文献综述
1.1 研究背景和意义
随着社会经济的发展，汽车的保有量也在逐年增加。这种情况导致交通问题也越来越严重。交通拥堵与交通事故难以解决，传统的汽车工业面临挑战[1]。每年，全球因为交通事故死亡的人超过100万，受伤超过5000万[2]。多年来，针对车辆的设计、生产等方面，各种法律，法规和标准已经日趋完善。使得驾驶变得更加便捷与安全成为业界近年来努力的方向。其主要目标在于在驾驶的多任务环境下减轻驾驶员的压力以提高在复杂交通环境下的安全性，进而避免交通事故的发生[3]。随着微处理器和计算机技术的进步，使用传感器、电子系统以及各种通信和自动化技术的“智能交通系统(ITS, Intelligent Transportation System)”的概念也被提出[4]。其中，智能驾驶己成为世界汽车工业的研究焦点，同时也成为众多互联网及人工智能等高新技术企业争相布局的核心竞争领域[5]。以谷歌、特斯拉为代表的国外企业以及以百度、滴滴为代表的国内企业已经投入了多年时间和大量资金开发智能无人汽车技术，并已经制造了多款无人驾驶试验车并进行了大量的路试[6, 7]。麦肯锡预测，到2025年无人驾驶汽车可以产生2千亿至1.9万亿美元的产值；市场研究公司IHS预测，到2035年4级完全无人驾驶，即可以完全无人驾驶的汽车每年销量可达 480 万辆[8]。
除了自动的无人驾驶系统，现阶段投入商用的这类智能驾驶系统一般被称为“高级驾驶员辅助系统”(ADAS, Advanced Driver Assistant System)[9]。表1.1给出了驾驶员辅助系统的分类。其中，被动辅助系统并不影响车辆本身的运动，只能在事故发生后有效的保护驾乘人员的人身安全，以减小事故对人的伤害，但无法做到预防车祸的作用；而主动辅助系统则可以控制车辆的加减速以及方向等运动状态，提前预知前方车辆或行人距离、速度等信息，从而有效避免交通事故的发生[3, 10]。这些智能驾驶系统（包括无人驾驶系统和ADAS）由可以感知周遭交通环境的传感器组成，如雷达、激光雷达(lidar)、摄像头等[11]，主要安装在车身的四周。其中，光学等传感器的效果容易受到天气及光线条件的影响，无法全天候工作。雷达因为其可以在恶劣的天气及光线条件下依然可以稳定工作，并提供较好的测距与测速性能，被认为是最重要且最具有发展前景的传感器之一[12, 13]。例如，谷歌的无人驾驶汽车在其前后保险杠都安装有感知周围环境的雷达[14]。
表1.1[3] 驾驶员辅助系统的类型
|
类型 |
示例 |
|
被动舒适 |
被动停车辅助：给予驾驶员更多的信息 |
|
被动安全 |
安全气囊：事故时被激发以保护驾乘安全 |
|
主动舒适 |
自适应巡航控制(ACC)：巡航时车辆自动加速或刹车 |
|
主动安全 |
主动紧急刹车(AEB)：当遇到路面障碍物等紧急刹车 |
雷达(Radar)，本意为“无线电探测与传感”(Radio Detection and Ranging)，被广泛地使用于社会生活的各个领域。车载雷达的主要任务是用来探测物体和障碍物相对于雷达的位置及其运动速度。得益于毫米波半导体技术[15]和数字信号处理技术的发展，近年来车载雷达得到了长足的发展与进步[9]。其中，线性调频连续波(FMCW, Frequency Modulated Continuous Wave)雷达因为可以同时进行测距和测速，又有着较高的测速和测距精度，所以被广泛地用于车载雷达中[9, 16]。
综上所述，雷达是无人驾驶系统和现阶段的只能辅助驾驶系统不可或缺的传感器[5]。所以，针对FMCW雷达开展无人驾驶汽车雷达的建模与仿真的研究，有着非常重要的社会意义和潜在的巨大经济价值。
1.2 国内外研究现状
