NumPy的两篇聊完了。今天说Matplotlib——Python的画图库。做机器人算法开发画图和写算法一样重要。你写了一个路径规划算法不画出来怎么知道对不对你跑了一个SLAM系统不可视化轨迹怎么知道漂移了多少先说个事。我之前面试一个做SLAM的候选人聊到他的算法效果。他说精度还不错。面试官问你怎么评估的有没有可视化的对比他说我算了一个RMSE数值。面试官又问能把轨迹画出来看看吗他愣了一下说代码里没有画图的部分。这就有点减分了。做算法不画图就像做实验不记录数据——你自己可能心里有数但别人没法验证。Matplotlib基础五分钟画出第一张图import matplotlib.pyplot as plt import numpy as np # 最简单的折线图 x np.linspace(0, 10, 100) y np.sin(x) plt.plot(x, y) plt.xlabel(Time (s)) plt.ylabel(Value) plt.title(Sensor Signal) plt.grid(True) plt.savefig(signal.png, dpi150) plt.show()这几行代码就能生成一张带标题、坐标轴标签、网格线的正弦波图。savefig保存图片到文件show在窗口中显示。在Jupyter Notebook里加一行%matplotlib inline就能让图直接嵌在代码下方做数据分析的时候特别方便。机器人开发中的常用图表散点图——画点云和地图# 模拟2D激光雷达扫描 angles np.linspace(-np.pi/2, np.pi/2, 360) ranges 5.0 np.random.randn(360) * 0.1 x ranges * np.cos(angles) y ranges * np.sin(angles) plt.scatter(x, y, s1, cblue) plt.axis(equal) plt.title(Lidar Scan) plt.show()多子图——对比不同算法fig, axes plt.subplots(1, 3, figsize(15, 5)) # 原始路径 axes[0].plot(path_x, path_y, b-) axes[0].set_title(Original Path) # 平滑后 axes[1].plot(smooth_x, smooth_y, g-) axes[1].set_title(Smoothed Path) # 对比 axes[2].plot(path_x, path_y, b-, labelOriginal) axes[2].plot(smooth_x, smooth_y, r--, labelSmoothed) axes[2].legend() plt.tight_layout() plt.savefig(path_comparison.png)热力图——画代价地图# 模拟代价地图 costmap np.random.rand(50, 50) costmap[20:30, 20:30] 1.0 # 障碍物 plt.imshow(costmap, cmaphot, interpolationnearest) plt.colorbar(labelCost) plt.title(Cost Map) plt.show()SLAM轨迹可视化做SLAM最常用的一种图估计轨迹vs真实轨迹的对比。def plot_trajectory(estimated, ground_truth): estimated, ground_truth: shape (N, 3), 每行是 [x, y, theta] fig, ax plt.subplots(1, 1, figsize(8, 8)) ax.plot(ground_truth[:, 0], ground_truth[:, 1], b-, linewidth2, labelGround Truth) ax.plot(estimated[:, 0], estimated[:, 1], r--, linewidth2, labelEstimated) # 标记起点和终点 ax.plot(ground_truth[0, 0], ground_truth[0, 1], go, markersize10, labelStart) ax.plot(ground_truth[-1, 0], ground_truth[-1, 1], rs, markersize10, labelEnd) ax.set_xlabel(X (m)) ax.set_ylabel(Y (m)) ax.set_title(SLAM Trajectory Comparison) ax.legend() ax.grid(True) ax.axis(equal) plt.tight_layout() plt.savefig(trajectory.png, dpi150) plt.show()这种图一画出来算法效果一目了然。漂移了多少、哪里有回环校正、整体趋势对不对全都能看到。