【自动驾驶坐标系基础】Frenet坐标系和Cartesian坐标系的相互转换

Frenet坐标系和Cartesian坐标系的相互转换

2023.12.12

1 变量含义

在这里插入图片描述

  • Frenet和Cartesian相互转换即 [ s , s ˙ , s ¨ , d , d ˙ , d ¨ ] ↔ [ X , θ x , κ x , v x , a x ] [s,\dot{s},\ddot{s},d,\dot{d},\ddot{d}] \leftrightarrow[\boldsymbol{X},\theta_x,\kappa_x,v_x,a_x] [s,s˙,s¨,d,d˙,d¨][X,θx,κx,vx,ax]

  • 还要用到的中间变量有 n x , t x , n r , t r , r , d ′ , d ′ ′ , θ r , Δ θ , κ r , κ x ′ , κ r ′ \boldsymbol{n_x},\boldsymbol{t_x},\boldsymbol{n_r},\boldsymbol{t_r},\boldsymbol{r},d',d'',\theta_r,\Delta\theta,\kappa_r,\kappa_x',\kappa_r' nx,tx,nr,tr,r,d,d′′,θr,Δθ,κr,κx,κr

  • 各变量含义:

    变量含义
    X \boldsymbol{X} XCartesian坐标系下的坐标( X = [ x , y ] \boldsymbol{X}=[x,y] X=[x,y])
    r \boldsymbol{r} rtrajectory上的点 X \boldsymbol{X} X对应center line上最近点的Cartesian坐标
    v x , a x v_x,a_x vx,axCartesian坐标系下的速度加速度
    s , s ˙ , s ¨ s,\dot{s},\ddot{s} s,s˙,s¨Frenet坐标系下的纵向坐标及其对时间的高阶导( d d t \frac{d}{dt} dtd)
    s x s_x sxtrajectory的弧长(注:centerline弧长 s r s_r sr默认写成 s s s)
    d , d ˙ , d ¨ d,\dot{d},\ddot{d} d,d˙,d¨Frenet坐标系下的横向坐标及其对时间的高阶导( d d t \frac{d}{dt} dtd)
    d ′ , d ′ ′ d',d'' d,d′′Frenet坐标系下的横向坐标对纵向坐标的高阶导( d d s \frac{d}{ds} dsd)
    θ x , θ r \theta_x,\theta_r θx,θrCartesian坐标系下trajectory/center line的切线与x轴的夹角
    θ r ′ \theta_r' θr θ r ′ = d θ r d s r = κ r \theta_r'=\frac{d\theta_r}{ds_r}=\kappa_r θr=dsrdθr=κr
    Δ θ \Delta\theta Δθ Δ θ = θ x − θ r \Delta\theta = \theta_x - \theta_r Δθ=θxθr
    n x , t x \boldsymbol{n_x},\boldsymbol{t_x} nx,txCartesian坐标系下trajectory的法线和切线
    n x = [ − s i n θ x , c o s θ x ] T \boldsymbol{n_x}=[-sin{\theta_x},cos{\theta_x}]^T nx=[sinθx,cosθx]T
    t x = [ c o s θ x , s i n θ x ] T \boldsymbol{t_x}=[cos{\theta_x},sin{\theta_x}]^T tx=[cosθx,sinθx]T
    n r , t r \boldsymbol{n_r},\boldsymbol{t_r} nr,trCartesian坐标系下center line的法线和切线
    n r = [ − s i n θ r , c o s θ r ] T \boldsymbol{n_r}=[-sin{\theta_r},cos{\theta_r}]^T nr=[sinθr,cosθr]T
    t r = [ c o s θ r , s i n θ r ] T \boldsymbol{t_r}=[cos{\theta_r},sin{\theta_r}]^T tr=[cosθr,sinθr]T
    κ x , κ r \kappa_x,\kappa_r κx,κrCartesian坐标系下trajectory/center line的曲率
    κ x ′ , κ r ′ \kappa_x',\kappa_r' κx,κrCartesian坐标系下trajectory/center line的曲率对纵向坐标的导数( d d s \frac{d}{ds} dsd)
2 推导