FMCW雷达与脉冲雷达在测距方面有着几乎同样久远的历史。在第二次世界大战中就已经被用于协助炸弹的瞄准[17]。但是由于技术限制，难以做到收发机隔离，且信号处理方面存在一些限制，在很长一段时间里FMCW雷达的发展较为缓慢[18]。1960年，Hymans等[19]详细阐述了锯齿波扫频的FMCW雷达的回波差拍信号的频谱及其距离分辨率，并讨论了相干接收机的设计方法。1971年，Fuller[20]提出了将FMCW雷达用于机场中的车辆障碍物检测装置，这也可能是FMCW雷达首次被运用到汽车上[17]。Barrick[21]在1973年首次将MTI技术运用到FMCW雷达中。在数字信号处理技术诞生前，早期的FMCW雷达使用一个只能探测一个距离门的带通滤波器来测距，并通过改变扫频周期的方式以覆盖所有可能的距离门。这也使得雷达观测时间的利用效率大大降低。但是从另一方面来看，早期使用FMCW技术的无线电高度仪通过改变扫频周期以将地面的回波控制在一个距离门之内以提高回波能量的利用效率[17]。
1970年代中期，随着数字信号处理技术及其硬件的发展，如FFT技术[22]，使得人们可以从FMCW雷达的回波差拍信号中提取不同距离的目标信息[17]。Chadwick等[23]在1979年讨论了FMCW的多普勒处理以及相干接收机的简化，同时发现了距离速度耦合问题，并对如何去耦合进行了相关研究。1980年代，来自荷兰的Lighthart等人[24]使用了FMCW雷达进行了气象观测，并对其信号，包括：分辨率、模糊函数以及接收机灵敏度等做了进一步的研究。1990年代涌现出了一批系统性介绍FMCW技术的综述文献。如Griffiths在文献[25]中详细介绍了FMCW雷达的原理及其数字波束合成及合成孔径技术；Stove在文献[26]中介绍了FMCW雷达的MTI和MTD技术，并且详细阐释了FMCW雷达的各种优点，并且介绍了FMCW雷达在汽车自适应巡航系统(ACC)中的应用。之后，随着毫米波半导体技术的发展，将毫米波技术与FMCW雷达技术向融合，从而加快了FMCW雷达的发展[9]。这使得毫米波段的FMCW雷达在成本和体积方面都有所改善，并且可靠性也得到了很大的提高[18]。在同时期，国内也有许多来自电子科技大学、国防科技大学、东南大学以及南京理工大学等机构的学者针对FMCW雷达的某些核心技术：如雷达信号发射源、接收机与发射机的隔离以及目标回波信号处理进行了较为深入的研究[27, 28]。
九十年代末期及二十一世纪初期，以FMCW雷达为硬件的汽车自适应巡航(ACC)系统逐渐成熟[29]并投入商用，比如1998年德国奔驰公司设计的DISTRONIC系统，如图1.1所示，采用了安装在进气格栅后的77GHz的FMCW雷达，集成了“自适应智能行驶控制(AICC)系统”，探测周围150米内的障碍物和其他车辆并主动控制汽车的加减速[2]。该系统主要配备在其高端的S级轿车上。8年后，奔驰公司又推出了配备有更高级的主动刹车功能的DISTRONIC PLUS系统，并获得市场的广泛认可[30]。现阶段，车载毫米波FMCW雷达已经大规模的在新款商品车上装配，但是雷达技术主要由Continental、Bosch、Autoliv、Denso、Delphi、Hitachi、TRW等大企业所垄断[2, 31]。国内针对车载FMCW雷达的研究起步较晚[32]，但是在不断加大投入[33]。如行易道、安智杰、隼眼科技、森斯泰克、意行半导体等企业均在车载FMCW雷达上取得了一定的进展，但仍然与国际领先水平存在这较大的差距[32, 33]。
图1.1[34] 奔驰公司的DISTRONIC系统