动态更新实时显示传感器数据Matplotlib还支持动态更新图表适合实时显示传感器数据from matplotlib.animation import FuncAnimation fig, ax plt.subplots() scatter ax.scatter([], [], s1) ax.set_xlim(-10, 10) ax.set_ylim(-10, 10) def update(frame): # 每帧更新扫描数据 angles np.linspace(-np.pi/2, np.pi/2, 360) ranges get_latest_scan() # 获取最新扫描数据 x ranges * np.cos(angles) y ranges * np.sin(angles) scatter.set_offsets(np.column_stack([x, y])) return scatter ani FuncAnimation(fig, update, interval100) plt.show()这个在做调试工具的时候很有用——你可以实时看到激光雷达的扫描画面、机器人的位置更新等。如果是三维数据的可视化Matplotlib的mpl_toolkits.mplot3d模块也能应付。比如画三维点云或者三维轨迹用ax.scatter3D和ax.plot3D就行。不过对于大规模的三维点云几十万个点以上Matplotlib会比较吃力这时候建议用Open3D或者Mayavi这类专业的三维可视化库。调试图表的小技巧实际项目中画图经常需要反复调整参数这里分享几个提效技巧。第一用plt.subplots()一次性创建多个子图比多次调用plt.figure()快很多。第二在循环里画图一定要加plt.close()释放内存不然跑几百次迭代后内存就爆了。第三保存高清用plt.savefig并设置dpi300和bbox_inchestight这样出来的图放报告里不会糊。面试时如果说调试SLAM算法全靠Matplotlib面试官会觉得你确实干过实事。给正在准备面试的你Matplotlib在面试中很少直接考但在实际工作中是必备技能。如果你面试的时候能展示几张自己画的算法效果图——SLAM轨迹对比、路径规划可视化、传感器数据分析图——比说一百句我算法精度很高都有说服力。建议把你做过的算法项目都画几张图保存到portfolio里。面试的时候拿出来效果非常好。下篇聊深度相机原理对比——结构光、ToF、双目各自优劣。这是传感器方向的基础知识面试中经常被问到。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第72篇 NumPy进阶——矩阵运算与机器人运动学计算下一篇预告第74篇 ROS2中的Python——和C节点的混合编程有任何问题欢迎评论区留言我会尽量回复。
NumPy的两篇聊完了。今天说Matplotlib——Python的画图库。做机器人算法开发画图和写算法一样重要。你写了一个路径规划算法不画出来怎么知道对不对你跑了一个SLAM系统不可视化轨迹怎么知道漂移了多少先说个事。我之前面试一个做SLAM的候选人聊到他的算法效果。他说精度还不错。面试官问你怎么评估的有没有可视化的对比他说我算了一个RMSE数值。面试官又问能把轨迹画出来看看吗他愣了一下说代码里没有画图的部分。这就有点减分了。做算法不画图就像做实验不记录数据——你自己可能心里有数但别人没法验证。Matplotlib基础五分钟画出第一张图import matplotlib.pyplot as plt import numpy as np # 最简单的折线图 x np.linspace(0, 10, 100) y np.sin(x) plt.plot(x, y) plt.xlabel(Time (s)) plt.ylabel(Value) plt.title(Sensor Signal) plt.grid(True) plt.savefig(signal.png, dpi150) plt.show()这几行代码就能生成一张带标题、坐标轴标签、网格线的正弦波图。savefig保存图片到文件show在窗口中显示。在Jupyter Notebook里加一行%matplotlib inline就能让图直接嵌在代码下方做数据分析的时候特别方便。机器人开发中的常用图表散点图——画点云和地图# 模拟2D激光雷达扫描 angles np.linspace(-np.pi/2, np.pi/2, 360) ranges 5.0 np.random.randn(360) * 0.1 x ranges * np.cos(angles) y ranges * np.sin(angles) plt.scatter(x, y, s1, cblue) plt.axis(equal) plt.title(Lidar Scan) plt.show()多子图——对比不同算法fig, axes plt.subplots(1, 3, figsize(15, 5)) # 原始路径 axes[0].plot(path_x, path_y, b-) axes[0].set_title(Original Path) # 平滑后 axes[1].plot(smooth_x, smooth_y, g-) axes[1].set_title(Smoothed Path) # 对比 