Hexo博客搭建与内网穿透全攻略
2026/10/27 19:27:06
卡尔曼滤波轨迹预测过程
源码：bytetrack/kalman_filter.py 的
predict（单条轨迹）和multi_predict（N 条轨迹批量）。
本文按代码顺序、用实际数字逐步推算两个函数，最后对比。
公式与符号总表
| 符号 | 代码里的真身 | 是什么 | 从哪来 |
|---|---|---|---|
| mean | 参数mean | 状态均值（8 维） | 轨迹上一帧的 mean（initiate 建档时初始化） |
| cov（P） | 参数covariance | 状态协方差（8×8），对角线是各分量的不确定度 | 轨迹上一帧的 covariance |
| F | self._motion_mat | 状态转移矩阵（8×8），匀速模型 | __init__构造：单位阵，右上 4×4 填 dt=1 |
| Q | 局部变量motion_cov | 过程噪声协方差（8×8 对角阵），“匀速假设本身的误差预算” | predict 内部用两个噪声权重 × mean[3] 现算 |
| h | mean[3] | 这条轨迹的框高（像素），不是固定值，每条轨迹各自取 | 状态向量第 4 个分量 |
_std_weight_position | 类属性 | 位置噪声权重 = 1/20 | __init__写死 |
_std_weight_velocity | 类属性 | 速度噪声权重 = 1/160 | __init__写死 |
| mean_new | 返回的mean | 外推后的状态均值（8 维） | mean · Fᵀ 算出 |
| cov_new（P’） | 返回的covariance | 外推后的协方差（不确定性变大） | F · cov · Fᵀ + Q 算出 |
两个函数的数学公式完全相同：
mean_new = mean · Fᵀ （位置 = 位置 + 速度×1 帧，速度不变） cov_new = F · cov · Fᵀ + Q （不确定性传播：变大）一、predict（单条轨迹）实际推算
输入（举例）
mean = [100, 50, 1.5, 40, 8, 0, 0, 0] ← x=100, y=50, a=1.5, h=40, vx=8, vy=0, va=0, vh=0 cov = [[16, 0, 0, 0, 0, 0, 0, 0], [0, 18, 0, 0, 0, 0, 0, 0], [0, 0, 0.5, 0, 0, 0, 0, 0], [0, 0, 0, 14, 0, 0, 0, 0], [0, 0, 0, 0, 6, 0, 0, 0], [0, 0, 0, 0, 0, 5, 0, 0], [0, 0, 0, 0, 0, 0, 0.3, 0], [0, 0, 0, 0, 0, 0, 0, 7]] ← 8×8 对角阵（演示值），各分量方差不同、交叉项 0第 1 步：构造 std_pos（位置类 4 个分量的噪声标准差）
std_pos=[self._std_weight_position*mean[3],# x 的噪声 = h/20self._std_weight_position*mean[3],# y 的噪声 = h/201e-2,# a 的噪声 = 固定 0.01（比例无量纲，不随 h 缩放）self._std_weight_position*mean[3]]# h 的噪声 = h/20代入 h = mean[3] = 40：
std_pos = [40/20, 40/20, 0.01, 40/20] = [2, 2, 0.01, 2]第 2 步：构造 std_vel（速度类 4 个分量的噪声标准差）
std_vel=[self._std_weight_velocity*mean[3],# vx 的噪声 = h/160self._std_weight_velocity*mean[3],# vy 的噪声 = h/1601e-5,# va 的噪声 = 固定 0.00001self._std_weight_velocity*mean[3]]# vh 的噪声 = h/160代入 h = 40：
std_vel = [40/160, 40/160, 0.00001, 40/160] = [0.25, 0.25, 0.00001, 0.25]第 3 步：拼成 Q 矩阵（motion_cov）
motion_cov=np.diag(np.square(np.r_[std_pos,std_vel]))# np.r_ ：把两个 4 元素列表拼成 8 个（顺序 = 状态分量顺序 x,y,a,h,vx,vy,va,vh）# np.square ：标准差 → 方差（平方）# np.diag ：放到 8×8 对角线上Q = diag(2², 2², 0.01², 2², 0.25², 0.25², 0.00001², 0.25²) = diag(4, 4, 0.0001, 4, 0.0625, 0.0625, 0.0000000001, 0.0625)第 4 步：外推 mean
