机器人传感器及其信息融合技术 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

郭彤颖，张辉 编

图书标签:

• 机器人
• 传感器
• 信息融合
• 感知技术
• 智能系统
• 数据处理
• 算法
• 控制
• 人工智能
• 机器人技术

出版社： 化学工业出版社

ISBN：9787122283658

版次：1

商品编码：12076174

包装：平装

开本：16开

出版时间：2017-01-01

用纸：胶版纸

页数：161

字数：251000

正文语种：中文

编辑推荐

适读人群 ：本书既可作为从事机器人学研究、开发和应用，以及正在学习机器人传感器相关技术的工程师和技术人员的参考书或培训教材，也可以作为高等院校自动控制、电子工程、机械工程、机电一体化、计算机应用等相关专业的高年级本科生或研究生的教材。
感器技术是一门实践性很强的技术。本书在综述常用传感器技术基础上，详细介绍了机器人系统中的常用传感器的原理和特点，讨论了在使用传感器过程中的标定和校准问题。另外，结合目前科技前沿知识，阐述了多传感器信息融合的相关知识和在工业机器人中的应用实例。该书结构严谨，内容丰富，既注重理论性与系统性，又注重实用性和前瞻性。

内容简介

本书详细介绍了机器人传感器的基础知识和工作原理，以及多传感器信息融合技术的应用实例。全书共分10章，主要内容有传感器的定义与分类、基本组成，机器人的系统组成，机器人常用的传感器，智能传感器技术及应用，多传感器信息融合技术的定义、分类，多传感器信息定量和定性融合的方法，后介绍了多传感器信息融合技术在装配机器人、焊接机器人、移动机器人导航、测距和避障中的应用实例。
本书既可作为从事机器人学研究、开发和应用，以及正在学习机器人传感器相关技术的工程师和技术人员的参考书或培训教材，也可以作为高等院校自动控制、电子工程、机械工程、机电一体化、计算机应用等相关专业的高年级本科生或研究生的教材。

作者简介

郭彤颖，沈阳建筑大学，副教授，郭彤颖，副教授，博士毕业于中国科学院沈阳自动化研究所，具有多年在机器人控制及其相关领域的教学和科研经验。先后在国内外重要期刊及学术会议上发表论文与机器人相关论文30余篇，其中EI检索论文10余篇，主持和参加20余项省部级科研项目，具有丰富的实际工程经验。

内页插图

目录

第1章传感器的基础知识
1.1传感器的定义和特点1
1.2传感器的组成和分类1
1.3传感器的标定7
1.4机器人与传感器9
1.5传感器及其技术的发展趋势10
1.6多传感器信息融合的应用领域12

第2章机器人系统组成
2.1 机器人系统组成概述14
2.2机械结构系统14
2.2.1机械构件14
2.2.2传动机构20
2.3驱动系统27
2.3.1液压驱动27
2.3.2气压驱动29
2.3.3电气驱动30
2.4感知系统32
2.4.1机器人对传感器的要求32
2.4.2常用传感器的特性34
2.5控制系统35
2.6人机交互系统37
2.7机器人-环境交互系统37

第3章机器人常用的传感器
3.1机器人传感器的分类38
3.2常用的内部传感器39
3.2.1位置传感器39
3.2.2速度传感器42
3.2.3加速度传感器43
3.2.4倾斜角传感器45
3.2.5力觉传感器46
3.3常用外部传感器48
3.3.1视觉传感器48
3.3.2触觉传感器51
3.3.3接近度传感器54
3.3.4激光传感器58

第4章智能传感器
4.1智能传感器概述60
4.1.1智能传感器的定义60
4.1.2智能传感器的构成61
4.1.3智能传感器的关键技术61
4.2智能传感器的功能与特点65
4.2.1智能传感器的功能65
4.2.2智能传感器的特点66
4.3智能传感器的实现技术67
4.3.1非集成化智能传感器68
4.3.2集成化智能传感器68
4.3.3混合式智能传感器69
4.4无线传感网络技术及其应用70
4.4.1无线传感网络技术70
4.4.2无线传感器网络在移动机器人通信中的应用74
4.5智能模糊传感器技术及其应用76
4.5.1智能模糊传感器技术76
4.5.2模糊传感器在测量血压中的应用79

