Сгенерируйте обнаружения видения для ведущего сценария
visionDetectionGenerator Система object™ генерирует обнаружения от монокулярного датчика камеры, смонтированного на автомобиле, оборудованном датчиком. На все обнаружения ссылаются к системе координат автомобиля, оборудованного датчиком или смонтированного транспортным средством датчика. Можно использовать visionDetectionGenerator объект в сценарии, содержащем агентов и траектории, которые можно создать при помощи drivingScenario объект. Используя статистический режим, генератор может симулировать действительные обнаружения с добавленным случайным шумом и также сгенерировать ложные сигнальные обнаружения. Кроме того, можно использовать visionDetectionGenerator объект создать вход к multiObjectTracker. При создании сценариев с помощью приложения Driving Scenario Designer датчики камеры, смонтированные на автомобиле, оборудованном датчиком, выводятся как visionDetectionGenerator объекты.
Сгенерировать визуальные обнаружения:
Создайте visionDetectionGenerator объект и набор его свойства.
Вызовите объект с аргументами, как будто это была функция.
Чтобы узнать больше, как Системные объекты работают, смотрите то, Что Системные объекты?
sensor = visionDetectionGenerator
sensor = visionDetectionGenerator(cameraConfig)monoCamera объект настройки, cameraConfig.
sensor = visionDetectionGenerator(Name,Value)visionDetectionGenerator('DetectionCoordinates','Sensor Cartesian','MaxRange',200) создает генератор обнаружения видения, который сообщает об обнаружениях в Декартовой системе координат датчика и имеет максимальную область значений обнаружения 200 метров. Заключите каждое имя свойства в кавычки.
dets = sensor(actors,time)dets, от измерений датчика, проведенных actors при текущей симуляции time. Объект может сгенерировать обнаружения датчика для нескольких агентов одновременно. Не включайте автомобиль, оборудованный датчиком как одного из агентов.
Чтобы включить этот синтаксис, установите DetectionOutput к 'Objects only'.
lanedets = sensor(laneboundaries,time)lanedets, от граничных структур маршрута, laneboundaries.
Чтобы включить этот синтаксис устанавливает DetectionOutput к 'Lanes only'. Детектор маршрута генерирует контуры маршрута, с промежутками заданные LaneUpdateInterval свойство.
lanedets = sensor(actors,laneboundaries,time)lanedets, от граничных структур маршрута, laneboundaries.
Чтобы включить этот синтаксис, установите DetectionOutput к 'Lanes with occlusion'. Детектор маршрута генерирует контуры маршрута, с промежутками заданные LaneUpdateInterval свойство.
[___, также возвращает количество допустимых обнаружений, о которых сообщают, numValidDets]
= sensor(___)numValidDets.
[___, также возвращает логическое значение, numValidDetsisValidTime]
= sensor(___)isValidTime, указание, что UpdateInterval время, чтобы сгенерировать обнаружения протекло.
[ возвращает оба обнаружения объектов, dets,numValidDets,isValidTime,lanedets,numValidLaneDets,isValidLaneTime] = sensor(actors,laneboundaries,time)dets, и обнаружения маршрута lanedets. Этот синтаксис также возвращает количество допустимых обнаружений маршрута, о которых сообщают, numValidLaneDets, и флаг, isValidLaneTime, указание, протекло ли необходимое время симуляции, чтобы сгенерировать обнаружения маршрута.
Чтобы включить этот синтаксис, установите DetectionOutput к 'Lanes and objects'.
actors — Положения агента сценарияАгент сценария позирует в виде структуры или массива структур. Каждая структура соответствует агенту. Можно сгенерировать эту структуру с помощью actorPoses функция. Можно также создать эти структуры вручную. Таблица показывает поля что объектное использование, чтобы сгенерировать обнаружения. Все другие поля проигнорированы.
| Поле | Описание |
|---|---|
ActorID | Заданный сценарием идентификатор агента в виде положительного целого числа. |
Position | Положение агента в виде вектора с действительным знаком из формы [x y z]. Величины в метрах. |
Velocity | Скорость (v) агента в x - y - и z - направления в виде вектора с действительным знаком из формы [v x v y v z]. Модули исчисляются в метрах в секунду. |
Roll | Крен агента в виде скаляра с действительным знаком. Модули в градусах. |
Pitch | Передайте угол агента в виде скаляра с действительным знаком. Модули в градусах. |
Yaw | Угол рыскания агента в виде скаляра с действительным знаком. Модули в градусах. |
AngularVelocity | Скорость вращения (ω) агента в x - y - и z - направления в виде вектора с действительным знаком из формы [ω x ω y ω z]. Модули в градусах в секунду. |
Для полных определений полей структуры смотрите actor и vehicle функции.
