تجربه رانندگی هوشمند Huawei ADS3.0: “End-to-End” دیوار فناوری جدید است

عملکرد "هوشمند" رانندگی با کمک هوشمند با افزایش سریع ضریب نفوذ وسایل نقلیه انرژی جدید به سرعت در حال تغییر است.

پس از اینکه رانندگی با کمک خلبان تکرار مسیر فنی از "با عکس" به "بدون عکس" را ایجاد کرد، "پایان به انتها" به هدف جدید در زمینه رانندگی هوشمند تبدیل شده است.

در ابتدای سال جاری، تسلا اولین نسخه نظارت شده FSD v12 مجهز به "مدل شبکه عصبی سرتاسر" را عرضه کرد و پس از آن تعدادی OEM در خط مقدم رانندگی هوشمند از جمله Hongmeng Zhixing، Ideal و Xpeng قرار گرفتند. تولید انبوه رانندگی هوشمند «پایان به انتها» یکی از اهداف مهم در نیمه دوم سال است.

اخیرا، Dongchehui همچنین عملکرد رانندگی هوشمند «پایان به انتها» آخرین Huawei ADS 3.0 را در جاده‌های عمومی تجربه کرده است.

در واقع، کاملاً چشمگیر است.

عملکرد واقعی Huawei ADS3.0 "انتخاب به انتها": رانندگی هوشمند از یک پارکینگ به فضای دیگر

به تبلیغات نگاه نکنید، به اثربخشی آن نگاه کنید.

نحوه عملکرد ADS3.0 "انتخاب به انتها" در هنگام رانندگی در جاده باید بیشترین نگرانی کاربران باشد. در سطح برنامه واقعی، Huawei ADS 3.0 به معنای فیزیکی انتها به انتها "از پارکینگ تا فضای پارکینگ" است.

پیش از این، اولین Xiangjie S9 مجهز به هواوی ADS3.0 را تست درایو کردیم. به لطف مدل شبکه عصبی بیونیک «پایان به انتها»، Xiangjie S9 را می توان در سراسر کشور هدایت کرد و دارای ویژگی های زیر است: شروع فضای پارک، شروع کنار جاده، توقف در کنار جاده، تغییر مقصد در هر زمان، و عبور از دروازه خودکار مجموعه‌ای از ارتقاء در قابلیت‌های رانندگی هوشمند، مانند ماشین‌ها، تلاش می‌کند تا از رانندگی هوشمند کمکی برای نفوذ در همه سناریوها و دستیابی به "رانندگی در هرجای جاده" استفاده کند.

مسیر آزمایشی برنامه ریزی شده نیز کاملاً جالب است. ما مستقیماً از زیرزمین هتل Four Seasons در سوژو شروع کردیم و مقصد، زیرزمین هتل Renaissance Taihu بود.

از آنجایی که پارکینگ های زیرزمینی در هر دو مکان اسکن شده اند و توسط سیستم ناوبری به عنوان "پارکینگ های پرکاربرد" شناخته می شوند، می توانیم فضای پارک زیرزمین هتل چهار فصل را به فضای پارکینگ در زیرزمین تنظیم کنیم. هتل رنسانس، و سپس مستقیماً روی دکمه رانندگی هوشمند روی فرمان کلیک کنید، Xiangjie S9 به طور هوشمندانه از فضای پارکینگ خارج می شود و از زیرزمین هتل Four Seasons خارج می شود.

با وجود اینکه ورودی زیرزمین هتل چهار فصل یک خم بسیار باریک است، اما S9 به دیوار چسبیده و ماهرانه بیرون رانده شده است. گیت تشخیص همچنین می تواند به طور خودکار سرعت خود را کاهش دهد و قبل از شتاب گیری به بیرون صبر کند تا اهرم بالا برود.

جاده‌های پارک هتل در اصل روی نقشه ناوبری نشان داده نمی‌شوند، اما درک محیطی و قابلیت‌های تصمیم‌گیری Xiangjie S9 نه تنها می‌تواند از وسایل نقلیه سریع‌السیر اجتناب کند، بلکه از موانع موقت نیز جلوگیری می‌کند.

همچنین هنگام رو به رو شدن با دوربرگردان بسیار آرام بود و با سرعت نسبتاً بالایی فرمان را می چرخاند.

