论文:Flow Reconstruction for Data-Driven Traffic Animation
一个程序员,入了交通的坑,苍天了。
===============================================================================
论文地址:http://gamma.cs.unc.edu/TrafficFlowRecon/
作者:
David Wilkie:University of North Carolina北卡罗来纳大学,Ming的学生,目前谷歌工作。
JasonSewall:Universityof North Carolina北卡罗来纳大学,Ming的学生,目前因特尔工作。
MingLin:Universityof North Carolina北卡罗来纳大学,前面两个的指导老师。boss很低调的在后面跟着。
图片1:展示了用他们方法实现的交通流动画演示。动画不仅能演示,并且可以和真实的道路检测器进行通信。车辆的运动是在GIS-derived domain上进行仿真的,并且覆盖在一个从美国地质调查局航拍图像的公共领域。
摘要
虚拟交通通过离散的交通传感器数据或者为了提高虚拟环境的程序生成数据来重构和演示连续的交通流。在这篇文章中,提出了一种快速的方法,数据源自离散的交通传感器或者为了3D交互的程序生成数据。算法采用统计学分原理和连续的交通模型评估整个重构交通流的状态。这个估计状态驱动一个基于agent的交通流仿真去产生和真实很相近的3D车流动画。不像现在的交通仿真和动画技术,本文的技术实现了基于离散交通传感器数据的3D全渲染效果。不适用彩色地图表示交通状况,用户可以可视化观察,就像从一个大型城市飞过一样。
1、介绍
在“digitalurbanscapes(数字城市关节)”的获取和可视化上做了很多的努力。过去十年,在很多领域有较大的进展:使用改进的传感技术采集图像和3D模型、实时渲染和过程式建模。比如,很多城市的区域地图使用的谷歌地球和微软虚拟地球。从视频和传感设备中重构3D物理模型的研究一直是研究热点。类似的,很多高效的技术已经提出应用于图像和集合数据通过网络传输并且在高性能设备上实时显示。然而,所有的努力被限制在获取、显示或者构建主要稳定的不包含动态因素的城市关节的模型,比如交通。通过引入内在的城市景观动态因素,在数字地球系统中的虚拟urbanscape的真实感能够大大提高。
随着VR应用在飞行和潜水模拟器应用于训练已经由单用户在线的VR系统进化到虚拟地球系统,分布式的,针对重构大规模交通流的研究已经出现,尤其是是由真实世界观察的交通传感器的数据驱动的。“virtualizedtraffic虚拟化交通”的观念在2009年第一次提出,针对基于真实世界的传感器数据创建动态的车辆流去增强虚拟城市关节的真实感。我们提出了一种高效的技术实现从持续的交通流数据、道路检测器数据或者程序的输入数据进行虚拟交通的重构。这种方法包含(1)数据分析阶段,交通状态通过集合卡尔曼滤波过程和代表总交通流的宏观模型进行预估。(2)可视化阶段,一个详细的交通流重构被渲染和展示。最后的渲染是车辆交通的一个3D可视化,感觉起来像是有个相机,从稀疏离散交通数据的全部重建。这个技术能够应用于旅途规划,确保他们有一个鸟瞰的视角或者从一个司机的角度观察交通;能够被城市管理者或者交通控制者使用,观察一个超级城市区域的整体的交通可视化;它也能够被用在填充虚拟世界,去产生更加浸入式的体验,使车辆交通流更真实的反映的真实状况。不像单独摄像头的录像视频,本文的方法使用现有的设备设施,需要很少的频域用于通信,就可以在任何VR设备上观察大范围的交通流状况。
交通是单独车辆的集合,每辆车的速度都受制于周围的车辆,其他影响条件太多都无法列出(或许我们知道这些因素),比如当天的时间、天气、引导标识、道路状况等等其他因素。我们认为交通流的评估基于道路的组合密度场和速度场,这些场在一个特定时刻模拟交通流的宏观条件。
