带包裹维度的Delaunay三角剖分实现咨询：如何处理yaw周期性

方法1：点集平铺偏移法（直接适配scipy.spatial.Delaunay，无需额外依赖） #

这是最易实现的轻量方案，逻辑如下：

• 由于yaw的周期为2π，将原始点集pts = [(x1,y1,yaw1), (x2,y2,yaw2), ...]复制出两个平移副本：
  • 副本1：yaw统一减2π，对应周期左边界外的镜像点
  • 副本2：yaw统一加2π，对应周期右边界外的镜像点
• 合并原始点集、两个镜像副本得到总点集，调用scipy.spatial.Delaunay对总点集做三维Delaunay剖分
• 过滤得到仅由原始点集组成的四面体（三维Delaunay的输出单元），最终结果即为适配yaw周期性的三角剖分。

注意：如果米和弧度的缩放系数不是1，偏移时需要同步乘以该缩放系数，保证yaw维度的周期距离计算正确。

方法2：角度高维嵌入法 #

将周期性的yaw维度拆为两个正交分量避免边界不连续：

• 对每个点的yaw值，计算cos_yaw = cos(yaw)、sin_yaw = sin(yaw)
• 把原始三维点扩展为四维点(x, y, cos_yaw, sin_yaw)
• 对四维点集做Delaunay剖分，之后将结果映射回原(x,y,yaw)空间即可自动适配角度周期性

该方案无需手动处理边界过滤，但维度升高会明显增加计算量，仅适合点数较少的场景。

方法3：支持周期维度的专用库调用 #

如果不想手动处理数据适配，可以使用支持周期边界的三角剖分库pycddlib，配置时直接将yaw维度标记为周期性维度，即可直接输出符合要求的剖分结果，无需额外后处理。

简单示例代码（方法1） #

import numpy as np
from scipy.spatial import Delaunay

# 原始点集：n个(x, y, yaw)，yaw∈[0, 2π)
raw_pts = np.random.rand(100, 3)
raw_pts[:, 2] *= 2 * np.pi

# 生成镜像点集
offset = 2 * np.pi  # 缩放系数为1时的偏移量，系数变化时同步调整
pts_left = raw_pts.copy()
pts_left[:, 2] -= offset
pts_right = raw_pts.copy()
pts_right[:, 2] += offset
total_pts = np.vstack([pts_left, raw_pts, pts_right])

# 做Delaunay剖分
tri = Delaunay(total_pts)

# 过滤仅由原始点（索引在[n, 2n)区间）组成的单元
n = len(raw_pts)
valid_simplices = []
for simplex in tri.simplices:
    if np.all((simplex >= n) & (simplex < 2*n)):
        # 索引转换回原始点集的索引
        valid_simplices.append(simplex - n)
valid_simplices = np.array(valid_simplices)

内容的提问来源于stack exchange，提问作者Peter