随着高级驾驶辅助(ADAS)及自动驾驶在汽车行业的兴起,从多传感器融合感知->智能决策算法->准确安全的执行,这三个系统层面的概念备受从业者的关注。 在日常工作中,会发现小小的坐标系转换渗透在智能车控制的各个层面:
- 目标识别: 在多传感器融合时,需要将不同位置的传感器数据转化到车辆统一的一个坐标系下(如车辆后轴中心的对地投影点);
- 整车动态控制: 控制方程是基于牛顿第二定律建立的,必须要求运动学参数 (速度、加速度)度量由非惯性系转向惯性系;
- 路径规划和追踪: 位置坐标数据需要从车辆坐标系转化为固定的大地坐标系。
基于以上三个出发点可见,坐标系转换有着广泛的应用背景。以下首先明确两个基本概念:参考系(Reference frame)和 坐标系(Coordinate system):
参考系:用于定义观测者和目标物运动状态关系。(通俗讲就是“看运动”,偏向于感性的描述)
如下图 :
坐标系: 属于一种方法,用来在特定的参考系中定量的去描述运动参数(位置、速度等),这里已经引入量化概念。
由此可见参考系和坐标系两个概念既有联系,又有各自的明确不同点。
那么到底都有哪些不同的坐标系和参考系呢?以下介绍几种常见分类:
-坐标系:
- 笛卡尔坐标系 (Cartesian coordinate)
2. 极坐标系(Polar coordinate)
3. 本征坐标系(Intrinsic coordinate)
- 参考系
- 惯性参考系(如大地)
- 非惯性参考系(如车身)
通常我们说的大地坐标系、车身坐标系其实无形中是参考系和坐标系两个概念的结合。通俗讲“就像是一个拿着标尺准备随时测量运动,可随意变换位置的观测者”。
那究竟怎么进行坐标系的转换呢??(推荐大家回顾一下大学物理中对刚体运动的教学内容,其思想对于理解坐标系转换有相当重要的作用)
首先我们拿位置矢量坐标为例,如果物体在二维平面只做平移运动,很简单,对应坐标只做加减运算:
如果物体在二维平面做旋转运动呢? 这里就必须引入坐标系旋转矩阵来做变换了,如下图:
看到上面的旋转矩阵,就不得不说一下“矩阵”这个非常司空见惯但又充满乐趣的概念。
未完待续。。。