在雷达频段方面，目前车载雷达主要是24GHz和77GHz两个频段。其他诸如10GHz以下的频段以及100GHz以上的频段，尽管之前有一些研究，但是现阶段已经不再使用[3]。各个国家对于车载雷达的频段规定不尽相同。欧盟在1992年将76GHz至77GHz作为汽车毫米波雷达的工作频段，并在之后将24GHz至24.25GHz和77GHz至81 GHz频段划分给车载雷达；日本早期一直将60GHz至61 GHz作为车载雷达应用频段，后其逐渐变为76GHz至77GHz；美国则使用24GHz至24.25GHz和76GHz至77GHz两个频段；我国最初将24GHz至24.5GHz以及76GHz至77GHz划为车辆测距雷达使用频段，后来又增加24.25GHz至26.65GHz作为短距离车载雷达业务频段[32]。从工程的角度来说，77GHz频段的雷达成本及实现难度要比24GHz的要大，但是77GHz的性能更优。在给定的波束宽度要求下，77GHz的雷达需要的天线孔径比24GHz的雷达小三倍，并能提供更优的角度分辨率，并且比较容易同时实现大功率和大带宽[3]。但是24GHz雷达在制造工艺及成本方面有着明显的优势[35]。
表1.2[3, 9, 36] 车载雷达分类（按测量距离）
|
雷达类型 |
LRR |
MRR |
SRR |
|
测量范围 |
10-250m |
1-100m |
0.15-30m |
|
频率 |
77GHz |
24GHz |
24GHz |
|
带宽 |
1GHz |
250MHz(NB, ISM频段) |
5GHz(UWB) |
|
方位角视场 |
plusmn;15° |
plusmn;30-60° |
plusmn;80° |
|
高度角视场 |
plusmn;5° |
plusmn;5° |
plusmn;10° |
|
制式 |
FMCW |
FMCW |
脉冲/FMCW |
|
分辨率 |
1m |
1m |
lt;10cm |
|
应用 |
ACC |
ACC辅助跟车、LCW、RTCA等 |
PA、BSD等 |
表1.2给出了现阶段不同类型的雷达的特性。其中，24GHz主要用作中近程雷达(MRR/SRR, Medium/Short Range Radar)，应用于盲区监测(BSD)、变道预警(LCW)、辅助ACC的拥堵前车跟随功能(Stopamp;Go Function)、倒车车侧预警(RTCA)以及停车辅助(PA)等功能的实现，分为作用在ISM频段(24.05至24.25GHz)的窄带(NB)系统以及作用在21.65至26.65GHz的超宽带(UWB)系统；而77GHz主要用远距离的ACC雷达[30]。图1.2给出了奔驰公司DISTRONIC PLUS系统的天线配置示意图。图中黄色部分为77GHz的LRR，用于ACC；绿色部分为24GHz的M/SRR，用于辅助ACC、AEB等系统。目前，随着毫米波技术的发展，业界的发展趋势是将SRR、MRR以及SRR都集中在76至81GHz频段[3, 30]，如文献[34]中介绍的79GHz的UWB SRR系统。
图1.2[30] DISTRONIC PLUS系统的天线配置示意图
1.3 FMCW雷达基本原理
FMCW 雷达系统一般由压控振荡器(VCO)、耦合器和混频器组成的射频前端以及频率调制器、差拍信号和数字信号处理等构成的后端处理电路组成[37]。图1.3给出了FMCW雷达系统的原理框图。因为线性曲线的任何偏差都会影响距离测量的精度和分辨率，所以在VCO之前设置了一个线性化器，以产生线性频率调谐。图中采用了收发分置的双天线结构，是为了解决收发之间的隔离问题[38]。这虽然给电路结构设计带来了麻烦，但是这种双天线结构最高可以提供大约60dB左右的隔离度[26]。
FMCW雷达的信号调制方式有许多种，常见的如三角波、锯齿波、方波等[39]。本文选用三角波的形式来对FMCW雷达的测距、测速原理[38, 39]进行说明。FMCW雷达的测速、测距分为两种情况：第一种是对静止目标进行测距，第二种是对运动目标同时进行测距与测速。
图1.3[10, 38] FMCW雷达系统原理框图
首先考虑静止目标的情况，如图1.4所示。图中的实现表示发射信号，虚线表示回波信号；T为三角波调制信号的扫频周期，B为调制信号的扫频带宽；下方的表示发射信号和接收信号经过混频器输出的中频差拍信号； 和分别为时刻发射信号和目标回波信号的频率。从图中我们可以看出，静止目标回波的多普勒频移为0。此时目标回波与发射信号之间的时间差与目标于雷达之间的距离存在如下的关系：