mean=np.dot(mean,self._motion_mat.T)# mean · FᵀF（=_motion_mat，__init__构造）右上角的 1 使"位置 + 速度×dt"：
x' = 100 + 8 × 1 = 108 （dt = 1，__init__ 里 ndim, dt = 4, 1. 写死） y' = 50 + 0 × 1 = 50 a' = 1.5 + 0 × 1 = 1.5 h' = 40 + 0 × 1 = 40 vx' = 8, vy' = 0, va' = 0, vh' = 0 （速度不变） mean_new = [108, 50, 1.5, 40, 8, 0, 0, 0]第 5 步：外推 cov
covariance=np.linalg.multi_dot((self._motion_mat,covariance,self._motion_mat.T))+motion_cov# = F · cov · Fᵀ + Qcov 是对角阵时，结果规律简单：新对角线 = 旧对角线(自己) + 旧对角线(对应速度分量) + Q(自己)，位置分量与自己的速度分量之间产生交叉项 = 旧速度方差：
cov_new（x 行）: 16 + 6 + 4 = 26， 交叉项 [x, vx] = 6 cov_new（y 行）: 18 + 5 + 4 = 27， 交叉项 [y, vy] = 5 cov_new（a 行）: 0.5 + 0.3 + 0.0001 ≈ 0.8，交叉项 [a, va] = 0.3 cov_new（h 行）: 14 + 7 + 4 = 25， 交叉项 [h, vh] = 7 cov_new（速度行）: vx 6+0.0625=6.06，vy 5.06，va 0.3，vh 7.06输出（返回）
mean_new = [108, 50, 1.5, 40, 8, 0, 0, 0] cov_new = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.06, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.06,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.06]]位置方差变大（16→26、18→27、14→25，外推后更不确定），速度方差基本不变，x-vx、y-vy、a-va、h-vh 之间出现交叉项（位置的不确定性里掺进了速度的不确定性）。
二、multi_predict（N 条轨迹批量）实际推算
输入（举例 N=2）
mean = [[100, 50, 1.5, 40, 8, 0, 0, 0], ← 轨迹1（就是上面的例子） [200, 300, 0.8, 60, -6, 10, 0, 0]] ← 轨迹2：h=60，向左下移动 cov = [轨迹1 的 8×8（同上）, 轨迹2 的 8×8 对角阵（演示值）[20, 22, 0.6, 18, 8, 9, 0.4, 10]]第 1 步：std_pos（注意下标变了）
std_pos=[self._std_weight_position*mean[:,3],# x 的噪声 = h/20，N 个 h 一起算self._std_weight_position*mean[:,3],1e-2*np.ones_like(mean[:,3]),# a 的噪声 = 0.01 × 全1向量 = 每条都是 0.01self._std_weight_position*mean[:,3]]mean[:, 3]是列——N 条轨迹各自的 h：[40, 60]。代入：
std_pos = [[40/20, 60/20], [40/20, 60/20], [0.01, 0.01], [40/20, 60/20]] = [[2, 3], [2, 3], [0.01, 0.01], [2, 3]]（每行一个分量、每列一条轨迹；ones_like只是广播手段，a 的数值仍是 0.01）
第 2 步：std_vel
std_vel = [[40/160, 60/160], ..., [1e-5, 1e-5], ...] = [[0.25, 0.375], [0.25, 0.375], [0.00001, 0.00001], [0.25, 0.375]]第 3 步：拼 Q（每条轨迹一份）