先来推导 d ˙ \dot{d} d˙,由图像容易看出, d = ( x − r ) T n r d=(\boldsymbol{x}-\boldsymbol{r})^T\boldsymbol{n_r} d=(xr)Tnr,两边对t求导得:
d ˙ = [ x ˙ − r ˙ ] T n r + [ x − r ] T n ˙ r \dot{d}=[\dot{x}-\dot{r}]^T\boldsymbol{n}_r+[x-r]^T\dot{\boldsymbol{n}}_r d˙=[x˙r˙]Tnr+[xr]Tn˙r
x ˙ \dot{x} x˙很直观, x ˙ = v x t x \dot{x}=v_x\boldsymbol{t_x} x˙=vxtx,由[变化量很小时,弧长=割线=切线]的思想, r ˙ = s ˙ t r \dot{r}=\dot{s}\boldsymbol{t_r} r˙=s˙tr,最难求的是 n ˙ r \dot{\boldsymbol{n}}_r n˙r,由于 n r = [ − s i n θ r , c o s θ r ] T \boldsymbol{n_r}=[-sin{\theta_r},cos{\theta_r}]^T nr=[sinθr,cosθr]T,两边对时间求导,得到 n ˙ r = [ − cos ⁡ θ r , − s i n θ r ] T θ r ˙ = − t r θ r ′ s ˙ = − t r κ r s ˙ \dot{\boldsymbol{n}}_r=[-\cos{\theta_r},-sin{\theta_r}]^T\dot{\theta_r}=-\boldsymbol{t_r}\theta_r'\dot{s}=-\boldsymbol{t_r}\kappa_r\dot{s} n˙r=[cosθr,sinθr]Tθr˙=trθrs˙=trκrs˙,从而:
d ˙ = v x t x T n r − s ˙ t r T n r − [ x − r ] T t r κ r s ˙ = v x t x T n r ( t r , n r 正交 ; [ x − r ] , t r 正交) = v x [ c o s θ x , s i n θ x ] [ − s i n θ r , c o s θ r ] T = v x sin ⁡ Δ θ \dot{d}=v_x\boldsymbol{t_x}^T\boldsymbol{n}_r-\dot{s}\boldsymbol{t_r}^T\boldsymbol{n}_r-[x-r]^T\boldsymbol{t_r}\kappa_r\dot{s} \\=v_x\boldsymbol{t_x}^T\boldsymbol{n}_r(\boldsymbol{t_r},\boldsymbol{n}_r正交;[x-r],\boldsymbol{t_r}正交) \\=v_x[cos{\theta_x},sin{\theta_x}][-sin{\theta_r},cos{\theta_r}]^T \\=v_x\sin{\Delta\theta} d˙=vxtxTnrs˙trTnr[xr]Ttrκrs˙=vxtxTnrtr,nr正交;[xr],tr正交)=vx[cosθx,sinθx][sinθr,cosθr]T=vxsinΔθ
下面推导 d ′ d' d
d ′ = d d d s = d d d t d t d s = d ˙ s ˙ = 1 s ˙ v x sin ⁡ Δ θ d'=\frac{dd}{ds}=\frac{dd}{dt}\frac{dt}{ds}=\frac{\dot{d}}{\dot{s}}=\frac{1}{\dot{s}}v_x\sin{\Delta\theta} d=dsdd=dtdddsdt=s˙d˙=s˙1vxsinΔθ
要把未知量 s ˙ \dot{s} s˙消掉,通过 v x v_x vx来消:
v x = ∣ ∣ x ˙ ∣ ∣ 2 = ∣ ∣ d ( r + d n r ) d t ∣ ∣ 2 = s ˙ t r + d ˙ n r − d t r κ r s ˙ = ∣ ∣ [ t r , n r ] [ 1 − κ r d 0 0 1 ] [ s ˙ d ˙ ] ∣ ∣ 2 = ( 1 − κ r d ) 2 s ˙ 2 + d ˙ 2 = ( 1 − κ r d ) 2 s ˙ 2 + d ′ 2 s ˙ 2 v_x = ||\dot{x}||_2=||\frac{d(\boldsymbol{r}+d\boldsymbol{n}_r)}{dt}||_2 \\=\dot{s}\boldsymbol{t}_r+\dot{d}\boldsymbol{n}_r-d\boldsymbol{t_r}\kappa_r\dot{s} \\=||[\boldsymbol{t_r},\boldsymbol{n_r}] \begin{bmatrix} 