详细的介绍匀加速运动的物理方程是如何转化为卡尔曼滤波的状态空间模型的

详细的介绍匀加速运动的物理方程是如何转化为卡尔曼滤波的状态空间模型的

flyfish
加速度是描述物体速度变化快慢的物理量,定义为速度对时间的变化率。数学上,它表示为:
a = Δ v Δ t a = \frac{\Delta v}{\Delta t} a=ΔtΔv
其中:

  • a a a 是加速度,单位是 m/s 2 \text{m/s}^2 m/s2

  • Δ v \Delta v Δv 是速度的变化量,单位是 m/s \text{m/s} m/s

  • Δ t \Delta t Δt 是时间的变化量,单位是 s \text{s} s

单位解析

我们来看加速度单位的推导:
a = Δ v Δ t a = \frac{\Delta v}{\Delta t} a=ΔtΔv

  • 速度的单位是 m/s \text{m/s} m/s,表示每秒钟移动的米数。

  • 时间的单位是 s \text{s} s,表示时间的长度。
    将速度单位 m/s \text{m/s} m/s 代入加速度的公式中:
    a = Δ v Δ t = m/s s = m/s 2 a = \frac{\Delta v}{\Delta t} = \frac{\text{m/s}}{\text{s}} = \text{m/s}^2 a=ΔtΔv=sm/s=m/s2

以例子来理解

假设一个物体初始位置为 s 0 = 0 s_0 = 0 s0=0 米,初速度 v 0 = 2 v_0 = 2 v0=2 米/秒,加速度 a = 1 a = 1 a=1 米/秒²。我们来计算它在 t = 3 t = 3 t=3 秒后的位移。

给定参数:

  • 初始位置: s 0 = 0 s_0 = 0 s0=0

  • 初速度: v 0 = 2 v_0 = 2 v0=2 米/秒

  • 加速度: a = 1 a = 1 a=1 米/秒²

速度的计算公式

速度随时间变化的公式为:
v = v 0 + a ⋅ t v = v_0 + a \cdot t v=v0+at
我们来计算每一秒的速度。
t = 0 t = 0 t=0 秒时: v ( 0 ) = v 0 + a ⋅ 0 = 2 + 1 ⋅ 0 = 2 米/秒 v(0) = v_0 + a \cdot 0 = 2 + 1 \cdot 0 = 2 \text{ 米/秒} v(0)=v0+a0=2+10=2 /
t = 1 t = 1 t=1 秒时: v ( 1 ) = v 0 + a ⋅ 1 = 2 + 1 ⋅ 1 = 3 米/秒 v(1) = v_0 + a \cdot 1 = 2 + 1 \cdot 1 = 3 \text{ 米/秒} v(1)=v0+a1=2+11=3 /
t = 2 t = 2 t=2 秒时: v ( 2 ) = v 0 + a ⋅ 2 = 2 + 1 ⋅ 2 = 4 米/秒 v(2) = v_0 + a \cdot 2 = 2 + 1 \cdot 2 = 4 \text{ 米/秒} v(2)=v0+a2=2+12=4 /
t = 3 t = 3 t=3 秒时: v ( 3 ) = v 0 + a ⋅ 3 = 2 + 1 ⋅ 3 = 5 米/秒 v(3) = v_0 + a \cdot 3 = 2 + 1 \cdot 3 = 5 \text{ 米/秒} v(3)=v0+a3=2+13=5 /