sqr=np.square(np.r_[std_pos,std_vel]).T# 8×N，每列一条轨迹的 8 个方差motion_cov=[]foriinrange(len(mean)):motion_cov.append(np.diag(sqr[i]))# 逐条造 8×8Q₁ = diag(4, 4, 0.0001, 4, 0.0625, 0.0625, ~0, 0.0625) ← 轨迹1，h=40 Q₂ = diag(9, 9, 0.0001, 9, 0.14, 0.14, ~0, 0.14) ← 轨迹2，h=60（噪声更大）第 4 步：外推 mean（一次矩阵乘全部完成）
mean=np.dot(mean,self._motion_mat.T)轨迹1: [100,50,1.5,40,8,0,0,0] → [108, 50, 1.5, 40, 8, 0, 0, 0] ← 100+8 轨迹2: [200,300,0.8,60,-6,10,0,0] → [194, 310, 0.8, 60, -6, 10, 0, 0] ← 200-6, 300+10第 5 步：外推 cov（三维数组批量乘）
left=np.dot(self._motion_mat,covariance).transpose((1,0,2))covariance=np.dot(left,self._motion_mat.T)+motion_cov数学同 predict 的 F·cov·Fᵀ+Q，只是对 N 个 8×8 同时做（规律：新对角线 = 自己 + 对应速度分量 + Q）：
轨迹1 cov_new 对角线: [26, 27, 0.8, 25, 6.06, 5.06, 0.3, 7.06]（同 predict 的输出） 轨迹2 cov_new 对角线: [20+8+9=37, 22+9+9=40, 0.6+0.4+0.0001≈1, 18+10+9=37, 8.14, 9.14, 0.4, 10.14]输出（返回）
mean_new（2×8） = [[108, 50, 1.5, 40, 8, 0, 0, 0], [194, 310, 0.8, 60, -6, 10, 0, 0]] cov_new（2×8×8）= 轨迹1、轨迹2 各一份 8×8（对角线见上）三、两函数对比
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
predict | 预测步：按匀速模型把状态外推到下一帧 | mean: 上一帧状态均值（8 维 ndarray）；covariance: 上一帧协方差（8×8 ndarray） | (mean, covariance)：外推后的均值与协方差（不确定性变大） |
multi_predict | predict 的向量化批量版，一次外推所有轨迹 | mean: N×8 状态矩阵（ndarray）；covariance: N×8×8 协方差数组（ndarray） | (mean, covariance)：N×8 均值矩阵与 N×8×8 协方差数组 |
| 对比项 | predict | multi_predict |
|---|---|---|
| 处理数量 | 1 条轨迹 | N 条轨迹 |
| mean 形状 | 8 维向量 | N×8 矩阵 |
| covariance 形状 | 8×8 | N×8×8 |
| 取 h 的写法 | mean[3]（标量） | mean[:, 3]（N 个） |
| a 的噪声写法 | 1e-2（固定值） | 1e-2 * np.ones_like(...)（广播成 N 份，数值不变） |
| Q 构造 | 直接np.diag(...) | 拼好再逐条np.diag循环 |
| 数学公式 | 完全相同 | 完全相同 |
BYTETracker 跟踪循环（Step 2/3/4 前）实际调用的是STrack.multi_predict(strack_pool)→ 内部调KalmanFilter.multi_predict（每帧对匹配池全部轨迹一次算完）；predict是单条接口，供STrack.predict()单轨迹场景使用。
四、project（投影到观测空间）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
project | 把 8 维预测状态投影到 4 维观测空间（检测器只能看到 x、y、a、h 这 4 维），并叠加观测噪声 | mean: 预测均值（8 维 ndarray）；covariance: 预测协方差（8×8 ndarray） | (new_mean, new_cov)：投影后的均值（4 维）与协方差（4×4） |
公式
new_mean = H · mean new_cov = H · cov · Hᵀ + R| 字母 | 是什么 | 从哪来 |
|---|---|---|
| H | 观测矩阵（4×8），只取前 4 维 | __init__的_update_mat |
| mean | 8 维预测均值 | predict 的输出 |
