検索結果
-
こんな難しい事をKudanは一瞬で行っていた?!! SLAMの作り方※他企業の説明 ↓↓↓ https:// jp.mathworks.com/help/nav/ug/perform-lidar-slam-using-3d-lidar-point-clouds.html その1文 3次元 LiDAR 点群を使用した SLAM の実行 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。 ここで示す SLAM アルゴリズムでは、正規分布変換 (NDT) に基づく点群レジストレーション アルゴリズムを使用して軌跡を推定し、ロボットが同じ場所を通るたびに信頼領域ソルバーを使用した SE3 姿勢グラフの最適化を使用してドリフトを減らします。 データの読み込みと調整可能なパラメーターの設定 ある駐車場で Clearpath™ Husky ロボットから収集した 3 次元 LiDAR データを読み込みます。この LiDAR データには、"n" 行 3 列の行列の cell 配列が格納されています。ここで、"n" は取得された LiDAR データ内の 3 次元の点の数で、列は取得された各点に関連付けられている "xyz" 座標を表します。 Get outputFolder = fullfile(tempdir,'ParkingLot'); dataURL = ['https://ssd.mathworks.com/supportfiles/lidar/data/' ... 'NatickParkingLotLidarData.tar']; pClouds = helperDownloadData(outputFolder,dataURL); 点群レジストレーション アルゴリズムのパラメーター 点群レジストレーション アルゴリズムを使用した軌跡の推定のパラメーターを指定します。maxLidarRange で 3 次元レーザー スキャナーの最大範囲を指定します。 Get maxLidarRange = 20; 屋内環境で取得された点群データには床面と天井面の点が含まれていて、点群レジストレーション アルゴリズムで混同されます。次のパラメーターにより、一部の点が点群から削除されます。 referenceVector - 床面の法線方向。 maxDistance - 床面と天井面を削除するときのインライアの最大距離。 maxAngularDistance - 床面と天井面を当てはめるときの基準ベクトルからの最大角度偏差。 Get referenceVector = [0 0 1]; maxDistance = 0.5; maxAngularDistance = 15;
-
Kudanは一瞬で読み取った点群から 自己位置推定とマッピング(SLAM)を同時にやってのけてる企業である。 点群生成するだけなら、点群に色付けするだけなら3流企業でも出来る。 SLAMとは? SLAMの作り方 https:// jp.mathworks.com/help/nav/ug/perform-lidar-slam-using-3d-lidar-point-clouds.html 3 次元 LiDAR 点群を使用した SLAM の実行 ※一部抜粋 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。 ここで示す SLAM アルゴリズムでは、正規分布変換 (NDT) に基づく点群レジストレーション アルゴリズムを使用して軌跡を推定し、ロボットが同じ場所を通るたびに信頼領域ソルバーを使用した SE3 姿勢グラフの最適化を使用してドリフトを減らします。 データの読み込みと調整可能なパラメーターの設定 ある駐車場で Clearpath™ Husky ロボットから収集した 3 次元 LiDAR データを読み込みます。この LiDAR データには、"n" 行 3 列の行列の cell 配列が格納されています。ここで、"n" は取得された LiDAR データ内の 3 次元の点の数で、列は取得された各点に関連付けられている "xyz" 座標を表します。 Get outputFolder = fullfile(tempdir,'ParkingLot'); dataURL = ['https://ssd.mathworks.com/supportfiles/lidar/data/' ... 'NatickParkingLotLidarData.tar']; pClouds = helperDownloadData(outputFolder,dataURL); 点群レジストレーション アルゴリズムのパラメーター 点群レジストレーション アルゴリズムを使用した軌跡の推定のパラメーターを指定します。maxLidarRange で 3 次元レーザー スキャナーの最大範囲を指定します。 Get maxLidarRange = 20; 屋内環境で取得された点群データには床面と天井面の点が含まれていて、点群レジストレーション アルゴリズムで混同されます。次のパラメーターにより、一部の点が点群から削除されます。 referenceVector - 床面の法線方向。 maxDistance - 床面と天井面を削除するときのインライアの最大距離。 maxAngularDistance - 床面と天井面を当てはめるときの基準ベクトルからの最大角度偏差。 Get referenceVector = [0 0 1]; maxDistance = 0.5; maxAngularDistance = 15; レジストレーション アルゴリズムの効率と精度を高めるために、randomSampleRatio で指定したサンプル比の無作為抽出を使用して点群がダウンサンプリングされます。
-
その考え、5つの点で問題があります。 ①参入障壁が低い ドローンビジネスはNTTのような大手から、地方の無名IT業者まで、ものすごく多く参入しています。競争が激しく、サービスの差も分かりにくいです。 ②単価があまり取れず薄利 競争が激しいため、価格競争になりやすいです。また、導入動機が人材不足対応・コスト削減だったりするので、高い価格ではサービスが売れず、薄利多売しないと業績的には厳しくなります。 ③市場予測はあくまで予測、そのグラフは超楽観 都合の良すぎるシナリオです。 ④1000億~2000億円という点検市場は決して大きくない(パイの食い合いに比して) 仮に都合の良いシナリオだったとしても、1000億は大した規模ではないです。生成AI市場は2030年に1兆5000億円ともいわれていて、このくらいあって初めて、株価に織り込む期待値とみなされます。 ⑤規制緩和前提 いまだドローンまわりの法規制は電波利用・航行経路の点で厳しいです。ひとたび何か事故があれば、規制強化に逆戻りもしかねません。ビジネス前提としてはあまりにもリスクが高く、市場規模拡大は足踏みしてもおかしくありません。 以上、長文失礼しました。
-
-
感情グラフ「売りたい」が程よい60%台に これは期待できる!
-
パチスロの設定1みたいなグラフか 15時にはマイテン
-
先程、夢猫さんが販売台数推移グラフ載せてくれてましたよ。
-
-
1年グラフ見ると3週ぐらいヨコヨコせんと まだまだ折り返しそうにない まあ日経平均下げトレンド脱出してからやろうなぁ
はっきり言おう。 アイサンテク…
2024/04/22 05:23
はっきり言おう。 アイサンテクノロジーより 《Kudanが遙か上のレベルを行っている。》 【点群データだけなら3流企業でも生成できる】 【点群データに色付ける事も3流企業でも出来る】 だって 【Liderで読み取れば簡単に点群が生成出来る】 のだから、、、 Kudanはその遙か上のレベルをいとも簡単にやってのけてるのだよ?!!! INNOVIZのCEOに、『これはSLAMの画像ですか?』と聞いた事がある。 INNOVIZCEOは『これはLider で読み取った画像です』 と返答が。 私は腑に落ちないまま現在進行形で来てしまった。 今ようやく飲み込めたよ。 3 次元 LiDAR 点群を使用した SLAM の実行 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。