传感器有几种形式。最常见的是回路探测器(Loop detector),放置于道路上记录通过车辆的属性。另一种传感器是内置在车子的,移动电话和GPS设备能够监控车辆的速度和位置。最后,监控摄像头也可以用于监控交通,对多有的监控车辆可以提供完全的轨迹。在本文中,我们专注于在道路上的检测器,比如回路探测器和监控摄像头。这些感应器能够检测车辆何时路过和通过时的速度,车辆长度以判断是卡车或者轿车等等。尤其,这些感应器能够在一个时间跨度上批量传输和发送聚合的车辆数据。虽然这些传输数据是瞬间发送的,但是他们是按照时空上离散的读取。尽管我们的方法使用的是回路探测器和监控视频实施,但是其他的传感器的数据能够很容易的应用于我们提出的框架。
主要成果:我们提出了一种高效的技术,确保从离散交通数据到详细3D交通重构的产生。我们的方法突出交通状态评估阶段,在这个阶段一个卡尔曼平滑滤波和连续交通模拟器被使用,在整个路网之上创建速度场和密度场的评估。我们的方法使用这种评估作为一种控制,这种控制基于agent交通仿真去创建单独车辆移动的3D动画。基于agent的系统通过配置临界条件、评估的速度场和简单的跟随关系进行自动控制。最后,输出是包含了原始传感器数据的交通流3D可视化演示。需要注意的是,我们的方法并不是交通仿真,而是一个车辆交通流的重建,重建后的效果等同于真实世界的交通状况。另外,3D交通动画能够进行交互,响应用户在虚拟环境的控制和操作。
文章剩下的部分:第二部分提供了相关的研究,状态估计方法和交通仿真包括在里面,还有其他的交通重构方法。第三部分描述了我们的方法,包括状态评估阶段和数据重构阶段。第四部分,提供了我们方法使用真实数据集后的统计学和可视化的结论。
2、以往的工作
关于交通估计的研究有很久的历史,可以追溯到1970s。最近的项目有相似的目标和方法:他们想要宏观交通流量的一个更高级别的评估,他们使用过滤算法基于传感器进入数据和交通动态模型去估计交通状态。Hegiy[2007]论述并行化粒子滤波(parallelizationof a Particle Filter)实现交通状态评估。Jacquet[2005]提出一个方法来处理交通状态估计的冲击波的挑战(the challenge of shock waves)。Jacquet[2006]提出了一种方法,将梯度下降法应用到交通仿真模型中,并附有交通状态预测的功能。Sau[2007]讨论使用粒子滤波(paticlefilters)进行实时状态和参数估计。Wangle和Papageorgious[2005]使用扩展的卡尔曼滤波(theextended Kalman filter)提出了实时交通状态的详细调查。最后,Work[2010]为了使用手机信号预估交通,提出了基于交通模型的速度(velocity)。
这些交通估计方法很多都是基于卡尔曼滤波方法。值得注意的是一个特定类的滤波器合卡尔曼滤波(Ensemble of Kalman Filter,EnKF)。在预估系统中选择这个滤波器,涉及到了(非常)高维状态。它已经被用于天气预报、海洋流估计以及交通预估。类似于粒子滤波,EnKF传播一组状态的采样,这些采样符合概率分布模型。对于ENKF而言,这些取样形成了针对这个系统的集合。不像粒子滤波,只针对高斯线性系统噪音EnKF在限制下(无限数量的采样)仍是正确的。然而,在状态的维度之下,运行时间是线性的而不是像其他滤波器一样是立方体的,这个事实使它在非线性系统中使用方便,【】。当这些工作应用于一个高速公路上的整体仿真,他们提供了很少的细节区用于可视化真实车辆的交通状况。
在状态估计的过程中,交通动力模型是非常重要的。Lighthill、Whitham和Richards[1955]提出的LWR模型,是一个开创性的宏观交通动力学模型。交通仿真同样资源很多,大量的著作在这里不一一阐述。有关此的详细调查可以阅读[2001]。一些著名的方法,包括ARZ模型,由Rascle[2000]年和Zhang[2002]提出,有关的研究和早期的持续交通流仿真[2010]都是基于此的。还有Papageorgiou[1990]的模型,在交通状态估计[2005]的工作中用于建模交通动力学模型。