| cov | 8×8 预测协方差 | predict 的输出 |
| R | 观测噪声（4×4 对角阵），检测框自身的不确定性 | 函数内现算：diag((h/20)², (h/20)², 0.1², (h/20)²) |
| h | 目标框高（像素） | mean[3] |
计算过程（实际数字）
输入（predict 输出的轨迹1）：
mean = [108, 50, 1.5, 40, 8, 0, 0, 0] cov = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.06, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.06,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.06]]算 R（h = 40）：
R = diag((40/20)², (40/20)², 0.1², (40/20)²) = diag(4, 4, 0.01, 4)投影（H 取前 4 维 = 取 cov 左上 4×4）：
new_mean = H · mean = [108, 50, 1.5, 40] new_cov = H · cov · Hᵀ + R = [[26+4, 0, 0, 0 ], [0, 27+4, 0, 0 ], [0, 0, 0.8+0.01, 0], [0, 0, 0, 25+4]] = [[30, 0, 0, 0 ], [0, 31, 0, 0 ], [0, 0, 0.81, 0 ], [0, 0, 0, 29 ]]输出：
new_mean = [108, 50, 1.5, 40] ← 4 维 new_cov = [[30, 0, 0, 0 ], ← 4×4 [0, 31, 0, 0 ], [0, 0, 0.81, 0 ], [0, 0, 0, 29 ]]五、update（修正步）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
update | 修正步：用配对成功的检测框修正预测状态——算卡尔曼增益 K，加权融合预测和检测，输出更准的状态 | mean: 预测均值（8 维 ndarray）；covariance: 预测协方差（8×8 ndarray）；measurement: 检测框[x, y, a, h]（4 维 ndarray） | (mean, covariance)：修正后的均值与协方差（不确定性变小） |
公式
K = cov · Hᵀ · new_cov⁻¹ innovation = measurement − new_mean mean_new = mean + K · innovation cov_new = cov − K · new_cov · Kᵀ| 字母 | 是什么 | 从哪来 |
|---|---|---|
| K | 卡尔曼增益（8×4 矩阵），每个状态分量的修正权重 | 公式算出 |
| new_mean | 投影后的预测均值（4 维） | project 的输出 |
| new_cov | 投影后的协方差（4×4） | project 的输出 |
| innovation | 残差（4 维），检测框比预测框偏了多少 | 检测框 − 投影预测 |
| measurement | 检测框[x, y, a, h] | 配对成功的检测框坐标转换 |
| mean / cov | 8 维预测状态 | predict 的输出 |
计算过程（实际数字）
输入：
mean = [108, 50, 1.5, 40, 8, 0, 0, 0] cov = [[26, 0, 0, 0, 6, 0, 0, 0 ], [0, 27, 0, 0, 0, 5, 0, 0 ], [0, 0, 0.8, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 25, 0, 0, 0, 7 ], [6, 0, 0, 0, 6.06, 0, 0, 0 ], [0, 5, 0, 0, 0, 5.06,0, 0 ], [0, 0, 0.3, 0, 0, 0, 0.3, 0 ], [0, 0, 0, 7, 0, 0, 0, 7.06]] measurement = [108.5, 50.5, 1.5, 41] ← 检测框（检测器说目标在 108.5）project 的输出（上一步算好的）：
new_mean = [108, 50, 1.5, 40] new_cov = [[30, 0, 0, 0 ], [0, 31, 0, 0 ], [0, 0, 0.81, 0 ], [0, 0, 0, 29 ]]算 K（公式带实际数据）：
