基于无线通信的UAV辅助Metaverse：一种强化学习方法

面向动态太赫兹无人机网络资源分配的图神经网络辅助深度强化学习

Graph Neural Network Aided Deep Reinforcement Learning for Resource Allocation in Dynamic Terahertz UAV Networks

Terahertz Wireless Communications (TWC) Laboratory, Shanghai Jiao Tong University（太赫兹无线通信实验室，上海交通大学）；Cooperative Medianet Innovation Center (CMIC), School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（协同中继网络创新中心，信息科学与电子工程学院，上海交通大学）

本文提出GLOVE算法，将图神经网络与深度强化学习结合，通过自节点特征强调和多任务协同训练，解决动态太赫兹无人机网络中功率与天线阵列的联合资源分配问题，在资源效率和时延上优于基准方法并保持零丢包。

2025-05-08cs.LG

NOMA辅助UAV网络中的多智能体强化学习

Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading

Queen Mary University of London（伦敦玛丽女王大学）

提出了一种新的框架，蜂窝卸载的帮助下，多个无人机（UAV），而非正交多址接入（NOMA）技术，在每个无人机，以进一步提高频谱效率的无线网络。以吞吐量最大化为目标，建立了联合三维轨迹设计和功率分配的优化问题。由于地面移动用户被认为是连续漫游的，因此需要根据用户的移动及时重新部署无人机。为了解决这一动态问题，首先采用基于K-均值的聚类算法对用户进行周期性划分。然后，提出了一种交互深度Q网络（MDQN）算法来联合确定无人机的最优三维轨迹和功率分配。与传统的DQN算法相比，MDQN算法将多Agent的经验输入到一个共享的神经网络中，并辅以状态抽象，从而缩短了训练时间。仿真结果表明：1）MDQN算法能够在较小的约束条件下收敛，并且在多智能体情况下比传统的DQN算法具有更快的收敛速度; 2）NOMA增强的无人机网络的可达总速率比正交多址接入（OMA）的可达总速率高23%; 3）利用MDON算法设计无人机最优三维航迹，网络总速率比调用圆形航迹和二维航迹分别提高142%和56%。

2020-10-18cs.LG

模型辅助深度强化学习用于IoT网络中样本有效的UAV轨迹设计

Model-aided Deep Reinforcement Learning for Sample-efficient UAV Trajectory Design in IoT Networks

EURECOM（欧洲通信学院）

深度强化学习（DRL）作为一种潜在的方法正在受到关注，用于设计在蜂窝或物联网（IoT）连接背景下用作飞行接入点的自主无人机（UAV）的轨迹。DRL解决方案提供了在线学习的优势，因此依赖于很少的先验上下文信息。然而，一个相应的缺点在于需要许多学习情节，这严重限制了这种方法在现实世界中的时间和能量受限的任务的适用性。在这里，我们提出了一种模型辅助的深度Q学习方法，与以前的工作相比，该方法大大减少了对大量训练数据样本的需求，同时仍然实现了DRL的首要目标，即在没有无线信道特性的先验知识和无线节点位置的有限知识的情况下，引导电池有限的UAV在有效的数据采集轨迹上。其关键思想在于使用一小部分节点作为锚（即具有已知位置），并学习传播环境的模型，同时隐式地估计常规节点的位置。与模型的交互允许我们训练一个深度Q网络（DQN）来近似最优的无人机控制策略。我们表明，与标准的DRL方法相比，所提出的模型辅助方法需要至少一个数量级的训练数据样本，以达到相同的数据汇集性能，从而提供了第一步，使DRL一个可行的解决方案的问题。

2021-10-05cs.ITcs.LGmath.IT

TRUAV：无人机辅助的物联网支持的车联网中用于轨迹规划和路由增强的分布式多智能体强化学习

TRUAV: Distributed Multi-Agent Reinforcement Learning for Trajectory Planning and Routing Enhancement in UAV-Aided IoT-Enabled VANETs

