本项目旨在开发一款布光助手，其核心功能模块包括： 参数生成模块：利用大语言模型生成符合特定场景需求的灯光参数。 AI代理交互模块：通过AI Agent与用户进行交互，接收用户输入并反馈生成的灯光参数。 Omniverse集成模块：将生成的灯光参数应用于Omniverse平台，模拟灯光位置和效果。 产品效果图模块：根据模拟结果生成高质量的产品效果图，供用户评估和决策。 对使用者来说，本项目能够实现以下功能： 自动化生成适应不同场景的灯光参数，简化布光过程。 实时预览灯光效果，提高布光效率和准确性。 生成高质量的产品效果图，辅助设计决策。 在本项目中，我负责以下任务： 设计并实现了参数生成模块，确保模型能够准确理解用户需求并生成合适的灯光参数。 构建了AI Agent，使用自然语言处理技术与用户进行有效沟通，提高了用户交互体验。 集成了Omniverse平台，确保灯光参数能够无缝应用于模拟环境中。 开发了产品效果图模块，使用高级渲染技术生成逼真的效果图。 技术栈包括： 大语言模型：用于理解和生成灯光参数。 自然语言处理：用于AI Agent与用户的交互。 Omniverse：用于模拟灯光位置和效果。 高级渲染技术：用于生成产品效果图。 最终成果： 成功实现了自动化布光参数生成，显著提高了布光效率。 用户能够实时预览灯光效果，提升了设计工作的准确性。 生成的效果图质量高，有效辅助了产品设计和决策过程。 难点：确保生成的灯光参数与实际场景的适配性，以及与Omniverse平台的无缝集成。 解决方案：通过不断迭代和优化大语言模型，提高了参数生成的准确性。同时，与Omniverse团队紧密合作，确保技术对接的顺畅。

我们的项目旨在利用Slam_ORB2算法结合AGV的惯性传导与视觉进行实时地图建模，以此实现对环境的快速感知和理解，并利用PNP检测机身与需要搬运的物体的距离，实现物理在三维世界里的孪生重现，从而实现智能化的物流搬运。 具体来说，我们使用了Slam_ORB2算法，该算法基于视觉特征的匹配来进行实时地图建模。通过在机器人上安装惯性传感器和摄像头，我们可以获取环境的3D信息，并生成实时的环境地图。在此基础上，我们还使用了AGV的惯性传导和视觉信息，进一步提高了地图的精度和准确性，从而为后续的物流搬运操作提供了有力的支撑。 在地图建模的基础上，我们还开发了pnp检测算法，该算法能够实时检测机身与需要搬运的物体的距离，并基于此生成物体在三维世界中的坐标。利用这些坐标信息，我们可以计算出逆解来控制机械臂，实现对物体的自动化搬运。