当前位置：首页 > news >正文

斯坦福泡茶机器人DexCap源码解析：涵盖收集数据、处理数据、模型训练三大阶段

news 2024/11/15 0:07:10

前言

因为我司「七月在线」关于dexcap的复现/优化接近尾声了，故准备把dexcap的源码也分析下。下周则分析下iDP3的源码——为队伍「iDP3人形的复现/优化」助力

最开始，dexcap的源码分析属于此文《DexCap——斯坦福李飞飞团队泡茶机器人：带灵巧手和动作捕捉的数据收集系统(含硬件清单)》的第三部分

然原理讲解、硬件配置、源码解析都放在一篇文章里的话，篇幅会显得特别长，故把源码的部分抽取出来，独立成此文

第一部分 STEP1_collect_data

1.1 calculate_offset_vis_calib.py

这段代码是一个用于校准和保存偏移量、方向偏移量的脚本，用于从指定目录中读取数据，计算偏移量和方向偏移量，并将结果保存到指定目录中，以下是代码的部分解释

导入库

import argparse      # 用于解析命令行参数
import numpy as np   # 用于数值计算
import os            # 用于操作系统相关功能
import sys           # 用于系统相关功能
from scipy.spatial.transform import Rotation as R   # 用于旋转矩阵和欧拉角转换
from transforms3d.euler import euler2mat            # 用于将欧拉角转换为旋转矩阵

主函数

if __name__ == "__main__":parser = argparse.ArgumentParser(description="calibrate and save in dataset folder")  # 创建命令行参数解析器parser.add_argument("--directory", type=str, default="", help="Directory with saved data")  # 添加目录参数parser.add_argument("--default", type=str, default="default_offset", help="Directory with saved data")  # 添加默认目录参数args = parser.parse_args()  # 解析命令行参数if os.path.exists("{}/calib_offset.txt".format(args.directory)):  # 检查目标目录中是否已经存在calib_offset.txt文件response = (input(f"calib_offset.txt already exists. Do you want to override? (y/n): "  # 提示用户是否覆盖文件).strip().lower())if response != "y":  # 如果用户选择不覆盖，退出程序print("Exiting program without overriding the existing directory.")sys.exit()

读取默认偏移量和方向偏移量

    default_offset = np.loadtxt(os.path.join(args.default, "calib_offset.txt"))  # 读取默认偏移量default_ori = np.loadtxt(os.path.join(args.default, "calib_ori_offset.txt"))  # 读取默认方向偏移量default_offset_left = np.loadtxt(os.path.join(args.default, "calib_offset_left.txt"))      # 读取左手默认偏移量default_ori_left = np.loadtxt(os.path.join(args.default, "calib_ori_offset_left.txt"))  # 读取左手默认方向偏移量default_ori_matrix = euler2mat(*default_ori)              # 将默认方向偏移量转换为旋转矩阵default_ori_matrix_left = euler2mat(*default_ori_left)    # 将左手默认方向偏移量转换为旋转矩阵

提取偏移量和方向偏移量

    frame_dirs = os.listdir("./test_data")  # 列出test_data目录中的所有文件list = []           # 存储偏移量的列表list_ori = []       # 存储方向偏移量的列表list_left = []      # 存储左手偏移量的列表list_ori_left = []  # 存储左手方向偏移量的列表for frame_dir in frame_dirs:  #

1.2 data_recording.py——配置多个Realsense T265相机和一个L515相机

这段代码是一个用于记录和处理Realsense相机数据的Python脚本

顺带再回顾一下

DexCap团队设计了一个装载摄像机的背包「如图(a)、(b)所示，为方便大家对照，特把上图再贴一下，如下」

在正前面，它通过胸部摄像机支架的4个插槽集成了4个相机，最顶部是一台Intel Realsense L515 RGB-D LiDAR摄像机，顶部下面是3个Realsense T265鱼眼SLAM跟踪相机(分别为红、绿、蓝)，用于在人类数据收集过程中捕捉观察结果

1.2.1 一系列定义：比如保存帧数据的函数

它可以捕捉颜色图像、深度图像、姿态数据以及手部关节数据，并将这些数据保存到指定的目录中

首先，导入库

"""
示例用法python data_recording.py -s --store_hand -o ./save_data_scenario_1
"""import argparse       # 用于解析命令行参数
import copy           # 用于复制对象
import numpy as np      # 用于数值计算
import open3d as o3d    # 用于3D数据处理
import os           # 用于操作系统相关功能
import shutil       # 用于文件操作
import sys                  # 用于系统相关功能
import pyrealsense2 as rs   # 用于Realsense相机操作
import cv2          # 用于图像处理from enum import IntEnum                       # 用于定义枚举类型
from realsense_helper import get_profiles      # 导入自定义的Realsense帮助函数
from transforms3d.quaternions import axangle2quat, qmult, quat2mat, mat2quat  # 用于四元数操作
import redis                       # 用于Redis数据库操作
import concurrent.futures          # 用于并发执行
from hyperparameters import*       # 导入超参数

其次，定义一个枚举类型 Preset，用于表示不同的预设配置

class Preset(IntEnum):Custom = 0Default = 1Hand = 2HighAccuracy = 3HighDensity = 4MediumDensity = 5

然后，保存帧数据的函数

def save_frame(frame_id,out_directory,color_buffer,depth_buffer,pose_buffer,pose2_buffer,pose3_buffer,rightHandJoint_buffer,leftHandJoint_buffer,rightHandJointOri_buffer,leftHandJointOri_buffer,save_hand,
):frame_directory = os.path.join(out_directory, f"frame_{frame_id}")  # 创建帧目录os.makedirs(frame_directory, exist_ok=True)  # 如果目录不存在则创建cv2.imwrite(os.path.join(frame_directory, "color_image.jpg"),color_buffer[frame_id][:, :, ::-1],      # 保存颜色图像)cv2.imwrite(os.path.join(frame_directory, "depth_image.png"), depth_buffer[frame_id]  # 保存深度图像)np.savetxt(os.path.join(frame_directory, "pose.txt"), pose_buffer[frame_id])  # 保存姿态数据np.savetxt(os.path.join(frame_directory, "pose_2.txt"), pose2_buffer[frame_id])      # 保存第二个姿态数据np.savetxt(os.path.join(frame_directory, "pose_3.txt"), pose3_buffer[frame_id])      # 保存第三个姿态数据if save_hand:  # 如果需要保存手部数据np.savetxt(os.path.join(frame_directory, "right_hand_joint.txt"),rightHandJoint_buffer[frame_id],      # 保存右手关节数据)np.savetxt(os.path.join(frame_directory, "left_hand_joint.txt"),leftHandJoint_buffer[frame_id],       # 保存左手关节数据)np.savetxt(os.path.join(frame_directory, "right_hand_joint_ori.txt"),rightHandJointOri_buffer[frame_id],   # 保存右手关节方向数据)np.savetxt(os.path.join(frame_directory, "left_hand_joint_ori.txt"),leftHandJointOri_buffer[frame_id],    # 保存左手关节方向数据)return f"frame {frame_id + 1} saved"     # 返回保存帧的消息

1.2.2 RealsenseProcessor 的类：获取多个相机的RGB-D帧和位姿数据

接下来，定义了一个名为 RealsenseProcessor 的类，用于处理Realsense相机的数据。它可以配置多个Realsense T265相机和一个L515相机，获取RGB-D帧和位姿数据，并可视化和存储这些数据

以下是对RealsenseProcessor类的详细解读：

类定义和初始化
初始化方法接受多个参数，用于配置T265相机的序列号、总帧数、是否存储帧、输出目录、是否保存手部数据和是否启用可视化

class RealsesneProcessor:  # 定义Realsense处理器类def __init__(  # 初始化方法self,first_t265_serial,      # 第一个T265相机的序列号second_t265_serial,     # 第二个T265相机的序列号thrid_t265_serial,      # 第三个T265相机的序列号total_frame,  # 总帧数store_frame=False,          # 是否存储帧，默认为Falseout_directory=None,         # 输出目录，默认为Nonesave_hand=False,            # 是否保存手部数据，默认为Falseenable_visualization=True,  # 是否启用可视化，默认为True):self.first_t265_serial = first_t265_serial        # 初始化第一个T265相机的序列号self.second_t265_serial = second_t265_serial      # 初始化第二个T265相机的序列号self.thrid_t265_serial = thrid_t265_serial        # 初始化第三个T265相机的序列号self.store_frame = store_frame          # 初始化是否存储帧self.out_directory = out_directory      # 初始化输出目录self.total_frame = total_frame          # 初始化总帧数self.save_hand = save_hand              # 初始化是否保存手部数据self.enable_visualization = enable_visualization  # 初始化是否启用可视化self.rds = None          # 初始化Redis连接

初始化各种缓冲区，用于存储彩色图像、深度图像、位姿数据，和手部关节数据(包含左右两手的关节位置、关节方向)

        self.color_buffer = []       # 初始化彩色图像缓冲区self.depth_buffer = []      # 初始化深度图像缓冲区self.pose_buffer = []       # 初始化第一个T265相机的位姿缓冲区self.pose2_buffer = []      # 初始化第二个T265相机的位姿缓冲区self.pose3_buffer = []      # 初始化第三个T265相机的位姿缓冲区self.pose2_image_buffer = []      # 初始化第二个T265相机的图像缓冲区self.pose3_image_buffer = []      # 初始化第三个T265相机的图像缓冲区self.rightHandJoint_buffer = []      # 初始化右手关节位置缓冲区self.leftHandJoint_buffer = []       # 初始化左手关节位置缓冲区self.rightHandJointOri_buffer = []       # 初始化右手关节方向缓冲区self.leftHandJointOri_buffer = []        # 初始化左手关节方向缓冲区

获取T265相机配置
具体方法是根据T265相机的序列号和管道配置，返回一个配置对象

    def get_rs_t265_config(self, t265_serial, t265_pipeline):t265_config = rs.config()t265_config.enable_device(t265_serial)t265_config.enable_stream(rs.stream.pose)return t265_config

配置流
该方法配置并启动多个Realsense相机的流，包括一个L515相机和三个T265相机
如果启用了手部数据保存功能，则连接到Redis服务器

def configure_stream(self):  # 配置流的方法# 连接到Redis服务器if self.save_hand:  # 如果启用了手部数据保存功能self.rds = redis.Redis(host="localhost", port=6669, db=0)  # 连接到本地Redis服务器

配置并启动L515相机的深度和彩色流

    # 创建一个管道self.pipeline = rs.pipeline()           # 创建一个Realsense管道config = rs.config()  # 创建一个配置对象color_profiles, depth_profiles = get_profiles()    # 获取彩色和深度流的配置文件w, h, fps, fmt = depth_profiles[1]      # 获取深度流的宽度、高度、帧率和格式config.enable_stream(rs.stream.depth, w, h, fmt, fps)  # 启用深度流w, h, fps, fmt = color_profiles[18]     # 获取彩色流的宽度、高度、帧率和格式config.enable_stream(rs.stream.color, w, h, fmt, fps)  # 启用彩色流

配置并启动三个T265相机的位姿流，具体而言
$\rightarrow$ 先配置

    # 配置第一个T265相机的流ctx = rs.context()              # 创建一个Realsense上下文self.t265_pipeline = rs.pipeline(ctx)      # 创建一个T265管道t265_config = rs.config()                  # 创建一个T265配置对象t265_config.enable_device(self.first_t265_serial)   # 启用第一个T265相机# 配置第二个T265相机的流ctx_2 = rs.context()            # 创建另一个Realsense上下文self.t265_pipeline_2 = rs.pipeline(ctx_2)  # 创建第二个T265管道t265_config_2 = self.get_rs_t265_config(self.second_t265_serial, self.t265_pipeline_2)  # 获取第二个T265相机的配置# 配置第三个T265相机的流ctx_3 = rs.context()            # 创建第三个Realsense上下文self.t265_pipeline_3 = rs.pipeline(ctx_3)  # 创建第三个T265管道t265_config_3 = self.get_rs_t265_config(self.thrid_t265_serial, self.t265_pipeline_3)  # 获取第三个T265相机的配置

$\rightarrow$ 再启动

    self.t265_pipeline.start(t265_config)          # 启动第一个T265管道self.t265_pipeline_2.start(t265_config_2)      # 启动第二个T265管道self.t265_pipeline_3.start(t265_config_3)      # 启动第三个T265管道pipeline_profile = self.pipeline.start(config)  # 启动L515管道并获取配置文件depth_sensor = pipeline_profile.get_device().first_depth_sensor()      # 获取深度传感器depth_sensor.set_option(rs.option.visual_preset, Preset.HighAccuracy)  # 设置深度传感器的选项为高精度self.depth_scale = depth_sensor.get_depth_scale()  # 获取深度比例align_to = rs.stream.color       # 对齐到彩色流self.align = rs.align(align_to)  # 创建对齐对象

如果启用了可视化功能，则初始化Open3D可视化器

    self.vis = None      # 初始化可视化器if self.enable_visualization:      # 如果启用了可视化功能self.vis = o3d.visualization.Visualizer()  # 创建Open3D可视化器self.vis.create_window()       # 创建可视化窗口self.vis.get_view_control().change_field_of_view(step=1.0)  # 改变视野

获取RGB-D帧——get_rgbd_frame_from_realsense
该方法从Realsense相机获取RGB-D顾，并将深度帧与彩色帧对齐

def get_rgbd_frame_from_realsense(self, enable_visualization=False):  # 从Realsense获取RGB-D帧的方法frames = self.pipeline.wait_for_frames()      # 等待获取帧数据# 将深度帧对齐到彩色帧aligned_frames = self.align.process(frames)   # 对齐帧数据# 获取对齐后的帧aligned_depth_frame = aligned_frames.get_depth_frame()  # 获取对齐后的深度帧color_frame = aligned_frames.get_color_frame()          # 获取对齐后的彩色帧depth_image = (np.asanyarray(aligned_depth_frame.get_data()) // 4)  # 将深度帧数据转换为numpy数组，并除以4以获得以米为单位的深度值（适用于L515相机）color_image = np.asanyarray(color_frame.get_data())  # 将彩色帧数据转换为numpy数组

