《视觉 SLAM 十四讲》V2 ——第 3 讲 【编程环境+旋转表示的四种方式】

关于本笔记的说明： 最好跟着 原书 整理个人笔记，他人笔记仅适合参考部分内容。

————————

B站链接

高翔博客链接
百度网盘链接：https://pan.baidu.com/s/1VsrueNrdqmzTvh-IlFBr9Q
提取码：vfhe

github源码链接V2

《视觉SLAM十四讲》V2 2019年

动态定位和环境建模

SLAM 同时定位与地图构建

SLAM Simultaneous Localization and Mapping 同时定位与地图构建
搭载特定传感器的主体，在没有环境先验信息的情况下，于运动中建立环境的模型，同时估计自己的运动。

SLAM系统： 视觉里程估计、后端优化、建图、回环检测。

通过一番努力，看到事情顺利进行。

机器人本体: 轮式编码器、相机、激光传感器、惯性传导单元(Inertial Measurement Unit， IMU)。

• 对环境无要求

环境中： 导轨、二维码标志

单目SLAM只能估计相对大小关系， 估计的轨迹和地图 与真实的轨迹和地图 相差一个因子 尺度。 但仅有单目无法确定这个Scale的值。

单目的缺点：
1、需要平移后才能 计算深度
2、无法确定真实尺度。

有了距离信息， 场景的三维结构就可以通过单个图像恢复，同时消除尺度不确定性。

人眼 通过 左右眼图像的差异 来 判断物体的远近。

双目 的不足： 计算量很大
1、配置与标定 复杂，深度量程和精度受双目的基线和分辨率所限。
2、视差的计算非常消耗计算资源。

深度相机： 物理测距 发射光并接收返回的光，测出物体与相机之间的距离。

RGB-D不足： 主要用于室内
1、测量范围窄
2、噪声大
3、视野小
4、易受日光干扰
5、无法测量透射材质等

2.2 经典视觉 SLAM框架

视觉里程计： 通过相邻帧的图像估计相机运动，并恢复场景的空间结构
里程计： 只计算相邻时刻的运动，与过去的信息没有关联。

---

已可实现：

1、一个视觉里程计， 估计两张图像间的相机运动
2、把相邻时刻的运动“串”起来 ——>获得 机器人的运动轨迹——> 实现 定位
3、根据每个时刻的相机位置，计算各像素对应的空间点的位置 ——> 地图

新的问题：
累积漂移 ——> 地图不一致
解决办法：
1、回环检测： 检测 机器人 是否 回到原始位置

• 计算机视觉 图像的特征提取与匹配

2、后端优化： 根据 回环检测 的信息，校正 轨迹形状

• 处理 噪声
• 滤波与 非线性优化算法

---

SLAM本质： 对 运动主体自身 和 周围环境空间 不确定性 的估计。

回环检测： 判断图像的相似性，让机器人确定自己回到了 之前经过的地方。 填补 漂移值

度量地图(Metric Map)：
精确地表示 地图中物体的位置关系
稀疏只选择一部分有代表意义的物体(路标 Landmark) 定位
稠密 导航 （A*、D*）

拓扑地图(Topological Map)
强调地图元素之间的关系 考虑结点间的连通性

位姿由两个位置和一个转角描述时的运动方程：
$${\left[\begin{array}{c}{x}_1\\ x_2\\ \theta \end{array}\right]}_k={\left[\begin{array}{c}{x}_1\\ x_2\\ \theta \end{array}\right]}_{k-1}+{\left[\begin{array}{c}\Delta x_1\\ \Delta x_2\\ \Delta \theta \end{array}\right]}_k+{\mathbf{w}}_{\mathbf{k}}$$
携带二维激光传感器 观测方程
能测到的量： 路标点与机器人之间的距离 $r$ 和夹角 $\varphi$
路标点
$${\mathbf{y}}_{\mathbf{i}}={\left[\begin{array}{c}{y}_1\\ y_2\end{array}\right]}_j^T$$
位姿
$${\mathbf{x}}_{\mathbf{k}}={\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]}_k^T$$
观测数据
$${\mathbf{z}}_{\mathbf{k},\mathbf{j}}={\left[\begin{array}{c}{r}_{k,j}\\ {\varphi }_{k,j}\end{array}\right]}^T$$
观测方程：
$$\left[\begin{array}{c}{r}_{k,j}\\ {\varphi }_{k,j}\end{array}\right]=\left[\begin{array}{c}\sqrt{(y_{1,j}-x_{1,k}{)}^2+(y_{2,j}-x_{2,k}{)}^2}\\ arctan(\frac{y_{2,j}-x_{2,k}}{y_{1,j}-x_{1,k}})\end{array}\right]+\mathbf{v}$$

运动方程和观测方程

$$\{\begin{array}{rl}{\mathbf{x}}_{\mathbf{k}}& =f({\mathbf{x}}_{\mathbf{k}}-1,{\mathbf{u}}_{\mathbf{k}},{\mathbf{w}}_{\mathbf{k}})，k=1,...,K\\ {\mathbf{z}}_{\mathbf{k},\mathbf{j}}& =h({\mathbf{y}}_{\mathbf{j}},{\mathbf{x}}_{\mathbf{k}},{\mathbf{v}}_{\mathbf{k},\mathbf{j}}),(k,j)\in \mathcal{O}\end{array}$$
最基本的SLAM问题：
已知运动测量的读数 $\mathbf{u}$、传感器的读数 $\mathbf{z}$
求解： 定位问题 估计 $\mathbf{x}$； 建图问题 $\mathbf{y}$

---

状态估计问题：通过带有噪声的测量数据，估计内部隐藏的状态变量。

HelloSLAM

查看 ubuntu 版本 lsb_release -a

lsb_release -a

// helloSLAM.cpp
#include <iostream>
using namespace std;

int main( int argc, char** argv )
{
    cout<<"Hello SLAM!"<<endl;
    return 0;
}

在.cpp文件所在目录 打开命令行窗口，输入：

g++ helloSLAM.cpp
./a.out

g++ 默认将源文件编译成 名为a.out 的程序

cmake + make

ubuntu + 安装搜狗输入法【注意开始的中文选择，以及最后添加搜狗时去掉 仅显示系统语言的选择】

CMakeLists.txt： 告诉 cmake 要对这个目录下的文件做什么事情

# 声明要求的cmake 最低版本
cmake_minimum_required(VERSION 2.8)  # 一般设为这个就行

# 声明一个 cmake 工程
project(HelloSLAM)

# 添加一个可执行程序  add_executable(程序名 源代码文件)
add_executable(helloSLAM helloSLAM.cpp)

在 CMakeLists.txt 所在 目录打开命令行窗口【Alt + Ctrl + T】

mkdir build
cd build
cmake..
make
./helloSLAM

执行cmake: 处理了工程文件之间的关系
执行make: 调用了 g++ 来编译程序

新建一个 中间文件夹 build 来 存放中间文件。

• 发布源代码时， 将build文件夹删掉即可

VS Code 自己下包安装，不要apt-get ，这样安装的Code无法使用中文输入

• 运行代码 前 记得 保存下代码

软件安装指令 sudo dpkg -i 安装包名

在安装包所在路径打开 命令行窗口

sudo dpkg -i 安装包名

用cmake 生成库

libHelloSLAM.cpp

//这是一个库文件
#include <iostream>
using namespace std;

void printHello()  // 没有main函数, 无可执行文件
{
    cout<<"Hello SLAM"<<endl;
}

CMakeLists.txt 里增加这行

# 建库
add_library(hello libHelloSLAM.cpp)   ## 静态库

#add_library(hello_shared SHARED libHelloSLAM.cpp)  ## 共享库 节省空间

静态库：.a 每次调用都会生成一个副本
共享库：.so 只有一个副本 更省空间

cmake .. 空格不能少

编写头文件.h

libHelloSLAM.h

#ifndef LIBHELLOSLAM_H_
#define LIBHELLOSLAM_H_
// 上面的宏定义是为了防止重复引用这个头文件而引起的重定义错误

void printHello();  // 打印一句 Hello 的函数

#endif

函数调用 示例：
useHello.cpp

#include "libHelloSLAM.h"