1-\kappa_rd & 0 \\ 0 & 1 \\ \end{bmatrix} \begin{bmatrix} \dot{s} \\ \dot{d} \\ \end{bmatrix}||_2 \\=\sqrt{(1-\kappa_rd)^2\dot{s}^2+\dot{d}^2} \\=\sqrt{(1-\kappa_rd)^2\dot{s}^2+d'^2\dot{s}^2} vx=∣∣x˙2=∣∣dtd(r+dnr)2=s˙tr+d˙nrdtrκrs˙=∣∣[tr,nr][1κrd001][s˙d˙]2=(1κrd)2s˙2+d˙2 =(1κrd)2s˙2+d′2s˙2
代入可得:
d ′ 2 = ( 1 s ˙ v x sin ⁡ Δ θ ) 2 = [ ( 1 − κ r d ) 2 + d ′ 2 ] sin ⁡ 2 Δ θ ↓ d ′ ( 1 − sin ⁡ 2 Δ θ ) = ( 1 − κ r d ) 2 sin ⁡ 2 Δ θ ↓ d ′ = ( 1 − κ r d ) tan ⁡ Δ θ d'^2=(\frac{1}{\dot{s}}v_x\sin{\Delta\theta})^2=[(1-\kappa_rd)^2+d'^2]\sin^2{\Delta\theta} \\\downarrow \\ d'(1-\sin^2{\Delta\theta})= (1-\kappa_rd)^2\sin^2{\Delta\theta} \\\downarrow \\ d'=(1-\kappa_rd)\tan{\Delta\theta} d′2=(s˙1vxsinΔθ)2=[(1κrd)2+d′2]sin2Δθd(1sin2Δθ)=(1κrd)2sin2Δθd=(1κrd)tanΔθ
下面推导 d ′ ′ d'' d′′
d ′ ′ = d d d d s d s = d d ′ d s = ( − κ r ′ d − κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ d Δ θ d s = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ ( d θ x d s − d θ r d s ) = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ ( d θ x d s x d s x d s − κ r ) = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ ( d θ x d s x d s x / d t d s / d t − κ r ) = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ ( κ x v x s ˙ − κ r ) d''=\frac{d\frac{dd}{ds}}{ds}=\frac{dd'}{ds}=(-\kappa_r'd-\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}\frac{d\Delta\theta}{ds} \\=-(\kappa_r'd+\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}(\frac{d\theta_x}{ds}-\frac{d\theta_r}{ds}) \\=-(\kappa_r'd+\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}(\frac{d\theta_x}{ds_x}\frac{ds_x}{ds}-\kappa_r) \\=-(\kappa_r'd+\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}(\frac{d\theta_x}{ds_x}\frac{ds_x/dt}{ds/dt}-\kappa_r) \\=-(\kappa_r'd+\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}(\kappa_x\frac{v_x}{\dot{s}}-\kappa_r) d′′=dsddsdd=dsdd=(κrdκrd)tanΔθ+(1κrd)cos2Δθ1dsdΔθ=(κrd+κrd)tanΔθ+(1κrd)cos2Δθ1(dsdθxdsdθr)=(κrd+κrd)tanΔθ+(1κrd)cos2Δθ1(dsxdθxdsdsxκr)=(κrd+κrd)tanΔθ+(1κrd)cos2Δθ1(dsxdθxds/dtdsx/dtκr)=(κrd+κrd)tanΔθ+(1κrd)cos2Δθ1(κxs˙vxκr)

