[Plotly] 測定点と軌跡ラインを"層構造"で組み合わせる: 3Dデータの関係性を立体的に理解する

はじめに

3Dデータでは、点（測定値）とライン（軌跡）が同時に現れるケースが多い。センサー軌道と計測点、ロボットの動作パスと観測データ、粒子の位置と移動ライン、時系列の点と補完軌跡など組み合わせはさまざま。これらを層構造として重ねれば、位置・流れ・傾向・外れ値まで一目で把握できるようになる。

この記事でできること

• 測定点（散布図）と軌跡ラインを同時に3D表示
• 点と線を"層"として重ねる構成
• 色・透明度・大きさで役割を分離し、読みやすくする
• Colabでそのまま動くコードつき

① 例データ：軌跡ライン＋測定点を用意

• らせん状の軌跡（ライン）
• 軌跡上にノイズを足した測定点（ポイント）

import plotly.graph_objects as go
import numpy as np

t = np.linspace(0, 6*np.pi, 300)

# 軌跡ライン（理想軌道）
x_line = np.sin(t)
y_line = np.cos(t)
z_line = t * 0.2

# 測定点（ノイズ入り）
noise = 0.15
x_points = x_line + np.random.randn(len(t)) * noise
y_points = y_line + np.random.randn(len(t)) * noise
z_points = z_line + np.random.randn(len(t)) * noise

② "層構造"で描画：まずは軌跡ライン

fig = go.Figure()

# 軌跡ライン（下層）
fig.add_trace(go.Scatter3d(
    x=x_line, y=y_line, z=z_line,
    mode="lines",
    line=dict(color="black", width=5),
    name="Trajectory"
))

• 太めの黒いラインで "基準となる軌道" を描く
• これが「最下層」

③ 次に測定点を重ねる（中層）

fig.add_trace(go.Scatter3d(
    x=x_points, y=y_points, z=z_points,
    mode="markers",
    marker=dict(
        size=4,
        color=z_points,
        colorscale="Viridis",
        opacity=0.7
    ),
    name="Measured Points"
))

• 測定点を"上層"に置いて、軌跡ラインと分離
• opacity を 0.7 にすると重なりが見やすい

④ 層をさらに分ける：外れ値だけ別レイヤー（上層）

例として Z軸方向に外れた点を強調する。

mask = np.abs(z_points - z_line) > 0.2

fig.add_trace(go.Scatter3d(
    x=x_points[mask],
    y=y_points[mask],
    z=z_points[mask],
    mode="markers",
    marker=dict(size=7, color="red", symbol="diamond"),
    name="Outliers"
))

• **"中層（通常点）"と"上層（外れ値）"**という 明確な層構造 ができる
• 測定システムの異常検知例として効果的

⑤ 背景を整えると層がより理解しやすくなる

fig.update_layout(
    scene=dict(
        xaxis=dict(backgroundcolor="rgb(245,245,245)"),
        yaxis=dict(backgroundcolor="rgb(245,245,245)"),
        zaxis=dict(backgroundcolor="rgb(250,250,250)"),
        aspectmode="data"
    ),
    title="Trajectory + Measurement Points (Layered Structure)"
)

fig.show()

結果：

• グレー背景 → 色の"層"の違いが際立つ
• 遠近感が強調され、軌跡と測定点の関係が理解しやすい

⑥ 層構造をより明確にするテクニック（応用）

ラインは太く、点は小さくすることで役割がひと目で分かる。透明度はラインを1.0、通常点を0.6、外れ値は1.0にして強弱を付けると見やすい。軌跡は黒などの単色、測定点は値で色分け、外れ値は赤で強調すると判別しやすい。さらに Bounding Box を合わせれば、データの広がりや領域まで直感的につかめる。

トラブルシュート

点と線が重なって見えない

→ ラインを太く、点を小さく

色が混ざる

→ 測定点を半透明に

点の数が多くて重い

→ t を間引く、または点を subsample

軸が歪む

→ aspectmode="data" を確認してみる

まとめ

測定点と軌跡ラインを重ねると、データ同士のつながりが立体的に見えてくる。通常点・外れ値・基準軌道といったレイヤーを分ければ、役割がひと目で判別しやすい。ラインは太め、点は小さめで透明度をつけ、外れ値は別色にすると視認性が大きく向上する。

センサー軌跡やロボット制御、時系列の3D分析にも有効で、立体の“層”が構造理解を強く後押ししてくれる。

解説動画

参考情報