// 使用 libHelloSLAM.h 中的 printHello() 函数
int main( int argc, char** argv )
{
    printHello();
    return 0;
}

CMakeLists.txt 增加 链接 指令：

# 声明要求的cmake 最低版本
cmake_minimum_required(VERSION 2.8)  # 一般设为这个就行

# 声明一个 cmake 工程
project(HelloSLAM)

# 添加一个可执行程序  add_executable(程序名 源代码文件)
add_executable(helloSLAM helloSLAM.cpp)

# 建库
add_library(hello_shared SHARED libHelloSLAM.cpp)   ## 生成 共享库


############ 增加 链接 指令
add_executable (useHello useHello.cpp)
target_link_libraries(useHello hello_shared)  ## 这里用的共享库

cd build
cmake ..
make 
./helloSLAM

第3讲 三维空间 刚体运动

旋转 + 平移
基: 张成 这个空间 的一组线性无关的量
内积： 点乘 向量间 的投影关系
外积： 叉乘 两个向量张成的四边形的面积。

a^ 相当于 a叉乘

反对称矩阵 (Skew-symmetric Matrix): 为了实现 叉乘 转 点乘的转换

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。

！！坐标系 转换

向量 $\mathbf{a}$ 在坐标系1为 ${\mathbf{a}}_1$ ， 在坐标系2 为 ${\mathbf{a}}_2$
$${\mathbf{a}}_1={\mathbf{R}}_{12}{\mathbf{a}}_2+{\mathbf{t}}_{12}$$
${\mathbf{R}}_{12}$ : 把坐标系2 的向量 变换到 坐标系1中【坐标系2中 坐标相对于 坐标系 1】
${\mathbf{t}}_{12}$ : 坐标系1原点 指向 坐标系2原点 的向量。

我的坐标： 从世界坐标系 指向自己坐标系原点的向量

${\mathbf{T}}_{12}$: 2 相对于 1 的变换

Eigen: 纯用头文件搭建的库 【Code】

初始化：

#include<iostream>
#include<ctime>
#include<eigen3/Eigen/Core>
using namespace Eigen;
using namespace std;
int main(){
    // 声明一个 2*3 的 float 矩阵
    Matrix<float, 2, 3> matrix_23;

    // 三维向量 Matrix<double, 3, 1>
    Vector3d v_3d;
    Matrix<float, 3, 1> vd_3d;  // 等效

    //  初始化 3阶 矩阵 为 0
    Matrix3d matrix_33 = Matrix3d::Zero();

    // 不确定 矩阵大小 ， 动态定义  运行较慢
    Matrix <double, Dynamic, Dynamic> matrix_dynamic;
    MatrixXd matrix_x;   // 等效

    // 输入数据初始化
    matrix_23 << 1, 2, 3, 4, 5, 6;
    // 输出
    cout << "matrix 2×3 from 1 to 6:\n" << matrix_23 << endl;
}

#include<iostream>
#include<ctime>
#include<eigen3/Eigen/Core>
using namespace Eigen;
using namespace std;
int main(){
    // 声明一个 2*3 的 float 矩阵
    Matrix<float, 2, 3> matrix_23;

    // 输入数据初始化
    matrix_23 << 1, 2, 3, 4, 5, 6;

    /* 访问 矩阵中元素*/
    cout << "print matrix 2×3：" << endl;
    for (int i = 0; i < 2; i++){
        for (int j = 0; j < 3; j++){
            cout << matrix_23(i, j) << "\t";
        }
        cout << endl;
    }

}

#include<iostream>
#include<ctime>
#include<eigen3/Eigen/Core>
using namespace Eigen;
using namespace std;
int main(){
    // 声明一个 2*3 的 float 矩阵
    Matrix<float, 2, 3> matrix_23;

    // 输入数据初始化
    matrix_23 << 1, 2, 3, 4, 5, 6;

    Vector3d v_3d;
    Matrix<float, 3, 1> vd_3d;  // 注意 向量为 列
    v_3d << 3, 2, 1;
    vd_3d << 4, 5, 6;

    /* 矩阵 和 向量 相乘*/    
    Matrix<double, 2, 1> result = matrix_23.cast<double>() * v_3d;  //类型不一致，需要显式强制变换
    cout << "[1, 2, 3; 4, 5, 6] * [3, 2, 1] = " << result.transpose() << endl;

    Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;  // 同类型 
    cout << "[1, 2, 3;4, 5, 6] * [4, 5, 6] = " << result2.transpose() << endl;
}

#include<iostream>
#include<ctime>
//#include<eigen3/Eigen/Core>
#include<Eigen/Dense>
using namespace Eigen;
using namespace std;
int main(int argc, char **argv){

    /* 矩阵   基础运算  */
    Matrix3d matrix_33 = Matrix3d::Random(); // 随机数  矩阵  随机的话 逆可能不存在
    cout << "random matrix: \n" << matrix_33 << endl;
    cout << "transpose: \n" << matrix_33.transpose() << endl; //转置
    cout << "sum: " << matrix_33.sum() << endl;
    cout << "trace: " << matrix_33.trace() << endl;  // 迹：对角线元素之和
    cout << "timme 10:  \n" << 10 * matrix_33 << endl; 
    cout << "inverse: \n" << matrix_33.inverse() << endl;  // 逆矩阵
    cout << "det: " << matrix_33.determinant() << endl; // 行列式 

    return 0;

}

#include<iostream>
#include<ctime>
//#include<eigen3/Eigen/Core>
#include<Eigen/Dense>
using namespace Eigen;
using namespace std;

#define MATRIX_SIZE  50
int main(int argc, char **argv){

    /* 矩阵  求特征值  */
    // 实对称矩阵  可以保证对角化成功
    Matrix3d matrix_33 = Matrix3d::Random();
    SelfAdjointEigenSolver<Matrix3d> eigen_solver(matrix_33.transpose() * matrix_33);
    cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
    cout << "Eigen vectors =  \n" << eigen_solver.eigenvectors() << endl;