如果启用了可视化功能，则将深度图像和彩色图像转换为Open3D的RGBD图像对象

    rgbd = None  # 初始化RGBD图像对象if enable_visualization:  # 如果启用了可视化功能depth_image_o3d = o3d.geometry.Image(depth_image)  # 将深度图像转换为Open3D图像对象color_image_o3d = o3d.geometry.Image(color_image)  # 将彩色图像转换为Open3D图像对象rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d,      # 彩色图像depth_image_o3d,      # 深度图像depth_trunc=4.0,      # 深度截断值，超过此值的深度将被忽略convert_rgb_to_intensity=False,  # 是否将RGB图像转换为强度图像)  # 创建RGBD图像对象return rgbd, depth_image, color_image  # 返回RGBD图像、深度图像和彩色图像

通过frame_to_pose_conversion方法，实现帧到位姿的转换

@staticmethod  # 静态方法装饰器
def frame_to_pose_conversion(input_t265_frames):     # 定义帧到位姿转换的方法pose_frame = input_t265_frames.get_pose_frame()  # 获取位姿帧pose_data = pose_frame.get_pose_data()           # 获取位姿数据pose_3x3 = quat2mat(               # 将四元数转换为3x3旋转矩阵np.array([pose_data.rotation.w,  # 四元数的w分量pose_data.rotation.x,  # 四元数的x分量pose_data.rotation.y,  # 四元数的y分量pose_data.rotation.z,  # 四元数的z分量]))pose_4x4 = np.eye(4)          # 创建4x4单位矩阵pose_4x4[:3, :3] = pose_3x3   # 将3x3旋转矩阵赋值给4x4矩阵的左上角pose_4x4[:3, 3] = [           # 将平移向量赋值给4x4矩阵的右上角pose_data.translation.x,  # 位姿的x平移分量pose_data.translation.y,  # 位姿的y平移分量pose_data.translation.z,  # 位姿的z平移分量]return pose_4x4          # 返回4x4位姿矩阵

处理帧
该方法处理每一帧数据，首先通过get_rgbd_frame_from_realsense获取三个T265相机的RGB-D帧数据，然后通过frame_to_pose_conversion，把帧数据换成位姿数据

def process_frame(self):  # 定义处理帧的方法frame_count = 0       # 初始化帧计数器first_frame = True    # 标记是否为第一帧try:while frame_count < self.total_frame:  # 循环处理每一帧，直到达到总帧数t265_frames = self.t265_pipeline.wait_for_frames()      # 获取第一个T265相机的帧数据t265_frames_2 = self.t265_pipeline_2.wait_for_frames()  # 获取第二个T265相机的帧数据t265_frames_3 = self.t265_pipeline_3.wait_for_frames()  # 获取第三个T265相机的帧数据rgbd, depth_frame, color_frame = self.get_rgbd_frame_from_realsense()  # 获取RGB-D帧数据# 获取第一个T265相机的位姿数据pose_4x4 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames)# 获取第二个T265相机的位姿数据pose_4x4_2 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames_2)# 获取第三个T265相机的位姿数据pose_4x4_3 = RealsesneProcessor.frame_to_pose_conversion(input_t265_frames=t265_frames_3)

如果启用了手部数据保存功能，则从Redis服务器获取手部关节数据

            if self.save_hand:  # 如果启用了手部数据保存功能# 获取左手关节位置数据leftHandJointXyz = np.frombuffer(self.rds.get("rawLeftHandJointXyz"), dtype=np.float64).reshape(21, 3)# 获取右手关节位置数据rightHandJointXyz = np.frombuffer(self.rds.get("rawRightHandJointXyz"), dtype=np.float64).reshape(21, 3)# 获取左手关节方向数据leftHandJointOrientation = np.frombuffer(self.rds.get("rawLeftHandJointOrientation"), dtype=np.float64).reshape(21, 4)# 获取右手关节方向数据rightHandJointOrientation = np.frombuffer(self.rds.get("rawRightHandJointOrientation"), dtype=np.float64).reshape(21, 4)

将位姿数据转换为4x4矩阵，并应用校正矩阵

            corrected_pose = pose_4x4 @ between_cam  # 应用校正矩阵

且转换为Open3D格式的L515相机内参

# 转换为Open3D格式的L515相机内参o3d_depth_intrinsic = o3d.camera.PinholeCameraIntrinsic(1280,720,898.2010498046875,897.86669921875,657.4981079101562,364.30950927734375,)

如果是第一帧，则初始化Open3D的点云和坐标系，并添加到可视化器中

            if first_frame:  # 如果是第一帧if self.enable_visualization:  # 如果启用了可视化功能pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 创建点云pcd.transform(corrected_pose)  # 应用校正矩阵rgbd_mesh = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3)  # 创建RGBD坐标系rgbd_mesh.transform(corrected_pose)  # 应用校正矩阵rgbd_previous_pose = copy.deepcopy(corrected_pose)  # 复制校正矩阵chest_mesh = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3)  # 创建胸部坐标系chest_mesh.transform(pose_4x4)  # 应用位姿矩阵chest_previous_pose = copy.deepcopy(pose_4x4)  # 复制位姿矩阵left_hand_mesh = (o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3))  # 创建左手坐标系left_hand_mesh.transform(pose_4x4_2)  # 应用位姿矩阵left_hand_previous_pose = copy.deepcopy(pose_4x4_2)  # 复制位姿矩阵right_hand_mesh = (o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.3))  # 创建右手坐标系right_hand_mesh.transform(pose_4x4_3)  # 应用位姿矩阵right_hand_previous_pose = copy.deepcopy(pose_4x4_3)  # 复制位姿矩阵self.vis.add_geometry(pcd)          # 添加点云到可视化器self.vis.add_geometry(rgbd_mesh)    # 添加RGBD坐标系到可视化器self.vis.add_geometry(chest_mesh)   # 添加胸部坐标系到可视化器self.vis.add_geometry(left_hand_mesh)      # 添加左手坐标系到可视化器self.vis.add_geometry(right_hand_mesh)     # 添加右手坐标系到可视化器view_params = (self.vis.get_view_control().convert_to_pinhole_camera_parameters())  # 获取视图参数first_frame = False  # 标记为非第一帧

如果不是第一帧，则更新点云和坐标系的位姿

            else:if self.enable_visualization:  # 如果启用了可视化功能new_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 创建新的点云new_pcd.transform(corrected_pose)  # 应用校正矩阵rgbd_mesh.transform(np.linalg.inv(rgbd_previous_pose))  # 逆变换上一个RGBD坐标系rgbd_mesh.transform(corrected_pose)  # 应用校正矩阵rgbd_previous_pose = copy.deepcopy(corrected_pose)  # 复制校正矩阵chest_mesh.transform(np.linalg.inv(chest_previous_pose))  # 逆变换上一个胸部坐标系chest_mesh.transform(pose_4x4)  # 应用位姿矩阵chest_previous_pose = copy.deepcopy(pose_4x4)  # 复制位姿矩阵left_hand_mesh.transform(np.linalg.inv(left_hand_previous_pose))  # 逆变换上一个左手坐标系left_hand_mesh.transform(pose_4x4_2)  # 应用位姿矩阵left_hand_previous_pose = copy.deepcopy(pose_4x4_2)  # 复制位姿矩阵right_hand_mesh.transform(np.linalg.inv(right_hand_previous_pose))  # 逆变换上一个右手坐标系right_hand_mesh.transform(pose_4x4_3)  # 应用位姿矩阵right_hand_previous_pose = copy.deepcopy(pose_4x4_3)  # 复制位姿矩阵pcd.points = new_pcd.points      # 更新点云的点pcd.colors = new_pcd.colors      # 更新点云的颜色self.vis.update_geometry(pcd)          # 更新点云几何self.vis.update_geometry(rgbd_mesh)    # 更新RGBD坐标系几何self.vis.update_geometry(chest_mesh)   # 更新胸部坐标系几何self.vis.update_geometry(left_hand_mesh)   # 更新左手坐标系几何self.vis.update_geometry(right_hand_mesh)  # 更新右手坐标系几何self.vis.get_view_control().convert_from_pinhole_camera_parameters(view_params)  # 恢复视图参数

再更新可视化器

            if self.enable_visualization:  # 如果启用了可视化功能self.vis.poll_events()  # 处理可视化事件self.vis.update_renderer()  # 更新渲染器

如果启用了帧存储功能，则将深度图像、彩色图像和位姿数据存储到缓冲区中
处理完所有帧后，停止所有相机的流，并保存所有帧数据

主函数
主函数解析命令行参数，创建 RealsenseProcessor 对象，并配置和处理帧数据

import concurrent.futures  # 导入并发库，用于多线程处理def main(args):  # 定义主函数，接受命令行参数realsense_processor = RealsesneProcessor(  # 创建Realsense处理器对象first_t265_serial="11622110012",  # 第一个T265相机的序列号second_t265_serial="909212110944",  # 第二个T265相机的序列号thrid_t265_serial="929122111181",  # 第三个T265相机的序列号total_frame=10000,  # 总帧数store_frame=args.store_frame,  # 是否存储帧out_directory=args.out_directory,  # 输出目录save_hand=args.store_hand,  # 是否保存手部数据enable_visualization=args.enable_vis,  # 是否启用可视化)realsense_processor.configure_stream()  # 配置Realsense流realsense_processor.process_frame()  # 处理帧数据if __name__ == "__main__":  # 主程序入口# 设置命令行参数解析器parser = argparse.ArgumentParser(description="Process frames and save data.")parser.add_argument("-s","--store_frame",action="store_true",help="Flag to indicate whether to store frames",  # 是否存储帧的标志)parser.add_argument("--store_hand",action="store_true",help="Flag to indicate whether to store hand joint position and orientation",  # 是否保存手部关节位置和方向的标志)parser.add_argument("-v","--enable_vis",action="store_true",help="Flag to indicate whether to enable open3d visualization",  # 是否启用Open3D可视化的标志)parser.add_argument("-o","--out_directory",type=str,help="Output directory for saved data",  # 保存数据的输出目录default="./saved_data",  # 默认输出目录为./saved_data)args = parser.parse_args()  # 解析命令行参数

    # 检查输出目录是否存在if os.path.exists(args.out_directory):response = (input(f"{args.out_directory} already exists. Do you want to override? (y/n): ").strip().lower())if response != "y":  # 如果用户选择不覆盖，退出程序print("Exiting program without overriding the existing directory.")sys.exit()else:shutil.rmtree(args.out_directory)  # 如果用户选择覆盖，删除现有目录

如果启用了帧存储功能，则创建输出目录

    if args.store_frame:os.makedirs(args.out_directory, exist_ok=True)  # 创建输出目录

调用 main 函数开始处理帧数据

    # 如果用户选择覆盖，删除现有目录main(args)  # 调用主函数

1.3 demo_clipping_3d.py——可视化点云数据且选择每个演示的起始帧/结束帧

这段代码是一个用于可视化点云数据(PCD文件)，并选择每个演示的起始帧、结束帧的脚本，以下是详细解读

导入库
导入各种库和模块，用于处理命令行参数、文件操作、点云数据处理、键盘事件监听等

import argparse  # 用于解析命令行参数
import os      # 用于操作系统相关功能
import copy      # 用于复制对象
import zmq       # 用于消息传递
import cv2       # 用于图像处理
import sys       # 用于系统相关功能
import json      # 用于处理JSON数据
import shutil                # 用于文件操作
import open3d as o3d         # 用于3D数据处理
import numpy as np           # 用于数值计算
import platform              # 用于获取操作系统信息
from pynput import keyboard  # 用于监听键盘事件
from transforms3d.quaternions import qmult, quat2mat   # 用于四元数操作
from transforms3d.axangles import axangle2mat          # 用于轴角转换
from scipy.spatial.transform import Rotation           # 用于旋转矩阵和欧拉角转换
from transforms3d.euler import quat2euler, mat2euler, quat2mat, euler2mat  # 用于欧拉角和矩阵转换
from visualizer import *     # 导入自定义的可视化模块

定义全局变量，用于存储剪辑标记、当前剪辑、是否切换到下一帧或上一帧的标志

clip_marks = []         # 存储剪辑标记
current_clip = {}       # 存储当前剪辑
next_frame = False      # 标记是否切换到下一帧
previous_frame = False  # 标记是否切换到上一帧

定义键盘事件处理函数，用于处理不同的键盘输入：
Key.up：保存剪辑标记到 clip_marks. json 文件
Key.down：标记切换到上一帧
Key.page_down ：标记切换到下一帧
Key.end：标记当前剪辑的结束帧
Key.insert：标记当前剪辑的起始帧

def on_press(key):  # 定义键盘按下事件处理函数global next_frame, previous_frame, delta_movement_accu, delta_ori_accu, delta_movement_accu_left, delta_ori_accu_left, adjust_movement, adjust_right, frame, step, dataset_folder, clip_marks, current_clip# 确定操作系统类型os_type = platform.system()assert os_type == "Windows"              # 仅支持Windows系统frame_folder = 'frame_{}'.format(frame)  # 当前帧文件夹名称# Windows特定的键绑定在AttributeError部分处理if key == keyboard.Key.up:                  # y正方向with open(os.path.join(dataset_folder, 'clip_marks.json'), 'w') as f:json.dump(clip_marks, f, indent=4)  # 保存剪辑标记到JSON文件elif key == keyboard.Key.down:              # y负方向previous_frame = True                   # 切换到上一帧elif key == keyboard.Key.page_down:next_frame = True                       # 切换到下一帧elif key == keyboard.Key.end:if 'start' in current_clip.keys():print("end", frame_folder)current_clip['end'] = frame_folder   # 标记当前剪辑的结束帧clip_marks.append(current_clip)      # 添加当前剪辑到剪辑标记列表current_clip = {}          # 重置当前剪辑elif key == keyboard.Key.insert:print("start", frame_folder)current_clip['start'] = frame_folder     # 标记当前剪辑的起始帧else:print("Key error", key)        # 处理其他键的错误

