自動(dòng)駕駛的定位意味著能夠在地圖中找到車輛的位置和方向,。這里的地圖也是只使用激光雷達(dá)獲取的,，使用激光束獲取測(cè)量的距離并產(chǎn)生點(diǎn)云數(shù)據(jù)，其中的每個(gè)點(diǎn)表示傳感器獲取的物體表面的（XYZ）的坐標(biāo),?；邳c(diǎn)云的高精地圖是可以通過(guò)lidar掃描離線的構(gòu)建出來(lái)，也可以在導(dǎo)航過(guò)程中通過(guò)里程計(jì)實(shí)現(xiàn)閉環(huán)的構(gòu)建地圖,，也就是SLAM系統(tǒng),。

        這里首先分析使用激光雷達(dá)的點(diǎn)云數(shù)據(jù)作為定位的優(yōu)缺點(diǎn)，與圖像或其他傳感器相比,。

1. lidar數(shù)據(jù)能夠在獲取更為豐富且精確的空間信息,，這也使得車輛在定位中更為有優(yōu)勢(shì)。

2. 由于激光雷達(dá)的數(shù)據(jù)不斷的下降,，這使傳感器更易于大眾使用和研究,，并且對(duì)于汽車廠商來(lái)說(shuō)也逐漸被接受。

但是使用3D lidar作為定位設(shè)備通常也會(huì)有一些問(wèn)題,，由于lidars數(shù)據(jù)數(shù)量巨大,，因此需要快速處理輸出并確保系統(tǒng)的實(shí)時(shí)性，所以確保車輛的實(shí)時(shí)定位具有一定的挑戰(zhàn)和難度,。所以通常需要使用下采樣或者特征點(diǎn)提取的方法來(lái)高效的簡(jiǎn)化點(diǎn)云信息,。

        我們知道在車輛的實(shí)時(shí)定位系統(tǒng)中生成里程計(jì)是必不可少的部分，在過(guò)去的研究中,，已經(jīng)提出了很多的使用lidar的點(diǎn)云數(shù)據(jù)來(lái)計(jì)算車輛的里程計(jì)的方法,，這些方法中主要有三個(gè)不同的類別：

（1）基于點(diǎn)云數(shù)據(jù)的配準(zhǔn)方法[1]：這是一種很好的離線的構(gòu)建高精地圖的方法,，這種方法由于太慢而無(wú)法實(shí)時(shí)的處理，因?yàn)樵摲椒紤]了lidar點(diǎn)云數(shù)據(jù)中的所有點(diǎn)進(jìn)行配準(zhǔn),，可以將這種方法歸納為稠密的方法,。

（2）基于點(diǎn)云特征點(diǎn)的方法：受2D圖像特征提取和匹配方法的啟發(fā)[2,3,4]，根據(jù)3D點(diǎn)云的特征點(diǎn)的提取,，計(jì)算連續(xù)幀之間的位移,，這種方法的準(zhǔn)確性和實(shí)時(shí)處理還是可以的，但是對(duì)快速運(yùn)動(dòng)不夠魯棒,。這種方法僅僅使用了點(diǎn)云中提取的特征點(diǎn)來(lái)代表一幀的點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn),，可以歸納為稀疏的方法。

（3）基于點(diǎn)云數(shù)據(jù)的深度學(xué)習(xí)的方法：深度學(xué)習(xí)在決定車輛的定位問(wèn)題上的研究獲得越來(lái)越多的研究,。在[5,6,7,8]文章中首先使用2D的圖像來(lái)預(yù)測(cè)和計(jì)算里程計(jì),，并且最終的定位效果還是可以接受的。但仍不能超過(guò)現(xiàn)有的技術(shù)水平,。

最近很多的工作正在探索使用lidar點(diǎn)云數(shù)據(jù),，而結(jié)果上提有著很好的效果。接下來(lái)講介紹各種點(diǎn)云定位技術(shù)對(duì)比和測(cè)試結(jié)果,。

首先回顧和討論文獻(xiàn)中可用的所有方法,，在這些文獻(xiàn)中，僅使用3D LIDAR傳感器即可實(shí)現(xiàn)對(duì)車輛的3D定位,。我們將可用方法分為三類（點(diǎn)云配準(zhǔn),，3D特征點(diǎn)匹配法和深度學(xué)習(xí)的方法），并在下表中列出了它們,。并在接下來(lái)的閱讀中細(xì)細(xì)介紹,。