Чтобы включить этот аргумент, установите DetectorOutput свойство к 'Objects only', 'Lanes with occlusion', или 'Lanes and objects'.
laneboundaries — Контуры маршрутаКонтуры маршрута в виде массива граничных структур маршрута. Таблица показывает поля для каждой структуры.
| Поле | Описание |
| Контур маршрута координирует в виде N с действительным знаком-by-3 матрицу, где N является количеством координат контура маршрута. Координаты контура маршрута задают положение точек на контуре на заданных продольных расстояниях далеко от автомобиля, оборудованного датчиком вдоль центра дороги.
Эта матрица также включает граничные координаты в нулевое расстояние от автомобиля, оборудованного датчиком. Эти координаты налево и право на источник автомобиля, оборудованного датчиком, который расположен под центром задней оси. Величины в метрах. |
| Искривление контура маршрута для каждой строки Coordinates матрица в виде N с действительным знаком-by-1 вектор. N является количеством координат контура маршрута. Модули исчисляются в радианах на метр. |
| Производная искривления контура маршрута для каждой строки Coordinates матрица в виде N с действительным знаком-by-1 вектор. N является количеством координат контура маршрута. Модули исчисляются в радианах на квадратный метр. |
| Начальный угол рыскания контура маршрута в виде действительного скаляра. Угол рыскания контура маршрута относительно заголовка автомобиля, оборудованного датчиком. Модули в градусах. |
| Боковое смещение положения автомобиля, оборудованного датчиком от контура маршрута в виде действительного скаляра. Смещение к контуру маршрута слева от автомобиля, оборудованного датчиком положительно. Смещение справа от автомобиля, оборудованного датчиком отрицательно. Величины в метрах. В этом изображении автомобиль, оборудованный датчиком возмещен в 1,5 метрах от левого маршрута и в 2,1 метрах от правильного маршрута.
|
| Тип контура маршрута, отмечающего в виде одного из этих значений:
|
| Сила насыщения контура маршрута, отмечающего в виде действительного скаляра от 0 до 1. Значение |
| Ширина контура маршрута в виде положительного действительного скаляра. В маркере маршрута двойной линии та же ширина используется для обеих линий и для пробела между линиями. Величины в метрах. |
| Длина тире в пунктирных линиях в виде положительного действительного скаляра. В маркере маршрута двойной линии та же длина используется для обеих линий. |
| Продолжительность пробела между тире в пунктирных линиях в виде положительного действительного скаляра. В пунктирном маркере маршрута двойной линии то же пространство используется для обеих линий. |
Чтобы включить этот аргумент, установите DetectorOutput свойство к 'Lanes only', 'Lanes with occlusion', или 'Lanes and objects'.
Типы данных: struct
time — Текущее время симуляцииТекущее время симуляции в виде положительного действительного скаляра. drivingScenario вызовы объектов генератор обнаружения видения в интервалах постоянного времени. Детектор видения генерирует новые обнаружения, с промежутками заданные UpdateInterval свойство. Значения UpdateInterval и LanesUpdateInterval свойства должны быть целочисленным кратным интервал времени симуляции. Обновления, которые требуют от датчика между интервалами обновления, не содержат обнаружений. Величина в секундах.
Пример: 10.5
Типы данных: double
Чтобы использовать объектную функцию, задайте Системный объект как первый входной параметр. Например, чтобы выпустить системные ресурсы Системного объекта под названием obj, используйте этот синтаксис:
release(obj)
Сгенерируйте обнаружения с помощью автомобильного датчика видения по ходу движения, смонтированного на автомобиле, оборудованном датчиком. Примите, что существует два целевых транспортных средства:
Транспортное средство 1 непосредственно перед автомобилем, оборудованным датчиком и перемещающийся на той же скорости.
