倒角算法推导

news2025/1/15 13:16:02

倒角算法推导
推导原理基本很简单:

已知AB, BC两条线段,且交于B点,求倒角半径为 L,AB,BC的倒角

以最短边(假定为AB)长 LAB,
在BC中,以B为起点,找出与LAB同长度的点D,
即BD的长度等于AB的长度

(或 以B为圆心,LAB为半径, 绘制一个圆,
圆与AB交于A点, 于BC交于D点)

连接AD, 找出AD的中点P,

连接BP,
则BP为ABC夹角的角平分线

此时构成的 ABD,为一个等腰三角形
可轻松得出 垂直于BP的线, 到AB与BD的距离相等,即AP = PD
可样可用直角三角形法则得出 BP上的任意点,到AB的垂线,与到BC的垂线相等
即 XM = XN = L 圆弧半径

以X点作圆心,XM作半径,绘制圆,
该圆与AB, BC分别相切,

则圆弧 MN 则为AB与BC的倒角,倒角半径为L = XM

加上角度,长度,坐标的标记,如下:
倒角算法推导


python算法:

import numpy as np
import math

# 求单位向量
def unit_vector(vector):
   """ Returns the unit vector of the vector.  """
   return vector / np.linalg.norm(vector)


# 角度
def angle_between(v1, v2):
   """ Returns the angle in radians between vectors 'v1' and 'v2'::

           >>> angle_between((1, 0, 0), (0, 1, 0))
           1.5707963267948966
           >>> angle_between((1, 0, 0), (1, 0, 0))
           0.0
           >>> angle_between((1, 0, 0), (-1, 0, 0))
           3.141592653589793
   """
   v1_u = unit_vector(v1)
   v2_u = unit_vector(v2)
   return np.arccos(np.clip(np.dot(v1_u, v2_u), -1.0, 1.0))

# 点乘
def dotproduct(v1, v2):
   return sum((a * b) for a, b in zip(v1, v2))


# 向量的长度
def length(v):
   return math.sqrt(dotproduct(v, v))

# 向量角度
def angle(v1, v2):
   return math.acos(dotproduct(v1, v2) / (length(v1) * length(v2)))



def funcChamfer(ptA, ptB, ptC, lR):
   # ABC点 组成的部分向量
   vBA = [ptA[0] - ptB[0], ptA[1] - ptB[1]]
   vBC = [ptC[0] - ptB[0], ptC[1] - ptB[1]]

   # 求ABC的夹角
   aABC = angle_between(vBA, vBC)
   print(f'ABC的夹角 Radius {aABC}, Angle:{180.0 / math.pi * aABC}')

   # 向量 BA BC的长度
   lBA = length(vBA)
   lBC = length(vBC)
   print(f'向量 BA BC的长度  lBA:{lBA}, lBC:{lBC}')

   # 获得 BA BC 最短边边长 lShort
   # 以及需要长边的端点 ptLast, 用于计算D点
   lShort = 0  # 存储 AB BC中, 短边的边长
   ptShortS = None # 存储短边的起始点
   vShort = None    # 存储短边的向量
   vLong = None    # 存储长边的向量

   if(lBA <= lBC):
       lShort = lBA
       ptShortS = ptA
       vShort = vBA
       vLong = vBC
   else:
       lShort = lBC
       ptShortS = ptC
       vShort = vBC
       vLong = lBA
   
   # --------------------求D点方式1(三角函数,复杂,仅做示范):
   # 和X轴的夹角
   aShort = angle_between([1, 0], vShort)
   aLong = angle_between([1, 0], vLong)
   print(f'短边和X轴的夹角: Radius: {aShort}, Angle:{180.0 / math.pi * aShort}')
   print(f'长边和X轴的夹角: Radius: {aLong}, Angle:{180.0 / math.pi * aLong}')

   test = dotproduct(vBC, [1, 0])
   print(f'Test {test}')
   ptD = []
   ptD.append(ptB[0] + lShort * math.cos(math.pi * 2 - aLong))
   ptD.append(ptB[1] + lShort * math.sin(math.pi * 2 - aLong))
   print(f'point D:({ptD[0]}, {ptD[1]})')

   # --------------------求D点方式2(向量法):
   # BC (长边)转单位向量:
   vNBC = unit_vector(vLong)
   x = [ptB[0], ptB[1]] + (vNBC * lShort)
   print(f'{vNBC}, ptD: {x}')

   # --------------------
   # AD点的中点P
   ptPX = (ptD[0] + ptShortS[0]) * 0.5
   ptPY = (ptD[1] + ptShortS[1]) * 0.5 
   print(f'point P:({ptPX}, {ptPY})')