第5章多传感器信息融合技术概述
5.1多传感器信息融合的定义81
5.2多传感器信息融合的分类81
5.3多传感器信息融合的系统结构86
5.4多传感器信息融合的方法87

第6章多传感器的定量信息融合
6.1传感器的建模91
6.1.1观测模型92
6.1.2相关模型93
6.1.3状态模型94
6.2传感数据的一致性检验94
6.2.1假设检验法95
6.2.2距离检验法96
6.2.3人工神经网络方法98
6.3基于参数估计的信息融合方法99

第7章多传感器的定性信息融合
7.1Bayes方法103
7.1.1Bayes条件概率103
7.1.2Bayes方法在信息融合中的应用103
7.1.3基于目标分类的Bayes决策方法104
7.2Dempster-Shafer证据推理106
7.2.1D-S理论的基础概念106
7.2.2Dempster合成法则107
7.2.3D-S证据理论在融合中的应用108
7.3模糊理论110
7.3.1模糊理论110
7.3.2模糊理论在融合中的应用111
7.4神经网络法111
7.4.1神经网络融合信息的一般方法112
7.4.2神经网络在融合中的应用113
7.5粗糙集理论114
7.5.1粗糙集理论114
7.5.2基于粗糙集理论的多传感器信息融合118

第8章多传感器在装配机器人中的应用
8.1多传感器信息融合系统组成123
8.2位姿传感器124
8.3柔性腕力传感器127
8.4工件识别传感器128
8.5视觉传感系统129

第9章多传感器在焊接机器人中的应用
9.1焊接机器人常用的传感器131
9.2电弧传感系统131
9.3超声传感跟踪系统133
9.4视觉传感跟踪系统135

第10章多传感器信息融合在移动机器人中的应用
10.1概述137
10.2多传感器信息融合在移动机器人导航中的应用139
10.3多传感器信息融合在移动机器人测距中的应用143
10.4多传感器信息融合在移动机器人避障中的应用157

参考文献

前言/序言

传感器技术是现代科技的前沿技术，发展迅猛，它同计算机技术、通信技术一起被称为信息技术的三大支柱。机器人使用的传感器作为机器人信息获取的源头，技术也日趋成熟完善，这在一定程度上推动着机器人技术的发展。我们不得不承认，即使是目前世界上智能程度的机器人，它对外部环境变化的适应能力也非常有限，还远远没有达到人们预想的目标。为了解决这一问题，机器人研究领域的学者们一方面研发机器人的各种外部传感器，研究多信息处理系统，使其具有更高的性能指标和更广的应用范围；另一方面，研究多传感器信息融合技术，为机器人的决策提供更准确、更全面的环境信息。
机器人传感器及其信息融合技术的研究涉及人工智能、电子、机械、控制、计算机、信号处理等诸多理论和技术，是一个国家高科技水平和工业自动化程度的重要体现。本书旨在为机械、电子、计算机、控制工程师和工程技术专家们，以及研究生或高年级本科生提供的知识。在内容编排方面，注重理论与工程实际的结合、基础知识与现代技术的结合，内容丰富，反映了机器人传感器的基础知识以及与其相关的先进理论和技术。
本书共分10章，第1章主要讲解传感器的基础知识，包括传感器的定义与特点、组成与分类、机器人与传感器、传感器及其技术的发展趋势、多传感器信息融合的应用领域；第2章介绍机器人系统组成，以及各组成部分的功能和特点；第3章从机器人内部传感器和外部传感器两个方面介绍了机器人常用传感器的种类和工作原理；第4章介绍智能传感器的定义、构成、关键技术、功能与特点，以及无线传感网络和模糊传感器技术及其应用实例；第5章介绍多传感器信息融合的定义、分类和系统结构；第6章介绍多传感器定量信息融合的常用方法，包括传感数据的一致性检验和基于参数估计的信息融合方法；第7章介绍多传感器定性信息融合的常用方法，包括Bayes方法、Dempster�睸hafer证据推理、模糊理论、神经网络法、粗糙集理论的原理及其应用；第8章列举了多传感器在装配机器人中的应用实例，介绍了装配机器人多传感器系统的组成及其功能；第9章列举了多传感器在焊接机器人中的应用实例，介绍了焊接机器人利用声传感器和视觉传感器进行焊缝跟踪的原理；第10章列举了多传感器在移动机器人导航、测距和避障中的应用实例。
本书由郭彤颖进行整体策划与统稿，由郭彤颖和张辉主编，其中第1章由郭彤颖、何嘉宁编写，第2、3章由郭彤颖、王海忱编写，第4章由张辉、任丹编写，第5章由郭彤颖、刘剑编写，第6章由许崇、陈露编写，第7章由王长涛、宫巍、陈露编写，第8章由郭彤颖、刘冬莉编写，第9章由郭彤颖、刘淑娟、赵岚光编写，第10章由郭彤颖、冯群、刘伟编写。
本书的编写参考了国内外学者的相关论著和资料，在此一并表示衷心的谢意。
由于机器人技术的发展日新月异，再加上时间仓促、水平有限，本书难以全面、详细地对机器人传感器技术的研究前沿和热点问题一一进行探讨。书中存在不足之处，敬请读者批评指正。