صحنه دور برگردانی که قبلاً نیاز به تصاحب داشت، اکنون نیازی به تصاحب با ADS3.0 ندارد. راننده هوشمند فقط فرمان را تکان می دهد و دور برگردان تمام می شود.

حس شناسایی چراغ‌های راهنمایی نیز حادتر شده است، وقتی چراغ سبز چشمک می‌زند، وسیله نقلیه قبلاً آن را ضبط کرده، پیش‌بینی‌هایی انجام داده و به‌طور خودکار به آرامی سرعت خود را کاهش داده است.

هنگامی که با برخی سناریوهای پیچیده روبرو می شوید، مزایای پایان به انتها ADS 3.0 آشکار می شود. در صحنه‌ای که باید از سمت راست‌ترین لاین انتخاب شود، خط مورد نیاز اشغال شده است، و خط‌کشی‌های جاده مشخص نیستند، Xiangjie S9 قاطعانه تغییر خط را لغو می‌کند و انتخاب می‌کند به اطراف سرعت ببخشد، نرمی با مانند یک راننده کهنه کار واقعی قابل مقایسه است. ، از قبل پیش بینی هایی انجام داد.

در بزرگراه، Xiangjie S9 اکنون دیگر نیازی به کنترل در هنگام بالا و پایین رفتن از رمپ ندارد و می‌تواند به سرعت حتی به تغییر خطوط پیوسته پاسخ دهد.

تنها عیب این است که تغییر لاین مانند همیشه فعال است، من احساس می کنم که بسیاری از مواقع نیازی به تغییر مسیر نیست. با توجه به اینکه روسا اغلب در ردیف عقب Xiangjie S9 می نشینند، چنین تجربه تغییر مسیر باید مورد انتقاد روسا قرار گیرد، درست است؟

شاید Xiangjie S9 بتواند یک نسخه رانندگی هوشمند تنظیم شده خاص را در نظر بگیرد که در تغییر خطوط تهاجمی کمتری داشته باشد و بتواند ایمن تر رانندگی کند؟ برای کاهش این وضعیت، می‌توانیم اولویت تغییر خط NCA را به‌طور پیش‌فرض روی «نرم» تنظیم کنیم، که این امر باعث کاهش فراوانی تغییر خط برای سبقت‌گیری می‌شود. اما به این ترتیب، بعید است که به عملکرد رانندگی هوشمند کاملاً صفر دست یابید.

سرانجام، ما با موفقیت به ورودی هتل رنسانس، مقصد ناوبری خود رسیدیم، و سپس Xiangjie S9 به طور یکپارچه و خودکار وارد گاراژ زیرزمینی شد، فضای پارک مورد نظر را پیدا کرد و به تنهایی پارک کرد. با NCA کامل و کنترل صفر، رانندگی هوشمند سرتاسر از فضای پارک به جای پارک به دست می آید.

من فکر می‌کنم درک و جامع‌تر بودن استفاده از عملکرد فیزیکی از فضای پارک به فضای پارک برای اندازه‌گیری ارزش رانندگی هوشمند سرتاسر، آسان‌تر و جامع‌تر است.

با پشتیبانی از مدل "پایان به انتها"، عملکرد هوشمند رانندگی ADS 3.0 با تصور ذهنی ما از رانندگی هوشمند بیشتر مطابقت دارد و کارایی ترافیک نیز بسیار بهبود یافته است.

در این زمان، اگر آقای یو دوباره بگوید که "(Huawei ADS) بی نهایت به L3 نزدیک است، شک و تردید بسیار کمتر است.

نقشه راه فنی هواوی ADS 3.0 چه تفاوت هایی دارد؟

در راه حل رانندگی هوشمند هواوی ADS 2.0، هواوی یک شبکه GOD مبتنی بر همجوشی لیزری را پیشنهاد کرد که با شبکه استدلال توپولوژی جاده RCR برای دستیابی به عملکرد هوشمند رانندگی "رانندگی با یا بدون عکس" همکاری می کند و به وسایل نقلیه اجازه می دهد اشیاء دنیای واقعی را شناسایی کنند. موانع جهانی، اساساً قابلیت‌های ادراک انسان‌مانند، و در نهایت تولید انبوه برای دستیابی به قابلیت‌های رانندگی هوشمند NCA بدون نقشه که می‌تواند «در سراسر کشور» رانده شود.

