1. 项目概述当边缘AI遇见多目视觉最近在折腾一个挺有意思的项目核心是把几颗高性能的GMSL摄像头接到Jetson AGX Orin上让它不仅能实时“看清”画面里的各种目标还能估算出这些目标在三维空间里的位置最终拼出一个粗糙的3D场景。这听起来像是自动驾驶或者高端机器人的标配但其实在工业质检、智能仓储、甚至是一些创意交互装置里都有它的用武之地。如果你正在寻找一个能处理多路高清视频流、并执行复杂视觉算法的边缘计算方案这个组合——Jetson AGX Orin加上GMSL摄像头——绝对值得你深入研究。简单来说这个项目要解决的核心问题是如何让一台嵌入式计算设备同步获取多路高质量视觉数据并实时完成从2D感知到3D理解的跨越。Jetson AGX Orin提供了顶级的AI算力最高可达275 TOPS的INT8性能和丰富的接口而GMSL千兆多媒体串行链路技术则解决了长距离、高带宽、抗干扰的视频传输难题。将两者结合你就能在机器人、无人机或车载平台上构建一个稳定、高性能的视觉感知大脑。我之所以选择这个方向是因为在实际应用中单目摄像头的信息是严重不足的。它只能告诉你“有什么”但很难精确告诉你“在哪里”以及“有多远”。而多目视觉尤其是经过精确标定的摄像头组可以通过三角测量等原理反推深度信息。在Orin这样的平台上实现实时3D重建意味着你的设备不再是被动“看”的瞎子而是具备了主动“理解”周围空间结构的能力。这对于需要自主导航、避障、抓取或与环境进行精细交互的系统来说是质的变化。2. 核心硬件选型与系统架构解析2.1 为什么是Jetson AGX Orin在边缘AI领域硬件选型直接决定了项目的天花板。我选择Jetson AGX Orin Developer Kit作为核心主要基于以下几点考量第一是绝对性能。Orin系列有多个版本我用的这款AGX Orin 64GB搭载了NVIDIA Ampere架构GPU拥有2048个CUDA核心和64个Tensor核心。在典型的AI推理负载下其INT8算力高达275 TOPS。这个数字意味着什么以常用的YOLOv8模型为例在640x640输入分辨率下Orin可以轻松跑到每秒数百帧为同时处理多路摄像头数据留出了充足的算力余量。相比之下上一代的Xavier AGX会显得捉襟见肘而更入门的Nano系列则完全无法胜任多路高清流3D重建的复合任务。第二是接口与扩展性。Orin载板原生提供了多达16个通道的MIPI CSI-2接口这是连接摄像头的黄金通道。更重要的是它可以通过额外的GMSL解串器Deserializer载板轻松地将这些CSI通道转换为GMSL输入。我使用的是来自Connect Tech或Stereolabs等厂商的定制载板一块板卡就能接入6到8路GMSL摄像头完美契合多目视觉的需求。此外丰富的PCIe、USB、千兆以太网接口也为连接其他传感器或进行数据回传提供了便利。第三是软件生态。NVIDIA的JetPack SDK是巨大的优势。它包含了针对Jetson优化的Linux操作系统、CUDA、cuDNN、TensorRT等核心软件栈。特别是TensorRT它能将训练好的PyTorch或TensorFlow模型编译、优化并在Orin上以极低的延迟运行。这意味着你不需要从零开始写底层驱动和推理代码可以专注于算法和应用逻辑的开发。注意购买Orin时要注意版本。除了64GB的AGX Orin还有32GB版本和Orin NX系列。对于多路高清视频流如1080p 30fps x 6路加上实时3D重建这种高负载场景64GB内存和顶配的CPU/GPU是必要的投资否则很容易在数据搬运和模型并行推理时遇到瓶颈。2.2 GMSL摄像头远距离高清传输的基石GMSLGigabit Multimedia Serial Link是Maxim现属ADI推出的一种高速串行通信技术最初就是为了车载摄像头长距离传输而设计的。在机器人或工业场景下它的优势非常明显传输距离长使用同轴电缆Coaxial Cable可以稳定传输长达15米以上的距离而普通的MIPI CSI-2线缆通常不超过30厘米。这使得你可以将摄像头灵活地布置在设备的各个角落比如无人车的四周、机械臂的末端。抗干扰能力强同轴电缆本身具有良好的屏蔽性GMSL协议也包含了强大的抗电磁干扰EMI设计非常适合在电机、变频器工作的工业环境下使用。高带宽与低延迟单路GMSL可以轻松传输1080p60fps甚至4K30fps的视频流带宽充足并且传输是确定性的延迟极低且稳定。供电与通信一体PoC通过同一根同轴电缆既能传输高速数据又能为摄像头模块提供电源大大简化了布线。市面上常见的GMSL摄像头模组如来自Leopard Imaging、Stereolabs或安森美ONSemiAR系列传感器的方案通常都集成了图像传感器和GMSL串行器Serializer。