體素化的案例
Abaqus二次開發-部件體素化（依據體素大小） ￥20
自上而下分別為模型名稱，部件名稱，新體素化部件名稱。
參數設定：
the length of the element: 單個體素的長(x方向)
the width of the element: 單個體素的寬(y方向)
the height of the element: 單個體素的高(z方向)
方向采用全局坐標系。
設定好之后就可以點擊ok進行轉化。
操作示例：
這里首先建立了一個簡單的立方體模型（用abaqus做的，比較隨便，不要介意），長寬高分別10，8，5為如圖所示：
運行插件，參數設定如圖所示：
點擊ok，進行體素轉換。結果如圖所示：
注意左下角，由于按單個體素的尺寸生成不可避免的會出現與原部件宏觀尺寸出現偏差，所以這里將偏差輸出，在（我的是）軟件下方的的日志窗口會輸出偏差值。
體素檢查：
首先將原部件與體素部件同時在裝配體中載入。利用abaqus自帶功能進行檢查。
其中，綠框是體素部件，藍框是原部件（這里將體素塊設定的太大了）。
這是對單個體素塊進行檢查，與設定一致。接下來對誤差進行檢查。
對原部件的8個頂點進行檢索：
對體素部件的8個頂點進行檢索：
然后就是計算問題了，經計算與輸出誤差一致。
插件說明
體素生成技術說明：
（與上一篇插件生成技術大致相同）
該插件首先根據部件的尺寸大小，構建出可以包裹部件的最小網格體，再遍歷每一個單元，根據單元的質心是否包絡再部件實體中，來決定單元的取舍。
展開 Abaqus二次開發-部件體素化(依據體素數目) ￥20
自上而下分別為模型名稱，部件名稱，新體素化部件名稱。
參數設定：
X: x方向上最大體素數
Y: y方向上最大體素數
Z: z方向上最大體素數
方向采用全局坐標系。
設定好之后就可以點擊ok進行轉化。
操作示例：
這里首先建立了一個平紋織物模型（用abaqus做的，比較隨便，有點丑，不要介意），如圖所示：
運行插件，參數設定如圖所示：
點擊ok，進行體素轉換。結果如圖所示：
對比：
插件說明
體素生成技術說明：
該插件首先根據部件的尺寸大小，構建出可以剛好包裹部件的網格體，再遍歷每一個單元，根據單元的質心是否包絡再部件實體中，來決定單元的取舍。
本次以一個球體來演示單元質心的包絡情況。如圖所示：
情況一：不包絡
情況二：包絡
在情況一中，單元質心在球體之外，未包絡，但是單元卻與部件接觸，這種情況，單元會判斷為None(也就是舍去),在情況二中，質心和單元都包絡在球體中，這種情況，單元會判斷為保留。這里就列舉這兩種情況。詳細關系見下表：
質心，單元與部件的位置關系對單元取舍的影響
其中，質心與單元都與部件進行接觸時（也就是說質心剛好在部件表面時），單元也進行保留。
這里的包絡是指質點或單元剛好被部件包裹的情況（也就是說其剛好在部件體內，不超出表面）。接觸是指與部件產生交集。
最后，當遍歷了每一個單元后，就可以完成部件體素的轉換。
注意：
由于要遍歷每一個單元，所以當單元總數較多時，比較耗時。
XYZ值越大，網格越細致，單元數愈多，耗時越長。
遍歷單元數可由XYZ的乘積簡單計算得出。
操作對象：單一part，不適用于殼模型。
體素大小不按尺寸定義。
展開 體素思想—三維機織（2.5D）復合材料參數化網格技術
image_process=/format,webp" data-initial-src="https://img.jishulink.com/202512/attachment/a4b4d9b46dc648e5abd437c2972ce7b0.png">
</figure>
