Möller-Trumbore算法-射线三角形相交算法

一、概述

Möller-Trumbore 射线三角相交算法是一种快速计算射线与三角形在三个维度上的交点的方法,通过向量与矩阵计算可以快速得出交点与重心坐标,而无需对包含三角形的平面方程进行预计算。另外,它还应用于计算机图形学中以实现涉及三角形网格的光线跟踪计算。算法名字是以发明者 TomasMöllerBen Trumbore 的名字来命名的。

二、准备知识

1、三阶方阵的行列式等于三个列向量的混合积
在这里插入图片描述

2、克莱姆法则(部分译克拉默法则)
如果一个线性方程组 A x = c \boldsymbol{Ax} = \boldsymbol{c} Ax=c, 其中 A \boldsymbol{A} A 是可逆方阵, x \boldsymbol{x} x c \boldsymbol{c} c 都是列向量,那么方程有解,且 x \boldsymbol{x} x 的每一个解
在这里插入图片描述

其中 A i ​ A_i​ Ai 是被列向量取代了第 i i i 列的矩阵。

三、Möller-Trumbore 算法推导

已知光线 R a y = O + t D \boldsymbol{Ray} = \boldsymbol{O} + t\boldsymbol{D} Ray=O+tD O \boldsymbol{O} O 为起点, D \boldsymbol{D} D为射线方向, t t t 为时间), 三角形三个顶点 P 0 P_0 P0 P 1 P_1 P1 P 2 P_2 P2​。 光线与三角形相交时,可得如下等式:
在这里插入图片描述

则可以解
在这里插入图片描述

参数定义:
在这里插入图片描述

推导过程

从这里开始
在这里插入图片描述

括号展开,移项可得
在这里插入图片描述

观察一下上面的括号以及等式左边的内容,都是已知的点,因此点的加减可以用向量来表示,令
在这里插入图片描述

得到
在这里插入图片描述

也即
在这里插入图片描述

这是一个形如 A x = c \boldsymbol{Ax} = \boldsymbol{c} Ax=c 的等式,所以可以用克拉莫法则
在这里插入图片描述

由向量混合积可以得出
分母部分:
在这里插入图片描述


在这里插入图片描述

​原式等于
在这里插入图片描述

分子部分:
在这里插入图片描述

在这里插入图片描述

​原式等于
在这里插入图片描述

因此
在这里插入图片描述

另外的两个参数 b 1 b_1 b1 b 2 b_2 b2可以同样推出来
在这里插入图片描述

四、代码实现

bool rayTriangleIntersect(const Vector3f& v0, const Vector3f& v1, const Vector3f& v2, const Vector3f& orig,
                          const Vector3f& dir, float& tnear, float& u, float& v)
{
    bool isIn = false;
    Vector3f E1 = v1 - v0;
    Vector3f E2 = v2 - v0;
    Vector3f S = orig - v0;
    Vector3f S1 = crossProduct(dir, E2);
    Vector3f S2 = crossProduct(S, E1);
    float coeff = 1.0 / dotProduct(S1, E1); // 共同系数
    float t = coeff * dotProduct(S2, E2);
    float b1 = coeff * dotProduct(S1, S);
    float b2 = coeff * dotProduct(S2, dir);
    if (t >= 0 && b1 >= 0 && b2 >= 0 && (1 - b1 - b2) >= 0)
    {
        isIn = true;
        tnear = t;
        u = b1;
        v = b2;
    }

    return isIn;
}

参考资料
[1] 直线与三角形相交Moller Trumbore算法推导:
https://www.blurredcode.com/2020/04/%E7%9B%B4%E7%BA%BF%E4%B8%8E%E4%B8%89%E8%A7%92%E5%BD%A2%E7%9B%B8%E4%BA%A4moller-trumbore%E7%AE%97%E6%B3%95%E6%8E%A8%E5%AF%BC/
[2] 克莱姆法则:https://zh.wikipedia.org/wiki/%E5%85%8B%E8%90%8A%E5%A7%86%E6%B3%95%E5%89%87
[3] Möller–Trumbore 算法:https://en.wikipedia.org/wiki/M%C3%B6ller%E2%80%93Trumbore_intersection_algorithm
[4] 行列式的几何意义:https://www.cnblogs.com/andyjee/p/3491487.html

欢迎关注个人公众号,实时推送最新博文!
在这里插入图片描述

  • 29
    点赞
  • 52
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
神经网络在自动驾驶中扮演着重要角色,它可以帮助车辆感知环境、做决策和控制行为。以下是一个简单的自动驾驶神经网络算法代码详解: ```python import numpy as np # 定义神经网络类 class NeuralNetwork: def __init__(self, input_size, hidden_size, output_size): # 初始化权重和偏置 self.W1 = np.random.randn(input_size, hidden_size) self.b1 = np.zeros((1, hidden_size)) self.W2 = np.random.randn(hidden_size, output_size) self.b2 = np.zeros((1, output_size)) def forward(self, X): # 前向传播计算输出 self.z1 = np.dot(X, self.W1) + self.b1 self.a1 = np.tanh(self.z1) self.z2 = np.dot(self.a1, self.W2) + self.b2 self.a2 = self.sigmoid(self.z2) return self.a2 def backward(self, X, y, learning_rate): # 反向传播更新权重和偏置 m = X.shape[0] delta2 = self.a2 - y dW2 = (1/m) * np.dot(self.a1.T, delta2) db2 = (1/m) * np.sum(delta2, axis=0) delta1 = np.dot(delta2, self.W2.T) * (1 - np.power(self.a1, 2)) dW1 = (1/m) * np.dot(X.T, delta1) db1 = (1/m) * np.sum(delta1, axis=0) self.W2 -= learning_rate * dW2 self.b2 -= learning_rate * db2 self.W1 -= learning_rate * dW1 self.b1 -= learning_rate * db1 def sigmoid(self, x): # sigmoid激活函数 return 1 / (1 + np.exp(-x)) # 样本输入和输出 X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([[0], [1], [1], [0]]) # 创建神经网络对象 nn = NeuralNetwork(2, 3, 1) # 训练神经网络 for i in range(10000): output = nn.forward(X) nn.backward(X, y, learning_rate=0.1) # 测试神经网络 test_input = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) predictions = nn.forward(test_input) print(predictions) ``` 这段代码实现了一个简单的多层感知器神经网络,用于解决XOR逻辑门问题。其中`NeuralNetwork`类定义了神经网络的结构和操作,`forward`方法用于前向传播计算输出,`backward`方法用于反向传播更新权重和偏置。最后通过训练和测试数据来验证神经网络的准确性。该代码可以作为自动驾驶神经网络算法的基础,根据具体问题进行进一步扩展和优化。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值