### 读取坐标数据并绘制轨迹图 在 Python 中，可以通过 `matplotlib` 库实现根据 XY 坐标点绘制运动轨迹，并结合 `numpy` 或 `pandas` 等工具处理数据。例如，若数据存储为 `.mat` 文件格式，可以使用 `scipy.io` 读取文件并提取 `PathChan` 数据块中的 `(x, y)` 坐标[^1]。 ```python import scipy.io import matplotlib.pyplot as plt # 读取 .mat 文件 mat_data = scipy.io.loadmat('path_data.mat') # 提取 PathChan 数据块 path_data = mat_data['PathChan'] # 假设 PathChan 数据格式为 Nx2 的数组，分别存储 x 和 y 坐标 x_coords = path_data[:, 0] y_coords = path_data[:, 1] # 绘制运动轨迹 plt.figure(figsize=(10, 6)) plt.plot(x_coords, y_coords, marker='o', linestyle='-', color='b', label='运动轨迹') plt.scatter(x_coords, y_coords, color='r') # 标记每个点 plt.xlabel('X 坐标') plt.ylabel('Y 坐标') plt.title('基于 XY 坐标的运动轨迹') plt.legend() plt.grid(True) plt.show() ``` ### 计算总路程 运动轨迹的总路程可通过逐段计算相邻点之间的欧几里得距离并累加获得。具体公式为： $$ \text{总路程} = \sum_{i=1}^{n-1} \sqrt{(x_{i+1} - x_i)^2 + (y_{i+1} - y_i)^2} $$ ```python import numpy as np # 计算总路程 total_distance = 0.0 for i in range(1, len(x_coords)): dx = x_coords[i] - x_coords[i - 1] dy = y_coords[i] - y_coords[i - 1] distance = np.sqrt(dx**2 + dy**2) total_distance += distance print(f"总路程为: {total_distance:.2f} 单位") ``` ### 可视化增强与轨迹分析 为了增强轨迹可视化效果，可以添加起点、终点标记以及路径方向箭头。此外，若轨迹数据包含时间戳，还可以结合 `matplotlib.animation` 实现动态绘制，模拟运动过程。 ```python # 标记起点和终点 plt.scatter(x_coords[0], y_coords[0], color='g', label='起点', zorder=5) plt.scatter(x_coords[-1], y_coords[-1], color='k', label='终点', zorder=5) # 添加箭头表示方向 for i in range(1, len(x_coords)): dx = x_coords[i] - x_coords[i - 1] dy = y_coords[i] - y_coords[i - 1] plt.arrow(x_coords[i - 1], y_coords[i - 1], dx * 0.8, dy * 0.8, head_width=0.3, length_includes_head=True, color='purple') plt.legend() plt.show() ``` ### 轨迹预测与优化 在实际应用中，轨迹数据可能受到噪声干扰。为提高轨迹的准确性和平滑度，可以采用卡尔曼滤波器进行轨迹预测和优化。运行后，真实轨迹（红色点）和预测轨迹（蓝色点）可以在图像上同时绘制，从而直观比较两者的拟合效果[^2]。 ###