SLAM中的坐标变换

​  在SLAM经常需要谈论一件事情，就是坐标系变换与坐标变换，坐标系变换和坐标变换是不一样的，要注意区分两者的不同。在$n$维线性空间中，任意$n$个线性无关的向量都可取作它的基或坐标系。但是对于不同的基或坐标系，同一个向量的坐标是不同的，下面讨论当基改变时，向量的坐标是如何变化的。

一、基变换

设${x\text{x}x}_1$，${x\text{x}x}_2$，…，${x\text{x}x}_n$是旧基，${y\text{y}y}_1$，${y\text{y}y}_2$，…，${y\text{y}y}_n$是新基，则根据基的定义可以知道

或者形式的写成

其中矩阵$C\text{C}C$称作由旧基到新基的过渡矩阵，过渡矩阵代表了坐标系变换或者基变换，可以证明过渡矩阵是非奇异矩阵。

二、坐标变换

​  当我们知道了坐标系的变换之后就可以求解坐标变换的问题了，假设一个向量$p\text{p}p$在旧基下的坐标为$({\xi }_1,{\xi }_2,...,{\xi }_n{)}^T$，在新基下的坐标为$({\eta }_1,{\eta }_2,...,{\eta }_n{)}^T$，那么有：
$$p\text{p}p={\xi }_1{x\text{x}x}_1+{\xi }_2{x\text{x}x}_2+...+{\xi }_n{x\text{x}x}_n={\eta }_1{y\text{y}y}_1+{\eta }_2{y\text{y}y}_2+...+{\eta }_n{y\text{y}y}_n$$
根据过渡矩阵，可以得到：
$$({\eta }_1,{\eta }_2,...,{\eta }_n{)}^T=C^{-1}({\xi }_1,{\xi }_2,...,{\xi }_n{)}^T$$
上式即为同一向量在不同坐标系下的坐标变换，可以看到坐标变换矩阵是基变换矩阵的逆。

三、旋转矩阵与平移向量

  在视觉SLAM中，相机运动属于刚体运动，而刚体运动可以分解为旋转和平移。当定义好了相机坐标系后，相机坐标系的旋转可以用旋转矩阵来表示，平移可以用平移向量来表示，注意，这里旋转矩阵和平移向量一般在世界坐标系下的表达。假设相机坐标系1经过旋转和平移变成了坐标系2，将坐标系1设为世界坐标系，旋转矩阵为$R\text{R}R$，平移向量为$t\text{t}t$，某向量在坐标系1中的坐标为$a\text{a}a=(a_1,a_2,a_3{)}^T$，在坐标系2中的坐标系为$b\text{b}b=(b_1,b_2,b_3{)}^T$，则
$$a\text{a}a=R\text{R}Rb\text{b}b+t\text{t}t$$
旋转矩阵是正交阵，自然也是非奇异矩阵。上述坐标是用非齐次坐标来表示的，如果改成齐次坐标：${a\text{a}a}^{{}^{\prime }}=(a_1,a_2,a_3,1{)}^T$和${b\text{b}b}^{{}^{\prime }}=(b_1,b_2,b_3,1{)}^T$
则上式可以写成更简单的表达方式：
$${a\text{a}a}^{{}^{\prime }}=T\text{T}T{b\text{b}b}^{{}^{\prime }}$$
其中

$T\text{T}T$称作变换矩阵(Transformation Matrix)，用于描述欧式变换。
那么旋转矩阵和基变换是什么关系呢？答：旋转矩阵就是基变换，但旋转矩阵和平移向量构成的变换不是基变换。

四、位姿

​  位姿在视觉SLAM中是指每一帧对应的相机坐标系相对于世界坐标系(或初始帧相机坐标系)的刚体运动：即旋转矩阵和平移向量，故位姿是坐标系的变换而非坐标变换。有了每一帧的位姿，我们就可以得到相机的运动轨迹。