Box n维两个轴对齐框之间的最小距离
问题:如何有效计算n维中两个轴对齐框之间的最小距离 方框格式:方框A和B由其最小和最大点A_min、A_max、B_min、B_max给出,每个点都是一个n维向量。也就是说,这些方框可以用数学方法写成以下笛卡尔乘积: A=[A_min(1),A_max(1)]x[A_min(2),A_max(2)]x。。。x[A_min(n),A_max(n)] B=[B_最小值(1),B_最大值(1)]x[B_最小值(2),B_最大值(2)]x。。。x[B_最小值(n),B_最大值(n)] 图片:这是一张用2D展示创意的图片:Box n维两个轴对齐框之间的最小距离,box,euclidean-distance,Box,Euclidean Distance,问题:如何有效计算n维中两个轴对齐框之间的最小距离 方框格式:方框A和B由其最小和最大点A_min、A_max、B_min、B_max给出,每个点都是一个n维向量。也就是说,这些方框可以用数学方法写成以下笛卡尔乘积: A=[A_min(1),A_max(1)]x[A_min(2),A_max(2)]x。。。x[A_min(n),A_max(n)] B=[B_最小值(1),B_最大值(1)]x[B_最小值(2),B_最大值(2)]x。。。x[B_最小值(n),B_最大值(n)] 图片:这是一张用2
注意:注意:我问了这个问题,并自己回答,因为这个问题(通常是n维形式)似乎在stackoverflow中消失了,即使在这么多年之后。这个问题的好答案在互联网上很难找到。在谷歌搜索之后,我最终不得不自己解决这个问题,我在这里发帖是为了避免未来的人们遇到同样的麻烦。盒子之间的最小距离由以下公式给出:
dist = sqrt(||u||^2 + ||v||^2)
在哪里
在向量上按入口进行最大化(即,max(0,w)表示将向量w的所有负项替换为零,但保持正项不变)。符号| | w | |表示向量w的欧几里德范数(条目平方和的平方根)
这不需要任何逐案分析,并且适用于任何维度,无论框相对于彼此位于何处
python代码:
import numpy as np
def boxes_distance(A_min, A_max, B_min, B_max):
delta1 = A_min - B_max
delta2 = B_min - A_max
u = np.max(np.array([np.zeros(len(delta1)), delta1]), axis=0)
v = np.max(np.array([np.zeros(len(delta2)), delta2]), axis=0)
dist = np.linalg.norm(np.concatenate([u, v]))
return dist
框之间的最小距离由下式给出:
dist = sqrt(||u||^2 + ||v||^2)
在哪里
在向量上按入口进行最大化(即,max(0,w)表示将向量w的所有负项替换为零,但保持正项不变)。符号| | w | |表示向量w的欧几里德范数(条目平方和的平方根)
这不需要任何逐案分析,并且适用于任何维度,无论框相对于彼此位于何处
python代码:
import numpy as np
def boxes_distance(A_min, A_max, B_min, B_max):
delta1 = A_min - B_max
delta2 = B_min - A_max
u = np.max(np.array([np.zeros(len(delta1)), delta1]), axis=0)
v = np.max(np.array([np.zeros(len(delta2)), delta2]), axis=0)
dist = np.linalg.norm(np.concatenate([u, v]))
return dist