【视觉SLAM十四讲】三维空间刚体运动

本文为视觉 SLAM 学习总结。第三讲讲解的是观测方程中的 $x$ 是什么。

本讲内容概要

• 三维空间的刚体运动的描述方式：旋转矩阵、变换矩阵、四元数和欧拉角
• Eigen 库的矩阵、几何模块的使用方法

旋转矩阵

点和向量，坐标系

定义坐标系后，向量可由 $R^3$ 坐标表示：
$$\vec{a}=[\overrightarrow{e_1},\overrightarrow{e_2},\overrightarrow{e_3}]\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\end{array}\right]=a_1\overrightarrow{e_1}+a_2\overrightarrow{e_2}+a_3\overrightarrow{e_3}$$
直接用坐标进行向量间的运算。

我们对外积进行介绍，这个概念在之后的学习中会经常使用，我们可以将向量叉乘写为矩阵点乘的形式：

其中 a^ 表示将向量转换为矩阵的形式，为反对称矩阵，也可称为反对称符号。

坐标系间的欧式变换

SLAM 中有两个坐标系，一个是世界坐标系，通常以地面参考，另一个为机器人坐标系，会随着机器人的运动而运动。

那么坐标系之间是如何变化的？如何计算同一个向量在不同坐标系下的坐标？

直观来看，我们需要用旋转+平移来描述刚体运动。

• 坐标系原点的平移
• 三个轴的旋转。

同一向量在不同坐标系下可以被描述为以下两种不同的形式：

左乘 $\left[\begin{array}{c}{e}_1^T\\ e_2^T\\ e_3^T\end{array}\right]$，得：

将中间的矩阵定义为 $R$，称为旋转矩阵。其性质有：正交矩阵且行列式=1；相反，满足这些性质的矩阵也可以称为旋转矩阵，也称为特殊正交群，定义如下：
S O ( n ) = { R ∈ R n × n ∣ R R T = I , d e t ( R ) = 1 } SO(n)=\{R∈R^{n×n}|RR^T=I,det(R)=1\} SO(n)={ R∈Rn×n∣RRT=I,det(R)=1}
当 $n=3$ 时为 S O ( 3 ) SO(3)