这项工作建立在交通仿真最近的发展。Wilkie[2012]提出了一种方法,推算GIS道路网络到一个c1光滑道路网络,可以很适宜用于交通仿真和动画。我们使用这种方法去构造整个道路网络用于运行我们的交通仿真。我们也采用了Sewall[2010]的可视化技术,这种技术使用动画、单独车辆的表示来表现大规模车辆交通可视化的持续交通仿真,而不是粒子轨迹或者向量场的b9iaoshi形式来表现交通流可视化[2004]。然而,Sewall仅仅用于仿真,并不是数据驱动或者交通重构。我们的3D交通可视化考虑到车辆运动学和动力学用于车道的改变和单个车辆的可视化。我们的方法也不同于Berg[2009]和Sewall[2011],它是基于使用优先级运动规划方法的微观边界条件来重构车辆的轨迹。这种技术很快变得很棘手,随着在搜索空间增加离散化的处理上[Sewall]。相比之下,我们使用具有时间和空间约束的基于agent仿真,确保了在多个车道间的拥堵交通流(cross flows)符合整个交通流的高层状态估计。在我们的实现中,我们还假设真是传感器模型。
最近[2011],Sewall提出了一种混合仿真方法,这种方法在道路网路的不同区域同时使用宏观和微观仿真。尽管在这里连续和离散的仿真方法都被使用,但是我们的方法首先地不同在应用宏观方法对整体流估计,然后粒子系统模拟重建详细的车流的细节;然后改进优化全局状态估计,说明由于多个车道交叉流动导致的预估状态和仿真状态之间的不同。在我们的预估-重建-优化整个模块不断循环使用下,我们有选择的、连续的队每种仿真方法的使用很好地利用了每种方法的强项,并没有像Sewall那样在不同区域同时用不同的方法。
可视化目前的交通状况的一个简单直接的方法是来自道路网络的监控视频的回放。但是,全部负担传输宽带,大量的监控摄像头是的这种方法和明显不切合实际。此外,这样也不能针对司机援助、导航援助和分析其他程序关键的重要决策制定分析提供其他计算的好处。我们知道,这项工作是第一个方法,提供车辆交通的实时可视化,从已经在道路上存在的时空数据,直接重建。它不需要基于传感器数据额外的单独识别车辆去可视化当前车辆交通状况,比如Sewall[2011]。
3、方法
我们的方法估计基于交通流数据的交通状况。估计是通过针对卡尔曼平滑器的集合和宏观交通仿真器的平滑过程实现的。我们使用产生的评估驱动基于Agent的仿真实现交通状况的可视化。可以在图2中看到方法的整体思路。
3.1 正文前页
Sensors:我们的模型假设交通状况通过传感器检测。我们假设这些传感器在空间离散,并且在时间间隔内提供测量值。这些测量值假定为速度和密度或者在时间间隔内通过的交通流的评估。这些传感器能够存储多种格式,只要这些假设能够满足。另外,我们假设我们知道传感器的位置,并且位置是固定的。我们假设传感器提供的数据能够传输密度和速度估计。一种这种著名的传感器就是环形探测器。这种探测器提供体积和速度信息,交通的密度可以计算。另一种满足这些条件的传感器是监控摄像头,在道路某一个点的密度和速度能够估计。
RoadNetworks:交通仿真的区域是路网。这些路网有不同的复杂性,从单车道到多车道、十字路口、公路斜坡、立交桥、水槽和其他等等。我们的方法假设一个多车道区域作为仿真区域。我们按照[2012]的方法从可利用的GIS数据创建道路。创建的道路是c1光滑【】,去报了车辆运动将满足简单的汽车运动约束[2011a]。每个车道均定义允许合流在相邻车道以及在高速公路和斜坡之间。为了宏观仿真和状态表示的目的,每个车道的几何形状是离散化的。车道有一个长度值,在车道上的车有一个一维的值,从开端开始为0,终点是长度值。包含一个特定位置的P单元,将会被引用作为cell(P)。
3.2状态估计
我们的方法假设交通数据是时空稀疏的,因此能够描述整个交通状况的一部分。在这样的假设下,通过给的传感器测量数据去估计整个交通状态是有必要的。我们通过一种状态估计处理获得了这种估计,这种处理过程使用了所有可利用的传感器元件信息,以及一个宏观交通动态模型。地面实况和预估结果的一个示例可以在附录中看到。