结果

  • t = 0 t = 0 t=0 秒时,速度是 2 米/秒 2 \text{ 米/秒} 2 /

  • t = 1 t = 1 t=1 秒时,速度是 3 米/秒 3 \text{ 米/秒} 3 /

  • t = 2 t = 2 t=2 秒时,速度是 4 米/秒 4 \text{ 米/秒} 4 /

  • t = 3 t = 3 t=3 秒时,速度是 5 米/秒 5 \text{ 米/秒} 5 /
    在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np# Given parameters
s0 = 0  # initial position in meters
v0 = 2  # initial velocity in meters/second
a = 1   # acceleration in meters/second^2
t_max = 3   # time in seconds# Time array from 0 to t_max with small increments
time = np.linspace(0, t_max, 500)# Velocity function based on the equation v = v0 + a*t
velocity = v0 + a * time# Specific time points
specific_times = [0, 1, 2, 3]
specific_velocities = [v0 + a * t for t in specific_times]# Plotting the velocity vs. time
plt.figure(figsize=(10, 6))
plt.plot(time, velocity, label='Velocity v(t)')# Marking specific velocities at t = 0, 1, 2, 3 seconds
for t, v in zip(specific_times, specific_velocities):plt.scatter(t, v, color='red')plt.text(t, v, f' v({t}) = {v} m/s', fontsize=12, verticalalignment='bottom')# Adding labels and title
plt.xlabel('Time (seconds)')
plt.ylabel('Velocity (meters/second)')
plt.title('Velocity vs. Time for Uniformly Accelerated Motion')
plt.legend()
plt.grid(True)# Show the plot
plt.show()

当物体做匀加速直线运动时,位移计算不能简单地通过加每一秒的速度来求得。这是因为速度在匀加速运动中是不断变化的,因此位移应该用速度的平均值来计算。

平均速度的概念

在匀加速直线运动中,从初速度 v 0 v_0 v0 到某一时刻的速度 v ( t ) v(t) v(t),速度在这段时间内线性变化。对于匀加速运动,平均速度可以表示为起始速度和终止速度的平均值: 平均速度 = v 0 + v ( t ) 2 \text{平均速度} = \frac{v_0 + v(t)}{2} 平均速度=2v0+v(t)

位移公式

在时间 t t t 内的位移 s ( t ) s(t) s(t) 可以用平均速度乘以时间来求得: s ( t ) = 平均速度 × t = ( v 0 + v ( t ) 2 ) × t s(t) = \text{平均速度} \times t = \left(\frac{v_0 + v(t)}{2}\right) \times t s(t)=平均速度×t=(2v0+v(t))×t

公式推导

对于匀加速运动,我们知道:
v ( t ) = v 0 + a ⋅ t v(t) = v_0 + a \cdot t v(t)=v0+at代入位移公式:
s ( t ) = ( v 0 + ( v 0 + a ⋅ t ) 2 ) × t s(t) = \left(\frac{v_0 + (v_0 + a \cdot t)}{2}\right) \times t s(t)=(2v0+(v0+at))×t
s ( t ) = ( 2 v 0 + a ⋅ t 2 ) × t s(t) = \left(\frac{2v_0 + a \cdot t}{2}\right) \times t s(t)=(22v0+at)×t
s ( t ) = ( v 0 + a ⋅ t 2 ) × t s(t) = \left(v_0 + \frac{a \cdot t}{2}\right) \times t s(t)=(v0+2at)×t
s ( t ) = v 0 ⋅ t + 1 2 a ⋅ t 2 s(t) = v_0 \cdot t + \frac{1}{2} a \cdot t^2 s(t)=v0t+21at2

计算 3 秒后的位移

现在,我们应用这个公式计算 3 秒后的位移:

给定:

  • 初始位置: s 0 = 0 s_0 = 0 s0=0

  • 初速度: v 0 = 2 v_0 = 2 v0=2 米/秒

  • 加速度: a = 1 a = 1 a=1 米/秒²

  • 时间: t = 3 t = 3 t=3
    代入位移公式:
    s ( 3 ) = v 0 ⋅ 3 + 1 2 a ⋅ 3 2 s(3) = v_0 \cdot 3 + \frac{1}{2} a \cdot 3^2 s(3)=v03+21a32
    s ( 3 ) = 2 ⋅ 3 + 1 2 ⋅ 1 ⋅ 3 2 s(3) = 2 \cdot 3 + \frac{1}{2} \cdot 1 \cdot 3^2 s(3)=23+21132
    s ( 3 ) = 6 + 1 2 ⋅ 9 s(3) = 6 + \frac{1}{2} \cdot 9 s(3)=6+219
    s ( 3 ) = 6 + 4.5 s(3) = 6 + 4.5 s(3)=6+4.5
    s ( 3 ) = 10.5 米 s(3) = 10.5 \text{ 米} s(3)=10.5 