需要把未知量 s ˙ \dot{s} s˙消掉,由 0 = ( x − r ) T t r 0=(x-r)^T\boldsymbol{t}_r 0=(xr)Ttr两边对时间求导:
0 = ( x ˙ − r ˙ ) T t r + ( x − r ) T t ˙ r 0 = v x t x T t r − s ˙ t r T t r + ( x − r ) T n r κ r s ˙ 0 = v x cos ⁡ Δ θ − s ˙ ( 1 − κ r d ) ↓ v x = s ˙ 1 − κ r d cos ⁡ Δ θ 0=(\dot{x}-\dot{r})^T\boldsymbol{t}_r+(x-r)^T\dot{\boldsymbol{t}}_r \\0=v_x\boldsymbol{t}_x^T\boldsymbol{t}_r-\dot{s}\boldsymbol{t}_r^T\boldsymbol{t}_r+(x-r)^T\boldsymbol{n}_r\kappa_r\dot{s} \\0=v_x\cos{\Delta\theta}-\dot{s}(1-\kappa_rd) \\\downarrow \\v_x=\dot{s}\frac{1-\kappa_rd}{\cos{\Delta\theta}} 0=(x˙r˙)Ttr+(xr)Tt˙r0=vxtxTtrs˙trTtr+(xr)Tnrκrs˙0=vxcosΔθs˙(1κrd)vx=s˙cosΔθ1κrd
代入,得到:
d ′ ′ = − ( κ r ′ d + κ r d ′ ) tan ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ ( κ x 1 − κ r d cos ⁡ Δ θ − κ r ) d''=-(\kappa_r'd+\kappa_rd')\tan{\Delta\theta}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}(\kappa_x\frac{1-\kappa_rd}{\cos{\Delta\theta}}-\kappa_r) d′′=(κrd+κrd)tanΔθ+(1κrd)cos2Δθ1(κxcosΔθ1κrdκr)
由上上式也可以求得 s ˙ \dot{s} s˙
s ˙ = v x cos ⁡ Δ θ 1 − κ r d \dot{s}=v_x\frac{\cos{\Delta\theta}}{1-\kappa_rd} s˙=vx1κrdcosΔθ
最后来求 s ¨ \ddot{s} s¨,由 a x = v ˙ x a_x=\dot{v}_x ax=v˙x
a x = v ˙ x = s ¨ 1 − κ r d cos ⁡ Δ θ + s ˙ d s d t d d s 1 − κ r d cos ⁡ Δ θ = s ¨ 1 − κ r d cos ⁡ Δ θ + s ˙ 2 [ ( − κ r ′ d − κ r d ′ ) 1 cos ⁡ Δ θ + ( 1 − κ r d ) 1 cos ⁡ 2 Δ θ sin ⁡ ( Δ θ ) Δ θ ′ ] = s ¨ 1 − κ r d cos ⁡ Δ θ + s ˙ 2 1 cos ⁡ ( Δ θ ) [ ( − κ r ′ d − κ r d ′ ) + ( 1 − κ r d ) tan ⁡ ( Δ θ ) Δ θ ′ ] a_x=\dot{v}_x=\ddot{s}\frac{1-\kappa_rd}{\cos{\Delta\theta}}+\dot{s}\frac{ds}{dt}\frac{d}{ds}\frac{1-\kappa_rd}{\cos{\Delta\theta}} \\=\ddot{s}\frac{1-\kappa_rd}{\cos{\Delta\theta}}+\dot{s}^2[(-\kappa_r'd-\kappa_rd')\frac{1}{\cos{\Delta\theta}}+(1-\kappa_rd)\frac{1}{\cos^2{\Delta\theta}}\sin(\Delta\theta)\Delta\theta'] \\=\ddot{s}\frac{1-\kappa_rd}{\cos{\Delta\theta}}+\dot{s}^2\frac{1}{\cos(\Delta\theta)}[(-\kappa_r'd-\kappa_rd')+(1-\kappa_rd)\tan(\Delta\theta)\Delta\theta'] ax=v˙x=s¨cosΔθ1κrd+s˙dtdsdsdcosΔθ1κrd=s¨cosΔθ1κrd+s˙2[(κrdκrd)cosΔθ1+(1κrd)cos2Δθ1sin(Δθ)Δθ]=s¨cosΔθ1κrd+s˙2cos(Δθ)1[(κrdκrd)+(1κrd)tan(Δθ)Δθ]
其中:
Δ θ ′ = d ( θ x − θ r ) d s = d θ x d s x d s x d s − κ r = κ x v x s ˙ − κ r = κ x 1 − κ r d c o s Δ θ − κ r \Delta\theta'=\frac{d(\theta_x-\theta_r)}{ds}=\frac{d\theta_x}{ds_x}\frac{ds_x}{ds}-\kappa_r=\kappa_x\frac{v_x}{\dot{s}}-\kappa_r=\kappa_x\frac{1-\kappa_rd}{cos\Delta\theta}-\kappa_r Δθ=dsd(θxθr)=dsxdθxdsdsxκr=κxs˙vxκr=κxcosΔθ1κrdκr

