【视觉SLAM十四讲学习笔记 之三 】三维空间刚体运动

本讲介绍视觉SLAM的基本问题之一：
如何描述刚体在三维空间中的运动？

刚体运动的定义
两个坐标系之间的运动由一个旋转加上一个平移组成，这种运动称为刚体运动。相机运动就是一个刚体运动。刚体运动过程中，同一个向量在各个坐标系下的长度和夹角都不会发生变化。此时，我们说手机坐标系到世界坐标系之间，差了一个欧氏变换（Euclidean Transform）。欧氏变换由旋转和平移组成。

内积也可以描述向量间的投影关系。两个向量的内积结果和坐标系的选取是无关的。
外积的结果是一个向量，它的方向垂直于这两个向量，大小为|a||b|sin<a,b>，是两个向量张成的四边形的有向面积。

关于外积的反向对称矩阵（Skew-symmetric Matrix）没太搞懂。

坐标系间的欧氏变换

如果考虑运动的机器人，那么常见的做法是设定一个惯性坐标系（或者叫世界坐标系），可以认为它是固定不会动的。

旋转矩阵也叫方向余弦矩阵(Direction Cosine Matrix)。
旋转矩阵有一些特别的性质。事实上，它是一个行列式为1的正交矩阵。反之，行列式为1的正交矩阵也是一个旋转矩阵。

SO(n)是特殊正交群（Special Orthogonal Group）。这个集合由n维空间的旋转矩阵组成，特别的，**SO(3)**就是指三维空间的旋转。

由于旋转矩阵R为正交矩阵，它的逆（即转置）描述了一个相反的旋转。显然RT 刻画了一个相反的旋转。

变换矩阵和齐次坐标

矩阵T，即齐次坐标矩阵，称为变换矩阵。
关于变换矩阵T，它具有比较特别的结构：左上角为旋转矩阵，右侧为平移向量，左下角为0向量，右下角为1,。这种矩阵又称为特殊欧氏群(Special Euclidean Group) SE(3)。与SO(3)一样，求解该矩阵的逆表示一个反向的变换。

Eigen是一个C++开源线性代数库。特殊之处在于，它是一个纯用头文件搭建起来的库。所以不需要再用target_link_libraries语句将程序链接到库上。

旋转向量和欧拉角

任意旋转都可以用一个旋转轴和一个旋转角来刻画。我们可以使用一个向量，其方向与旋转轴一致，而长度等于旋转角。这种向量称为旋转向量（或轴角/角轴，Axis-Angle），只需一个三维向量即可描述旋转。
同样，对于变换矩阵，我们使用一个旋转向量和一个平移向量即可表达一次变换。这时的变量数正好是六维。

从旋转向量到旋转矩阵的转换过程由**罗德里格斯公式(Rodrigues’s Formula)**表明。

欧拉角提供了一种非常直观的方式来描述旋转——它使用了3个分离的转角，把一个旋转分解成3次绕不同的轴的旋转。
欧拉角当中比较常用的一种，便是用**“偏航-俯仰-滚转”(yaw-pitch-roll)** 3个角度来描述一个旋转。它等价于ZYX轴的旋转，因此就以ZYX轴为例。ZYX转角相当于把任意旋转分解成一下3个轴上的转角：
1. 绕物体的Z轴旋转，得到偏航角yaw
2. 绕旋转之后的Y轴旋转，得到俯仰角pitch
3. 绕旋转之后的X轴旋转，得到滚转角roll
此时，可以使用[r,p,y]T这样一个三维的向量描述任意旋转。 这里介绍的rpy角是比较常用的一种。

欧拉角的一个重大缺点是会碰到著名的万向锁问题(Gimbal Lock)。这被称为奇异性问题，这个问题在其他形式的欧拉角中也同样存在。因此欧拉角不适用于插值和迭代，往往只用于人机交互中，用来直观地分辨结果是否正确。

四元数

未完待续