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np# Given parameters
s0 = 0  # initial position in meters
v0 = 2  # initial velocity in meters/second
a = 1   # acceleration in meters/second^2
t = 3   # time in seconds# Time array from 0 to t with small increments
time = np.linspace(0, t, 500)# Position function based on the kinematic equation s = s0 + v0*t + (1/2)*a*t^2
position = s0 + v0*time + 0.5*a*time**2# Calculate specific position at t = 3 seconds
s_t = s0 + v0*t + 0.5*a*t**2# Plotting the position vs. time
plt.figure(figsize=(10, 6))
plt.plot(time, position, label='Position s(t)')# Marking the initial position
plt.scatter(0, s0, color='red', zorder=5)
plt.text(0, s0, f' s0 = {s0} m', fontsize=12, verticalalignment='bottom')# Marking the position at t = 3 seconds
plt.scatter(t, s_t, color='blue', zorder=5)
plt.text(t, s_t, f' s(3) = {s_t:.2f} m', fontsize=12, verticalalignment='bottom', horizontalalignment='right')# Marking the trajectory
plt.annotate('Initial Velocity $v_0 = 2$ m/s', xy=(1, s0 + v0 * 1), xytext=(1, 2), arrowprops=dict(facecolor='black', shrink=0.05))
plt.annotate('Constant Acceleration $a = 1$ m/s²', xy=(2, s0 + v0 * 2 + 0.5 * a * 2**2), xytext=(2, 5), arrowprops=dict(facecolor='black', shrink=0.05))# Adding labels and title
plt.xlabel('Time (seconds)')
plt.ylabel('Position (meters)')
plt.title('Position vs. Time for Uniformly Accelerated Motion')
plt.legend()
plt.grid(True)# Show the plot
plt.show()

将匀加速运动的物理方程转化为卡尔曼滤波的状态空间模型

匀加速直线运动的基本方程

我们知道匀加速直线运动的基本公式有两个:

  1. 速度公式:
    v ( t ) = v 0 + a t v(t) = v_0 + at v(t)=v0+at

  2. 位移公式:
    s ( t ) = s 0 + v 0 t + 1 2 a t 2 s(t) = s_0 + v_0 t + \frac{1}{2} a t^2 s(t)=s0+v0t+21at2

其中:

  • s ( t ) s(t) s(t) 是位置

  • v ( t ) v(t) v(t) 是速度

  • s 0 s_0 s0 是初始位置

  • v 0 v_0 v0 是初始速度

  • a a a 是加速度

  • t t t 是时间

状态变量的定义

定义状态向量:
x k = [ s k v k ] \mathbf{x}_k = \begin{bmatrix} s_k \\ v_k \end{bmatrix} xk=[skvk]

状态转移方程的推导

位置的状态转移

k k k 时刻的位置 s k s_k sk 可以由前一时刻的位置和速度表示:
s k = s k − 1 + v k − 1 Δ t + 1 2 a ( Δ t ) 2 s_k = s_{k-1} + v_{k-1} \Delta t + \frac{1}{2} a (\Delta t)^2 sk=sk1+vk1Δt+21a(Δt)2

速度的状态转移

k k k 时刻的速度 v k v_k vk 由前一时刻的速度和加速度表示:
v k = v k − 1 + a Δ t v_k = v_{k-1} + a \Delta t vk=vk1+aΔt

矩阵形式的状态转移方程

将上面的方程写成矩阵形式:

  1. 状态向量:
    x k − 1 = [ s k − 1 v k − 1 ] \mathbf{x}_{k-1} = \begin{bmatrix} s_{k-1} \\ v_{k-1} \end{bmatrix} xk1=[sk1vk1]

  2. 状态转移矩阵:
    A = [ 1 Δ t 0 1 ] \mathbf{A} = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix} A=[10Δt1]

  3. 控制输入矩阵:
    B = [ 1 2 ( Δ t ) 2 Δ t ] \mathbf{B} = \begin{bmatrix} \frac{1}{2} (\Delta t)^2 \\ \Delta t \end{bmatrix} B=[21(Δt)2Δt]