3 Cartesian转Frenet
  • [ X , θ x , κ x , v x , a x ] , θ r , κ r → [ s , s ˙ , s ¨ , d , d ˙ , d ¨ ] [\boldsymbol{X},\theta_x,\kappa_x,v_x,a_x],\theta_r,\kappa_r \rightarrow [s,\dot{s},\ddot{s},d,\dot{d},\ddot{d}] [X,θx,κx,vx,ax],θr,κr[s,s˙,s¨,d,d˙,d¨]

  • s,d通过找最近点求得

  • s ˙ = v x cos ⁡ ( Δ θ ) 1 − κ r d , Δ θ = θ x − θ r \dot{s}=v_x\frac{\cos(\Delta\theta)}{1-\kappa_rd},\Delta\theta=\theta_x-\theta_r s˙=vx1κrdcos(Δθ),Δθ=θxθr

    s ¨ = cos ⁡ ( Δ θ ) 1 − κ r d [ a x − s ˙ 2 cos ⁡ ( Δ θ ) [ ( − κ r ′ d − κ r d ′ ) + ( 1 − κ r d ) tan ⁡ ( Δ θ ) Δ θ ′ ] ] \ddot{s}=\frac{\cos(\Delta\theta)}{1-\kappa_rd}[a_x-\frac{\dot{s}^2}{\cos(\Delta\theta)}[(-\kappa_r'd-\kappa_rd')+(1-\kappa_rd)\tan(\Delta\theta)\Delta\theta']] s¨=1κrdcos(Δθ)[axcos(Δθ)s˙2[(κrdκrd)+(1κrd)tan(Δθ)Δθ]]

    κ r ′ = d 2 θ r d s 2 \kappa_r'=\frac{d^2\theta_r}{ds^2} κr=ds2d2θr

    d ′ = ( 1 − κ r d ) tan ⁡ Δ θ d'=(1-\kappa_rd)\tan{\Delta\theta} d=(1κrd)tanΔθ

    Δ θ ′ = κ x 1 − κ r d c o s Δ θ − κ r , κ x = d θ x d t 1 v x \Delta\theta'=\kappa_x\frac{1-\kappa_rd}{cos\Delta\theta}-\kappa_r,\kappa_x=\frac{d\theta_x}{dt}\frac{1}{v_x} Δθ=κxcosΔθ1κrdκr,κx=dtdθxvx1