(1.1)
式中为电磁波在空气中传播的速度，约等于光速为m/s。由混频器产生的差拍信号为。由于多普勒频移为0，所以差拍信号仅与距离有关。可以得到：
(1.2)
根据三角形近似原理，观察图1.4中加粗的小三角形以及由发射信号与频率轴和时间轴组成的大三角形，发现两个三角形近似，进而可以得到：
(1.3)
式中，为与时刻的时间差；为调制信号的扫频频率，是扫频周期T的倒数。对式(1.3)进行形式上的变换，可以得到：
(1.4)
图1.4 三角波FMCW雷达测量静止目标
将式(1.1)带入式(1.4)，可以得到静止目标的距离计算表达式：
(1.5)
上式中，雷达扫频带宽B和扫频周期T通常已经给定，通过测量中频差拍信号即可测得目标距离R。
接着考虑运动目标的情况。由于目标运动使得回波产生了产生多普勒频移，并叠加在差拍信号上。多普勒频率的公式由下式给出：
(1.6)
式中，表示目标物体向着雷达方向运动的径向速度，表示雷达发射信号的波长。经过多普勒频移叠加后的差拍信号通过下式给出：
(1.7)
式中，减号表示目标正在朝着面向雷达的方向运动，加号表示目标正在朝着背离雷达的方向运动。图1.5给出一个目标正在面向雷达方向运动的例子的波形。当扫频频率不断增大时，差拍频率为：
(1.8)
图1.5 三角波FMCW雷达测量运动目标
当扫频频率不断减小时，差拍频率为：
(1.9)
将式(1.8)和式(1.9)相减，可以得到多普勒频移的计算公式：
(1.10)
将式(1.10)带入式(1.6)，可以得到目标运动的径向速度的计算公式：
(1.11)
式中的指的是雷达发射信号的频率。同样的，距离信息包含在中。通过式(1.8)和式(1.9)相加，我们可以得到的计算公式为：
(1.12)
将代入式(1.5)中，可以得到目标运动状态下距离的计算公式为：
(1.13)
从上述推导过程中可以得出，差拍信号的提取是能够计算出目标距离、速度的关键[39]。
随着数字信号处理技术的发展，现代的FMCW一般采用快时间-慢时间的二维快速傅里叶变换(FFT)算法来从目标回波中提取距离和速度信息[17]。一个周期内的锯齿调频发射信号表达式[28]为：
(1.14)
式中表示发射信号的初始幅度，表示载波频率，为调制周期，为调制系数，表示发射信号的随机初相。假设有一目标与雷达的距离为并以速度向雷达靠近，则回波信号相对于发射信号会产生时延：
(1.15)
进而可以得到其回波信号的表达式为：
(1.16)
式中为回波信号的幅度，为回波相位。将原始信号与回波信号共轭混频以获得差拍信号，来提取速度和距离信息[9]。差拍信号为：
(1.17)
仍然可以看做一个调制系数为的线性调频信号[18]。按照上述方法重复P个周期。图1.6给出了连续时间的回波信号按照两个时间维度的重排列。慢时间维度的变量p表示周期个数；快时间维度的变量n表示每个回波差拍周期内，中频差拍信号经过采样频率为的采样后在之间周期时间Tm中的样点个数N。经过如此处理后的信号表达式[9]为：
(1.18)
所以，对快时间维度n做FFT后可以得到差拍信号与多普勒频率的耦合值：
(1.19)
接着对慢时间维度，即对每一个距离门内的数值进行FFT变换，就可以对距离和速度进行解耦，测出对应的多普勒频移的值。根据式(1.6)算出目标的径向运动速度。将测出的多普勒频移的值带入式(1.19)的耦合值，以测出真实的目标距离值。
图1.6 快时间-慢时间示意图
上述的“差拍-FFT”结构是最常用的FMCW接收机结构。总的来说，FMCW雷达具有距离分辨率高、距离盲区少、信号功率大、结构简单的特点[18]。同时也存在着发射机能量泄漏导致的测量距离受限的问题[26]。
参 考 文 献
[1] 穆康乐. 无人驾驶汽车发展现状及未来展望[J]. 电子技术与软件工程, 2017(21):112-114.
[2] 郑世良. 车载毫米波雷达关键技术研究[D]. 哈尔滨: 哈尔滨工业大学电子与通信工程, 2017.