Hangzhou International Innovation Institute of Beihang University（北京航空航天大学杭州国际创新研究院）；School of Automation Science and Electrical Engineering at Beihang University（北京航空航天大学自动化科学与电气工程学院）；State Key Laboratory of Intelligent Manufacturing Systems Technology（智能制造系统技术国家重点实验室）；School of Transportation, Southeast University（东南大学交通学院）；Digital Health Research Center, Haihe Lab of ITAI（海河信息技术与人工智能实验室数字健康研究中心）；School of Cyber Science, Nankai University（南开大学网络空间科学学院）；China-SCO Digital Intelligence Applications (DIA) Joint Laboratory（中国-上海合作组织数字智能应用联合实验室）；College of Engineering, Abu Dhabi University（阿布扎比大学工程学院）；Faculty of Engineering and Architecture, Nisantasi University（尼桑塔西大学工程与建筑学院）；School of Information Engineering, Guangdong University of Technology（广东工业大学信息工程学院）

研究无人机辅助车联网中轨迹规划与路由增强问题，提出基于独立表格Q学习的分布式多智能体强化学习框架TRUAV，其智能体依局部信息运行，奖励设计兼顾多种因素，模拟显示该框架在多方面表现良好，还讨论了相关挑战与方向。

2026-07-28cs.LGcs.NI

无人机辅助车载无线网络的连续Meta-强化学习

Continual Meta-Reinforcement Learning for UAV-Aided Vehicular Wireless Networks

University of Bologna（博洛尼亚大学）；King’s College London（伦敦国王学院）

无人空中基站（UABS）可以部署在车载无线网络中，以支持诸如通过车联网（V2X）服务的扩展感测等应用。在这样的系统中的一个关键问题是设计算法，可以有效地优化轨迹的UABS，以最大限度地提高覆盖率。在现有的解决方案中，通常通过传统的强化学习（RL），对于任何新的业务配置从头开始执行这种优化。在本文中，我们建议使用连续元RL作为一种手段，将信息从以前经历的交通配置转移到新的条件下，目标是减少优化UABS的政策所需的时间。采用连续Meta策略搜索（CoMPS）策略，我们证明了显着的效率提高相比，传统的RL，以及天真的迁移学习方法。

2022-10-05cs.LGcs.NI

基于深度强化学习的无人机RAN切片覆盖和资源分配联合算法

Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing

Technology Innovation Institute（技术创新研究院）；Trinity College Dublin（都柏林圣三一学院）

网络切片是一种评估良好的方法，能够在新兴的第五代新无线电中实现移动核心和无线电接入网络（RAN）的虚拟化。切片是至关重要的，当处理新兴的和多样化的垂直应用程序，需要异构的需求集。5G还设想无人机（UAV）成为蜂窝网络标准的关键元素，旨在将其用作空中基站，并利用其灵活快速的部署来增强无线网络性能。该工作提出了一种无人机辅助的5G网络，其中空中基站（UAV-BS）具有网络切片能力，旨在优化一组用户的服务水平协议（SLA）满意度。这些用户属于5G服务类型的三个异构类别，即增强型移动宽带（eMBB）、超可靠低延迟通信（URLLC）和大规模机器类型通信（mMTC）。介绍了在网络切片背景下用于UAV-BS的多代理和多决策深度强化学习的第一应用，旨在通过将无线电资源联合分配给切片和UAV-BS二维轨迹的细化来优化用户的SLA满意率。所提出的策略的性能已经过测试，并与基准算法进行了比较，在各种场景中，满意用户的比例更高（至少高出27%）。

2022-11-15cs.LGcs.NI

利用基于注意力的多目标强化学习优化无人机辅助物联网网络中的能耗与数据采集

Optimizing Energy and Data Collection in UAV-aided IoT Networks using Attention-based Multi-Objective Reinforcement Learning

Advanced Wireless Technology Lab, Paris Research Center, Huawei Technologies France（华为法国技术有限公司巴黎研究中心先进无线技术实验室）；EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部）；Communication Systems Department, EURECOM, Sophia Antipolis, France（埃鲁科姆法国索菲亚安蒂波利斯分部通信系统部）；Dept. of Computer Science and Artificial Intelligence, University of Granada, Spain（Granada大学计算机科学与人工智能系）

