǔn)確性、錯(cuò)誤地標(biāo)的數(shù)量以及絕對(duì)位姿誤差(APE)。我們對(duì)三種方法進(jìn)行了比較:我們的SEO-SLAM方法,其使用RGS作為對(duì)象檢測器,并結(jié)合基于MLLM的反饋來細(xì)化地標(biāo);單獨(dú)使用RGS的方法,其運(yùn)用RAM-Grounded-SAM進(jìn)行開放詞匯檢測,且無MLLM反饋;以及YOLO方法(基準(zhǔn)線),使用預(yù)先訓(xùn)練的YOLOv8進(jìn)行對(duì)象檢測。這種實(shí)驗(yàn)設(shè)置使我們能夠全面評(píng)估在開放詞匯環(huán)境中不同數(shù)據(jù)集和方法的語義映射性能以及軌跡精度。

C.結(jié)果

02751a76-ad86-11ef-93f3-92fbcf53809c.png

表III全面展示了在六個(gè)復(fù)雜程度各異的數(shù)據(jù)集上,我們的方法、RGS與YOLO之間語義映射性能的對(duì)比情況。結(jié)果表明,在語義準(zhǔn)確性及地標(biāo)數(shù)量估計(jì)方面,我們的方法始終優(yōu)于其他兩種方法。在多數(shù)數(shù)據(jù)集中,我們的方法達(dá)到了最高的精度和F1分?jǐn)?shù),這表明借助反饋,語義準(zhǔn)確性得到了提升。在SM1、MD1和LG2中這一情況尤為顯著,我們的方法保持了穩(wěn)定的性能,而RGS和YOLO的表現(xiàn)則有所下降。值得注意的是,與其他方法相比,我們的方法通常產(chǎn)生的假陽性地標(biāo)更少,這顯示出其在復(fù)雜環(huán)境中的更強(qiáng)魯棒性。我們的方法表現(xiàn)出色,這可歸因于其能夠利用MLLM反饋來細(xì)化地標(biāo)描述并降低感知混疊。然而,在LG1中,我們的方法與RGS的表現(xiàn)相近,原因是每個(gè)幀中的物體數(shù)量較多,從而降低了MLLM反饋的質(zhì)量。總體而言,結(jié)果證明了SEO-SLAM在提高語義映射準(zhǔn)確性和減少假陽性方面,在各種環(huán)境復(fù)雜度下都是有效的。

0280b516-ad86-11ef-93f3-92fbcf53809c.png

我們還評(píng)估了每種方法相對(duì)于里程計(jì)的軌跡誤差(圖5)。在所有數(shù)據(jù)集中,我們的方法始終顯示出更低的中位APE。RGS也表現(xiàn)良好,其中位誤差較低,異常值少于YOLO。YOLO顯示出最高的中位誤差和異常值,因?yàn)閅OLO只能檢測訓(xùn)練數(shù)據(jù)集中的物體。這表明我們的開放式詞匯檢測器在各種條件下更具穩(wěn)健性和準(zhǔn)確性。圖4展示了MD1數(shù)據(jù)集的定性結(jié)果。SEO-SLAM成功區(qū)分了鄰近的物體,并展示了其根據(jù)場景變化更新語義地圖的能力。雖然SEO-SLAM能夠捕獲大多數(shù)物體,但當(dāng)物體過于靠近時(shí),有時(shí)也會(huì)遇到困難。例如,它在場景中僅繪制了一本書。

D.局限性

雖然SEO-SLAM在語義映射方面取得了顯著的改進(jìn),但仍需承認(rèn)存在一些局限性。我們發(fā)現(xiàn),在SEO-SLAM中,MLLM難以從顏色相近且同屬一類的物體中生成非基于顏色的獨(dú)特標(biāo)簽。此外,其性能對(duì)環(huán)境光照條件敏感,這可能會(huì)影響基于顏色的物體識(shí)別性能。未來,我們計(jì)劃通過元提示,使MLLM能夠依據(jù)物體的獨(dú)特特征生成標(biāo)簽,以解決這些問題。

05 總結(jié)