</figure><p class="ql-align-center"> </p><figure style="text-align: center;"><figure class="figure-image" contenteditable="false" data-img="https://img.jishulink.com/202512/attachment/353ed1df8a384487823d5f2ea9a96d1b.png" style="display: inline-block;"><img src="https://img.jishulink.com/202512/attachment/353ed1df8a384487823d5f2ea9a96d1b.png"></figure></figure><p class="ql-align-center">靜界有限元體素網格技術</p><p class="ql-align-center"><strong>體素思路的實現</strong></p><p>我們之前已經能夠得到光滑的纖維網格了，所以體素方法對我來說很簡單。我只需要從均勻的基體網格中判斷，哪些單元被已有的纖維網格包裹了，就可以得到纖維的體素網格。</p><p>實際上，體素方法本身并不高端，它本質是一直暴力搜索的方法。從技術上來說，沒有什么美感。</p><p>唯一需要注意的是，為了保證纖維足夠的特征，我們需要先創建大規模的基體單元。
展開 echo_niko abaqus二次開發合集（持續更新）
<p>插件類</p><p><a href="https://www.yqgqt.org.cn/post/1929832" rel="noopener noreferrer" target="_blank">abaqus二次開發-蜂窩板夾芯材料（殼）生成插件_復合材料 ABAQUS二次開發-技術鄰 (jishulink.com)</a></p><p><a href="https://www.yqgqt.org.cn/post/1929762" rel="noopener noreferrer" target="_blank">Abaqus二次開發-部件體素化(依據體素數目)_ABAQUS ABAQUS二次開發-技術鄰 (jishulink.com)</a></p><p><a href="https://www.yqgqt.org.cn/post/1929971" rel="noopener noreferrer" target="_blank">Abaqus二次開發-部件體素化（依據體素大小）_ABAQUS ABAQUS二次開發-技術鄰 (jishulink.com)</a></p><p><a href="https://www.yqgqt.org.cn/post/1944705" rel="noopener noreferrer" target="_blank">粗糙網格插件工具-技術鄰 (jishulink.com)</a></p><p><a href="https://www.yqgqt.org.cn/post/1944717" rel="noopener noreferrer" target="_blank">隨機單元刪除插件_abaqus插件大全 abaqus插件合集-技術鄰 (jishulink.com)</a></p><p><a href="https:
展開 
AI時代，Simdroid-EC解鎖存儲芯片熱管理創新范式
在數字化浪潮與AI技術的雙重驅動下，全球數據量呈爆炸式增長。存儲芯片作為AI大模型、云計算及數據中心等應用場景中數據傳輸的核心載體，面臨前所未有的散熱壓力。以DeepSeek為例，其每秒處理萬億級參數時，存儲芯片需持續進行海量數據的高密度讀寫，功耗激增導致溫度飆升——這不僅顯著增加了能耗成本，更可能引發芯片性能衰減、壽命縮短，甚至帶來數據丟失、系統崩潰等災難性后果。
面對高密度、高速度（如3D NAND、HBM等先進架構）存儲產品的散熱挑戰，先進的仿真工具成為破解這一難題的關鍵。云道智造自主研發的伏圖-電子散熱模塊（Simdroid-EC），能夠精準模擬存儲芯片/模塊在不同工況下的溫度分布情況，有效監控產品關鍵位置的溫度，為工程師提供有針對性的散熱方案優化依據，確保存儲產品能夠穩定可靠地運行。