数据可视化类
定义数据可祝化类 ReplayDatavisualizer，继承自DataVisualizer.
replay_frames 方法用于可视化单帧数据，并处理键盘事件以切换帧

class ReplayDataVisualizer(DataVisualizer):  # 定义数据重放可视化类，继承自DataVisualizerdef __init__(self, directory):super().__init__(directory)   # 调用父类的初始化方法def replay_frames(self):          # 定义重放帧的方法"""可视化单帧数据"""global delta_movement_accu, delta_ori_accu, next_frame, previous_frame, frameif self.R_delta_init is None:self.initialize_canonical_frame()  # 初始化标准帧self._load_frame_data(frame)           # 加载当前帧数据self.vis.add_geometry(self.pcd)            # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)  # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)  # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)  # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)  # 添加连线数据到可视化器next_frame = True  # 初始化为下一帧try:with keyboard.Listener(on_press=on_press) as listener:  # 监听键盘事件while True:if next_frame == True:next_frame = Falseframe += 10      # 切换到下一帧if previous_frame == True:previous_frame = Falseframe -= 10      # 切换到上一帧self._load_frame_data(frame)  # 加载当前帧数据self.step += 1       # 增加步数self.vis.update_geometry(self.pcd)            # 更新点云数据self.vis.update_geometry(self.coord_frame_1)  # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)  # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)  # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)      # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)   # 更新连线数据self.vis.poll_events()      # 处理可视化事件self.vis.update_renderer()  # 更新渲染器listener.join()                 # 等待监听器结束finally:print("cumulative_correction ", self.cumulative_correction)  # 打印累计修正值

主函数
主函数解析命令行参数，获取数据目录

if __name__ == "__main__":  # 主程序入口parser = argparse.ArgumentParser(description="Visualize saved frame data.")  # 创建命令行参数解析器parser.add_argument("--directory", type=str, default="./saved_data", help="Directory with saved data")  # 添加目录参数args = parser.parse_args()  # 解析命令行参数

检查数据目录是否存在，如果存在 clip_marks. json 文件，询问用户是否覆盖

    assert os.path.exists(args.directory), f"given directory: {args.directory} not exists"  # 确认目录存在if os.path.exists(os.path.join(args.directory, 'clip_marks.json')):  # 检查剪辑标记文件是否存在response = (input(f"clip_marks.json already exists. Do you want to override? (y/n): ").strip().lower())if response != "y":print("Exiting program without overriding the existing directory.")  # 如果用户选择不覆盖，退出程序sys.exit()

初始化 ReplayDatavisualizer 对象，并加载校准偏移量和方向偏移量

    dataset_folder = args.directory  # 设置数据集文件夹visualizer = ReplayDataVisualizer(args.directory)   # 创建数据重放可视化器对象visualizer.right_hand_offset = np.loadtxt("{}/calib_offset.txt".format(args.directory))           # 加载右手偏移量visualizer.right_hand_ori_offset = np.loadtxt("{}/calib_ori_offset.txt".format(args.directory))       # 加载右手方向偏移量visualizer.left_hand_offset = np.loadtxt("{}/calib_offset_left.txt".format(args.directory))      # 加载左手偏移量visualizer.left_hand_ori_offset = np.loadtxt("{}/calib_ori_offset_left.txt".format(args.directory))  # 加载左手方向偏移量

调用replay_frames 方法开始可视化和处理键盛事件

    visualizer.replay_frames()  # 开始重放帧

1.4 redis_glove_server.py——接收UDP数据包并将手部关节数据存储到Redis数据库

这段代码是一个用于接收UDP数据包并将手部关节数据存储到Redis数据库的Python脚本

所谓UDP (User Datagram Protocol，用户数据报协议），其是一种简单的、面向无连接的传输层协议

与TCP (Transmission Control Protocol，传输控制协议）不同，UDP不提供可靠性、数据包顺序和流量控制等功能。UDP主要用于需要快速传输且对数据丢失不敏感的应用场景，例如视频流、在线游戏和实时通信等

以下是代码的详细解读：

导入库

import socket       # 用于网络通信
import json         # 用于处理JSON数据
import redis        # 用于连接Redis数据库
import numpy as np  # 用于数值计算

初始化Redis连接

# 初始化Redis连接
redis_host = "localhost"  # Redis服务器主机名
redis_port = 6669      # Redis服务器端口
redis_password = ""    # Redis服务器密码，如果没有密码则保持为空字符串
r = redis.StrictRedis(host=redis_host, port=redis_port, password=redis_password, decode_responses=True
)  # 创建Redis连接对象

定义手部关节名称

# 定义左手和右手的关节名称
left_hand_joint_names = ["leftHand",'leftThumbProximal', 'leftThumbMedial', 'leftThumbDistal', 'leftThumbTip','leftIndexProximal', 'leftIndexMedial', 'leftIndexDistal', 'leftIndexTip','leftMiddleProximal', 'leftMiddleMedial', 'leftMiddleDistal', 'leftMiddleTip','leftRingProximal', 'leftRingMedial', 'leftRingDistal', 'leftRingTip','leftLittleProximal', 'leftLittleMedial', 'leftLittleDistal', 'leftLittleTip']right_hand_joint_names = ["rightHand",'rightThumbProximal', 'rightThumbMedial', 'rightThumbDistal', 'rightThumbTip','rightIndexProximal', 'rightIndexMedial', 'rightIndexDistal', 'rightIndexTip','rightMiddleProximal', 'rightMiddleMedial', 'rightMiddleDistal', 'rightMiddleTip','rightRingProximal', 'rightRingMedial', 'rightRingDistal', 'rightRingTip','rightLittleProximal', 'rightLittleMedial', 'rightLittleDistal', 'rightLittleTip']

归一化函数

def normalize_wrt_middle_proximal(hand_positions, is_left=True):  # 定义相对于中指近端关节的归一化函数middle_proximal_idx = left_hand_joint_names.index('leftMiddleProximal')  # 获取左手中指近端关节的索引if not is_left:middle_proximal_idx = right_hand_joint_names.index('rightMiddleProximal')  # 获取右手中指近端关节的索引wrist_position = hand_positions[0]  # 获取手腕位置middle_proximal_position = hand_positions[middle_proximal_idx]  # 获取中指近端关节位置bone_length = np.linalg.norm(wrist_position - middle_proximal_position)  # 计算手腕到中指近端关节的骨骼长度normalized_hand_positions = (middle_proximal_position - hand_positions) / bone_length  # 归一化手部关节位置return normalized_hand_positions  # 返回归一化后的手部关节位置

启动服务器函数
创建并绑定UDP套接字

def start_server(port):  # 定义启动服务器的函数，接受端口号作为参数s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)  # 使用SOCK_DGRAM创建UDP套接字s.bind(("192.168.0.200", port))  # 绑定套接字到指定的IP地址和端口print(f"Server started, listening on port {port} for UDP packets...")  # 打印服务器启动信息

无限循环接收UDP数据包

    while True:  # 无限循环，持续接收数据data, address = s.recvfrom(64800)  # 接收UDP数据包，最大数据包大小为64800字节decoded_data = data.decode()       # 解码数据# 尝试解析JSON数据try:received_json = json.loads(decoded_data)    # 解析JSON数据# 初始化数组以存储手部关节位置和方向left_hand_positions = np.zeros((21, 3))     # 初始化左手关节位置数组，21个关节，每个关节3个坐标right_hand_positions = np.zeros((21, 3))    # 初始化右手关节位置数组，21个关节，每个关节3个坐标left_hand_orientations = np.zeros((21, 4))   # 初始化左手关节方向数组，21个关节，每个关节4个方向分量right_hand_orientations = np.zeros((21, 4))  # 初始化右手关节方向数组，21个关节，每个关节4个方向分量

解析接收到的数据包，提取手部关节位置和方向数据

            # 遍历JSON数据以提取手部关节位置和方向for joint_name in left_hand_joint_names:  # 遍历左手关节名称列表joint_data = received_json["scene"]["actors"][0]["body"][joint_name]  # 获取关节数据joint_position = np.array(list(joint_data["position"].values()))  # 获取关节位置joint_rotation = np.array(list(joint_data["rotation"].values()))  # 获取关节方向left_hand_positions[left_hand_joint_names.index(joint_name)] = joint_position  # 存储关节位置left_hand_orientations[left_hand_joint_names.index(joint_name)] = joint_rotation  # 存储关节方向for joint_name in right_hand_joint_names:  # 遍历右手关节名称列表joint_data = received_json["scene"]["actors"][0]["body"][joint_name]  # 获取关节数据joint_position = np.array(list(joint_data["position"].values()))  # 获取关节位置joint_rotation = np.array(list(joint_data["rotation"].values()))  # 获取关节方向right_hand_positions[right_hand_joint_names.index(joint_name)] = joint_position  # 存储关节位置right_hand_orientations[right_hand_joint_names.index(joint_name)] = joint_rotation  # 存储关节方向

计算相对于中指近端关节的相对距离，并进行归一化

            # 计算相对于中指近端关节的相对距离，并归一化left_middle_proximal_idx = left_hand_joint_names.index('leftMiddleProximal')    # 获取左手中指近端关节的索引right_middle_proximal_idx = right_hand_joint_names.index('rightMiddleProximal')  # 获取右手中指近端关节的索引left_wrist_position = left_hand_positions[0]    # 获取左手手腕位置right_wrist_position = right_hand_positions[0]  # 获取右手手腕位置left_middle_proximal_position = left_hand_positions[left_middle_proximal_idx]    # 获取左手中指近端关节位置right_middle_proximal_position = right_hand_positions[right_middle_proximal_idx]  # 获取右手中指近端关节位置left_bone_length = np.linalg.norm(left_wrist_position - left_middle_proximal_position)   # 计算左手骨骼长度right_bone_length = np.linalg.norm(right_wrist_position - right_middle_proximal_position)  # 计算右手骨骼长度normalized_left_hand_positions = (left_middle_proximal_position - left_hand_positions) / left_bone_length      # 归一化左手关节位置normalized_right_hand_positions = (right_middle_proximal_position - right_hand_positions) / right_bone_length    # 归一化右手关节位置

将原始和归一化后的手部关节数据存储到Redis数据库中

            r.set("leftHandJointXyz", np.array(normalized_left_hand_positions).astype(np.float64).tobytes())  # 将归一化后的左手关节位置存储到Redisr.set("rightHandJointXyz", np.array(normalized_right_hand_positions).astype(np.float64).tobytes())  # 将归一化后的右手关节位置存储到Redisr.set("rawLeftHandJointXyz", np.array(left_hand_positions).astype(np.float64).tobytes())  # 将原始左手关节位置存储到Redisr.set("rawRightHandJointXyz", np.array(right_hand_positions).astype(np.float64).tobytes())  # 将原始右手关节位置存储到Redisr.set("rawLeftHandJointOrientation", np.array(left_hand_orientations).astype(np.float64).tobytes())  # 将原始左手关节方向存储到Redisr.set("rawRightHandJointOrientation", np.array(right_hand_orientations).astype(np.float64).tobytes())  # 将原始右手关节方向存储到Redis

打印接收到的手部关节位置数据

            print("\n\n")print("=" * 50)print(np.round(left_hand_positions, 3))   # 打印左手关节位置print("-"*50)print(np.round(right_hand_positions, 3))  # 打印右手关节位置except json.JSONDecodeError:  # 捕获JSON解析错误print("Invalid JSON received:")   # 打印错误信息

主程序入口

if __name__ == "__main__":  # 主程序入口start_server(14551)  # 启动服务器，监听端口14551

1.5 replay_human_traj_vis.py——可视化保存点云数据和位姿(可用于查看所有帧和校准)

1.6 transform_to_robot_table.py——将可视化点云数据放置在机器人桌面上

1.7 visualizer.py——可视化手部关节数据

1.7.1 一系列定义：比如五个手指等

导入各种库和模块，用于处理命令行参数、文件操作、点云数据处理、键盘事件监听等

定义手部关节之间的连接线，用于可视化手部骨架

lines = np.array([# 拇指[1, 2], [2, 3], [3, 4],# 食指[5, 6], [6, 7], [7, 8],# 中指[9, 10], [10, 11], [11, 12],# 无名指[13, 14], [14, 15], [15, 16],# 小指[17, 18], [18, 19], [19, 20],# 连接近端关节[1, 5], [5, 9], [9, 13], [13, 17],# 连接手掌[0, 1], [17, 0]
])

定义一系列全局变量，用于存储累积的校正、当前帧、步长等信息

delta_movement_accu = np.array([0.0, 0.0, 0.0])       # 累积的位移校正
delta_ori_accu = np.array([0.0, 0.0, 0.0])            # 累积的方向校正
delta_movement_accu_left = np.array([0.0, 0.0, 0.0])  # 左手累积的位移校正
delta_ori_accu_left = np.array([0.0, 0.0, 0.0])  # 左手累积的方向校正
adjust_movement = True      # 是否调整位移
adjust_right = True         # 是否调整右手
next_frame = False          # 是否切换到下一帧
frame = 0            # 当前帧
step = 0.01          # 步长
fixed_transform = np.array([0.0, 0.0, 0.0])      # 固定变换

一些辅助函数
将手腕位置平移到原点

def translate_wrist_to_origin(joint_positions):  # 将手腕位置平移到原点wrist_position = joint_positions[0]          # 获取手腕位置updated_positions = joint_positions - wrist_position  # 平移所有关节位置return updated_positions          # 返回平移后的关节位置

应用位姿矩阵

def apply_pose_matrix(joint_positions, pose_matrix):  # 应用位姿矩阵homogeneous_joint_positions = np.hstack([joint_positions, np.ones((joint_positions.shape[0], 1))])          # 将关节位置转换为齐次坐标transformed_positions = np.dot(homogeneous_joint_positions, pose_matrix.T)  # 应用位姿矩阵transformed_positions_3d = transformed_positions[:, :3]  # 提取3D坐标return transformed_positions_3d               # 返回变换后的关节位置

