Unity3D集成大疆遥控器:基于Input System的无人机仿真开发指南

Unity无人机仿真github项目 本人本科生有幸得到导师的指导,对Unity这个平台学习有一段时间。该平台在搭建自主仿真平台方面确实有很大优势。下面是在学习过程中收集到的一些多旋翼无人机仿真的github项目,可供需要的快速学习。个人感觉国外对这方面研究比较多,而国内的寥寥无几。(推荐先Fork到个人的github,之后在码云导入,再在码云上下载,这样下载的速度会很快) 1 https://github.com/UAVs-at-B... 阅读详情

1. 项目概述:为什么要在Unity里模拟大疆遥控器?

如果你正在开发无人机相关的虚拟仿真、培训软件或者游戏,一个绕不开的核心需求就是如何让用户的操作体验无限接近真实。直接让学员上手真机,成本高、风险大,摔一次就是真金白银。而Unity3D,作为跨平台的实时内容开发引擎,自然就成了构建这类高保真模拟器的首选平台。

这个项目的核心目标,就是打通Unity3D虚拟世界与大疆无人机实体遥控器之间的“任督二脉”。我们不是简单地用键盘WASD或者鼠标来控制虚拟无人机,那样太“出戏”了。我们要做的是,让用户手里握着的那台实实在在的大疆遥控器(比如DJI RC系列、带屏的DJI RC Pro,甚至是连接了移动设备的传统遥控器),其每一个摇杆的偏转、每一个按键的按下与释放,都能被Unity程序精准捕获,并实时驱动场景中的虚拟无人机模型做出对应的飞行动作。

这听起来像是驱动层面的硬核编程,但实际上,Unity强大的输入系统(Input System)已经为我们铺平了大部分道路。真正的挑战在于理解大疆遥控器作为输入设备的特性,并将其映射到一套符合无人机飞行逻辑的虚拟控制系统中。这不仅仅是“按键响应”,更是构建一套完整的、符合直觉的飞行控制模拟体系。无论是用于飞行员的前期训练、任务流程的反复演练,还是开发无人机竞速游戏,这个基础功能模块都至关重要。

2. 核心思路与方案选型:Input System 是唯一正解

在Unity中处理外部输入设备,历史上有过旧的 Input 管理器,但对于我们这种需要处理专业游戏手柄/遥控器,且对输入精度、实时性要求高的项目,新的 Input System 包是毋庸置疑的最佳选择。它原生支持各种游戏手柄,提供了更强大、更灵活的输入动作配置和事件处理机制。

2.1 为什么必须用 Input System?

  1. 跨平台与设备抽象 : Input System 将具体的硬件设备(如Xbox手柄、PS手柄、或我们的大疆遥控器)抽象为统一的“输入设备”。我们只需定义我们关心的“输入动作”(如“油门”、“偏航”、“拍照”),然后为这些动作绑定不同设备上的具体控制源(如“Gamepad/leftStick/y” 对应左摇杆上下)。这样,即使未来更换了不同型号的遥控器,也只需调整绑定关系,核心逻辑代码几乎不用改动。
  2. 高性能与低延迟 :它采用了事件驱动的架构,只在输入状态发生变化时触发回调,比每帧轮询(Polling)旧输入系统的方式效率高得多,这对于需要即时响应的飞行模拟至关重要。
  3. 强大的复合输入支持 :可以轻松处理摇杆的死区(Deadzone)、轴向翻转、按键组合(如“Ctrl+C”)等复杂情况。大疆遥控器的摇杆是模拟量输入,死区处理能避免摇杆回中不精确导致的无人机微小漂移。
  4. 便于调试 :Unity Editor内集成了输入调试窗口,可以实时查看所有连接设备的输入信号,这对于排查遥控器连接和映射问题无比方便。

2.2 大疆遥控器的识别与接入

这里有一个关键点:大疆的消费级无人机遥控器,当通过USB线连接到电脑(Windows/macOS)时,通常会被系统识别为一个标准的 HID(Human Interface Device)游戏手柄 。这意味着,在Unity的 Input System 眼里,它和一台Xbox手柄没有本质区别。我们可以通过其 Product Name 和 Vendor ID 来具体识别它。

方案实施步骤简述 :

  1. 在Unity Package Manager中安装 Input System 包。
  2. 创建一个 Input Actions 资产文件(例如 DJI_Remote.inputactions ),在里面定义所有飞行控制相关的动作,如 Pitch (俯仰)、 Roll (横滚)、 Yaw (偏航)、 Throttle (油门),以及功能键如 Takeoff/Land 、 Camera Shutter 等。
  3. 为这些动作绑定控制路径。例如,将 Throttle 绑定到“ <Gamepad>/leftStick/y ”,这通常对应大疆遥控器 左摇杆的上下 (美国手模式下,这是油门和偏航的混合,我们需要后期拆分,详见下文)。
  4. 在代码中,通过 PlayerInput 组件或直接引用 Input Action 资产来读取输入值。