    // 解方程  matrix_NN * x = V_Nd  

    /* 方法一： 求逆   计算量大*/
    Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN 
           = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE); 
    matrix_NN = matrix_NN * matrix_NN.transpose(); // 保证 半正定
    Matrix<double, MATRIX_SIZE, 1> v_Nd = MatrixXd::Random(MATRIX_SIZE, 1);

    clock_t time_stt = clock(); // 计时
    // 直接求逆
    Matrix<double, MATRIX_SIZE, 1> x = matrix_NN.inverse() * v_Nd;
    cout <<"time of normal inverse is " 
         << 1000 * (clock() - time_stt)/(double) CLOCKS_PER_SEC << "ms" << endl;
    cout << "x = " << x.transpose() << endl;


    /* 方法二：  矩阵分解   QR分解(将待求矩阵 分解为一个正交矩阵Q和一个上三角矩阵R)  速度 快些*/
    time_stt = clock();
    x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
    cout << "time of Qr decomposition is " 
         << 1000 * (clock() - time_stt)/(double) CLOCKS_PER_SEC <<"ms" << endl; 
    cout <<" x = " << x.transpose() << endl;

    // 对于 正定矩阵， 还可以用 cholesky 分解来 解方程
    time_stt = clock();
    x = matrix_NN.ldlt().solve(v_Nd);
    cout << "time of ldlt decomposition is " 
        << 1000 * (clock() - time_stt) / (double) CLOCKS_PER_SEC << "ms" << endl;
    cout << "x = " << x.transpose() << endl;

    return 0;

}

3.3 旋转向量 和 欧拉角

旋转矩阵表示 的不足：
1、冗余

• 旋转矩阵：9个量 表示 3个自由度，
• 变换矩阵： 16个量 表达 6个自由度

2、需要满足约束条件：必须是正交矩阵，且行列式为1

旋转向量(Axis-Angle)： 方向与旋转轴一致，长度等于旋转角

表示旋转的 2 种方式：
方式1： 旋转矩阵 $\mathbf{R}$
方式2： 向量 $\theta \mathbf{n}$, 旋转轴为一个单位长度的向量 $\mathbf{n}$, 角度为 $\theta$
两者之间的转换关系：
1、 $\theta \mathbf{n}$ ——> $\mathbf{R}$

• 通过罗德里格斯公式(Rodrigues’s Formula)推导
  $$\mathbf{R}=cos\theta \mathbf{I}+(1-cos\theta )\mathbf{n}{\mathbf{n}}^T+sin\theta \mathbf{n}\stackrel{ˆ}{}$$

2、 $\mathbf{R}$ ——> $\theta \mathbf{n}$
推导： 上述转换公式两边取 迹【矩阵的对角线元素之和；单位向量的迹为1】

• 反对称矩阵的主对角线元素必是零，所以其迹数为零
  $$\begin{array}{rl}tr(\mathbf{R})& =cos\theta \cdot tr(\mathbf{I})+(1-cos\theta )\cdot tr(\mathbf{n}{\mathbf{n}}^T)+sin\theta \cdot tr(\mathbf{n}\stackrel{ˆ}{})\\ & =3cos\theta +(1-cos\theta )\\ & =1+2cos\theta \end{array}$$
  $$\theta =acocos\frac{tr(\mathbf{R})-1}{2}$$
  旋转轴上的向量在旋转后不发生改变， 即
  $\mathbf{Rn}=\mathbf{n}$
  转轴 $\mathbf{n}$ = 矩阵 $\mathbf{R}$ 的特征值 1 对应的特征向量。

3.3.2 欧拉角 (一个旋转 分解成 3次 绕不同轴的旋转)

偏航-俯仰-滚转(yaw-pitch-roll) ZYX

一个三维向量 描述 任意旋转：$[r,p,y{]}^T$

欧拉角 缺点: 万向锁问题 (Gimbal Lock)

在俯仰角为 ± 90° 时， 第一次旋转与第三次旋转将使用同一个轴，使得系统丢失了一个自由度（由 3 次旋转变成了 2 次 旋转） 奇异性问题

——————————————————————
欧拉角 不适用于：
1、插值 和 迭代
2、滤波 和 优化

适用于： 人机交互。
2D 运动的场合（扫地机、自动驾驶） 可将旋转 分解成 三个 欧拉角， 把其中一个 作为 定位信息。
——————————————————————

旋转向量的奇异性： 转角 $\theta$ 超过 $2\pi$ 产生周期性时。

3.4 四元数(Quaternion)

1、旋转矩阵： 9个量 描述 3 自由度 冗余
2、欧拉角 和 旋转向量： 奇异性

• 用两个坐标表示地球表面（如经度 和 纬度） 存在奇异性 (纬度为 ± 90°时 经度 无意义)

3、四元数 紧凑且 没有奇异性 不够直观、运算稍复杂

——————————————
四元数的运算

四元数乘法 不可交换

四元数 表示旋转

空间三维点： $\mathbf{p}=[x,y,z]$
一个由单位四元数 $\mathbf{q}$ 指定的 旋转
三维点 $\mathbf{p}$ 经旋转之后 变成了 ${\mathbf{p}}^{\prime }$
矩阵描述： ${\mathbf{p}}^{\prime }=\mathbf{Rp}$
————————
四元数表示：
1、三维空间点 用一个 虚四元数 来描述：

• 相当于将 四元数的3个虚部 与 空间的3个轴 相对应。
  $$\mathbf{p}=[0,x,y,z{]}^T=[0,\mathbf{v}{]}^T$$
  2、旋转后
  $${\mathbf{p}}^{\prime }=\mathbf{qp}{\mathbf{q}}^{-1}$$
  可证明 结果 ${\mathbf{p}}^{\prime }$ 的实部为0， 虚部即为旋转之后的坐标。

3.4.4 四元数 到 其他旋转表示 的转换

四元数 ——> 旋转矩阵

推导过程

四元数 ——> 旋转向量

推导过程

——————
其它 会变形变换

从真实世界 到 相机照片 的变换是一个射影变换， 如果相机的焦距为无穷远，那么这个变换为仿射变换。

4、射影变换：近大远小 不规则的四边形
${\mathbf{a}}^T$ 为缩放
2D 的射影变换 一共有8 个自由度， 3D有 15个自由度。

3、仿射变换 要求A为可逆，不必是正交【欧式变换要求是正交】。 正交投影 平行四边形
2、相似变换 面积改变

实践_ Eigen 几何模块 【Code】

#include<iostream>
#include<cmath>
//#include<eigen3/Eigen/Core>
#include<Eigen/Dense>
using namespace Eigen;
using namespace std;

#define MATRIX_SIZE  50
int main(int argc, char **argv){
    // 3D 旋转矩阵   还有 Matrix3f
    Matrix3d rotation_matrix = Matrix3d::Identity();
    
    /*  旋转向量 */
    AngleAxisd rotation_vector(M_PI/4, Vector3d(0, 0, 1));  // 沿Z轴旋转 45°
    cout.precision(3);
    cout << "rotation matrix = \n" << rotation_vector.matrix() << endl;
    
    /* 旋转向量  转  旋转矩阵  */ 
    rotation_matrix = rotation_vector.toRotationMatrix();

    /* 坐标变换 */
    // 用 AngleAxis【旋转向量】 进行坐标变换
    Vector3d v(1, 0, 0);
    Vector3d v_rotated = rotation_vector * v;
    cout << "(1, 0, 0) after rotation (by angle axis) = " << v_rotated.transpose() << endl;
    // 用旋转矩阵
    v_rotated = rotation_matrix * v;
    cout <<"(1, 0, 0) after rotation (by matrix ) = " << v_rotated.transpose() << endl;