Транспортное средство 2 транспортных средства управляет быстрее, чем автомобиль, оборудованный датчиком на 12 км/ч в левом маршруте.
Все положения, скорости и измерения относительно автомобиля, оборудованного датчиком. Запустите симуляцию для десяти шагов.
dt = 0.1; car1 = struct('ActorID',1,'Position',[100 0 0],'Velocity', [5*1000/3600 0 0]); car2 = struct('ActorID',2,'Position',[150 10 0],'Velocity',[12*1000/3600 0 0]);
Создайте автомобильный датчик видения, возмещающий местоположение от автомобиля, оборудованного датчиком. По умолчанию местоположение датчика в (3.4,0) метры от центра транспортного средства и 1,1 метра над землей плоскость.
sensor = visionDetectionGenerator('DetectionProbability',1, ... 'MinObjectImageSize',[5 5],'MaxRange',200,'DetectionCoordinates','Sensor Cartesian'); tracker = multiObjectTracker('FilterInitializationFcn',@initcvkf, ... 'ConfirmationParameters',[3 4],'NumCoastingUpdates',6);
Сгенерируйте визуальные обнаружения для агентов неэго, когда они перемещаются. Выходные обнаружения формируют массив ячеек. Извлеките только информацию о положении из обнаружений, чтобы передать multiObjectTracker, который ожидает только информацию о положении. Затем обновите средство отслеживания для каждого нового набора обнаружений.
simTime = 0; nsteps = 10; for k = 1:nsteps dets = sensor([car1 car2],simTime); n = size(dets,1); for k = 1:n meas = dets{k}.Measurement(1:3); dets{k}.Measurement = meas; measmtx = dets{k}.MeasurementNoise(1:3,1:3); dets{k}.MeasurementNoise = measmtx; end [confirmedTracks,tentativeTracks,allTracks] = updateTracks(tracker,dets,simTime); simTime = simTime + dt; car1.Position = car1.Position + dt*car1.Velocity; car2.Position = car2.Position + dt*car2.Velocity; end
Используйте birdsEyePlot создать вид сверху обнаружений. Постройте зону охвата датчика. Извлеките положения X и Y целей путем преобразования Measurement поля ячейки в массив MATLAB®. Затем постройте обнаружения с помощью birdsEyePlot функции.
BEplot = birdsEyePlot('XLim',[0 220],'YLim',[-75 75]); caPlotter = coverageAreaPlotter(BEplot,'DisplayName','Vision Coverage Area'); plotCoverageArea(caPlotter,sensor.SensorLocation,sensor.MaxRange, ... sensor.Yaw,sensor.FieldOfView(1)) detPlotter = detectionPlotter(BEplot,'DisplayName','Vision Detections'); detPos = cellfun(@(d)d.Measurement(1:2),dets,'UniformOutput',false); detPos = cell2mat(detPos')'; if ~isempty(detPos) plotDetection(detPlotter,detPos) end
Создайте датчик видения при помощи монокулярной настройки камеры и сгенерируйте обнаружения от того датчика.
Задайте внутренние параметры камеры и создайте monoCamera объект от этих параметров. Камера смонтирована сверху автомобиля, оборудованного датчиком на высоте 1,5 метров над землей и тангаже 1 степени к земле.
focalLength = [800 800];
principalPoint = [320 240];
imageSize = [480 640];
intrinsics = cameraIntrinsics(focalLength,principalPoint,imageSize);
height = 1.5;
pitch = 1;
monoCamConfig = monoCamera(intrinsics,height,'Pitch',pitch);Создайте генератор обнаружения видения с помощью монокулярной настройки камеры.
visionSensor = visionDetectionGenerator(monoCamConfig);
Сгенерируйте ведущий сценарий с автомобилем, оборудованным датчиком и двумя целевыми автомобилями. Расположите первый целевой автомобиль 30 метров непосредственно перед автомобилем, оборудованным датчиком. Расположите второй целевой автомобиль 20 метров перед автомобилем, оборудованным датчиком, но возместите налево на 3 метра.
scenario = drivingScenario; egoVehicle = vehicle(scenario,'ClassID',1); targetCar1 = vehicle(scenario,'ClassID',1,'Position',[30 0 0]); targetCar2 = vehicle(scenario,'ClassID',1,'Position',[20 3 0]);
Используйте видимый с большого расстояния график отобразить основы транспортного средства и зону охвата датчика.