创建或更新圆柱体

def create_or_update_cylinder(start, end, radius=0.003, cylinder_list=None, cylinder_idx=-1):  # 创建或更新圆柱体cyl_length = np.linalg.norm(end - start)  # 计算圆柱体的长度new_cylinder = o3d.geometry.TriangleMesh.create_cylinder(radius=radius, height=cyl_length, resolution=20, split=4)  # 创建新的圆柱体new_cylinder.paint_uniform_color([1, 0, 0])  # 将圆柱体涂成红色new_cylinder.translate(np.array([0, 0, cyl_length / 2]))  # 平移圆柱体direction = end - start  # 计算方向向量direction /= np.linalg.norm(direction)  # 归一化方向向量up = np.array([0, 0, 1])  # 圆柱体的默认向上向量rotation_axis = np.cross(up, direction)  # 计算旋转轴rotation_angle = np.arccos(np.dot(up, direction))  # 计算旋转角度if np.linalg.norm(rotation_axis) != 0:  # 如果旋转轴不为零rotation_axis /= np.linalg.norm(rotation_axis)  # 归一化旋转轴rotation_matrix = o3d.geometry.get_rotation_matrix_from_axis_angle(rotation_axis * rotation_angle)  # 计算旋转矩阵new_cylinder.rotate(rotation_matrix, center=np.array([0, 0, 0]))  # 旋转圆柱体new_cylinder.translate(start)  # 平移圆柱体到起始位置if cylinder_list[cylinder_idx] is not None:  # 如果圆柱体列表中已有圆柱体cylinder_list[cylinder_idx].vertices = new_cylinder.vertices  # 更新顶点cylinder_list[cylinder_idx].triangles = new_cylinder.triangles  # 更新三角形cylinder_list[cylinder_idx].vertex_normals = new_cylinder.vertex_normals  # 更新顶点法线cylinder_list[cylinder_idx].vertex_colors = new_cylinder.vertex_colors  # 更新顶点颜色else:cylinder_list[cylinder_idx] = new_cylinder  # 添加新的圆柱体到列表中

1.7.2 DataVisualizer类：用于可视化点云数据和手部关节数据

接下来，定义了一个名为DataVisualizer的类，用于可视化点云数据和手部关节数据

类定义和初始化

class DataVisualizer:  # 定义DataVisualizer类def __init__(self, directory):  # 初始化方法，接受数据目录作为参数self.directory = directory  # 初始化数据目录self.base_pcd = None  # 初始化基础点云对象self.pcd = None  # 初始化点云对象self.img_backproj = None  # 初始化图像反投影对象self.coord_frame_1 = None  # 初始化坐标系1self.coord_frame_2 = None  # 初始化坐标系2self.coord_frame_3 = None  # 初始化坐标系3self.right_hand_offset = None  # 初始化右手偏移量self.right_hand_ori_offset = None  # 初始化右手方向偏移量self.left_hand_offset = None  # 初始化左手偏移量self.left_hand_ori_offset = None  # 初始化左手方向偏移量self.pose1_prev = np.eye(4)  # 初始化第一个位姿矩阵self.pose2_prev = np.eye(4)  # 初始化第二个位姿矩阵self.pose3_prev = np.eye(4)  # 初始化第三个位姿矩阵self.vis = o3d.visualization.Visualizer()  # 创建Open3D可视化器self.vis.create_window()  # 创建可视化窗口self.vis.get_view_control().change_field_of_view(step=1.0)  # 改变视野self.between_cam = np.eye(4)  # 初始化相机之间的变换矩阵self.between_cam[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, -1.0, 0.0],[0.0, 0.0, -1.0]])self.between_cam[:3, 3] = np.array([0.0, 0.076, 0.0])  # 设置平移部分self.between_cam_2 = np.eye(4)  # 初始化第二个相机之间的变换矩阵self.between_cam_2[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, 1.0, 0.0],[0.0, 0.0, 1.0]])self.between_cam_2[:3, 3] = np.array([0.0, -0.032, 0.0])  # 设置平移部分self.between_cam_3 = np.eye(4)  # 初始化第三个相机之间的变换矩阵self.between_cam_3[:3, :3] = np.array([[1.0, 0.0, 0.0],[0.0, 1.0, 0.0],[0.0, 0.0, 1.0]])self.between_cam_3[:3, 3] = np.array([0.0, -0.064, 0.0])  # 设置平移部分self.canonical_t265_ori = None  # 初始化标准T265方向# 可视化左手21个关节self.left_joints = []  # 初始化左手关节列表self.right_joints = []  # 初始化右手关节列表self.left_line_set = [None for _ in lines]  # 初始化左手连线列表self.right_line_set = [None for _ in lines]  # 初始化右手连线列表for i in range(21):  # 遍历21个关节for joint in [self.left_joints, self.right_joints]:  # 遍历左手和右手关节列表# 为指尖和手腕创建较大的球体，为其他关节创建较小的球体radius = 0.011 if i in [0, 4, 8, 12, 16, 20] else 0.007sphere = o3d.geometry.TriangleMesh.create_sphere(radius=radius)  # 创建球体# 将手腕和近端关节涂成绿色if i in [0, 1, 5, 9, 13, 17]:sphere.paint_uniform_color([0, 1, 0])# 将指尖涂成红色elif i in [4, 8, 12, 16, 20]:sphere.paint_uniform_color([1, 0, 0])# 将其他关节涂成蓝色else:sphere.paint_uniform_color([0, 0, 1])# 将拇指涂成粉色if i in [1, 2, 3, 4]:sphere.paint_uniform_color([1, 0, 1])joint.append(sphere)  # 将球体添加到关节列表中self.vis.add_geometry(sphere)  # 将球体添加到可视化器中self.step = 0  # 初始化步数self.distance_buffer = []  # 初始化距离缓冲区self.R_delta_init = None  # 初始化旋转矩阵self.cumulative_correction = np.array([0.0, 0.0, 0.0])  # 初始化累计修正值

初始化标准帧的方法

    def initialize_canonical_frame(self):  # 初始化标准帧的方法if self.R_delta_init is None:      # 如果旋转矩阵未初始化self._load_frame_data(0)       # 加载第0帧数据pose_ori_matirx = self.pose3_prev[:3, :3]  # 获取第三个位姿的旋转矩阵pose_ori_correction_matrix = np.dot(np.array([[0, -1, 0],[0, 0, 1],[1, 0, 0]]), euler2mat(0, 0, 0))  # 计算修正矩阵pose_ori_matirx = np.dot(pose_ori_matirx, pose_ori_correction_matrix)  # 应用修正矩阵self.canonical_t265_ori = np.array([[1, 0, 0],[0, -1, 0],[0, 0, -1]])  # 初始化标准T265方向x_angle, y_angle, z_angle = mat2euler(self.pose3_prev[:3, :3])  # 将旋转矩阵转换为欧拉角self.canonical_t265_ori = np.dot(self.canonical_t265_ori, euler2mat(-z_angle, x_angle + 0.3, y_angle))      # 应用欧拉角修正self.R_delta_init = np.dot(self.canonical_t265_ori, pose_ori_matirx.T)  # 计算初始旋转矩阵

重放关键帧校准的方法

    def replay_keyframes_calibration(self):"""可视化单帧"""global delta_movement_accu, delta_ori_accu, next_frame, frameif self.R_delta_init is None:self.initialize_canonical_frame()    # 初始化标准帧self._load_frame_data(frame)      # 加载当前帧数据self.vis.add_geometry(self.pcd)      # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)      # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)      # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)      # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)      # 添加连线数据到可视化器next_frame = True  # 初始化为下一帧try:with keyboard.Listener(on_press=on_press) as listener:  # 监听键盘事件while True:if next_frame == True:next_frame = Falseframe += 10  # 切换到下一帧self._load_frame_data(frame)  # 加载当前帧数据self.step += 1  # 增加步数self.vis.update_geometry(self.pcd)      # 更新点云数据self.vis.update_geometry(self.coord_frame_1)      # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)      # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)      # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)      # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)      # 更新连线数据self.vis.poll_events()      # 处理可视化事件self.vis.update_renderer()      # 更新渲染器listener.join()  # 等待监听器结束finally:print("cumulative_correction ", self.cumulative_correction)  # 打印累计修正值

重放所有帧的方法

    def replay_all_frames(self):"""连续可视化所有帧"""try:if self.R_delta_init is None:self.initialize_canonical_frame()  # 初始化标准帧frame = 0  # 初始化帧计数器first_frame = True  # 标记是否为第一帧while True:if not self._load_frame_data(frame):  # 加载当前帧数据break  # 如果无法加载数据，退出循环if first_frame:self.vis.add_geometry(self.pcd)  # 添加点云数据到可视化器self.vis.add_geometry(self.coord_frame_1)  # 添加坐标系1到可视化器self.vis.add_geometry(self.coord_frame_2)  # 添加坐标系2到可视化器self.vis.add_geometry(self.coord_frame_3)  # 添加坐标系3到可视化器for joint in self.left_joints + self.right_joints:self.vis.add_geometry(joint)  # 添加关节数据到可视化器for cylinder in self.left_line_set + self.right_line_set:self.vis.add_geometry(cylinder)  # 添加连线数据到可视化器else:self.vis.update_geometry(self.pcd)  # 更新点云数据self.vis.update_geometry(self.coord_frame_1)  # 更新坐标系1self.vis.update_geometry(self.coord_frame_2)  # 更新坐标系2self.vis.update_geometry(self.coord_frame_3)  # 更新坐标系3for joint in self.left_joints + self.right_joints:self.vis.update_geometry(joint)  # 更新关节数据for cylinder in self.left_line_set + self.right_line_set:self.vis.update_geometry(cylinder)  # 更新连线数据self.vis.poll_events()  # 处理可视化事件self.vis.update_renderer()  # 更新渲染器if first_frame:view_params = self.vis.get_view_control().convert_to_pinhole_camera_parameters()  # 获取视图参数else:self.vis.get_view_control().convert_from_pinhole_camera_parameters(view_params)  # 恢复视图参数self.step += 1  # 增加步数frame += 5  # 增加帧计数器if first_frame:first_frame = False  # 标记为非第一帧finally:self.vis.destroy_window()  # 销毁可视化窗口

反投影点的方法

    def _back_project_point(self, point, intrinsics):""" 将单个点从3D反投影到2D图像空间 """x, y, z = pointfx, fy = intrinsics[0, 0], intrinsics[1, 1]cx, cy = intrinsics[0, 2], intrinsics[1, 2]u = (x * fx / z) + cxv = (y * fy / z) + cyreturn int(u), int(v)

1.7.3 _load_frame_data：加载给定帧的点云和位姿数据，并进行可视化处理

最后是加载帧数据的方法，即_load_frame_data这个方法，用于加载给定帧的点云和位姿数据，并进行可视化处理

方法定义和参数说明

def _load_frame_data(self, frame, vis_2d=False, load_table_points=False):"""Load point cloud and poses for a given frame@param frame: frame count in integer@return whether we can successfully load all data from frame subdirectory"""global delta_movement_accu, delta_ori_accu, delta_movement_accu_left, delta_ori_accu_left  # 全局变量，用于存储累积的平移和旋转校正print(f"frame {frame}")  # 打印当前帧编号if adjust_movement:      # 如果启用了平移校正print("adjusting translation")    # 打印平移校正信息else:print("adjusting rotation")       # 打印旋转校正信息

初始化最顶部的L515相机内参

    # L515:o3d_depth_intrinsic = o3d.camera.PinholeCameraIntrinsic(1280, 720,898.2010498046875,897.86669921875,657.4981079101562,364.30950927734375)  # 初始化L515相机的内参

处理桌面点云数据

    if load_table_points:      # 如果需要加载桌面点云数据table_color_image_o3d = o3d.io.read_image(os.path.join(self.table_frame, "frame_0", "color_image.jpg"))      # 读取桌面彩色图像table_depth_image_o3d = o3d.io.read_image(os.path.join(self.table_frame, "frame_0", "depth_image.png"))      # 读取桌面深度图像table_rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(table_color_image_o3d, table_depth_image_o3d, depth_trunc=4.0,convert_rgb_to_intensity=False)     # 创建RGBD图像table_pose_4x4 = np.loadtxt(os.path.join(self.table_frame, "frame_0", "pose.txt"))  # 读取桌面位姿table_corrected_pose = table_pose_4x4 @ self.between_cam  # 应用校正矩阵self.table_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(table_rgbd, o3d_depth_intrinsic)           # 创建点云self.table_pcd.transform(table_corrected_pose)  # 应用校正矩阵

加载当前帧数据

    frame_dir = os.path.join(self.directory, f"frame_{frame}")  # 当前帧目录color_image_o3d = o3d.io.read_image(os.path.join(frame_dir, "color_image.jpg"))  # 读取彩色图像depth_image_o3d = o3d.io.read_image(os.path.join(frame_dir, "depth_image.png"))  # 读取深度图像rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d, depth_image_o3d, depth_trunc=4.0,convert_rgb_to_intensity=False)  # 创建RGBD图像pose_4x4 = np.loadtxt(os.path.join(frame_dir, "pose.txt"))  # 读取位姿if load_table_points:pose_4x4[:3, 3] += fixed_transform.T      # 应用固定变换corrected_pose = pose_4x4 @ self.between_cam  # 应用校正矩阵

检查位姿文件是否存在

    pose_path = os.path.join(frame_dir, "pose.txt")      # 位姿文件路径pose_2_path = os.path.join(frame_dir, "pose_2.txt")      # 第二个位姿文件路径pose_3_path = os.path.join(frame_dir, "pose_3.txt")      # 第三个位姿文件路径if not all(os.path.exists(path) for path in [pose_path, pose_2_path, pose_3_path]):      # 检查所有位姿文件是否存在return False      # 如果有文件不存在，返回False

创建或更新点云

    if self.pcd is None:      # 如果点云对象为空self.pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)      # 创建点云self.pcd.transform(corrected_pose)      # 应用校正矩阵else:new_pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)      # 创建新的点云new_pcd.transform(corrected_pose)       # 应用校正矩阵self.pcd.points = new_pcd.points      # 更新点云的点self.pcd.colors = new_pcd.colors      # 更新点云的颜色