[3] Hasch J, Topak E, Schnabel R, et al. Millimeter-Wave Technology for Automotive Radar Sensors in the 77 GHz Frequency Band[J]. IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES, 2012,60(2):845-860.
[4] Eskandarian A. Handbook of Intelligent Vehicles[M]. London: Springer, 2012.
[5] 李鑫. 面向汽车智能驾驶的毫米波雷达建模与仿真研究[D]. 长春: 吉林大学, 2020.
[6] 何佳, 戎辉, 王文扬, 等. 百度谷歌无人驾驶汽车发展综述[J]. 汽车电器, 2017(12):19-21.
[7] 张伟臻. 车载防撞雷达系统设计与实现[D]. 成都: 电子科技大学信号与信息处理, 2018.
[8] 杨帆. 无人驾驶汽车的发展现状和展望[J]. 上海汽车, 2014(03):35-40.
[9] Patole S, Torlak M, Wang D, et al. Automotive Radars A review of signal processing techniques[J]. IEEE SIGNAL PROCESSING MAGAZINE, 2017,34(2):22-35.
[10] 王飞. 24GHz车载雷达信号处理算法的研究[D]. 淮南: 安徽理工大学电气工程, 2018.
[11] Broek S M, van Nunen E, Zwijnenberg H. Definition of necessary vehicle and infrastructure systems for automated driving[J]. Retrieved January, 2011,3:2017.
[12] Rasshofer R H, Gresser K. Automotive Radar and Lidar Systems for Next Generation Driver Assistance Functions.[J]. Advances in Radio Science, 2005,3.
[13] Meinel H H, Dickmann J. Automotive Radar: From Its Origins to Future Directions[J]. MICROWAVE JOURNAL, 2013,56(9):24.
[14] Guizzo E. How googlersquo;s self-driving car works[J]. IEEE Spectrum Online, 2011,18(7):1132-1141.
[15] Jain V, Tzeng F, Zhou L, et al. A Single-Chip Dual-Band 22-29-GHz/77-81-GHz BiCMOS Transceiver for Automotive Radars[J]. IEEE JOURNAL OF SOLID-STATE CIRCUITS, 2009,44(12):3469-3485.
[16] Winkler V. Range doppler detection for automotive FMCW radars[M]//NEW YORK: 2007:165-168.
[17] Stove A G. Modern FMCW radar - techniques and applications[C]: First European Radar Conference, 2004. EURAD, Amsterdam, The Netherlands, The Netherlands, 2004.
[18] 周达. 基于线性调频波的车载雷达信号处理算法研究[D]. 成都: 电子科技大学通信与信息系统, 2016.
[19] Hymans A J, Lait J. Analysis of a frequency-modulated continuous-wave ranging system[J]. Proceedings of the IEE Part B: Electronic and Communication Engineering, 1960,107(34):365.
[20] Fuller K L. AVOID-short-range high-definition radar[J]. Wireless World, 1971,77(1425):110-113.
[21] Barrick D E. FM/CW radar signals and digital processing[R].NATIONAL OCEANIC AND ATMOSPHERIC ADMINISTRATION BOULDER CO WAVE PROPAGATION LAB, 1973.
[22] Lindop R W. A Fast Fourier Transform Processor Using Shift Registers[J]. Mullard Research Laboratories Annual Review, 1975.
[23] Chadwick R B, Straucih R G. Processing of FM-CW Doppler Radar Signals from Distributed Targets[J]. IEEE Transactions on Aerospace and Electronic Systems, 1979,AES-15(1):185-189.
[24] Lighthart L P, Nieuwkerk L R. System aspects of solid state FMCW weather surveillance radar [C]: Conference Proc. ICR-87 London, 1987.
[25] Griffiths H D. New ideas in FM radar[J]. Electronics amp; Communication Engineering Journal, 1990,2(5):185-194.
[26] Stove A G. Linear FMCW radar techniques[J]. IEE Proceedings F - Radar and Signal Processing, 1992,139(5):343-350.
[27] 许宏亮. 汽车防撞雷达技术研究[D]. 长沙: 国防科技大学, 2007.
[28] 赵彭. 锯齿波调频组网雷达系统设计与信号处理算法实现[D]. 南京: 南京理工大学, 2019.
[29] Russell M, Crain A, Curran A, et al. Millimeter-wave radar sensor for automotive intelligent cruise control (ICC)[J]. IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES, 1997,45(12):2444-2453.