本文提出一种基于注意力的多目标强化学习方法，用于优化无人机辅助物联网网络中的能耗与数据采集，通过单一模型实现动态场景适应，提升性能与泛化能力。

2026-01-20cs.LGcs.NI

无人机辅助的语义通信与混合动作强化学习

UAV-assisted Semantic Communication with Hybrid Action Reinforcement Learning

Nanyang Technological University（南洋理工大学）；University of North Texas（北德克萨斯大学）

本文针对偏远地区元宇宙用户上行数据收集效率问题，提出一种混合动作强化学习框架，联合优化语义模型规模、信道分配、功率和无人机轨迹，实验表明其优于基准方案。

2023-12-01cs.AIcs.LGcs.NI

依托无人机的人工智能辅助下一代网络

Artificial Intelligence Aided Next-Generation Networks Relying on UAVs

针对动态环境，提出了人工智能（AI）辅助无人机（UAV）的下一代网络。在支持人工智能的无人机辅助无线网络（UAWN）中，多个无人机被用作空中基站，其能够通过收集关于用户的位置和远程业务需求的信息、从环境中学习并根据从用户接收的反馈采取行动来快速适应动态环境。此外，人工智能使一群无人机之间的互动，以合作优化系统。作为AI框架的一个好处，可以规避传统UAWN的几个挑战，从而增强网络性能，提高可靠性和敏捷自适应性。作为进一步的好处，动态轨迹设计和资源分配的证明。最后，讨论了潜在的研究挑战和机遇。

2020-01-28cs.AIcs.LGcs.SY

无人机辅助D2D网络资源调度：一种多目标优化方法

Resource Scheduling for UAVs-aided D2D Networks: A Multi-objective Optimization Approach

针对无人机辅助D2D网络中的资源调度挑战，本文构建了混合整数规划问题NetResSOP，并提出带有灵活解维度等机制的NSGA-III-FDU算法，以同时最大化网络容量、最小化无人机数量及平均能耗，仿真验证了其有效性与稳定性。

2023-09-30cs.NIcs.SYeess.SY

可重构智能表面辅助UAV通信的离线-在线混合设计

Hybrid Offline-Online Design for Reconfigurable Intelligent Surface Aided UAV Communication

本文研究了在一般莱斯衰落信道下，城市地区可重构智能表面（RIS）辅助无人机（UAV）通信系统。提出了一种离线-在线混合设计方案，利用统计信道状态信息（S-CSI）和瞬时信道状态信息（I-CSI）来提高系统性能。对于离线阶段，我们的目标是通过联合优化RIS的相移和UAV轨迹，最大化基于S-CSI的预期平均可实现速率。由于随机优化问题的非凸性，使得该问题很难求解。为了解决这个问题，我们提出了一个有效的算法，利用随机逐次凸逼近（SSCA）技术。对于在线阶段，UAV根据有效的I-CSI自适应地调整发射波束成形和用户调度。数值结果表明，所提出的混合设计的性能优于各种Bechmark计划，也表现出良好的系统性能和CSI开销之间的权衡。

2022-05-27cs.SYeess.SPeess.SY

大规模多输入多输出无人机辅助MEC车载网络能量优化

Energy Optimization in Massive MIMO UAV-Aided MEC-Enabled Vehicular Networks

提出了一种新的无人机（UAV）辅助的车载网络移动边缘计算（MEC）架构。据认为，车辆应该完成延迟关键的计算密集型任务，无论是本地与车载计算单元或卸载其任务的一部分，路边单元（RSU）与并置MEC服务器。在这个方向上，悬停的UAV可以充当用于任务处理的空中RSU（ARSU），或者充当空中中继器并进一步将计算任务卸载到地面RSU（GRSU）。为了显著减少数据卸载和下载期间的延迟，该架构依赖于大规模多输入多输出（MIMO）的益处。因此，认为飞行器、ARSU和GRSU采用大型天线。介绍了MEC使能网络的三维（3D）几何表示，并提出了一种优化方法，该方法使车辆和ARSU的加权总能耗（WTEC）最小化，并服从发射功率分配、任务分配和时隙调度。仿真结果验证了理论推导的正确性，强调了大规模多输入多输出传输的有效性，并提供了有益的工程见解。

