视觉SLAM_03_旋转向量和欧拉角

说明：转发请注明作者和出处；以下文章内容为精简版，详细版以pdf格式的幻灯片形式呈现，请见链接：视觉SLAM_03_旋转向量和欧拉角.pdf

0.目录

1.旋转向量

  用矩阵来表示旋转，至少有两个缺点：

• 表达方式冗余：旋转矩阵9个分量，但一次旋转只有3个自由度；
• 旋转矩阵自身带有约束：必须是正交矩阵，且行列式的值为1。

因此，寻找更紧凑地描述旋转和平移是很有必要的。

  任意旋转都可以用一个旋转轴和一个旋转角来刻画。方向与旋转轴一致，而长度等于旋转角的向量称之为旋转向量。使用旋转向量只需一个三维向量即可描述旋转。使用一个旋转向量和一个平移向量即可描述一次变换。

  设旋转轴为单位长度向量$\mathbf{n}$，角度为$\theta$，那么向量$\theta \mathbf{n}$即可描述这个旋转。从旋转向量到旋转矩阵的转换过程由罗德里格斯公式给出，由于推导过程比较复杂，这里只给出转换公式：
$$\mathbf{R}=\cos \theta \mathbf{I}+(1-\cos \theta )\mathbf{n}{\mathbf{n}}^T+\sin \theta \mathbf{n}\hat{}\text{\hspace{1em}(1)}$$
其中，$\mathbf{I}$为单位矩阵，符号$\hat{}$是向量到反对称矩阵的转换符，设单位向量$\mathbf{n}=(n_x,n_y,n_z)$，则有：
$$\mathbf{n}\hat{}=\left[\begin{array}{ccc}0& -n_z& n_y\\ n_z& 0& -n_x\\ -n_y& n_x& 0\end{array}\right]$$
  反之，也可以计算从一个旋转矩阵到旋转向量的转换。
$$\theta =\arccos \frac{\mathrm{t}\mathrm{r}(\mathbf{R})-1}{2}\text{\hspace{1em}(2)}$$  关于旋转轴$\mathbf{n}$，旋转轴上的向量在旋转后不发生改变，说明：
$$\mathbf{R}\mathbf{n}=\mathbf{n}\text{\hspace{1em}(3)}$$因此，转轴$\mathbf{n}$是矩阵$\mathbf{R}$特征值为1对应的特征向量。求得特征向量再归一化即可得到旋转轴。

2.欧拉角

  无论是旋转矩阵还是旋转向量，它们描述旋转非常不直观。而欧拉角则提供了一种非常直观的方式来描述旋转，它使用了三个分离的转角，把一个旋转分解成三次绕不同的坐标轴的旋转。欧拉角共有12($3\times 2\times 2$)种定义方式。

图2-1 ZYX转角定义（摘自参考文献1）

  欧拉角一个重大的缺点是会碰到著名的万向锁问题，又称为奇异性问题，如图：2-2所示：

图2-2 万向锁问题（摘自参考文献1）

3.参考文献

• 高翔等. 视觉SLAM十四讲：从理论到实践第二版. 北京：电子工业出版社，2019.8.
• 同济大学数学系. 线性代数第五版. 北京：高等教育出版社，2007.5.