【翻译】广告牌技术教程:我的物体在哪里?

本文介绍了一种确定三维场景中物体世界坐标的方法。通过分析模型视图矩阵,并利用逆矩阵及转置矩阵运算,可以准确地计算出物体在世界坐标系中的位置。

When an object is placed in the world using translations and rotations it becomes hard to find its world coordinates. In this section a simple technique to find the whereabouts in world coordinates of an object is presented. It is assumed that the object is rendered in the local origin. The technique tells you where the local origin is in world coordinates.

当一个物体被使用平移和旋转操作而放置到世界坐标系中的时候,就很难直观的找到他在世界坐标空间中的坐标值。在这一部分一个简单的技巧可以用来找到当前物体在世界坐标系中的坐标值。假设物体是在局部坐标空间被渲染的。这个技巧告诉你局部坐标系的原点在世界坐标空间中的值。

 

Again we have to look at the modelview matrix. The position of the local origin in camera's coordinates is know, it is the v vector of the figure bellow. But since the local origin's position is dependent on both the camera's position and orientation, one can't just add that position to the camera position.

我们需要再一次观察模型视图矩阵。局部坐标原点在在相机空间中的坐标值是已知的,它就是下图中的v向量。但是由于局部坐标系原点的位置是由相机位置和旋转分量共同决定的,因此你不能简单的将局部坐标系原点的值加上相机的位置。

What is needed is to reverse the orientation of the camera back to a coordinate system with axis aligned with the world coordinate system, then we can add the camera position to the object's position relative to the camera. This sum will provide the position of the object in world coordinates.

所需要做的就是对相机进行逆操作使它处于这样一个坐标空间中,这个坐标空间的坐标轴和世界坐标系的坐标轴平行,接着我们便可以将照相机的位置加到物体位置上面。这个和就是物体位置在世界坐标空间的值。

In order to reverse the orientation of the camera we use the inverse of M1. As mentioned before, the inverse of M1 is the transpose.

 

The object's position in world coordinates is therefore given by the expression

为了逆操作相机我们使用M1矩阵的逆矩阵。正如先前提到的,M1的逆矩阵就是他的转置矩阵。因此物体位置的坐标在世界坐标空间的值就可以用这个表达式给出。

objPosWC = camPos + M1T * V

where camPos is the camera position in world coordinates, and M1T is the transpose of M1.

这个表达式里面camPos是相机的位置在世界坐标空间中的值,M1T矩阵是M1矩阵的转置矩阵。

转载于:https://www.cnblogs.com/huster-zj/archive/2013/04/13/whereIsMyObject.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值