2021-03-30cs.SYeess.SY

基于强化学习的UAV辅助搜救行动

UAV Aided Search and Rescue Operation Using Reinforcement Learning

由于部署灵活性的增强和制造成本的降低，预计未来几年对无人机（UAV）的需求将飙升。在本文中，我们探讨了无人机辅助搜索和救援~（SAR）在室内环境中，GPS信号可能是不可靠的操作。我们考虑SAR场景，其中无人机试图通过感测受害者拥有的智能设备发出的RF信号来定位被困在室内环境中的受害者。为了尽可能快地定位受害者，我们利用强化学习（RL）的工具。无人机上的接收信号强度（RSS）取决于与源的距离、室内阴影和衰落参数以及安装在无人机上的接收机的天线辐射方向图。为了使我们的分析更加真实，我们使用商业射线跟踪软件模拟了两个不同尺寸的室内场景。然后，在每个可能的离散UAV位置处提取相应的RSS值，并在Q学习框架中使用。与利用GPS坐标的传统基于位置的导航方法不同，我们的方法使用RSS来定义RL算法的状态和奖励。我们比较所提出的方法，其中使用定向和全向天线的性能。结果表明，使用定向天线提供更快的收敛速度比全向天线。

2020-02-19cs.SYeess.SPeess.SY

双UAV协同干扰辅助安全通信网络的高效轨迹设计与通信调度

Efficient Trajectory Design and Communication Scheduling for Dual-UAV Jamming-Aided Secure Communication Networks

School of Electronic Information, Wuhan University（武汉大学电子信息学院）；Chair of Information Theory and Data Analytics, RWTH Aachen University（亚琛工业大学信息理论与数据分析讲席）

本文提出双UAV协同干扰辅助安全通信网络的高效轨迹设计与通信调度方法，通过co-SHF结构优化提升保密吞吐量和用户公平性，降低计算复杂度。

2026-01-28cs.SYeess.SY

具有不确定位置感知误差的无人机辅助ISAC系统的鲁棒功率分配

Robust Power Allocation for UAV-aided ISAC Systems with Uncertain Location Sensing Errors

本文提出一种无人机辅助ISAC框架，针对位置感知误差分别建模为椭球、高斯和任意分布，设计了三种鲁棒功率分配方案以最小化感知CRB，并验证了其鲁棒性与通感权衡。

2023-10-25cs.SYeess.SY

UAV辅助空中计算

UAV Aided Over-the-Air Computation

空中计算（AirComp）通过利用多址信道的波形叠加特性，将通信和计算无缝集成。不同于现有的工作，侧重于在静态网络上的AirComp的收发器设计，本文考虑了一种无人机（UAV）辅助AirComp系统，其中无人机作为一个飞行的基站聚合来自移动传感器的数据。无人机的轨迹设计提供了额外的自由度，以提高AirComp的性能。我们的目标是最小化的时间平均均方误差（MSE）的AirComp通过联合优化无人机轨迹，接收归一化因子，传感器的发射功率。为此，我们首先提出了一个新的和等价的问题转换，通过引入中间变量。这种重新导致一个凸子问题时，固定任何其他两个块的变量，从而使有效的算法设计的基础上块坐标下降和交替方向的乘法器（ADMM）技术的原则。特别是，我们得到了最佳的封闭形式的解决方案，规范化的因素和中间变量优化子问题。我们还重铸凸轨迹设计子问题到ADMM形式，并获得每个变量更新的封闭形式的表达式。仿真结果表明，该算法实现了更小的时间平均MSE，同时减少了数量级的仿真时间相比，国家的最先进的算法。

2021-06-01cs.SYeess.SPeess.SY

用于RIS辅助和UAV辅助通信的自适应Soft Actor-Critic框架

Adaptive Soft Actor-Critic Framework for RIS-Assisted and UAV-Aided Communication

本文提出一种基于自适应稀疏transformer和ASTAFER的自适应软演员-评论家（ASAC）框架，用于解决UAV-RIS网络中波束成形、相移和轨迹联合优化问题，以最大化最小用户速率，实现了优于传统SAC的实时高效通信。

2024-11-16cs.SYeess.SPeess.SY

视觉辅助多无人机系留网系统捕获非合作目标的动力学与控制

Dynamics and Control of Vision-Aided Multi-UAV-tethered Netted System Capturing Non-Cooperative Target

