别再手动算坐标了!用Python实现WGS84大地坐标与笛卡尔坐标的互转(附完整代码)

CARLA OpenDRIVE独立模式详解:xodr加载、坐标系转换与信号灯同步 OpenDRIVE是自动驾驶高精地图交换的核心标准,其在仿真平台中的实际解析行为直接决定场景构建的可行性与精度。CARLA作为主流开源仿真器,采用非全量的OpenDRIVE子集实现,重点支持道路几何拓扑(如road、lanesection、geometry),但对语义元素(如signal、object、controller)存在选择性忽略或简化处理。这种‘几何完备、语义残缺’的设计带来显著工程挑战:xodr加载失败、车道偏移、信号灯失联、GPS轨迹错位等高频问题,根源常在于CARLA特有的坐标系三重映射(W 阅读详情

用Python实现WGS84坐标与笛卡尔坐标的高效互转:从理论到工程实践

在测绘、导航和地理信息系统开发中,坐标转换是最基础却最容易出错的环节。传统手工计算不仅效率低下,还容易引入人为误差。本文将带您用Python实现WGS84大地坐标系与笛卡尔空间直角坐标系之间的精确转换,并提供可直接集成到项目中的工业级代码解决方案。

1. 坐标系基础与核心算法原理

1.1 WGS84椭球体参数解析

WGS84(World Geodetic System 1984)是目前GPS使用的标准地球模型,其关键参数如下表所示:

参数名称 符号 数值 单位
长半轴 a 6378137.0 米
短半轴 b 6356752.314245 米
扁率 f 1/298.257223563 无量纲
第一偏心率平方 e² 6.69437999014e-3 无量纲

这些参数直接影响转换精度,在代码中需要以高精度浮点数形式存储:

# WGS84椭球参数常量定义
A = 6378137.0
B = 6356752.314245
F = 1 / 298.257223563
E2 = 6.69437999014e-3

1.2 大地坐标与笛卡尔坐标的数学关系

大地坐标系使用经度(λ)、纬度(φ)和高度(h)描述位置,而笛卡尔坐标系用(X,Y,Z)表示空间点。两者转换的核心在于:

  • 正向转换(大地→笛卡尔):解析计算,无需迭代
  • 逆向转换(笛卡尔→大地):需要牛顿迭代法求解非线性方程

注意:大地纬度φ与地心纬度不同,前者是法线与赤道面的夹角,后者是向径与赤道面的夹角,这是初学者常见的概念混淆点。

2. 大地坐标转笛卡尔坐标的实现

2.1 完整Python实现代码

import numpy as np

def geodetic_
UE5本地倾斜摄影加载与校准:从OSGB到Cesium的实战指南 三维地理空间可视化与数字孪生项目常面临大规模倾斜摄影模型的高效集成挑战。其核心原理在于处理不同坐标系(如WGS84地理坐标与UE5引擎坐标)间的精确转换,并实现海量数据的流式加载。这项技术的核心价值在于,它能将真实世界的高精度三维模型无缝嵌入虚拟仿真环境,为智慧城市、基础设施管理等应用场景提供逼真的空间基底。本文聚焦于UE5引擎,深入探讨如何通过数据预处理、格式转换(如将OSGB转为3DTiles)与Cesium for Unreal插件集成,解决本地倾斜摄影模型的加载性能与地理校准两大难题,并详细介绍了利 阅读详情

相关推荐

从经纬度到球面距离:Haversine公式原理与多语言实现指南

地理空间计算是连接理论数学与工程实践的核心领域,其基础在于处理地球曲率带来的挑战。从平面几何到球面几何的思维转换是关键,这引出了大圆距离的概念。其技术价值在于为物流路径优化、LBS服务、通信链路预算等应用提供了高精度的基准距离模型。在众多实现方案中,基于球形地球模型的Haversine公式因其在计算复杂度与精度(误差通常在0.5%以内)间的优异平衡,成为工程实践中的通用选择。它通过半正矢函数提升了数值稳定性,有效避免了近距离计算时的浮点误差。本文聚焦于该公式的推导,并提供了涵盖Python、JavaScri