這里主要回顧基于3d 點(diǎn)云的配準(zhǔn)的定位方法，配準(zhǔn)的目的是實(shí)現(xiàn)一對(duì)點(diǎn)云能夠?qū)R在同一坐標(biāo)系下,，從而可以計(jì)算出兩次掃描之間的點(diǎn)云的變換,，在自動(dòng)駕駛定位場(chǎng)景下，可以通過(guò)兩種方法使用配準(zhǔn)的方法：

（1）通過(guò)將獲取的掃描幀點(diǎn)云與預(yù)構(gòu)建的高精點(diǎn)云地圖的一部分進(jìn)行配準(zhǔn),，對(duì)車輛進(jìn)行定位,。

（2）通過(guò)連續(xù)的Lidar掃描獲取的點(diǎn)云計(jì)算出車輛的里程計(jì)信息。

點(diǎn)云配準(zhǔn)主要用于形狀對(duì)齊和場(chǎng)景重建等領(lǐng)域,，其中迭代最近點(diǎn)算法（ICP）是最受歡迎的算法之一,，在ICP中通過(guò)最小化點(diǎn)云數(shù)據(jù)之間的度量誤差來(lái)優(yōu)化源點(diǎn)云和目標(biāo)點(diǎn)云之間的轉(zhuǎn)換。并在該研究領(lǐng)域有多種ICP算法的變種【47】,，常見(jiàn)的變種算法有點(diǎn)到線段的ICP[48],點(diǎn)到面的ICP[49]以及通用的ICP[10],ICP算法可以認(rèn)為是解決點(diǎn)云配準(zhǔn)的經(jīng)典算法,，在文章【11】中將點(diǎn)云配準(zhǔn)和回環(huán)檢測(cè)以及車輛位姿圖的優(yōu)化結(jié)果在一起，以減少連續(xù)配準(zhǔn)帶來(lái)的累計(jì)誤差,。在論文【50】中提出了一種計(jì)算里程計(jì)并整合雷達(dá)傳感器數(shù)據(jù)的特征來(lái)改善ICP算法,，這是一種通過(guò)對(duì)點(diǎn)云的下采樣和點(diǎn)云數(shù)據(jù)的幾何性質(zhì)抑制點(diǎn)云匹配的ICP算法,，作者在KITTI數(shù)據(jù)集上的里程計(jì)漂移下降了27%,但是ICP算法最終被3D正態(tài)分布（NDT）算法所超越【14】【51】3DNDT算法其實(shí)是一種將2D NDT算法的擴(kuò)展到三維空間的算法，與ICP算法類似的是源點(diǎn)云和目標(biāo)點(diǎn)云質(zhì)檢的轉(zhuǎn)換也需要進(jìn)行迭代和優(yōu)化,，但是這種方法的優(yōu)化的誤差方程不在點(diǎn)對(duì)之間,，而在根據(jù)預(yù)先計(jì)算的體素中存在的點(diǎn)的均值和協(xié)方差,，NDT首先將點(diǎn)云轉(zhuǎn)換為概率密度函數(shù)（PDF）,，然后將概率密度函數(shù)與高斯牛頓算法結(jié)合優(yōu)化，找到兩點(diǎn)云之間的空間變換,，在【52】中提出了對(duì)3D NDT算法的擴(kuò)展并命名為概率NDT算法,，該算法嘗試解決經(jīng)典的NDT算法的稀疏性。這種不再給予點(diǎn)的數(shù)量而是概率的點(diǎn)的概率的方法能夠獲取LIDAR數(shù)據(jù)之間的轉(zhuǎn)換關(guān)系,，但是在自動(dòng)駕駛中,，這種方法很少能夠滿足實(shí)時(shí)運(yùn)行計(jì)算的要求。所以一般會(huì)加入一下輔助的傳感器,，比如IMU,，作為初始的定位值。在IMLS-SLAM[20]算法中提出了三部算法：

（1）首先是動(dòng)態(tài)對(duì)象的刪除,，該動(dòng)態(tài)對(duì)象通過(guò)對(duì)掃描幀點(diǎn)云數(shù)據(jù)的聚類獲取再刪除,。

（2）對(duì)于刪除動(dòng)態(tài)障礙物的剩余點(diǎn)云進(jìn)行下采樣，

（3）最后是匹配步驟,，通過(guò)掃描到模型的匹配策略,，使用隱式最小移動(dòng)法（IMLS）計(jì)算和優(yōu)化轉(zhuǎn)換關(guān)系.