در میان آنها، شبکه GOD (تشخیص موانع عمومی، شبکه تشخیص موانع عمومی) می تواند از لیدار + دوربین برای شناسایی اشیاء با شکل خاص خارج از لیست سفید موانع عمومی استفاده کند، مانند بازی Minecraft، با استفاده از بلوک های پیکسل سه بعدی برای ساختن وضعیت پویا و ایستا موانع را شناسایی کنید، اما آمبولانس‌ها، ماشین‌های پلیس، عابران پیاده و غیره را نیز مطابقت داده و تشخیص دهید.

با شبکه GOD، سیستم رانندگی هوشمند دیگر محدودیت بالایی در تشخیص موانع در جاده ندارد و می تواند واقعاً "اشیا" را درک کند.

شبکه RCR (شناخت و استدلال جاده، شبکه استدلال توپولوژی جاده) برای رهایی بیشتر رانندگی هوشمند از تکیه بر نقشه‌های با دقت بالا، ترکیب آن با نقشه‌های ناوبری معمولی برای مطابقت و تأیید واقعیت، و سپس استفاده از حسگرها برای سرنگونی و ترسیم نقشه‌های موجود است. نقشه رانندگی در زمان واقعی.

با شبکه RCR، سیستم رانندگی هوشمند می تواند به "تحلیل دقیق شرایط جاده خاص" دست یابد و واقعاً "جاده را درک کند."

مشاهده می شود که رانندگی هوشمند قبلی بر اساس منطق تحقیق و توسعه «ادراک – برنامه ریزی (تصمیم) – کنترل» بوده است که عبارت است از انتقال داده های سنجش به کنترل برای تطبیق و شناسایی و سپس خروجی دستورالعمل های کنترل برای کنترل. رانندگی وسیله نقلیه

اگر «این سؤال» (اطلاعات وضعیت ترافیک) که توسط حسگر حس می‌شود، سؤالی است که در بانک سؤال (اطلاعات ویژگی‌های آموزش‌دیده) انجام شده است، انتهای کنترل می‌تواند «پاسخ صحیح» (طرح تصمیم‌گیری صحیح) را بدهد. وسیله نقلیه کاملاً با شرایط فعلی جاده سازگار است.

به هر حال، هزاران جاده وجود دارد و ایمنی حرف اول را می زند. شرایط جاده به سرعت در حال تغییر است وقتی با برخی از سناریوهای آموزش ندیده مواجه می شوید، سیستم رانندگی هوشمند از بین می رود و فقط می تواند راننده انسان را وادار کند تا وسیله نقلیه را در اختیار بگیرد.

به منظور بهبود عملکرد کنترل رانندگی هوشمند و فعال کردن رانندگی هوشمند برای رانندگی مانند انسان، سیستم رانندگی هوشمند باید بتواند مانند انسان فکر کند .

در نتیجه، رانندگی هوشمند شروع به معرفی مدل‌های زبان بزرگی مانند ChatGPT کرده است که بر اساس شبکه‌های عصبی عظیم ساخته شده‌اند فرآیند، و کامل قضاوت و تصمیم گیری، و در نهایت دستورالعمل های کنترل خروجی.

در ADS 3.0، هوآوی هر دو GOD و RCR را به شبکه های عصبی تبدیل کرد و این بخش از الگوریتم را در یک شبکه عصبی کامل درک GOD گنجاند و سپس داده های ادراک را به شبکه عصبی تصمیم گیری PDP برای برنامه ریزی مسیر رانندگی و خروجی تحویل داد. "تفکر نتیجه می دهد.

پس از ساخت مدل شبکه عصبی GOD+PDP، هواوی سپس از پلتفرم آموزش هوش مصنوعی ابری خود برای انجام آموزش داده های زیادی استفاده کرد و به این مدل اجازه داد تا به سرعت به طور مکرر ارتقا یابد.

