本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

本文深入分析了大模型技術在自動駕駛領域的應用和影響，萬字長文，慢慢觀看~

• 文中首先概述了大模型技術的發展歷程，自動駕駛模型的迭代路徑，以及大模型在自動駕駛行業中的作用。
• 接著，詳細介紹了大模型的基本定義、基礎功能和關鍵技術，特別是Transformer注意力機制和預訓練-微調范式。
• 文章還介紹了大模型在任務適配性、模型變革和應用前景方面的潛力。
• 在自動駕駛技術的部分，詳細回顧了從CNN到RNN、GAN，再到BEV和Transformer結合的技術迭代路徑，以及占用網絡模型的應用。
• 最后，文章重點討論了大模型如何在自動駕駛的感知、預測和決策層面提供賦能，突出了其在該領域的重要性和影響力。

一、本文概述

1.1 大模型技術發展歷程

大模型泛指具有數十億甚至上百億參數的深度學習模型，而大語言模型是大模型的一個典型分支（以ChatGPT為代表）

Transformer架構的提出引入了注意力機制，突破了RNN和CNN處理長序列的固有局限，使語言模型能在大規模語料上得到豐富的語言知識預訓練：

• 一方面，開啟了大語言模型快速發展的新時代；
• 另一方面奠定了大模型技術實現的基礎，為其他領域模型通過增大參數量提升模型效果提供了參考思路。

復雜性、高維度、多樣性和個性化要求使得大型模型在自動駕駛、量化交易、醫療診斷和圖像分析、自然語言處理和智能對 話任務上更易獲得出色的建模能力。

1.2 自動駕駛模型迭代路徑

自動駕駛算法模塊可分為感知、決策和規劃控制三個環節。其中感知模塊為關鍵的組成部分，經歷了多樣化的模型迭代：

CNN（2011-2016）—— RNN+GAN（2016-2018）—— BEV（2018-2020）—— Transformer+BEV（2020至 今）—— 占用網絡（2022至今）

可以看一下特斯拉智能駕駛迭代歷程：

2020年重構自動駕駛算法，引入BEV+Transformer取 代傳統的2D+CNN算法，并采用特征級融合取代后融合，自動標注取代人工標注。

• 2022年算法中引入 時序網絡，并將BEV升級為占用網絡(Occupancy Network)。
• 2023年8月，端到端AI自動駕駛系統FSD Beta V12首次公開亮相，完全依靠車載攝像頭和神經網絡來識別道路和交通情況，并做出相應的決策。

1.3 大模型對自動駕駛行業的賦能與影響

自動駕駛領域的大模型發展相對大語言模型滯后，大約始于2019年，吸取了GPT等模型成功經驗。

大模型的應用加速模型端的成熟，為L3/L4級別的自動駕駛技術落地提供了更加明確的預期。

可從成本、技術、監管與安全四個層面對于L3及以上級別自動駕駛落地的展望，其中：

• 成本仍有下降空間
• 技術的發展仍將沿著算法和硬件兩條主線并進
• 法規政策還在逐步完善之中
• 安全性成為自動駕駛汽車實現商業化落地必不可少的重要因素

各主機廠自2021年開始加速對L2+自動駕駛的布局，且預計在2024年左右實現L2++（接近L3）或者更高級別的自動駕駛功能的落地，其中政策有望成為主要催化。

二、大模型技術發展歷程

2.1 大模型基本定義與基礎功能

大模型基本定義：由大語言模型到泛在的大模型大模型主要指具有數十億甚至上百億參數的深度學習模型，比較有代表性的是大型語言模型（ Large Language Models，比如最近大熱的ChatGPT）。

大型語言模型是一種深度學習算法，可以使用非常大的數據集來識別、總結、翻譯、預測和生成內容。

大語言模型在很大程度上代表了一類稱為Transformer網絡的深度學習架構。Transformer模型是一個神經網絡，通過跟蹤序列數據中的關系（像這句話中的詞語）來學習上下文和含義。

Transformer架構的提出，開啟了大語言模型快速發展的新時代：

• 谷歌的BERT首先證明了預訓練模型的強大潛力
• OpenAI的GPT系列及Anthropic的Claude等繼續探索語言模型技術的邊界。越來越大規模的模型不斷刷新自然語言處理的技術狀態。這些模型擁有數百億或上千億參數，可以捕捉語言的復雜語義關系，并進行人類級別的語言交互。

