第三讲三维空间刚体运动

喵喵不爱吃鱼

已于 2024-08-13 20:54:55 修改

阅读量945

点赞数 15

分类专栏：视觉SLAM十四讲文章标签：计算机视觉

于 2024-04-30 19:19:56 首次发布

本文链接：https://blog.csdn.net/weixin_42391513/article/details/138354759

版权

视觉SLAM十四讲专栏收录该内容

13 篇文章 0 订阅

订阅专栏

本文介绍了三维空间中刚体运动的不同描述方法，如旋转矩阵、变换矩阵、四元数和欧拉角，以及如何使用Eigen库操作矩阵和几何模块。此外，还探讨了旋转向量、欧拉角的使用及其奇异性，以及四元数的优势。最后提及了类似Pangolin库的安装问题和相关变换的概念。

摘要由CSDN通过智能技术生成

目标：理解三维空间的刚体运动描述方式：旋转矩阵、变换矩阵、四元数和欧拉角；掌握Eigen库的矩阵、几何模块的使用方法。

1、旋转矩阵

刚体运动：两个坐标系之间的运动由一个旋转加上一个平移组成，这种运动成为刚体运动。
欧式变换：由旋转和平移组成。
向量运算
- 向量内积： $a\cdot b=a^Tb=\sum_{3}^{i=1}a_ib_i=|a||b|cos<a,b>$
- 向量外积： $\boldsymbol{a}\times \boldsymbol{b}=\begin{Vmatrix} \boldsymbol{e_1} & \boldsymbol{e_2}& \boldsymbol{e_3}\\ a_1 & a_2& a_3\\ b_1 & b_2& b_3 \end{Vmatrix} = \begin{bmatrix} a_2b_3- a_3b_2\\ a_3b_1-a_1b_3\\ a_1b_2-a_2b_1 \end{bmatrix}=\begin{bmatrix} 0 & -a_3& a_2\\ a_3 & 0 & -a_1\\ -a_2 & a_1& 0 \end{bmatrix}\boldsymbol{b}=\boldsymbol{a}^{\wedge}\boldsymbol{b}$
  - 外积的结果是一个向量，方向垂直于a，b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。对外积计算，我们引入^符号，把a写成一个矩阵，事实上是一个反对称矩阵。
  - 可以将^记成一个反对称符号，这样把两个向量外积a×b写成矩阵与向量的乘法a^b，把它变成了线性运算。该符号是一个一一映射，意味着任意向量都对应着唯一个反对称矩阵。
  - $a^{\wedge}=\begin{bmatrix} 0 & -a_3& a_2\\ a_3 & 0 & -a_1\\ -a_2 & a_1& 0 \end{bmatrix}\cdot$
  - 对于任意反对称矩阵，我们也能找到唯一与之对应的向量，把这个运算用符号 ${}^\vee$ 表示。
旋转矩阵：刻画了旋转前后同一个向量的坐标变换关系，也叫方向弦矩阵。事实上，是一个行列式为1的正交矩阵。
特殊正交群： $SO(n)=R \in \mathbb{R}^{n\times n}|RR^{T}=I,det(R)=1$
向量a在两个坐标系下的坐标为a1,a2，它们之间的关系应该是： $a_1=R_{12}a_2+t_{12}$ （ $R_{12}$ 代表把坐标系2的向量变换到坐标系1中， $t_{12}$ 对应的是坐标系1原点指向坐标系2原点的向量。）
变换矩阵与齐次坐标
- 齐次坐标：在三维向量末尾添加1，将其变成四维向量，成为齐次坐标。
- 变换矩阵：对于四维向量，可以将旋转和平移写在一个矩阵里，使整个关系变成线性关系。
特殊欧式群： $SE(3)=\left \{ T=\begin{bmatrix} R & t \\ 0^{T} & 1 \end{bmatrix} \in \mathbb{R}^{4\times 4}| R \in SO(3), t \in \mathbb{R}^{3} \right \}$
矩阵相关知识
- 反对称矩阵A满足 $A^{T}=-A$
- 正交矩阵即逆为自身转置的矩阵。
- 正定矩阵：A是n阶方阵，若对任何非零向量x，都有 $x^TAx>0$ ，就称A为正定矩阵。
- 半正定矩阵：设A是实对称矩阵，如果对任意的实非零列向量x有 $x^TAx>=0$ ，就称A为半正定矩阵。
- 特征值与特征向量：给定方阵A，若存在一个非零向量v和一个标量 $\lambda$ ，使 $Av=\lambda v$ 。其中 $\lambda$ 是矩阵A的特征值，而v是对应特征值 $\lambda$ 的特征向量。特征值表示了在特征向量上的伸缩倍数，特征向量表示了在变换中保持方向不变的向量。

