පේළි මාරු සහ ක්ෂේත්ර අග හැරීම්
වෙනස් වන ක්ෂේත්ර ජ්යාමිතිය තුළ පේළියෙන් පිටවීම්, හැරීම්, අතිච්ඡාදන සහ මාර්ග ප්රතිසාධන වෙන් කරන්න.
කෘෂිකාර්මික රොබෝටික්ස් සඳහා ස්වාධීන යටිතල පහසුකම්
කැමරා, LiDAR, GNSS, IMU සහ ක්රියාකරු සිදුවීම් එකම සොයාගත හැකි චක්රයක සම්බන්ධ කර, ක්ෂේත්ර ග්රහණයේ සිට ආකෘතියට සූදානම් dataset නිකුතු දක්වා ගෙන යන්න.
ක්ෂේත්ර සැසියේ සිට අනුවාදගත dataset නිකුතුව දක්වා එකම මෙහෙයුම් වාර්තාවක්.
එක් මෙහෙයුම් චක්රයක්
වෙන්වූ භාරදීම් වෙනුවට සමමුහුර්ත ක්ෂේත්ර ග්රහණයේ සිට ඊළඟ ආකෘතියට සූදානම් dataset නිකුතුව දක්වා සොයාගත හැකි මාර්ගයක් භාවිත කරන්න.
කාලය හෝ මූලාශ්ර සන්දර්භය නොනසා MCAP, වීඩියෝ, point cloud, GNSS, IMU සහ යන්ත්ර සිදුවීම් එක් කරන්න.
ඊළඟ පුහුණු චක්රයට අවශ්ය අවස්ථා සකස් කිරීමට ක්ෂේත්රය, මාර්ගය, බෝග අවධිය, කාලගුණය, මැදිහත්වීම සහ සංවේදක තත්ත්වය අනුව සොයන්න සහ කොටස් කරන්න.
ආකෘති සහාය මිනිස් 2D, 3D සහ කාලානුක්රමික සමාලෝචනය සමඟ එක් කර, එක් එක් නිකුතුවට අවශ්ය තත්ත්ව දොරටු යොදන්න.
කළමනාකරණය කරන බෙදාහැරීමේ ආකෘතිය සහ මූලාශ්ර පාරදත්ත පිළිබඳ එකඟ වන්න. ස්වයං සේවා රෙජිස්ට්රිය සහ පොදු රිසොල්වරය තවමත් සංවර්ධනය වෙමින් පවතී. ඒවායේ ලබාගත හැකි බව වත්මන් දත්ත කට්ටල භාරදීමෙන් වෙන්ව ඇගයීමට ලක් කරන්න.
අවස්ථා බුද්ධිය
සෑම සිදුවීමකම සංවේදක සහ මෙහෙයුම් සන්දර්භය රකිමින් දිගු ක්ෂේත්ර ධාවන ඉලක්කගත පුහුණු කොටස් බවට පත් කරන්න.
වෙනස් වන ක්ෂේත්ර ජ්යාමිතිය තුළ පේළියෙන් පිටවීම්, හැරීම්, අතිච්ඡාදන සහ මාර්ග ප්රතිසාධන වෙන් කරන්න.
දූවිලි, සෙවණැලි, අඩු ආලෝකය, අවහිරතා සහ වෙනස් වන බෝග ඝනත්වය හරහා perception හැසිරීම සසඳන්න.
අතින් පාලනය ගැනීම් සහ ප්රතිසාධන සිදුවීම් ඊළඟ තේරීම් සහ සමාලෝචන චක්රයට ගෙන එන්න.
දිගුකාලීන dataset අනන්යතාව
කළමනාකරණය කරන දත්ත කට්ටල මෙහෙයුම් දැන් ලබා ගත හැක. මෙම උදාහරණය සංවර්ධනය වෙමින් පවතින රෙජිස්ට්රි ගිවිසුම පෙන්වයි: වෙනස් කළ නොහැකි මැනිෆෙස්ට් එකක්, සංශෝධනයක්, මූලාශ්ර සහ ප්රකාශිත අයිතිවාසිකම්. රිසොල්වරයට ප්රවේශය මත රඳා සිටීමට පෙර ඔබේ වැඩසටහනේ බෙදාහැරීමේ ආකෘතිය තහවුරු කරන්න.
agriculture/row-navigation@v18ක්ෂේත්ර ස්වයංක්රීයතාව සඳහා ගොඩනැඟූ
Navigation, බෝග සත්කාර, අස්වනු සහ ගුවන් පරීක්ෂණ එකම dataset සහ තත්ත්ව පදනම මත තබන්න.
සමමුහුර්ත වාහන සැසිවලින් පේළි අනුගමනය, ක්ෂේත්ර අග හැරීම්, බාධක මඟහැරීම සහ මාර්ග ප්රතිසාධනය තෝරන්න.
ඉලක්කගත ඉසීම, වල් පැළ ඉවත් කිරීම, ශාක හඳුනාගැනීම සහ බෝග තත්ත්ව අවබෝධය සඳහා perception dataset ගොඩනඟන්න.
නෙළීමේ සහ අස්වනු පද්ධති සඳහා කාලානුක්රමික අන්තර්ක්රියා, object තත්ත්ව සහ දුෂ්කර edge case සමාලෝචනය කරන්න.
Drone රූප සහ telemetry ක්ෂේත්ර සිතියම්කරණය, නිරීක්ෂණය සහ පරීක්ෂණ ආකෘති සඳහා සොයාගත හැකි dataset බවට පත් කරන්න.
එක් ආකෘති බාධකයකින් ආරම්භ කරන්න
ඔබේ සංවේදක පද්ධතිය, වත්මන් ක්රියාවලිය සහ ඉලක්ක හැසිරීම රැගෙන එන්න. ක්ෂේත්ර සැසිවලින් අනුවාදගත dataset එකක් දක්වා පැහැදිලි මාර්ගයක් සමඟ පිටවන්න.