如何设置SciPy插值器以最高精度保留车辆位置数据？

你要的「在曲线变化剧烈区域密集采样、平缓区域稀疏采样」的需求，完全可以用SciPy实现，不需要机器学习算法。核心思路是基于曲线的曲率分配采样点——曲率越大（曲线越弯曲）的地方，采样点越密集；曲率越小（接近直线）的地方，采样点越稀疏。

具体实现代码 #

import numpy as np
from scipy.interpolate import CubicSpline
import matplotlib.pyplot as plt
from matplotlib import cm

def adaptive_reduce_dataset(x_list, y_list, num_interpolation_points):
    # 1. 用弧长参数化原始曲线，消除原始采样间隔的影响
    points = np.array([x_list, y_list]).T
    segment_distances = np.sqrt(np.sum(np.diff(points, axis=0)**2, axis=1))
    arc_lengths = np.insert(np.cumsum(segment_distances), 0, 0)
    t = arc_lengths / arc_lengths[-1]  # 归一化到[0,1]区间
    
    # 2. 用三次样条拟合出连续曲线，方便计算导数和曲率
    cs_x = CubicSpline(t, x_list)
    cs_y = CubicSpline(t, y_list)
    
    # 3. 在密集采样点上计算曲率，衡量曲线弯曲程度
    dense_t = np.linspace(0, 1, 1000)
    # 计算一阶导数（切线斜率）
    dx_dt = cs_x(dense_t, 1)
    dy_dt = cs_y(dense_t, 1)
    # 计算二阶导数（曲率相关）
    d2x_dt2 = cs_x(dense_t, 2)
    d2y_dt2 = cs_y(dense_t, 2)
    # 曲率公式：|x’*y'' - y’*x''| / (x’² + y’²)^(3/2)
    curvature = np.abs(dx_dt * d2y_dt2 - dy_dt * d2x_dt2) / (dx_dt**2 + dy_dt**2)**(3/2)
    curvature += 1e-6  # 避免曲率为0导致权重失效
    
    # 4. 根据曲率生成自适应采样的参数点
    cumulative_weight = np.cumsum(curvature)
    cumulative_weight /= cumulative_weight[-1]  # 归一化累积权重
    # 用均匀分布的权重映射到曲线参数t，实现曲率大的区域采样更密
    target_weights = np.linspace(0, 1, num_interpolation_points)
    adaptive_t = np.interp(target_weights, cumulative_weight, dense_t)
    
    # 5. 用自适应参数点插值得到最终采样结果
    new_xs = cs_x(adaptive_t)
    new_ys = cs_y(adaptive_t)
    
    return new_xs, new_ys

# 替换为你的原始车辆位置数据(xs, ys)
# xs, ys = ...

# 生成50个自适应采样点
xs_adaptive, ys_adaptive = adaptive_reduce_dataset(xs, ys, 50)

# 可视化结果
colors = cm.rainbow(np.linspace(0, 1, len(ys_adaptive)))
plt.figure(figsize=(8,6))
for x, y, c in zip(xs_adaptive, ys_adaptive, colors):
    plt.scatter(x, y, color=c)
plt.title("自适应采样结果")
plt.show()

方法说明 #

1. 弧长参数化：确保曲线参数的变化和实际车辆移动的距离一致，避免原始采样间隔不均带来的偏差。
2. 三次样条拟合：将离散点转换为连续可导的曲线，为计算曲率提供基础。
3. 曲率驱动采样：曲率直接反映曲线的弯曲程度，通过累积曲率权重的方式，把均匀分布的采样权重映射到曲线参数上，自动在弯曲区域分配更多采样点。
4. 严格控制点数：通过num_interpolation_points参数精准控制最终采样点数量，满足你的需求。

优化建议 #

• 如果原始数据存在噪声，可先对xs和ys用scipy.signal.savgol_filter做平滑处理，避免曲率计算出现异常波动。
• 若想让弯曲区域的采样更密集，可将曲率替换为curvature ** 2，放大高曲率区域的权重占比。

内容的提问来源于stack exchange，提问作者Java Weenis