你需要根据项目需求选择传感器型号比如全局快门 vs 卷帘快门对于高速运动或同步要求极高的多目视觉必须选择全局快门Global Shutter传感器以避免果冻效应确保所有摄像头在同一瞬间曝光。AR0234、AR0522是常见的选择。分辨率与帧率1080p是平衡性能和精度的甜点。更高的分辨率如4K能提供更精细的纹理用于重建但会成倍增加数据传输和处理的负担需要仔细权衡。光学镜头需要根据视场角FOV和 working distance工作距离选择合适的镜头。广角镜头视野大但边缘畸变严重标定和校正更复杂长焦镜头视野小但远处目标成像清晰。2.3 系统整体架构设计整个系统的数据流和硬件连接可以概括为下图所示的架构[多颗GMSL摄像头] | | (同轴电缆传输串行数据电源PoC) v [GMSL解串器载板] (安装在Jetson AGX Orin上) | | (通过MIPI CSI-2接口连接) v [Jetson AGX Orin] |--- 视频流捕获 (GStreamer/V4L2) |--- 目标检测推理 (TensorRT YOLO) |--- 摄像头帧同步与时间戳对齐 |--- 立体匹配与深度计算 (OpenCV/CUDA) |--- 3D点云生成与滤波 (PCL/CUDA) |--- 结果可视化/输出 (ROS2 / 网络流)在这个架构中同步是关键中的关键。如果多个摄像头的图像不是在同一时刻曝光的那么基于多视图的3D计算将产生巨大误差。高端的GMSL摄像头和解串器支持硬件触发同步即通过一个外部触发信号GPIO同时让所有摄像头开始曝光。这是最精确的同步方式。如果硬件不支持则需要在软件层面通过时间戳进行软同步精度会差一些但对于低速场景也够用。3. 软件栈搭建与深度优化3.1 基础系统与驱动安装拿到硬件后第一步是让Jetson Orin正确识别所有摄像头。这里坑比较多。刷写系统镜像从NVIDIA官网下载最新的JetPack SDK如JetPack 6.0使用SDK Manager工具为Orin烧录系统。建议选择“完整安装”包括OS、CUDA、TensorRT、OpenCV等所有组件。这是一个比较耗时的过程但能确保环境一致。安装GMSL载板驱动与DTB这是最易出错的一步。载板厂商通常会提供设备树二进制文件.dtb和内核驱动模块。你需要用他们提供的dtb文件替换掉Orin启动分区里的默认文件以正确配置CSI接口的引脚复用和属性。# 示例备份并替换dtb文件具体路径和文件名请严格遵循厂商指南 sudo cp /boot/dtb/kernel_tegra234-p3701-0000-p3737-0000.dtb /boot/dtb/kernel_tegra234-p3701-0000-p3737-0000.dtb.backup sudo cp vendor_provided.dtb /boot/dtb/kernel_tegra234-p3701-0000-p3737-0000.dtb之后编译并安装内核驱动模块通常是.ko文件并加载它。sudo insmod gmsl_deserializer.ko实操心得务必仔细阅读载板厂商的文档不同厂商的dtb和驱动可能不兼容。替换dtb前一定要备份原文件。如果系统无法启动可以通过恢复模式Recovery Mode刷回原厂镜像。验证摄像头识别驱动加载成功后使用v4l2-ctl工具检查设备。v4l2-ctl --list-devices你应该能看到多个Video设备节点如/dev/video0/dev/video1...。使用以下命令可以查看某个摄像头的格式支持情况v4l2-ctl -d /dev/video0 --list-formats-ext如果能看到支持的像素格式如YUYVRGGB等和分辨率说明摄像头驱动加载成功。3.2 高效视频流捕获管道在Linux下处理视频流的标准方式是V4L2和GStreamer。对于高性能应用我强烈推荐使用GStreamer来构建管道因为它能充分利用硬件加速并且管道设计非常灵活。一个基础的捕获6路摄像头并使用硬件解码的GStreamer管道示例如下以1080p YUV格式为例# 单路摄像头的捕获管道 gst-launch-1.0 v4l2src device/dev/video0 ! \ video/x-raw,formatYUY2,width1920,height1080,framerate30/1 ! \ nvvidconv ! \ video/x-raw(memory:NVMM),formatNV12 ! \ nvv4l2h264enc ! \ h264parse ! \ queue ! \ mux. \ ... (为video1, video2...构建类似管道)但我们的目标是将视频流送入Python或C程序进行处理。