# Simulação MPC com recalculagem do delta_theta a cada passo (versão mais próxima do real)
import numpy as np
import matplotlib.pyplot as plt
import json

# Carregar mapa
with open("CidadeJardimTerreno2_Corrigido.json", "r", encoding="utf-8") as f:
    data = json.load(f)

traj_gps = []
for feature in data["features"]:
    coords = feature["geometry"]["coordinates"]
    for lon, lat in coords:
        traj_gps.append((lat, lon))

def latlon_to_xy(lat, lon, lat0, lon0):
    R = 6371000
    dlat = np.radians(lat - lat0)
    dlon = np.radians(lon - lon0)
    x = R * dlon * np.cos(np.radians((lat + lat0) / 2))
    y = R * dlat
    return x, y

lat0, lon0 = traj_gps[0]
traj_xy = np.array([latlon_to_xy(lat, lon, lat0, lon0) for lat, lon in traj_gps])

# Parâmetros do robô
distancia_entre_eixos = 0.92
angulo_max_graus = 30.0
angulo_max_rad = np.radians(angulo_max_graus)
dt = 0.2
horizonte = 10

def calcular_orientacao(p1, p2):
    dx = p2[0] - p1[0]
    dy = p2[1] - p1[1]
    return np.arctan2(dy, dx)

def calcular_omega_fisico(v, angulo_rad, tipo_movimento):
    L = distancia_entre_eixos
    tan_delta = np.tan(angulo_rad)
    if tipo_movimento == "rodasFrontais":
        return (v * tan_delta) / L
    elif tipo_movimento == "movimentoArco":
        return (2 * v * tan_delta) / L
    return 0.0

def simular_trajetoria_recalculando(x0, y0, theta0, velocidade, tipo_movimento, traj_xy):
    x, y, theta = x0, y0, theta0
    pontos = [(x, y)]
    custo_total = 0.0

    for step in range(horizonte):
        idx = min(step, len(traj_xy)-1)
        ponto_alvo = traj_xy[idx]
        erro_dist = np.linalg.norm([x - ponto_alvo[0], y - ponto_alvo[1]])
        orient_alvo = calcular_orientacao((x, y), ponto_alvo)
        delta_theta = (orient_alvo - theta + np.pi) % (2 * np.pi) - np.pi

        # Limitando o ângulo de direção
        angulo_direcional = np.clip(delta_theta, -angulo_max_rad, angulo_max_rad)
        omega = calcular_omega_fisico(velocidade, angulo_direcional, tipo_movimento)

        # Atualização de estado
        x += velocidade * np.cos(theta) * dt
        y += velocidade * np.sin(theta) * dt
        theta += omega * dt

        pontos.append((x, y))
        erro_orient = np.abs((orient_alvo - theta + np.pi) % (2 * np.pi) - np.pi)
        custo_total += erro_dist * 2.0 + erro_orient * 1.5

    return np.array(pontos), custo_total

# Estado inicial
x0, y0, theta0 = traj_xy[0][0] - 0.5, traj_xy[0][1] - 0.5, 0.0
trajetorias_testadas = []
custos = []

# Candidatos com recalculagem a cada passo
for vel in [0.6, 1.0, 1.4]:
    for tipo in ["rodasFrontais", "movimentoArco"]:
        traj, custo = simular_trajetoria_recalculando(x0, y0, theta0, vel, tipo, traj_xy)
        trajetorias_testadas.append((traj, vel, tipo))
        custos.append(custo)

# Melhor resultado
melhor_idx = int(np.argmin(custos))
traj_melhor, vel_melhor, tipo_melhor = trajetorias_testadas[melhor_idx]

# Plot
for traj, vel, tipo in trajetorias_testadas:
    plt.plot(traj[:,0], traj[:,1], alpha=0.2, label=f"{vel} m/s | {tipo}")

plt.plot(traj_melhor[:,0], traj_melhor[:,1], 'b-', linewidth=2.5, label=f"Melhor: {vel_melhor} m/s | {tipo_melhor}")
plt.plot(traj_xy[:,0], traj_xy[:,1], 'ro--', label='Trajetória alvo')
plt.xlabel("X (m)")
plt.ylabel("Y (m)")
plt.title("MPC com recalculagem por passo (delta_theta dinâmico)")
plt.legend(loc="best", fontsize="small")
plt.grid(True)
plt.axis("equal")
plt.show()