高翔视觉slam十四讲学习（2）

哥斯拉加

于 2021-04-30 17:06:53 发布

阅读量278

点赞数

分类专栏：学习笔记文章标签： slam

本文链接：https://blog.csdn.net/weixin_44824496/article/details/116275916

版权

学习笔记专栏收录该内容

3 篇文章 0 订阅

订阅专栏

第二章（第3讲）三维空间刚体运动

2.1 旋转矩阵

2.1.1 点和向量，坐标系

如果我们确定一个坐标系,也就是一个线性空间的基 $(e_{1},e_{2},e_{3})$ ,那就可以谈论向量 a 在这组基下的坐标了:

$\boldsymbol{\mathbf{}{a}=[{e_{1},e_{2},e_{3}}]}\begin{bmatrix}a_{1} \\ a_{2} \\ a_{3} \end{bmatrix} =a_{1}\mathbf{{e_{1}}}+a_{2}\mathbf{{e_{2}}}+a_{3}\mathbf{{e_{3}}}$

向量的内积 $\boldsymbol{\mathbf{}a\cdot b=a^{T}b=\left | a \right |\left | b \right |\cos <a,b>}$ 可以描述向量间的投影关系。

向量的外积 $a\times b$ 可表示向量的旋转，原因：外积的方向（右手法则）为旋转向量的方向，外积的大小 $\mathbf{\left | a \right |\left | b \right |}\sin <\mathbf{ a,b}>$ 由向量转过的角度决定。

2.1.2 坐标系间的欧氏变换

相机运动是一个刚体运动,它保证了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。这种变换称为欧氏变换。

欧式变换

旋转变换：描述相机的旋转

旋转变换

旋转反变换

矩阵 R 描述了旋转本身。因此它又称为旋转矩阵。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。旋转矩阵的集合定义

旋转矩阵集合定义

欧式变换=旋转+平移，故需加入平移向量 $\mathbf{t}$ ，所以完整的欧式变换表达式为

2.1.3 变换矩阵与齐次坐标

欧式变换关系不是线性关系，需引入齐次坐标和变换矩阵

齐次坐标：三维向量末尾添1变为四维向量

矩阵T称为变换矩阵(Transform Matrix)

在齐次坐标中,某个点 x 的每个分量同乘一个非零常数 k 后,仍然表示的是同一个点。因此,一个点的具体坐标值不是唯一的。如 $\begin{bmatrix} 1, &1, &1, &1 \end{bmatrix}^{T}$ 和 $\begin{bmatrix} 2, &2, &2, &2 \end{bmatrix}^{T}$ 是同一个点。但当最后一项不为零时,我们总可以把所有坐标除以最后一项,强制最后一项为 1,从而得到一个点唯一的坐标表示(也就是转换成非齐次坐标)，这时,忽略掉最后一项,这个点的坐标和欧氏空间就是一样的。依靠齐次坐标和变换矩阵,两次变换的累加就可以有很好的形式。在不引起歧义的情况下,以后我们就直接把它写成 $\mathbf{b=Ta}$ 的样子,默认其中是齐次坐标了。

变换矩阵T这种矩阵又称为特殊欧氏群（Special Euclidean Group）:

特殊欧氏群

同样T矩阵的逆表示一个反向的变换：

T矩阵反变换

旋转矩阵R与变换矩阵T的缺点

旋转矩阵R矩阵用9个量描述一次旋转只有三个自由度的变换，变换矩阵T用16个量描述六个自由度的变换，表达冗余。
旋转矩阵R必须为正交矩阵且行列式为1，当我们想要估计或优化一个旋转矩阵/变换矩阵时,这些约束会使得求解变得更困难。

2.2 旋转向量和欧拉角

2.2.1 旋转向量

任意旋转都可以用一个旋转轴和一个旋转角来刻画。于是,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（李代数）(或轴角, Axis-Angle)。这种表示法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。这时的维数正好是六维。

假设有一个旋转轴为 n,角度为 θ 的旋转,显然,它对应的旋转向量为 θn。由旋转向量到旋转矩阵的过程由罗德里格斯公式(Rodrigues's Formula)表明：

罗德里格斯公式