墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
470平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AR基础知识：AR家具案例一编程
随着增强现实（Augmented Reality，AR）技术的快速发展，越来越多的应用场景涌现出来。其中，AR家具案例一是一个非常有趣且具有实用性的项目。通过AR技术，我们可以将虚拟家具放置在现实世界中，让用户实时观察、交互和体验。
本文将带您逐步了解AR家具案例一的编程过程，并提供相应的源代码供参考。
一、准备工作
在开始编程之前，我们需要进行一些准备工作。首先，确保您的开发环境已经安装好了ARFoundation和Unity引擎。其次，我们还需要准备一些虚拟家具模型，可以从在线模型库中下载或自行制作。
二、创建AR场景
首先，打开Unity引擎并创建一个新的AR项目。然后，在场景中创建一个AR Session Origin对象，并设置其位置和旋转。
using UnityEngine;
using UnityEngine.XR.ARFoundation;
增强现实AR的Python实现
增强现实AR的Python实现 增强现实技术（Augmented Reality，简称 AR），是一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术，这种技术的目标是在屏幕上把虚拟世界套在现实世界并进行互动。这种技术1990年提出。随着随身电子产品CPU运算能力的提升，预期增强现实的用途将会越来越广。 增强现实技术，它是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术，是...
AR——增强现实技术
前言：在VR技术引发大众热议的当下，有一种产生已久的技术已然悄悄进入我们的生活。很多人或许听说过这个名字，也亲身体验过这项技术的神奇，却对其原理知之甚少！ 下面先让我们看几组图片： 看到这里想必大家已经猜到了，就是增强现实技术。现如今，AR技术可以说是已经成为了我们生活的一部分。QQ中的AR扫描技术，扫描特定的图片即可体验真实与虚拟完美结合的效果；
增强现实技术（AR）的103个应用场景汇总
基于每个人的姓名、兴趣、情绪状态、关注点、位置等等，让他们都可以直接看到独特的AR广告，一个AR广告空间可以为每一个人提供多个不同的AR广告。在你的运动空间中创造一个虚拟的全息个人教练，代替原来的训练视频和APP说明，你可以从各个角度全方位观看教练的锻炼方式，并且与教练同步训练。人们可以体会不同性别、不同种族的人的日常，健康的人可以感受残疾人看待世界的视角等等。在需要时显示你的个人记录和历史任务信息，当你做仰卧推举时，可以看到自己的力量极限，扫描过去的记录，记录当前的重量、消耗等。
ARFoundation系列教程 - AR家具案例编程
这就是使用ARFoundation和Unity创建AR家具案例的基本步骤和代码。您可以根据自己的需求进一步扩展这个案例，例如添加家具的交互功能或更多的家具选项。在本教程中，我们将使用ARFoundation和Unity引擎来创建一个AR家具案例。我们将学习如何在现实世界中放置虚拟家具，并使其与物理环境交互。以下是详细的步骤和相应的源代码。首先，我们需要确保我们的开发环境已经正确设置。现在，我们将编写代码来实现家具的放置和交互。完成上述步骤后，您可以构建并运行您的项目。接下来，我们将设置场景并准备放置家具。
ARFoundation系列指南——AR家具案例二 编程