  • d ˙ = v x sin ⁡ ( Δ θ ) \dot{d}=v_x\sin(\Delta\theta) d˙=vxsin(Δθ)

    d ¨ = a x sin ⁡ ( Δ θ ) + v x cos ⁡ ( Δ θ ) s ˙ Δ θ ′ \ddot{d}=a_x\sin(\Delta\theta)+v_x\cos(\Delta\theta)\dot{s}\Delta\theta' d¨=axsin(Δθ)+vxcos(Δθ)s˙Δθ

4 Frenet转Cartesian
  • [ s , s ˙ , s ¨ , d , d ˙ , d ¨ ] → [ X , θ x , κ x , v x , a x ] [s,\dot{s},\ddot{s},d,\dot{d},\ddot{d}] \rightarrow [\boldsymbol{X},\theta_x,\kappa_x,v_x,a_x] [s,s˙,s¨,d,d˙,d¨][X,θx,κx,vx,ax]

  • X = r + n r d , n r = [ − sin ⁡ ( θ r ) , cos ⁡ ( θ r ) ] T \boldsymbol{X}=\boldsymbol{r}+\boldsymbol{n}_rd,\boldsymbol{n}_r=[-\sin(\theta_r),\cos(\theta_r)]^T X=r+nrd,nr=[sin(θr),cos(θr)]T

  • θ x = θ r + arctan ⁡ d ′ 1 − κ r d , d ′ = d ˙ s ˙ \theta_x=\theta_r+\arctan\frac{d'}{1-\kappa_rd},d'=\frac{\dot{d}}{\dot{s}} θx=θr+arctan1κrdd,d=s˙d˙

  • κ x = cos ⁡ 3 Δ θ [ d ′ ′ + ( κ r ′ d + κ r d ′ ) tan ⁡ ( Δ θ ) ] 1 − κ r d + κ r c o s Δ θ 1 − κ r d , d ′ ′ = d d d d s d s = d d ˙ s ˙ d s = d ¨ s ˙ − d ˙ s ¨ s ˙ 3 \kappa_x=\frac{\cos^3\Delta\theta[d''+(\kappa_r'd+\kappa_rd')\tan(\Delta\theta)]}{1-\kappa_rd}+\frac{\kappa_rcos\Delta\theta}{1-\kappa_rd},d''=\frac{d\frac{dd}{ds}}{ds}=\frac{d\frac{\dot{d}}{\dot{s}}}{ds}=\frac{\ddot{d}\dot{s}-\dot{d}\ddot{s}}{\dot{s}^3} κx=1κrdcos3Δθ[d′′+(κrd+κrd)tan(Δθ)]+1κrdκrcosΔθ,d′′=dsddsdd=dsds˙d˙=s˙3d¨s˙d˙s¨(由 d ′ ′ d'' d′′的式子得到)

  • v x = s ˙ 1 − κ r d cos ⁡ ( Δ θ ) , Δ θ = θ x − θ r v_x=\dot{s}\frac{1-\kappa_rd}{\cos(\Delta\theta)},\Delta\theta=\theta_x-\theta_r vx=s˙cos(Δθ)1κrd,Δθ=θxθr

  • a x = s ¨ 1 − κ r d cos ⁡ Δ θ + s ˙ 2 1 cos ⁡ ( Δ θ ) [ ( − κ r ′ d − κ r d ′ ) + ( 1 − κ r d ) tan ⁡ ( Δ θ ) Δ θ ′ ] a_x=\ddot{s}\frac{1-\kappa_rd}{\cos{\Delta\theta}}+\dot{s}^2\frac{1}{\cos(\Delta\theta)}[(-\kappa_r'd-\kappa_rd')+(1-\kappa_rd)\tan(\Delta\theta)\Delta\theta'] ax=s¨cosΔθ1κrd+s˙2cos(Δθ)1[(κrdκrd)+(1κrd)tan(Δθ)Δθ]

