SLAM学习笔记

ch3 三维空间刚体运动

3.1 旋转矩阵

3.1.1 点和向量，坐标系

1. 定义坐标系后，向量a可由如下坐标表示
   
2. 向量之间的运算

(1)加减法：
(2)内积：向量间的投影关系

(3)外积：（在三维图像中很重要）

外积只对三维向量存在定义，我们还能用外积表示向量的旋转。

3.1.2 坐标系间的欧氏变换

与向量间的旋转类似，我们同样可以描述两个坐标系之间的旋转关系，再加上平移，统称为坐标系之间的变换关系。
1. 欧式变换的引入
如何计算同一个向量在不同坐标系里的坐标在机器人的运动过程中，常见的做法是设定一个惯性坐标系（或者叫世界坐标系），它是固定不动的，例如下图中的Xw ,Yw ,Zw定义的坐标系。但是机器人坐标系会随着机器人的运动而改变，每个时刻都有新的坐标系，例如xC,yC,zC定义的坐标系。

相机视野中某个向量p，它的坐标为pc，而从世界坐标系下看，它的坐标pw。这两个坐标之间是如何转换的呢？这个转换关系由一个矩阵T来描述，这种变换称为欧氏变换，一个欧氏变换由一个旋转和一个平移两部分组成。
2. 旋转
首先来考虑旋转。我们设某个单位正交基(e1,e2,e3) 经过一次旋转，变成了 (e′1,e′2,e′3)。那么，对于同一个向量 a（注意该向量并没有随着坐标系的旋转而发生运动），它在两个坐标系下的坐标为 [a1, a2, a3]T 和 [a′1, a′2, a′3]T。根据坐标的定义，有：

为了描述两个坐标之间的关系，我们对上面等式左右同时左乘

那么左边的系数变成了单位矩阵，所以：

把中间的阵拿出来，定义成一个矩阵R。这个矩阵由两组基之间的内积组成，刻画了旋转前后同一个向量的坐标变换关系。只要旋转是一样的，那么这个矩阵也是一样的。可以说，矩阵R描述了旋转本身，因此它又称为旋转矩阵。

旋转矩阵的性质
①正交矩阵
②行列式为1
反之，满足这两个条件的也可以称为旋转矩阵。

我们可以把旋转矩阵的集合定义如下

SO(n) 是特殊正交群（Special Orthogonal Group）的意思。这个集合由n维空间的旋转矩阵组成，特别的，SO(3)就是三维空间的旋转了。通过旋转矩阵，我们可以直接谈论两个坐标系之间的旋转变换，而不用再从基开始谈起了。
由于旋转矩阵为正交阵，它的逆（即转置）描述了一个相反的旋转。按照上面的定义方式，有：

3.平移
在欧氏变换中，除了旋转之外还有一个平移。考虑世界坐标系中的向量 a，经过一次旋转（用R描述）和一次平移t后，得到了a′，那么把旋转和平移合到一起，有：

其中，t称为平移向量。相比于旋转，平移部分只需把这个平移量加到旋转之后的坐标上，显得非常简洁。通过上式，我们用一个旋转矩阵R和一个平移向量t完整地描述了一个欧氏空间的坐标变换关系。