另外一種流行的處理方法是計(jì)算點(diǎn)云的surfel（SURFace ELement）文章【24】構(gòu)建點(diǎn)云的surel貼圖，構(gòu)建的貼圖和法線貼圖可用于ICP算法來(lái)計(jì)算車輛的里程計(jì),，并通過(guò)surfel實(shí)現(xiàn)回環(huán)檢測(cè)和軌跡優(yōu)化,。在文章[38]中，通過(guò)以下步驟將激光雷達(dá)掃描轉(zhuǎn)換為線點(diǎn)云：從相鄰環(huán)的相鄰點(diǎn)之間采樣線段,。然后使用迭代方法將這些線點(diǎn)云對(duì)齊：首先,，計(jì)算生成的線的中心點(diǎn)。然后,，通過(guò)在目標(biāo)點(diǎn)云中找到中心距源點(diǎn)云中最近的線,，將這些點(diǎn)用于查找連續(xù)掃描之間的轉(zhuǎn)換。然后使用其他后期處理技巧來(lái)提高準(zhǔn)確性,，例如使用以前的變換來(lái)預(yù)測(cè)和初始化下一個(gè)姿勢(shì)估計(jì)步驟,。有時(shí)，減小LIDAR數(shù)據(jù)的維數(shù)也可以產(chǎn)生合理的結(jié)果,，例如在[40]中,，將傳入的掃描數(shù)據(jù)投影到具有占用柵格和高度的2.5D網(wǎng)格圖上。

3D的點(diǎn)云特征有【55】【56】【57】是代表在時(shí)間和空間上具有一致性的可識(shí)別區(qū)域的興趣點(diǎn),，這些特征點(diǎn)通常用于3D的對(duì)象檢測(cè)使用特征描述子作為唯一的向量表示法,，并且描述子可以用于匹配兩個(gè)不同點(diǎn)云中的特征,，通過(guò)找到足夠且一致的匹配項(xiàng)，再使用優(yōu)化的方法計(jì)算兩次掃描點(diǎn)云之間的轉(zhuǎn)換關(guān)系,。從而能夠構(gòu)建里程計(jì),，在文章【12】中作者提出了一項(xiàng)研究著重于尋找出在自動(dòng)駕駛實(shí)現(xiàn)精確定位的特征信息，但是由于點(diǎn)簇的分布由于場(chǎng)景的不同,，該方法提取出來(lái)的特征點(diǎn)也是不穩(wěn)定的,，在論文【16】中，提出了PoseMap的方法,，作者認(rèn)為地圖的連續(xù)性是實(shí)現(xiàn)車輛定位的關(guān)鍵,，并且預(yù)先構(gòu)建的點(diǎn)云高精地圖，然后根據(jù)重疊閾值對(duì)齊進(jìn)行二次采樣,，以生成維持關(guān)鍵幀姿態(tài)的環(huán)境集合,，這些子地圖可以在不同的時(shí)間點(diǎn)彼此獨(dú)立的更新，然后通過(guò)簡(jiǎn)單的使用兩個(gè)與當(dāng)前車輛最近的子地圖并且最小化舊地圖和和新特征之間的距離,，通過(guò)滑動(dòng)窗口的方法解決定位問(wèn)題,。

還有論文【21】【22】利用自動(dòng)駕駛車輛環(huán)境中存在的幾何形狀作為定位的要素，將平面提取算法與幀與幀之間的技術(shù)相結(jié)合以產(chǎn)生姿態(tài)的估計(jì)用于車輛的定位,，與通過(guò)ICP算法獲得的結(jié)果比較平面提取和對(duì)齊的方法在準(zhǔn)確性和速度上都顯示出了極大的提高,。

