我在python中工作，我之前有(x_prev,y_prev) = (1.5, 3)坐标和当前(x,y) = (2, 3.2)坐标和angle之间的差异，我希望下一个坐标距离{{1}与当前d坐标具有相同的方向。我尝试过使用旋转和平移公式，但未能给出正确的答案。这是我到目前为止的代码。
(x,y)预期坐标大约为d = 0.5
angle = np.arctan2((y - y_prev), (x - x_prev))
x_ = x * np.cos(angle) - y * np.sin(angle) + (d * np.sinc(angle_/2)* np.cos(angle/2))
y_ = x * np.sin(angle) + y * np.cos(angle) + (d * np.sinc(angle_/2)* np.sin(angle/2))
，方向与当前相同，但会导致坐标错误，所以我有什么遗漏。
提前致谢
答案 0 :(得分：0)
我部分同意@ImportanceOfBeingErnest您的问题是几何问题。但是，我添加了一个答案，因为numpy可以让你避免一开始就尝试做的所有三角函数。
你想要的是找到基于(x_new,y_new)和(x_prev,y_prev)的点(x_now,y_now)，这样三个点位于同一条线上，(x_prev,y_prev)和{之间的距离{1}}是预设的(x_new,y_new)。
如果可以使用正确的二维向量，则不需要三角法。您可以对矢量d进行标准化，以获得您需要从(x_now,y_now) - (x_prev,y_prev)移动的线的方向矢量，以便最终到达(x_prev,y_prev)。 Numpy让你优雅地处理这个问题：
(x_new,y_new)以上结果为import numpy as np
x_prev,y_prev = (1.5, 3)
x_now,y_now = (2, 3.2)
d = 0.5
# use 2d arrays for elegant vector operations
# of course we can directly define these from coordinates if we want to
p_prev = np.array([x_prev,y_prev])
p_now = np.array([x_now,y_now])
# compute the unit direction vector for p_new - p_prev
t = p_now - p_prev
t /= np.linalg.norm(t) # use Euclidean norm by default
# p_new is simple now:
p_new = p_prev + d*t
print(p_prev)
print(p_now)
print(p_new)
。您的积分实际上是(x_new,y_new)=(1.96423835,3.18569534)距离(x_now,y_now)几乎0.5的距离，因此得到的矢量与原始矢量几乎没有差异。但无论如何，上述程序总是会给你一个新的点，它与(x_prev,y_prev)的{{1}}相同，但是在固定的距离。