编者

《深度学习在图像识别与生成中的应用》 本书旨在深入探讨深度学习技术在图像识别和图像生成这两个核心领域的最新进展、关键理论、典型算法以及实际应用。全书内容结构严谨，逻辑清晰，既有理论的高度，又有实践的深度，适合相关领域的研究人员、工程师、研究生以及对深度学习在视觉领域应用感兴趣的技术爱好者阅读。 第一部分：深度学习基础回顾与图像识别 本部分将首先快速回顾深度学习的核心概念，为后续内容奠定基础。我们将从神经网络的基本结构（如感知机、多层感知机）出发，逐步深入到现代深度学习模型中的关键组成部分，包括： 激活函数：探讨ReLU、Sigmoid、Tanh等常用激活函数的原理、优缺点及其在深度网络中的作用。 损失函数：详细介绍用于分类和回归任务的各类损失函数，如交叉熵损失、均方误差损失等，并分析它们如何指导模型优化。 优化算法：梳理梯度下降及其变种，包括SGD、Momentum、Adam、RMSprop等，讲解它们在加速模型收敛和避免局部最优方面的作用。 正则化技术：介绍Dropout、Batch Normalization、Weight Decay等技术，阐述它们如何有效防止模型过拟合，提升泛化能力。 在掌握了基础理论之后，我们将重点转向深度学习在图像识别中的应用。这部分内容将涵盖： 卷积神经网络（CNN）：这是图像识别领域最核心的模型。我们将详细剖析CNN的构成单元，包括卷积层、池化层、全连接层，解释它们如何通过提取图像的空间层级特征来完成识别任务。 卷积层：深入讲解卷积核的作用、步长、填充等超参数的意义，以及不同类型的卷积（如标准卷积、空洞卷积、分组卷积）的应用场景。 池化层：分析最大池化和平均池化的原理，以及它们如何实现特征降维和增强模型的鲁棒性。 经典CNN架构：系统介绍并解析AlexNet、VGGNet、GoogLeNet（Inception）、ResNet、DenseNet等里程碑式的CNN模型。对于每种架构，我们将重点分析其创新点（如ReLU的首次大规模应用、Inception模块的并行多尺度处理、Residual Connection的深度优化、Dense Connection的特征重用）及其对后续研究的影响。 目标检测：超越简单的图像分类，目标检测旨在识别图像中的特定物体并定位其位置。我们将介绍两种主流的目标检测范式： 两阶段检测器：以R-CNN系列（R-CNN, Fast R-CNN, Faster R-CNN）为代表，讲解区域建议网络（RPN）的工作原理，以及如何结合区域建议和分类回归来完成检测。 单阶段检测器：以YOLO系列（YOLOv1-v8）和SSD（Single Shot MultiBox Detector）为代表，分析其如何一步到位完成目标框预测和分类，以及它们在速度和精度上的权衡。 图像分割：将像素级别的分类扩展到图像分割任务。 语义分割：介绍FCN（Fully Convolutional Network）及其变种，讲解如何利用全卷积结构实现像素级别的类别预测。 实例分割：重点讲解Mask R-CNN等模型，分析如何在目标检测的基础上，进一步为每个检测到的实例生成像素级掩码。 图像识别中的其他重要技术： 注意力机制（Attention Mechanism）：介绍自注意力、多头注意力等概念，以及它们如何让模型聚焦于图像的重要区域。 Transformer在视觉领域的应用：随着Vision Transformer (ViT)的出现，Transformer模型在图像识别领域也展现出强大的潜力。我们将探讨其基本原理，以及如何将序列处理的Transformer应用于图像数据。 第二部分：深度学习在图像生成中的应用 本部分将聚焦于深度学习在创造新颖图像方面的强大能力，涵盖生成模型的核心技术和最新进展。 生成对抗网络（GAN）：GAN是图像生成领域最成功的模型之一。我们将深入剖析GAN的原理： 生成器与判别器：详细解释生成器如何从噪声中生成逼真图像，判别器如何区分真实图像和生成图像，以及它们之间相互对抗、共同进化的过程。 