بعد از اینکه ADS3.0 قابلیت های ادراک سه بعدی چند بعدی شبکه GOD را بهبود بخشید و از PDP تصمیم گیری "انتخاب به انتها" استفاده کرد، می تواند به de-BEV دست یابد و از "درک اصلی اشیاء" ارتقا یابد. به "درک جاده ها" اجازه دهید سیستم رانندگی هوشمند "صحنه رانندگی" را به طور کارآمدتر و دقیق تر درک کند، شرایط پیچیده جاده را به طور مستقل و با سرعت تصمیم گیری کم مدیریت کند، و اغلب کاربران را روان، مطمئن و بدون مشکل می کند. تجربه رانندگی هوشمند تصاحب

با این حال، با توجه به نتایج اولیه فعلی آموزش، هنوز هم بسیار رادیکال است که اجازه دهیم هوش مصنوعی مستقیماً روی صندلی راننده بنشیند و رانندگی کند. در حال حاضر، مدل end-to-end هوآوی همچنین یک "شبکه ایمنی غریزی" اضافه کرده است تا حد پایین تر رانندگی هوشمند را پوشش دهد و اطمینان حاصل کند که شبکه عصبی تصمیم گیری از خط قرمز ایمنی فراتر نخواهد رفت.

وو شینژو یک بار اشاره کرد که در درازمدت، مدل پایان به انتها به موازات سیستم رانندگی خودکار سنتی اجرا می‌شود تا بتواند رانندگی انسان، پشته‌های سنتی و انتهایی را با هم مقایسه کند. -الگوریتم‌های پایانی در همان سناریو، تفاوت‌های رفتاری در خروجی و تنظیم دقیق بر اساس بازخورد انسانی می‌توانند به موازات پشته فناوری سنتی باشند، و این دو پس از بلوغ، یکدیگر را تکمیل می‌کنند حذف شود.

الگوریتم های انتها به انتها مانند یک پسر نابغه در دوران کودکی هستند، اگرچه او ممکن است در آینده پزشک شود، اما به معلمان دبستان و دبیرستان نیاز دارد تا با بزرگ شدنش به او آموزش دهند با گذشت زمان، او در نهایت به یک "متخصص" قدرتمند تبدیل می شود که می تواند به تنهایی بایستد.

بنابراین، چه این مغز بیونیک انتها به انتها هواوی ADS3.0 باشد، چه سیستم سریع/آهسته Ideal AD، یا معماری Xnet+Xbrain+Xplanner Xpeng، تلاش‌های قابل‌توجهی بین تصمیم‌گیری سرتاسر انجام شده است. ایجاد و کنترل خودرو.

به طور کلی، هدف فعلی از رانندگی هوشمند سرتاسر، ساده سازی معماری سیستم رانندگی هوشمند، استفاده از یک مدل شبکه عصبی واحد برای تکمیل وظایف ادراک و تصمیم گیری کل سیستم رانندگی هوشمند، کاهش وابستگی است. روی کدهای قوانین صحنه عظیم و در نتیجه بهبود اثر واقعی رانندگی هوشمند نیازهای واقعی رانندگی هوشمند کاربران را برآورده می کند.

اگر به استراتژی رانندگی هوشمند قبلی نگاه کنیم، چه رسد به عدم تسلط بر رانندگی هوشمند از یک پارکینگ به فضای دیگر، از نظر رانندگی در اطراف دوربرگردان و ایجاد یک دور برگشتی، رانندگی هوشمند به ندرت می تواند به طور عادی و مستقل رانندگی کند زمان، باید به راننده انسانی هشدار دهد تا کنترل را به دست بگیرد.

به عبارت ساده، بر اساس تجربه واقعی ADS 3.0، از مدل های بزرگ استفاده می شود تا رانندگی هوشمند بیشتر شبیه انسان باشد. از سراسر کشور می توان آن را رانندگی کرد و پس از ارتقا در زمانی که جاده ای وجود دارد می توان آن را رانندگی کرد.

رانندگی هوشمند سرتاسر روند عمومی است و شرکت‌های خودروسازی در تلاش هستند تا به عقب برسند.

خودروهای چینی در حال پیشرفت سریع در برق‌سازی و هوشمندسازی هستند که ترجیحات و انتخاب‌های مصرف‌کنندگان را برای خودرو تغییر می‌دهد. در این میان، رانندگی هوشمند به ویژگی بارز هوش وسایل نقلیه انرژی جدید تبدیل شده است و درک و درک ارزش مصرف کنندگان از رانندگی هوشمند روز به روز در حال افزایش است.

انتخاب‌های تقاضای بازار مصرف به نوبه خود شرکت‌های خودروسازی را وادار کرده است تا از نزدیک‌تر از برق‌سازی و هوشمندسازی استقبال کنند.