正如我们在在第一部分预想的那样,完整的交通状况涉及到了全部的独立车辆的状态。为了抽象这些条件到交通状态的一种形式,我们必须关于动态交通做一个假设,因为为了充分说明交通如何发展演变,不同的动力学模型需要不同状态公式。我们假定了一个宏观模型,在[2010]中提高,这个宏观模型是在AW和Rascle[2000]和Zhang[2002]的基础上实现的。紧接着Lebacque[2007],我们称之为Aw-Rascle-Zhang(ARZ)模型。这个交通模型描述了总体交通流量统计、密度和速度的演变,顺着车道使用了决定速度限制的参数,vmax;以及参数γ定义了速度和密度之间的关系。按照上面说到的,交通的状态是一个矢量:
公式中ρi是密度,yi是相对速度,都是车道的ith单元;一个拥有n个离散单元的单车道,拥有2n+2自由度。
3.2.1流重建
为了创建一个状态估计,我们使用传感器测量数据和一个宏观交通模拟器对交通进行了平滑重建。重建使用的是Ensemble Kalman Smoothing(EnKS)方法[2003]。预估处理包括每个步长的状态的集合,当一个新的传感器检测数值到达,每个集合数目按照顺序更新。更新涉及通过仿真提高集合值和基于收到的检测值和目前状态的不同进行修正。交通在时间ti的预估状态,i∈[0,N]表示在接收到tN-1以前的所有检测数据后,潜在状态的集合在时间ti。
EnKS有两个主要部分组成,一个是运动模型,一个是观察模型。运动模型:
描述了动态系统的演变。它传播状态xt-1到给定了噪声mt的xt。这个特殊的公式假设状态只和先前的状态和噪声有关,并不需要控制输入。观察模型为:
和仿真的动态状态有关,xt真实世界测量值,给定了测量噪声nt。
这些模型被用来传播状态集合,Xt={x0t,va……,xm-1t}表示了系统不知的真实状态的分布。在每个时间间隔中,两个模型都会被计算,计算结果将会应用于更新集合。在算法1中展示出来,其中mit是堆积独立的从N(0,I)中读取,nit也是如此,zt是获取到的测量值。
在最后,我们讨论处理的详细过程,集合初始化、运动模型和观察模型和调优噪声。
3.2.2集合初始化
我们初始化每个集合数xi 0,使用随机数用于密度ρ,相对速度y,速度限制vmax以及相关参数γ。vmax每秒的取值均匀从[10,60]取值。γ在区间[0.5,0.9]之间均匀取值。在第一个车道单元上密度均匀取值[0,0.9]。我们认为在现实世界中1是不可能到达的。关于速度,在第一个车道单元上在[0.vmax]之间取值。从速度中计算出相对速度。
在接下来的车道单元上的密度和速度值是动态随机变换的在边界【字母】内。当他们在ρ和γ的边界中时,创建的密度和速度场是c2的。当我们讨论关于速度状态的创建时,他们之间的相对速度就存储在状态中。
3.2.3运动模型
正像前面章节讨论的一样,运动模型就是将给定的时间t-1的状态传递到时间t。前面的描述中,状态通过制定ARZ仿真公式的方式来定义交通的演化。针对每次迭代,每个状态集合xit-1使用运动模型进行更新。每条车道都是独立进行仿真的,密度和速度值再0th和Nth车道单元被控制为常数来实现边界条件。仿真过程通过△tfilter来定义,比如,接收交通数据的频率。每个车道的仿真都实现后,高斯噪声将会被加入到状态中去,正如下面的描述。
ARZ的方程式描述:我们方法的宏观仿真组件是基于非线性双曲系统,公式部分不同于Aw和Ra[2000]和Zhang[2002]提出的方法。这个系统描述了在车道上的车辆运动,有关的参数是密度,速度和推导的数量y,所谓的相对速度。系统描述:
在双曲偏微分方程,方程(4)是守恒型。列向量q描述了整个系统的量的变化,仅仅由于流的边界进出【不可描述】。守恒型很方便发现重要性能,和发现双曲方程的解决方案,这个促使了相对速度y的引入。
相对速度:关于车辆密度的直观感受一定是守恒的【翻译不太准确】(它的值反映了系统中的车辆总数),但是我们不应该期望速度v应该直接是守恒的——是这样的,当一辆车慢慢缓慢下来,另一辆车或许不得不加速!