GAN的训练挑战：探讨GAN训练过程中常见的模式崩溃（Mode Collapse）、梯度消失/爆炸等问题，并介绍相关的解决方案。 经典GAN变种：介绍DCGAN、WGAN、StyleGAN、BigGAN等具有里程碑意义的GAN变种，分析它们在网络结构、损失函数、训练稳定性等方面的改进，以及它们在生成高分辨率、多样性图像方面的能力。 条件生成：讲解如何通过引入条件信息（如文本描述、类别标签、其他图像）来控制生成图像的内容，包括Conditional GAN (cGAN)、Pix2Pix、CycleGAN等。 变分自编码器（VAE）：VAE是另一种重要的生成模型，它基于概率图模型和神经网络。 编码器与解码器：讲解VAE如何将输入数据编码到低维的潜在空间，并通过解码器从潜在空间重构数据。 重参数化技巧：解释如何通过重参数化技巧来解决潜在变量采样的问题，使其可导。 VAE在图像生成中的应用：探讨VAE如何用于生成新颖的图像，以及在数据压缩、异常检测等方面的应用。 扩散模型（Diffusion Models）：近年来，扩散模型在图像生成领域取得了突破性进展，其生成质量甚至超越了GAN。 前向扩散过程：描述如何逐步向数据添加噪声，直至其完全变为高斯噪声。 反向去噪过程：讲解如何训练一个神经网络来学习逆向过程，即从噪声中逐步恢复出原始数据。 DDPM、DDIM及后续工作：介绍Denoising Diffusion Probabilistic Models (DDPM) 的基本框架，以及DDIM等加速采样方法。 条件扩散模型：探讨如何结合条件信息（如文本提示）来引导扩散模型生成特定内容的图像，例如Stable Diffusion、DALL-E 2等模型的核心思想。 文本到图像生成：这是当前最热门的研究方向之一。本书将探讨如何结合自然语言处理（NLP）和计算机视觉（CV）技术，实现从文本描述生成高质量图像。 CLIP（Contrastive Language-Image Pre-training）：分析CLIP如何学习文本和图像之间的对齐关系，以及它在零样本图像识别和图像生成中的作用。 Attention机制在文本到图像生成中的作用：讲解Transformer模型如何处理文本序列，并将其信息融入到图像生成过程中。 生成框架：介绍基于GAN、VAE或扩散模型，结合文本编码器（如BERT、GPT）构建端到端的文本到图像生成系统。 图像到图像翻译（Image-to-Image Translation）：将一张图像的风格或内容转换成另一张相似但不同的图像。 CycleGAN：讲解其如何通过非配对图像进行风格迁移，例如将照片转换为油画风格。 Pix2Pix：介绍其如何使用配对图像进行条件图像生成，例如将语义分割图转换为逼真图像。 其他高级图像到图像翻译技术：如超分辨率、图像修复、着色等。 第三部分：实践与展望 本部分将提供更具操作性的指导，并对未来发展趋势进行展望。 深度学习框架与工具：介绍主流的深度学习框架，如PyTorch和TensorFlow，以及常用的库和工具，如OpenCV、NumPy、Scikit-learn等，并提供一些代码实现的示例，帮助读者动手实践。 数据集与评估指标：列举在图像识别和生成领域常用的数据集（如ImageNet, COCO, CelebA, LSUN等），并详细介绍评估模型性能的常用指标（如准确率、IoU、FID、IS等），强调理解这些指标的意义和局限性。 模型部署与优化：讨论如何将训练好的深度学习模型部署到实际应用中，包括模型压缩、量化、推理加速等技术。 伦理与社会影响：探讨深度学习在图像领域的应用可能带来的伦理和社会问题，如数据隐私、偏见、深度伪造（Deepfake）等，并呼吁负责任的研究与应用。 未来发展趋势：展望深度学习在图像领域的未来研究方向，例如更高效的生成模型、更具创造力的AI艺术家、个性化图像生成、多模态融合的进一步发展等。 本书通过系统性的梳理和深入的分析，致力于帮助读者全面理解深度学习在图像识别与生成领域的强大力量，并掌握相关的核心技术，为进一步的研究与开发提供坚实的基础。