加载并校正位姿

    pose_1 = np.loadtxt(pose_path)  # 读取第一个位姿if load_table_points:pose_1[:3, 3] += fixed_transform.T  # 应用固定变换pose_1 = pose_1 @ self.between_cam      # 应用校正矩阵pose_2 = np.loadtxt(pose_2_path)      # 读取第二个位姿if load_table_points:pose_2[:3, 3] += fixed_transform.T  # 应用固定变换pose_2 = pose_2 @ self.between_cam_2  # 应用校正矩阵pose_3 = np.loadtxt(pose_3_path)      # 读取第三个位姿if load_table_points:pose_3[:3, 3] += fixed_transform.T  # 应用固定变换pose_3 = pose_3 @ self.between_cam_3    # 应用校正矩阵

创建或更新坐标系

    if self.coord_frame_1 is None:  # 如果坐标系1为空self.coord_frame_1 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系1self.coord_frame_2 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系2self.coord_frame_3 = o3d.geometry.TriangleMesh.create_coordinate_frame(size=0.1)  # 创建坐标系3self.coord_frame_1 = self.coord_frame_1.transform(np.linalg.inv(self.pose1_prev))  # 逆变换上一个位姿self.coord_frame_1 = self.coord_frame_1.transform(pose_1)  # 应用当前位姿self.pose1_prev = copy.deepcopy(pose_1)  # 复制当前位姿self.coord_frame_2 = self.coord_frame_2.transform(np.linalg.inv(self.pose2_prev))  # 逆变换上一个位姿self.coord_frame_2 = self.coord_frame_2.transform(pose_2)  # 应用当前位姿self.pose2_prev = copy.deepcopy(pose_2)  # 复制当前位姿self.coord_frame_3 = self.coord_frame_3.transform(np.linalg.inv(self.pose3_prev))  # 逆变换上一个位姿self.coord_frame_3 = self.coord_frame_3.transform(pose_3)  # 应用当前位姿self.pose3_prev = copy.deepcopy(pose_3)  # 复制当前位姿

加载并处理左手关节数据

    # left hand, read from jointleft_hand_joint_xyz = np.loadtxt(os.path.join(frame_dir, "left_hand_joint.txt"))  # 读取左手关节位置self.left_hand_joint_xyz = left_hand_joint_xyz  # 存储左手关节位置left_hand_joint_xyz = translate_wrist_to_origin(left_hand_joint_xyz)  # 平移手腕到原点left_hand_joint_ori = np.loadtxt(os.path.join(frame_dir, "left_hand_joint_ori.txt"))[0]  # 读取左手关节方向self.left_hand_wrist_ori = left_hand_joint_ori  # 存储左手手腕方向left_rotation_matrix = Rotation.from_quat(left_hand_joint_ori).as_matrix().T  # 计算旋转矩阵left_hand_joint_xyz_reshaped = left_hand_joint_xyz[:, :, np.newaxis]  # 重塑关节位置left_transformed_joint_xyz = np.matmul(left_rotation_matrix, left_hand_joint_xyz_reshaped)  # 应用旋转矩阵left_hand_joint_xyz = left_transformed_joint_xyz[:, :, 0]  # 更新关节位置left_hand_joint_xyz[:, -1] = -left_hand_joint_xyz[:, -1]  # z轴反转rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*self.left_hand_ori_offset).T)  # 应用欧拉角校正left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*delta_ori_accu_left).T)  # 应用累积旋转校正left_hand_joint_xyz += self.left_hand_offset  # 应用平移校正left_hand_joint_xyz += delta_movement_accu_left  # 应用累积平移校正left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, pose_2)  # 应用位姿矩阵

设置左手关节球体和连线

    # set joint sphere and linesfor i, sphere in enumerate(self.left_joints):  # 遍历左手关节球体transformation = np.eye(4)  # 创建4x4单位矩阵transformation[:3, 3] = left_hand_joint_xyz[i] - sphere.get_center()  # 计算平移向量sphere.transform(transformation)  # 应用平移变换for i, (x, y) in enumerate(lines):  # 遍历连线start = self.left_joints[x].get_center()  # 获取起点end = self.left_joints[y].get_center()  # 获取终点create_or_update_cylinder(start, end, cylinder_list=self.left_line_set, cylinder_idx=i)  # 创建或更新圆柱体

加载并处理右手关节数据

    # right hand, read from jointright_hand_joint_xyz = np.loadtxt(os.path.join(frame_dir, "right_hand_joint.txt"))  # 读取右手关节位置self.right_hand_joint_xyz = right_hand_joint_xyz  # 存储右手关节位置right_hand_joint_xyz = translate_wrist_to_origin(right_hand_joint_xyz)  # 平移手腕到原点right_hand_joint_ori = np.loadtxt(os.path.join(frame_dir, "right_hand_joint_ori.txt"))[0]  # 读取右手关节方向self.right_hand_wrist_ori = right_hand_joint_ori  # 存储右手手腕方向right_rotation_matrix = Rotation.from_quat(right_hand_joint_ori).as_matrix().T  # 计算旋转矩阵right_joint_xyz_reshaped = right_hand_joint_xyz[:, :, np.newaxis]  # 重塑关节位置right_transformed_joint_xyz = np.matmul(right_rotation_matrix, right_joint_xyz_reshaped)  # 应用旋转矩阵right_hand_joint_xyz = right_transformed_joint_xyz[:, :, 0]  # 更新关节位置right_hand_joint_xyz[:, -1] = -right_hand_joint_xyz[:, -1]  # z轴反转rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*self.right_hand_ori_offset).T)  # 应用欧拉角校正right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*delta_ori_accu).T)  # 应用累积旋转校正right_hand_joint_xyz += self.right_hand_offset  # 应用平移校正right_hand_joint_xyz += delta_movement_accu  # 应用累积平移校正right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, pose_3)  # 应用位姿矩阵

可视化2D图像

    if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 获取彩色图像color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 转换颜色空间left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 归一化left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反投影for i in range(len(left_hand_back_projected_points)):  # 遍历左手关节点u, v = left_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 绘制紫色圆点right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 归一化right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反投影for i in range(len(right_hand_back_projected_points)):  # 遍历右手关节点u, v = right_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0,    if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 获取彩色图像color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 转换颜色空间left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 归一化left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反投影for i in range(len(left_hand_back_projected_points)):  # 遍历左手关节点u, v = left_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 绘制紫色圆点right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用逆变换right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 归一化right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反投影for i in range(len(right_hand_back_projected_points)):  # 遍历右手关节点u, v = right_hand_back_projected_points[i]  # 获取投影点坐标if i in [0, 1, 5, 9, 13, 17]:cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 绘制绿色圆点elif i in [4, 8, 12, 16, 20]:cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 绘制蓝色圆点else:cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 绘制红色圆点if i in [1, 2, 3, 4]:cv2.circle(color_image, (u, v), 10, (255, 0,

最后使用Open3D和OpenCV库来处理和现实3D和2D数据
以下是2D可视化部分
将RGBD图像的彩色部分转换为NumPy数组，并从RGB格式转换为BGR格式

if vis_2d:  # 如果启用了2D可视化color_image = np.asarray(rgbd.color)  # 将RGBD图像的彩色部分转换为NumPy数组color_image = cv2.cvtColor(color_image, cv2.COLOR_RGB2BGR)  # 将图像从RGB格式转换为BGR格式

处理左手和右手关节数据，将其转换为齐次坐标，应用校正矩阵，转换为 3D坐标，并反向投影到图像平面
在图像上绘制不同颜色的圆点表示不同的关节点

    # 处理左手关节数据left_hand_joint_points_homogeneous = np.hstack((left_hand_joint_xyz, np.ones((left_hand_joint_xyz.shape[0], 1))))  # 将左手关节位置转换为齐次坐标left_hand_transformed_points_homogeneous = np.dot(left_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用校正矩阵left_hand_points_to_project = left_hand_transformed_points_homogeneous[:, :3] / left_hand_transformed_points_homogeneous[:, [3]]  # 将齐次坐标转换为3D坐标left_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in left_hand_points_to_project]  # 反向投影到图像平面for i in range(len(left_hand_back_projected_points)):  # 遍历所有左手关节点u, v = left_hand_back_projected_points[i]  # 获取关节点的图像坐标if i in [0, 1, 5, 9, 13, 17]:  # 如果关节点是手腕或指根cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 画绿色圆点elif i in [4, 8, 12, 16, 20]:  # 如果关节点是指尖cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 画蓝色圆点else:  # 其他关节点cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 画红色圆点if i in [1, 2, 3, 4]:  # 如果关节点是拇指cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 画紫色圆点# 处理右手关节数据right_hand_joint_points_homogeneous = np.hstack((right_hand_joint_xyz, np.ones((right_hand_joint_xyz.shape[0], 1))))  # 将右手关节位置转换为齐次坐标right_hand_transformed_points_homogeneous = np.dot(right_hand_joint_points_homogeneous, np.linalg.inv(corrected_pose).T)  # 应用校正矩阵right_hand_points_to_project = right_hand_transformed_points_homogeneous[:, :3] / right_hand_transformed_points_homogeneous[:, [3]]  # 将齐次坐标转换为3D坐标right_hand_back_projected_points = [self._back_project_point(point, o3d_depth_intrinsic.intrinsic_matrix) for point in right_hand_points_to_project]  # 反向投影到图像平面for i in range(len(right_hand_back_projected_points)):  # 遍历所有右手关节点u, v = right_hand_back_projected_points[i]  # 获取关节点的图像坐标if i in [0, 1, 5, 9, 13, 17]:  # 如果关节点是手腕或指根cv2.circle(color_image, (u, v), 10, (0, 255, 0), -1)  # 画绿色圆点elif i in [4, 8, 12, 16, 20]:  # 如果关节点是指尖cv2.circle(color_image, (u, v), 10, (255, 0, 0), -1)  # 画蓝色圆点else:  # 其他关节点cv2.circle(color_image, (u, v), 10, (0, 0, 255), -1)  # 画红色圆点if i in [1, 2, 3, 4]:  # 如果关节点是拇指cv2.circle(color_image, (u, v), 10, (255, 0, 255), -1)  # 画紫色圆点

显示带有反向投影点的图像，并在按下'q'键时退出铺环

    cv2.imshow("Back-projected Points on Image", color_image)  # 显示带有反向投影点的图像# 如果按下'q'键，退出循环if cv2.waitKey(1) & 0xFF == ord('q'):return  # 退出函数

以下是3D可视化部分
设置右手关节球体的位置
创建或更新右手关节之问的连线

# 设置关节球体和连线
for i, sphere in enumerate(self.right_joints):  # 遍历右手关节球体transformation = np.eye(4)  # 创建4x4单位矩阵transformation[:3, 3] = right_hand_joint_xyz[i] - sphere.get_center()  # 计算平移向量sphere.transform(transformation)  # 应用平移变换
for i, (x, y) in enumerate(lines):  # 遍历连线start = self.right_joints[x].get_center()  # 获取连线起点end = self.right_joints[y].get_center()  # 获取连线终点create_or_update_cylinder(start, end, cylinder_list=self.right_line_set, cylinder_idx=i)  # 创建或更新连线的圆柱体return True  # 返回True表示成功

第二部分 STEP2_build_dataset

先导入库

import h5py          # 用于处理HDF5文件
import json          # 用于处理JSON数据
from scipy.linalg import svd      # 用于计算奇异值分解
from utils import *               # 导入自定义的工具函数
from hyperparameters import *     # 导入超参数
from pybullet_ik_bimanual import LeapPybulletIK      # 导入用于逆运动学计算的类

然后初始化全局变量

leapPybulletIK = LeapPybulletIK()    # 创建LeapPybulletIK对象
R_delta_init = None                  # 初始化旋转矩阵

2.1 dataset_utils.py

2.1.1 read_pose_data：读取和处理手部姿态数据(过程中使用 LeapPybulLetIK 计算逆运动学，得到手部关节的目标位置)

read_pose_data 用于读取和处理手部姿态数据。该函数从指定的文件路径中加载手部关节位置和
方向数据，并进行一系列转换和校正，最终返回处理后的数据

先定义函数本身和一些全局变量

def read_pose_data(frame_path, demo_path, fixed_trans_to_robot_table, first_frame=False):        # 定义读取姿态数据的函数global leapPybulletIK  # 声明全局变量 leapPybulletIKcam_pose_path = os.path.join(frame_path, "pose.txt")  # 相机姿态文件路径

加载左手姿态数据

    # 加载左手姿态数据left_pose_path = os.path.join(frame_path, "pose_2.txt")  # 左手姿态文件路径left_hand_pos_path = os.path.join(frame_path, "left_hand_joint.txt")      # 左手关节位置文件路径left_hand_ori_path = os.path.join(frame_path, "left_hand_joint_ori.txt")  # 左手关节方向文件路径left_hand_off_path = os.path.join(demo_path, "calib_offset_left.txt")     # 左手校准偏移量文件路径left_hand_off_ori_path = os.path.join(demo_path, "calib_ori_offset_left.txt")  # 左手校准方向偏移量文件路径pose_2 = np.loadtxt(left_pose_path)              # 加载左手姿态数据pose_2[:3, 3] += fixed_trans_to_robot_table.T    # 应用固定的平移量pose_2 = pose_2 @ between_cam_2          # 应用相机之间的转换矩阵left_hand_joint_xyz = np.loadtxt(left_hand_pos_path)      # 加载左手关节位置数据left_hand_joint_xyz = translate_wrist_to_origin(left_hand_joint_xyz)  # 将手腕位置平移到原点left_hand_wrist_ori = np.loadtxt(left_hand_ori_path)[0]   # 加载左手关节方向数据

加载右手姿态数据

    # 加载右手姿态数据pose_path = os.path.join(frame_path, "pose_3.txt")  # 右手姿态文件路径hand_pos_path = os.path.join(frame_path, "right_hand_joint.txt")      # 右手关节位置文件路径hand_ori_path = os.path.join(frame_path, "right_hand_joint_ori.txt")  # 右手关节方向文件路径hand_off_path = os.path.join(demo_path, "calib_offset.txt")  # 右手校准偏移量文件路径hand_off_ori_path = os.path.join(demo_path, "calib_ori_offset.txt")    # 右手校准方向偏移量文件路径pose_3 = np.loadtxt(pose_path)  # 加载右手姿态数据pose_3[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量pose_3 = pose_3 @ between_cam_3  # 应用相机之间的转换矩阵right_hand_joint_xyz = np.loadtxt(hand_pos_path)     # 加载右手关节位置数据right_hand_joint_xyz = translate_wrist_to_origin(right_hand_joint_xyz)  # 将手腕位置平移到原点right_hand_wrist_ori = np.loadtxt(hand_ori_path)[0]  # 加载右手关节方向数据

