Realtime Rendering 3rd笔记 9

本文介绍了图形学中的变换概念,包括线性和仿射变换,并详细解释了平移、旋转、缩放、切变等常见变换类型及其矩阵表示。此外还提到了如何通过仿射变换将线性变换和平移结合起来。

Chapter 4 Transforms

所谓变换(transform)是指作用于点、向量、颜色等实体,以某种方式转变他们的操作。使用变换,可以移动、变形和动画物体、灯光和摄像机。变换还可以保证所有的计算处于同一个坐标系下,将物体投影到一个平面,这些都仅仅是冰山一角,总之,变换在图形学中非常重要。


线性变换满足:
f(x)+f(y)=f(x+y)和kf(x)=f(kx) 其中x,y是矢量,k是标量。
例如变换f(x)=5x是线性变换,因为对于矢量x,y, f(x)+f(y)=5x+5y=5(x+y)=f(x+y)


标量乘法被称作scaling transform。rotation transform是另一个线性变换。scaling和rotation transform实际上都是对于三维矢量的线性变换,可以用一个3X3矩阵表示。然而,这个矩阵的大小通常是不够的。下面的这个变换不是线性的: f(x)=x+(7,3,2)其中x是三维矢量。因为f(x)+f(y)=x+(7,3,2)+y+(7,3,2)=f(x+y)+(7,3,2)。多加了一次(7,3,2),因此不是线性变换。这种将一个固定矢量加到一个矢量上的变换是translation变换,即用相同的值移动位置,这也是一个很有用的变换。我们想将各种变换合并起来,例如将一个物体scale到它的一半大小,然后将它移动到一个不同的位置。如果只是用这种简单的函数形式是很难合并的。


将线性变换和translation合并可以使用仿射变换(affine transform),一般存储为一个4X4矩阵。所谓仿射变换是指执行一个线性变换然后再执行一个translation。为了表示四维向量,我们使用齐次记法(homogeneous notation),用相同的方式表示点和方向。一个方向向量表示为v=(Vx,Vy,Vz,0)T;一个点表示为v=(Vx,Vy,Vz,1)T。
所有的translation,rotation,scaling,reflection和shearing矩阵都是仿射矩阵。仿射矩阵的一个主要性质是他保留线之间的平行性,但是不保证长度和角度不会被改变。一个仿射变换也可以是任意单个仿射变换的序列的串联。

本章将会从最基础的仿射矩阵开始,然后讨论更特殊的矩阵以及四元数,然后讨论vertex blending和morphing这两个简单但是表达模型动画的强大的方式。最后会讨论投影矩阵。


以下是本章讨论的大部分的变换的列表:
T(t) translation matrix, Move a point. Affine.
Rx(p) rotation matrix, 绕x轴旋转p弧度. 正交(Orthogonal) & affine. y,z轴的类似
R rotation matrix, 任意的rotation matrix. Orthogonal & affine.
S(s) scaling matrix, 沿着x,y,z轴缩放s, Affine.
Hij(s) shear matrix, 用参数s切变分量i,相对于分量j, i,j属于{x,y,z}. Affine
E(h,p,r) Euler transform, 使用欧拉角(head or yaw, pitch, roll)定义的旋转矩阵. Orthogonal & affine.
Po(s) 正交投影, 平行投影到同一个面或体。Affine
Pp(s) 透视投影, 带透视的投影到一个面或体。
slerp(q,r,t) slerp transform, 创建一个插值的四元数相对于四元数q和t,使用参数t。

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
 
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