figure bep = birdsEyePlot('XLim',[0 50],'YLim',[-20 20]); olPlotter = outlinePlotter(bep); [position,yaw,length,width,originOffset,color] = targetOutlines(egoVehicle); plotOutline(olPlotter,position,yaw,length,width); caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area','FaceColor','blue'); plotCoverageArea(caPlotter,visionSensor.SensorLocation,visionSensor.MaxRange, ... visionSensor.Yaw,visionSensor.FieldOfView(1))
Получите положения целевых автомобилей с точки зрения автомобиля, оборудованного датчиком. Используйте эти положения, чтобы сгенерировать обнаружения от датчика.
poses = targetPoses(egoVehicle); [dets,numValidDets] = visionSensor(poses,scenario.SimulationTime);
Отобразитесь (X, Y) положения допустимых обнаружений. Для каждого обнаружения, (X, Y) положения являются первыми двумя значениями Measurement поле .
for i = 1:numValidDets XY = dets{i}.Measurement(1:2); detXY = sprintf('Detection %d: X = %.2f meters, Y = %.2f meters',i,XY); disp(detXY) end
Detection 1: X = 19.09 meters, Y = 2.79 meters Detection 2: X = 27.81 meters, Y = 0.08 meters
Создайте ведущий сценарий, содержащий автомобиль, оборудованный датчиком и целевое транспортное средство, перемещающееся вдоль трехполосной дороги. Обнаружьте контуры маршрута при помощи генератора обнаружения видения.
scenario = drivingScenario;
Создайте трехполосную дорогу при помощи технических требований маршрута.
roadCenters = [0 0 0; 60 0 0; 120 30 0];
lspc = lanespec(3);
road(scenario,roadCenters,'Lanes',lspc);
Укажите, что автомобиль, оборудованный датчиком следует за центральным маршрутом на уровне 30 м/с.
egovehicle = vehicle(scenario,'ClassID',1);
egopath = [1.5 0 0; 60 0 0; 111 25 0];
egospeed = 30;
smoothTrajectory(egovehicle,egopath,egospeed);
Укажите, что целевые перемещения транспортного средства перед автомобилем, оборудованным датчиком на уровне 40 м/с и перестраиваются на другую полосу близко к автомобилю, оборудованному датчиком.
targetcar = vehicle(scenario,'ClassID',1);
targetpath = [8 2; 60 -3.2; 120 33];
targetspeed = 40;
smoothTrajectory(targetcar,targetpath,targetspeed);
Отобразите график преследования для 3-D представления сценария из-за автомобиля, оборудованного датчиком.
chasePlot(egovehicle)
Создайте генератор обнаружения видения, который обнаруживает маршруты и объекты. Тангаж датчика указывает одну степень вниз.
visionSensor = visionDetectionGenerator('Pitch',1.0); visionSensor.DetectorOutput = 'Lanes and objects'; visionSensor.ActorProfiles = actorProfiles(scenario);
Запустите симуляцию.
Создайте видимый с большого расстояния график и связанные плоттеры.
Отобразите зону охвата датчика.
Отобразите маркировки маршрута.
Получите положения основной истины целей на дороге.
Получите идеальные граничные точки маршрута до 60 м вперед.
Сгенерируйте обнаружения от идеальных целевых положений и контуров маршрута.
Отобразите схему цели.
Обнаружения экранного объекта, когда обнаружение объектов допустимо.
Отобразите контур маршрута, когда обнаружение маршрута будет допустимо.
