Eigen初学1--声明旋转矩阵和欧拉角

1. Eigen是一个c++开源线性代数库

2. 安装Eigen

   sudo apt-get install libeigen3-dev
   
   一个库是有头文件和库文件组成的。
   Eigen 却只有头文件，没有库文件。
   
   安装完后，在/usr/include/eigen3在能找到Eigen3的头文件
   通过命令看一下Eigen3的位置
   sudo updatedb  #updatedb是用来创建或更新 slocate/locate命令所必须的数据库文件
   locate eigen3
   

3. Eigen的一些函数

   #include <iostream>
   using namespace std;
   #include <ctime>
   // Eigen 部分
   #include <Eigen/Core>
   // 稠密矩阵的代数运算（逆，特征值等）
   #include <Eigen/Dense>
   
   #define MATRIX_SIZE 50
   
   /****************************
   * 本程序演示了 Eigen 基本类型的使用
   ****************************/
   
   int main( int argc, char** argv )
   {
       // Eigen 中所有向量和矩阵都是Eigen::Matrix，它是一个模板
       //它的前三个参数为：数据类型，行，列
       // 声明一个2*3的float矩阵
       //严格大小写 不能写成Eigen::MATRIX
       Eigen::Matrix<float, 2, 3> matrix_23;
   
       // 同时，Eigen 通过 typedef 提供了许多内置类型，不过底层仍是Eigen::Matrix
       // 例如 Vector3d 实质上是 Eigen::Matrix<double, 3, 1>，即三维向量
       Eigen::Vector3d v_3d;
   	// 这是一样的
       Eigen::Matrix<float,3,1> vd_3d;
   
       // Matrix3d 实质上是 Eigen::Matrix<double, 3, 3>
       Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero(); //初始化为零
       // 如果不确定矩阵大小，可以使用动态大小的矩阵
       Eigen::Matrix< double, Eigen::Dynamic, Eigen::Dynamic > matrix_dynamic;
       // 更简单的
       Eigen::MatrixXd matrix_x;
       // 这种类型还有很多，我们不一一列举
   
       // 下面是对Eigen阵的操作
       // 输入数据（初始化）
       matrix_23 << 1, 2, 3, 4, 5, 6;
       // 输出
       cout << matrix_23 << endl;
       //输出是自己带了制表符/空格的 输出为2行3列
   
       // 用()访问矩阵中的元素 ，感觉有点类似数组
       //不带制表符输出
       for (int i=0; i<2; i++) {
           for (int j=0; j<3; j++)
               cout<<matrix_23(i,j)<<"\t";
           cout<<endl;
       }
   
       // 矩阵和向量相乘（实际上仍是矩阵和矩阵）
       v_3d << 3, 2, 1;
       vd_3d << 4,5,6;
       // 但是在Eigen里你不能混合两种不同类型的矩阵，像这样是错的
       // Eigen::Matrix<double, 2, 1> result_wrong_type = matrix_23 * v_3d;
       // 应该显式转换
       Eigen::Matrix<double, 2, 1> result = matrix_23.cast<double>() * v_3d;
       cout << result << endl;
      //输出是10 28  是矩阵相乘 按照2行1列的格式输出
      
       Eigen::Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;
       cout << result2 << endl;
       //为什么输出的是32 77
   
       // 同样你不能搞错矩阵的维度
       // 试着取消下面的注释，看看Eigen会报什么错
       // Eigen::Matrix<double, 2, 3> result_wrong_dimension = matrix_23.cast<double>() * v_3d;
   
       // 一些矩阵运算
       // 四则运算就不演示了，直接用+-*/即可。
       matrix_33 = Eigen::Matrix3d::Random();      // 随机数矩阵 产生的是小数  由正负之分
       cout << matrix_33 << endl << endl;
       cout << matrix_33.transpose() << endl;      // 转置
       cout << matrix_33.sum() << endl;            // 各元素和 默认保留小数位5位
       cout << matrix_33.trace() << endl;          // 迹 主对角线的和 1.05922（从左上角到右下角）
       cout << 10*matrix_33 << endl;               // 数乘
       cout << matrix_33.inverse() << endl;        // 逆
       cout << matrix_33.determinant() << endl;    // 行列式
   
       // 特征值
       // 实对称矩阵可以保证对角化成功
       //矩阵A的转置*矩阵A==》得到的一定是对称矩阵
       //实对称矩阵一定可以相似对角化，它的对角化矩阵对角线上的值就是它的特征值
       //一般矩阵相同的特征值，必须对应的特征向量线性无关，才能相似对角化
       Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( matrix_33.transpose()*matrix_33 );
       //特征值
       cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
       //特征向量
       cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;
   
       // 解方程
       // 我们求解 matrix_NN * x = v_Nd 这个方程
       // N的大小在前边的宏里定义，它由随机数生成
       // 直接求逆自然是最直接的，但是求逆运算量大
   
       Eigen::Matrix< double, MATRIX_SIZE, MATRIX_SIZE > matrix_NN;
       matrix_NN = Eigen::MatrixXd::Random( MATRIX_SIZE, MATRIX_SIZE );
       Eigen::Matrix< double, MATRIX_SIZE,  1> v_Nd;
       v_Nd = Eigen::MatrixXd::Random( MATRIX_SIZE,1 );
   
       clock_t time_stt = clock(); // 计时
       // 直接求逆
       Eigen::Matrix<double,MATRIX_SIZE,1> x = matrix_NN.inverse()*v_Nd;
       cout <<"time use in normal inverse is " << 1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC << "ms"<< endl;
       //CLOCKS_PER_SEC是标准c的time.h头函数中宏定义的一个常数，表示一秒钟内CPU运行的时钟周期数，用于将clock()函数的结果转化为以秒为单位的量
       
   	// 通常用矩阵分解来求，例如QR分解，速度会快很多
       time_stt = clock();
       x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
       cout <<"time use in Qr decomposition is " <<1000*  (clock() - time_stt)/(double)CLOCKS_PER_SEC <<"ms" << endl;
   
       return 0;
   }
   
   

最后一段的QR分解 下次再看

4. Eigen不支持自动类型提升