目前KITTI里程計(jì)排行榜上排名第一的方法[25]，首先根據(jù)點(diǎn)的平滑度和遮擋度提取平面和角點(diǎn)要素,。這些特征與后續(xù)掃描中的點(diǎn)patch相匹配,，然后使用Levenberg-Marquardt方法求解LIDAR運(yùn)動(dòng)。正如通常在大多數(shù)SLAM流程中所做的那樣,，在后臺(tái)線程中以比里程計(jì)估計(jì)更慢的頻率構(gòu)建地圖,，這有助于改善最終定位結(jié)果。在文章[26]中提出了對(duì)該方法的擴(kuò)展方法,，以提高其速度并保證里程計(jì)計(jì)算的實(shí)時(shí)性,。主要的改進(jìn)在于通過(guò)消除不可靠的特征并使用兩次LevenbergMarquardt方法來(lái)加快優(yōu)化步驟，從而充分利用地面的信息,。盡管如此,，LOAM流程中的主要遺留問(wèn)題之一是由于累積誤差導(dǎo)致的里程表漂移。但是,，將回環(huán)檢測(cè)算法加入到流程中是可以解決此問(wèn)題,，如[28]或[27]中所示。

        深度學(xué)習(xí)的方法應(yīng)用在里程計(jì)和定位上還是比較新穎的研究方向,，但是在深度學(xué)習(xí)被證明在圖像領(lǐng)域的價(jià)值之后,，并且像PointNet【60】和PointNet++這樣的方法表明，深度學(xué)習(xí)的使用將會(huì)越來(lái)越流行,，涉及到深度學(xué)習(xí)的方法可以嘗試使用原始點(diǎn)云作為輸入并使用單個(gè)網(wǎng)絡(luò)直接預(yù)測(cè)車輛的位移以端到端的方式解決此任務(wù),，提出使用深度學(xué)習(xí)方法解決里程計(jì)的方法是論文【13】,，為了簡(jiǎn)化深度學(xué)習(xí)的網(wǎng)絡(luò)的輸入不是直接對(duì)3D點(diǎn)云進(jìn)行處理而是將LIDAR點(diǎn)云投影到2D空間上生成全景的深度圖像，然后將其輸入到卷積網(wǎng)絡(luò)中,，求解兩個(gè)輸入幀之間的旋轉(zhuǎn)和平移,，獲得的結(jié)果低于標(biāo)準(zhǔn)，但是確是探索使用深度學(xué)習(xí)解決此任務(wù)的方案,。

        全景的深度圖像是lidar數(shù)據(jù)的一種常見(jiàn)的表示形式,，另一種使用深度圖像的方法是DeepPCO【17】將雷達(dá)投影生成的全景深度圖分別輸入到兩個(gè)卷積網(wǎng)絡(luò)中，分別用于計(jì)算兩幀之間的旋轉(zhuǎn)和平移,。另外還有將雷達(dá)點(diǎn)云投影到球形坐標(biāo)系下生成兩個(gè)新的2D圖像,，分別是定點(diǎn)圖（表示每個(gè)點(diǎn)的位置（XYZ）)和發(fā)現(xiàn)圖（表示每個(gè)點(diǎn)的法線值）,，將兩個(gè)圖像分別輸入到兩個(gè)網(wǎng)絡(luò)中,，分別是：VertexNet他以定點(diǎn)圖作為輸入，用于預(yù)測(cè)連續(xù)幀之間的轉(zhuǎn)換,，NormalNet以法線圖作為輸入,，預(yù)測(cè)兩者之間的旋轉(zhuǎn)。

        在[44]中提出了一種稱為CAE-LO的解決方案,，其中使用無(wú)監(jiān)督卷積自動(dòng)編碼器以多尺度方式從LIDAR數(shù)據(jù)的球形投影中提取特征,。附加的自動(dòng)編碼器用于生成特征描述符，然后使用基于RANSAC的幀到幀匹配來(lái)匹配點(diǎn),。最后,，ICP算法用于完善里程計(jì)結(jié)果。

        在[29]中,，提出了LORAX算法,。這種方法引入了超點(diǎn)的概念，超點(diǎn)是位于球體內(nèi)并描述了點(diǎn)云局部表面的點(diǎn)的子集,，這些超點(diǎn)被投影到2D空間上以形成2D深度圖,。然后使用一系列測(cè)試對(duì)這些深度圖進(jìn)行過(guò)濾，僅留下相關(guān)的超點(diǎn),，并使用PCA和深度自動(dòng)編碼器進(jìn)行編碼,。然后，再進(jìn)行粗配準(zhǔn)步驟（其中使用涉及RANSAC算法的迭代方法）之前,，根據(jù)特征之間的歐式距離來(lái)選擇要匹配的候選對(duì)象,。作為最后一步，使用ICP算法微調(diào),，以提高整個(gè)算法結(jié)果的準(zhǔn)確性,。