K = cov · Hᵀ · new_cov⁻¹ = [[26, 0, 0, 0 ] [1/30, 0, 0, 0 ] [0, 27, 0, 0 ] [0, 1/31, 0, 0 ] [0, 0, 0.8, 0 ] · [0, 0, 1/0.81,0 ] [0, 0, 0, 25 ] [0, 0, 0, 1/29] [6, 0, 0, 0 ] [0, 5, 0, 0 ] [0, 0, 0.3, 0 ] [0, 0, 0, 7 ]] = [[26/30, 0, 0, 0 ] [0, 27/31, 0, 0 ] [0, 0, 0.8/0.81, 0 ] [0, 0, 0, 25/29 ] [6/30, 0, 0, 0 ] [0, 5/31, 0, 0 ] [0, 0, 0.3/0.81, 0 ] [0, 0, 0, 7/29 ]] = [[0.87, 0, 0, 0 ] ← 8 行（8 个状态分量）× 4 列（4 个观测分量） [0, 0.87, 0, 0 ] ← 每行的非零值 = 该分量的修正权重 [0, 0, 0.99, 0 ] [0, 0, 0, 0.86] [0.20, 0, 0, 0 ] ← 速度行的小权重：位置残差通过它传导到速度 [0, 0.16, 0, 0 ] [0, 0, 0.37, 0 ] [0, 0, 0, 0.24]]算残差：
innovation = measurement − new_mean = [108.5−108, 50.5−50, 1.5−1.5, 41−40] = [0.5, 0.5, 0, 1]修正 mean（公式带实际数据）：
mean_new = mean + K · innovation = [108, 50, 1.5, 40, 8, 0, 0, 0] + [0.87×0.5, 0.87×0.5, 0.99×0, 0.86×1, 0.20×0.5, 0.16×0.5, 0.37×0, 0.24×1] = [108, 50, 1.5, 40, 8, 0, 0, 0 ] + [0.44, 0.44, 0, 0.86, 0.10, 0.08, 0, 0.24 ] = [108.4, 50.4, 1.5, 40.9, 8.1, 0.08, 0, 0.24 ]修正 cov（公式带实际数据）：
cov_new = cov − K · new_cov · Kᵀ K · new_cov（先算，8×4 · 4×4，每行 = 该行权重 × 所在列的方差）： = [[0.87×30, 0, 0, 0 ] [0, 0.87×31, 0, 0 ] [0, 0, 0.99×0.81,0 ] [0, 0, 0, 0.86×29] [0.20×30, 0, 0, 0 ] [0, 0.16×31, 0, 0 ] [0, 0, 0.37×0.81,0 ] [0, 0, 0, 0.24×29]] = [[26.1, 0, 0, 0 ] [0, 27.0, 0, 0 ] [0, 0, 0.80, 0 ] [0, 0, 0, 24.9] [6.0, 0, 0, 0 ] [0, 5.0, 0, 0 ] [0, 0, 0.30, 0 ] [0, 0, 0, 7.0 ]] K · new_cov · Kᵀ（再乘 Kᵀ，对角线 = 每行 26.1²/30 之类，即 权重×方差×权重）： 对角线 = [0.87×26.1, 0.87×27.0, 0.99×0.80, 0.86×24.9, 0.20×6.0, 0.16×5.0, 0.37×0.30, 0.24×7.0] = [22.7, 23.5, 0.79, 21.4, 1.2, 0.8, 0.11, 1.68] cov_new = cov − 上面的矩阵 = [[26−22.7, 0, 0, 0, 6−1.2, 0, 0, 0 ], [0, 27−23.5, 0, 0, 0, 5−0.8, 0, 0 ], [0, 0, 0.8−0.79, 0, 0, 0, 0.3−0.11, 0 ], [0, 0, 0, 25−21.4, 0, 0, 0, 7−1.68 ], [6−1.2, 0, 0, 0, 6.06−0.4,0, 0, 0 ], [0, 5−0.8, 0, 0, 0, 5.06−0.13,0, 0 ], [0, 0, 0.3−0.11, 0, 0, 0, 0.3−0.04, 0 ], [0, 0, 0, 7−1.68, 0, 0, 0, 7.06−0.5]] = [[3.3, 0, 0, 0, 4.8, 0, 0, 0 ], [0, 3.5, 0, 0, 0, 4.2, 0, 0 ], [0, 0, 0.008, 0, 0, 0, 0.19, 0 ], [0, 0, 0, 3.6, 0, 0, 0, 5.3 ], [4.8, 0, 0, 0, 5.7, 0, 0, 0 ], [0, 4.2, 0, 0, 0, 4.9, 0, 0 ], [0, 0, 0.19, 0, 0, 0, 0.26, 0 ], [0, 0, 0, 5.3, 0, 0, 0, 6.6 ]]输出：