    /* 旋转矩阵  转  欧拉角 */
    Vector3d euler_angles = rotation_matrix.eulerAngles(2, 1, 0) ; //ZYX 顺序
    cout << "yaw pitch roll = " << euler_angles.transpose() << endl;

    /* 欧式变换矩阵*/
    Isometry3d T = Isometry3d::Identity();  // 4 * 4 矩阵
    T.rotate(rotation_vector);  // 按照 旋转向量  进行旋转
    T.pretranslate(Vector3d(1, 3, 4)); // 平移向量 为 （1, 3, 4）
    cout << "Transform matrix = \n" << T.matrix() << endl;

    // 用变换矩阵进行 坐标变换
    Vector3d v_transformed = T * v;
    cout << "v transformed = " << v_transformed.transpose() << endl;

    /* 四元数 */
    // 将 旋转向量AngleAxis 赋值给 四元数
    Quaterniond q = Quaterniond(rotation_vector) ;
    cout << "quaternion from rotation vector = " << q.coeffs().transpose() << endl;

    // 把 旋转矩阵 赋给  四元数   .coeffs()   返回 向量[x, y, z, w]^T
    q = Quaterniond(rotation_matrix);
    cout << "quaterniond from rotation matrix = "  << q.coeffs().transpose() << endl;

    // 使用 四元数  旋转 一个向量  
    v_rotated = q * v; // 这里 重载了乘法， 和 数学描述 qpq^(-1) 不太一样  
    cout << "(1, 0, 0) after rotation = " << v_rotated.transpose() << endl;
    // 使用常规 向量乘法
    cout << "should be equal to " << (q * Quaterniond(0, 1, 0, 0) * q.inverse()).coeffs().transpose() << endl;

    return 0;

}

Eigen 官方文档

链接：Eigen 官方文档
函数： coeffs()

坐标变换 举例：

#include<iostream>
#include<ctime>
//#include<eigen3/Eigen/Core>
#include<Eigen/Dense>
using namespace Eigen;
using namespace std;

#define MATRIX_SIZE  50
int main(int argc, char **argv){
    Quaterniond q1(0.35, 0.2, 0.3, 0.1), q2(-0.5, 0.4, -0.1, 0.2);
    q1.normalize();
    q2.normalize();
    Vector3d t1(0.3, 0.1, 0.1), t2(-0.1, 0.5, 0.3);  //  平移向量
    Vector3d p1(0.5, 0, 0.2);

    Isometry3d T1w(q1), T2w(q2);  // 欧式旋转
    T1w.pretranslate(t1); // 左乘    translate 右乘
    T2w.pretranslate(t2);

    Vector3d p2 = T2w * T1w.inverse() * p1;
    cout << endl << p2.transpose() << endl;  

    return 0;

}

3.7.1 运动轨迹 显示 【Code】

源码 下成 第一版的了 。。。。

pangolin安装
注释

上述 显示相机位姿的.cpp 文件

#include <iostream>
#include <iomanip>

using namespace std;

#include <Eigen/Core>
#include <Eigen/Geometry>

using namespace Eigen;

#include <pangolin/pangolin.h>

struct RotationMatrix {
  Matrix3d matrix = Matrix3d::Identity();
};

ostream &operator<<(ostream &out, const RotationMatrix &r) {
  out.setf(ios::fixed);
  Matrix3d matrix = r.matrix;
  out << '=';
  out << "[" << setprecision(2) << matrix(0, 0) << "," << matrix(0, 1) << "," << matrix(0, 2) << "],"
      << "[" << matrix(1, 0) << "," << matrix(1, 1) << "," << matrix(1, 2) << "],"
      << "[" << matrix(2, 0) << "," << matrix(2, 1) << "," << matrix(2, 2) << "]";
  return out;
}

istream &operator>>(istream &in, RotationMatrix &r) {
  return in;
}

struct TranslationVector {
  Vector3d trans = Vector3d(0, 0, 0);
};

ostream &operator<<(ostream &out, const TranslationVector &t) {
  out << "=[" << t.trans(0) << ',' << t.trans(1) << ',' << t.trans(2) << "]";
  return out;
}

istream &operator>>(istream &in, TranslationVector &t) {
  return in;
}

struct QuaternionDraw {
  Quaterniond q;
};

ostream &operator<<(ostream &out, const QuaternionDraw quat) {
  auto c = quat.q.coeffs();
  out << "=[" << c[0] << "," << c[1] << "," << c[2] << "," << c[3] << "]";
  return out;
}

istream &operator>>(istream &in, const QuaternionDraw quat) {
  return in;
}

int main(int argc, char **argv) {
  pangolin::CreateWindowAndBind("visualize geometry", 1000, 600);
  glEnable(GL_DEPTH_TEST);
  pangolin::OpenGlRenderState s_cam(
    pangolin::ProjectionMatrix(1000, 600, 420, 420, 500, 300, 0.1, 1000),
    pangolin::ModelViewLookAt(3, 3, 3, 0, 0, 0, pangolin::AxisY)
  );

  const int UI_WIDTH = 500;

  pangolin::View &d_cam = pangolin::CreateDisplay().
    SetBounds(0.0, 1.0, pangolin::Attach::Pix(UI_WIDTH), 1.0, -1000.0f / 600.0f).
    SetHandler(new pangolin::Handler3D(s_cam));

  // ui
  pangolin::Var<RotationMatrix> rotation_matrix("ui.R", RotationMatrix());
  pangolin::Var<TranslationVector> translation_vector("ui.t", TranslationVector());
  pangolin::Var<TranslationVector> euler_angles("ui.rpy", TranslationVector());
  pangolin::Var<QuaternionDraw> quaternion("ui.q", QuaternionDraw());
  pangolin::CreatePanel("ui").SetBounds(0.0, 1.0, 0.0, pangolin::Attach::Pix(UI_WIDTH));

  while (!pangolin::ShouldQuit()) {
    glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);

    d_cam.Activate(s_cam);

    pangolin::OpenGlMatrix matrix = s_cam.GetModelViewMatrix();
    Matrix<double, 4, 4> m = matrix;

    RotationMatrix R;
    for (int i = 0; i < 3; i++)
      for (int j = 0; j < 3; j++)
        R.matrix(i, j) = m(j, i);
    rotation_matrix = R;

    TranslationVector t;
    t.trans = Vector3d(m(0, 3), m(1, 3), m(2, 3));
    t.trans = -R.matrix * t.trans;
    translation_vector = t;

    TranslationVector euler;
    euler.trans = R.matrix.eulerAngles(2, 1, 0);
    euler_angles = euler;

    QuaternionDraw quat;
    quat.q = Quaterniond(R.matrix);
    quaternion = quat;

    glColor3f(1.0, 1.0, 1.0);

    pangolin::glDrawColouredCube();
    // draw the original axis
    glLineWidth(3);
    glColor3f(0.8f, 0.f, 0.f);
    glBegin(GL_LINES);
    glVertex3f(0, 0, 0);
    glVertex3f(10, 0, 0);
    glColor3f(0.f, 0.8f, 0.f);
    glVertex3f(0, 0, 0);
    glVertex3f(0, 10, 0);
    glColor3f(0.2f, 0.2f, 1.f);
    glVertex3f(0, 0, 0);
    glVertex3f(0, 0, 10);
    glEnd();

    pangolin::FinishFrame();
  }
}

CMakeLists.txt

cmake_minimum_required( VERSION 2.8 )
project( visualizeGeometry )

set(CMAKE_CXX_FLAGS "-std=c++11")

