算法需求:

传入【0~1】的时间time,返回【0~1】的路程。

整个路程distance【0~1】分为三段路径:

第一段:在0.25time的时间里,速度从0,位置从distance:0加速移动到距离distance:K

第二段:在0.25time时间里,位置从distance:k减速移动到某距离distance:1 – ratio

第三段:在0.5time时间里,位置从distance:1 – ratio减速移动到distance:1

但是变化率由第一段1/4总时间经过的路程K和总路程长度distance大小决定:如果总路程超过10000米,。如果总路程不超过10000米,第三段就用0.2*distarationce

已知参数:

初速度

末速度

时间

距离

路程

加速度

距离与时间算法

第一段

0

0.25

K

K

第二段

0.25

Ratio-k

1-Ratio

第三段

0

0.5

Ratio

1

第一段推导算法与参数

S = A * time * time / 2

A = S / time * time

V = S * time

初速度

末速度

时间

距离

路程

加速度

距离与时间算法

第一段

0

8k

0.25

K

K

32k

Time * time *16K

第二段

8K

0.25

Ratio-k

1-Ratio

第三段

0

0.5

Ratio

1

第三段推导算法与参数

S = A * time * time / 2

A = S / time * time

V = S * time

S = V *time + A * time * time / 2

初速度

末速度

时间

距离

路程

加速度

距离与时间算法

第一段

0

8k

0.25

K

K

32k

Time * time *16K

第二段

8K

4Ratio

0.25

Ratio-k

1-Ratio

第三段

4Ratio

0

0.5

Ratio

1

-8Ratio

1 –(1 – Time) *(1 – Time)*4Ratio

接下来是第二段的推导,参数很多,似乎不用推导,但是突然发现,其实参数太多导致推导由问题:如果加速度A是固定的:

  1. A = 2*S/time*time  即: 32*(Ratio - k)
  2. A = (V1-V0)/time 即:4*(4Ratio - 8K)

32*(Ratio - k) = 4*(4Ratio - 8K)

为了满足以上算例,Ratio必须为0才行,这样不符合我们的预期。

我试了各种办法也没有能力让第二段保持这种状态,所以我舍弃第二段的初速度,使得第二段与第三段的初速度能连接。

初速度

末速度

时间

距离

路程

加速度

距离与时间算法

第一段

0

8k

0.25

K

K

32k

Time * time *16K

第二段

4Ratio

0.25

Ratio-k

1-Ratio

第三段

4Ratio

0

0.5

Ratio

1

-8Ratio

1 –(1 – Time) *(1 – Time)*4Ratio

继续推导第二段:

S = V0 * TIME + A * TIME * TIME /2

V1 = V0 + A * TIME

à

1 - Ratio - k = v0 /4 + a / 32

4Ratio = v0 + a / 4

à

A = 32 * (k + 2Ratio - 1)

V0 = 4 * Ratio – 8 * k

初速度

末速度

时间

距离

路程

加速度

距离与时间算法

第一段

0

8k

0.25

K

K

32k

Time * Time *16K

第二段

8-8k-12Ratio

4Ratio

0.25

1-Ratio-k

1-Ratio

32k+64Ratio-32

第三段

4Ratio

0

0.5

Ratio

1

-8Ratio

1 –(1 – Time) *(1 – Time)*4Ratio

注意:为了保障第二段的初速度大于零:需要Ratio < 2/3 * ( 1 - k)