   # BP向量
   vBP = [ptPX - ptB[0], ptPY - ptB[1]]

   # 假定点为 X, X到AB的垂线为 XM,且XM = lR
   # 角ABP度数为 ABC的一半, 已知角度与XM的长度,
   # 则可求出 BX 长度 lBX
   lBX = lR / math.sin(aABC * 0.5)

   ptX = ptB + unit_vector(vBP) * lBX
   print(f'ptX: {ptX}')
   return ptX


if __name__ == '__main__':
   # AB,BC两线段交于B点  A,B,C如下
   ptA = [707, 181]
   ptB = [850, 640]    # 公共点
   ptC = [1578, 167]

   lR = 130.0   # 倒角圆半径

   ptX = funcChamfer(ptA, ptB, ptC, lR)
   
   print(f'以此点: {ptX} 为圆心,绘制圆弧') 
  
ABC的夹角 Radius 1.2966305334118693, Angle:74.29145715229679
向量 BA BC的长度  lBA:480.7598152924181, lBC:868.1664586932624
短边和X轴的夹角: Radius: 1.8728126012699295, Angle:107.30425787168404
长边和X轴的夹角: Radius: 0.5761820678580603, Angle:33.01280071938726
Test 728
point D:(1253.1405982438891, 378.0693640530776)
[ 0.83854887 -0.54482639], ptD: [1253.14059824  378.06936405]
point P:(980.0702991219446, 279.5346820265388)
ptX: [923.07255377 437.49319016]
以此点: [923.07255377 437.49319016] 为圆心,绘制圆弧

cpp算法:

待补充

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.coloradmin.cn/o/110046.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

FOC算法与SVPWM技术

最近看到了FOC这个东西&#xff0c;感觉很有意思&#xff0c;想着以后用这个算法做个东西&#xff0c;目前的想法是用开源的ODrive方案&#xff0c;自己做一个有感单电机驱动的板子&#xff0c;并且加入一点自己的东西&#xff0c;但是这不是目前工作的重点&#xff0c;所以就先…

基于Vue+Element实现的电商后台管理系统的前端项目,主要包括商品管理、订单管理、会员管理、促销管理、运营管理、内容管理

前言 该项目为前后端分离项目的前端部分&#xff0c; 项目介绍 mall-admin-web是一个电商后台管理系统的前端项目&#xff0c;基于VueElement实现。主要包括商品管理、订单管理、会员管理、促销管理、运营管理、内容管理、统计报表、财务管理、权限管理、设置等功能。 完整…

MySQL面试常问问题(锁 + 事务) —— 赶快收藏

目录 1.MySQL中有哪几种锁&#xff0c;列举一下&#xff1f; 2.说说InnoDB里的行锁实现? 3.意向锁是什么知道吗&#xff1f; 4.MySQL的乐观锁和悲观锁了解吗&#xff1f; 5.MySQL 遇到过死锁问题吗&#xff0c;你是如何解决的&#xff1f; 6.MySQL 事务的四大特性说一下…

ChatGPT的各项超能力从哪儿来?万字拆解追溯技术路线图来了

作者&#xff1a;符****尧、彭昊、Tushar Khot、郭志江等**** 符尧&#xff08;yao.fued.ac.uk&#xff09;&#xff0c;爱丁堡大学 (University of Edinburgh) 博士生&#xff0c;本科毕业于北京大学。他与彭昊、Tushar Khot在艾伦人工智能研究院 (Allen Institute for AI) 共…

jQuery 插件开发

文章目录jQuery 插件开发插件概述常用插件文本溢出&#xff1a;dotdotdot.js单行文本省略多行文本省略延迟加载&#xff1a;lazyload.js插件编写方法类插件函数类插件jQuery 插件开发 插件概述 jQuery插件可以理解成是使用jQuery来封装的一个功能或特效。 一般来说&#xff…

【我亲身经历的2022年软件质量工作】

软件危机&#xff08;softwarecrisis&#xff09;&#xff0c;20世纪60年代以前&#xff0c;计算机刚刚投入实际使用&#xff0c;软件设计往往只是为了一个特定的应用而在指定的计算机上设计和编制&#xff0c;采用密切依赖于计算机的机器代码或汇编语言&#xff0c;软件的规模…

如何避免编程从入门到放弃?

写代码不是什么太需要创造力的劳动&#xff0c;现在的代码从业者本质上与工业时代的纺织工人没什么差异。大多数人写代码也并不是真的有兴趣&#xff0c;只不过金钱的诱惑使然&#xff0c;这没什么不好&#xff0c;也十分正确。 但对于零基础转行编程的人来说&#xff0c;坚持下…

关于居住办公人口的统计技术解决方案

在数字化转型的浪潮下&#xff0c;大数据产业作为城市数字化转型的重要助力&#xff0c;带来了城市管理手段、模式、理念的深刻变革与创新。为了更好地了解国家城镇的职住分布结构&#xff0c;帮助城市管理部门制定更加合理的规划策略&#xff0c;为城市商业产业提供有效的规划…