mean_new = [108.4, 50.4, 1.5, 40.9, 8.1, 0.08, 0, 0.24] cov_new = [[3.3, 0, 0, 0, 4.8, 0, 0, 0 ], [0, 3.5, 0, 0, 0, 4.2, 0, 0 ], [0, 0, 0.008, 0, 0, 0, 0.19, 0 ], [0, 0, 0, 3.6, 0, 0, 0, 5.3 ], [4.8, 0, 0, 0, 5.7, 0, 0, 0 ], [0, 4.2, 0, 0, 0, 4.9, 0, 0 ], [0, 0, 0.19, 0, 0, 0, 0.26, 0 ], [0, 0, 0, 5.3, 0, 0, 0, 6.6 ]]修正后的框中心 (108.4, 50.4) 落在预测 108 和检测 108.5 之间；这两个值存回轨迹，下一帧 predict 从它们出发——predict 变大 / update 变小，循环闭环。
六、initiate（建档初始化）
| 方法 | 作用 | 输入 | 输出 |
|---|---|---|---|
initiate | 建档初始化：用建档检测框生成轨迹的初始状态——位置来自检测框，速度置 0（没观测过速度），并给一个初始不确定性（速度方差给得大，位置方差给得小） | measurement: 建档检测框[x, y, a, h]（4 维 ndarray，检测框 tlwh 转换来的中心坐标、宽高比、高） | (mean, covariance)：初始均值（8 维 ndarray，速度 4 维全 0）与初始协方差（8×8 对角阵） |
计算过程（实际数字）
输入（检测D 在[30, 40, 50, 100]tlwh 格式 → 转 xyah）：
measurement = [55, 90, 0.5, 100] ← x=55, y=90（框中心），a=0.5（宽高比），h=100（框高）第 1 步：拼初始 mean（位置 + 速度）
mean_pos = [55, 90, 0.5, 100] ← 位置 4 维直接用检测框 mean_vel = [0, 0, 0, 0] ← 速度 4 维：没观测过，全置 0 mean = np.r_[mean_pos, mean_vel] ← 拼成 8 维 = [55, 90, 0.5, 100, 0, 0, 0, 0]第 2 步：构造初始 std（8 个分量的噪声标准差，h=100）
std = [ 2 × (1/20) × 100, ← x：2 × h/20 = 10 2 × (1/20) × 100, ← y：10 1e-2, ← a：固定 0.01 2 × (1/20) × 100, ← h：10 10 × (1/160) × 100, ← vx：10 × h/160 = 6.25 10 × (1/160) × 100, ← vy：6.25 1e-5, ← va：固定 0.00001 10 × (1/160) × 100] ← vh：6.25 = [10, 10, 0.01, 10, 6.25, 6.25, 0.00001, 6.25]位置噪声用 2 倍权重、速度噪声用 10 倍权重（比 predict 的 1 倍大）——刚建档时啥都不确定，尤其速度完全没观测过，方差给大，让 update 阶段能快速修正它。
第 3 步：拼初始 covariance（std 平方上对角线）
covariance = diag(10², 10², 0.01², 10², 6.25², 6.25², 0.00001², 6.25²) = diag(100, 100, 0.0001, 100, 39.06, 39.06, ~0, 39.06)输出：
mean = [55, 90, 0.5, 100, 0, 0, 0, 0] covariance = [[100, 0, 0, 0, 0, 0, 0, 0 ], [0, 100, 0, 0, 0, 0, 0, 0 ], [0, 0, 0.0001, 0, 0, 0, 0, 0 ], [0, 0, 0, 100, 0, 0, 0, 0 ], [0, 0, 0, 0, 39.06, 0, 0, 0 ], [0, 0, 0, 0, 0, 39.06, 0, 0 ], [0, 0, 0, 0, 0, 0, ~0, 0 ], [0, 0, 0, 0, 0, 0, 0, 39.06]]这个 mean/covariance 就是轨迹的初始状态，activate()存进 STrack，下一帧 predict 从它们出发。
| 描述 | 链接 |
|---|---|
| 项目 | 基于 Ultralytics + ByteTrack 的多目标跟踪与改进 |
| 往期回顾 | 链接 |
| 数据集 | 数据集汇总 |
| 软件开发 | 深度学习软件开发汇总 |