    κ r ′ = d 2 θ r d s 2 \kappa_r'=\frac{d^2\theta_r}{ds^2} κr=ds2d2θr

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/269983.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Vue】sessionStorage存取数据

一. 需求 1.1 模板 Vab Admin Pro 1.2 组件 ElementUI 1.3 阐述 列表页面搜索【关键词】点击【查询】后,点击【查看】按钮跳转到【详情页】,详情页【返回】【保留原搜索关键词】 原图 搜索查询【关键词】 详情 返回后【保留】【搜索查询关键词…

二维码门楼牌管理系统应用场景:城市规划与土地管理的新利器

文章目录 前言一、城市规划部门的新助手二、门牌数据的深度应用三、支持可持续城市发展四、与城市规划部门的联动 前言 随着科技的不断进步,二维码技术已经深入到我们生活的方方面面。在城市规划与土地管理领域,二维码门楼牌管理系统正成为一项革命性的…

烧脑问题解决办法:如何选择一款合适自己的手机流量卡

现在社会人们越来越离不开手机了,手机给我们生活带来了翻天覆地的变化,手机需要最多的就是流量了,所以选择一款合适自己的手机流量卡就显得尤为重要了,今天小编就给大家来分享一下我的经验,希望对大家能有帮助&#xf…

MySQL--优化(索引)

MySQL–优化(SQL语句执行慢,如何分析) 定位慢查询SQL执行计划索引 存储引擎索引底层数据结构聚簇和非聚簇索引索引创建原则索引失效场景 SQL优化经验 索引 索引(index)是帮助 MySQL 高效获取数据的数据结构&#xff…

Python爬虫——Urllib库-3

目录 ajax的get请求 获取豆瓣电影第一页的数据并保存到本地 获取豆瓣电影前十页的数据 ajax的post请求 总结 ajax的get请求 获取豆瓣电影第一页的数据并保存到本地 首先可以在浏览器找到发送数据的接口 那么我们的url就可以在header中找到了 再加上UA这个header 进行请…

【MySQL】视图、索引

目录 视图视图的用途优点视图的缺点创建视图查看视图修改视图删除视图注意事项 索引索引的原理索引的数据结构二分查找法Hash结构Hash冲突!!! B树二叉查找树 存在问题改造二叉树——B树降低树的高度 B树特点案例继续优化的方向 改造B树——B树…

vulhub中Wordpress 4.6 任意命令执行漏洞复现

由于Mysql初始化需要一段时间,所以请等待。成功运行后,访问http://your-ip:8080/打开站点,初始化管理员用户名和密码后即可使用(数据库等已经配置好,且不会自动更新)。 发送如下数据包,可见/tmp…

阿里云搭建私有docker仓库(学习)

搭建私有云仓库 首先登录后直接在页面搜索栏中搜索“容器镜像服务” 进入后直接选择个人版(可以免费使用) 选择镜像仓库后创建一个镜像仓库 在创建仓库之前我们先创建一个命名空间 然后可以再创建我们的仓库,可以与我们的github账号进行关联…

AutoJs手机自动化实战(包含抖音自动化刷视频实战)

目录 介绍 环境准备 安装vscode插件 简单使用 测试连接 编写打开抖音app脚本测试 脚本打包成apk 去除脚本打开日志 实战QQ自动化发送消息 微信自动化发送朋友圈 ​编辑 抖音扫码登录 抖音自动化刷视频 介绍 Auto.js是一款不用ROOT就能实现自动点击、长按、滑动屏…

工业镜头的重要参数之视场、放大倍率、芯片尺寸--51camera

今天来简单介绍下工业镜头中常用的参数中的三个: 1、视场 视场(FOV)也称视野,是指能被视觉系统观察到的物方可视范围。 对于镜头而言,可观察到的视场跟镜头放大倍率及相机芯片选择有关。因此需要根据被观察物体的尺寸&#xff…