Harbin Institute of Technology（哈尔滨工业大学）

本文提出多无人机系留网捕获非合作目标方案，并开发集成多体动力学、视觉跟踪与MAPPO强化学习控制的mySim仿真环境，验证了对非机动和机动目标的有效捕获能力。

2025-06-03cs.ROcs.SYeess.SY

基于注意力的多无人机路径规划通信与控制

Attention Based Communication and Control for Multi-UAV Path Planning

Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）；School of Information Technology, Deakin University（迪肯大学信息技术学院）

受自然语言处理中多头注意力机制的启发，提出了一种用于多无人机路径规划的迭代单头注意机制。ISHA机制由通信助手运行，收集UAV的状态嵌入并向每个UAV分配注意力得分向量。由ISHA计算的注意力分数确定了在每个UAV的控制决策中应该考虑与其他UAV的交互的数量。仿真结果证实，基于ISHA的通信和控制框架实现了更快的旅行与更低的无人机间碰撞的风险比MHA辅助基线，特别是在有限的通信资源。

2021-12-20cs.LGcs.SYeess.SY

无人机辅助灾后蜂窝网络：一种新的随机几何方法

UAV-Aided Post-Disaster Cellular Networks: A Novel Stochastic Geometry Approach

出于对灾后应急管理系统（EMS）中无处不在的和可靠的通信的需求，我们在此提出了一种新的和有效的随机几何（SG）框架。这个数学模型是专门设计来评估服务质量（QoS）所经历的一个典型的地面用户设备（UE）居住在一个受灾难影响的一般区域内或外。特别是，我们的运作地面基站（TBS）作为一个非齐次泊松点过程（IPPP）的模型，并假设一个给定数量的均匀分布的无人机（UAV）配备蜂窝收发器部署，以补偿一些现有的TBS所遭受的损害。然后，基于最大平均接收功率关联策略和所有无线链路的Nakagami-m衰落条件的假设，推导出下行链路（DL）覆盖概率。建议的数值结果显示有见地的趋势，在覆盖概率方面，取决于：距离的UE从灾难震中，灾难半径，质量的弹性（QoR）的地面网络，和舰队部署的自组织空中基站（ABS）。因此，本文的目的是证明垂直异构网络（VHetNets）在紧急情况下的有效性，这既可以刺激有关当局的实施，也可以启发研究人员进一步研究相关问题。

2023-02-19cs.SYeess.SY

风环境下无人机辅助海上数据汇集的节能轨迹设计

Energy-Efficient Trajectory Design for UAV-Aided Maritime Data Collection in Wind

无人机，特别是固定翼无人机，能够承受强风，在海洋勘探和研究方面具有巨大潜力。研究了一种无人机辅助海上数据汇集系统，该系统利用固定翼无人机对海上浮标进行数据采集。通过联合优化浮标之间的通信时间调度和无人机受风影响的飞行轨迹，以最小化无人机完成任务的能量消耗。传统的逐次凸近似（SCA）方法可以为中小数据量的采集提供有效的次优解，但该方法严重依赖于轨迹初始化，没有明确考虑风的影响，而计算/轨迹复杂度对于大数据量的任务来说都变得令人望而却步。为此，我们提出了一种新的周期性轨迹设计框架，该框架具有定制的初始化算法，可以有效地处理任意数据量，以及一种混合离线-在线（HO 2）设计，该设计利用基于风统计的离线凸随机规划（CSP），并通过在线适应实时风速来改进解决方案。数值结果表明，与基准方案相比，优化后的航迹能更好地适应不同目标数据量、浮标拓扑结构以及不同风速、风向和方差的情况。

2021-12-26cs.ITcs.SYeess.SY

无人机基准辅助导航的灵敏度研究

Sensitivity Study of Fiducial-Aided Navigation of Unmanned Aerial Vehicles

Utah State University（犹他州立大学）

无人驾驶飞行器（UAV）在城市地区的可能应用和好处越来越受到人们的关注。在实现这些可能性之前，无人机必须能够在城市环境中可靠和精确地导航。确定无人机位置的最常见手段是利用全球导航卫星系统（GNSS）的位置测量。然而，在城市环境中，由于遮挡和多路径，GNSS测量显著降级。本研究分析了使用相机视线（LOS）测量自描述基准作为传统的GNSS测量的替代品。为了将惯性测量单元（IMU）的连续测量与离散视线测量相结合，对无人机的状态进行精确估计，提出了一种扩展卡尔曼滤波器（EKF），并进行了验证。评估了估计误差协方差对各种系统参数的敏感性，包括IMU等级、基准放置、车辆高度和图像处理频率。