我們提出了一種被命名為 SEO-SLAM 的創(chuàng)新方法,旨在擁擠的室內(nèi)環(huán)境中強(qiáng)化對(duì)象級(jí)語義映射。此方法借助基礎(chǔ)模型的語義理解能力,通過引入 MLLMs 的反饋來化解現(xiàn)有語義 SLAM 系統(tǒng)中的關(guān)鍵難題。借助反饋,SEO-SLAM 能夠生成更具描述性的開放式詞匯對(duì)象標(biāo)簽,同步校正導(dǎo)致虛假地標(biāo)的諸因素,并動(dòng)態(tài)更新多類混淆矩陣。實(shí)驗(yàn)結(jié)果顯示,SEO-SLAM 在不同復(fù)雜程度的數(shù)據(jù)集上始終優(yōu)于基線方法,提升了語義準(zhǔn)確性、地標(biāo)估計(jì)精度和軌跡準(zhǔn)確性。該方法尤其善于降低假陽性地標(biāo)數(shù)量,并增強(qiáng)在存在多個(gè)相似對(duì)象環(huán)境中的穩(wěn)健性。故而,SEO-SLAM 標(biāo)志著將基礎(chǔ)模型的語義理解能力與 SLAM 系統(tǒng)的空間精度相融合的重大進(jìn)展。本文為在復(fù)雜動(dòng)態(tài)的環(huán)境中達(dá)成更精確且穩(wěn)健的語義映射開辟了嶄新的路徑。(想要了解更多文章細(xì)節(jié)的讀者,可以閱讀一下論文原文~)

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 模型
    +關(guān)注

    關(guān)注

    1

    文章

    3460

    瀏覽量

    49767
  • SLAM
    +關(guān)注

    關(guān)注

    23

    文章

    430

    瀏覽量

    32236
  • LLM
    LLM
    +關(guān)注

    關(guān)注

    1

    文章

    316

    瀏覽量

    628

原文標(biāo)題:更準(zhǔn)確,更魯棒!利用VLM和MLLMs實(shí)現(xiàn)SLAM語義增強(qiáng)

文章出處:【微信號(hào):gh_c87a2bc99401,微信公眾號(hào):INDEMIND】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 0人收藏

    評(píng)論

    相關(guān)推薦

    一種基于點(diǎn)、線和消失點(diǎn)特征的單目SLAM系統(tǒng)設(shè)計(jì)

    本文提出了一種穩(wěn)健的單目視覺SLAM系統(tǒng),該系統(tǒng)同時(shí)利用點(diǎn)、線和消失點(diǎn)特征來進(jìn)行精確的相機(jī)位姿估計(jì)和地圖構(gòu)建,有效解決了傳統(tǒng)基于點(diǎn)特征的SLAM的局限性。
    的頭像 發(fā)表于 03-21 17:07 ?273次閱讀
    一種基于點(diǎn)、線和消失點(diǎn)特征的單目<b class='flag-5'>SLAM</b>系統(tǒng)設(shè)計(jì)

    ?VLM(視覺語言模型)?詳細(xì)解析

    視覺語言模型(Visual Language Model, VLM)是一種結(jié)合視覺(圖像/視頻)和語言(文本)處理能力的多模態(tài)人工智能模型,能夠理解并生成與視覺內(nèi)容相關(guān)的自然語言。以下是關(guān)于VLM
    的頭像 發(fā)表于 03-17 15:32 ?1246次閱讀
    ?<b class='flag-5'>VLM</b>(視覺語言模型)?詳細(xì)解析

    一種基于MASt3R的實(shí)時(shí)稠密SLAM系統(tǒng)

    本文提出了一種即插即用的單目SLAM系統(tǒng),能夠在15FPS的幀率下生成全局一致的位姿和稠密幾何圖形。 01 ? 本文核心內(nèi)容 視覺SLAM乃是當(dāng)今機(jī)器人技術(shù)與增強(qiáng)現(xiàn)實(shí)產(chǎn)品的基礎(chǔ)性構(gòu)建模塊。通過
    的頭像 發(fā)表于 12-27 15:25 ?1018次閱讀

    最新圖優(yōu)化框架,全面提升SLAM定位精度

    已經(jīng)實(shí)現(xiàn)了準(zhǔn)確的估計(jì)。然而,在大規(guī)模問題中更新協(xié)方差矩陣在計(jì)算上是昂貴的。基于圖的方法最早由Lu和Milios在1997年引入,隨著圖的增長,計(jì)算成本較低。隨著計(jì)算能力的提高,基于圖的SLAM的優(yōu)化算法
    的頭像 發(fā)表于 11-12 11:26 ?984次閱讀
    最新圖優(yōu)化框架,全面提升<b class='flag-5'>SLAM</b>定位精度