更实用的方法是使用GStreamer的appsink元素。下面是一个Python示例使用Gst库创建管道并将帧提取为numpy数组import gi gi.require_version(Gst, 1.0) from gi.repository import Gst, GLib import numpy as np Gst.init(None) def on_new_sample(appsink): sample appsink.emit(pull-sample) if sample: buffer sample.get_buffer() # 将GStreamer buffer映射为可读内存并转换为numpy数组 # 注意格式转换这里假设输出是BGR success, map_info buffer.map(Gst.MapFlags.READ) if success: # 根据图像格式如NV12, BGRx进行解析 # 此处为示例实际解析逻辑复杂 # img_array np.frombuffer(map_info.data, dtypenp.uint8).reshape((height, width, 3)) buffer.unmap(map_info) return Gst.FlowReturn.OK return Gst.FlowReturn.ERROR # 构建管道字符串 pipeline_str v4l2src device/dev/video0 ! video/x-raw,formatYUY2,width1920,height1080,framerate30/1 ! nvvidconv ! video/x-raw(memory:NVMM),formatNV12 ! nvv4l2h264enc ! h264parse ! avdec_h264 ! videoconvert ! video/x-raw,formatBGR ! appsink namesink emit-signalstrue pipeline Gst.parse_launch(pipeline_str) appsink pipeline.get_by_name(sink) appsink.connect(new-sample, on_new_sample) # 启动管道并进入GLib主循环 pipeline.set_state(Gst.State.PLAYING) loop GLib.MainLoop() try: loop.run() except KeyboardInterrupt: pass finally: pipeline.set_state(Gst.State.NULL)深度优化点零拷贝Zero-Copy上述示例中数据从V4L2到NVMMGPU内存经过编码解码再回到CPU内存存在多次拷贝。理想情况是让整个处理链路解码、色彩空间转换、推理都发生在GPU内存中。这需要用到nvvideoconvert、nvdspreprocess用于归一化等预处理等插件并确保你的推理引擎如TensorRT能直接处理GPU内存中的数据CUDA device pointer。多流管理你需要为每一路摄像头创建独立的GStreamer管道和线程/进程。可以使用Python的threading模块或多进程但更高效的方式是使用GStreamer本身的tee和queue元素进行流分支或者使用C配合Glib的主循环来管理多路流。3.3 目标检测模型的选择与TensorRT部署目标检测是3D重建的前序步骤。我们需要从每张图像中检测出感兴趣的目标如人、车、特定物体并获取其2D边界框。模型选型YOLO系列因其速度和精度的平衡而成为边缘设备的首选。目前YOLOv8和YOLOv10是很好的选择。YOLOv8生态成熟导出和部署工具链完善YOLOv10在精度和效率上又有新的提升。对于3D重建我们不仅需要检测类别和框有时还需要关键点如人脸特征点、车辆角点这时可以考虑带关键点检测的版本如YOLOv8-pose或专门的关键点模型。模型训练与导出在拥有强大GPU的工作站上使用你自己的数据集或公开数据集COCO, VisDrone等训练模型。训练完成后将模型导出为ONNX格式。这是通向TensorRT的通用桥梁。# 使用Ultralytics YOLOv8导出ONNX from ultralytics import YOLO model YOLO(yolov8n.pt) # 加载训练好的模型 model.export(formatonnx, imgsz[640, 640])TensorRT优化与部署这是性能提升的关键一步。TensorRT会对ONNX模型进行图优化、层融合、精度校准INT8量化并生成针对Orin GPU高度优化的推理引擎.engine文件。