poj 1835 宇航员

本文通过详细的代码实现,模拟了一个三维空间中的导航系统。该系统能够根据不同的指令改变前进方向,并沿着指定方向移动特定的距离。适用于理解三维空间中方向与位移的变化。
部署运行你感兴趣的模型镜像
[size=medium]
题目描述:[url]http://poj.org/problem?id=1835[/url]

该题关键在于方向的处理,代码注释比较详细。
[/size]

#include <iostream>
using namespace std;

//辅助数组,完成当前坐标修改
int dir[6][3] = {1, 0, 0,
0, 1, 0,
0, 0, 1,
-1, 0, 0,
0, -1, 0,
0, 0, -1};

//方向数组,存储forward, right, up,
//back, left, down相对应的方向值
int dir_pre[6] = {0, 1, 2 , 3, 4, 5};
int dir_cur[6] = {0, 1, 2 , 3, 4, 5};

int main() {
int ncase;
cin>>ncase; //ncase 组测试
string direction;
int step;
int x, y, z;
while(ncase--) {
//每次测试, 都要初始化方向数组和初始坐标
for(int i = 0; i < 6; i++)
dir_pre[i] = dir_cur[i] = i;
x = y = z = 0;

int n; //共走n 步
cin>>n;
while(n--) {
cin>>direction>>step; //每步走step 个单位长度

switch(direction[0]) {
case 'f':
break;
case 'r'://方向调整,前方为原右方,后方为原左方, 右方为原后方,左方为原前方
dir_cur[0] = dir_pre[1]; dir_cur[1] = dir_cur[3];
dir_cur[3] = dir_pre[4]; dir_cur[4] = dir_pre[0];
break;
case 'u'://方向调整,前方为原上方,后方为原下方, 上方为原后方,下方为原前方
dir_cur[0] = dir_pre[2]; dir_cur[2] = dir_pre[3];
dir_cur[3] = dir_pre[5]; dir_cur[5] = dir_pre[0];
break;
case 'b'://方向调整,前方为原后方,后方为原前方, 右方为原左方,左方为原右方
dir_cur[0] = dir_pre[3]; dir_cur[1] = dir_pre[4];
dir_cur[3] = dir_pre[0]; dir_cur[4] = dir_pre[1];
break;
case 'l'://方向调整,前方为原左方,后方为原右方, 右方为原前方,左方为原后方
dir_cur[0] = dir_pre[4]; dir_cur[1] = dir_pre[0];
dir_cur[3] = dir_pre[1]; dir_cur[4] = dir_pre[3];
break;
case 'd'://方向调整,前方为原下方,后方为原上方, 上方为原前方,下方为原后方
dir_cur[0] = dir_pre[5]; dir_cur[2] = dir_pre[0];
dir_cur[3] = dir_pre[2]; dir_cur[5] = dir_pre[3];
}
//调整坐标
x += step * dir[dir_cur[0]][0]; //dir_cur[0] 为前方值
y += step * dir[dir_cur[0]][1];
z += step * dir[dir_cur[0]][2];

for(int i = 0; i < 6; i++)
dir_pre[i] = dir_cur[i];
//cout<<x<<" "<<y<<" "<<z<<" "<<dir_cur[0]<<endl;
}
cout<<x<<" "<<y<<" "<<z<<" "<<dir_cur[0]<<endl;

}
return 0;
}

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样条完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
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
 
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