计算逆运动学，其中计算逆运动学compute_IK的实现将在下文分析、讲解

    right_hand_target, left_hand_target, right_hand_points, left_hand_points = leapPybulletIK.compute_IK(right_hand_joint_xyz, right_hand_wrist_ori, left_hand_joint_xyz, left_hand_wrist_ori)      # 计算逆运动学np.savetxt(os.path.join(frame_path, "right_joints.txt"), right_hand_target)  # 保存右手关节目标位置np.savetxt(os.path.join(frame_path, "left_joints.txt"), left_hand_target)    # 保存左手关节目标位置

转换左手姿态

    # 转换左手姿态left_rotation_matrix = Rotation.from_quat(left_hand_wrist_ori).as_matrix().T  # 将四元数转换为旋转矩阵left_joint_xyz_reshaped = left_hand_joint_xyz[:, :, np.newaxis]  # 重塑左手关节位置数组left_transformed_joint_xyz = np.matmul(left_rotation_matrix, left_joint_xyz_reshaped)  # 应用旋转矩阵left_hand_joint_xyz = left_transformed_joint_xyz[:, :, 0]  # 获取转换后的左手关节位置left_hand_joint_xyz[:, -1] = -left_hand_joint_xyz[:, -1]  # 反转z轴rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转left_hand_joint_xyz = np.dot(left_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵left_hand_ori_offset = np.loadtxt(left_hand_off_ori_path)  # 加载左手校准方向偏移量left_hand_joint_xyz = np.dot(left_hand_joint_xyz, euler2mat(*left_hand_ori_offset).T)  # 应用旋转校准left_hand_offset = np.loadtxt(left_hand_off_path)  # 加载左手校准偏移量left_hand_joint_xyz += left_hand_offset  # 应用偏移量left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, pose_2)  # 应用姿态矩阵update_pose_2 = copy.deepcopy(pose_2)  # 复制左手姿态矩阵update_pose_2[:3, 3] = left_hand_joint_xyz[0]  # 更新左手姿态矩阵的平移部分left_hand_joint_xyz = apply_pose_matrix(left_hand_joint_xyz, inverse_transformation(update_pose_2))  # 应用逆变换# 重要！由于手套上的相机安装角度为45度，需要在此处转换以获得正确的手部方向rotation_45lookup_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 4)  # 绕z轴旋转45度update_pose_2[:3, :3] = np.dot(update_pose_2[:3, :3], rotation_45lookup_matrix.T)  # 应用旋转矩阵if not first_frame:update_pose_2 = hand_to_robot_left(update_pose_2)  # 转换为机器人左手坐标系left_hand_translation = update_pose_2[:3, 3]  # 获取左手平移部分left_hand_rotation_matrix = update_pose_2[:3, :3]  # 获取左手旋转矩阵left_hand_quaternion = mat2quat(left_hand_rotation_matrix)  # 将旋转矩阵转换为四元数

转换右手姿态

    # 转换右手姿态right_rotation_matrix = Rotation.from_quat(right_hand_wrist_ori).as_matrix().T  # 将四元数转换为旋转矩阵right_joint_xyz_reshaped = right_hand_joint_xyz[:, :, np.newaxis]  # 重塑右手关节位置数组right_transformed_joint_xyz = np.matmul(right_rotation_matrix, right_joint_xyz_reshaped)  # 应用旋转矩阵right_hand_joint_xyz = right_transformed_joint_xyz[:, :, 0]  # 获取转换后的右手关节位置right_hand_joint_xyz[:, -1] = -right_hand_joint_xyz[:, -1]  # 反转z轴rotation_matrix = axangle2mat(np.array([0, 1, 0]), -np.pi * 1 / 2)  # 绕y轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 2)  # 绕x轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵rotation_matrix = axangle2mat(np.array([0, 0, 1]), -np.pi * 1 / 2)  # 绕z轴旋转right_hand_joint_xyz = np.dot(right_hand_joint_xyz, rotation_matrix.T)  # 应用旋转矩阵right_hand_ori_offset = np.loadtxt(hand_off_ori_path)  # 加载右手校准方向偏移量right_hand_joint_xyz = np.dot(right_hand_joint_xyz, euler2mat(*right_hand_ori_offset).T)  # 应用旋转校准right_hand_offset = np.loadtxt(hand_off_path)  # 加载右手校准偏移量right_hand_joint_xyz += right_hand_offset  # 应用偏移量right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, pose_3)  # 应用姿态矩阵update_pose_3 = copy.deepcopy(pose_3)  # 复制右手姿态矩阵update_pose_3[:3, 3] = right_hand_joint_xyz[0]  # 更新右手姿态矩阵的平移部分right_hand_joint_xyz = apply_pose_matrix(right_hand_joint_xyz, inverse_transformation(update_pose_3))  # 应用逆变换# 重要！由于手套上的相机安装角度为45度，需要在此处转换以获得正确的手部方向rotation_45lookup_matrix = axangle2mat(np.array([1, 0, 0]), np.pi * 1 / 4)  # 绕z轴旋转45度update_pose_3[:3, :3] = np.dot(update_pose_3[:3, :3], rotation_45lookup_matrix.T)  # 应用旋转矩阵if not first_frame:update_pose_3 = hand_to_robot(update_pose_3)  # 转换为机器人右手坐标系right_hand_translation = update_pose_3[:3, 3]  # 获取右手平移部分right_hand_rotation_matrix = update_pose_3[:3, :3]  # 获取右手旋转矩阵right_hand_quaternion = mat2quat(right_hand_rotation_matrix)  # 将旋转矩阵转换为四元数

加载相机姿态数据

    cam_pose_4x4 = np.loadtxt(cam_pose_path)  # 加载相机姿态数据cam_pose_4x4[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量cam_corrected_pose = cam_pose_4x4 @ between_cam  # 应用相机之间的转换矩阵cam_corrected_pose = cam_corrected_pose.flatten()  # 将矩阵展平return (np.concatenate([right_hand_translation, right_hand_quaternion, right_hand_target]),np.concatenate([left_hand_translation, left_hand_quaternion, left_hand_target]),cam_corrected_pose,right_hand_joint_xyz.flatten(),left_hand_joint_xyz.flatten(),right_hand_points,left_hand_points)  # 返回处理后的数据

总共，这段代码定义了一个名为read_pose_data 的函数，用于读取和处理手部姿态数据。具体步骤如下：

加载左手和右手的姿态数据：从指定的文件路径中加载手部关节位置和方向数据
计算逆运动学：使用 LeapPybulLetIK 计算逆运动学，得到手部关节的目标位置
转换左手和右手的姿态：将手部关节位置和方向数据转换为标准坐标系，并应用校准偏移量和旋转矩阵
加载相机姿态数据：从指定的文件路径中加载相机姿态数据，并应用固定的平移量和相机之间的转换矩阵
返回处理后的数据：返回处理后的手部和相机姿态数据，包括关节位置、方向和目标位置

通过这些步骤，函数能够读取和处理手部姿态数据，并将其转换为标准坐标系，供后续处理和分析使用

2.1.2 process_hdf5：处理多个数据集(手部姿态/图像/点云)，作为模型的训练数据集

这段代码的主要功能是处理多个数据集文件夹中的数据——比如手部姿态数据、图像数据、点云数据，并将处理后的数据保存到一个HDF5文件中，从而作为训练机器学习模型的数据集

具体步骤如下：

初始化：创建Open3D可视化器和空的点云对象，打开HDF5文件用于写入

def process_hdf5(output_hdf5_file, dataset_folders, action_gap, num_points_to_sample, in_wild_data=False):  # 定义处理HDF5文件的函数global R_delta_init      # 声明全局变量 R_delta_initvis = o3d.visualization.Visualizer()    # 创建Open3D可视化器vis.create_window()      # 创建可视化窗口pcd_vis = o3d.geometry.PointCloud()     # 初始化空的点云对象firstfirst = True        # 标记是否为第一次更新可视化器with h5py.File(output_hdf5_file, 'w') as output_hdf5:      # 打开HDF5文件用于写入output_data_group = output_hdf5.create_group('data')   # 创建数据组demo_index = 0          # 初始化演示索引total_frames = 0        # 初始化总帧数mean_init_pos = []      # 初始化初始位置均值列表mean_init_quat = []     # 初始化初始四元数均值列表

遍历数据集文件夹：加载剪辑标记文件，读取手部姿态数据、图像数据和点云数据

        for dataset_folder in dataset_folders:  # 遍历数据集文件夹clip_marks_json = os.path.join(dataset_folder, 'clip_marks.json')  # 剪辑标记文件路径if in_wild_data:  # 如果数据是在野外收集的，读取固定的平移量到机器人桌面fixed_trans_to_robot_table = np.loadtxt(os.path.join(dataset_folder, 'map_to_robot_table_trans.txt'))else:fixed_trans_to_robot_table = np.array([0.0, 0.0, 0.0])  # 否则，平移量为零# 加载剪辑标记with open(clip_marks_json, 'r') as file:clip_marks = json.load(file)  # 读取剪辑标记for clip in clip_marks:  # 遍历每个剪辑# 保存第0帧并更新 R_delta_initframe0_pose_data, frame0_left_pose_data, _, _, _, _, _ = read_pose_data(os.path.join(dataset_folder, f'frame_0'), dataset_folder, fixed_trans_to_robot_table=fixed_trans_to_robot_table, first_frame=True)update_R_delta_init(frame0_pose_data[:3], frame0_pose_data[3:7])  # 更新 R_delta_init# 获取起始和结束帧编号start_frame = int(clip['start'].split('_')[-1])end_frame = int(clip['end'].split('_')[-1])clip_length = end_frame - start_frame + 1  # 包括第0帧agentview_images = []  # 初始化代理视角图像列表pointcloud = []  # 初始化点云列表poses = []  # 初始化姿态列表poses_left = []  # 初始化左手姿态列表states = []  # 初始化状态列表glove_states = []  # 初始化手套状态列表left_glove_states = []  # 初始化左手手套状态列表labels = []  # 初始化标签列表

处理每一帧数据：调整图像大小，遮罩手部图像

                for frame_number in list(range(start_frame, end_frame + 1)):  # 遍历每一帧frame_folder = f'frame_{frame_number}'  # 帧文件夹名称image_path = os.path.join(dataset_folder, frame_folder, "color_image.jpg")  # 彩色图像路径frame_path = os.path.join(dataset_folder, frame_folder)  # 帧文件夹路径# 加载手部姿态数据pose_data, left_pose_data, cam_data, glove_data, left_glove_data, right_hand_points, left_hand_points = read_pose_data(frame_path, dataset_folder, fixed_trans_to_robot_table=fixed_trans_to_robot_table)poses.append(pose_data)  # 添加右手姿态数据poses_left.append(left_pose_data)  # 添加左手姿态数据states.append(cam_data)  # 添加相机数据glove_states.append(glove_data)  # 添加右手手套数据left_glove_states.append(left_glove_data)  # 添加左手手套数据# 处理图像resized_image = resize_image(image_path)  # 调整图像大小resized_image, right_hand_show = mask_image(resized_image, pose_data, cam_data)  # 遮罩右手图像resized_image, left_hand_show = mask_image(resized_image, left_pose_data, cam_data, left=True)  # 遮罩左手图像agentview_images.append(resized_image)  # 添加调整大小后的图像

处理点云数据

                    # 处理点云color_image_o3d = o3d.io.read_image(os.path.join(dataset_folder, frame_folder, "color_image.jpg"))  # 读取彩色图像depth_image_o3d = o3d.io.read_image(os.path.join(dataset_folder, frame_folder, "depth_image.png"))  # 读取深度图像max_depth = 1000  # 最大深度depth_array = np.asarray(depth_image_o3d)  # 将深度图像转换为数组mask = depth_array > max_depth  # 创建深度掩码depth_array[mask] = 0  # 将超过最大深度的值设为0filtered_depth_image = o3d.geometry.Image(depth_array)  # 创建过滤后的深度图像rgbd = o3d.geometry.RGBDImage.create_from_color_and_depth(color_image_o3d, filtered_depth_image, depth_trunc=4.0, convert_rgb_to_intensity=False)  # 创建RGBD图像pose_4x4 = np.loadtxt(os.path.join(dataset_folder, frame_folder, "pose.txt"))  # 加载姿态数据pose_4x4[:3, 3] += fixed_trans_to_robot_table.T  # 应用固定的平移量corrected_pose = pose_4x4 @ between_cam  # 应用相机之间的转换矩阵pcd = o3d.geometry.PointCloud.create_from_rgbd_image(rgbd, o3d_depth_intrinsic)  # 从RGBD图像创建点云pcd.transform(corrected_pose)  # 应用校正矩阵color_pcd = np.concatenate((np.array(pcd.points), np.array(pcd.colors)), axis=-1)  # 合并点云和颜色数据if right_hand_show:  # 如果检测到右手，合并右手点云transformed_point_cloud = transform_right_leap_pointcloud_to_camera_frame(right_hand_points, pose_data)colored_hand_point_cloud = np.concatenate((transformed_point_cloud, np.zeros((transformed_point_cloud.shape[0], 3))), axis=1)color_pcd = np.concatenate((color_pcd, colored_hand_point_cloud), axis=0)if left_hand_show:  # 如果检测到左手，合并左手点云transformed_point_cloud_left = transform_left_leap_pointcloud_to_camera_frame(left_hand_points, left_pose_data)colored_hand_point_cloud_left = np.concatenate((transformed_point_cloud_left, np.zeros((transformed_point_cloud_left.shape[0], 3))), axis=1)color_pcd = np.concatenate((color_pcd, colored_hand_point_cloud_left), axis=0)