Simdroid-EC是基于伏圖（Simdroid）平臺開發的針對電子元器件、設備等散熱的專用熱仿真模塊，提供傳熱分析、流場分析以及穩態&瞬態分析功能，能夠進行自然冷卻、強迫冷卻及混合冷卻分析，同時具備變化功耗和變化環境的瞬態分析能力，適用于芯片產品的熱仿真評估。
本案例展示了Simdroid-EC在某儲存產品散熱仿真方面的應用亮點。
一、CAD模型導入
通過Simdroid-EC導入接口，可以直接導入外殼（.stp格式）模型文件，配合軟件內置的智能元件轉換與建模功能，利用體素化技術對幾何模型進行打散處理，將CAD體打散成軟件智能元件。另外，軟件提供三種不同的顏色渲染形式：材料顏色、類型顏色和自定義顏色，用戶可在三者之間自由切換。
展開 三坐標測量如何實現微米級精度？核心算法全解析
智能避讓路徑（如圓弧避撞）的核心在于精準的數學建模與空間解析：
1.碰撞體素化建模
將測頭、加長桿、工件、夾具等關鍵實體在測量空間內進行離散化表達，構建其運動包絡體的數學邊界模型，這是三坐標測量機（CMM）實現智能避撞的核心基礎。
體素化建模的本質是：用空間網格的“占位符”替代復雜幾何體，將碰撞問題轉化為高效的網格狀態查詢。它平衡了精度與速度，使三坐標能在微米級測量中實現“零碰撞”的智能運動控制，是算法“看見”物理空間的核心基石。
2.實時干涉檢測算法
基于計算幾何（如向量叉積判斷點線關系、分離軸定理SAT進行凸包快速碰撞測檢測），在路徑規劃時實時計算測頭系統與障礙物的最小距離。
關鍵技術1：向量叉積判斷點線關系
關鍵技術2：分離軸定理（SAT）
核心原理：兩凸體未碰撞 ? 存在一條分離軸，使兩物體在該軸上的投影區間不重疊。
向量叉積解決點/線/面之間的精確距離計算；分離軸定理解決凸體之間的碰撞存在性判斷。兩者結合，在保證微米級安全精度的同時，滿足三坐標運動控制的毫秒級實時響應需求，是智能避撞系統的“神經反射弧”。
實時干涉檢測算法的本質就是用計算幾何將物理碰撞問題轉化為高效的向量運算與投影區間判斷。
3.最優圓弧路徑生成
當檢測到潛在碰撞風險，算法自動計算“安全球半徑”與“切點”。依據空間解析幾何原理，生成繞過障礙物的最優圓弧路徑參數方程（圓心坐標、半徑、起止角）。其關鍵在于保證路徑連續光滑（C1或C2連續），避免測頭急停急啟引入振動誤差。
4.路徑平滑優化
應用樣條曲線（如B樣條、NURBS）對連接點進行平滑處理，確保測量運動平穩，減少動態誤差。
展開 基于Simdroid-EC的油冷變壓器自然冷卻熱仿真
圖9 線圈之間縫隙的網格約束
本案例使用簡化等效的塊來建立線圈和鐵芯模型，EC正在開發體素化、貼體網格功能，其后續版本將可以直接對導入的線圈和鐵芯進行模型打散、貼體網格劃分，如下圖所示。
圖10線圈鐵芯模型的體素化效果
圖11 線圈鐵芯模型的貼體化網格
11）設置冷卻油的標記點：在EC模塊里，對于混合冷卻而言，僅僅需要在液體流動的區域建立對應的流體標記點，并在屬性中新建對應的液體材料即可。點擊建立流體標記點，并將其拖拽到油箱內部（需要注意，此流體標記點需要避開線圈、貼心等模型）；最終在EC里完成變壓器的熱仿真模型。
圖12 油箱內建立冷卻油標記點
3、網格劃分及檢查
EC將前處理、求解計算及后處理集成一體，通過網格控制面板，可以對變壓器熱模型進行網格劃分，并查看網格結果、網格質量以及網格控制策略是否起作用。
EC可以單獨顯示封閉區域內液體的網格分布，本案例內冷卻油的網格分布如下，將局部區域放大，可以查看散熱片內網格的分布，以驗證施加的網格策略是否起作用。
圖13 油箱內冷卻油的網格分布
4、求解計算
在EC中點擊重新初始化并且計算，可以對當前的變壓器熱模型進行求解。
圖14 求解計算
5、后處理顯示
當計算收斂后，EC會自動將計算結果加載至后處理模塊。
展開 【科技前沿】打印出行走的軟體機器人