# 添加Eigen头文件
include_directories( "/usr/include/eigen3" )

# 添加Pangolin依赖
find_package( Pangolin )
include_directories( ${Pangolin_INCLUDE_DIRS} )

add_executable( visualizeGeometry visualizeGeometry.cpp )
target_link_libraries( visualizeGeometry ${Pangolin_LIBRARIES} )

！！！一些文件的注释语法

———————— 只是下错 版本了，下成版本1的源码了
问题： 在文件里 没找到example 文件夹
下载特定文件夹网址： http://kinolien.github.io/gitzip/

粘贴该地址： https://github.com/gaoxiang12/slambook2/tree/master/ch3/examples

补上了

——————————

#include <pangolin/pangolin.h>
#include <Eigen/Core>
#include <unistd.h>

// 本例演示了如何画出一个预先存储的轨迹

using namespace std;
using namespace Eigen;

// path to trajectory file
string trajectory_file = "./examples/trajectory.txt";

void DrawTrajectory(vector<Isometry3d, Eigen::aligned_allocator<Isometry3d>>);

int main(int argc, char **argv) {

  vector<Isometry3d, Eigen::aligned_allocator<Isometry3d>> poses;
  ifstream fin(trajectory_file);
  if (!fin) {
    cout << "cannot find trajectory file at " << trajectory_file << endl;
    return 1;
  }

  while (!fin.eof()) {
    double time, tx, ty, tz, qx, qy, qz, qw;
    fin >> time >> tx >> ty >> tz >> qx >> qy >> qz >> qw;
    Isometry3d Twr(Quaterniond(qw, qx, qy, qz));
    Twr.pretranslate(Vector3d(tx, ty, tz));
    poses.push_back(Twr);
  }
  cout << "read total " << poses.size() << " pose entries" << endl;

  // draw trajectory in pangolin
  DrawTrajectory(poses);
  return 0;
}

/*******************************************************************************************/
void DrawTrajectory(vector<Isometry3d, Eigen::aligned_allocator<Isometry3d>> poses) {
  // create pangolin window and plot the trajectory
  pangolin::CreateWindowAndBind("Trajectory Viewer", 1024, 768);
  glEnable(GL_DEPTH_TEST);
  glEnable(GL_BLEND);
  glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA);

  pangolin::OpenGlRenderState s_cam(
    pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),
    pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0)
  );

  pangolin::View &d_cam = pangolin::CreateDisplay()
    .SetBounds(0.0, 1.0, 0.0, 1.0, -1024.0f / 768.0f)
    .SetHandler(new pangolin::Handler3D(s_cam));

  while (pangolin::ShouldQuit() == false) {
    glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);
    d_cam.Activate(s_cam);
    glClearColor(1.0f, 1.0f, 1.0f, 1.0f);
    glLineWidth(2);
    for (size_t i = 0; i < poses.size(); i++) {
      // 画每个位姿的三个坐标轴
      Vector3d Ow = poses[i].translation();
      Vector3d Xw = poses[i] * (0.1 * Vector3d(1, 0, 0));
      Vector3d Yw = poses[i] * (0.1 * Vector3d(0, 1, 0));
      Vector3d Zw = poses[i] * (0.1 * Vector3d(0, 0, 1));
      glBegin(GL_LINES);
      glColor3f(1.0, 0.0, 0.0);
      glVertex3d(Ow[0], Ow[1], Ow[2]);
      glVertex3d(Xw[0], Xw[1], Xw[2]);
      glColor3f(0.0, 1.0, 0.0);
      glVertex3d(Ow[0], Ow[1], Ow[2]);
      glVertex3d(Yw[0], Yw[1], Yw[2]);
      glColor3f(0.0, 0.0, 1.0);
      glVertex3d(Ow[0], Ow[1], Ow[2]);
      glVertex3d(Zw[0], Zw[1], Zw[2]);
      glEnd();
    }
    // 画出连线
    for (size_t i = 0; i < poses.size(); i++) {
      glColor3f(0.0, 0.0, 0.0);
      glBegin(GL_LINES);
      auto p1 = poses[i], p2 = poses[i + 1];
      glVertex3d(p1.translation()[0], p1.translation()[1], p1.translation()[2]);
      glVertex3d(p2.translation()[0], p2.translation()[1], p2.translation()[2]);
      glEnd();
    }
    pangolin::FinishFrame();
    usleep(5000);   // sleep 5 ms
  }
}

1、将路径改为 绝对路径


输出绝对路径 命令

pwd

mkdir build && cd build   # 要是已经建过 build ,直接 cd build
cmake ..
make 
./plotTrajectory

CMakeLists.txt

include_directories("/usr/include/eigen3")
add_executable(coordinateTransform coordinateTransform.cpp)

find_package(Pangolin REQUIRED)
include_directories(${Pangolin_INCLUDE_DIRS})
add_executable(plotTrajectory plotTrajectory.cpp)
target_link_libraries(plotTrajectory ${Pangolin_LIBRARIES})

习题

P8
1、

2、高斯分布

也称为 正态分布

$$p(x;\mu ,{\sigma }^2)=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$

3、
STL：
STL（Standard Template Library，标准模板库)是惠普实验室开发的一系列软件的统称。

STL的代码从广义上讲分为三类：algorithm（算法）、container（容器）和iterator（迭代器）
在C++标准中，STL被组织为下面的13个头文件：<algorithm>、<deque>、<functional>、<iterator>、<vector>、<list>、<map>、<memory>、<numeric>、<queue>、<set>、<stack>和<utility>。

5、C++标准

C++14说明文档

ls --help
cat --help

7、Linux的目录结构

8、Ubuntu 安装软件

在Ubuntu 16 之前要使用apt-get install 软件包来安装，在Ubuntu 16 之后可以直接使用apt install 软件包来安装。这种方法安装的包有时候不好用，比如VSCode 会无法使用中文输入。

sudo dpkg -i 文件名.deb

5)、CMake 方法，包里包含 CMakeLists.txt文件

mkdir build && cd build
cmake ..
make 
sudo make install

两种写法均可 在g++后添加 -o 输出文件名

g++ -o helloSLAM.exe helloSLAM.cpp
g++ helloSLAM.cpp -o helloSLAM.out

习题_第 3 讲 三维空间刚体运动

√ 题1

1、验证旋转矩阵 是 正交矩阵。

正交矩阵满足 $\mathbf{A}{\mathbf{A}}^{\mathbf{T}}=I$, 即只要满足 ${\mathbf{A}}^{-1}={\mathbf{A}}^{\mathbf{T}}$， 则$\mathbf{A}$ 是正交矩阵。
根据 P44 页的定义：

$$\mathbf{R}=\left[\begin{array}{ccc}{\mathbf{e}}_1^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_1^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_1^T{\mathbf{e}}_3^{\prime }\\ {\mathbf{e}}_2^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_2^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_2^T{\mathbf{e}}_3^{\prime }\\ {\mathbf{e}}_3^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_3^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_3^T{\mathbf{e}}_3^{\prime }\end{array}\right]$$

$${\mathbf{R}}^{\mathbf{T}}={\left[\begin{array}{ccc}{\mathbf{e}}_1^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_1^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_1^T{\mathbf{e}}_3^{\prime }\\ {\mathbf{e}}_2^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_2^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_2^T{\mathbf{e}}_3^{\prime }\\ {\mathbf{e}}_3^T{\mathbf{e}}_1^{\prime }& {\mathbf{e}}_3^T{\mathbf{e}}_2^{\prime }& {\mathbf{e}}_3^T{\mathbf{e}}_3^{\prime }\end{array}\right]}^T=\left[\begin{array}{ccc}{{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_1\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_2\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_3\end{array}\right]$$