移除冗余点

                    # 移除桌面表面和背景下方的冗余点centroid = np.mean(robot_table_corner_points, axis=0)  # 计算质心A = robot_table_corner_points - centroid  # 计算偏移U, S, Vt = svd(A)  # 进行奇异值分解normal = Vt[-1]  # 获取法向量d = -np.dot(normal, centroid)  # 计算平面方程中的dxyz = color_pcd[:, :3]  # 获取点云的xyz坐标for plane_gap in table_sweep_list:  # 遍历平面高度below_plane = np.dot(xyz, normal[:3]) + d + plane_gap < 0  # 判断点是否在平面下方if len(color_pcd[~below_plane]) > num_points_to_sample:  # 如果点数大于采样点数color_pcd = color_pcd[~below_plane]  # 移除平面下方的点break

下采样点云

                    # 下采样点云if len(color_pcd) > num_points_to_sample:indices = np.random.choice(len(color_pcd), num_points_to_sample, replace=False)  # 随机选择点color_pcd = color_pcd[indices]  # 获取采样点pointcloud.append(copy.deepcopy(color_pcd))  # 添加点云数据labels.append(0)  # 添加标签# 更新点云可视化pcd_vis.points = o3d.utility.Vector3dVector(color_pcd[:, :3])  # 设置点云的点pcd_vis.colors = o3d.utility.Vector3dVector(color_pcd[:, 3:])  # 设置点云的颜色if firstfirst:vis.add_geometry(pcd_vis)  # 添加几何体到可视化器firstfirst = False  # 标记为非第一次else:vis.update_geometry(pcd_vis)  # 更新几何体vis.poll_events()  # 处理可视化事件vis.update_renderer()  # 更新渲染器

更新可视化：更新点云和图像的可视化显示

                    # 更新图像可视化cv2.imshow("masked_resized_image", resized_image)  # 显示遮罩后的图像cv2.waitKey(1)  # 等待键盘输入

生成动作轨迹：根据 action_gap 生成动作轨迹，并保存到HDF5文件中
先

               poses = np.array(poses)  # 转换姿态列表为数组robot0_eef_pos = poses[:, :3]  # 获取末端执行器位置robot0_eef_quat = poses[:, 3:7]  # 获取末端执行器四元数robot0_eef_hand = (poses[:, 7:] - np.pi) * 0.5  # 缩放手部关节位置poses_left = np.array(poses_left)  # 转换左手姿态列表为数组robot0_eef_pos_left = poses_left[:, :3]  # 获取左手末端执行器位置robot0_eef_quat_left = poses_left[:, 3:7]  # 获取左手末端执行器四元数robot0_eef_hand_left = (poses_left[:, 7:] - np.pi) * 0.5  # 缩放左手关节位置robot0_eef_pos = np.concatenate((robot0_eef_pos, robot0_eef_pos_left), axis=-1)  # 合并左右手末端执行器位置robot0_eef_quat = np.concatenate((robot0_eef_quat, robot0_eef_quat_left), axis=-1)  # 合并左右手末端执行器四元数robot0_eef_hand = np.concatenate((robot0_eef_hand, robot0_eef_hand_left), axis=-1)  # 合并左右手关节位置actions_pos = np.concatenate((robot0_eef_pos[action_gap:], robot0_eef_pos[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作位置actions_rot = np.concatenate((robot0_eef_quat[action_gap:], robot0_eef_quat[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作旋转actions_hand = np.concatenate((robot0_eef_hand[action_gap:], robot0_eef_hand[-1:].repeat(action_gap, axis=0)), axis=0)  # 生成动作手部姿态actions = np.concatenate((actions_pos, actions_rot, actions_hand), axis=-1)  # 合并手臂和手部动作

后

                for j in range(action_gap):  # 根据 action_gap 生成轨迹demo_name = f'demo_{demo_index}'  # 演示名称output_demo_group = output_data_group.create_group(demo_name)  # 创建演示组print("{} saved".format(demo_name))  # 打印保存信息demo_index += 1  # 增加演示索引output_demo_group.attrs['frame_0_eef_pos'] = frame0_pose_data[:3]  # 设置第0帧末端执行器位置output_demo_group.attrs['frame_0_eef_quat'] = frame0_pose_data[3:7]  # 设置第0帧末端执行器四元数output_obs_group = output_demo_group.create_group('obs')  # 创建观察组output_obs_group.create_dataset('agentview_image', data=np.array(agentview_images)[j::action_gap])  # 保存代理视角图像output_obs_group.create_dataset('pointcloud', data=np.array(pointcloud)[j::action_gap])  # 保存点云数据output_obs_group.create_dataset('robot0_eef_pos', data=copy.deepcopy(robot0_eef_pos)[j::action_gap])  # 保存末端执行器位置output_obs_group.create_dataset('robot0_eef_quat', data=copy.deepcopy(robot0_eef_quat)[j::action_gap])  # 保存末端执行器四元数output_obs_group.create_dataset('robot0_eef_hand', data=copy.deepcopy(robot0_eef_hand)[j::action_gap])  # 保存手部姿态output_obs_group.create_dataset('label', data=np.array(labels)[j::action_gap])  # 保存标签output_demo_group.create_dataset('actions', data=copy.deepcopy(actions)[j::action_gap])  # 保存动作# 创建 'dones', 'rewards', 和 'states'dones = np.zeros(clip_length, dtype=np.int64)  # 初始化 'dones'dones[-1] = 1  # 设置最后一帧的 'done' 为 1output_demo_group.create_dataset('dones', data=dones[j::action_gap])  # 保存 'dones'rewards = np.zeros(clip_length, dtype=np.float64)  # 初始化 'rewards'output_demo_group.create_dataset('rewards', data=rewards[j::action_gap])  # 保存 'rewards'output_demo_group.create_dataset('states', data=states[j::action_gap])  # 保存状态output_demo_group.create_dataset('glove_states', data=glove_states[j::action_gap])  # 保存手套状态output_demo_group.attrs['num_samples'] = len(actions[j::action_gap])  # 设置样本数量total_frames += len(actions[j::action_gap])  # 增加总帧数mean_init_pos.append(copy.deepcopy(robot0_eef_pos[j]))  # 添加初始位置mean_init_quat.append(copy.deepcopy(robot0_eef_quat[j]))  # 添加初始四元数mean_init_hand.append(copy.deepcopy(robot0_eef_hand[j]))  # 添加初始手部姿态output_data_group.attrs['total'] = total_frames  # 设置总帧数

计算初始位置的均值：计算初始位置、四元数和手部姿态的均值，并保存到HDF5文件中

        # 计算初始位置的均值mean_init_pos = np.array(mean_init_pos).mean(axis=0)  # 计算初始位置均值mean_init_quat = mean_init_quat[0]  # 获取初始四元数mean_init_hand = np.array(mean_init_hand).mean(axis=0)  # 计算初始手部姿态均值output_data_group.attrs['mean_init_pos'] = mean_init_pos  # 设置初始位置均值output_data_group.attrs['mean_init_quat'] = mean_init_quat  # 设置初始四元数output_data_group.attrs['mean_init_hand'] = mean_init_hand  # 设置初始手部姿态均值

2.2 pybullet_ik_bimanual.py——含点云生成、计算逆运动学compute_IK的实现

2.2.1 导入库、类的定义和初始化、获取网格点云的方法等等

导入库

import pybullet_data       # 导入 PyBullet 数据库
from yourdfpy import URDF  # 导入 URDF 解析库
from transforms3d.euler import quat2euler, euler2quat  # 导入四元数和欧拉角转换函数
from utils import *        # 导入自定义工具函数
from hyperparameters import *   # 导入超参数

类定义和初始化

class LeapPybulletIK():  # 定义 LeapPybulletIK 类def __init__(self):  # 初始化方法# 启动 PyBulletclid = p.connect(p.SHARED_MEMORY)  # 尝试连接到共享内存if clid < 0:p.connect(p.GUI)  # 如果连接失败，则启动 GUIp.setAdditionalSearchPath(pybullet_data.getDataPath())  # 设置 PyBullet 数据路径p.loadURDF("plane.urdf", [0, 0, -0.3])  # 加载平面 URDF# 加载右手 LEAP 模型self.LeapId = p.loadURDF("leap_hand_mesh/robot_pybullet.urdf",[0.0, 0.0, 0.0],rotate_quaternion(0.0, 0.0, 0.0),)# 加载左手 LEAP 模型self.left_offset = 1.0  # 为了可视化，将左手和右手分开self.LeapId_2 = p.loadURDF("leap_hand_mesh/robot_pybullet.urdf",[0.0, self.left_offset, 0.0],rotate_quaternion(0.0, 0.0, 0.0),)self.leap_center_offset = [0.18, 0.03, 0.0]  # 由于 LEAP 手部 URDF 的根节点不在手掌根部（在食指根部），我们设置一个偏移量来校正根位置self.leapEndEffectorIndex = [4, 9, 14, 19]  # 指尖关节索引self.fingertip_offset = np.array([0.1, 0.0, -0.08])  # 由于 URDF 中指尖网格的根节点不在指尖（在指尖网格的右下部分），我们设置一个偏移量来校正指尖位置self.thumb_offset = np.array([0.1, 0.0, -0.06])  # 同样的原因，校正拇指尖位置self.numJoints = p.getNumJoints(self.LeapId)  # 获取 LEAP 手部的关节数量self.hand_lower_limits, self.hand_upper_limits, self.hand_joint_ranges = self.get_joint_limits(self.LeapId)  # 获取 LEAP 手部的关节限制self.HAND_Q = np.array([np.pi / 6, -np.pi / 6, np.pi / 3, np.pi / 3,np.pi / 6, 0.0, np.pi / 3, np.pi / 3,np.pi / 6, np.pi / 6, np.pi / 3, np.pi / 3,np.pi / 6, np.pi / 6, np.pi / 3, np.pi / 3])  # 为了避免 LEAP 手部的自碰撞，我们定义一个参考姿态用于零空间 IK# 加载左手和右手的 URDF，用于在正向运动学期间生成点云self.urdf_dict = {}self.Leap_urdf = URDF.load("leap_hand_mesh/robot_pybullet.urdf")self.Leap_urdf_2 = URDF.load("leap_hand_mesh/robot_pybullet.urdf")self.urdf_dict["right_leap"] = {"scene": self.Leap_urdf.scene,"mesh_list": self._load_meshes(self.Leap_urdf.scene),}self.urdf_dict["left_leap"] = {"scene": self.Leap_urdf_2.scene,"mesh_list": self._load_meshes(self.Leap_urdf_2.scene),}self.create_target_vis()  # 创建目标可视化p.setGravity(0, 0, 0)  # 设置重力useRealTimeSimulation = 0  # 禁用实时模拟p.setRealTimeSimulation(useRealTimeSimulation)  # 设置实时模拟

获取关节限制的方法

    def get_joint_limits(self, robot):  # 获取关节限制的方法joint_lower_limits = []  # 初始化关节下限列表joint_upper_limits = []  # 初始化关节上限列表joint_ranges = []  # 初始化关节范围列表for i in range(p.getNumJoints(robot)):  # 遍历所有关节joint_info = p.getJointInfo(robot, i)  # 获取关节信息if joint_info[2] == p.JOINT_FIXED:  # 如果关节是固定的，跳过continuejoint_lower_limits.append(joint_info[8])  # 添加关节下限joint_upper_limits.append(joint_info[9])  # 添加关节上限joint_ranges.append(joint_info[9] - joint_info[8])  # 计算并添加关节范围return joint_lower_limits, joint_upper_limits, joint_ranges  # 返回关节限制

加载网格的方法

    def _load_meshes(self, scene):  # 加载网格的方法mesh_list = []          # 初始化网格列表for name, g in scene.geometry.items():  # 遍历场景中的几何体mesh = g.as_open3d      # 将几何体转换为 Open3D 网格mesh_list.append(mesh)  # 添加到网格列表return mesh_list        # 返回网格列表

更新网格的方法

    def _update_meshes(self, type):  # 更新网格的方法mesh_new = o3d.geometry.TriangleMesh()  # 创建新的三角网格for idx, name in enumerate(self.urdf_dict[type]["scene"].geometry.keys()):  # 遍历几何体mesh_new += copy.deepcopy(self.urdf_dict[type]["mesh_list"][idx]).transform(self.urdf_dict[type]["scene"].graph.get(name)[0])  # 更新网格return mesh_new  # 返回更新后的网格

获取网格点云的方法
顺带提下，通过生成点云，可以更好的理解和处理三维空间中的信息，从而实现更复杂和精确的任务

    def get_mesh_pointcloud(self, joint_pos, joint_pos_left):  # 获取网格点云的方法self.Leap_urdf.update_cfg(joint_pos)   # 更新右手关节配置right_mesh = self._update_meshes("right_leap")  # 获取更新后的右手网格robot_pc = right_mesh.sample_points_uniformly(number_of_points=80000)  # 从网格中均匀采样点云self.Leap_urdf_2.update_cfg(joint_pos_left)   # 更新左手关节配置left_mesh = self._update_meshes("left_leap")  # 获取更新后的左手网格robot_pc_left = left_mesh.sample_points_uniformly(number_of_points=80000)  # 从网格中均匀采样点云# 将采样的网格点云转换为 Open3D 期望的格式new_points = np.asarray(robot_pc.points)      # 将点云转换为 NumPy 数组new_points_left = np.asarray(robot_pc_left.points)    # 将点云转换为 NumPy 数组new_points_left[:, 1] = -1.0 * new_points_left[:, 1]  # 翻转右手网格为左手网格return new_points, new_points_left      # 返回左右手的点云

转换向量的方法

    def switch_vector_from_rokoko(self, vector):   # 转换向量的方法return [vector[0], -vector[2], vector[1]]  # 返回转换后的向量

后处理Rokoko位置的方法

    def post_process_rokoko_pos(self, rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos):  # 后处理 Rokoko 位置的方法rightHandThumb_pos[-1] *= -1.0  # 翻转 z 轴rightHandThumb_pos = self.switch_vector_from_rokoko(rightHandThumb_pos)  # 转换向量rightHandIndex_pos[-1] *= -1.0  # 翻转 z 轴rightHandIndex_pos = self.switch_vector_from_rokoko(rightHandIndex_pos)  # 转换向量rightHandMiddle_pos[-1] *= -1.0  # 翻转 z 轴rightHandMiddle_pos = self.switch_vector_from_rokoko(rightHandMiddle_pos)  # 转换向量rightHandRing_pos[-1] *= -1.0  # 翻转 z 轴rightHandRing_pos = self.switch_vector_from_rokoko(rightHandRing_pos)  # 转换向量return rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos  # 返回处理后的位置

