0. 姿态变换与坐标变换
- 机器人中的坐标系,它是一组基,表示为一个其次变换矩阵,一般为4阶,包含了当前坐标系与其他坐标系的旋转、平移关系,所以一般而言机器人的姿态变换就是坐标系变换,与之相关的是过渡矩阵、右乘
- 另外一个分支是,各个坐标系下的坐标变换,即不同坐标系下的坐标如何转换,与之相关的是变换矩阵、左乘
-
坐标系变换
空间中研究向量,首先确定的就是基与基之间关系、坐标系与坐标系之间关系,基其实就是坐标系,这是最核心的问题
(1)基变换
基变换涉及到多个基,因此研究向量、变换都需要说明在什么基向量下进行的
空间坐标系下的一组基 ( α 1 , α 2 . . . α n ) (α_1, α_2...α_n) (α1,α2...αn), 另外一组基 ( β 1 , β 2 . . . β n ) (β_1, β_2...β_n) (β1,β2...βn), 满足 α α α基 到 β β β基的转换关系
( β 1 , β 2 . . . β n ) = ( α 1 , α 2 . . . α n ) ⋅ A (β_1, β_2...β_n) = (α_1, α_2...α_n) \cdot A (β1,β2...βn)=(α1,α2...αn)⋅A
则称 A A A 为 α α α基 到 β β β基的过渡矩阵
(2)姿态变换
空间坐标系下的一坐标系 α α α, 另外一组坐标系 β β β, 满足 α α α坐标系 到 β β β坐标系的转换关系
β = α A β= α A β=αA
则称 A A A 为 α α α坐标系 到 β β β坐标系的过渡矩阵
(3)注意:空间中同一个点,在不同基/不同坐标系下的坐标是不一样的 -
空间变换
空间变换就是坐标变换,矩阵左乘是一种空间变换,核心是其中的M的作用,对应着左乘
Q = M P Q=MP Q=MP
(1)M把P所在的空间进行了变换,因此向量P也进行了变换,结果为Q
(2)M把P所在的基 α α α映射成了 β β β基,即向量Q为向量P在基 β β β下的相对位置,具体是由两组基之间的关系确定的
(3)如果M是A的坐标系到B的坐标系的过渡矩阵的逆,则M代表A坐标系下坐标到B坐标系下坐标的齐次坐标变换 -
总结:坐标系之间变换使用过渡矩阵,不同坐标系下坐标的变换使用变换矩阵(过渡矩阵的逆),看上面的(3)
-
参考文章:
(1) https://zhuanlan.zhihu.com/p/69069183.
(2)https://zhuanlan.zhihu.com/p/295576029
(3)刚体运动中变换矩阵的逆
1. 机器人齐次变换
-
坐标系变换
前提: 现在可以用n阶矩阵描述机器人当前位置作为参考系 T 1 T_1 T1,当前位置所观察目标为 P 1 P_1 P1(仅坐标)题目:机器人 T 1 T_1 T1位置(3阶矩阵)观察到目标 P 1 P_1 P1(坐标),现在机器人运动到 T 2 T_2 T2位置,试问目标 P 1 P_1 P1在 T 2 T_2 T2位置的坐标为多少。
step1:设基 T 1 T_1 T1到基 T 2 T_2 T2的过渡矩阵为M,即满足 T 2 = T 1 ∗ M T_2=T_1*M T2=T1∗M,由此计算得出过渡矩阵 M = T 1 − 1 ∗ T 2 M=T_1^{-1}*T_2 M=T1−1∗T2
setp2:已知目标在 T 1 T_1 T1 下为 P 1 P_1 P1,再由基的过渡矩阵与坐标之间变换关系得出,此时T2坐标系下目标为:
P 2 = M − 1 ∗ P 1 P_2=M^{-1} * P_1 P2=M−1∗P1
最终得到
P 2 = T 2 − 1 ∗ T 1 ∗ P 1 P_2= T_2^{-1} * T_1 * P_1 P2=T2−1∗T1∗P1
2. 贝叶斯概率模型
- 问题来源
假设现在要计算 P ( B ∣ A ) P(B|A) P(B∣A)的概率,然而一般情况下这样是很难计算的,但是贝叶斯告诉我们,可以通过逆事件概率 P ( A ∣ B ) P(A|B) P(A∣B)和先验概率 P ( A ) P(A) P(A)来间接计算,即
P ( B ∣ A ) = P ( A ∣ B ) ⋅ P ( B ) P ( A ) P(B|A)=\frac {P(A|B) \cdot P(B) }{P(A)} P(B∣A)=P(A)P(A∣B)⋅P(B)
一般而言,分母 P ( A ) P(A) P(A)是不需要紧张的,可以通过全概率公式得出,计算它的过程其实包含了计算当前分子的过程