2、实践：Eigen

3、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。
旋转向量：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，这种向量成为旋转向量。 $\theta n$ 可以描述这个旋转。
- 旋转向量到旋转矩阵的转换过程由罗德里格斯公式表名，转换结果：
- $R=cos\theta I + (1-cos\theta )nn^T+sin\theta n^{\land}$
- $\theta=arccos{tr(R)-1 \over 2}$
- 旋转向量也有奇异性，发生在转角 $\theta$ 超过2π而产生周期性时。
欧拉角：使用3个分离的转角，把一个旋转分解成3次绕不同轴的旋转。
- 欧拉角一种常用的方式：偏航-俯仰-翻滚（yaw-pitch-roll）。
  - 绕物体的Z轴旋转，得到偏航角yaw；
  - 绕旋转之后的Y轴旋转，得到俯仰角pitch；
  - 绕旋转之后的X轴旋转，得到翻滚角roll
- 万向锁问题（在俯仰角为±90°时，第一次旋转和第三次旋转将使用同一个轴，使得系统丢失了一个自由度，这被称为奇异性问题。）

4、四元数

旋转矩阵用9个量描述3自由度的旋转，具有冗余性；欧拉角和选择向量是紧凑的，但是有奇异性。四元数是一种扩展的复数，它是紧凑且没有奇异性，但不够直观且运算复杂。
二维情况下，旋转可以用单位复数来描述： $e^{i\theta}=cos\theta + i sin\theta$ （复平面的向量旋转 $\theta$ ）
三维，可以由单位四元数描述： $q=q_0+q_1 i +q_2 j + q_3 k$ ,i,j,k是四元数的三个虚部，满足以下关系式：
- $i^2=j^2=k^2=-1$
- $ij =k, ji = -k$
- $jk = i, kj = -i$
- $ki = j, ik = -j$
也可以用一个标量和一个向量表达四元数：
$q = [s, v]^T , s = q_0 \in \mathbb{R}, v = [q_1, q_2, q_3]^T \in \mathbb{R}$
若一个四元数的虚部为0，则成为实四元数；反之，若它的实部为0，则成为虚四元数。
四元数运算
- 两个四元数乘积的模即模的乘积。 $\|q_aq_b\|=\|q_a\|\|q_b\|$
- 四元数的共轭是把虚部取成相反数。四元数共轭与其本身相乘，会得到一个实四元数，其实部为模长的平方。
- 四元数和自己的逆的乘积为实四元数1.
四元数标识旋转
- 空间三维点： $p=[x,y,z] \in \mathbb{R}^{3}$ ，用一个虚四元数描述： $p=[0,v]^T$
- 旋转后的点p'： $p'=Rp$ ，也可以： $p'=qpq^{-1}$ （不明白为什么？）
- 四元数到旋转向量的转换公式：

5、其他变化：相似、仿射、射影变换

变换名称	矩阵形式	自由度	不变性质
欧式变换	$\begin{bmatrix} R & t \\ 0^{T} & 1 \end{bmatrix}$	6	长度、夹角、体积
相似变换	$\begin{bmatrix} sR & t \\ 0^{T} & 1 \end{bmatrix}$	7	体积比
仿射变换	$\begin{bmatrix} A & t \\ 0^{T} & 1 \end{bmatrix}$	12	平行性、体积比
射影变换	$\begin{bmatrix} A & t \\ a^{T} & v \end{bmatrix}$	15	接触平面的相交和相切