Rodrigues（罗德里格斯）公式的理解与应用（旋转矢量与旋转矩阵的转化）

最新推荐文章于 2025-05-29 20:08:06 发布

四片叶子的三叶草

最新推荐文章于 2025-05-29 20:08:06 发布

阅读量1.2w

点赞数 9

CC 4.0 BY-SA版权

分类专栏： Mathematical principle

本文链接：https://blog.csdn.net/sunzhao1000/article/details/104575836

Mathematical principle 专栏收录该内容

1 篇文章

订阅专栏

本文深入探讨Rodrigues公式，详细解析空间向量绕指定轴旋转的数学原理，介绍其向量与矩阵表述，并阐述如何通过该公式实现旋转矩阵与旋转向量的转换，为三维空间旋转提供理论依据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第一部分： $R o d r i g u e s$ （罗德里格斯）公式描述的是：空间内的任意一个向量 $v\textbf{v}$ ，绕指定的旋转轴 $k\textbf{k}$ 旋转 $θ\theta$ 角度，得到空间向量 $vθ\textbf{v}^{\theta}$ 的过程。 $R o d r i g u e s$ 公式利用 $v\textbf{v}$ ， $k\textbf{k}$ 和 $θ\theta$ 来描述 $vθ\textbf{v}^{\theta}$ 。

在这里插入图片描述
如图所示，空间内的向量 $v\textbf{v}$ ，绕着 $z$ 轴旋转 $θ\theta$ ，得到 $vθ\textbf{v}^{\theta}$ 。已知 $x$ 轴， $y$ 轴和 $z$ 轴的方向向量分别是 $i\textbf{i}$ ， $j\textbf{j}$ 和 $k\textbf{k}$ 。约定 $<a,b><\textbf{a},\textbf{b}>$ 表示向量 $a\textbf{a}$ 到向量 $b\textbf{b}$ 的夹角。
对于空间向量 $v\textbf{v}$ 可以分解为三个坐标轴上的投影向量的矢量和： $v=vx+vy+vz\textbf{v} = \textbf{v}_x + \textbf{v}_y + \textbf{v}_z$
其中：
$vy=0\textbf{v}_y = \textbf{0}$
$vz=∣∣v∣∣⋅cos⁡<k,v>⋅k=∣∣v∣∣⋅∣∣k∣∣⋅cos⁡<k,v>⋅k=(k⋅v)⋅k\textbf{v}_z = ||\textbf{v}|| \cdot \cos{<\textbf{k}, \textbf{v}>} \cdot \textbf{k} = ||\textbf{v}|| \cdot ||\textbf{k}|| \cdot \cos<\textbf{k}, \textbf{v}> \cdot \textbf{k} = (\textbf{k} \cdot \textbf{v}) \cdot \textbf{k}$
$vx=∣∣v∣∣⋅sin⁡<k,v>⋅i\textbf{v}_x = ||\textbf{v}|| \cdot \sin<\textbf{k}, \textbf{v}> \cdot \textbf{i}$
对于 $vx\textbf{v}_x$ 来说，可以得到以下变换：
$∣∣v∣∣⋅sin⁡<k,v>=∣∣v∣∣⋅∣∣k∣∣⋅sin⁡<k,v>=∣∣k×v∣∣||\textbf{v}|| \cdot \sin<\textbf{k}, \textbf{v}> = ||\textbf{v}|| \cdot ||\textbf{k}|| \cdot \sin<\textbf{k}, \textbf{v}> = ||\textbf{k} \times \textbf{v}||$
$i=j×k\textbf{i} = \textbf{j} \times \textbf{k}$ ，又有 $j=k×v∣∣k×v∣∣\textbf{j} = \frac{\textbf{k} \times \textbf{v}}{||\textbf{k} \times \textbf{v}||}$ ，则 $i=1∣∣k×v∣∣⋅k×v×k\textbf{i} = \frac{1}{||\textbf{k} \times \textbf{v}||} \cdot \textbf{k} \times \textbf{v} \times \textbf{k}$
因此，可以得到： $vx=∣∣k×v∣∣⋅1∣∣k×v∣∣⋅k×v×k=k×v×k\textbf{v}_x = ||\textbf{k} \times \textbf{v}|| \cdot \frac{1}{||\textbf{k} \times \textbf{v}||} \cdot \textbf{k} \times \textbf{v} \times \textbf{k} = \textbf{k} \times \textbf{v} \times \textbf{k}$