        在集成一系列的論文[32]，[31],，[33],，[34]后提出SegMap方法[35]的作者探索了如何使用簡(jiǎn)單的卷積網(wǎng)絡(luò)有效地從點(diǎn)云中提取和編碼片段,，用于解決定位和構(gòu)建地圖相關(guān)任務(wù)。這種方法的主要貢獻(xiàn)在于其數(shù)據(jù)驅(qū)動(dòng)的3D片段描述符,，該描述符是使用由一系列卷積和完全連接的層組成的網(wǎng)絡(luò)提取的,。使用由兩部分組成的損失函數(shù)訓(xùn)練描述符提取器網(wǎng)絡(luò)：分類損失和重建部分。最終,，使用k-Nearest Neighbors（k-NN）算法找到提取的片段及其候選對(duì)應(yīng)關(guān)系,，這使得解決定位任務(wù)成為可能。

         當(dāng)試圖使兩幀點(diǎn)云之間的運(yùn)動(dòng)回歸時(shí),，前面討論的大多數(shù)方法都會(huì)不可避免地遭受場(chǎng)景中動(dòng)態(tài)對(duì)象（汽車,，行人等）的影響。已知在場(chǎng)景中刪除動(dòng)態(tài)對(duì)象可以改善大多數(shù)SLAM流程中的里程計(jì)計(jì)算結(jié)果,。但是,，以有監(jiān)督的方式檢測(cè)然后從場(chǎng)景中刪除動(dòng)態(tài)對(duì)象會(huì)帶來(lái)額外的復(fù)雜性，這可能導(dǎo)致更長(zhǎng)的處理時(shí)間和不穩(wěn)定的結(jié)果,。為了以一種無(wú)監(jiān)督的方式解決這個(gè)問(wèn)題,，論文[37]中的作者提出了為動(dòng)態(tài)掩碼預(yù)測(cè)的任務(wù)訓(xùn)練編碼器-解碼器分支。這是通過(guò)優(yōu)化幾何一致性損失函數(shù)來(lái)完成的,，該函數(shù)說(shuō)明了點(diǎn)云數(shù)據(jù)的法線可以對(duì)幾何一致性進(jìn)行建模的區(qū)域,。完整的網(wǎng)絡(luò)稱為L(zhǎng)O-Net可以通過(guò)端對(duì)端的方式進(jìn)行訓(xùn)練，方法是將幾何一致性損失,，里程計(jì)回歸損失和交叉熵?fù)p失結(jié)合起來(lái)以進(jìn)行正則化,。

在KITTI訓(xùn)練數(shù)據(jù)集上的3D深度學(xué)習(xí)定位方法的比較

 在KITTI測(cè)試數(shù)據(jù)集上3D定位方法的比較。

            有些深度學(xué)習(xí)方法不是直接使用LIDAR進(jìn)行定位車輛的,，而是嘗試學(xué)習(xí)常見(jiàn)流程中的錯(cuò)誤模型,。換句話說(shuō)，深度學(xué)習(xí)可用于校正已經(jīng)可用的里程計(jì)計(jì)算,，產(chǎn)生功能強(qiáng)大且靈活的插件模塊,。論文[39]的作者建議學(xué)習(xí)一個(gè)偏差校正項(xiàng)，目的是改善以LIDAR數(shù)據(jù)作為輸入的狀態(tài)估計(jì)器的結(jié)果,。高斯模型用于對(duì)6個(gè)測(cè)距誤差進(jìn)行相互獨(dú)立的建模,，其精心選擇的輸入特征集中在受誤差影響最大的3個(gè)自由度上。在[41]中,，提出了一種更高級(jí)的方法,，稱為L(zhǎng)3-Net，可以將其關(guān)聯(lián)到偏差校正問(wèn)題上,，因?yàn)榇颂幍淖髡咛岢隽艘粋€(gè)嘗試學(xué)習(xí)殘差項(xiàng)的網(wǎng)絡(luò),，而不是預(yù)測(cè)幀之間的轉(zhuǎn)換關(guān)系。首先提取相關(guān)特征并將其輸入miniPointNet中以生成其相應(yīng)的特征描述符。然后構(gòu)建殘差項(xiàng),，并使用3D卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行正則化,。此外，將RNN分支添加到網(wǎng)絡(luò)中,，以確保位移預(yù)測(cè)的時(shí)間平滑性,。同一作者在[42]，[43]中提出了一個(gè)更完整,，更通用的L3-Net變種,，并將其命名為DeepICP。在這里,，使用PointNet ++提取特征,，然后使用僅保留最相關(guān)特征的加權(quán)層進(jìn)行過(guò)濾。與先前的方法類似,，使用miniPointNet結(jié)構(gòu)計(jì)算特征描述符,，然后將其反饋到相應(yīng)的點(diǎn)云生成層，該層在目標(biāo)點(diǎn)云中生成相應(yīng)的關(guān)鍵點(diǎn),。為了使變換的最終值回歸,，將兩個(gè)損失函數(shù)組合在一起,，并對(duì)局部相似度和全局幾何約束進(jìn)行編碼,。