bep = birdsEyePlot('XLim',[0 60],'YLim',[-35 35]); caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area', ... 'FaceColor','blue'); detPlotter = detectionPlotter(bep,'DisplayName','Object detections'); lmPlotter = laneMarkingPlotter(bep,'DisplayName','Lane markings'); lbPlotter = laneBoundaryPlotter(bep,'DisplayName', ... 'Lane boundary detections','Color','red'); olPlotter = outlinePlotter(bep); plotCoverageArea(caPlotter,visionSensor.SensorLocation,... visionSensor.MaxRange,visionSensor.Yaw, ... visionSensor.FieldOfView(1)); while advance(scenario) [lmv,lmf] = laneMarkingVertices(egovehicle); plotLaneMarking(lmPlotter,lmv,lmf) tgtpose = targetPoses(egovehicle); lookaheadDistance = 0:0.5:60; lb = laneBoundaries(egovehicle,'XDistance',lookaheadDistance,'LocationType','inner'); [obdets,nobdets,obValid,lb_dets,nlb_dets,lbValid] = ... visionSensor(tgtpose,lb,scenario.SimulationTime); [objposition,objyaw,objlength,objwidth,objoriginOffset,color] = targetOutlines(egovehicle); plotOutline(olPlotter,objposition,objyaw,objlength,objwidth, ... 'OriginOffset',objoriginOffset,'Color',color) if obValid detPos = cellfun(@(d)d.Measurement(1:2),obdets,'UniformOutput',false); detPos = vertcat(zeros(0,2),cell2mat(detPos')'); plotDetection(detPlotter,detPos) end if lbValid plotLaneBoundary(lbPlotter,vertcat(lb_dets.LaneBoundaries)) end end
Сгенерируйте обнаружения от идеального датчика видения и сравните эти обнаружения с единицами от шумного датчика. Идеальный датчик является тем, который всегда генерирует обнаружения без ложных положительных сторон и никакого добавленного случайного шума.
Создайте ведущий сценарий
Создайте ведущий сценарий, в который автомобиль, оборудованный датчиком расположен перед диагональным массивом целевых автомобилей. С этой настройкой можно позже построить ковариации шума измерения обнаруженных целей, не имея целевых автомобилей, закрывают друг друга.
scenario = drivingScenario; egoVehicle = vehicle(scenario,'ClassID',1); numTgts = 6; x = linspace(20,50,numTgts)'; y = linspace(-20,0,numTgts)'; x = [x;x(1:end-1)]; y = [y;-y(1:end-1)]; numTgts = numel(x); for m = 1:numTgts vehicle(scenario,'ClassID',1,'Position',[x(m) y(m) 0]); end
Постройте ведущий сценарий в видимом с большого расстояния графике.
bep = birdsEyePlot('XLim',[0 60]); legend('hide') olPlotter = outlinePlotter(bep); [position,yaw,length,width,originOffset,color] = targetOutlines(egoVehicle); plotOutline(olPlotter,position,yaw,length,width, ... 'OriginOffset',originOffset,'Color',color)
Создайте идеальный датчик видения
Создайте датчик видения при помощи visionDetectionGenerator Система object™. Чтобы сгенерировать идеальные обнаружения, установите DetectionProbability к 1, FalsePositivesPerImage к 0, и HasNoise к false.
DetectionProbability = 1 — Датчик всегда генерирует обнаружения для цели, пока цель не закрывается и соответствует области значений, скорости и ограничениям размера изображения.
FalsePositivesPerImage = 0 — Датчик генерирует обнаружения только от действительных целей в ведущем сценарии.
HasNoise = false — Датчик не добавляет случайный шум в положение, о котором сообщают, и скорость цели. Однако objectDetection объектам, возвращенным датчиком, установили значения шума измерения на шумовое отклонение, которое было бы добавлено если HasNoise был true. С этими шумовыми значениями можно обработать идеальные обнаружения с помощью multiObjectTracker. Этот метод полезен для анализа задержки маневра, не будучи должен запустить длительные симуляции Монте-Карло.
idealSensor = visionDetectionGenerator( ... 'SensorIndex',1, ... 'UpdateInterval',scenario.SampleTime, ... 'SensorLocation',[0.75*egoVehicle.Wheelbase 0], ... 'Height',1.1, ... 'Pitch',0, ... 'Intrinsics',cameraIntrinsics(800,[320 240],[480 640]), ... 'BoundingBoxAccuracy',50, ... % Make the noise large for illustrative purposes 'ProcessNoiseIntensity',5, ... 'MaxRange',60, ... 'DetectionProbability',1, ... 'FalsePositivesPerImage',0, ... 'HasNoise',false, ... 'ActorProfiles',actorProfiles(scenario))
idealSensor =
visionDetectionGenerator with properties:
SensorIndex: 1
UpdateInterval: 0.0100
SensorLocation: [2.1000 0]
Height: 1.1000
Yaw: 0
Pitch: 0
Roll: 0
Intrinsics: [1x1 cameraIntrinsics]
DetectorOutput: 'Objects only'
FieldOfView: [43.6028 33.3985]
MaxRange: 60
MaxSpeed: 100
MaxAllowedOcclusion: 0.5000
MinObjectImageSize: [15 15]
DetectionProbability: 1
FalsePositivesPerImage: 0
Show all properties
Постройте зону охвата идеального датчика видения.