后处理Rokoko方向的方法

    def post_process_rokoko_ori(self, input_quat):  # 后处理 Rokoko 方向的方法wxyz_input_quat = np.array([input_quat[3], input_quat[0], input_quat[1], input_quat[2]])  # 转换为 wxyz 四元数wxyz_input_mat = quat2mat(wxyz_input_quat)  # 转换为旋转矩阵rot_mat = np.array([[0, 1, 0], [-1, 0, 0], [0, 0, 1]])  # 定义旋转矩阵wxyz_input_mat = np.dot(wxyz_input_mat, rot_mat)    # 应用旋转矩阵wxyz_transform_quat = mat2quat(wxyz_input_mat)      # 转换为四元数xyzw_transform_quat = np.array([wxyz_transform_quat[1], wxyz_transform_quat[2], wxyz_transform_quat[3], wxyz_transform_quat[0]])  # 转换为 xyzw 四元数return xyzw_transform_quat  # 返回处理后的四元数

2.2.2 create_target_vis、update_target_vis、rest_target_vis的实现

接下来是create_target_vis的实现

以及update_target_vis的实现

方法定义
该方法接受五个参数：右手的旋转四元数 (rightHand_rot）、右手拇指、食指、中指和
无名指的关节位置

def update_target_vis(self, rightHand_rot, rightHandThumb_pos, rightHandIndex_pos, rightHandMiddle_pos, rightHandRing_pos):  # 定义更新目标可视化的方法

重置球体位置和方向

        p.resetBasePositionAndOrientation(self.ball6Mbt,rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, rightHand_rot),rightHand_rot,)  # 重置球体 ball6Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball5Mbt,[0.0, 0.0, 0.0],rightHand_rot,)  # 重置球体 ball5Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball9Mbt,p.getLinkState(self.LeapId, 4)[0],rightHand_rot,)  # 重置球体 ball9Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball7Mbt,p.getLinkState(self.LeapId, 9)[0],rightHand_rot,)  # 重置球体 ball7Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball8Mbt,p.getLinkState(self.LeapId, 14)[0],rightHand_rot,)  # 重置球体 ball8Mbt 的位置和方向p.resetBasePositionAndOrientation(self.ball10Mbt,p.getLinkState(self.LeapId, 19)[0],rightHand_rot,)  # 重置球体 ball10Mbt 的位置和方向

计算偏移量
更新拇指位置和方向
更新食指位置和方向
更新中指位置和方向
更新无名指位置和方向
返回更新后的关键位置

再之后，是update_target_vis_left，用于更新左手目标位置的可视化方法，该方法使用PyBullet来重置多个球体的位置和方向，以反应手部关节的位置和方向

以及rest_target_vis

2.2.3 compute_IK的实现：用于计算双手的逆运动学IK——使用PyBullet来模拟手部关节的位置和方向

最后则是比较重要的compute_IK的实现，其用于计算双手的逆运动学IK，该方法使用PyBullet来模拟手部关节的位置和方向，并生成用于控制真实机器人的关节位置

以下是详细解读

方法定义
该方法接收4个参数：右手、左手的关节位置和手腕方向

def compute_IK(self, right_hand_pos, right_hand_wrist_ori, left_hand_pos, left_hand_wrist_ori):  # 定义计算逆运动学的方法p.stepSimulation()  # 进行一步模拟

处理左手数据，包括计算关节位置、应用旋转矩阵、翻转x轴

        wxyz_input_quat = np.array([left_hand_wrist_ori[3], left_hand_wrist_ori[0], left_hand_wrist_ori[1], left_hand_wrist_ori[2]])  # 转换左手四元数wxyz_input_mat = quat2mat(wxyz_input_quat)  # 转换为旋转矩阵leftHand_pos = left_hand_pos[0]  # 获取左手位置leftHandThumb_pos = (left_hand_pos[4] - leftHand_pos)  # 计算左手拇指位置leftHandIndex_pos = (left_hand_pos[8] - leftHand_pos)  # 计算左手食指位置leftHandMiddle_pos = (left_hand_pos[12] - leftHand_pos)  # 计算左手中指位置leftHandRing_pos = (left_hand_pos[16] - leftHand_pos)  # 计算左手无名指位置leftHandThumb_pos = leftHandThumb_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandIndex_pos = leftHandIndex_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandMiddle_pos = leftHandMiddle_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandRing_pos = leftHandRing_pos @ wxyz_input_mat  # 应用旋转矩阵leftHandThumb_pos[0] *= -1.0  # 翻转 x 轴leftHandIndex_pos[0] *= -1.0  # 翻转 x 轴leftHandMiddle_pos[0] *= -1.0  # 翻转 x 轴leftHandRing_pos[0] *= -1.0  # 翻转 x 轴leftHandThumb_pos = leftHandThumb_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandIndex_pos = leftHandIndex_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandMiddle_pos = leftHandMiddle_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵leftHandRing_pos = leftHandRing_pos @ wxyz_input_mat.T  # 应用逆旋转矩阵

转换左手方向，包括后处理、转换为欧拉角和四元数、重新排列和旋转四元数

        leftHand_rot = left_hand_wrist_ori  # 获取左手方向leftHand_rot = self.post_process_rokoko_ori(leftHand_rot)  # 后处理方向euler_angles = quat2euler(np.array([leftHand_rot[3], leftHand_rot[0], leftHand_rot[1], leftHand_rot[2]]))  # 转换为欧拉角quat_angles = euler2quat(-euler_angles[0], -euler_angles[1], euler_angles[2]).tolist()  # 转换为四元数leftHand_rot = np.array(quat_angles[1:] + quat_angles[:1])  # 重新排列四元数leftHand_rot = rotate_quaternion_xyzw(leftHand_rot, np.array([1.0, 0.0, 0.0]), np.pi / 2.0)  # 旋转四元数

处理右手数据，包括计算关节位置和更新左手目标可视化

        rightHand_pos = right_hand_pos[0]  # 获取右手位置rightHandThumb_pos = (right_hand_pos[4] - rightHand_pos)  # 计算右手拇指位置rightHandIndex_pos = (right_hand_pos[8] - rightHand_pos)  # 计算右手食指位置rightHandMiddle_pos = (right_hand_pos[12] - rightHand_pos)  # 计算右手中指位置rightHandRing_pos = (right_hand_pos[16] - rightHand_pos)  # 计算右手无名指位置leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos = self.post_process_rokoko_pos(leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos)  # 后处理左手位置leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos = self.update_target_vis_left(leftHand_rot, leftHandThumb_pos, leftHandIndex_pos, leftHandMiddle_pos, leftHandRing_pos)  # 更新左手目标可视化leapEndEffectorPos_2 = [leftHandIndex_pos,leftHandMiddle_pos,leftHandRing_pos,leftHandThumb_pos]  # 定义左手末端执行器位置

转换右手方向

计算逆运动学，用于计算左手和右手的逆运动学，得到关节位置

        jointPoses_2 = []for i in range(4):jointPoses_2 = jointPoses_2 + list(p.calculateInverseKinematics(self.LeapId_2, self.leapEndEffectorIndex[i], leapEndEffectorPos_2[i],lowerLimits=self.hand_lower_limits, upperLimits=self.hand_upper_limits, jointRanges=self.hand_joint_ranges,restPoses=self.HAND_Q.tolist(), maxNumIterations=1000, residualThreshold=0.001))[4 * i:4 * (i + 1)]jointPoses_2 = tuple(jointPoses_2)jointPoses = []for i in range(4):jointPoses = jointPoses + list(p.calculateInverseKinematics(self.LeapId, self.leapEndEffectorIndex[i], leapEndEffectorPos[i],lowerLimits=self.hand_lower_limits, upperLimits=self.hand_upper_limits, jointRanges=self.hand_joint_ranges,restPoses=self.HAND_Q.tolist(), maxNumIterations=1000, residualThreshold=0.001))[4 * i:4 * (i + 1)]jointPoses = tuple(jointPoses)

合并关节位置

        combined_jointPoses_2 = (jointPoses_2[0:4] + (0.0,) + jointPoses_2[4:8] + (0.0,) + jointPoses_2[8:12] + (0.0,) + jointPoses_2[12:16] + (0.0,))combined_jointPoses_2 = list(combined_jointPoses_2)combined_jointPoses = (jointPoses[0:4] + (0.0,) + jointPoses[4:8] + (0.0,) + jointPoses[8:12] + (0.0,) + jointPoses[12:16] + (0.0,))combined_jointPoses = list(combined_jointPoses)

更新手部关节

        # 更新手部关节for i in range(20):p.setJointMotorControl2(bodyIndex=self.LeapId,jointIndex=i,controlMode=p.POSITION_CONTROL,targetPosition=combined_jointPoses[i],targetVelocity=0,force=500,positionGain=0.3,velocityGain=1,)p.setJointMotorControl2(bodyIndex=self.LeapId_2,jointIndex=i,controlMode=p.POSITION_CONTROL,targetPosition=combined_jointPoses_2[i],targetVelocity=0,force=500,positionGain=0.3,velocityGain=1,)

重置手部位置和方向

        p.resetBasePositionAndOrientation(self.LeapId,rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, rightHand_rot),rightHand_rot,)after_left_offset_base = rotate_vector_by_quaternion_using_matrix(self.leap_center_offset, leftHand_rot)after_left_offset_base[1] += self.left_offsetp.resetBasePositionAndOrientation(self.LeapId_2,after_left_offset_base,leftHand_rot,)self.rest_target_vis()

映射结果到真实机器人

        # 映射结果到真实机器人real_right_robot_hand_q = np.array([0.0 for _ in range(16)])real_left_robot_hand_q = np.array([0.0 for _ in range(16)])real_right_robot_hand_q[0:4] = jointPoses[0:4]real_right_robot_hand_q[4:8] = jointPoses[4:8]real_right_robot_hand_q[8:12] = jointPoses[8:12]real_right_robot_hand_q[12:16] = jointPoses[12:16]real_right_robot_hand_q[0:2] = real_right_robot_hand_q[0:2][::-1]real_right_robot_hand_q[4:6] = real_right_robot_hand_q[4:6][::-1]real_right_robot_hand_q[8:10] = real_right_robot_hand_q[8:10][::-1]real_left_robot_hand_q[0:4] = jointPoses_2[0:4]real_left_robot_hand_q[4:8] = jointPoses_2[4:8]real_left_robot_hand_q[8:12] = jointPoses_2[8:12]real_left_robot_hand_q[12:16] = jointPoses_2[12:16]real_left_robot_hand_q[0:2] = real_left_robot_hand_q[0:2][::-1]real_left_robot_hand_q[4:6] = real_left_robot_hand_q[4:6][::-1]real_left_robot_hand_q[8:10] = real_left_robot_hand_q[8:10][::-1]

生成点云

        # 生成左手和右手的点云right_hand_pointcloud, left_hand_pointcloud = self.get_mesh_pointcloud(real_right_robot_hand_q, real_left_robot_hand_q)

进一步映射关节到真实机器人

        # 进一步映射关节到真实机器人real_right_robot_hand_q += np.pireal_left_robot_hand_q += np.pireal_left_robot_hand_q[0] = np.pi * 2 - real_left_robot_hand_q[0]real_left_robot_hand_q[4] = np.pi * 2 - real_left_robot_hand_q[4]real_left_robot_hand_q[8] = np.pi * 2 - real_left_robot_hand_q[8]real_left_robot_hand_q[12] = np.pi * 2 - real_left_robot_hand_q[12]real_left_robot_hand_q[13] = np.pi * 2 - real_left_robot_hand_q[13]

返回结果，该方法返回右手和左手的关节位置，以及生成的点云

        return real_right_robot_hand_q, real_left_robot_hand_q, right_hand_pointcloud, left_hand_pointcloud  # 返回结果

此外，像STEP2_build_dataset/utils.py这个代码文件里还有对于transform_left_leap_pointcloud_to_camera_frame的实现，其将右手LEAP点云转换到相机坐标系

第三部分 STEP3_train_policy

3.1 robomimic/algo

3.1.1 algo/algo.py

3.1.2 algo/bc.py

3.1.3 algo/bcq.py

3.1.4 algo/cql.py

3.1.5 algo/diffusion_policy.py

关于diffusion_policy.py的实现，详见此文《Diffusion Policy——斯坦福机器人UMI所用的扩散策略：从原理到其编码实现(含Diff-Control、ControlNet详解)》的第二部分 Diffusion Policy的编码实现与源码解读

// 待更

查看全文

http://www.mrgr.cn/news/71962.html

Mybatis Plus 集成 PgSQL 指南

Rust学习（二）：rust基础语法Ⅰ

[2024最新] java八股文实用版（附带原理）---java集合篇

网络安全web基础_HTML基础（扫盲篇）

【软考】系统架构设计师-计算机系统基础（2）：操作系统

SpringCloud篇（服务提供者/消费者）(持续更新迭代）

MATLAB基础应用精讲-【数模应用】Google Caffeine算法

Linux设置socks代理

Mapwindow5代码BUG记录1

AI与育儿领域的融合——探索未来的可能性

计算机毕业设计Python+大模型斗鱼直播可视化直播预测直播爬虫直播数据分析直播大数据大数据毕业设计机器学习深度学习

Day 63 || 拓扑排序、dijkstra

Javascript高级—DOM树的深度遍历和广度遍历

PyQt入门指南五十四依赖管理与打包发布

Android Framework AMS（14）ContentProvider分析-1(CP组件应用及开机启动注册流程解读)

深入FastAPI：路径参数、查询参数及其检校

计算机毕业设计Hadoop+Spark高考推荐系统高考分数线预测知识图谱高考数据分析可视化高考大数据大数据毕业设计 Hadoop 深度学习

元宇宙及其技术

Flink CDC（SQL Client）连接 MySQL 数据库教程

数据结构中的抽象数据类型、逻辑结构、存储结构等到底是什么？

前言