评分☆☆☆☆☆

我总觉得，现代科技发展到今天，最令人着迷的莫过于那些“看不见”的力量。比如说，一个无人机是如何在复杂地形中精准定位并完成航拍任务的？又或者，一个工业机器人是如何在流水线上以毫厘不差的精度进行组装的？这些神奇的背后，必然隐藏着一套极其精密的“感官系统”和“决策机制”。《机器人传感器及其信息融合技术》这个书名，在我看来，正是点明了这一切的核心。它让我联想到，书中或许会详细讲解各种类型传感器的特性，比如它们的分辨率、精度、响应速度、抗干扰能力等等。我猜想，作者可能会深入分析光学传感器（如摄像头、红外传感器）、声学传感器（如麦克风）、惯性测量单元（IMU）、激光雷达（LiDAR）、毫米波雷达等在机器人应用中的优劣势。而“信息融合”这个概念，更是引人入胜。我相信，它探讨的不仅仅是数据的简单叠加，而是一种更高层次的智慧。例如，当一个机器人同时接收到摄像头和雷达的信息时，它如何权衡两者的准确性和可靠性，从而得出一个更优的判断？书中是否会介绍卡尔曼滤波、粒子滤波、贝叶斯推断等经典的融合算法？又或者，是否会涉及深度学习在传感器数据融合中的应用，例如利用卷积神经网络（CNN）或循环神经网络（RNN）来处理和理解复杂的传感器输入？我非常好奇，这本书是否会提供一些实际的案例研究，展示这些技术如何在具体的机器人应用场景中发挥关键作用，例如在智能制造、仓储物流、安防监控等领域。

评分☆☆☆☆☆

这本书的书名是《机器人传感器及其信息融合技术》，以下是五段读者评价，每段约300字，风格和内容均有显著差异，且不包含书中实际内容，旨在模拟不同读者对一本未读过的书籍进行想象中的评价： 一直以来，我对于那些能够模仿甚至超越人类感知能力的智能设备都充满着好奇。想象一下，一个机器人能够“看见”世界，能够“触摸”物体，甚至能够“听”懂周围的声音，这本身就是一项令人惊叹的成就。这本书的书名《机器人传感器及其信息融合技术》立刻抓住了我的眼球，它仿佛打开了一扇通往未来科技的大门。我脑海中勾勒出了各种场景：在繁华都市的街道上，自动驾驶汽车精确地感知着行人和车辆的动态，它们是如何做到如此迅速且准确的判断？在遥远的太空，机器人探测器如何在陌生的环境中导航，捕捉那些难以捉摸的行星信息？在医疗领域，微型机器人如何通过各种传感器深入人体，执行精密的诊断和治疗？我想，这本书很可能深入浅出地剖析了这些“感知”背后的奥秘。它或许会详细介绍激光雷达、摄像头、超声波传感器等各种“眼睛”和“耳朵”，解释它们的工作原理，以及如何克服环境干扰，获取高质量的数据。更令人期待的是“信息融合”这一部分，这就像是给机器人大脑注入了智慧。不同的传感器数据，可能来自不同的视角和方式，如何将这些零散的信息整合成一个连贯、准确、完整的世界模型？这其中一定涉及复杂的算法和精妙的设计。我甚至可以想象，书中可能会探讨如何处理传感器之间的不确定性，如何让机器人从海量数据中提取出最有价值的信息，从而做出明智的决策。这本书，在我看来，不仅仅是关于技术，更是关于如何赋予机器以“智慧”和“感知”，让它们更好地服务于人类社会。