因此,相对速度的概念被引进,在给定的密度下粗略的描述了相对于最优速度,汽车通行有多快。尤其,y与ρ和v的关系如下:
这个veq(ρ)值是关于ρ的平衡速度——在给定的密度ρ下最大的速度可能会实现。在交通流这事机器重要的概念,the fundamental diagram[在交通流中是流量(每小时车辆数)和密度(每千米车辆数)之间的关系图标,详细见维基百科],它是一个划分交通流量和密度的曲线[Zhang,2002]。fundamental diagram根据流的不同而不同,但是基础理论是不变的,实证可知,他们是ρ的凸函数,有一个独一的特大值。这样的话就符合直觉——在ρ=0的地方,几乎没有车流量,随着ρ接近1(一辆接一辆的车流),车速几乎为0,车流量也接近0.
在ARZ模型中,veq(ρ)按照如下定义:
其中vmax是速度限制,γ∈(0,1)是表示fundamentaldiagram的参数。
数字的宏观解决方案:为了获得方程(4)的数字解决方案,我们使用带有黎曼解决的有限体积法[Finite VolumeMethod]。
一个车道被划分为N个独立单元,每个长度为△x。离散数值Qi=[ρi,vi]T,i∈Z[0,N]表示了q在i单元的平均值。
为了使解决方案从时间tn推进到tn+1,我们使用向前欧拉方程:
其中Qn i表示在时间n,△t=tn+1-tn内单元i的q平均值;车流量Fn i-和Fni+是从tn到tn+1的f(q)的平均值,分别对应单元i的相邻单元i-1和i+1(比如Fn i-=Fn i-1+,Fni+=Fn i+1-)。
有关应用于ARZ系统的数值的黎曼问题和响应的黎曼解决的详细描述能够通过[2011]论文发现。
仅过了大量时间步骤后,为了精确的集合,我们计算每辆车的速度,它是在时间步长内通过的单元速度的加权组合,通过车辆在相应车道单元花费的时间和,每个速度都是被加权的。
我们通过规则实施这些准则,这些规则依照领导者、跟随者、目标车道和车辆的动力学和几何特征来定义的。
Definition1.目标车道。对于车辆a,一个临近的车道通过向右或者向左合流可以到达。目标车道是一个相邻车道,这个车道是车辆a打算合流进去的。
Definition2.领导者。对于车辆a和包含车辆a的车道l或者和包含a的车道相邻,我们定义这个领导车辆做为LC={c|c.p>a.pL},领导车辆b∈LC,比如,b.p<=c.p,因此c∈LC。
Definition4.fLF。一个领导者-跟随者函数,返回给定位置和速度的领导车辆和跟随车辆的加速值。
Criterion2.对于车辆a,车辆b是目标车道的领导者。当fLF(a.p,b.p,a.v,b.v)<0,合流是禁止的。
Criterion3.对于车辆a,车辆b为目标车道的跟随者。如果fLF(a.p,b.p,a.v,b.v)<adisrupt,那么合流是禁止的。其中adisrupt是加速度限制。
Criterion4.对于车辆a,车辆b为目标车道的跟随者。如果车辆b处于merging到目标车道的状态,那么合流是禁止的。
我们已经实施了我们的方法展现在这里,在来自公共可利用的的在线交通数据进行测试。
这个数据包含观察期间的在高速上的每辆车的详细轨迹数据。轨迹数据基本来自安装在高速上的多个摄像头。这个数据集的优点是它提供了详细的交通真实轨迹“ground truth”,这个通常是不知道的。
我们使用lane-mean值来表示我们实验的结果,如下定义:
数据的所有车道的误差的平方平均数都能够在附录中找到。密度误差在每辆车长度内0.03到0.1辆车的范围内变化(或者按比例填满车辆),速度误差是在1到2.5m/s之间变化。
运行时间由状态估计来控制,2.7秒每步,共547.6秒。计算同样被大量的宏观交通仿真运行来控制的,每个运动集合而被向前仿真的。细节重构花费0.2秒每步,共42.1秒被使用。
复杂的交通现象首先在高速上发生,因此我们主要关注这方面。在数据驱动的动画中交叉口是一个困难的问题,因为交叉口都有自己的状态。然而,我们的工作能够很容易结合在拥有交叉口的城市区域的微观仿真。
我们方法的精度受限于利用的数据。如果数据太稀疏(temprally sparse),高频的交通现象可能会被错过。我们的估计方法是根本上是宏观的,因此不应该期望独立的车辆能够合适。
这个项目基于美国国家科学基金会,陆军研究办公室,Inter,卡罗来纳发展基金。
论文:Flow Reconstruction for Data-Driven Traffic Animation相关推荐
- 大三小学期进阶课程第二十一课:reinforcement learning and data driven approaches
第21课.reinforcement learning and data driven approaches 解决规划问题,不能一上来就开始data driven,而是一步步来从rule based这 ...
