Smalltalk的变量

本文介绍了ST80变量的分类,包括私有变量(实例变量、临时变量)和公有变量(Class变量、全局变量、Pool变量)。详细说明了实例变量中普通变量和索引变量的特点及操作方式,还提及索引变量在ST80和Squeak中的不同实现,最后介绍了共享变量的访问和申明方法。

ST80的变量可以分为两大类:私有变量公有变量

私有变量包括实例变量临时变量两种。实例变量允许实例的所有函数(方法)访问,临时变量则是某一个函数的私有变量。一个类的子类的实例也可以访问实例变量。

公有变量则包括Class变量全局变量Pool变量三种。

Class变量允许一个类极其子类的所有实例访问。全局变量允许所有的类实例访问。 Pool变量则允许一部分的类的实例访问。

实例变量实例变量分为普通变量索引变量两种。

普通变量跟其他语言类似,其初始化过程在实例被创建的时候进行,缺省为nil(五个保留变量之一),当然也可以明确指定。

索引变量的申明何访问的方式都与普通变量不同。实际上索引变量可以简单理解为一个可变长度的数组。通过at:at:put:(实际上是ST80的32个特殊函数之一)可以对其进行存取操作。例如:
var1 at: 1 获取索引变量的第一个值。
var1 at:2 put: ’abc’ 设置索引变量的第二个值为字符串对象’abc’。

为什么设计者会采用索引变量这样一个概念呢,或许我不应该胡乱猜测,但是我需要一个可以让我理解的理由。由于ST80只支持单一继承,所以很容易理解, at:和at:put:这两个函数在基础类Object中被定义。如果看一下Squeak的代码不难发现,这两个函数的实现是两个原语操作(primitive)代号为60和61。实际上我很不愿意看到Smalltalk这点小秘密,因为在我心中她是那样完美和谐的面向对象语言。但是毕竟我们目前还不得不面对不了冯·诺伊曼型计算机的这一现实。将机械语言的能力封装到合适的地方是不得已的选择。实际上,ST80的Array类的实现就是使用了索引变量,不过这一情况在Squeak中已经发生变化。虽然还不能完全肯定,但是我感觉Squeak中已经没有明确的索引变量这一概念了。或许在 ST80中,索引变量还是作为对象的一部分而实现的,在Squeak中,已经变成了独立的对象。如果事实也正如我所料的话,我将很高兴看到这一点,因为虽然只是形式上的变化,但是感觉却更加和谐了。

共享变量有三种,虽然名称不一样,实质上都可以看作是在smalltalk中被称为pool变量的这样一个东西,只不过其各自的作用范围不同而已。

Class变量和pool变量的访问方法跟普通的变量并没有什么差别,只是申明的地方不一样,如果看一下squeak的代码不难发现:
instanceVariableNames:用来申明实例变量。
classVariableNames:用来申明class变量。
poolDictionaries:用来申明pool变量。

而全局变量则通过Smalltalk这个特殊的保留变量名进行访问。其实质是一个哈希表。例如:

Smalltalk at: #var1 用来获取全局变量var1的值。
Smalltalk at:#var1 put: 1 则是将全局变量var1的值设为1。



本文是原创文章,转载请注明出处,谢绝商业目的的转载。

同步定位与地图构建(SLAM)技术为移动机器人或自主载具在未知空间中的导航提供了核心支撑。借助该技术,机器人能够在探索过程中实时构建环境地图并确定自身位置。典型的SLAM流程涵盖传感器数据采集、数据处理、状态估计及地图生成等环节,其核心挑战在于有效处理定位与环境建模中的各类不确定性。 Matlab作为工程计算与数据可视化领域广泛应用的数学软件,具备丰富的内置函数与专用工具箱,尤其适用于算法开发与仿真验证。在SLAM研究方面,Matlab可用于模拟传感器输出、实现定位建图算法,并进行系统性能评估。其仿真环境能显著降低实验成本,加速算法开发与验证周期。 本次“SLAM-基于Matlab的同步定位与建图仿真实践项目”通过Matlab平台完整再现了SLAM的关键流程,包括数据采集、滤波估计、特征提取、数据关联与地图更新等核心模块。该项目不仅呈现了SLAM技术的实际应用场景,更为机器人导航与自主移动领域的研究人员提供了系统的实践参考。 项目涉及的核心技术要点主要包括:传感器模型(如激光雷达与视觉传感器)的建立与应用、特征匹配与数据关联方法、滤波器设计(如扩展卡尔曼滤波与粒子滤波)、图优化框架(如GTSAM与Ceres Solver)以及路径规划与避障策略。通过项目实践,参与者可深入掌握SLAM算法的实现原理,并提升相关算法的设计与调试能力。 该项目同时注重理论向工程实践的转化,为机器人技术领域的学习者提供了宝贵的实操经验。Matlab仿真环境将复杂的技术问题可视化与可操作化,显著降低了学习门槛,提升了学习效率与质量。 实践过程中,学习者将直面SLAM技术在实际应用中遇到的典型问题,包括传感器误差补偿、动态环境下的建图定位挑战以及计算资源优化等。这些问题的解决对推动SLAM技术的产业化应用具有重要价值。 SLAM技术在工业自动化、服务机器人、自动驾驶及无人机等领域的应用前景广阔。掌握该项技术不仅有助于提升个人专业能力,也为相关行业的技术发展提供了重要支撑。随着技术进步与应用场景的持续拓展,SLAM技术的重要性将日益凸显。 本实践项目作为综合性学习资源,为机器人技术领域的专业人员提供了深入研习SLAM技术的实践平台。通过Matlab这一高效工具,参与者能够直观理解SLAM的实现过程,掌握关键算法,并将理论知识系统应用于实际工程问题的解决之中。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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