[30] Meinel H H. Evolving automotive radar — From the very beginnings into the future[C], The Hague, Netherlands, 2014.
[31] 张艳玲. 基于FMCW车载毫米波前视成像关键技术研究[D]. 成都: 电子科技大学电子与通信工程, 2020.
[32] 刘易. 车载毫米波雷达天线系统优化设计[D]. 成都: 电子科技大学, 2020.
[33] 武曦. 基于FMCW车载雷达的目标探测和参数估计算法研究[D]. 南京: 东南大学信息与通信工程, 2018.
[34] Wenger J. Automotive radar - status and perspectives[C], Palm Springs, CA, USA, USA, 2005.
[35] Ho T, Chung S. A compact 24 GHz radar sensor for vehicle sideway-looking applications[C], 2005.Oct.
[36] Lee J, Li Y, Hung M, et al. A Fully-Integrated 77-GHz FMCW Radar Transceiver in 65-nm CMOS Technology[J]. IEEE Journal of Solid-State Circuits, 2010,45(12):2746-2756.
[37] 卢俊, 常树茂. 提高零中频接收机灵敏度的二次变频方法[J]. 探测与控制学报, 2014,36(02):19-22.
[38] Chang K. RF and Microwave Wireless Systems[M]. John Wiley amp; Sons, 2000.
[39] 李杨. 24GHz车载毫米波雷达射频前端设计与研究[D]. 淮南: 安徽理工大学电气工程, 2018.
文献综述
1.1 研究背景和意义
随着社会经济的发展，汽车的保有量也在逐年增加。这种情况导致交通问题也越来越严重。交通拥堵与交通事故难以解决，传统的汽车工业面临挑战[1]。每年，全球因为交通事故死亡的人超过100万，受伤超过5000万[2]。多年来，针对车辆的设计、生产等方面，各种法律，法规和标准已经日趋完善。使得驾驶变得更加便捷与安全成为业界近年来努力的方向。其主要目标在于在驾驶的多任务环境下减轻驾驶员的压力以提高在复杂交通环境下的安全性，进而避免交通事故的发生[3]。随着微处理器和计算机技术的进步，使用传感器、电子系统以及各种通信和自动化技术的“智能交通系统(ITS, Intelligent Transportation System)”的概念也被提出[4]。其中，智能驾驶己成为世界汽车工业的研究焦点，同时也成为众多互联网及人工智能等高新技术企业争相布局的核心竞争领域[5]。以谷歌、特斯拉为代表的国外企业以及以百度、滴滴为代表的国内企业已经投入了多年时间和大量资金开发智能无人汽车技术，并已经制造了多款无人驾驶试验车并进行了大量的路试[6, 7]。麦肯锡预测，到2025年无人驾驶汽车可以产生2千亿至1.9万亿美元的产值；市场研究公司IHS预测，到2035年4级完全无人驾驶，即可以完全无人驾驶的汽车每年销量可达 480 万辆[8]。
除了自动的无人驾驶系统，现阶段投入商用的这类智能驾驶系统一般被称为“高级驾驶员辅助系统”(ADAS, Advanced Driver Assistant System)[9]。表1.1给出了驾驶员辅助系统的分类。其中，被动辅助系统并不影响车辆本身的运动，只能在事故发生后有效的保护驾乘人员的人身安全，以减小事故对人的伤害，但无法做到预防车祸的作用；而主动辅助系统则可以控制车辆的加减速以及方向等运动状态，提前预知前方车辆或行人距离、速度等信息，从而有效避免交通事故的发生[3, 10]。这些智能驾驶系统（包括无人驾驶系统和ADAS）由可以感知周遭交通环境的传感器组成，如雷达、激光雷达(lidar)、摄像头等[11]，主要安装在车身的四周。其中，光学等传感器的效果容易受到天气及光线条件的影响，无法全天候工作。雷达因为其可以在恶劣的天气及光线条件下依然可以稳定工作，并提供较好的测距与测速性能，被认为是最重要且最具有发展前景的传感器之一[12, 13]。例如，谷歌的无人驾驶汽车在其前后保险杠都安装有感知周围环境的雷达[14]。
表1.1[3] 驾驶员辅助系统的类型
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