注意 :不同型号的大疆遥控器,其按键和摇杆的默认映射可能略有不同。务必在项目初期进行“设备测绘”:连接遥控器,打开Unity的输入调试器,推动每个摇杆、按下每个按键,记录下它们对应的控制路径。这是后续一切准确映射的基础。

3. 核心细节解析:从原始输入到飞行控制

接收到摇杆的原始输入值(一个-1到1之间的 Vector2 )只是第一步。如何将这些值转化为虚拟无人机的物理运动,才是模拟真实性的核心。

3.1 摇杆输入处理与通道分离

以最常见的“美国手(Mode 2)”遥控方式为例:

  • 左摇杆 :上下控制 油门 ,左右控制 偏航 。
  • 右摇杆 :上下控制 俯仰 ,左右控制 横滚 。

但在 Input System 中,一个摇杆被识别为一个 Stick 控件,我们得到的是其 x 和 y 两个分量。因此,我们需要对左摇杆进行“通道分离”:

// 假设从 Input System 获取的左摇杆输入向量为 leftStickValue
float rawThrottleInput = leftStickValue.y; // 上推为正,下拉为负
float rawYawInput = leftStickValue.x;      // 右推为正,左推为负

// 应用死区处理,忽略摇杆中心附近的微小波动
float deadzone = 0.1f;
if (Mathf.Abs(rawThrottleInput) < deadzone) rawThro
基于unity无人机3D仿真《一》 基于unity无人机3D仿真《一》实现无人机的模型的制作、运动学关系、姿态角等;实现无人机各种姿态运动。 一、目前的效果 二、无人机模型 制作软件:maya 模型结构: 三、开发平台 unity2017 + VS2019 + C# 四、无人机模型及控制规律 飞行姿态控制 高度控制: 俯仰控制:绕无人机自身y轴运动(前后) 横滚控制:绕无人机自身x轴运动(左右) 偏航控制:绕无人机自身z轴... 阅读详情

相关推荐

基于Unity构建机器人的数字孪生平台系列2—四旋翼无人机三维模型

系列2的主要内容是探讨如何自己构建一个模型并且导入Unity。3D仿真与其他类型仿真的一大区别是三维场景和三维模型。为了实现对某个对象的仿真,模型是必须的。当然,针对不同的仿真任务,需要描述对象也是不一样的。但是,一个可视化的三维模型是必须的。比如,通过三维模型观测无人机的运行情况,当前的姿态信息等待。...

yyl80的博客 7527

基于Unity构建机器人的数字孪生平台系列1—介绍

本系列博客将开源近两年结合Unity和多旋翼无人机的相关工作,涵盖仿真、建模、全局云端通信网络、本地局部通信网络、ROS+Unity、VR等方面内容。该工作完整构建以虚控实,沉浸式VR交互,全局监控,群体控制等一体化平台,如今完全开源,旨在提供一个可实际应用且适合机器人开发的数字孪生框架。整个平台是以四旋翼无人机为研究对象,开源PX4为控制器,Ubuntu系统为上层控制器。...

yyl80的博客 1万+

飞行器仿真软件开发——unity3d实现简单的飞行器旋转及变轨操作

上周由于中秋节放假,人比较懒散,只是在和同学一起完成了关于飞行器旋转及变轨操作后,便早早地溜回了宿舍,趁着今天下午没课,把上周完成的算法大概介绍一下。 在开始写飞行器旋转算法之前,我参考了《unity制作简单的太阳系》一文 https://blog.csdn.net/hcud024/article/details/51360068 因为首先我们要做到飞行器正常地旋转即可,这里我们只需要用到tran...

YuanKY214的博客 5631

unity无人机3D仿真总结

开发平台:unity2017 个人版 目前实现的效果: 无人机的模型是采用moya软件制作。 控制代码是使用C#语言。 总结C#语言的用法: (1)脚本的生命周期 1)Awake():在游戏运行时调用,用于初始化,在加载场景时运行。 2)Start()在游戏开始时执行一次,在Awake()函数后面执行。一般将变量初始化、游戏对象的获取是放在这个函数中运行。 3)Update()在游戏的每一帧都...

yyl80的博客 3908

【大疆无人机OnboardSDK(一)Assistant2仿真系统搭建】

【大疆无人机OnboardSDK(一)Assistant2仿真系统搭建】 首先:一定要仔细阅读官网给出的说明书!M600用户使用说明,以及妙算2-C使用说明,不然都搞不清哪些线的作用是干什么的,也不清楚飞控上面哪些预留口是正常有用的! 为了想要完成OnboardSDK开发,首先要对其仿真模拟平台进行搭建,大疆自带了Assistant2软件(貌似只有windows和mac版本)该软件可对...

