Immersal SDK 示例项目使用教程
1. 项目介绍
Immersal SDK 示例项目是一个展示如何使用 Immersal SDK 进行增强现实(AR)应用开发的示例集合。该项目包含多个示例场景,展示了 Immersal SDK 的各种功能,如多地图定位、内容放置、导航等。通过这些示例,开发者可以快速了解和掌握 Immersal SDK 的使用方法,并将其应用到自己的 AR 项目中。
2. 项目快速启动
2.1 环境准备
- Unity 版本: 2022.3 LTS 或更高版本
- AR Foundation: 5+
- Immersal SDK: 从 Immersal 开发者门户下载最新版本的 Unity 插件
2.2 安装步骤
-
克隆项目仓库
git clone https://github.com/immersal/immersal-sdk-samples.git -
导入 Immersal SDK 插件
- 打开 Unity,点击
Open Project,导航到克隆的项目文件夹并打开。 - 点击
Assets -> Import Package -> Custom Package,选择下载的ImmersalSDKvX_X_X.unitypackage文件并导入。
- 打开 Unity,点击
-
安装依赖包
- 打开
Window -> Package Manager。 - 安装
AR Foundation、ARCore XR Plugin、ARKit XR Plugin和TextMesh Pro(如果需要)。
- 打开
2.3 运行示例场景
- 打开 Unity 项目。
- 导航到
Assets/Samples/Immersal SDK Core/2.0.0/Core Samples/Scenes/目录。 - 双击任意示例场景(如
MultimapSampleScene)并运行。
3. 应用案例和最佳实践
3.1 多地图定位示例
MultimapSampleScene 展示了如何使用多个预先生成的地图进行设备定位,并在 AR 空间中显示 3D 对象。开发者可以通过此示例学习如何创建和管理多个地图,并在不同场景中进行定位。
3.2 内容放置示例
ContentPlacementSample 允许用户在 AR 空间中放置对象,并将其位置保存到本地。虽然这些位置不会在设备间持久化,但开发者可以通过此示例学习如何在 AR 环境中进行对象的动态放置和管理。
3.3 导航示例
NavigationSample 提供了一个 AR 导航的示例,展示了如何在 AR 环境中进行路径引导。开发者可以通过此示例学习如何结合地图数据和 AR 技术进行导航应用的开发。
4. 典型生态项目
4.1 Immersal SDK Magic Leap 2 示例
Immersal SDK 还提供了针对 Magic Leap 2 设备的示例项目,展示了如何在 Magic Leap 2 上使用 Immersal SDK 进行 AR 开发。开发者可以通过此项目了解如何在 Magic Leap 2 设备上集成和使用 Immersal SDK。
4.2 Immersal SDK Unity 示例
除了 GitHub 上的示例项目,Immersal 还提供了官方的 Unity 示例项目,开发者可以通过 Unity 的 Package Manager 下载并导入这些示例,进一步学习和掌握 Immersal SDK 的使用。
通过这些示例和生态项目,开发者可以快速上手 Immersal SDK,并将其应用到各种 AR 应用场景中。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00