    如何設(shè)定機(jī)器人語義地圖的細(xì)粒度級(jí)別

    0. 這篇文章干了啥? 機(jī)器人學(xué)中的一個(gè)基本問題是創(chuàng)建機(jī)器人觀察到的場景的有用地圖表示,其中有用性由機(jī)器人利用地圖完成感興趣的任務(wù)的能力來衡量。最近的研究,包括構(gòu)建語義度量三維地圖,通過檢測對(duì)象
    的頭像 發(fā)表于 11-12 10:54 ?564次閱讀
    如何設(shè)定機(jī)器人<b class='flag-5'>語義</b>地圖的細(xì)粒度級(jí)別

    激光雷達(dá)在SLAM算法中的應(yīng)用綜述

    一、文章概述 1.1 摘 要 即時(shí)定位與地圖構(gòu)建(simultaneous localization and mapping,SLAM)是自主移動(dòng)機(jī)器人和自動(dòng)駕駛的關(guān)鍵 技術(shù)之一,而激光雷達(dá)則是支撐
    的頭像 發(fā)表于 11-12 10:30 ?1988次閱讀
    激光雷達(dá)在<b class='flag-5'>SLAM</b>算法中的應(yīng)用綜述

    MG-SLAM:融合結(jié)構(gòu)化線特征優(yōu)化高斯SLAM算法

    信息和提供準(zhǔn)確的全局重建方面表現(xiàn)出顯著的進(jìn)步,而傳統(tǒng)系統(tǒng)則基于稀疏點(diǎn)云或體素。然而,NeRF 方法仍然存在過度平滑、場景表示受限和計(jì)算效率低下等缺點(diǎn)。最近,基于高斯的 SLAM已成為一種利用體積輻射場
    的頭像 發(fā)表于 11-11 16:17 ?677次閱讀
    MG-<b class='flag-5'>SLAM</b>:融合結(jié)構(gòu)化線特征優(yōu)化高斯<b class='flag-5'>SLAM</b>算法

    使用語義線索增強(qiáng)局部特征匹配

    視覺匹配是關(guān)鍵計(jì)算機(jī)視覺任務(wù)中的關(guān)鍵步驟,包括攝像機(jī)定位、圖像配準(zhǔn)和運(yùn)動(dòng)結(jié)構(gòu)。目前最有效的匹配關(guān)鍵點(diǎn)的技術(shù)包括使用經(jīng)過學(xué)習(xí)的稀疏或密集匹配器,這需要成對(duì)的圖像。這些神經(jīng)網(wǎng)絡(luò)對(duì)兩幅圖像的特征有很好的總體理解,但它們經(jīng)常難以匹配不同語義區(qū)域的點(diǎn)。
    的頭像 發(fā)表于 10-28 09:57 ?630次閱讀
    使用<b class='flag-5'>語義</b>線索<b class='flag-5'>增強(qiáng)</b>局部特征匹配

    從算法角度看 SLAM(第 2 部分)

    作者: Aswin S Babu 正如我們?cè)赱第 1 部分]中所討論的,SLAM 是指在無地圖區(qū)域中估計(jì)機(jī)器人車輛的位置,同時(shí)逐步繪制該區(qū)域地圖的過程。根據(jù)使用的主要技術(shù),SLAM 算法可分為三種
    的頭像 發(fā)表于 10-02 16:39 ?618次閱讀
    從算法角度看 <b class='flag-5'>SLAM</b>(第 2 部分)

    利用相對(duì)濕度傳感器增強(qiáng)功能實(shí)現(xiàn)超低功耗系統(tǒng)

    電子發(fā)燒友網(wǎng)站提供《利用相對(duì)濕度傳感器增強(qiáng)功能實(shí)現(xiàn)超低功耗系統(tǒng).pdf》資料免費(fèi)下載
    發(fā)表于 09-27 10:39 ?0次下載
    <b class='flag-5'>利用</b>相對(duì)濕度傳感器<b class='flag-5'>增強(qiáng)</b>功能<b class='flag-5'>實(shí)現(xiàn)</b>超低功耗系統(tǒng)