axes[2].plot(path_x, path_y, b-, labelOriginal) axes[2].plot(smooth_x, smooth_y, r--, labelSmoothed) axes[2].legend() plt.tight_layout() plt.savefig(path_comparison.png)热力图——画代价地图# 模拟代价地图 costmap np.random.rand(50, 50) costmap[20:30, 20:30] 1.0 # 障碍物 plt.imshow(costmap, cmaphot, interpolationnearest) plt.colorbar(labelCost) plt.title(Cost Map) plt.show()SLAM轨迹可视化做SLAM最常用的一种图估计轨迹vs真实轨迹的对比。def plot_trajectory(estimated, ground_truth): estimated, ground_truth: shape (N, 3), 每行是 [x, y, theta] fig, ax plt.subplots(1, 1, figsize(8, 8)) ax.plot(ground_truth[:, 0], ground_truth[:, 1], b-, linewidth2, labelGround Truth) ax.plot(estimated[:, 0], estimated[:, 1], r--, linewidth2, labelEstimated) # 标记起点和终点 ax.plot(ground_truth[0, 0], ground_truth[0, 1], go, markersize10, labelStart) ax.plot(ground_truth[-1, 0], ground_truth[-1, 1], rs, markersize10, labelEnd) ax.set_xlabel(X (m)) ax.set_ylabel(Y (m)) ax.set_title(SLAM Trajectory Comparison) ax.legend() ax.grid(True) ax.axis(equal) plt.tight_layout() plt.savefig(trajectory.png, dpi150) plt.show()这种图一画出来算法效果一目了然。漂移了多少、哪里有回环校正、整体趋势对不对全都能看到。动态更新实时显示传感器数据Matplotlib还支持动态更新图表适合实时显示传感器数据from matplotlib.animation import FuncAnimation fig, ax plt.subplots() scatter ax.scatter([], [], s1) ax.set_xlim(-10, 10) ax.set_ylim(-10, 10) def update(frame): # 每帧更新扫描数据 angles np.linspace(-np.pi/2, np.pi/2, 360) ranges get_latest_scan() # 获取最新扫描数据 x ranges * np.cos(angles) y ranges * np.sin(angles) scatter.set_offsets(np.column_stack([x, y])) return scatter ani FuncAnimation(fig, update, interval100) plt.show()这个在做调试工具的时候很有用——你可以实时看到激光雷达的扫描画面、机器人的位置更新等。如果是三维数据的可视化Matplotlib的mpl_toolkits.mplot3d模块也能应付。比如画三维点云或者三维轨迹用ax.scatter3D和ax.plot3D就行。不过对于大规模的三维点云几十万个点以上Matplotlib会比较吃力这时候建议用Open3D或者Mayavi这类专业的三维可视化库。调试图表的小技巧实际项目中画图经常需要反复调整参数这里分享几个提效技巧。第一用plt.subplots()一次性创建多个子图比多次调用plt.figure()快很多。第二在循环里画图一定要加plt.close()释放内存不然跑几百次迭代后内存就爆了。第三保存高清用plt.savefig并设置dpi300和bbox_inchestight这样出来的图放报告里不会糊。面试时如果说调试SLAM算法全靠Matplotlib面试官会觉得你确实干过实事。给正在准备面试的你Matplotlib在面试中很少直接考但在实际工作中是必备技能。如果你面试的时候能展示几张自己画的算法效果图——SLAM轨迹对比、路径规划可视化、传感器数据分析图——比说一百句我算法精度很高都有说服力。建议把你做过的算法项目都画几张图保存到portfolio里。面试的时候拿出来效果非常好。下篇聊深度相机原理对比——结构光、ToF、双目各自优劣。这是传感器方向的基础知识面试中经常被问到。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第72篇 NumPy进阶——矩阵运算与机器人运动学计算下一篇预告第74篇 ROS2中的Python——和C节点的混合编程有任何问题欢迎评论区留言我会尽量回复。