下圖是大模型的發展歷程：

2.2 大模型的基礎——Transformer注意力機制

注意力機制：Transformer的核心創新
創新點1：Transformer模型最大的創新在于提出了注意力機制，這一機制極大地改進了模型學習遠距離依賴關系的能力，突破了傳統RNN和CNN在處理長序列數據時的局限。

創新點2：在Transformer出現之前，自然語言處理一般使用RNN或CNN來建模語義信息。但RNN和CNN均面臨學習遠距離依賴關系的困難：

• RNN的序列處理結構使較早時刻的信息到后期會衰減；
• 而CNN的局部感知也限制了捕捉全局語義信息。
• 這使RNN和CNN在處理長序列時，往往難以充分學習詞語之間的遠距離依賴。

創新點3：Transformer注意力機制突破了RNN和CNN處理長序列的固有局限，使語言模型能在大規模語料上得到豐富的語言知識預訓練。該模塊化、可擴展的模型結構也便于通過增加模塊數量來擴大模型規模和表達能力，為實現超大參數量提供了可行路徑。

Transformer解決了傳統模型的長序列處理難題，并給出了可無限擴展的結構，奠定了大模型技術實現的雙重基礎。

下面是Transformer結構圖：

2.3 大模型的預訓練-微調范式

大模型代表了一種新的預訓練-微調范式，其核心是先用大規模數據集預訓練一個極大的參數模型，然后微調應用到具體任務。

這與傳統的單任務訓練形成了對比，標志著方法論的重大變革。

參數量的倍數增長是大模型最根本的特點，從早期模型的百萬量級，發展到現在的十億甚至百億量級，實現了與以往數量級的突破。

Transformer架構的提出開啟了NLP模型設計的新紀元，它引入了自注意力機制和并行計算思想，極大地提高了模型處理長距離依賴關系的能力，為后續大模型的發展奠定了基礎。

正是由于Transformer架構的成功，研究者們意識到模型的架構設計在處理復雜任務和大規模數據中發揮著舉足輕重的作用。這一認識激發了研究者進一步擴大模型參數量的興趣。雖然之前也曾有過擴大參數量的嘗試，但因受限于當時模型本身的記憶力等能力，提高參數數量后模型的改進并不明顯。

GPT-3的成功充分驗證了適度增大參數量能顯著提升模型的泛化能力和適應性，由此掀起了大模型研究的熱潮。

它憑借過千億參數量和強大的語言生成能力，成為參數化模型的典范。GPT-3在許多NLP任務上表現亮眼，甚至在少樣本或零樣本學習中也能取得驚人的效果。

增大參數量的優點：

1. 更好的表示能力：增大參數量使模型能夠更好地學習數據中的復雜關系和模式，從而提高模型的表示能力，使其在不同任務上表現更出色。
2. 泛化能力和遷移學習：大模型能夠從一個領域學習到的知識遷移到另一個領域，實現更好的遷移學習效果，這對于數據稀缺的任務尤其有價值。
3. 零樣本學習：增大參數量可以使模型更好地利用已有的知識和模式，從而在零樣本學習中取得更好的效果，即使只有很少的示例也能完成任務。
4. 創新和探索：大模型的強大能力可以幫助人們進行更多創新性的實驗和探索，挖掘出更多數據中的隱藏信息。

2.4 探索大模型:任務適配性、模型變革與應用前景

與早期的人工智能模型相比，大型模型在參數量上取得了質的飛躍，導致了在復雜任務的建模能力整體上的提升：

1）學習能力增強：以應對更復雜的任務；
2）泛化能力加強：以實現更廣泛的適用性；
3）魯棒性提高；
4）具備更高層次認知互動能力：可模擬某些人類能力等。

復雜性、高維度、多樣性和個性化要求使得大型模型在某些任務上更易獲得出色的建模能力：

• 多模態傳感器數據的融合分析，尤其涉及到時序數據的處理，如自動駕駛
• 復雜且動態的目標，需要模型從大規模多樣化的數據模式中學習，如金融領域中的量化交易策略優化
• 涉及異構數據源的高維輸入空間，如醫學圖像和報告
• 需要為不同用戶或場景進行個性化建模的定制化需求，如智能助理

