Вызовите функцию создания шаблона. Эта функция создает файл определения класса для изменения для собственной реализации.
Определение класса и свойства
Первая часть шаблона определяет определение класса и любые свойства класса. Вывести из nav.StateSpace класс. В этом примере создайте свойство для равномерного и нормального распределений. Здесь можно указать любые дополнительные пользовательские свойства.
classdef MyCustomStateSpace < nav.StateSpace & ...
matlabshared.planning.internal.EnforceScalarHandle
properties
UniformDistribution
NormalDistribution
% Specify additional properties here
end
Сохраните пользовательский класс пространства состояний и убедитесь, что имя файла совпадает с именем класса.
Конструктор классов
Используйте конструктор, чтобы задать имя пространства состояний, количество переменных состояний и определить его границы. Можно также добавить входные аргументы в функцию и передать переменные при создании объекта.
Для каждой переменной состояния определите [min max] значения для границ состояний.
Вызовите конструктор базового класса.
В этом примере значения свойств нормального и равномерного распределения задаются с помощью предварительно определенных NormalDistribution и UniformDistribution классы.
Здесь укажите любые другие пользовательские значения свойств.
methods
function obj = MyCustomStateSpace
spaceName = "MyCustomStateSpace";
numStateVariables = 3;
stateBounds = [-100 100; % [min max]
-100 100;
-100 100];
obj@nav.StateSpace(spaceName, numStateVariables, stateBounds);
obj.NormalDistribution = matlabshared.tracking.internal.NormalDistribution(numStateVariables);
obj.UniformDistribution = matlabshared.tracking.internal.UniformDistribution(numStateVariables);
% User-defined property values here
end
Копирование семантики
Укажите copy определение метода. Скопируйте все значения пользовательских переменных в новый объект, чтобы copyObj является глубокой копией. Поведение по умолчанию, приведенное в этом примере, создает новую копию объекта с тем же именем, границами состояний и распределениями.
function copyObj = copy(obj)
copyObj = feval(class(obj));
copyObj.StateBounds = obj.StateBounds;
copyObj.UniformDistribution = obj.UniformDistribution.copy;
copyObj.NormalDistribution = obj.NormalDistribution.copy;
end
Принудительное применение ограничений состояния
Укажите, как гарантировать, что состояния всегда находятся в пределах состояний. В этом примере значения состояния насыщаются при минимальных или максимальных значениях для границ состояния.
function boundedState = enforceStateBounds(obj, state)
nav.internal.validation.validateStateMatrix(state, nan, obj.NumStateVariables, "enforceStateBounds", "state");
boundedState = state;
boundedState = min(max(boundedState, obj.StateBounds(:,1)'), ...
obj.StateBounds(:,2)');
end
Образец равномерно
Укажите поведение выборки для равномерного распределения. поддерживают множество синтаксисов для ограничения равномерного распределения в близлежащее состояние в пределах определенного расстояния и выборки множества состояний.
STATE = sampleUniform(OBJ)
STATE = sampleUniform(OBJ,NUMSAMPLES)
STATE = sampleUniform(OBJ,NEARSTATE,DIST)
STATE = sampleUniform(OBJ,NEARSTATE,DIST,NUMSAMPLES)
В этом примере используйте функцию проверки для обработки varargin ввод, который обрабатывает изменяющиеся входные аргументы.
function state = sampleUniform(obj, varargin)
narginchk(1,4);
[numSamples, stateBounds] = obj.validateSampleUniformInput(varargin{:});
obj.UniformDistribution.RandomVariableLimits = stateBounds;
state = obj.UniformDistribution.sample(numSamples);
end
Образец из Gaussian Distribution
Укажите поведение выборки по гауссову распределению. Поддержка нескольких синтаксисов для выборки одного состояния или нескольких состояний.
STATE = sampleGaussian(OBJ, MEANSTATE, STDDEV)
STATE = sampleGaussian(OBJ, MEANSTATE, STDDEV, NUMSAMPLES)
function state = sampleGaussian(obj, meanState, stdDev, varargin)
narginchk(3,4);
[meanState, stdDev, numSamples] = obj.validateSampleGaussianInput(meanState, stdDev, varargin{:});
obj.NormalDistribution.Mean = meanState;
obj.NormalDistribution.Covariance = diag(stdDev.^2);
state = obj.NormalDistribution.sample(numSamples);
state = obj.enforceStateBounds(state);
end
Интерполяция между государствами
Определите способ интерполяции между двумя состояниями в пространстве состояний. Используйте входные данные, fraction, чтобы определить, как выполнять выборку по пути между двумя состояниями. В этом примере определите основной метод линейной интерполяции, используя разницу между состояниями.
function interpState = interpolate(obj, state1, state2, fraction)
narginchk(4,4);
[state1, state2, fraction] = obj.validateInterpolateInput(state1, state2, fraction);
stateDiff = state2 - state1;
interpState = state1 + fraction' * stateDiff;
end
Расчет расстояния между состояниями
Укажите способ вычисления расстояния между двумя состояниями в пространстве состояний. Используйте state1 и state2 входные данные для определения начального и конечного положений. Оба входа могут быть одним состоянием (вектор строки) или несколькими состояниями (матрица векторов строки). Для этого примера вычислите расстояние на основе евклидова расстояния между каждой парой положений состояний.
function dist = distance(obj, state1, state2)
narginchk(3,3);
nav.internal.validation.validateStateMatrix(state1, nan, obj.NumStateVariables, "distance", "state1");
nav.internal.validation.validateStateMatrix(state2, size(state1,1), obj.NumStateVariables, "distance", "state2");
stateDiff = bsxfun(@minus, state2, state1);
dist = sqrt( sum( stateDiff.^2, 2 ) );
end
Завершите методы и разделы классов.
Сохраните определение класса пространства состояния. Теперь можно использовать конструктор класса для создания объекта для области состояний.