بنابراین، آن دسته از شرکت‌های خودروسازی که مزیت‌های رقابتی برجسته‌ای در رانندگی هوشمند ندارند، تمام تلاش خود را می‌کنند تا کاستی‌های رانندگی هوشمند را جبران کنند.

درست مانند جی کریپتون جنجالی اخیر، چند ماه پس از عرضه Ji Krypton 001 2024، مدل 2025 بلافاصله راه اندازی شد. در مقایسه، مدل 24 تنها 48 تاپ قدرت محاسباتی دارد، در حالی که مدل 25 دارای قدرت محاسباتی 508 تاپ است که ده برابر قدرتمندتر است.

اگرچه این حرکت باعث نارضایتی بسیاری از دارندگان خودروهای قدیمی شد، اما آخرین راه حل برای جی کریپتون بود.

با توجه به پاسخ Jikrypton، Jikrypton 001 2025 در این زمان راه اندازی خواهد شد تا کاربران بالقوه بیشتری را راضی کند:

سیستم رانندگی هوشمند Haohan مجهز به JKr 007 با استقبال خوبی از سوی کاربران و صنعت مواجه شده است نظرسنجی Promoter Score) همچنین نشان داد که رانندگی هوشمند عاملی است که کاربران را در انتخاب Jikrypton 001 تحت تأثیر قرار می دهد. بنابراین، ما تصمیم داخلی گرفتیم تا راه‌حلی برای رانندگی هوشمند خود توسعه‌یافته راه‌اندازی کنیم تا یک انتخاب بیشتر به کاربران بدهیم.

در مقایسه با راه‌حل‌های رانندگی هوشمند Mobileye، تعداد زیادی از راه‌حل‌های رانندگی هوشمند می‌تواند شهرت برخی از کاربران را از نظر تجربه رانندگی هوشمند بازگرداند چنین دفعاتی از ارتقاء و به روز رسانی، موظف به آن است که بر اعتماد کاربران بالقوه از منظر حفظ ارزش تأثیر می گذارد.

در حالی که دانش آموزان با نمرات ضعیف در دروس مصمم هستند تا با تلاش و کوشش کاستی های خود را جبران کنند، دانش آموزان برتر رتبه های برتر از هم اکنون شروع به مطالعه سرفصل های ترم جدید کرده اند.

برای آن دسته از شرکت‌های خودروسازی که «رانندگی هوشمند» را به یک برند برجسته تبدیل کرده‌اند، مانند Hongmeng Zhixing، Xpeng، Ideal و غیره، به تولید انبوه و راه‌اندازی رانندگی هوشمند بدون تصویر «قابل رانندگی در سراسر کشور» پرداخته‌اند، و اکنون حتی شده است. بیشتر شروع به طراحی یک راه حل رانندگی هوشمند مدل بزرگ سرتاسری کنید.

همه آنها یک هدف مشابه دارند، یعنی پوشش کامل رفت و آمد کاربر از خروج از در تا ورود به در، و کاملاً به رانندگی هوشمند هوش مصنوعی واگذار می شود. در مقایسه با راه‌حل‌های رانندگی هوشمند سنتی که از قوانین پیروی می‌کنند، راه‌حل‌های رانندگی هوشمند سرتاسر، تبدیل رانندگی هوشمند از مهندسی الگوریتم به مهندسی داده را ارتقا می‌دهند.

برای نشستن روی میز پوکر انتها به انتها، به تراشه های کافی نیاز دارید

تیم ADS هوآوی زمانی که از ADS1.0 به ADS2.0 تکرار می‌شود، سیستم آموزشی هوش مصنوعی خود را به صورت تمام‌پشته فاش کرد.

محکم ترین پایه و اعتماد به نفس برای ساخت یک مدل رانندگی هوشمند در مقیاس بزرگ از پلتفرم آموزش هوش مصنوعی ابری هوآوی می آید. در آن زمان، آن‌ها قبلاً از قدرت محاسباتی فوق‌العاده‌ای استفاده کرده بودند که از اکثر همتایان برای انجام آموزش مدل به صورت 24 ساعته استفاده می‌کردند و به سرعت ارتقاء یک تکرار در هر پنج روز رسیدند.