使用Http请求下载文件带来的问题

java.io.IOException: Broken pipe 当使用http请求的方式将文件作为响应内容给浏览器,这个时候如果浏览器未开启自动下载(浏览器可能会终止这个tcp连接),文件不会下载成功,但是这个时候请求已经到达服务器,如果这个时候&#xff0…

LSTM长短期记忆网

笔记来源—— 【重温经典】大白话讲解LSTM长短期记忆网络 如何缓解梯度消失,手把手公式推导反向传播 LSTM网络结构 RNN结构 下面拉出一个单元结构进行讲解 :记忆细胞,t-1时刻的记忆细胞 :表示状态,t-1时刻的状态 正是这样经过了一个单元&a…

Stable Diffusion ———LDM、SD 1.0, 1.5, 2.0、SDXL、SDXL-Turbo等版本之间关系现原理详解

前言 2021年5月,OpenAI发表了《扩散模型超越GANs》的文章,标志着扩散模型(Diffusion Models,DM)在图像生成领域开始超越传统的GAN模型,进一步推动了DM的应用。 然而,早期的DM直接作用于像素空…

JavaWeb HTTP 请求头、请求体、响应头、响应体、响应状态码

J2EE(Java 2 Platform Enterprise Edition)是指“Java 2企业版”,B/S模式开发Web应用就是J2EE最核心的功能。 Web是全球广域网,也称为万维网(www),能够通过浏览器访问的网站。 在日常的生活中,经常会使用…

链表之“带头双向循环链表”

目录 ​编辑 1.链表的分类 2.带头双向循环链表的实现 1.创建结构体 2.创建返回链表的头节点 3.双向链表销毁 4.双向链表打印 5.双向链表尾插 6.双向链表尾删 7.双向链表头插 8.双向链表头删 9.双向链表查找 10.双向链表在pos的前面进行插入 11.双向链表删除pos位…

MySQL 表的基本操作,结合项目的表自动初始化来讲

有了数据库以后,我们就可以在数据库中对表进行增删改查了,这也就意味着,一名真正的 CRUD Boy 即将到来(😁)。 查表 查看当前数据库中所有的表,使用 show tables; 命令 由于当前数据库中还没有表,所以输出 Empty set。 不指定数据库 在操作表之前,可以通过 use 数…

Docker容器数据卷使用

创建容器 将本地的/home/ceshi和容器的/home目录进行一个挂载,文件内容会进行同步 -v参数就是进行一个卷的挂载 主机路径:容器内的路径 [rootwq ~]# cd /home/ [rootwq home]# ll total 8 drwx------ 3 admin admin 4096 Dec 29 10:16 admin drwx------ 2 www www 4096…

【洛谷 P8720】[蓝桥杯 2020 省 B2] 平面切分 题解(计算几何+集合+向量)

[蓝桥杯 2020 省 B2] 平面切分 题目描述 平面上有 N N N 条直线, 其中第 i i i 条直线是 y A i ⋅ x B i yA_{i} \cdot xB_{i} yAi​⋅xBi​ 。 请计算这些直线将平面分成了几个部分。 输入格式 第一行包含一个整数 N N N。 以下 N \mathrm{N} N 行, 每行包含两个…

阿里巴巴中国站获得商品快递费用 API 返回值说明

一、应用场景 阿里巴巴中国站获得商品快递费用 API(1688.item_fee)通常用于查询商品的快递费用。这个API的应用场景包括但不限于以下几个方面: 1、电商平台:在电商平台上,当用户购买商品时,需要知道商品的…

LLM(十一)| Claude 3:Anthropic发布最新超越GPT-4大模型

2024年3月4日,Anthropic发布最新多模态大模型:Claude 3系列,共有Haiku、Sonnet和Opus三个版本。 Opus在研究生水平专家推理、基础数学、本科水平专家知识、代码等10个维度,超过OpenAI的GPT-4。 Haiku模型更注重效率,能…