使用trtexec工具命令行这是最简单的方式适合标准模型。/usr/src/tensorrt/bin/trtexec --onnxyolov8n.onnx --saveEngineyolov8n_fp16.engine --fp16 --workspace2048 --buildOnly使用Python API进行更精细控制你可以编写Python脚本在构建引擎时设置动态形状Dynamic Shapes以支持多分辨率输入或者进行INT8量化需要校准数据集。import tensorrt as trt logger trt.Logger(trt.Logger.WARNING) builder trt.Builder(logger) network builder.create_network(1 int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)) parser trt.OnnxParser(network, logger) # ... 解析ONNX设置配置构建引擎INT8量化心得INT8推理能大幅提升速度通常2-3倍但会带来轻微的精度损失。准备一个具有代表性的校准数据集几百张图即可至关重要。量化后务必在验证集上测试精度确保损失在可接受范围内。对于目标检测mAP下降0.5-2个点是常见情况。推理集成在应用程序中你需要编写代码来加载.engine文件在GPU上准备输入数据进行预处理如缩放、归一化最好在CUDA内核中完成执行推理并解析输出张量通常是边界框、置信度、类别。NVIDIA的DeepStream SDK是一个更高级的框架它封装了从流管理、推理到显示的完整流程但定制性不如自己写代码高。对于这个多目3D的项目我倾向于自己控制整个流水线。4. 多摄像头标定与时间同步实战4.1 相机标定获取内在与外在参数3D重建的几何基础是相机参数。每个摄像头都需要两组参数内参Intrinsics描述相机自身的成像几何包括焦距fx, fy、主点cx, cy和畸变系数k1, k2, p1, p2, k3。这通过拍摄标定板如棋盘格来求解。外参Extrinsics描述相机在世界坐标系中的位置和姿态即旋转矩阵R和平移向量t。对于多目系统我们通常以其中一个相机为主相机求其他相机相对于它的外参。标定实操步骤采集数据同步触发所有摄像头拍摄同一块标定板在不同位置、不同姿态下的多张图像至少15-20张。确保标定板在所有相机画面中都清晰可见且占据一定面积。可以使用gstreamer或OpenCV的VideoCapture同步抓取并保存图像。使用OpenCV进行标定OpenCV提供了calibrateCamera和stereoCalibrate函数。import cv2 import numpy as np # 准备世界坐标系下的角点坐标 (假设棋盘格方格尺寸为30mm) objp np.zeros((chessboard_corners_height * chessboard_corners_width, 3), np.float32) objp[:, :2] np.mgrid[0:chessboard_corners_width, 0:chessboard_corners_height].T.reshape(-1, 2) * square_size objpoints [] # 3D点 imgpoints_list [] # 每个相机对应的2D图像点列表 # 对每个相机单独标定内参 for cam_id in range(num_cams): images load_images_for_camera(cam_id) imgpoints [] for img in images: gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, (w, h), None) if ret: objpoints.append(objp) # 所有相机共享同一组3D点 corners_refined cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) imgpoints.append(corners_refined) # 单目标定 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) camera_matrices[cam_id] mtx distortion_coeffs[cam_id] dist # 双目标定以相机0和相机1为例 retval, K1, D1, K2, D2, R, T, E, F cv2.stereoCalibrate( objpoints, imgpoints0, imgpoints1, camera_matrices[0], distortion_coeffs[0], camera_matrices[1], distortion_coeffs[1], image_size, flagscv2.CALIB_FIX_INTRINSIC # 固定已标定好的内参 )注意事项标定板的质量和拍摄图像的数量、角度多样性直接决定标定精度。