    利用JTAGLOCK特性增強(qiáng)設(shè)備安全性

    電子發(fā)燒友網(wǎng)站提供《利用JTAGLOCK特性增強(qiáng)設(shè)備安全性.pdf》資料免費(fèi)下載
    發(fā)表于 09-14 10:06 ?3次下載
    <b class='flag-5'>利用</b>JTAGLOCK特性<b class='flag-5'>增強(qiáng)</b>設(shè)備安全性

    圖像語義分割的實(shí)用性是什么

    圖像語義分割是一種重要的計(jì)算機(jī)視覺任務(wù),它旨在將圖像中的每個(gè)像素分配到相應(yīng)的語義類別中。這項(xiàng)技術(shù)在許多領(lǐng)域都有廣泛的應(yīng)用,如自動(dòng)駕駛、醫(yī)學(xué)圖像分析、機(jī)器人導(dǎo)航等。 一、圖像語義分割的基本原理 1.1
    的頭像 發(fā)表于 07-17 09:56 ?725次閱讀

    圖像分割與語義分割中的CNN模型綜述

    圖像分割與語義分割是計(jì)算機(jī)視覺領(lǐng)域的重要任務(wù),旨在將圖像劃分為多個(gè)具有特定語義含義的區(qū)域或?qū)ο蟆>矸e神經(jīng)網(wǎng)絡(luò)(CNN)作為深度學(xué)習(xí)的一種核心模型,在圖像分割與語義分割中發(fā)揮著至關(guān)重要的作用。本文將從CNN模型的基本原理、在圖像分
    的頭像 發(fā)表于 07-09 11:51 ?1532次閱讀

    機(jī)器人高效導(dǎo)航定位背后SLAM專用芯片的崛起

    。 ? SLAM技術(shù)是定位與地圖構(gòu)建技術(shù),其重要的理論與應(yīng)用價(jià)值被認(rèn)為是實(shí)現(xiàn)自動(dòng)駕駛和全自主移動(dòng)機(jī)器人的關(guān)鍵技術(shù)。小到掃地機(jī)器人,大到自動(dòng)駕駛汽車,無人自主移動(dòng)設(shè)備近些年的快速發(fā)展加速了SLAM行業(yè)的發(fā)展,為了
    的頭像 發(fā)表于 05-28 00:20 ?4183次閱讀

    電子發(fā)燒友

    中國電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會(huì)員交流學(xué)習(xí)
    • 獲取您個(gè)性化的科技前沿技術(shù)信息
    • 參加活動(dòng)獲取豐厚的禮品
    主站蜘蛛池模板: 亚洲伊人精品 | 国产69精品久久久久观看软件 | 国产亚洲精品久久综合阿香 | 欧美乱码伦视频免费66网 | 寂寞骚妇女被后入式抽插 | 素人约啪第五季 | 狼群影院视频在线观看WWW | 国产免费看片 | 大胆国模一区二区三区伊人 | 国产精品高清在线观看地址 | 深夜释放自己在线观看 | 成人在线视频免费观看 | 久草国产在线播放 | 美艳人妻在厨房翘着屁股 | 视频成人永久免费视频 | 伊人大香线蕉精品在线播放 | 欧美精品色婷婷五月综合 | 中文有码中文字幕免费视频 | 年轻的女教师2017韩国在线看 | 色偷偷男人| 永久adc视频年龄确认 | gogo亚洲肉体艺术照片9090 | 日韩精品免费在线观看 | YELLOW视频直播在线观看高清 | 美女内射少妇三区五区 | 一个人看的www视频动漫版 | 18禁止观看免费私人影院 | 亲胸揉胸膜下刺激视频在线观看 | 影音先锋亚洲AV少妇熟女 | 中文字幕日本在线mv视频精品 | 成人免费一级毛片在线播放视频 | 一二三四视频免费社区5 | 亚洲欧美日韩国产另类电影 | 日本aaaa| 伊人伊人伊人 | 久久毛片视频 | 乌克兰肛交影视 | 韩国精品无码少妇在线观看网站 | 青草久久精品亚洲综合专区 | 欧美97色伦综合网 | BL文库好大粗黑强强肉NP |