文章報道了一種多材料3D打印技術（MM3D），其通過在單個噴嘴噴出材料時的快速切換，實現了體素級的多材料功能結構的快速打印，極大地拓展了3D打印在復雜功能結構的制造能力。
圖1 多材料多噴嘴3D打印頭
通過立體光刻技術以單噴嘴，1D多噴嘴陣列和2D多噴嘴陣列的設計實現MM3D像素化打印。打印頭（噴嘴）內部具備有復雜的通道網絡，最多可以實現8種材料打印。
圖2 流動于MM3D打印頭的粘彈性墨水
他們通過壓力驅動流量實現更高頻的啟停動態，通過建模實現了對噴嘴幾何形狀和印刷壓力的設定，實現了穩定且高速的多材料打印。
圖3 打印體素
文中舉例，面對“較粘”的有機硅油墨和“較不粘”的蠟墨兩種材料，通過非對稱噴嘴的設定實現圖像的高保真打印。
為了證明MM3D打印對打印對象的組成、結構及特性的空間編程能力，文章列舉了打印折紙機構以及氣動行走機器人的兩個例子。
圖4 MM3D打印折紙
圖5 打印行走軟體機器人
展望未來，這種集成化的多材料打印噴頭將實現體素化功能性結構的快速打印，此外在打印分辨率和打印效率方面，定制化的打印墨水和打印結構的功能化同樣具有重要的研究和應用價值。
來源：《Nature》
視頻翻譯：紀錄片之家
免責聲明：本文系網絡轉載，版權歸原作者所有。如涉及版權，請聯系刪除！文中內容僅代表作者個人觀點，轉載不同于本平臺認同或者持有相同觀點。
展開 金屬增材制造數值模擬技術發展
需要注意的是，金屬增材制造過程中熱源掃描方式是引起零件材料力學性能（如彈性模量、屈服強度等）各向異性的關鍵因素，尤其是逐層旋轉掃描，“超級層”應包含足夠數目的沉積層，并采用均勻化處理后的材料力學性能。
逐層高效離散
采用“生死單元”模擬金屬增材制造零件的逐層打印過程時，首先需要將零件三維模型沿打印方向均勻切片（每層即為一個“超級層”），并逐層進行有限元離散。但現有的有限元網格劃分策略只適用于簡單規則形狀的零件，對于具有復雜型面的零件（如航空發動機渦輪葉片），在分層切片時，水平切面對葉片緣板、葉根圓弧過渡等部位進行切割，不可避免的會形成大量小角度（接近0°）、小厚度（接近0mm）等幾何特征，導致有限元網格質量下降，乃至網格劃分失敗，如圖3(a）所示。
基于體素（Voxel）的有限元網格劃分方法為金屬增材制造復雜零件的逐層離散提供了有效手段。體素是像素在三維空間的拓展，其形狀為固定大小的方塊，是表示三維物體的最小單元。基于這一概念，可以將原本由面片或者體積信息進行描述的三維幾何模型轉換為由體素信息描述的模型（即體素化），然后將每個體素轉換為有限元六面體單元。由于所有體素均具有相同的尺寸，每層體素可直接作為“超級層”。該方法可通過改變預設的體素尺寸，來實現對復雜幾何模型不同程度離散，如圖3(b）所示，體素尺寸越小，離散后的有限元模型與實際幾何模型符合程度越高，相應的計算量也越大。
圖3 逐層高效離散方法
力學行為求解法
對金屬增材制造過程中各層材料力學行為的準確求解是預測零件殘余應力及翹曲變形的關鍵環節，其前提是對殘余應力產生機制的認識，然后利用熱-力耦合法或固有應變法進行求解。
熱-力耦合法目前一般認為金屬增材制造零件內殘余應力主要來源于3個方面，如圖4所示。
展開 結構網格自適應（SAMR）——一種高效的多尺度問題解決方案
根據所采用的邊界模型，可以選擇性地對網格進行體素化，即對網格單元相對封閉幾何表面的內外關系進行標記（對于非封閉幾何（如平板），或者采用浸沒邊界條件，體素化過程并不是必須的）。
STL幾何模型
功能特性二：網格自適應
通過選取計算域物理場某個特征量作為加密依據，SAMR框架可以自動根據加密依據加密或粗化網格。例如在流動模擬中，選取速度梯度作為加密依據，速度梯度大則代表流場變化劇烈，通過加密該區域可以更精確解析流場。
跟隨特征的網格自適應示意圖
功能特性三：動態逐層負載均衡