با رسیدن به پایان به پایان ADS3.0، قدرت محاسباتی یادگیری و آموزش از 3.5E FLOPS اعلام شده در نیم سال پیش به 5E FLOPS به روز شده است (آقای یو همچنین گفت که قدرت محاسباتی 3.5E قبلاً رتبه دوم و سوم در چین، مسافت پیموده شده روزانه این مدل به 35 میلیون کیلومتر می رسد. علاوه بر این، این رقم قدرت محاسباتی نقطه پایانی برای هواوی ADS نیست، اما به افزایش سرمایه گذاری و بهبود ادامه خواهد داد.

از آنجایی که رانندگی هوشمند وارد آب‌های عمیق می‌شود، آموزش مدل‌های هوش مصنوعی رانندگی هوشمند از داده‌های عظیم و متنوع جدایی‌ناپذیر است، در عین حال، یک سیستم پردازش خودکار و سطح بالا نیز بسیار مهم است. می توان گفت که داده ها تا 80 درصد از هزینه های تحقیق و توسعه در توسعه رانندگی هوشمند سرتاسر را تشکیل می دهند.

همانطور که مدل‌های زبان بزرگ قبلاً بر تعداد زیاد پارامترها تأکید می‌کردند، مدل‌های چندوجهی انتها به انتها نیز تقاضای زیادی برای داده دارند. تسلا در پیاده سازی مدل end-to-end در FSD V12 پیشتاز شد و ماسک زمانی گفت:

آموزش با 1 میلیون قطعه ویدئویی به سختی کافی است.

بنابراین، وسایل نقلیه هوشمند رانندگی که توسط شرکت‌های خودروسازی به تولید انبوه می‌رسند، در حال تبدیل شدن به بهترین ابزار جمع‌آوری داده‌ها هستند. هنگامی که وسایل نقلیه رانندگی هوشمند تولید انبوه کافی در جاده ها رانندگی می کنند، داده های واقعی جمع آوری شده توسط آنها به منبع کلیدی برای بهینه سازی مداوم و تکرار الگوریتم های رانندگی هوشمند تبدیل می شود.

بر اساس داده‌های منتشر شده توسط شرکت‌های خودروسازی، تسلا دارای ناوگان کاربری تقریباً 3-4 میلیونی در آمریکای شمالی است در پایان سال 2024، در سه ماهه، Lideal بیش از 700000 وسیله نقلیه تحویل داده است، و همه مدل ها به طور استاندارد به عملکردهای رانندگی هوشمند AD مجهز شده اند، تعداد کل کاربران رانندگی هوشمند NIO به 495،300 رسیده است. تعداد کاربران NOP+ به 245800 رسید.

بنابراین، در پشت قدرت محاسباتی عظیم، مکمل قدرت تحقیق خود، سرمایه فراوان و سهم بالای بازار است.

تولید انبوه ADS3.0 هوآوی برای اثبات این موضوع کافی است که یک مدل رانندگی هوشمند تمام عیار را می توان به صورت انبوه تولید کرد و تجاری کرد به طور محکم به مسیر فنی صحیح پایبند بوده و می توان به سرمایه گذاری بلند مدت دست یافت.

از این منظر، مدل رانندگی هوشمند «پایان به انتها» که قابلیت‌های نرم و سخت را ادغام می‌کند، به «دیوار فناوری هوش مصنوعی» برای رانندگی هوشمند تبدیل خواهد شد.

رانندگی هوشمند سرتاسری که می‌توان در هر جاده‌ای رانده شد، مشخصاً معیار جدیدی در زمینه رانندگی هوشمند است، با این حال، خارج از دیوار فنی، هنوز تعداد زیادی از مدل‌های خودرو وجود دارند که نمی‌توانند به وعده رانندگی هوشمند عمل کنند که می تواند در سراسر کشور هدایت شود.

بازیکنانی که در نهایت می توانند در مسابقه میز پوکر "رانندگی هوشمندانه سرتاسر" شرکت کنند، نه تنها به شجاعت نگاه کردن به آینده نیاز دارند، بلکه در کوتاه مدت تنها به تعداد کمی از بازیکنان نیاز دارند.

# خوش آمدید به دنبال حساب عمومی رسمی وی چت Aifaner: Aifaner (شناسه WeChat: ifanr در اسرع وقت در اختیار شما قرار خواهد گرفت).

Ai Faner |. لینک اصلی · مشاهده نظرات · Sina Weibo