weixin_30471561的博客 437

卫星导航文件解析实战:从NMEA到RINEX与二进制协议

卫星导航数据解析是GNSS(全球导航卫星系统)应用开发中的基础环节,其核心在于将接收机输出的原始数据转换为可用的定位信息。从原理上看,解析过程涉及对标准协议和原始数据格式的解码,其技术价值在于能够获取超越经纬度的深层信息,如原始观测值、卫星星历和接收机状态,从而支持高精度定位、多传感器融合和系统性能诊断。在应用场景上,无论是自动驾驶中的SLAM算法、无人机导航,还是物联网设备的定位服务,都需要对NMEA EMA 0183、RINEX、UBX等格式进行可靠解析。本文聚焦于**RINEX格式**和**二进制协议

weixin_30565199的博客 343

CARLA+OpenStreetMap真实地图构建实战指南

OpenStreetMap(OSM)作为开放地理数据库,为自动驾驶仿真提供具备拓扑关系、车道属性与交通规则的真实路网基础。其核心原理在于将WGS84地理坐标系下的语义化道路数据,经坐标对齐、语义降维、交通逻辑重建与网格生成四层转化,映射为CARLA可执行的OpenDRIVE(.xodr)格式。该技术显著提升感知模型泛化能力与ADAS系统验证可信度,广泛应用于城市级仿真、红绿灯时序同步、高精路网复现等工程场景。本文聚焦OSM在CARLA中的落地难点,涵盖Linux/Windows双平台编译适配、海拔校准、道路

congmi8078的博客 391

Cesium笛卡尔坐标与经纬度坐标转换GIS

在Cesium中,地球上的位置使用笛卡尔坐标表示,其中x、y和z分别代表地球上的东西方向、南北方向和垂直方向的距离。经纬度坐标则使用经度(longitude)和纬度(latitude)表示,其中经度表示位置在地球上的东西方向的偏移量,纬度表示位置在地球上的南北方向的偏移量。本文将介绍如何使用Python代码将Cesium的笛卡尔坐标转换为经纬度坐标,并提供相应的源代码。接下来,我们将介绍如何使用Python中的库进行Cesium笛卡尔坐标到经纬度坐标的转换。在上面的代码中,我们首先导入了所需的库。

MXMIMM的博客 1026

python 局部直角坐标转WGS8484坐标

一、路端场景应用 在车路协同中,我们感知的时候经常需要把感知的目标转为经纬度,由此包括图像、雷达坐标转真实世界坐标,世界坐标转WGS84坐标。 例如感知到目标经纬度求速度,已知两点经纬度求距离;已知当前雷达84坐标,和雷达前方一障碍物84坐标,求此障碍物与雷达的连线与正北方向夹角;已知雷达84坐标与障碍物相对于雷达的距离,求此障碍物84坐标 可转化为以下几个问题处理 二、解决问题 1、已知两点经纬度,求两点间距离; 2、已知两点经纬度,求一点相对于另一点航向; 3、已知一点经纬度及与另一点距离和航向,求另一

xiao__run的博客 1327

江苏省国控地表水水质断面坐标数据处理与地图可视化实战

地表水水质监测是环境管理的基础,而国控断面作为国家层面的考核点位,其空间坐标数据的质量直接影响监测结果的准确表达。在实际工程中,断面坐标常涉及WGS84与CGCS2000等不同坐标系,需要通过Python进行读取、清洗、去重与坐标转换,才能确保点位精准落入地图。借助QGIS等可视化工具,可将134个断面的空间分布与水质监测数据关联,实现按水质类别渲染、上下游距离计算等分析,支撑环境数据可视化与决策。针对底图偏移、编码不一致、点位偏移等常见问题,也可通过坐标纠偏与人工核验解决。本文以江苏省134个国控水质断面