三、自動駕駛技術迭代路徑

3.1 自動駕駛算法核心模塊概覽

自動駕駛算法模塊可分為感知、決策和規劃控制三個環節，其中感知模塊為關鍵的組成部分

感知模塊：感知模塊負責解析并理解自動駕駛所處車輛周邊的交通環境，是實現自動駕駛的基礎和前提，感知模塊的精準程度，直接影響并制約著自動駕駛系統的整體安全性和可靠性。

感知模塊主要通過攝像頭、激光雷達、毫米波雷達等各類傳感器獲取輸入數據，然后通過深度學習等算法，準確解析出道路標線、其他車輛、行人、交通燈、路標等場景元素，以供后續流程使用。

決策和規劃控制：與感知模塊相比，決策和規劃控制等模塊的作用更為單一和被動。

這些模塊主要依據感知模塊輸出的環境理解結果，通過算法決策生成駕駛策略，并實時規劃車輛的運動軌跡和速度，最終轉換為控制命令，以實現自動駕駛。

但是，大模型在車端賦能主要作用于感知和預測環節，逐漸進入決策層。

3.2 CNN

2011-2016：CNN引發自動駕駛領域的首次革新浪潮

隨著深度學習和計算能力的提升，卷積神經網絡(CNN)在圖像識別任務上的出色表現引發了自動駕駛領域的首次革新浪潮。

• 2011年，IJCNN的論文《Traffic Sign Recognition with Multi-Scale Convolutional Networks》展示了CNN在交通標志識別方面的潛力；
• 2016年，Nvidia團隊發表的《End-to-End Deep Learning for Self-Driving Cars》成為最早將CNN應用于端到端自動駕駛的工作之一。

這是一個兩階段的卷積神經網絡架構，輸入通過兩個卷積和子采樣階段進行前饋處理，最終通過線性分類器進行分類。

CNN極大提升了自動駕駛車輛的環境感知能力

• 一方面，CNN在圖像識別與處理方面的卓越表現，使車輛能夠準確分析道路、交通標志、行人與其他車輛；
• 另一方面，CNN有效處理多種傳感器數據的優勢，實現了圖像、激光雷達等數據的融合，提供全面的環境認知。疊加計算效率的提高，CNN模型進一步獲得了實時進行復雜的感知與決策的能力。

但CNN自動駕駛也存在一定局限性：

• 1）需要大量標注駕駛數據進行訓練，而獲取足夠多樣化數據具有難度；
• 2）泛化性能有待提高；
• 3）魯棒性也需要經受更復雜環境的考驗；
• 4）時序任務處理能力：相比較而言RNN等其他模型可能更占優勢。

3.3 RNN、GAN

2016-2018：RNN和GAN被廣泛應用到自動駕駛相關的研究，推動自動駕駛在對應時間區間內快速發展

RNN相較于CNN更適合處理時間序列數據：RNN的循環結構可以建模時間上的動態變化，這對處理自動駕駛中的軌跡預測、行為 分析等時序任務非常有用。例如在目標跟蹤、多智能體互動建模等領域，RNN和LSTM（RNN的改進版本）帶來了巨大突破，可以 預測車輛未來的運動軌跡，為決策和規劃提供支持。

GAN的生成能力緩解自動駕駛系統訓練數據不足的問題：GAN可以學習復雜分布，生成高質量的合成數據，為自動駕駛領域帶來 了新思路，用于緩解自動駕駛系統訓練數據不足的問題。例如GAN可以生成模擬的傳感器數據、場景信息，測試自動駕駛算法的 魯棒性，也可以用于交互式模擬場景生成。

RNN+GAN，可以實現端到端的行為預測和運動規劃：RNN負責時序建模，GAN負責數據生成，兩者相互協同，可以為自動駕駛系統提供更全面和可靠的環境感知、狀態預測和決策支持。

這是融合了LSTM和GAN的模型架構示例。

RNN和GAN仍未解決的問題：

• RNN類模型：長期時序建模能力仍較弱，特別是在處理較長的時間序列數據時可能出現梯度消失或梯度爆炸的問題，限制了它在某些自動駕駛任務上的應用效果。
• GAN模型：生成的數據質量難以控制，很難達到足夠逼真的程度。此外，盡管GAN可以生成合成數據，但在實際應用中，它在自動駕駛領域的具體應用仍相對有限。
• 樣本效率低：RNN和GAN在樣本效率方面仍較低，通常需要大量的真實場景數據來訓練和優化模型。而且這些模型難以解釋，缺乏對內部決策過程的清晰解釋，同時模型的穩定性和可靠性也是需要進一步解決的問題之一。