2021-10-04cs.ROcs.SYeess.SY

基于观测器的垂直起降无人机跟踪控制器：使用视觉辅助惯性导航直接测量值

Observer-based Controller for VTOL-UAVs Tracking using Direct Vision-Aided Inertial Navigation Measurements

Carleton University（卡尔顿大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Szeged（塞格德大学）

本研究提出一种基于观测器的VTOL-UAV控制器，可直接利用VA-INS测量值实现6 DoF轨迹跟踪，省去姿态位置重建，计算效率更高，闭环误差指数稳定，适用于GPS不可用环境，且提供了离散版本并完成测试。

2023-08-25cs.ROcs.SYeess.SY

面向无人机辅助搜救任务的基于量子的k覆盖优化

Quantum-Based k-Coverage Optimization for UAV-Aided Search and Rescue Missions

Yonsei University（延世大学）；University of Waterloo（滑铁卢大学）

针对无人机辅助搜救的航点选择问题，提出基于量子近似优化算法的QUBO方法，在量子硬件上实现了高覆盖率且路径更短的航点优化，优于传统基线。

2026-09-03cs.SYeess.SY

风场中无人机辅助海洋数据采集的节能循环轨迹设计

Energy-Efficient Cyclical Trajectory Design for UAV-Aided Maritime Data Collection in Wind

无人机，特别是固定翼无人机，能够承受强风，在海洋勘探和研究方面具有巨大潜力。研究了一种无人机辅助海洋数据采集系统，该系统采用固定翼无人机对海洋浮标进行数据采集。针对无人机在风影响下的飞行轨迹和浮标间的通信时间调度问题，提出了一种基于最优解的非凸优化方法，旨在最小化无人机在完成任务过程中的能量消耗。现有的技术，如连续凸近似（SCA）方法提供了有效的次优解决方案，用于收集小/中等数据量，而该解决方案严重依赖于轨迹初始化，并没有明确考虑风的影响，而计算复杂性和由此产生的轨迹复杂性都变得令人望而却步的任务与大数据量。为此，我们提出了一个新的循环轨迹设计框架，可以有效地处理任意数据量受到风的影响。具体而言，所提出的UAV轨迹包括多个循环圈，每个循环圈负责仅收集数据的子集，从而显著降低计算/轨迹复杂性，这允许搜索适合浮标拓扑和风的更好的轨迹初始化。数值结果表明，所提出的循环格式在总体上优于基准的单次飞行格式。此外，优化的循环8形轨迹可以主动利用风，并实现较低的能耗相比，没有风的情况下。

2021-11-05cs.ITcs.NIcs.SY

提升RIS辅助的空中移动边缘计算网络中的保密能效：一种深度强化学习方法

Enhancing Secrecy Energy Efficiency in RIS-Aided Aerial Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach

针对地面用户任务卸载的地面窃听安全问题，提出RIS辅助的UAV-MEC方案，通过深度强化学习联合优化多变量以提升保密能效，兼顾能耗与任务时效，数值验证了方案的安全防护与节能效果。

2025-05-16cs.CRcs.DCcs.SY

通过智能全向表面的全维速率增强用于UAV使能通信

Full-Dimensional Rate Enhancement for UAV-Enabled Communications via Intelligent Omni-Surface

研究了智能全向天线（IOS）辅助下的无人机（UAV）通信系统下行链路可达速率最大化问题。与现有的可重构智能表面（RIS）仅反射入射信号不同，IOS可以同时反射和传输信号，从而提供全维速率增强。为了解决这个问题，我们制定它通过联合优化IOS的相移和无人机的轨迹。虽然它是很难解决的，由于它的非凸性最佳，我们提出了一个有效的迭代算法，以获得高质量的次优解。仿真结果表明，与其他基准方案相比，IOS辅助的无人机通信在可达速率上有更大的提高。

2022-01-21cs.SYeess.SPeess.SY