对于 式（3.5）， 同时左乘 $[{\mathbf{e}}_1^{\prime },{\mathbf{e}}_2^{\prime },{\mathbf{e}}_3^{\prime }{]}^T$

$$[{\mathbf{e}}_1^{\prime },{\mathbf{e}}_2^{\prime },{\mathbf{e}}_3^{\prime }{]}^T[{\mathbf{e}}_1,{\mathbf{e}}_2,{\mathbf{e}}_3]\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\end{array}\right]=[{\mathbf{e}}_1^{\prime },{\mathbf{e}}_2^{\prime },{\mathbf{e}}_3^{\prime }{]}^T[{\mathbf{e}}_1^{\prime },{\mathbf{e}}_2^{\prime },{\mathbf{e}}_3^{\prime }]\left[\begin{array}{c}{a}_1^{\prime }\\ a_2^{\prime }\\ a_3^{\prime }\end{array}\right]$$

等式右边 由于$[{\mathbf{e}}_1^{\prime },{\mathbf{e}}_2^{\prime },{\mathbf{e}}_3^{\prime }]$ 为单位正交基，得到 单位矩阵，则：
$$\left[\begin{array}{ccc}{{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_1\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_2\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_3\end{array}\right]\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\end{array}\right]=\left[\begin{array}{c}{a}_1^{\prime }\\ a_2^{\prime }\\ a_3^{\prime }\end{array}\right]$$

与 式 (3.6) 对比，可得
$${\mathbf{R}}^{-1}=\left[\begin{array}{ccc}{{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_1& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_1\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_2& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_2\\ {{\mathbf{e}}_1^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_2^{\prime }}^T{\mathbf{e}}_3& {{\mathbf{e}}_3^{\prime }}^T{\mathbf{e}}_3\end{array}\right]={\mathbf{R}}^{\mathbf{T}}$$

证毕。

√ 题2

2、罗德里格斯公式推导
已知 旋转向量 为 $\theta \mathbf{n}$， 求相应的旋转矩阵。

参考：维基百科证明链接

向量 $\mathbf{v}$ 沿着单位旋转轴 $\mathbf{n}$ 旋转 $\theta$ 后得到向量 ${\mathbf{v}}_{rot}$

对于相应的旋转矩阵 $\mathbf{R}$，有 ${\mathbf{v}}_{rot}=\mathbf{R}\mathbf{v}$
——> 目标： 用 $\mathbf{v}$ 表示 ${\mathbf{v}}_{rot}，\mathbf{R}用\mathbf{n}和\theta$表示

将向量 $\mathbf{v}$ 分解为平行于单位旋转轴 $\mathbf{n}$ 的分量 ${\mathbf{v}}_{\parallel }$和 平行于单位旋转轴 $\mathbf{n}$ 法平面的分量 ${\mathbf{v}}_{\perp }$
$$\mathbf{v}={\mathbf{v}}_{\parallel }+{\mathbf{v}}_{\perp }$$
$${\mathbf{v}}_{rot}={\mathbf{v}}_{rot\parallel }+{\mathbf{v}}_{rot\perp }$$

其中 ${\mathbf{v}}_{rot\parallel }={\mathbf{v}}_{\parallel }$

现在找 ${\mathbf{v}}_{rot\perp }$ 和 ${\mathbf{v}}_{\perp }$之间的关系。

• 同一平面，方便转换

注意 旋转向量的旋转角的定义，是 ${\mathbf{v}}_{rot\perp }$ 和 ${\mathbf{v}}_{\perp }$ 之间的角度， 本题图中 $\theta$ 为钝角。旋转前后向量的模不变。
叉乘的右手定则： 右手四指沿着 叉乘的第一个向量朝第二个向量弯曲，与拇指朝向相同的为正。否则为负。

$$\begin{array}{rl}{\mathbf{v}}_{rot\perp }& =平行于{\mathbf{v}}_{\perp }的分量+平行于\mathbf{n}\times {\mathbf{v}}_{\perp }(即\mathbf{w})的分量\\ & =-cos(180-\theta ){\mathbf{v}}_{\perp }+sin(180-\theta )\mathbf{n}\times {\mathbf{v}}_{\perp }\\ & =cos\theta {\mathbf{v}}_{\perp }+sin(\theta )\mathbf{n}\times {\mathbf{v}}_{\perp }\end{array}$$

则
$$\begin{array}{rl}{\mathbf{v}}_{rot}& ={\mathbf{v}}_{rot\parallel }+{\mathbf{v}}_{rot\perp }\\ & ={\mathbf{v}}_{\parallel }+cos\theta {\mathbf{v}}_{\perp }+sin(\theta )\mathbf{n}\times {\mathbf{v}}_{\perp }\\ & ={\mathbf{v}}_{\parallel }+cos\theta (\mathbf{v}-{\mathbf{v}}_{\parallel })+sin(\theta )\mathbf{n}\times {\mathbf{v}}_{\perp }\\ & =cos\theta \mathbf{v}+(1-cos\theta ){\mathbf{v}}_{\parallel }+sin(\theta )\mathbf{n}\times {\mathbf{v}}_{\perp }\\ & 想办法把其中的分量都转成\mathbf{v}和\mathbf{n}\\ & 其中{\mathbf{v}}_{\parallel }=(\mathbf{n}\cdot \mathbf{v})\mathbf{n}:点乘得到投影的模再乘上向量方向\\ & \mathbf{n}\times {\mathbf{v}}_{\perp }=\mathbf{n}\times (\mathbf{v}-{\mathbf{v}}_{\parallel })=\mathbf{n}\times \mathbf{v}。两平行向量叉乘结果为0。\\ 原式& =cos\theta \mathbf{v}+(1-cos\theta )(\mathbf{n}\cdot \mathbf{v})\mathbf{n}+sin(\theta )\mathbf{n}\times \mathbf{v}\\ & =(cos\theta \mathbf{I}+(1-cos\theta )\mathbf{n}\mathbf{n}+sin(\theta ){\mathbf{n}}^{\wedge })\mathbf{v}\\ & =(cos\theta \mathbf{I}+(1-cos\theta )\mathbf{n}{\mathbf{n}}^T+sin(\theta ){\mathbf{n}}^{\wedge })\mathbf{v}\\ 即\mathbf{R}& =cos\theta \mathbf{I}+(1-cos\theta )\mathbf{n}{\mathbf{n}}^T+sin(\theta ){\mathbf{n}}^{\wedge }\\ & 注意{\mathbf{n}}^{\wedge }等效于\mathbf{n}\times \end{array}$$
证毕。