RNN和GAN在自動駕駛領域應用趨冷的原因：

• 效率和實時性需求：自動駕駛系統需要在實時性要求較高的情況下做出決策和控制。傳統的RNN在處理序列數據時，存在計算效率較低的問題，處理實時感知和決策任務能力有限。
• 復雜性和泛化能力：自動駕駛涉及復雜多變的交通場景和環境，需要具備強大的泛化能力。然而，傳統的RNN可能在處理復雜的時序數據時遇到困難，而無法很好地適應各種交通情況。
• 新興技術的興起：隨著深度學習領域的發展，新的模型架構和算法不斷涌現，如Transformer架構、強化學習等，這些新技術在處理感知、決策和規劃等任務方面可能更加高效和適用。

3.4 BEV

2018-2020：基于鳥瞰視角(BEV)的模型在自動駕駛領域獲得了廣泛的研究和應用

BEV模型的核心思想是將車輛周圍的三維環境數據（如來自激光雷達和攝像頭的點云、圖像等數據）投影到俯視平面上生成二維的鳥瞰圖。這種將三維信息“壓平”成二維表示的方式，為自動駕駛系統的環境感知和理解帶來了重要優勢：

• 鳥瞰圖提供了比直接的原始傳感器數據更加直觀和信息豐富的環境表示，可以更清晰地觀察道路、車輛、行人、標志等元素的位置和關系，增強自動駕駛對復雜環境的感知能力
• 全局的俯視視角更有利于路徑規劃和避障系統進行決策，根據道路和交通狀況規劃更合理穩定的路徑
• BEV模型可以將來自不同傳感器的輸入數據統一到一個共享表示中，為系統提供更加一致和全面的環境信息

這是BirdNet 3D 對象檢測框架，網絡的三個輸出是：類別（綠色）、2d 邊界框（藍色）和偏航角（紅色）。

但是，BEV模型也存在一些問題亟待解決：

• 從原始三維數據生成BEV表示需要進行大量坐標變換和數據處理，增加了計算量和對硬件的要求
• 信息損失問題，三維信息投影到二維時難免會損失一些細節，如遮擋關系等
• 不同傳感器到BEV坐標系的轉換也需要進行復雜的標定和校準
• 需要研究如何有效融合各種異構數據源，以生成更加準確和完整的BEV

3.5 Transformer+BEV

2020年以來， Transformer+BEV結合正在成為自動駕駛領域的重要共識，推動自動駕駛技術進入嶄新發展階段

將Transformer模型與BEV(鳥瞰視角)表示相結合的方法，正在成為自動駕駛領域的重要共識，推動完全自主駕駛的實現

• 一方面，BEV可以高效表達自動駕駛系統周圍的豐富空間信息；
• 另一方面，Transformer在處理序列數據和復雜上下文關系方面展現了獨特優勢，在自然語言處理等領域得到成功應用。兩者結合可以充分利用BEV提供的環境空間信息，以及Transformer在多源異構數據建模方面的能力，實現更精確的環境感知、更長遠的運動規劃和更全局化的決策。

特斯拉率先引入BEV+Tranformer大模型，與傳統2D+CNN小模型相比，大模型的優勢主要在于：

• 1）提高感知能力：BEV將激光雷達、雷達和相機等多模態數據融合在同一平面上，可以提供全局視角并消除數據之間的遮擋和重疊問題，提高物體檢測和跟蹤的精度；
• 2）提高泛化能力：Transformer模型提取特征函數，通過注意力機制尋找事物本身的內在關系，使智能駕駛學會總結歸納而不是機械式學習。主流車企及自動駕駛企業均已布局BEV+Transformer，大模型成為自動駕駛算法的主流趨勢。

下面是Transformer+BEV的示例框圖：

(a) 對象對齊時間融合：首先根據車輛自身的移動情況，把 當前時刻(t時刻)的鳥瞰視角地圖變形調整成上一時刻(t-1 時刻)的樣子。這樣就可以根據對象在上一時刻的位置， 結合速度預測出它當前的位置，從而實現對象在不同時刻 地圖上的融合。