自適應網格的計算負載必然是動態變化的，而SAMR體系上多采用多時間尺度推進算法，因此動態逐層負載均衡是保證效率必備的功能。區別于一般負載均衡策略，逐層特指各加密層級必須都是負載均衡的。下圖中，左圖呈現的是非逐層的負載均衡，右圖呈現的是逐層負載均衡。本框架針對負載均衡功能，采用了優化的任務分割策略和數據傳輸策略，實現了高效的動態負載均衡。
一般負載均衡與逐層負載均衡策略的差異
功能特性四：友好開發接口
SAMR框架通過容器化封裝，將網格、場和計算域等數據對象進行了容器化實現，屏蔽了底層復雜的眾核并行與MPI分布式并行相關數據結構和算法。用戶通過使用容器和容器提供的函數式編程接口（函數指針+迭代器），可以在SAMR框架上快速開發所需的物理模型或求解算法。
展開 邀請函｜2025 Altair 教育賦能：誠邀各大高校共建產品創新設計核心課程《面向3D打印的結構優化與創新設計》
增材制造（3D打印）技術正在經歷從實驗室研發到規模化應用的關鍵轉型期，其革命性價值在于突破了傳統制造工藝對設計創新的限制。這一突破主要得益于三大核心技術的協同創新：拓撲優化（Topology Optimization）技術實現了結構性能的極致提升，創成式設計（Generative Design）方法開拓了前所未有的設計空間，而增材制造工藝則將這些創新設計轉化為現實產品。這種"設計-優化-制造"的深度融合，正在重新定義現代制造業的可能性邊界。
隨著產業對"設計-仿真-制造"一體化人才的需求爆發式增長，高校教育面臨三大升級挑戰：
從幾何建模到性能驅動設計：學生需掌握基于物理場性能的結構重構方法；
從單純工藝到全流程協同：需貫通拓撲優化→工藝仿真→后處理驗證鏈路；
從單點技術到系統思維：理解增材設計如何重構供應鏈成本模型。
為了響應國家《中國制造2025》戰略，助力中國本土學校高效培養專業人才，Altair 計劃向全國高校共享增材制造領域的教學方案，有意向的高校可根據本文文末的要求提交合作申請。
為什么選擇 Altair Inspire？
Altair Inspire通過：
輕量化重構：不再局限于材料替換或幾何減薄，而是通過點陣填充、中空薄壁、異形拓撲，實現材料的高效分布與力學性能的精準匹配。
增材結構優化：Altair Inspire 等工具將制造約束（如支撐結構、懸垂角限制）直接融入優化算法，使設計結果既滿足性能需求，又符合工藝可行性。
隱式建模：擺脫傳統 CAD 的邊界表示限制，通過函數驅動、體素化生成，實現復雜晶格、多尺度結構的快速建模與優化迭代。
展開 
技術分享｜結構網格自適應（SAMR）——一種高效的多尺度問題解決方案
根據所采用的邊界模型，可以選擇性地對網格進行體素化，即對網格單元相對封閉幾何表面的內外關系進行標記（對于非封閉幾何（如平板），或者采用浸沒邊界條件，體素化過程并不是必須的）。</p><p class="ql-align-center"><img src="https://img.jishulink.com/202110/imgs/257b538fd9054dd0813f1424ad41ce24?image_process=/format,webp" alt="結構網格自適應（SAMR）——一種高效的多尺度問題解決方案的圖16" width="638"> </p><p class="ql-align-center">STL幾何模型</p><p class="ql-align-justify"><br></p><h3> 功能特性二：網格自適應 </h3><p class="ql-align-justify"> 通過選取計算域物理場某個特征量作為加密依據，SAMR框架可以自動根據加密依據加密或粗化網格。例如在流動模擬中，選取速度梯度作為加密依據，速度梯度大則代表流場變化劇烈，通過加密該區域可以更精確解析流場。</p><p class="ql-align-center"><img src="https://img.jishulink.com/202110/imgs/67146983b2ae4af89941ca277e40cc7d?