        我們根據(jù)先前在KITTI里程計(jì)數(shù)據(jù)集[9]上報(bào)告的結(jié)果對(duì)先前引用的方法進(jìn)行比較，該基準(zhǔn)測(cè)試是最流行的用于戶外里程計(jì)評(píng)估的大型數(shù)據(jù)集之一：它包含使用Velodyne HDL-64E記錄的22個(gè)序列激光雷達(dá)掃描儀已經(jīng)過(guò)預(yù)處理,，以補(bǔ)償車輛的運(yùn)動(dòng),。地面真值可用的11個(gè)序列，并且是使用高級(jí)GPS / INS系統(tǒng)獲得的,。盡管LOAM仍然占據(jù)著KITTI排行榜的第一位,，但是很明顯，涉及深度學(xué)習(xí)的方法正變得越來(lái)越準(zhǔn)確,。例如,，DeepICP的報(bào)告平均結(jié)果優(yōu)于訓(xùn)練數(shù)據(jù)集上提出的任何其他方法。但是,，我們很難將它們歸類為“最先進(jìn)”的方法,，主要有兩個(gè)原因：

（1）DeepICP報(bào)告，配準(zhǔn)每對(duì)點(diǎn)云大約需要2秒鐘,。這太慢了,，以至于不能在現(xiàn)實(shí)生活中運(yùn)行的真正的自動(dòng)駕駛汽車上使用。

（2）尚未報(bào)告測(cè)試數(shù)據(jù)集上這些方法的結(jié)果,。在測(cè)試數(shù)據(jù)集上的良好結(jié)果將證明這些方法能夠在實(shí)際場(chǎng)景中使用,，而不僅是在深度神經(jīng)網(wǎng)絡(luò)已經(jīng)看到的數(shù)據(jù)上。在此之前,，LOAM及其變體仍然是真正的自動(dòng)駕駛部署的最佳選擇和最可信賴的,。

        在本文中,，主要回顧，分析,，比較和討論了自動(dòng)駕駛汽車3D LIDAR定位領(lǐng)域中的大多數(shù)最新進(jìn)展和發(fā)現(xiàn),。考慮了使用唯一的傳感器是3D LIDAR的系統(tǒng),，這是由于該傳感器在當(dāng)今最準(zhǔn)確的感知和定位系統(tǒng)中的重要性日益增加,，此外，它對(duì)大眾和制造商的可用性也有所提高,。從論文對(duì)KITTI里程計(jì)數(shù)據(jù)集進(jìn)行比較,，得出以下結(jié)論：盡管基于深度學(xué)習(xí)的方法展現(xiàn)出良好的結(jié)果，并且似乎代表了未來(lái)的研究方向,，但是基于3D特征檢測(cè)和匹配的方法由于在現(xiàn)實(shí)應(yīng)用中具有一定的穩(wěn)定性,，仍被認(rèn)為是最佳且有效的方案。

本文是自動(dòng)駕駛中激光雷達(dá)點(diǎn)云定位相關(guān)綜述,，由于篇幅文章內(nèi)容以及參考文獻(xiàn)有所刪減,，如有興趣，可加入知識(shí)星球下載原文進(jìn)行學(xué)習(xí),。