旋转平移杆端轨迹填充及覆盖区域概率可视化实现求助

一、轨迹区域正确填充的实现 #

Plotly的fill参数依赖连续闭合路径才能生成预期填充效果，离散轨迹点直接填充会出现交叉或不完整问题。核心思路是提取轨迹的上下包络线，再填充两条包络线之间的区域：

• 收集所有杆端坐标，按X轴排序后，提取每个X值对应的最大Y（上边界）和最小Y（下边界）
• 绘制上下边界曲线，通过fill='tonexty'实现区域填充
• 叠加原始杆端轨迹点或路径，保留细节展示

二、覆盖率可视化（类高斯分布） #

要实现中心100%、Y正向覆盖率略低于负向的效果，可通过带权重的核密度估计(KDE) 实现：

• 给Y负向轨迹点赋予更高权重，让负向区域密度更高
• 将密度值归一化为百分比，中心峰值设为100%
• 用热力图或等高线图展示覆盖率分布

三、完整代码示例 #

import numpy as np
import plotly.graph_objects as go
from scipy.stats import gaussian_kde

# 1. 生成旋转平移杆端轨迹数据
t = np.linspace(0, 10, 500)
rod_length = 2
x_base = 0.5 * t  # 底座X方向匀速平移
theta = np.pi * t * 0.3  # 旋转角度
# 杆自由端坐标（添加微小噪声模拟真实轨迹）
x_b = x_base + rod_length * np.cos(theta)
y_b = rod_length * np.sin(theta) + 0.2 * np.random.randn(len(t))

# 2. 提取轨迹上下包络线
all_points = np.column_stack((x_b, y_b))
sorted_idx = np.argsort(all_points[:, 0])
sorted_x, sorted_y = all_points[sorted_idx, 0], all_points[sorted_idx, 1]

# 去重X并提取对应Y的极值
unique_x, idx = np.unique(sorted_x, return_index=True)
upper_y, lower_y = [], []
for i in range(len(unique_x)-1):
    y_segment = sorted_y[idx[i]:idx[i+1]]
    upper_y.append(np.max(y_segment))
    lower_y.append(np.min(y_segment))
upper_y.append(np.max(sorted_y[idx[-1]:]))
lower_y.append(np.min(sorted_y[idx[-1]:]))
upper_y, lower_y = np.array(upper_y), np.array(lower_y)

# 3. 计算带权重的覆盖率分布（Y负向权重更高）
weights = np.exp(0.5 * y_b)  # Y值越小，权重越大
kde = gaussian_kde([x_b, y_b], weights=weights)

# 生成可视化网格并计算密度
x_grid = np.linspace(np.min(x_b), np.max(x_b), 100)
y_grid = np.linspace(np.min(y_b), np.max(y_b), 100)
X, Y = np.meshgrid(x_grid, y_grid)
density = kde(np.vstack([X.ravel(), Y.ravel()])).reshape(X.shape)
density_norm = (density / np.max(density)) * 100  # 归一化为百分比

# 4. Plotly可视化
fig = go.Figure()

# 添加覆盖率热力图（底层）
fig.add_trace(go.Heatmap(
    x=x_grid, y=y_grid, z=density_norm,
    colorscale='Blues_r', opacity=0.5,
    colorbar=dict(title='覆盖率(%)'), name='覆盖率'
))

# 填充轨迹区域
fig.add_trace(go.Scatter(
    x=unique_x, y=upper_y, mode='lines',
    line=dict(color='rgba(30,144,255,0.3)'), name='上边界'
))
fig.add_trace(go.Scatter(
    x=unique_x, y=lower_y, mode='lines',
    line=dict(color='rgba(30,144,255,0.3)'),
    fill='tonexty', fillcolor='rgba(30,144,255,0.15)',
    name='轨迹区域'
))

# 叠加原始轨迹点
fig.add_trace(go.Scatter(
    x=x_b, y=y_b, mode='markers',
    marker=dict(color='darkblue', size=3), name='杆端轨迹'
))

# 布局调整
fig.update_layout(
    title='旋转平移杆端轨迹与覆盖率可视化',
    xaxis_title='X坐标', yaxis_title='Y坐标',
    template='plotly_white', showlegend=True
)

fig.show()

四、代码优化建议 #

• 效率优化：若时间步数量极大，用np.histogram2d分箱统计X-Y极值，替代逐段遍历，提升包络线提取速度
• 填充精度优化：若轨迹存在交叉，用shapely库将离散点转换为多边形后填充，避免异常填充区域
• 覆盖率调优：通过KDE的bw_method参数控制分布宽窄，或直接自定义二维高斯函数生成符合要求的分布（更高效）
• 动态可视化：添加时间滑块展示杆的旋转平移过程，结合轨迹生成动画，提升直观性

内容的提问来源于stack exchange，提问作者pinq-