- 【论文阅读】Realtime Robust Malicious Traffic Detection via Frequency DomainAnalysis
[论文阅读]Realtime Robust Malicious Traffic Detection via Frequency DomainAnalysis 原文标题:Realtime Robust ...
- 【菜鸡读论文】Face2Exp: Combating Data Biases for Facial Expression Recognition
[菜鸡读论文]Face2Exp: Combating Data Biases for Facial Expression Recognition 最近上海开始降温了,而且常常下雨,天气开始变得好冷啊! ...
- 论文项目复现笔记----Emotion Driven Monocular Face Capture and Animation
一.项目相关 项目代码网址:GitHub - radekd91/emoca: Official repository accompanying a CVPR 2022 paper EMOCA: Emo ...
- [论文笔记]Trajectory Data Driven V2V/V2I Mode Switching and Bandwidth Allocation for Vehicle Networks
车辆的高机动性给车辆网络中高效可靠的通信带来挑战,其中的关键是如何实时处理大量的信道反馈信息以及如何更好地进行资源分配.本文提出一种利用轨迹数据的资源分配方法,其特点为减少CSI信息的反馈量并使V2V ...
- 交通预测论文翻译:Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions
原文链接:[2004.08555v3] Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions (ar ...
- [论文笔记] Methodologies for Data Quality Assessment and Improvement (ACM Comput.Surv, 2009) (1)
Carlo Batini, Cinzia Cappiello, Chiara Francalanci, and Andrea Maurino. 2009. Methodologies for data ...
- 论文解读:Missing data imputation with adversarially-trained graph convolutional network
标题: Missing data imputation with adversarially-trained graph convolutional networks 用对抗训练图卷积网络实现缺失数据 ...
- 【论文阅读】Realtime Robust Malicious Traffic Detection via Frequency Domain Analysis
原文标题:Realtime Robust Malicious Traffic Detection via Frequency DomainAnalysis 原文作者:Chuanpu Fu, Qi Li ...
最新文章
- 一篇文章能够看懂基础代码之CSS
- Spring Cloud Ribbon(服务消费者)
- Ubuntu使用技巧和注意点
- SpringBoot:AOP处理请求
- 全志A33-串口的使用
- mysql where true_在MySQL中选择查询,检查字符串或在where子句中检查是否为true?
- 《南溪的目标检测学习笔记》——DCN(DCNv2)的学习笔记
- 微型计算机原理DL,微型计算机原理练习附解答.doc
- 解析Disruptor:写入ring buffer
- Root Motion的脚本处理
- 常见报错_mysql常见报错之SELECT list is not in GROUP BY clause
- vue中html没引入js文件,vue.js如何引入非模块化的js文件并调用里面的方法和类。...
- VMWare Network Adapter设置错误也会导致 Determining IP information for eth0 failed
- 蓝桥杯单片机Proteus仿真源文件
- 服务器重装系统之DELL
- git remote: error: hook declined to update
- 伊利诺伊香槟分校计算机排名,2019伊利诺伊大学香槟分校排名(USNews排名)
- NLP基础笔记1——中文分词技术
- 特别放松:海盗分金问题
- Elasticsearch学习之Elasticsearch的介绍和基本使用
热门文章
- 如何检测WiFi 6E的高频信号?(一)
- 常用的几款富文本编辑器
- 公鸡 2 文,母鸡 1 文,小鸡半文,每种至少一只,100 文买 100 只鸡有多少 可能性 公鸡最多 50,母鸡最多 100,小鸡最多 200
- 2021寒假每日一题《献给阿尔吉侬的花束》
- 吴恩达——机器学习(logistic)
- window openJdk 下载
- 学习笔记6--车辆线控系统
- Docker部署运行jar
- ros-publisher
- Springboot毕设项目大学生心理辅导系统njqlvjava+VUE+Mybatis+Maven+Mysql+sprnig)