legend('show') caPlotter = coverageAreaPlotter(bep,'DisplayName','Coverage area','FaceColor','blue'); mountPosition = idealSensor.SensorLocation; range = idealSensor.MaxRange; orientation = idealSensor.Yaw; fieldOfView = idealSensor.FieldOfView(1); plotCoverageArea(caPlotter,mountPosition,range,orientation,fieldOfView);
Симулируйте идеальные обнаружения видения
Получите положения целей. Положения находятся в координатах автомобиля, оборудованного датчиком.
gTruth = targetPoses(egoVehicle);
Сгенерируйте обнаружения видения, к которым добавляют метку времени. Эти обнаружения возвращены как массив ячеек objectDetection объекты.
time = scenario.SimulationTime; dets = idealSensor(gTruth,time);
Смотрите отклонение шума измерения и измерения первого (крайнего левого) обнаружения. Даже при том, что обнаружение идеально и поэтому не имеет никакого добавленного случайного шума, MeasurementNoise свойство показывает значения, как будто обнаружение действительно имело шум.
dets{1}.Measurementans = 6×1
31.0000
-11.2237
0
0
0
0
dets{1}.MeasurementNoiseans = 6×6
1.5427 -0.5958 0 0 0 0
-0.5958 0.2422 0 0 0 0
0 0 100.0000 0 0 0
0 0 0 0.5398 -0.1675 0
0 0 0 -0.1675 0.1741 0
0 0 0 0 0 100.0000
Постройте идеальные обнаружения и замещающие знаки для контура с 2 сигмами ковариации шума измерения.
pos = cell2mat(cellfun(@(d)d.Measurement(1:2)',dets, ... 'UniformOutput',false)); cov = reshape(cell2mat(cellfun(@(d)d.MeasurementNoise(1:2,1:2),dets, ... 'UniformOutput',false))',2,2,[]); plotter = trackPlotter(bep,'DisplayName','Ideal detections', ... 'MarkerEdgeColor','blue','MarkerFaceColor','blue'); sigma = 2; plotTrack(plotter,pos,sigma^2*cov)
Симулируйте шумные обнаружения для сравнения
Создайте шумный датчик на основе свойств идеального датчика.
noisySensor = clone(idealSensor); release(noisySensor) noisySensor.HasNoise = true;
Сбросьте ведущий сценарий назад к его исходному состоянию.
restart(scenario)
Соберите статистические данные от шумных обнаружений.
numMonte = 1e3; pos = []; for itr = 1:numMonte time = scenario.SimulationTime; dets = noisySensor(gTruth,time); % Save noisy measurements pos = [pos;cell2mat(cellfun(@(d)d.Measurement(1:2)',dets,'UniformOutput',false))]; advance(scenario); end
Постройте шумные обнаружения.
plotter = detectionPlotter(bep,'DisplayName','Noisy detections', ... 'Marker','.','MarkerEdgeColor','red','MarkerFaceColor','red'); plotDetection(plotter,pos)
Датчик видения моделирует монокулярную камеру, которая производит 2D изображения камеры. Чтобы спроектировать координаты этих 2D изображений в 3-D мировые координаты, используемые в ведущих сценариях, алгоритм датчика принимает, что z, позиционный (высота) всех точек изображений базового края ограничительной рамки цели изображений, лежит на земле. Плоскость, задающая землю, задана свойством высоты генератора обнаружения видения, который задает смещение монокулярной камеры над землей плоскость. С этой проекцией вертикальные местоположения объектов в произведенных изображениях строго коррелируются к их высотам выше дороги. Однако, если дорога не является плоской, и высоты объектов отличаются от высоты датчика, то датчик сообщает о неточных обнаружениях. Для примера, который показывает это поведение, смотрите Обнаружения Датчика Видения Модели.
lidarPointCloudGenerator | objectDetection | drivingScenario | laneMarking | lanespec | monoCamera | multiObjectTracker | drivingRadarDataGenerator | insSensor