(b) 對象聚焦多視圖采樣：首先在三維空間預設一些點，然后把這些點投影到圖像上的特征上。這樣不僅可以在整個高度范圍采樣，還可以對某些主要對象按照自適應和聚焦的方式，在它們所處的局部空間區域采樣更多點。

(c) 對象通知查詢增強：在編碼器處理圖像特征后，添加熱圖的監督信息。同時用檢測到對象高置信度位置對應的點 來替換掉原本預設要查詢的一些點。

下面是Transformer+BEV的示例框圖2：

GPT的出現對Transformer+BEV模型的產生起到了重要影響

• GPT的成功表明了Transformer模型的潛力，促使更多研究者將Transformer應用到計算機視覺和自動駕駛領域，產生了 Transformer+BEV的創新做法。
• GPT的預訓練思想為Transformer+BEV的預訓練和遷移學習提供了借鑒，可以通過預訓練捕捉語義信息，然后遷移應用。
• OpenAI公開的代碼和模型也加速了Transformer類模型在各領域的研究進程。

當前Transformer+BEV模型受關注，主要基于它綜合了Transformer和BEV各自的優勢

1. Transformer擅長處理序列數據，捕捉語義信息；而BEV提供場景整體觀，有利解析空間關系。兩者組合可實現互補，增強 對復雜場景的理解表達。
2. 自動駕駛數據積累為訓練大模型奠定基礎。大數據支持學習更復雜特征，提升環境感知精度，也使端到端學習成為可能。
3. 提升安全性和泛化能力仍是自動駕駛核心難題。目前階段Transformer+BEV較好地結合語義理解和多視角建模，可處理相對 不常見、復雜或者挑戰性的交通場景或環境，具有很大潛力。

3.6 占用網絡模型

2022年，自動駕駛系統中使用了占用網絡模型，實現了對道路場景的高效建模

占用網絡模型

• 占用網絡是特斯拉在2022年應用到自動駕駛感知的一種技術，相較于BEV可以更精準地還原自動駕駛汽車行駛周圍3D環境，提升車輛的環境感知能力。
• 占用網絡包含兩部分：一個編碼器學習豐富語義特征，一個解碼器可以生成三維場景表達。
• 特斯拉使用車載攝像頭采集的大量行車數據，訓練占用網絡模型。解碼器部分能夠復原和想象各種場景，增強異常情況下的感知棒性。
• 占用網絡技術使特斯拉可以充分利用非標注數據，有效補充標注數據集的不足。這對于提升自動駕駛安全性、減少交通事故具有重要意義。特斯拉正在持續改進該技術在自動駕駛系統中的集成應用。

特斯拉在2023年AI Day公開了occupancy network（占用網絡）模型，基于學習進行三維重建，意圖為更精準地還原自動駕 駛汽車行駛周圍3D環境，可視作BEV視圖的升華迭代：

• BEV+Transformer的不足：鳥瞰圖為2D圖像，會缺失一些空間高度信息，無法真實反映物體在3D空間的實際占用體積， 故而在BEV中更關心靜止物體（如路沿、車道線等），而空間目標的識別（如物體3D結構）難以識別
• 占用網絡：現存三維表示方法（體素、網格、點云）在儲存、結構和是否利于學習方面均不夠完全理想，而占用網絡基于學習將三維曲面表示為深度神經網絡分類器的連續決策邊界，可以在沒有激光雷達提供點云數據的情況下對3D環境進行重建，且相較于激光雷達還可以更好地將感知到的3D幾何信息與語義信息融合，得到更加準確的三維場景信息

華為ADS 2.0進一步升級GOD 網絡，道路拓撲推理網絡進一步增強，類似于特斯拉的占用網絡。

• GOD 2.0(通用障礙物檢測網絡， General Obstacle Detection)障礙物識別無上限，障礙物識別率達到99.9%；
• RCR2.0能識別更多路，感知面積達到2.5個足球場，道路拓撲實時生成。
• 2023年12月，搭載ADS 2.0的問界新M7可實現全國無高精地圖的高階智能駕駛。