LaTex:

$\bm{n}^{\land}$

${\mathbf{n}}^{\wedge }$

√ 题3

3、验证四元数旋转某个点后，结果是一个虚四元数（实部为零），所以仍然对应到一个三维空间点。

方法一： 直接点乘

$$\begin{array}{rl}{\mathbf{p}}^{\prime }& =\mathbf{qp}{\mathbf{q}}^{-1}\\ & =\mathbf{qp}{\mathbf{q}}^{\ast }/||\mathbf{q}|{|}^2\\ & =\frac{(q_0+q_1\mathbf{i}+q_2\mathbf{j}+q_3\mathbf{k})\cdot (0+x\mathbf{i}+y\mathbf{j}+z\mathbf{k})\cdot (q_0-q_1\mathbf{i}-q_2\mathbf{j}-q_3\mathbf{k})}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & 由于垂直向量点乘为0:\\ 原式& =\frac{(q_0\cdot (x\mathbf{i}+y\mathbf{j}+z\mathbf{k})+q_{1}x+q_{2}y+q_{3}z)\cdot (q_0-q_1\mathbf{i}-q_2\mathbf{j}-q_3\mathbf{k})}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & =\frac{q_0^2\cdot (x\mathbf{i}+y\mathbf{j}+z\mathbf{k})+q_0{q}_{1}x+q_0{q}_{2}y+q_0{q}_{3}z}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & +\frac{-q_0{q}_{1}x-q_1(q_{1}x+q_{2}y+q_{3}z)\mathbf{i}}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & +\frac{-q_0{q}_{2}y-q_2(q_{1}x+q_{2}y+q_{3}z)\mathbf{j}}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & +\frac{-q_0{q}_{3}z-q_3(q_{1}x+q_{2}y+q_{3}z)\mathbf{k}}{q_0^2+q_1^2+q_2^2+q_3^2}\\ & 虚四元数的实部为零，所以只需要重点关注实数部分求和是否为0即可：\\ & =\frac{q_0^{2}x-q_1(q_{1}x+q_{2}y+q_{3}z)}{q_0^2+q_1^2+q_2^2+q_3^2}\mathbf{i}+\frac{q_0^{2}y-q_2(q_{1}x+q_{2}y+q_{3}z)}{q_0^2+q_1^2+q_2^2+q_3^2}\mathbf{j}+\frac{q_0^{2}z-q_3(q_{1}x+q_{2}y+q_{3}z)}{q_0^2+q_1^2+q_2^2+q_3^2}\mathbf{k}\end{array}$$
实部为0，转换后仍对应到一个三维空间点，证毕。

叉乘实在反应不过来，还是老老实实点乘算吧🤣

方法二： 套两次格拉斯曼积 公式

对于 $\mathbf{q}=[s,\mathbf{v}{]}^T=[q_0,{\mathbf{v}}_q{]}^T$，
$\mathbf{p}=[0,\mathbf{v}{]}^T=[0,{\mathbf{v}}_p{]}^T$
——————
其中
${\mathbf{v}}_q=[q_1,q_2,q_3{]}^T$,
${\mathbf{v}}_p=[x,y,z{]}^T$

要套个公式。。。

$\mathbf{qp}=$ 两实部乘积 - 两虚部各自转置的点乘 + p实部·q虚部转置 + q实部·p虚部转置+ q虚部转置 × p虚部转置
$$\begin{array}{rl}\mathbf{qp}& =0\cdot q_0-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T+q_0\cdot {\mathbf{v}}_p^T+0\cdot {\mathbf{v}}_q^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T\\ & =-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T+q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T\end{array}$$
$$\begin{array}{rl}{\mathbf{p}}^{\prime }& =\mathbf{qp}{\mathbf{q}}^{-1}\\ & =\mathbf{qp}{\mathbf{q}}^{\ast }/||\mathbf{q}|{|}^2\\ & =\frac{[-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T,q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{]}^T\cdot [q_0,-{\mathbf{v}}_q{]}^T}{||q|{|}^2}\\ & =\frac{-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T\cdot q_0-(q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\cdot (-{\mathbf{v}}_q{)}^T-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T\cdot (-{\mathbf{v}}_q{)}^T+(q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T{q}_0+(q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\times (-{\mathbf{v}}_q{)}^T}{||q|{|}^2}\\ & 其中的实部为：\\ 实部& =\frac{-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T\cdot q_0-(q_0\cdot {\mathbf{v}}_p^T+{\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\cdot (-{\mathbf{v}}_q{)}^T+({\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\times (-{\mathbf{v}}_q{)}^T}{||q|{|}^2}\\ & =\frac{-{\mathbf{v}}_q^T\cdot {\mathbf{v}}_p^T\cdot q_0+q_0\cdot {\mathbf{v}}_p^T\cdot {\mathbf{v}}_q^T+({\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\cdot {\mathbf{v}}_q^T-({\mathbf{v}}_q^T\times {\mathbf{v}}_p^T{)}^T\times {\mathbf{v}}_q^T}{||q|{|}^2}\\ & =0\end{array}$$

啊~~~我还是点乘吧🤣

√ 题4

4、画表总结 旋转矩阵、轴角、欧拉角、四元数的转换关系。

维基百科链接

√ 题5

5、假设有一个大的 Eigen 矩阵，想把它的左上角 3 × 3 的块取出来，然后赋值为 ${\mathbf{I}}_{3\times 3}$ 。请编程实现。
块操作官方文档

#include <iostream>
#include <Eigen/Core>

using namespace std;
using namespace Eigen;

#define MATRIX_SIZE 6

int main() {
    Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrxi_NN = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE);
    cout << matrxi_NN << endl;

    // 取左上角   3 * 3   输出
    cout << matrxi_NN.block<3,3>(0,0) << endl;  // 其中0,0为起始点坐标，第一个3为向下走3个，第二个3是向左走三个  构成的矩阵块

    matrxi_NN.block<3, 3>(0, 0) = Matrix3d::Identity();  // 更新 某块的值 为  单位矩阵块
    cout << matrxi_NN.block<3,3>(0,0)<< endl;  // 再次输出 左上角的 块

    return 0;
}

#include <iostream>
#include <Eigen/Core>

using namespace std;
using namespace Eigen;

#define MATRIX_SIZE 6

int main() {
    Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrxi_NN = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE);
    cout << matrxi_NN << endl;

    /* 方法2：不够灵活  */
    
    // 取左上角   3 * 3块   输出
    cout << matrxi_NN.topLeftCorner(3,3) << endl; 

    matrxi_NN.topLeftCorner(3,3) = Matrix3d::Identity();  // 更新 某块的值  为 单位矩阵块
    cout << matrxi_NN.block<3,3>(0,0)<< endl;  // 再次输出 左上角的 块

    return 0;
}

题6

6、一般线性方程$\mathbf{Ax}=\mathbf{b}$有哪几种做法？你能在Eigen中实现吗？

待做：

• 进一步了解每种求解方法的原理

Ax=b求解Eigen官方文档链接
Eigen 提供了 8种API

使用 Eigen 求解线性最小二乘系统。有一个超定方程组，比如 $\mathbf{Ax}=\mathbf{b}$ 没有解。在这种情况下，搜索最接近解的向量 $\mathbf{x}$ 是有意义的，使此时的差值 $\mathbf{Ax}-\mathbf{b}$ 尽可能小。这个 $\mathbf{x}$ 称为最小二乘解（如果使用欧几里得范数）。后两种方法用于 求解 无解的情况