  4. 过程噪声(假设为零均值,协方差矩阵为 Q \mathbf{Q} Q):
    w k − 1 \mathbf{w}_{k-1} wk1

  5. 加速度(控制输入):
    u k − 1 = a \mathbf{u}_{k-1} = a uk1=a
    所以,状态转移方程为:
    x k = A x k − 1 + B u k − 1 + w k − 1 \mathbf{x}_k = \mathbf{A} \mathbf{x}_{k-1} + \mathbf{B} \mathbf{u}_{k-1} + \mathbf{w}_{k-1} xk=Axk1+Buk1+wk1具体展开:
    x k = [ 1 Δ t 0 1 ] [ s k − 1 v k − 1 ] + [ 1 2 ( Δ t ) 2 Δ t ] a + w k − 1 \mathbf{x}_k = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix} \begin{bmatrix} s_{k-1} \\ v_{k-1} \end{bmatrix} + \begin{bmatrix} \frac{1}{2} (\Delta t)^2 \\ \Delta t \end{bmatrix} a + \mathbf{w}_{k-1} xk=[10Δt1][sk1vk1]+[21(Δt)2Δt]a+wk1

观测方程

假设我们只能测量位置 s k s_k sk,观测方程为:
z k = H x k + v k \mathbf{z}_k = \mathbf{H} \mathbf{x}_k + \mathbf{v}_k zk=Hxk+vk
其中,观测矩阵 H \mathbf{H} H 为:
H = [ 1 0 ] \mathbf{H} = \begin{bmatrix} 1 & 0 \end{bmatrix} H=[10]

具体例子

假设时间步长 Δ t = 1 \Delta t = 1 Δt=1 秒,初始状态 x 0 = [ 0 2 ] \mathbf{x}_0 = \begin{bmatrix} 0 \\ 2 \end{bmatrix} x0=[02],加速度 a = 1 a = 1 a=1 米/秒²。

  1. 初始化
    x 0 = [ 0 2 ] \mathbf{x}_0 = \begin{bmatrix} 0 \\ 2 \end{bmatrix} x0=[02]
    P 0 = [ 1 0 0 1 ] \mathbf{P}_0 = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix} P0=[1001]

  2. 预测步骤
    x 1 = [ 1 1 0 1 ] [ 0 2 ] + [ 1 2 ⋅ 1 2 1 ] ⋅ 1 \mathbf{x}_1 = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} 0 \\ 2 \end{bmatrix} + \begin{bmatrix} \frac{1}{2} \cdot 1^2 \\ 1 \end{bmatrix} \cdot 1 x1=[1011][02]+[21121]1
    x 1 = [ 0 + 2 + 0.5 2 + 1 ] = [ 2.5 3 ] \mathbf{x}_1 = \begin{bmatrix} 0 + 2 + 0.5 \\ 2 + 1 \end{bmatrix} = \begin{bmatrix} 2.5 \\ 3 \end{bmatrix} x1=[0+2+0.52+1]=[2.53]

从积分的角度看匀加速直线运动

在匀加速直线运动中,加速度 a a a 是常数。我们从以下几个基本公式开始:

  1. 速度-时间关系
    v = v 0 + a t v = v_0 + at v=v0+at

其中:

  • v v v 是任意时刻的速度

  • v 0 v_0 v0 是初始速度

  • a a a 是加速度

  • t t t 是时间

  1. 位移-时间关系 (通过积分速度得到位移): s = ∫ v d t s = \int v \, dt s=vdt

其中:

  • s s s 是位移

推导过程

  1. 写出速度作为时间的函数 v ( t ) = v 0 + a t v(t) = v_0 + at v(t)=v0+at

  2. 对速度函数进行积分,得到位移 s ( t ) = ∫ 0 t v ( t ) d t = ∫ 0 t ( v 0 + a t ) d t s(t) = \int_0^t v(t) \, dt = \int_0^t (v_0 + at) \, dt s(t)=0tv(t)dt=0t(v0+at)dt

  3. 将速度函数拆开积分 s ( t ) = ∫ 0 t v 0 d t + ∫ 0 t a t d t s(t) = \int_0^t v_0 \, dt + \int_0^t at \, dt s(t)=0tv0dt+0tatdt

  4. 计算每部分的积分

  • 对于 ∫ 0 t v 0 d t \int_0^t v_0 \, dt 0tv0dt ∫ 0 t v 0 d t = v 0 ∫ 0 t 1 d t = v 0 [ t ] 0 t = v 0 t \int_0^t v_0 \, dt = v_0 \int_0^t 1 \, dt = v_0 [t]_0^t = v_0 t 0tv0dt=v00t1dt=v0[t]0t=v0t