在上面的代码中，我们创建了一个名为FurnitureController的脚本，并将其附加到家具模型上。当家具已经放置时，我们可以通过单指拖动来旋转家具，通过双指捏合来缩放家具。在上面的代码中，我们创建了一个名为ARFurniturePlacement的脚本，并将其附加到AR会话原点对象上。例如，您可以在AR场景中创建一个新的家具实例，并将其位置、旋转和缩放与放置的家具模型相对应。在这篇文章中，我们将探讨如何使用ARFoundation在AR家具案例中进行编程。接下来，我们将添加家具模型并实现交互操作。
AR家具案例解析 - 使用ARFoundation进行编程
在这篇文章中，我们将使用ARFoundation和Unity引擎来创建一个AR家具案例。在Unity中，你可以导入家具模型并将其放置在场景中，或者使用内置的3D建模工具创建自己的家具模型。ARFoundation为开发AR应用程序提供了强大的工具和功能，使我们能够在现实世界中创建虚拟体验。首先，我们需要准备一些工作。我们还需要一些家具模型，你可以从互联网上找到免费的模型，或者自己创建。在场景准备好之后，将脚本附加到一个空的GameObject上，并将家具模型的引用赋值给脚本中的。，用于存储我们的家具模型。
AR家具案例四——ARFoundation编程实践
然后，当用户点击某个家具时，我们可以通过代码将该家具实例化，并允许用户在AR场景中移动和旋转它。我们可以使用Unity的Raycast功能来检测用户是否点击了AR平面，并将家具放置在正确的位置上。通过创建场景、导入家具模型、添加交互功能和编译运行，我们能够在支持AR的设备上展示虚拟的家具，并与其进行交互。除了基本的家具展示功能，我们还可以进一步扩展应用，添加更多交互性和逼真度，例如家具的缩放、删除等操作，以提升用户体验。此时，我们可以在支持AR的设备上测试AR家具展示应用，并在屏幕上选择和放置家具模型。
ARFoundation系列讲解 - 实现AR家具案例的编程指南
通过检测和跟踪平面，我们可以在现实世界中放置家具模型，为用户提供真实感和交互性的体验。在Unity中创建一个新的场景，然后将一个平面检测器（ARPlaneManager）和一个相机（ARCameraManager）添加到场景中。在本文中，我们将详细介绍如何使用ARFoundation来创建一个AR家具案例，并提供相应的源代码供您参考和实践。为了在AR场景中放置家具，您需要使用ARFoundation提供的平面检测功能来获取平面的位置和方向。在检测到平面后，您可以选择一个位置并将家具模型放置在该位置上。
ARFoundation系列讲解 - 40 AR家具案例一
一、介绍 本章节是制作一个AR家具的综合案例，对前面章节学习的知识点进行一个综合运用。课程中所有涉及到的资源和代码在课程最后会提供。（学习本章节，您将会学到以下知识点） 1.Unity 中制作动画 2.识别地面，点击屏幕后在地面上放置一个家具模型 3.单手按住家具模型移动位置。双指拖动旋转家具角度 4.放置多个家具模型和选择编辑家具模型 5.阴影的添加 6.模型选中特效效果的制作 7.UI的搭建和Ui事件的监听 8.了解有限状态机 二、素材下载 链接: https://pan.b.
ARFoundation系列讲解 - 41 AR家具案例二
五、本案例使用的软件和插件版本号 Unity2019.4.20f1c1(建议使用Unity2019.4以后的版本，新版本Unity可以在添加模块中直接下载SDK、JDK、NDK等不用额外去谷歌官网下载) ARFoundation 3.1.3 ARCore XR Plugin 3.1.3 ARKitXR Plugin 3.1.3 六、配置AR开发环境 1.新建Unity工程，并将上节课中的UI、模型、材质、等素材导入到Unity（课程看到这个章节了相信大家都知道如何将素材导入到Unity中，..