第一段距离时间函数:time < 0.25

Time * Time *16K

第二段距离时间函数:time < 0.5

K + (8-8k-12Ratio)*Time + (16k+32Ratio-16)*Time*Time

第三段距离时间函数:time < 1

1 –(1 – Time) *(1 – Time)*4Ratio

 //将前0到0.8的距离用0到0.2的时间完成,后0.8到1的距离用0.2到1的时间完成
//传入的是时间0~~~0.2~~~1
//返回的是距离0~~~0.8~~~1
//pathLength是总距离,作为加减速参考值
//timeRatio传入的是时间t 返回的是移动距离S(当前位置)
double GY_threeSectionSmooth(double timeRatio, double pathLength = 100000.0)
{
//
// 初速度 末速度 时间 距离 路程 加速度 距离与时间算法
// 第一段 0 8k 0.25 K K 32k Time * Time * 16K
// 第二段 8 - 8k - 12Ratio 4Ratio 0.25 1 - Ratio - k 1 - Ratio 32k + 64Ratio - 32 K + (8 - 8k - 12Ratio)*Time + (16k + 32Ratio - 16)*Time*Time
// 第三段 4Ratio 0 0.5 Ratio 1 - 8Ratio 1 –(1 – Time) *(1 – Time) * 4Ratio
//
// 定义:k是第一段的路程,Ratio是第三段的路程
// 注意:为了保障第二段的初速度大于零:需要Ratio < 2 / 3 * (1 - k)
// 例如 k定义为0.6时,Ratio不能大于0.26
//
// 第一段距离时间函数:time < 0.25
// Time * Time * 16K
// 第二段距离时间函数:time < 0.5
// K + (8 - 8k - 12Ratio)*Time + (16k + 32Ratio - 16)*Time*Time
// 第三段距离时间函数:time < 1
// 1 –(1 – Time) *(1 – Time) * 4Ratio //定义k
double k = 0.6; //计算Ratio 注意:Ratio < 2/3 * ( 1 - k)
double pathRatio = pathLength / 10000.0;
pathRatio = std::max(1.0, pathRatio);
double ratio = 0.2 / pathRatio;
ratio = std::min(ratio, 2.0/3.0*(1.0-k)); //计算三段位置与时间关系
double distanceRatio = timeRatio;
if (timeRatio < 0.25) //第一段:Time * Time * 16K
{
distanceRatio = k*timeRatio*timeRatio * ;
}
else if (timeRatio < 0.5) //第二段:K + (8 - 8k - 12Ratio)*Time + (16k + 32Ratio - 16)*Time*Time
{
timeRatio -= 0.25;
distanceRatio = k + ( - * k - * ratio) * timeRatio + ( * k + * ratio - ) * timeRatio * timeRatio;
}
else if (timeRatio <= 1.0) //第三段:1 –(1 – Time) *(1 – Time) * 4Ratio
{
distanceRatio = - ( - timeRatio)* ( - timeRatio) * * ratio;
} //logInfo("time: " + float_to_String(timeRatio) + " distance: " + float_to_String(distanceRatio) + " pathLength: " + float_to_String(pathLength) + " ratio: " + float_to_String(ratio)); return distanceRatio;
}

[原][算法][earth]三段smooth,传入时间,返回距离。仿谷歌视角飞跃处理的更多相关文章

  1. 算法导论学习之线性时间求第k小元素+堆思想求前k大元素

    对于曾经,假设要我求第k小元素.或者是求前k大元素,我可能会将元素先排序,然后就直接求出来了,可是如今有了更好的思路. 一.线性时间内求第k小元素 这个算法又是一个基于分治思想的算法. 其详细的分治思 ...

  2. 【问题记录】python 函数 传入一个对象返回一个对象值得注意

    写了一个函数,这个函数接收一个参数,在函数里面判断这个参数是否为None或者不合法状态, 如果处于不合法状态,则创建一个对象返回, 如果合法直接返回 代码示例如下: def get_mq_connec ...

  3. [原][osgearth]earth文件加载道路一初步看见模型道路

    时间是2017年2月5日17:16:32 由于OE2.9还没有发布,但是我又急于使用OE的道路. 所以,我先编译了正在github上调试中的OE2.9 github网址是:https://github ...

  4. python 将歌词解析封装成类,要求:提供一个方法(根据时间返回歌词) - 提示:封装两个类:歌词类、歌词管理类

    自己写的 有更好方案的大佬可以讨论一下 import bisectclass Lrc(): def __init__(self, sec, lrc): self.sec = sec self.lrc ...