展開 自動駕駛之點云與圖像融合綜述
7b）三維語義分割
3D語義分割，根據對點云的處理方法，可以分為不同的方法，如：
基于點云體素的3DMV（從多個對齊的圖像中提取2D特征，然后投影到3D空間內，并與3D幾何圖像融合，并最終輸入到3DCNN中進行語義預測），為了減輕點云體素化引起的問題，還有UPF（該方法利用語義分割網絡提取渲染的多視圖圖像的特征，并投影到三維空間進行點特征融合，其中點云由兩個基于PointNet++的編碼器進行處理，提取局部和全局特征，然后進行點的語義標簽預測）、MVPNet（可以理解為融合了多視圖圖像語義和三維幾何圖形來預測每點的語義標簽）等。
SPLATNet是一種多模態數據融合的方法，主要采用稀疏雙邊卷積來實現空間感知表示學習和多模態（圖像和點云）推理。（個人覺得這篇文章的思路比較獨特，后面會專門解讀）。
7c）實例分割
實例分割本質上是語義分割和目標檢測的聯合。用于區分類中的單個實例來擴展語義分割任務。實例分割包括Proposal-based和Proposal-free-based兩種。
Proposal-based包括3D-SIS（基于ENet對多視圖提取特征，和下采樣，實現解決高分辨率圖像特征與低分辨率像素化點云特征圖不匹配問題的RGB-D體素實例分割的3DCNN網絡）和Panoptic-fusion（以RGB和深度圖作為輸入，然后通過關聯和積分方法跟蹤幀之間的標簽，并適用CRF來進行深度和語義分割，但這種方法不適合動態場景）。
Proposal-free-based代表性的為3DBEVIS，該方法主要是適用2D語義信息點在聚類方法上聯合執行3D語義和實例分割任務。
展開 Fidelity Pointwise中用于近體和離體網格的十六進制核心體素
作者Cadence CFD 解決方案
抽象的：非結構化網格劃分方法因其不斷提高的自動化程度而獲得關注，周轉速度比結構化網格技術快得多，但在質量和流動解決方案精度方面，流動域內部的四面體仍然無法替代結構化單元。與其選擇結構化網格形式，不如用 Cadence? Fidelity? Pointwise? Mesh Generation 的六核體素網格替換大量非結構化四面體，可以保留結構化網格提供的截斷誤差消除。體素網格化從少量根體素元素開始，然后通過八叉樹框架將其細化為尺寸字段規范。體素元素被分類為切割、在規定的表面網格內部或外部，從而導致元素集完全在表面網格邊界之外。
為什么要改進非結構化 Tet 網格？
三十年前，結構化（映射）網格是 CFD 研究和應用中的主要網格類型。隨著幾何形狀復雜性的增加，多塊結構化網格的構建很快成為解決方案周轉的瓶頸。這些限制啟動了對更有效的網格方法（即非結構化四面體網格）的研究，以自動填充一般空隙。
盡管這些方法的應用自動化程度不斷提高，周轉速度比結構化網格技術快得多，但在質量和流動解決方案精度方面，在流域內部使用四面體仍然不能很好地替代結構化單元。此外，tet 網格的生成成本很高，而且它們的求解精度可能會降低。
二進制和八叉樹結構
典型的空間二叉樹數據結構是節點的層次網絡，每個節點包含三個指針（父節點、左節點和右節點），節點角的六個實數，每個節點中根以下的層數分裂方向，以及節點子節點的分裂方向。典型的空間八叉樹數據結構類似，每個節點包含九個指針（父節點和八個子節點）、節點角的六個實數以及根以下的層數。
雖然二叉樹的節點包含較少的數據，但需要更多的節點來表示與八叉樹相同的分區。通過使用存儲指向子節點的固定長度數組的單個指針的塊表示，可以進一步減小數據結構的大小。
展開 自動駕駛多模態傳感器融合的綜述
因此，這里將其總結為基于點、基于體素和基于二維映射的點云數據格式，以適應異構深度學習模型。
數據級融合或前融合方法，通過空間對齊直接融合不同模式的原始傳感器數據。特征級融合或深度融合方法通過級聯或元素相乘在特征空間中混合跨模態數據。目標級融合方法將各模態模型的預測結果結合起來，做出最終決策。
一種新的分類法，將所有融合方法分為強融合和弱融合，如圖展示了二者之間的關系：
為性能比較，KITTI benchmark的3D檢測和鳥瞰目標檢測。如下兩個表分別給出BEV和3D的KITTI測試數據集上多模態融合方法的實驗結果。
根據激光雷達和攝像頭數據表示的不同組合階段，將強融合再分為前融合、深度融合、后融合和非對稱融合四類。作為研究最多的融合方法，強融合近年來取得了許多杰出的成就。
如圖所示：強融合的每個小類都高度依賴于激光雷達點云，而不是攝像頭數據。
前融合。數據級融合是一種通過原始數據級的空間對齊和投影直接融合每個模態數據的方法，與之不同的是，前融合在數據級是融合激光雷達數據，在數據級或特征級則融合攝像頭數據。一個例子如圖所示：
在激光雷達分支，點云可以是有反射圖、體素化張量、前視圖/距離視圖/鳥瞰視圖以及偽點云等形式。盡管所有這些數據都具有不同的內在特征，與激光雷達主干網高相關，但除了偽點云之外，大多數據通過基于規則的處理生成。此外，與特征空間嵌入相比，該階段的數據仍然具有可解釋性，因此所有這些激光雷達數據表示都直觀可視。
展開 