鱼眼镜头或超大广角镜头需要使用cv2.fisheye模块进行标定。标定完成后务必使用cv2.projectPoints重投影3D点到图像上计算重投影误差通常应小于0.5像素评估标定质量。4.2 帧级同步策略硬件同步是最优解。如果摄像头和解串器支持通过Orin的一个GPIO引脚发出脉冲信号连接到所有摄像头的触发输入引脚可以实现微秒级的曝光同步。你需要配置摄像头工作在外触发模式并设置好曝光时间。如果硬件不支持则采用软件同步硬件时间戳从V4L2缓冲区或GStreamer样本中获取每一帧的硬件时间戳GstClockTime。这个时间戳基于系统时钟精度较高。缓冲区匹配为每个摄像头维护一个帧缓冲区队列。在处理时寻找所有摄像头队列中时间戳最接近的一组帧时间差小于一个阈值例如1/帧率的一半将它们作为“同步帧”用于后续处理。动态调整如果发现某个摄像头的帧率略有漂移可以动态地丢帧或重复帧来保持对齐。5. 从2D检测到3D重建的核心算法5.1 双目立体匹配与深度计算对于两个已标定的摄像头双目系统3D重建的核心是立体匹配——为左图中的每个像素在右图中找到其对应的同名点。有了对应点根据三角测量原理就能计算出深度。极线校正为了将搜索对应点的二维问题简化为一维问题首先进行极线校正。使用标定得到的R和T通过cv2.stereoRectify计算校正映射矩阵然后使用cv2.initUndistortRectifyMap生成映射表最后用cv2.remap对图像进行校正。校正后左右图中的对应点位于同一水平线上。立体匹配算法OpenCV提供了多种实现。BMBlock Matching速度快但精度一般对纹理丰富区域效果好。SGBMSemi-Global Block Matching精度和速度的较好平衡是最常用的算法。ELAS StereoBM等。# 使用SGBM计算视差图 stereo cv2.StereoSGBM_create( minDisparity0, numDisparities16*5, # 最大视差搜索范围必须是16的整数倍 blockSize11, # 匹配块大小奇数 P18*3*blockSize**2, # 控制视差平滑度的参数 P232*3*blockSize**2, disp12MaxDiff1, uniquenessRatio10, speckleWindowSize100, speckleRange32 ) disparity stereo.compute(left_img_rectified, right_img_rectified).astype(np.float32) / 16.0 # SGBM输出是16倍整数参数调优心得numDisparities决定了能探测的最远距离值越大能看到的越远但计算量也越大且需要左右图像有足够的重叠视野。blockSize越大抗噪声能力越强但边缘会越模糊。需要在你的实际场景中反复调整这些参数。深度图计算得到视差图disparity后深度Z的计算公式为Z (f * B) / disparity其中f是焦距像素单位B是双目相机的基线距离即两个相机光心之间的距离从平移向量T中获取disparity是视差值像素单位。disparity为0或负数的点表示无效点无穷远或匹配失败。5.2 基于目标检测结果的稀疏3D重建对于目标检测任务我们通常不需要整个场景的稠密点云只需要关注检测到的目标在3D空间中的位置一个3D包围框。这可以大大简化计算。2D框到3D框的转换对于双目系统假设我们检测到一辆车在左右图中分别有2D边界框bbox_left和bbox_right。关键点匹配我们不需要匹配所有像素。一个简单有效的方法是取2D框底边的中心点假设车辆接触地面作为关键点。在左图和右图中分别找到这个点。计算关键点深度利用立体匹配算法计算这个关键点处的视差进而得到其深度Z。反投影已知关键点的图像坐标(u, v)和深度Z以及相机内参矩阵K可以通过以下公式计算其3D坐标(X, Y, Z)在相机坐标系下X (u - cx) * Z / fx Y (v - cy) * Z / fy其中(cx, cy)是主点(fx, fy)是焦距。估算3D尺寸有了3D位置我们可以根据目标的先验物理尺寸例如小轿车平均长约4.5米宽1.8米高1.5米和它在图像中的2D框大小粗略估算出3D包围框的尺寸和朝向。