對比BEV效果，下面BEV鳥瞰視圖

下面是占用網絡3D視圖：

四、大模型對自動駕駛行業的賦能

4.1 自動駕駛的大模型

以GPT為代表的大模型通常包含億級甚至百億級參數，采用Transformer結構進行分布式訓練，以提升模型能力。

GPT的成功激發了：自動駕駛研究者利用類似架構進行端到端學習，甚至涌現出專為自動駕駛設計的預訓練模型。這些努力為自動駕駛行業帶來新思路，大模型通過強大的數據分析和模式識別能力，增強了自動駕駛系統的安全性、效率和用戶體驗，實現了更準確的環境感知、 智能決策。

大模型的應用加速模型端的成熟，為L3/L4級別的自動駕駛技術落地提供了更加明確的預期

模型的成熟使得自動駕駛系統更加穩定和可靠，為商業化應用奠定了基礎。隨著深度學習和神經網絡技術的迅速發展，模型在 感知、決策和控制等方面取得了顯著進展，向著高效地處理大量傳感器數據，準確識別交通標志、行人、車輛等、實現環境感 知的方向發展。此外，模型也能夠輔助實時路徑規劃和決策制定，使車輛能夠在復雜的交通環境中安全行駛。

大模型的應用為L3/L4級別的自動駕駛技術落地提供了更加明確的預期，尤其特斯拉在前沿技術領域的探索，正在成為實現L3/L4級別自動駕駛落地的風向標。特斯拉提出的Transformer+BEV+占用網絡算法讓車輛能夠更精準地理解復雜的交通環境， 為L3/L4級別的自動駕駛系統提供更強的環境感知能力，從而在城市道路和高速公路等特定場景中更自信地行駛。

國內重要自動駕駛政策節選

安全性自動駕駛汽車實現商業化落地必不可少的重要因素

為保證自動駕駛系統的安全可靠，按照國家監管要求，自動駕駛車輛必須經過5000公里以上的封閉場地訓練評估，且測試駕駛員須通過不少于50小時培訓，并通過車輛安全技術檢驗后方可申請上路測試資格。目前我國智能網聯汽車道路測試總里 程已超7000萬公里，我們預計L3級及以上自動駕駛汽車開放個人使用上路試點區域仍需一定的時間才能實現。

汽車通信安全和數據安全也需達到國標或相關條例要求。我們預計未來中國會參考歐美國家實踐，進一步細化安全要求，加強相關法規制度建設，如制定自動駕駛汽車安全評估標準、明確自動駕駛系統開發生命周期各階段的安全保障要求、建立自 動駕駛汽車事故責任認定機制等。

部分自動駕駛汽車安全標準：

4.2 車端賦能主要作用于感知和預測環節，逐漸進入決策層

大模型在自動駕駛中的應用簡單來說，就是把整車采集到的數據回傳到云端，通過云端部署的大模型，對數據進行相近的訓練。

大模型主要作用于自動駕駛的感知和預測環節。

• 在感知層，可以利用Transformer模型對BEV數據進行特征提取，實現對障礙物的監測和定位；
• 預測層基于感知模塊的輸出，利用Transformer模型捕捉學習交通參與者的運動模式和歷史軌跡數據，預測他們未來行為和軌跡。

未來將驅動駕駛策略生成逐漸從規則驅動向數據驅動轉變。規劃決策層的駕駛策略的生成有兩種方式：

1）基于數據驅動的深度學習算法；

2）基于規則驅動（出于安全考慮，目前普遍采取基于規則生成駕駛策略，但隨著自動駕駛等級的提升及應用場景的不斷拓展，基于規則 的規控算法存在較多Corner Case處理局限性）。

結合車輛動力學，可利用Transformer模型生成合適的駕駛策略：

將動態環境、路況信息、 車輛狀態等數據整合到模型中，Transformer多頭注意力機制有效平衡不同信息源之間的權重，以便快速在復雜環境中做出合理決策。

本文內容來以下資料：

1. AI+行業系列之智能駕駛：自動駕駛的“大模型”時代
2. 智能汽車行業專題研究：大模型應用下自動駕駛賽道將有哪些變化
3. 2023年行業大模型標準體系及能力架構研究報告
4. 人工智能行業專題報告：多模態AI研究框架
5. AI大時代系列報告之一（基礎篇）：大模型與算力共振，奇點時刻到來
6. 等等......

分享完成，本文只供大家參考與學習，謝謝~