weixin_29051811的博客 266

使用FloodRisk2插件进行洪水风险评估

入汛以来,长江流域持续的强降雨使得沿岸多地成为洪水风险极高地区,抗洪、抢险、救灾继新冠病毒之后成为又一个攻坚阵地。如何科学地评估洪水风险,是快速决策的关键。 实际生活中,根据风险是否可控,一般将洪水风险大致分为两类:一类是通过数据分析可以得出其发生的可能性和后果,如强降雨引发的区域性洪水、水库/大坝溃决洪水等。这类洪水可以通过有关资料分析和设定一定条件计算得到可能的损失后果,也就是说,风险可以预判。另一类洪水风险基本是未知的,如滑坡堵塞河道形成堰塞湖引发的洪水,无法预知事件发生的地点和规模,具体的洪水风险无

QGISClass的博客 2882

COMSOL网格划分技巧总结

在对马赫曾德尔型光学传感器进行模拟仿真时,在采用自动物理场自动控制网格-极细化的情况下透射谱曲线仍不理想,因此需要手动划分网格来对其进行更精细的剖分。 手动划分的基本原则是在作用边界,热点,曲边处做细致划分, 基底,包层等做粗略划分。对于光波导型的微纳结构,在仿真时一般需要用到创建边界层网格。 1.COMSOL所需要的网格数量 网格单元数越多,结果精细度越高,计算所需内存越多。在细化到一定程度后网格收敛,仿真结果提升不明显。 2.网格剖分类型 ...

qq_42453337的博客 4万+

逆向实战:360加固DEX解密全流程解析(附Frida脚本与SoFixer修复技巧)

本文深入解析360加固DEX解密的全流程,涵盖动态Hook技术、Frida脚本应用及SoFixer修复技巧。通过实战案例详细展示如何识别加固特征、定位关键函数、实现ELF文件修复,并解析RC4和zlib解密算法,为逆向工程师提供全面的技术指导。

weixin_29323551的博客 616

Power BI实战:从数据清洗到可视化报表的完整流程

本文详细介绍了使用Power BI进行数据分析的完整流程,从数据获取、清洗整理到建模与可视化。通过实战案例,重点讲解了连接MySQL数据库、使用Power Query进行数据清洗、利用DAX创建核心度量值以及设计交互式报表的关键步骤与技巧,帮助用户高效完成从原始数据到专业可视化报表的转化,实现数据驱动决策。

weixin_29070721的博客 399

图像处理(12)--图像各种噪声及消除方法

文章目录结构1.什么是图像噪声2. 图像噪声来源3. 噪声分类及其消除方法3.1 高斯噪声及其消除方式3.1.1 如何确定一种噪声是高斯噪声3.1.2 高斯滤波消除高斯噪声3.1.3 高斯函数的重要性质3.2 瑞利噪声及其消除方式3.3 伽马(爱尔兰)噪声及其消除方式3.4 指数分布噪声及其消除方式3.5 均匀噪声及其消除方式3.6 脉冲(椒盐)噪声及其消除方式 1.什么是图像噪声 图像噪声是指...

ShaneHolmes 11万+

无人机导航中的坐标系统详解与转换实现

本文系统介绍了无人机导航中常用的坐标系及其转换方法。主要内容包括:1) 四种关键坐标系(大地坐标系ECEF、经纬度LLA、北东天坐标系NED、机体坐标系)的定义和特点;2) 坐标系间的转换原理与实现,重点讲解LLA与ECEF的互转公式及ECEF与NED的转换方法;3) 提供可直接使用的C++实现代码,包括基于WGS84椭球模型的精确转换算法。这些内容为无人机导航系统开发提供了实用的坐标系处理方案,能够有效解决多源数据在不同坐标系下的统一表示问题。

电脑管家 381

雷达工程师面试题目

详细描述项目背景、目标、你的具体职责和贡献,分析在项目实施过程中遇到的主要技术难题及解决方案,总结项目取得的成果和经验教训。

道亦无名 741

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

0粉丝 0原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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
⌂ 换网址