【秋名鱼酱的博客】 1万+

【虚拟仿真】Unity3D中实现对大疆无人机遥控器手柄按键响应

最近项目中需要用到大疆无人机遥控器对程序中无人机进行控制,遥控器是下图这一款:博主发现接入手柄这块的可以参考的内容非常少,对于大疆遥控器的控制更是没有。博主经过一番研究,终于理通了这块的遥控器摇杆数据的控制。并且将解决思路分享出来,希望对大家有所帮助。

CSDN博客专家,Unity3D高级软件工程师,《Unity 3D从入门到实战》作者。 2821

【Unity 无人机控制插件】Drone Controller PRO 提供高度真实且可定制的无人机飞行体验

Drone Controller PRO 是一款专为 Unity 引擎打造的高级无人机控制插件,致力于提供高度真实且可定制的无人机飞行体验。它结合了物理飞行动力学、丰富的操控功能和多平台兼容性,适合游戏开发、飞行模拟训练、虚拟现实体验等多种应用。

2403_88403568的博客 942

基于Unity的四旋翼无人机模拟系统开发实战

简介:四旋翼无人机是IT行业中热门的技术方向,广泛应用于游戏开发、模拟飞行与机器人技术。利用Unity强大的跨平台能力及其物理引擎,可构建高度真实的无人机飞行模拟系统。本项目“Rotor_Aircraft.zip”包含完整的3D模型、物理配置、C#控制脚本及传感器模拟等资源,涵盖从建模到控制的全流程实现。通过该模拟系统,学习者可掌握无人机动力学、PID飞行控制、传感器集成与Unity物理交互等核心技术,适用于VR/AR、教育科研与工业仿真场景。

weixin_42405592的博客 647

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

医学成像学习笔记(一):核磁共振成像(MRI)k空间为何是图像频谱详解

前言   k空间是核磁共振成像图像重建的核心,可能很多人像笔者一样第一次学时会非常疑惑,为何k空间是图像的频域空间,观其填充过程,明明是空域信号的采样填充呀。网上很少有文章讨论这个问题,所以笔者在此写下自己的理解,供大家参考。 MRI位置编码   现在的MRI一次扫描的是一个断层或者多个断层,所谓断层就是一个有厚度的面,通过z方向梯度场来选择。我们扫描一个断层的目的是为了获得该断层各位置的质子情况,它们携带着组织的性质信息,反应出来的就是信号强度。如果整个断层都采用相同的磁场强度,而我们只能得到一个断

意疏的学习笔记 1万+

HTB Attacking GraphQL Skills Assessment

通过枚举应用,利用GraphQL API,发现sql注入点,然后利用找到flag。

qq_33522010的博客 457

String+CytoScape构建PPI网络

1.下载CytoScape Cytoscape是一款专业强大好用的物生信息分析软件,主要达用于专业的研究人员使用,软件主要适用于整合模块化网络和生物科学联系网络图的绘制,支持多种文件格式,导入后就可以直接进行编辑或者分析等操作了,除此之外,软件还提供了强大的编辑工具,支持添加相应的注释信息,软件基于java环境组件打造。 下载地址:https://cytoscape.org/ 因为软件基于java...

xiaobai1_1的博客 1万+

立创EDA手动拼板实战:当自带功能不够用,如何用‘复制粘贴’搞定异形拼版与特殊布局

本文详细介绍了立创EDA手动拼板技术在异形拼版与特殊布局中的应用实战。通过CTRL+SHIFT+V等核心操作技巧,解决混合尺寸拼板、特殊间距需求等复杂场景,提升PCB设计效率与灵活性,特别适合需要高精度控制的射频电路和医疗设备项目。

weixin_31967485的博客 394

神经网络学习笔记-波尔兹曼(Boltzmann)机

Boltzmann机是一种反馈随机神经网络 两种输出状态,单极性0或1。输出状态的取值根据概率统计法则决定,这种概率统计法则类似Boltzmann分布,部分反馈 它在神经元状态变化中引入了统计概率,网络的平衡状态服从Boltzmann分布,网络运行机制基于模拟退火算法。 离散Hopfield神经网络+模拟退火+隐单元=Boltzman机 DHNN全反馈,转移函数:符号函数 BM机网络拓扑...

求易学堂的博客 2619

XCP实战系列介绍09-基于Vehicle Spy进行XCP测量步骤详解

详细介绍如何使用Vehicle Spy进行XCP测量

initiallizer的博客 1396

HTML流光爱心(完整代码)

HTML语言实现红蓝色流光爱心效果的完整代码。

AIGC 1万+

华为OD机试 - 压缩日志查询(Python/JS/C/C++ 双机位C卷 100分)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。某设备需要记录每分钟检测到的指标值。为了节约存储空间,将连续相同指标值的记录合并。压缩之前:202411231000,11 202411231001,11 202411231002,12 202411231003,12 202411231004,

学Java,找哪吒 1880

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

上一篇: UE4集成SLUA插件iOS打包报错全解析与解决方案
下一篇: Unity ShaderGraph 示例项目:从入门到实战的模块化学习指南
逆光的温暖
博客等级 码龄10年 38粉丝 2354原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址