  • 对于 ∫ 0 t a t d t \int_0^t at \, dt 0tatdt ∫ 0 t a t d t = a ∫ 0 t t d t = a [ t 2 2 ] 0 t = a t 2 2 = 1 2 a t 2 \int_0^t at \, dt = a \int_0^t t \, dt = a \left[ \frac{t^2}{2} \right]_0^t = a \frac{t^2}{2} = \frac{1}{2} a t^2 0tatdt=a0ttdt=a[2t2]0t=a2t2=21at2

  1. 将两部分积分结果相加 s ( t ) = v 0 t + 1 2 a t 2 s(t) = v_0 t + \frac{1}{2} a t^2 s(t)=v0t+21at2

最终,匀加速运动的位移公式为:
s = s 0 + v 0 t + 1 2 a t 2 s = s_0 + v_0 t + \frac{1}{2} a t^2 s=s0+v0t+21at2

物体在初速度 v 0 v_0 v0 和加速度 a a a 作用下,经过时间 t t t 后的总位移。其中的 1 2 \frac{1}{2} 21 由积分 a t at at 得到的结果而来,反映了加速度对位移的二次贡献。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/862561.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

贪心算法练习题(2024/6/24)

1K 次取反后最大化的数组和 给你一个整数数组 nums 和一个整数 k ,按以下方法修改该数组: 选择某个下标 i 并将 nums[i] 替换为 -nums[i] 。 重复这个过程恰好 k 次。可以多次选择同一个下标 i 。 以这种方式修改数组后,返回数组 可能的最…

php7.4源码安装dbase7.1.1扩展

安装PHP开发工具 首先,你需要安装PHP开发工具,包括php-devel(或php7.4-devel,取决于你的PHP版本)和其他编译工具。 bash sudo yum install php7.4-devel gcc make 注意:如果你使用的是不同的PHP版本&#…

DataV大屏组件库

DataV官方文档 DataV组件库基于Vue (React版 (opens new window)) ,主要用于构建大屏(全屏)数据展示页面即数据可视化,具有多种类型组件可供使用: 源码下载

等保2.0对云计算有哪些特定的安全要求?

在数字化浪潮的推动下,云计算已成为支撑现代社会运行的基础设施之一。它以其弹性、高效的特性,为企业提供了强大的数据处理能力和无限的存储空间。然而,随着云服务的普及,安全问题也日益凸显,成为制约云计算发展的关键…

已解决javax.transaction.InvalidTransactionException:事务无效的正确解决方法,亲测有效!!!

已解决javax.transaction.InvalidTransactionException:事务无效的正确解决方法,亲测有效!!! 目录 问题分析 报错原因 解决思路 解决方法 1. 确保事务的正确启动和结束 Spring中的事务管理 2. 避免嵌套事务问题…

unordered_map算法

unordered_map<char, char>s 遍历寻找符合键的元素: s.find(键)!s.end() map和unordered_map都是C STL提供的关联容器&#xff0c;用于存储键-值对。它们之间的区别主要在于底层实现和搜索/插入/删除操作的性能表现&#xff1a; map是基于红黑树实现的&#xff0c;它会…

python编程题1

1. 输入三角形的底边长和高,计算并输出三角形的面积。 #计算三角形面积s。 import math a=eval(input("底边长:")) h=eval(input("底边对应的高:"))s = a*h/2 print("三角形的面积是{:.2f}".format(s)) 2. 给出三角形的三边,输出三角形的面…

潜水耳机哪个牌子好?榜上有名的四大超赞潜水耳机揭秘

随着探险和运动爱好者对水下世界的探索欲望不断增长&#xff0c;潜水耳机逐渐成为市场上的新宠。它们不仅让我们在深潜时能够与外界保持联系&#xff0c;更为我们提供了一种独特的水下音乐体验。然而&#xff0c;面对众多品牌和型号&#xff0c;选择一款性能优越、安全可靠的潜…

智慧运维系统指导规范

随着信息技术的迅猛发展&#xff0c;智慧运维系统在现代企业中扮演着越来越重要的角色。为了提高运维效率、保障系统稳定运行&#xff0c;并制定一套科学、合理的智慧运维系统指导规范至关重要。本规范旨在为企业提供一套全面、系统的智慧运维管理方法和操作准则&#xff0c;以…

【Android面试八股文】为什么Dialog不能用Application的Context?

