(1条消息) 【计算几何】检查某点是否位于凸多边形内

libnest2d 开源2D排样库：原理、选型与落地实践

二维排样问题广泛存在于数控切割、家具下料与钣金套料等制造场景，其本质是在固定板材内高效放置不规则多边形零件，属于NP-Hard组合优化问题，几何上依赖多边形碰撞检测与位置搜索。传统矩形包围盒近似虽简单，却会显著浪费板材。而基于no-fit polygon（NFP）与Minkowski和的不规则嵌套算法，能够更精确地实现零件咬合排布，提升材料利用率。开源C++库libnest2d正是这种算法的工程化实现，支持多策略搜索、旋转约束与多线程并行，为CAD/CAM、激光切割等系统提供了可直接集成的自动排样能力。通过

VC++实现AABB碰撞检测：从原理到MFC可视化模拟系统

碰撞检测是计算机图形学与游戏开发中的基础技术，用于判断虚拟场景中物体是否发生接触。其核心原理是通过几何计算分析物体间的空间关系，其中包围盒（Bounding Volume）技术因其高效性而被广泛应用。AABB（轴对齐包围盒）作为最常用的包围盒类型，通过将物体包裹在一个边平行于坐标轴的长方体内，极大地简化了相交测试的复杂度，其检测算法仅需在每一坐标轴上进行区间重叠判断，计算效率极高。这项技术的核心价值在于，它为实时图形应用（如游戏、虚拟仿真）提供了高性能的空间查询能力，是构建物理引擎和交互系统的基石。本文聚焦

使用 PyOpenGL 进行 2D 图形渲染总结

OpenGL是一个广泛使用的开放式跨平台实时 3D 图形库，开发于二十多年前。它提供了一个低级API，允许开发人员以统一的方式访问图形硬件。在开发需要硬件加速且需要在不同平台上运行的复杂 2D 或 3D 应用程序时，它是首选平台。它可以在多种语言中使用，包括 C/C++、C#、Java、Objective-C（用于 iPhone 和 iPad 游戏）、Python 等。在本文中，我将展示如何将 OpenGL 与 Python 一起使用（感谢PyOpenGL 库）来高效渲染 2D 图形。

基于MPC+二自由度动力学的车辆轨迹跟踪+横向控制Carsim和Simulink联合仿真（Matlab代码、Simulink仿真实现）

内容概要：本文系统阐述了基于模型预测控制（MPC）与二自由度车辆动力学模型的轨迹跟踪与横向控制方法，通过Carsim与Simulink联合仿真平台实现了Matlab代码与Simulink模型的协同验证。该方法结合MPC算法的滚动时域优化特性与车辆二自由度动力学模型的运动学精度，构建了高精度的路径跟踪控制系统，能够有效提升自动驾驶车辆在复杂工况下的行驶稳定性与轨迹跟随精度。文中详细介绍了控制策略设计、车辆动力学建模、仿真参数配置、联合仿真接口搭建及结果分析全过程，涵盖了状态预测、代价函数构建、约束处理与优化求解等核心环节，适用于智能驾驶中路径规划与跟踪控制系统的研发与验证。; 适合人群：具备车辆动力学、现代控制理论（如最优控制、预测控制）基础知识，熟练掌握Matlab/Simulink与Carsim仿真工具，从事自动驾驶、智能车辆控制算法开发的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于智能网联汽车与无人驾驶系统中横向控制算法的设计与性能验证；②作为MPC在车辆运动控制中应用的教学案例，辅助高校课程实践与科研训练；③支撑高水平学术论文复现、课题申报与工程原型开发。; 阅读建议：建议读者在Carsim与Simulink联合仿真环境下动手复现，重点掌握MPC控制器中预测模型的建立、权重系数调节、约束设定及实时性优化等关键技术，并尝试在不同道路曲率、车速及路面附着条件下进行鲁棒性测试，进一步拓展至非线性MPC或自适应MPC等先进控制策略的研究。

基于线性时变模型预测控制的车辆轨迹跟踪系统研究（Matlab代码、Simulink仿真实现）

内容概要：本文系统研究了基于线性时变模型预测控制（LTV-MPC）的车辆轨迹跟踪系统，利用Matlab与Simulink工具搭建完整的控制系统仿真模型。研究首先建立车辆动力学模型，并通过局部线性化方法将非线性系统转化为时变状态空间模型，进而构建包含状态预测、滚动优化与反馈校正的MPC控制框架。文中详细阐述了目标函数设计、约束条件处理（如输入饱和、状态边界）、预测时域与控制时域设定等关键技术环节，重点分析LTV-MPC在不同行驶工况下对参考轨迹的跟踪精度、稳定性和实时性表现。通过与传统线性MPC的对比仿真，验证了LTV-MPC在应对系统非线性、提升轨迹跟踪性能方面的显著优势，充分展现了其在自动驾驶路径跟踪中的工程应用价值。; 适合人群：具备自动控制理论、车辆动力学及优化算法基础，熟练掌握Matlab/Simulink编程环境，从事智能驾驶决策控制、路径规划、先进驾驶辅助系统（ADAS）研发的科研人员、工程技术人员及研究生。; 使用场景及目标：①掌握车辆轨迹跟踪中MPC控制器的设计与实现方法；②学习如何将非线性车辆模型在线线性化并集成到预测控制框架中；③深入理解LTV-MPC相较于固定参数MPC的性能优势与适用边界；④通过仿真调试优化权重矩阵、预测时域等关键参数，提升实际控制效果；⑤为自动驾驶系统的控制模块开发、学术论文撰写或毕业课题提供可复现的技术方案与仿真平台。; 阅读建议：建议读者结合所提供的Matlab代码与Simulink模型，逐步运行并剖析各功能模块，重点关注车辆模型线性化过程、状态预测模块构建、QP求解器配置及约束处理机制，通过调整工况和控制参数进行对比实验，深入掌握LTV-MPC的调控机理与性能优化方法。