#include <iostream>
#include <Eigen/Core>
#include <Eigen/Dense>

using namespace std;
using namespace Eigen;

#define MATRIX_SIZE 3   

// 参考 P50 代码

int main(int argc, char **argv) {
    Matrix<double, MATRIX_SIZE, MATRIX_SIZE> matrix_NN 
           = MatrixXd::Random(MATRIX_SIZE, MATRIX_SIZE); 
    Matrix<double, MATRIX_SIZE, MATRIX_SIZE> A = matrix_NN * matrix_NN.transpose(); // 保证 半正定
    Matrix<double, MATRIX_SIZE, 1> b = MatrixXd::Random(MATRIX_SIZE, 1);  
    
    //直接求逆
    Matrix<double, MATRIX_SIZE, 1> x = A.inverse() * b;
    cout << "直接求逆 得到的x为: " << x.transpose() << endl;
    
    /*综合首选：ColPivHouseholderQR   ，无要求/准确/速度还行*/
    Matrix<double, MATRIX_SIZE, 1> x4 = A.colPivHouseholderQr().solve(b);
    cout << "1、ColPivHouseholderQR 求解得到的x为: " << x4.transpose() << endl;

    /* 矩阵 对称且正定   LLT 或 LDLT*/  // 快 +++  要求正定
    //LLT分解  正定
    Matrix<double, MATRIX_SIZE, 1> x7 = A.llt().solve(b);
    cout << "2、LLT 求解得到的x为: " << x7.transpose() << endl;
    
    //LDLT分解,  最低 负正定  LDLt Cholesky
    Matrix<double, MATRIX_SIZE, 1> x8 = A.ldlt().solve(b);
    cout << "3、LDLT 求解得到的x为: " << x8.transpose() << endl;


    /* 矩阵 满秩 非对称  PartialPivLU */ // 要求可逆 速度 ++
    Matrix<double, MATRIX_SIZE, 1> x1 = A.partialPivLu().solve(b);  // A.lu().solve(b) 等效
    cout << "4、PartialPivLU 求解得到的x为: " << x1.transpose() << endl;  

    
    // 其他  QR分解
    Matrix<double, MATRIX_SIZE, 1> x3 = A.householderQr().solve(b);
    cout << "5、HouseholderQR 求解得到的x为: "<< x3.transpose() << endl;

    Matrix<double, MATRIX_SIZE, 1> x5 = A.fullPivHouseholderQr().solve(b);
    cout << "6、FullPivHouseholderQR 求解得到的x为: "<< x5.transpose() << endl;

    Matrix<double, MATRIX_SIZE, 1> x6 = A.completeOrthogonalDecomposition().solve(b);
    cout << "7、CompleteOrthogonalDecomposition	求解得到的x为: "<< x6.transpose() << endl;

    //其他  LU分解
    Matrix<double, MATRIX_SIZE, 1> x2 = A.fullPivLu().solve(b);
    cout << "8、FullPivLU 求解得到的x为: " << x2.transpose() << endl;
        
  return 0;
}

——————参考资料：

参考 P50 （第50页） 的代码。

LLT要求最严苛： 正定
官网LLT示例代码：

#include <iostream>
#include <Eigen/Dense>
 
int main()
{
   Eigen::Matrix2f A, b;
   Eigen::LLT<Eigen::Matrix2f> llt;
   A << 2, -1, -1, 3;
   b << 1, 2, 3, 1;
   std::cout << "Here is the matrix A:\n" << A << std::endl;
   std::cout << "Here is the right hand side b:\n" << b << std::endl;
   std::cout << "Computing LLT decomposition..." << std::endl;
   llt.compute(A);
   std::cout << "The solution is:\n" << llt.solve(b) << std::endl;
   A(1,1)++;
   std::cout << "The matrix A is now:\n" << A << std::endl;
   std::cout << "Computing LLT decomposition..." << std::endl;
   llt.compute(A);
   std::cout << "The solution is now:\n" << llt.solve(b) << std::endl;
}

Eigen(http://eigen.tuxfamily.org)是常用的 C++ 矩阵运算库，具有很高的运算效率。大部分需要在 C++ 中使用矩阵运算的库，都会选用 Eigen 作为基本代数库，例如 Google Tensorflow，Google Ceres，GTSAM 等。

高斯消元法: 加减消元、回代求未知数值

官方文档： http://eigen.tuxfamily.org/dox/group__TutorialLinearAlgebra.html

#include<iostream>
#include<Eigen/Dense>

using namespace std;
using namespace Eigen;

int main(){
    // 线性方程求解  Ax = b
    /* 以 解 唯一 示例  多解情况  不好判断*/
    Matrix3f A;
    A << 1, 2, 3, 4, 5, 6, 7, 8, 10;
    Vector3f b(3, 3, 4);


    // https://eigen.tuxfamily.org/index.php?title=API_Showcase#Linear_solving
    Vector3f ans1 = A.lu().solve(b);            // using partial-pivoting LU
    Vector3f ans2 = A.fullPivLu().solve(b);     // using full-pivoting LU
    Vector3f ans3 = A.householderQr().solve(b); // using Householder QR
    Vector3f ans4 = A.ldlt().solve(b);          // using LDLt Cholesky

    cout << "partial-pivoting LU: " << ans1.transpose() << endl;
    cout << "full-pivoting LU: " << ans2.transpose() << endl;
    cout << "Householder QR: "<< ans3.transpose() << endl;
    cout << "LDLt Cholesky: " << ans4.transpose() << endl;  // 这里的A 不满足正定，故求解有误


    return 0;
}

#include <iostream>
#include <Eigen/Dense>
//using namespace std;
//using namespace Eigen;
int main()
{
   Eigen::Matrix3f A;
   Eigen::Vector3f b;  //  向量 定义
   A << 1,2,3,  4,5,6,  7,8,10;  //  矩阵 初始化
   b << 3, 3, 4;
   std::cout << "Here is the matrix A:\n" << A << std::endl; // 矩阵 和 向量 都可以直接输出
   std::cout << "Here is the vector b:\n" << b << std::endl;
   Eigen::Vector3f x = A.colPivHouseholderQr().solve(b);
   std::cout << "The solution is:\n" << x << std::endl;
}

第13行 等效写法：

ColPivHouseholderQR<Matrix3f> dec(A);
Vector3f x = dec.solve(b);

ColPivHouseholderQR是一个带有列枢轴的QR分解。这是一个很好的折衷方案，因为它**适用于所有矩阵，同时速度相当快。**下面是一些其他分解的表格，你可以从中选择，这取决于你的矩阵，你想要解决的问题，以及你想要做出的权衡:

无要求、准确且 速度还行：

对于求解具有满秩非对称矩阵的线性系统，一个很好的选择是PartialPivLU。
矩阵是对称且正定的，一个很好的选择是LLT或LDLT分解。

正定必可逆

更详细的内容