  5. 算法导论 第八章 线性时间排序(python)

    比较排序:各元素的次序依赖于它们之间的比较{插入排序O(n**2) 归并排序O(nlgn) 堆排序O(nlgn)快速排序O(n**2)平均O(nlgn)} 本章主要介绍几个线性时间排序:(运算排序非比 ...

  6. ASP.Net Core中设置JSON中DateTime类型的格式化(解决时间返回T格式)

    最近项目有个新同事,每个API接口里返回的时间格式中都带T如:[2019-06-06T10:59:51.1860128+08:00],其实这个主要是ASP.Net Core自带时间格式列化时间格式设置 ...

  7. python 传入参数返回的时候好像有些时候会出现莫名其妙的循环

    def handle_field(name, s_len, s): #some code #return s would error but return not.... #return s for ...

  8. Loadrunner 中时间戳函数 web_save_timestamp_param(时间返回数值)

    web_save_timestamp_param("tStamp", LAST); lr_output_message("Moon1:%s",lr_eval_s ...

  9. Mybatis中传入时间值

    <if test="search_content2 != null and search_content2 != ''"> AND add_time <![CDA ...

随机推荐

  1. git链接到远程github上

    Git链接到自己的Github(1)简单的开始 好长时间没上来弄东西了,今天回来先开始弄下Git,之后再继续写uboot与kernel的编译,在版本控制下更加宏观地观察每次的变化. 1.在ubuntu ...

  2. Synctoy2.1使用定时任务0X1

    环境描述:公司需要在windows上面使用双向文件同步,目前发现SyncToy可以实现这个功能,但是在Windows 2012上面 ,添加定时任务的时候,执行状态总是0x1,定时任务配置确认多次,肯定 ...

  3. 限时免费 | 12月6日,广州保利洲际酒店,ABC Summit 2018云智峰会来了!

    随着科技的迅猛发展,人工智能技术也逐渐取得了各个突破.自20世纪70年代以来,作为计算机学科的一个分支,人工智能就被列为世界三大尖端技术之一.近年来,阿尔法狗战胜世界第一柯洁,使人工智能再度迎来新的热 ...

  4. Codeforces 1136 - A/B/C/D/E - (Done)

    链接:https://codeforces.com/contest/1136/ A - Nastya Is Reading a Book - [二分] #include<bits/stdc++. ...

  5. Codeforces 1136D - Nastya Is Buying Lunch - [贪心+链表+map]

    题目链接:https://codeforces.com/problemset/problem/1136/D 题意: 给出 $1 \sim n$ 的某个排列 $p$,再给出若干 $(x,y)$ 表示当序 ...

  6. One Technical Problem: Can one process load two different c libraries simutaneously, such as uclibc and glibc?

    For some special reasons, there is a possible case which need to load uclibc and glibc in one proces ...

  7. 深度学习基础(二)AlexNet_ImageNet Classification with Deep Convolutional Neural Networks

    该论文是深度学习领域的经典之作,因为自从Alex Krizhevsky提出AlexNet并使用GPUs大幅提升训练的效率之后,深度学习在图像识别等领域掀起了研究使用的热潮.在论文中,作者训练了一个含有 ...

  8. PyQt5简介及demo

    PyQt5说明 pyqt5是一套Python绑定Digia QT5应用的框架.它可用于Python 2和3.本教程使用Python 3.Qt库是最强大的GUI库之一.pyqt5的官方网站http:// ...

  9. Python requests库如何下载一个图片资源

    原文地址https://blog.csdn.net/u011541946/article/details/77700074 前面一篇文章介绍了response对象的一些常用API,也已经提到,我们的重 ...

  10. C#设计模式(12)——享元模式(Flyweight Pattern)(转)

    一.引言 在软件开发过程,如果我们需要重复使用某个对象的时候,如果我们重复地使用new创建这个对象的话,这样我们在内存就需要多次地去申请内存空间了,这样可能会出现内存使用越来越多的情况,这样的问题是非 ...