AR Foundation系列讲解 - 通过AR实现家具展示案例
在这个脚本中，我们使用AR Raycast Manager来检测屏幕上的触摸，并将家具模型放置在AR平面上。如果有平面被击中，我们将家具模型的位置和旋转设置为击中点的位置和旋转，并将isPlaced标志设置为true，以防止再次放置家具。在本文中，我将详细介绍如何使用AR Foundation和Unity引擎，通过一个家具展示案例，实现增强现实（AR）体验。通过这个简单的案例，你可以开始进一步探索AR Foundation的功能，并为你的AR项目添加更多的交互和特效。在脚本中，我们将实现家具的展示逻辑。
ARFoundation教程：AR家具案例编程
确保你的项目中启用了ARFoundation和ARKit或ARCore插件，具体取决于你的目标平台（iOS或Android）。在Unity中创建一个新的场景，并将AR Session Origin和AR Session组件添加到场景中。AR Session Origin是AR场景的根对象，它用于管理虚拟对象与现实世界之间的对齐和交互。在这篇文章中，我们将介绍如何使用ARFoundation和Unity创建一个AR家具应用程序。应用程序将使用设备的摄像头和AR功能来检测和跟踪平面，并允许你在场景中放置家具。
Leonard-AR: JavaScript驱动的增强现实体验
本文还有配套的精品资源，点击获取 简介：“Leonard-AR”是开发者Leonard的个人或开源项目，通过GitHub.io托管，采用JavaScript语言，可能包括AR技术应用或教程资源。该项目可能利用AR.js、A-Frame等库与WebXR API，提供AR功能示例、教学内容以及互动体验，旨在帮助初学者了解和掌握JavaScript驱动的Web AR技术。 ...
unity ar案例
unity与ar 结合的小案例 可供参考
什么是无人机电源管理模块？电源管理模块有什么用处？
我来描述一下我的问题情景，电源管理模块的定义是，这里给出这个PX4官方对于电源管理模块的一些介绍，补充一下锂电池的放电原理大家就可以更好理解为什么需要电源管理模块
从SGX到TDX：英特尔机密计算的技术演进与选型指南
本文深入解析了英特尔两代机密计算技术SGX与TDX的核心差异与选型策略。SGX提供应用级飞地隔离，安全等级高但开发复杂；TDX提供虚拟机级信任域保护，兼容性好且易于部署。文章结合金融与医疗行业实战案例，为开发者提供了清晰的选型指南，帮助根据代码可改性、安全需求、部署规模及生态成本选择最合适的机密计算方案。
kaggle注册以及数据集下载全流程
kaggle注册，数据集下载及常见问题
永久关闭Windows更新的5种方法
很多家用电脑，如果系统自动更新的话，会变得越来越卡顿，且硬件型号兼容也并不完美。那么我们该如何彻底关闭Win11的自动更新呢？以下准备了5种方法，您可以根据自身实际情况选择合适的方法！
从手机到单片机：聊聊ARM Cortex家族那些事，A、R、M系列到底有啥不同？
本文深入解析ARM Cortex家族的A、R、M三大系列处理器，揭示它们在性能、实时响应和能效方面的核心差异。从智能手机到汽车电子和物联网设备，Cortex-A、R、M各司其职，分别应对复杂运算、实时控制和超低功耗场景。通过技术指标对比和典型应用案例，帮助开发者理解如何根据DMIPS/MHz等关键参数选择适合的处理器架构。
65页PPT全面学习大型汽车集团企业IT信息化（管理架构、应用架构、技术架构）
订单到交付（OTD）：借助ERP、MES、LES、SRM、QMS、APS等系统，实现财务与业务一体化、高级排产、生产过程自动化及供应链协同。- 数据标准化：数据标准化是企业信息化建设基石，包括制定统一业务解释和标准、维护管理流程、发布应用等，涉及数据统一定义、分类、编码等内容。- 大数据应用：汽车行业大数据应用涵盖生产、销售、售后等环节，如设备预见性保养、销量预测、质量预警等，提升企业运营效率和决策能力。- 策略明晰：明确C2M管理矩阵，包括供应商、采购、物流、制造、销售、财务等环节的策略。
第4节：cesium 0基础发布离线地图（含源码+视频）
cesium发布离线地图
Qt5+Ros+GUI界面
在之前建立的工程的基础上添加一个gui界面。 在ros包中新建一个文件夹，名字叫gui 右击gui文件夹添加一个文件，选择Qt->Qt设计师界面类 选择MainWindow 选择下一步 最后在gui中生成三个文件 mainwindow.cpp、mainwindow.h、mainwindow.ui 但此时，这些新创建的文件和原本的ros工程还没建立任何关系，只是目录下多出了几个文件而已...
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
3838
扫一扫
