旋转描述以及位姿描述：旋转矩阵、旋转向量、欧拉角、四元数

注：参考视觉SLAM十四讲第三章。

旋转描述

相同点：
旋转矩阵、旋转向量、欧拉角、四元数都可以用来描述同一个旋转。

不同点：
旋转矩阵$R\in {\mathbb{R}}^{3\times 3}$用9个向量描述3自由度的旋转，具有冗余性；旋转矩阵必须是行列式为1的正交矩阵，这些约束会使得在估计或者优化一个旋转矩阵时求解变得困难。

旋转向量$\theta n$用转轴$n\in {\mathbb{R}}^3$和转角$\theta$描述旋转，是紧凑的，但是具有奇异性（旋转向量在转角$\theta$超过$2\pi$时会产生周期性，这可以在估计或优化的时候对$\theta$进行一个取值的约束来解决）。欧拉角也是用转轴和转角来描述旋转，只不过它使用3个分离的转角，把一个旋转分解成绕3次不同轴（X-Y-Z轴，顺序可能不同）的旋转，也存在奇异性问题（万向锁问题，系统可能会丢失自由度）。

四元数$q=[s,v{]}^T,s=q_0\in \mathbb{R},v=[q_1,q_2,q_3{]}^T\in {\mathbb{R}}^3$用一个标量和一个三维向量来表达，标量s是四元数的实部，三维向量v是四元数的虚部，可以用单位四元数表示三维空间中任意一个旋转，这种描述方式既是紧凑的，也没有奇异性。

位姿描述

对应上面三种旋转的描述方式，位姿也存在着三种描述方式，同样也继承了上面不同旋转描述的特点。

1. 旋转矩阵$R$ + 平移向量$t$，即变换矩阵$T\in {\mathbb{R}}^{4\times 4}$。
2. so(3)$\varphi$ + 平移向量$t$，6维向量。(用李代数so(3)表示三维旋转和旋转向量表示三维旋转是一回事）
3. 单位四元数$q$ + 平移向量$t$，7维向量。