评分☆☆☆☆☆

每次看到那些流畅运行的智能设备，我都会不禁思考，它们是如何“认识”周围的世界的。我常常想象，如果我能深入了解这个过程，那该多么有趣。《机器人传感器及其信息融合技术》这个书名，在我脑海中勾勒出了一幅关于机器“感知”的宏伟图景。我猜想，这本书很可能会从最基础的传感器类型讲起，比如，解释为什么有些机器人会用到“眼睛”（摄像头、激光雷达），而有些则需要“耳朵”（麦克风）。它或许会详细阐述各种传感器的物理原理，例如光学原理、声学原理、电磁感应原理，甚至可能涉及到一些材料科学的知识。更重要的是，我期待书中能够详细解析“信息融合”是如何让机器人拥有更全面的认知能力的。我设想，当机器人同时接收到多个传感器的数据时，比如来自摄像头、雷达和IMU的数据，它如何将这些看似不相关的信号整合起来，形成一个统一、准确的环境模型？这本书是否会深入探讨各种信息融合的策略，比如早融合、晚融合，以及它们的适用场景？我尤其好奇，作者是否会介绍一些现代的融合技术，比如利用机器学习或人工智能来优化融合过程，使得机器人能够更好地处理传感器噪声、数据不一致性以及动态环境的变化。我想，如果这本书能够提供一些具体的算法推导和伪代码示例，那就更加完美了，这样我就可以更好地理解和实践这些技术。

评分☆☆☆☆☆

我一直对那些能够“感知”世界的机器充满着好奇，它们是如何做到这一切的呢？《机器人传感器及其信息融合技术》这个书名，就像是一个密码，解锁了我对这个未知领域的探索欲望。我想象着，这本书会像一个博学的向导，带领我深入了解机器人的“感官系统”。它可能会详细介绍各种传感器，比如那些用于“看见”的摄像头、激光雷达，用于“听见”的麦克风，甚至可能还有那些用于“触摸”的力传感器。我猜测，书中会细致地讲解这些传感器的原理，它们是如何将物理世界的信号转化为机器可以理解的数字信号的，以及在各种复杂环境下，它们如何保持工作的稳定性和准确性。而“信息融合”这个概念，更是让我充满了期待。我理解，这就像是给机器人提供了一个“超级大脑”，能够将来自不同“感官”的信息进行整合，从而形成一个更全面、更深刻的认知。书中是否会介绍一些巧妙的算法，比如如何将摄像头捕捉到的图像信息与激光雷达提供的距离信息结合起来，从而实现更精准的三维感知？我甚至可以想象，书中可能会探讨如何利用人工智能技术，让机器人能够从海量的信息中学习，并不断优化其感知和决策能力。我希望，这本书能用清晰易懂的语言，配合生动的图解，将这些高深的技术变得触手可及。

评分☆☆☆☆☆

对于我这样的技术爱好者来说，《机器人传感器及其信息融合技术》这个书名简直就是一股强大的吸引力。我一直对机器人的“眼睛”和“大脑”是如何协同工作的感到好奇，而这本书名恰恰触及了这一核心。我脑海里浮现出各种生动的画面：一个先进的扫地机器人，它如何通过各种传感器来绘制室内地图，避开障碍物，并规划出最高效的清洁路径？一辆自动驾驶汽车，它如何整合来自摄像头、雷达、激光雷达和超声波传感器的数据，实时感知周围的交通环境，并做出安全的驾驶决策？我预计，这本书会深入剖析各种传感器的技术细节，可能包括它们的光学特性、电学特性、信号处理方法，以及在不同应用场景下的选择标准。更让我期待的是“信息融合”部分。我设想，这部分内容会介绍如何将来自不同传感器、不同模态的信息有效地结合起来，从而获得比单一传感器更准确、更鲁棒的感知结果。这本书是否会探讨一些高级的融合算法，比如基于概率图模型的融合方法，或者利用深度学习模型进行端到端的信息融合？我非常希望，书中能够通过丰富的图示和案例，清晰地阐述这些复杂的技术概念，并且可能还会涉及一些实际的工程挑战和解决方案，例如如何处理传感器数据的时空同步问题，以及如何应对传感器失效或故障的情况。

评分☆☆☆☆☆

好书，搞活动买，超值！

评分☆☆☆☆☆

一般！价格有点贵

评分☆☆☆☆☆

物流速度很快，外在看不错，后边再仔细拜读！！！

评分☆☆☆☆☆

京东自营商品，送货快，值得信赖。

评分☆☆☆☆☆

不错哦，很好很好，正版哦！

评分☆☆☆☆☆

老同事挑的，很实用

评分☆☆☆☆☆

买了这么久，大致看了下内容，是我想要的。

评分☆☆☆☆☆

东西不错。

评分☆☆☆☆☆

内容还没来得及看，书是正品