plt.figure(figsize=(12,6)) plt.plot(self_ref[:,0], self_ref[:,1], 'b--', label='Self Reference') colors = ['r', 'm', 'orange'] for i, obs in enumerate(obs_refs): plt.plot(obs[:,0], obs[:,1], color=colors[i], linestyle=':', label=f'Obstacle {i+1}') plt.plot(actual_traj[:,0], actual_traj[:,1], 'g-', linewidth=2, label='Actual') plt.legend() plt.title('Multi-Obstacle Avoidance MPC') plt.grid(True) plt.show() plt.savefig('zz.png')

<think>嗯，用户想用matplotlib绘制多障碍物避障的MPC路径规划图，并且要包括图例、网格，还要保存图片。首先，我需要确定用户的具体需求。他们可能是在做机器人路径规划或者无人车的控制，需要可视化MPC算法在多障碍物环境下的轨迹。用户可能已经实现了算法，现在需要将结果可视化，以便分析或展示。 接下来，我需要考虑如何用matplotlib实现这个需求。首先，得绘制障碍物。通常障碍物可以用圆形或者多边形表示，这里可能需要用matplotlib的Circle或者Rectangle。然后，路径规划的结果可能是一系列的点，或者是连续的曲线，需要用plot函数来绘制轨迹。图例和网格是基本要求，可以通过legend()和grid(True)来添加。保存图片的话，用savefig函数，注意设置dpi和格式。 然后，我需要参考用户提供的引用内容。引用[2]提到了势能场的避障策略，可能需要用势能场的位置信息，但用户的问题是关于绘制，所以可能需要从引用中提取障碍物和路径的数据结构。比如，障碍物的位置可能是$(x_i, y_i)$，所以可能需要将这些坐标用散点或形状表示。 用户提供的示例代码是关于快速排序的，这可能对绘图代码的结构有帮助。需要确保代码示例正确，使用正确的matplotlib函数，并且注释清晰。可能需要分步骤：初始化图形、绘制障碍物、绘制轨迹、添加标签和图例、设置网格、保存图像。 还需要考虑MPC轨迹的数据结构，假设用户已经有了路径的x和y坐标列表。可能需要生成示例数据，比如起点到终点的路径，避开多个障碍物。同时，要处理障碍物的位置和大小，可能需要循环绘制多个Circle。 另外，要注意图像的清晰度，保存时使用高dpi，比如300。格式可以是png或者pdf。图例的位置要合适，避免遮挡路径。颜色选择要明显，比如障碍物用红色，路径用蓝色，起点终点用绿色和橙色。 可能会遇到的问题包括：坐标轴范围设置不当，导致部分图形超出显示区域，所以需要根据障碍物和路径的范围动态调整xlim和ylim。或者图例没有正确显示，需要检查label参数是否在plot函数中正确设置。 最后，测试代码是否完整，用户能否直接复制运行，并得到预期的图像。确保所有步骤都被涵盖，包括导入库、生成数据、绘图、设置样式、保存结果。</think>以下是使用Matplotlib绘制多障碍物避避路径规划图的完整实现方案： ```python import matplotlib.pyplot as plt import numpy as np # ========== 数据准备 ========== # 生成模拟路径数据（MPC轨迹） t = np.linspace(0, 4*np.pi, 100) x_traj = 2 * t * np.cos(t) # 螺旋路径 y_traj = 2 * t * np.sin(t) # 定义障碍物参数 [圆心坐标, 半径] obstacles = [ [[-5, 8], 2.5], [[10, 15], 3.0], [[15, -10], 2.8], [[-12, -5], 3.2] ] # ========== 绘图配置 ========== plt.figure(figsize=(10, 8), dpi=100) ax = plt.gca() # ========== 绘制障碍物 ========== for obs in obstacles: circle = plt.Circle(obs[0], obs[1], color='red', alpha=0.4, label='Obstacle') ax.add_patch(circle) # ========== 绘制路径 ========== path_line, = plt.plot(x_traj, y_traj, 'b-', linewidth=2, label='MPC Trajectory') start_point = plt.scatter([x_traj[0]], [y_traj[0]], c='green', s=100, zorder=3, label='Start') end_point = plt.scatter([x_traj[-1]], [y_traj[-1]], c='orange', s=100, zorder=3, label='End') # ========== 图形修饰 ========== plt.title('Multi-Obstacle Avoidance MPC Path Planning', fontsize=14, pad=20) plt.xlabel('X Position (m)', fontsize=12) plt.ylabel('Y Position (m)', fontsize=12) plt.grid(True, linestyle='--', alpha=0.7) plt.axis('equal') # 保持坐标轴比例一致 # 智能图例处理（避免重复标签） handles, labels = ax.get_legend_handles_labels() unique_labels = dict(zip(labels, handles)) # 去重 plt.legend(unique_labels.values(), unique_labels.keys(), loc='upper left', fontsize=10) # ========== 保存图像 ========== plt.savefig('mpc_path_planning.png', dpi=300, bbox_inches='tight') plt.show() ``` 关键实现要点说明： 1. **动态障碍物绘制**：使用循环结构批量绘制圆形障碍物，参数化设置颜色和透明度 2. **路径可视化**：采用参数方程生成螺旋路径模拟MPC轨迹，使用`zorder`控制图层顺序 3. **坐标轴比例**：通过`axis('equal')`确保路径形状不失真 4. **图例优化**：采用字典去重法避免重复标签，增强代码健壮性 5. **工程规范**：设置`bbox_inches='tight'`消除白边，300dpi保存保证印刷质量 效果输出： - 生成图像包含：障碍物区域（红色半透明圆）、路径轨迹（蓝色曲线）、起点（绿色点）、终点（橙色点） - 自动添加网格线、坐标标签、标题等元素 - 保存为PNG格式高清图像 [^2]: 障碍物坐标与路径参数的数学表达参考势场法路径规划模型，其中障碍物位置定义为$(x_i, y_i)$，路径参数化采用时间序列$t$进行离散化表示。