tf变换及工具说明(3)之Eigen库使用

tf变换及工具说明之Eigen库使用demo(3))

二维平面不同坐标系下增量转换

说明:机器人在A坐标系下上一时刻坐标a_pos_last,同时刻在B坐标系下坐标为b_pos_last。当前时刻时,机器人在A坐标系下运行至坐标为a_pos,则采用Eigen库可获取机器人当前时刻在B坐标系。在ros下,根据odometer的变化更新,机器人在世界坐标系下坐标,demo如下:

    //上时刻B坐标系下坐标,即世界坐标系下坐标
    Eigen::Vector3f last_scan_pose = b_pos_last;     
    //上时刻A坐标系下坐标,即里程计坐标系坐标                                                                          
    Eigen::Vector3f last_odom_pose = a_pos_last;      
    //当前时刻A坐标系下坐标,即里程计坐标系坐标                                                                       
    Eigen::Vector3f odom_pose = a_pos;      
    // 计算旋转向量,即沿着z轴旋转角度差                                                                                    
    Eigen::AngleAxisf rotation(last_scan_pose[2] - last_odom_pose[2], Eigen::Vector3f(0, 0, 1));      
    // 获取在B坐标系下坐标,即在世界坐标系下机器人当前坐标
    Eigen::Vector3f b_pos = last_scan_pose + rotation * (odom_pose - last_odom_pose);         

同理:在同一世界坐标系已知0时刻和1时刻的位姿pos0和pos1,则pos1与pos0之间的转换矩阵应为以其中0时刻为原点坐标(0,0,0),获取得到的位置向量为转换矩阵;故将其分成两部分实现,结果与上面一致,demo如下:

    //上时刻B坐标系下坐标,即世界坐标系下坐标
    Eigen::Vector3f last_scan_pose = b_pos_last;     
    //上时刻A坐标系下坐标,即里程计坐标系坐标                                                                          
    Eigen::Vector3f last_odom_pose = a_pos_last;      
    //当前时刻A坐标系下坐标,即里程计坐标系坐标                                                                       
    Eigen::Vector3f odom_pose = a_pos;     
    // 计算旋转向量,即沿着z轴旋转角度差
    Eigen::AngleAxisf rotation0( - last_odom_pose[2], Eigen::Vector3f(0, 0, 1));
    // 计算前后两个时刻坐标转换关系
    Eigen::Vector3f delta_odom_pos =  rotation0 * (odom_pose - last_odom_pose);

    // 计算旋转向量,即沿着z轴旋转角度差
    Eigen::AngleAxisf rotation1( last_scan_pose[2], Eigen::Vector3f(0, 0, 1));
    // 根据两次坐标关系和上时刻B坐标系下坐标,获取在当前时刻B坐标系下坐标,
    Eigen::Vector3f b_pos2 =  last_scan_pose + rotation1 * (delta_odom_pos);

二维下坐标转换

在平面坐标下,如已知A点在W下在坐标为 W p ( x , y , θ ) W_p(x,y,\theta) Wpxyθ即所谓的 W A T W_{A^T} WAT(即transform)。假设A_p点在A坐标下坐标为(x_a,y_b);则 A p A_p Ap点在W下的坐标为 W p W_p Wp
  采用矩阵转换,从ros的tf工具下转换Eigen库的demo如下:

 Eigen::Affine3d W_to_A_eig;                                  // 仿射变换矩阵
 tf::Transform W_to_A;
 tf::transformTFToEigen(W_to_A, W_to_A_eig);    // 转换eigen矩阵格式
 

2维平面坐标系下demo如下:

 // 根据激光当前位置(x,y, yaw)构建仿射变换矩阵
 Eigen::Affine2f transform(Eigen::Translation2f(x,y) * Eigen::Rotation2Df(yaw));
 // point 为在机器人坐标系下坐标
 Vector2f point;
 // 转换激光点在以机器人坐标系下的坐标
 Eigen::Vector2f transformed_point = transform * point;   
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Eigen 是一个 C++ 模板,用于线性代数和数值计算。它提供了高性能的矩阵和向量操作,以及许多常用的数学函数和算法。下面是 Eigen 的基本使用说明: 1. 安装:你可以从 Eigen 的官方网站(https://eigen.tuxfamily.org/)下载最新版本的源代码,并将其包含在你的项目中。 2. 包含头文件:在你的 C++ 代码中,使用 `#include <Eigen/Dense>` 来包含 Eigen 的主要头文件。 3. 定义矩阵和向量:Eigen 提供了 `Matrix` 和 `Vector` 类模板来定义矩阵和向量。你可以使用不同的数据类型(例如 float、double)和大小来实例化这些类。 ```cpp #include <Eigen/Dense> int main() { // 定义一个 3x3 的矩阵 Eigen::Matrix3d matrix; // 定义一个 3 维向量 Eigen::Vector3d vector; // ... return 0; } ``` 4. 矩阵和向量操作:Eigen 提供了丰富的运算符和函数,用于执行矩阵和向量的各种操作,如矩阵乘法、转置、逆等。 ```cpp #include <Eigen/Dense> #include <iostream> int main() { Eigen::Matrix2d A; Eigen::Vector2d b; // 矩阵赋值 A << 1, 2, 3, 4; // 向量赋值 b << 5, 6; // 矩阵乘法 Eigen::Vector2d result = A * b; // 输出结果 std::cout << result << std::endl; return 0; } ``` 5. 其他功能:Eigen 还提供了许多其他功能,如特征值分解、奇异值分解、QR 分解等。你可以通过查阅 Eigen 的官方文档来了解更多详细的使用方法和示例代码。 以上是 Eigen 的基本使用说明,希望对你有所帮助!如有更多问题,请随时提问。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值