更精确的方法需要利用目标的关键点或轮廓。多目标关联在多目系统中超过2个摄像头我们可以获得同一个目标的多个观测。通过数据关联算法如匈牙利算法将不同摄像头检测到的同一目标进行匹配。然后利用多视图几何通过最小化重投影误差等方式对目标的3D位置进行优化得到比双目更鲁棒、更精确的结果。5.3 点云处理与可视化将深度图或稀疏3D点转换为点云后通常需要进行后处理滤波使用体素网格滤波Voxel Grid Filter下采样以减少数据量使用统计离群点去除Statistical Outlier Removal或半径滤波去除噪声点。可视化可以使用Open3D或PCLPoint Cloud Library库进行点云的可视化。在Jetson上Open3D的安装和硬件加速支持更好一些。import open3d as o3d # 假设points是一个Nx3的numpy数组 pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points) # 可以添加颜色 # pcd.colors o3d.utility.Vector3dVector(colors) o3d.visualization.draw_geometries([pcd])对于实时应用可以将点云数据通过ROS2的sensor_msgs/PointCloud2消息发布在远程PC上的Rviz工具中查看。6. 性能优化与工程化挑战6.1 实时性保障与流水线设计要让整个系统在Orin上实时运行例如10Hz以上必须精心设计软件流水线避免阻塞。并行化处理流水线并行将处理流程划分为多个阶段捕获、预处理、推理、后处理、3D计算每个阶段运行在独立的线程中通过线程安全的队列如Python的queue.Queue传递数据。这样当第N帧在进行3D计算时第N1帧已经在推理第N2帧正在捕获。数据并行多路摄像头的目标检测推理可以并行进行。可以利用TensorRT的多个执行上下文ExecutionContext或者更简单地在多个线程中运行多个TensorRT推理实例。注意Orin的GPU是共享的需要监控GPU利用率避免过载。内存与显存管理高分辨率图像和中间张量非常消耗内存。务必及时释放不再使用的缓冲区。使用GPU内存池如CUDA的cudaMallocManaged或PyTorch/TensorRT的内存管理来减少动态分配的开销。对于固定的图像尺寸可以预分配好所有内存。算力分配监控使用tegrastats工具实时监控Orin的CPU、GPU、DLA、内存使用情况。sudo tegrastats --interval 1000根据监控结果调整流水线中各阶段的线程优先级或者对非关键任务进行降频处理。6.2 常见问题与调试技巧摄像头无法识别或图像花屏检查电源GMSL摄像头功耗可能不小确保电源PoC或独立供电功率充足且稳定。检查线缆和连接器GMSL同轴线缆和连接器必须牢固劣质线缆会导致信号衰减和花屏。检查驱动和DTB再次确认载板厂商提供的驱动和dtb文件与你的JetPack版本和Orin模块型号匹配。目标检测框抖动或漏检模型输入稳定性确保输入模型的图像经过一致的预处理相同的归一化参数、相同的resize方法。非极大值抑制NMS参数调整NMS的阈值iou_threshold和conf_threshold。过低的置信度阈值会导致误检增多过高的IOU阈值可能会抑制正确但重叠的检测框。模型量化损失如果使用了INT8量化尝试换回FP16或FP32模型确认是否是量化导致的精度下降。如果是需要检查校准数据集是否有代表性。3D重建深度不准或跳跃标定不准这是最常见的原因。重新进行高精度的相机标定确保标定板图像清晰、姿态多样。立体匹配参数不当调整SGBM的参数特别是numDisparities和blockSize。在场景中放置一个已知距离的物体验证深度计算是否正确。同步问题检查用于3D计算的左右图是否是严格同步的帧。时间不同步会导致视差计算完全错误。极线校正未生效校正后的左右图对应点应该严格在同一水平线上。可视化检查校正结果。系统延迟过大定位瓶颈使用nvprof或Nsight Systems进行性能剖析找到最耗时的函数或内核。检查数据拷贝确保没有不必要的CPU-GPU之间的数据拷贝。尽量让整个流水线留在GPU端。降低分辨率或帧率如果算法复杂度太高可以适当降低输入图像的分辨率或处理帧率作为权衡。这个项目从硬件选型、驱动调试到算法集成、性能优化是一个完整的边缘AI系统开发流程。它没有银弹每一个环节都需要仔细打磨。当看到多个摄像头稳定地输出视频流检测框准确地框住目标并最终在三维空间中呈现出它们的位置时那种成就感是对所有调试工作最好的回报。这套系统就像一个强大的视觉感知引擎为各种智能机器装上了“眼睛”和“空间感知大脑”。