L’année 2023, c’est presque à mi-chemin et y entrera’s seconde moitié En un clin d’œile.
Nous vous remercions de l’attention que vous portez à MOUCHE au fil des ans.
“Un voyage de mille kilomètres commence par un seul pas”.
Au cours des deux dernières années, le SRIZFLY a été Polissage continumorphème lié Moteur de simulation de vol développé en interne, l’arrivée à maturité de la simulat de volou produits au jour le jour.
Aujourd’hui, nous annonçons le développement de contenu pour la simulation de capteurs de drones
Jetons un coup d’œil aux nouvelles fonctionnalités~
Simulation de capteur
Le MOUCHE Le moteur de simulation de vol peut réaliser la simulation de la perception de l’environnement de systèmes sans pilote grâce à la simulation d’imagerie de capteur optique (y compris la lumière visible, l’infrarouge et LIDAR), et fournir une caméra RVB et son’ sortie de flux vidéo, LIDAR et sa génération de données de nuage de points en temps réel, qui peut être largement utilisée dans la vérification d’algorithmes de systèmes sans pilote.
· Simulation de la lumière visible
La simulation de caméra construit un modèle tridimensionnel de l’objet basé sur les informations géométriques et spatiales de l’objet environnemental, et ajoute des propriétés de couleur et optiques au modèle tridimensionnel grâce à des graphiques informatiques basés sur le matériau et la texture réels de l’objet, y compris la simulation de caméras monoculaires, binoculaires et fisheye.
▲ Effet de simulation de caméra-journée ensoleillée
▲ Effet de simulation de caméra-journée nuageuse
▲ Effet de simulation de caméra---angle de vision de transmission d’imageLe moteur de simulation de vol SRIZFLY génère des cartes d’imagerie infrarouge de haute précision et divers indicateurs d’évaluation infrarouge en temps réel. Le moteur de simulation a fait l’objet de plusieurs ensembles de vérification et de réglage des données de test, et présente une grande précision et une efficacité de calcul en temps réel. La simulation de caméra utilise la méthode de conversion du système de coordonnées pour transformer les points de l’espace tridimensionnel en points sur l’image grâce à la relation de perspective. Simulez la structure et les caractéristiques optiques de l’objectif de la caméra, l’acquisition et le traitement des données du capteur de la caméra, le traitement du signal de l’image de la caméra et les résultats de reconnaissance au niveau de la cible de la caméra de certaines puces d’IA intégrées. Le processus spécifique est le suivant :
▲ Processus de simulation de caméra
▲ Simulation de caméra-infrarouge (rouge fer)
▲ Simulation de caméra-infrarouge (chaleur blanche)La simulation LIDAR simule le processus de fonctionnement de la transmission et de la réception photoélectriques radar. Le faisceau laser intersecte tous les objets de la scène de simulation, et l’intensité de la réflexion laser et le bruit du point d’intersection sont calculés en fonction du type de matériau physique et des propriétés du point d’intersection.
Le moteur de simulation SRIZFLY utilise des méthodes de simulation LIDAR accélérées par GPU et la technologie de ray tracing en temps réel RTX graphics pour simuler des nuages de points LIDAR extrêmement proches des données du monde réel.
L’intensité de la réflexion LIDAR est affectée par la distance de l’obstacle, l’angle de réflexion du laser et le matériau physique de l’obstacle lui-même. Au cours de la simulation, il est nécessaire de mettre en place des matériaux physiques appropriés pour les ressources de la scène, y compris diverses tours, des fleurs et des arbres, le terrain, l’hydrologie, les obstacles, les couloirs de lignes, etc. Le moteur de simulation SRIZFLY extrait le modèle d’intensité de réflexion à partir des données réelles de balayage radar pour piloter le modèle de simulation, et obtient l’intensité de réflexion et le bruit du matériau physique sous le LIDAR actuel grâce à l’étalonnage réel.
▲LIDAR Simulation de ligne de transmission de nuages de points
▲LIDAR Simulation Nuage de points Expérience de moteur auto-développéeAvoir une quantité rare de disponible données de marquage de haute qualité dans le champ de puissance, l’utilisation d’échantillons virtuels peut être combiné à un disponible marquage manuel des échantillons pour augmenter de manière itérative la méthode d’apprentissage. En plus de le nombre d’échantillons d’apprentissage réels, possibilité de modéliser les dommages comme l’auto-détonation des isolantsou le absence de choc absorbant Marteaux facilite grandement Expansion de Le kit d’entraînement, ce qui a permis d’améliorer Taux de reconnaissance de la cible d’image. Ceci méthode joue un rôle important surtout pour cas avec petit montant de Échantillons mais une forte demande de le taux de reconnaissance, et présente un De bonnes perspectives d’application dans différent Industries.