文章目录 考察的知识点一、使用Application的Context出现什么状况?二、Window、WM、WMS、Token的概念?三、 Dialog的窗口属于什么类型?四、生命周期管理五、示例五、结论考察的知识点 Window、WindowManager、WindowMangerService之间的关系 享学Dialog使用Activity的Token的…

工作纪实51-手撸AB实验分流策略

前几天写了一篇关于哈希算法的文章&#xff0c;起源就是在构思AB实验平台的时候&#xff0c;用到了哈希&#xff0c;所以对其做了深入的了解 AB实验平台是一般互联网做策略、样式实验会用到的一个系统&#xff0c;一般开启某个实验之后&#xff0c;需要对线上流量进行分流&…

lvs+上一章的内容

书接上回这次加了个keepalived 一、集群与分布式 1.1 集群介绍 **集群&#xff08;Cluster&#xff09;**是将多台计算机组合成一个系统&#xff0c;以解决特定问题的计算机集合。集群系统可以分为以下三种类型&#xff1a; **LB&#xff08;Load Balancing&#xff0c;负载…

创业思维和商业模式的区别,从0到1:构建到突破,专业新零售全案策划

在如今快速变化的市场环境中&#xff0c;创业思维和商业模式的重要性日益凸显。创业思维侧重于创新、冒险和解决问题的能力&#xff0c;而商业模式则关注企业如何创造并获取价值。将这两者有效地融合&#xff0c;不仅可以增强企业的竞争力&#xff0c;还可以帮助企业在市场中取…

希尔排序的实现

引言 排序在我们生活中十分常见&#xff0c;无论是购物软件中的商品推荐还是名次、排名都与排序算法息息相关。希尔排序是排序中较快的一种&#xff0c;而希尔排序实现的基础是插入排序。 排序的实现 插入排序&#xff08;以升序为例&#xff09; 插入排序的原理是从第二个数…

Springboot多模块项目从0构建打包运行

今天复习了一下Springboot的多模块的构建&#xff0c;其实一直以来都对单体项目使用多模块感到不太理解&#xff0c;不知道到底有什么样的优势&#xff0c;目前切身体会到的优势就是确实可以让依赖的划分更加清晰&#xff08;每个模块下的pom文件只引入该模块需要的依赖&#x…

Docker容器 || MySQL容器时间与宿主机同步

网上说的有好几种方式。 本人认为最实用的就是这个&#xff1a; docker exec -it idste_mysql ln -sf /usr/share/zoneinfo/Asia/Shanghai /etc/localtime诸如其它的还有&#xff1a; 1、启动的时候直接挂载&#xff0c;这个有效 docker run --name your_container_name -v …

力扣第215题“数组中的第K个最大元素”

在本篇文章中&#xff0c;我们将详细解读力扣第215题“数组中的第K个最大元素”。通过学习本篇文章&#xff0c;读者将掌握如何使用快速选择算法和堆排序来解决这一问题&#xff0c;并了解相关的复杂度分析和模拟面试问答。每种方法都将配以详细的解释&#xff0c;以便于理解。…

wsl ubuntu 安装Anaconda3步骤

如何在Ubuntu上安装Anaconda3呢?本章记录整个安装过程。 1、下载脚本 https://mirrors.bfsu.edu.cn/anaconda/archive/Anaconda3-2023.09-0-Linux-x86_64.sh 下载之后,将脚本上传到Ubuntu里。 2、安装脚本 bash Anaconda3-2021.11-Linux-x86_64.sh根据提示进行安装,提示输…

maven 打包执行配置(对maven引用的包或者丢进去的包都包含在里面)打成jar包

一 、springboot jar包 maven的pom文件 1 在resources下放了一些文件想打进去jar包 2 在lib下放了其他稀奇古怪jar包文件想打进去jar包 编写如下引入jar <build><!-- 打包名称 --><finalName>${project.artifactId}</finalName><resources><…

visual studio 2022配置和使用jsoncpp

下载 jsoncpp下载位置&#xff1a; GitHub - open-source-parsers/jsoncpp: A C library for interacting with JSON. 编译库 1、下载完成之后解压 2、在解压文件的makefiles文件下有个vs71&#xff0c;在vs71中有visual studio项目&#xff0c;不过这里的项目是visual stud…