视觉SLAM中，刚体三维空间运动的描述。

1 三维空间刚体运动

我们很容易想到，刚体在三维空间中的运动是由一次旋转和+一次平移组成的。平移其实就是刚体在三轴方向上移动的距离，问题不大，但在视觉SLAM问题中旋转的处理是比较麻烦的。
接下来介绍旋转矩阵、四元数、欧拉角的定义，以及他们是如何运算和变换的。

1.1 点、向量和坐标系

为什么要弄明白这些基础的问题呢，恰恰因为他们是基础，而最容易忽视的也是基础。

1、点是空间中的基本元素，无体积，无长度。
2、把两点连接就构成了向量。向量可以看作从一个点指向另一个点的箭头。
3、 当我们为三维空间指定坐标系时，就可以谈一个点和一个向量的坐标了。

值得注意的是，点和向量只是三维空间中存在的一种东西，只有在指定三维空间坐标系时，才赋予了他们坐标。

对于坐标我们可以计算他们的内外积，这个想必大家都会计算。在视觉SLAM问题中，为了方便后面各种公式推导的理解，这里对向量之间的外积计算引入了一个^符号。这个符号可以把向量写成一个矩阵！其是一个反对称矩阵！

如图：

1.2 坐标系间的欧式变换

视觉SLAM问题中常常涉及到坐标系之间的变化，比如世界坐标系、机器人坐标系，相机坐标系等。两个坐标系之间的变换由一个旋转和一个平移组成，这就是**刚体运动**。刚体运动中，同一个向量在各个坐标系下的长度和夹角都不会发生改变。而我们说两个坐标系之间相差了一个欧式变换。

欧式变换由旋转和平移组成，用R和t表示。

（1）旋转矩阵

旋转矩阵刻画了旋转前后同一个向量的坐标变换关系。

向量在两个坐标系之间的旋转，向量本身是不变的，根据这个性质可以推出旋转矩阵。

在线性代数中，一个向量由一组基和一个坐标相乘得到。

在上式左右两端左乘[e₁,e₂,e₃]^T，可得下式。

旋转矩阵的性质：行列式为1且正交， R^T=R^-1 ；
反过来，行列式为1的正交矩阵也是旋转矩阵。

（2）变换矩阵

欧式变换由一个旋转和一个平移组成，旋转矩阵用R表示，平移向量用t表示，可由下式表示。

在实际应用中，为了方便使用矩阵计算， 引入了齐次坐标：

矩阵T既包含旋转矩阵，又包含平移向量，称为变换矩阵。

1.2 旋转向量和欧拉角

①任意旋转都可以用一个旋转轴和一个旋转角来表示。

旋转向量的定义（或轴角，Axis-Angle）：对于一个旋转轴为n，旋转角为$\theta$的旋转，对应的旋转向量为$\theta$n ，并且向量n的模为1。

②欧拉角：把一个旋转分解成三次分别绕x,y,z轴的旋转，用三个分离的旋转角[$\theta$_x,$\theta$_y,$\theta$_z]描述一个旋转。

绕物体的Z轴旋转得到偏航角(yaw)，再绕旋转之后的Y轴旋转得到俯仰角(pitch)，最后绕旋转之后的X轴得到滚转角(roll)。

• 欧拉角的bug

万向锁问题：俯仰角如果是 90^o 或-90^o ，第三次旋转会与第一次旋转使用同一个轴，并且避免不了。会导致丢失一个自由度（由三次旋转变成了两次旋转）。这被称为奇异性问题。

这块总是转不明白，其实可以那一本书比划一下。
我们不用专业术语描述，可以用上下左右来说。
首先平放书本，左转头20°，然后俯仰角如果是 90^o 就说明此时书已经竖直放置了，第三次就是绕竖轴旋转。仔细想想其实改变一下第一次旋转的角度，完全不用第三次旋转就可以得到相同的效果。

1.3 四元数

四元数(Quaternion)定义为一个实部和三个虚部，是一种非常紧凑、没有奇异性的表达式。

关于四元数的理解可以看这篇博文《可视化四元数，愿你不在掉头发》，因为我实在弄不懂[尴尬脸]。

2 各种变换之间的转换

2.1 旋转向量&旋转矩阵

已知 [n,$\theta$] ,求R：

已知R ,求[n,$\theta$] ：

2.2 四元数&旋转矩阵

已知四元数 q = [q₀,q₁,q₂,q₄]，求R：

已知R，求四元数：

2.3 四元数&旋转向量

绕单位轴u 旋转 $\theta$的四元数是：

下一节预告

在视觉SLAM问题中我们要估计和优化相机的位姿，把旋转矩阵作为优化变量时，会引入额外的约束（旋转矩阵是正交矩阵且行列式等于1），使优化变得困难。其实可以用李群和李代数之间的转换关系，将位姿估计变成无约束的优化问题，简化求解方式。

非常感谢您的阅读！