面向对象的软件工程

面向对象的软件工程1 面向对象的演化1.1 生活中复杂系统的特点1.2 软件系统的复杂性1.2.1 复杂性的四个方面1.2.1.1 问题域的复杂性1.2.1.2 管理开发的困难性1.2.1.3 软件中的灵活性1.2.1.4 描述离散系统行为1.2.2 复杂系统的五个属性1.2.2.1 层次结构1.2.2.1.1 对象结构1.2.2.…

更改Docker容器网络地址

查看docker 网络列表 查看网络详情 查看容器信息&#xff0c;容器的ip docker inspect 容器id1.创建自定义网络&#xff08;默认是桥接模式&#xff09; 方式1&#xff1a; docker network create 网络名称方式2&#xff1a;指定IP和网关 docker network create --subnet17…

Django中继承父模版时子模板未继承父模板中的动态数据

解决办法&#xff1a; 自己定义一个 context_processors.py 其中的内容根据自己需求来&#xff1a; #__author:joy #date: def index(request):meve_data[首页,产品与服务,市场发展,经典案例,解决方案,联系我们]return {"meve_data":meve_data} 值得注意的是 re…

基于R语言、MaxEnt模型融合技术的物种分布模拟、参数优化方法、结果分析制图与论文写作

第一章 理论篇 以问题导入的方式&#xff0c;深 入掌握原理基础什么是 MaxEnt 模型&#xff1f;  MaxEnt 模型的原理是什么&#xff1f;有哪些用途&#xff1f;  MaxEnt 运行需要哪些输入文件&#xff1f;注意那些事项&#xff1f;  融合 R 语言的 MaxEnt 模型的优势&…

Cortex-A55核心板的温升实测!

HD-G2UL系列核心板是万象奥科全新发布的极具性价比产品&#xff0c;搭载64位Cortex-A551.0GHz处理器&#xff0c;搭配1G内存/8G存储售价仅为148元。本文将针对该系列核心板进行温升实测。 1. 测试准备 HDG2UL-IOT开发板&#xff0c;基于HD-G2UL-CORE工业级核心板设计&#xff0…

2022年安徽最新交安安全员考试模拟题及答案

百分百题库提供交安安全员考试试题、交安安全员考试真题、交安安全员证考试题库等&#xff0c;提供在线做题刷题&#xff0c;在线模拟考试&#xff0c;助你考试轻松过关。 15.为防止电焊弧光伤害眼睛&#xff0c;应采取的防护方式是使用&#xff08;&#xff09;。 A.墨镜 B.…

SAP UI5 Smart Table 和 Smart Filter Bar 的联合使用方法介绍

SmartTable 的 _onMetadataInitialised 方法里&#xff1a; 如果标志位 bIsInitialised 已经赋值&#xff0c;说明已经初始化过了&#xff0c;直接返回。 这里说明 SmartTable 有一个自动调整宽度的属性设置&#xff1a;getEnableAutoColumnWidth 拿到 Table view 的metadat…

c站top1全栈接口测试教程 postman接口测试 接口自动化测试全套教程

本文适合已经掌握 Postman 基本用法的读者&#xff0c;即对接口相关概念有一定了解、已经会使用 Postman 进行模拟请求等基本操作&#xff0c;文章末尾也搭配了相应的视频教程&#xff0c;如果喜欢的同学呢可以来个一键三连哈。 工作环境与版本&#xff1a; Window 7&#xff…

0.96寸OLED显示屏介绍续

0.96 寸OLED 显示屏使用方法 &#xff08;以中景园电子的0.96 寸OLED 显示屏为例&#xff09; 0.96寸OLED显示屏实物图 七针SPI/IIC 0.96寸OLED显示屏使用方法&#xff1a; 七针SPI/IIC 0.96寸OLED显示屏共有七个管脚&#xff0c;1&#xff5e;7 分别为 GDN、VCC、D0、D1、RES、…

FineReport企业数据图表-JS实现参数控件赋值

1. 概述 1.1 版本 报表服务器版本 功能变更 11.0 -- 1.2 问题描述 参数界面中&#xff0c;往往需要在一个控件中动态的控制其他控件的值&#xff0c;如下图&#xff0c;当 username 有值时&#xff0c;state 自动变为 1&#xff0c;当 username 无值时&#xff0c;state 自…

Android-桌面小组件RemoteViews播放动画

一、前言 前段时间什么比较火&#xff1f;当然是木鱼了&#xff0c;木鱼一敲&#xff0c;烦恼全消~在这个节奏越来越快的社会上&#xff0c;算是一个不错的解压利器! 我们也紧跟时事&#xff0c;推出了 我要敲木鱼&#xff08;各大市场均可以下载哦~&#xff09; 咳咳&…

Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition

论文: https://arxiv.org/pdf/2211.11943.pdf code(pytorh版本): https://github.com/shanglianlm0525/PyTorch-Networks Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition一、引言二、架构实现(一)、Convolutional Modulation Block&#xff08;二&am…