同理，对于 $vθ\textbf{v}^{\theta}$ 也可以分解为 $vθ=vxθ+vyθ+vzθ\textbf{v}^{\theta} = \textbf{v}_x^{\theta} + \textbf{v}_y^{\theta} + \textbf{v}_z^{\theta}$
其中：
$vzθ=vz\textbf{v}_z^{\theta} = \textbf{v}_z$
$vxθ=∣∣vx∣∣⋅cos⁡θ⋅i=vx⋅cos⁡θ=k×v×k⋅cos⁡θ\textbf{v}_x^{\theta} = ||\textbf{v}_x|| \cdot \cos{\theta} \cdot \textbf{i} = \textbf{v}_x \cdot \cos{\theta} = \textbf{k} \times \textbf{v} \times \textbf{k} \cdot \cos{\theta}$
$vyθ=∣∣vx∣∣⋅sin⁡θ⋅j=∣∣v∣∣⋅sin⁡<k,v>⋅k×v∣∣k×v∣∣⋅sin⁡θ=k×v⋅sin⁡θ\textbf{v}_y^{\theta} = ||\textbf{v}_x|| \cdot \sin{\theta} \cdot \textbf{j} = ||\textbf{v}|| \cdot \sin<\textbf{k}, \textbf{v}> \cdot \frac{\textbf{k} \times \textbf{v}}{||\textbf{k} \times \textbf{v}||} \cdot \sin{\theta} = \textbf{k} \times \textbf{v} \cdot \sin{\theta}$
因此， $vθ=k×v×k⋅cos⁡θ+k×v⋅sin⁡θ+(k⋅v)⋅k\textbf{v}^{\theta} = \textbf{k} \times \textbf{v} \times \textbf{k} \cdot \cos{\theta} + \textbf{k} \times \textbf{v} \cdot \sin{\theta} + (\textbf{k} \cdot \textbf{v}) \cdot \textbf{k}$

另，由公式( $⋆\star$ ) $a×b×c=b(a⋅c)−c(a⋅b)\textbf{a} \times \textbf{b} \times \textbf{c} = \textbf{b}(\textbf{a}\cdot\textbf{c})-\textbf{c}(\textbf{a}\cdot\textbf{b})$ 可以得到：
$vθ=v(k⋅k)cos⁡θ−k(k⋅v)cos⁡θ+k×v⋅sin⁡θ+(k⋅v)⋅k=v⋅cos⁡θ+k(k⋅v)(1−cos⁡θ)+k×v⋅sin⁡θ\textbf{v}^{\theta} = \textbf{v}(\textbf{k}\cdot\textbf{k})\cos\theta-\textbf{k}(\textbf{k}\cdot\textbf{v})\cos\theta + \textbf{k} \times \textbf{v} \cdot \sin{\theta} + (\textbf{k} \cdot \textbf{v}) \cdot \textbf{k} \newline \hspace{0.45cm} = \textbf{v}\cdot\cos\theta + \textbf{k}( \textbf{k}\cdot \textbf{v})(1-\cos\theta)+ \textbf{k}\times \textbf{v}\cdot\sin\theta$

由此可以得到 $R o d r i g u e s$ 公式的结论。

$\newline$
$\newline$
第二部分： $R o d r i g u e s$ （罗德里格斯）公式的矩阵描述形式。
上述第一部分主要从原理上证明了， $R o d r i g u e s$ （罗德里格斯）公式的向量表述形式，在实际使用的时候，常用到的是矩阵形式的表述。事实上，矩阵形式的表述也是由向量形式经过展开和推导得来的，下面简单描述一下其中的过程。

首先将上述公式变形如下：
$vθ=v⋅cos⁡θ+k(k⋅v)(1−cos⁡θ)+k×v⋅sin⁡θ=v−v+v⋅cos⁡θ+k(k⋅v)(1−cos⁡θ)+k×v⋅sin⁡θ=v−(1−cos⁡θ)v+(1−cos⁡θ)(k⋅v)k+sin⁡θ⋅k×v=v+(1−cos⁡θ)((k⋅v)k−v)+sin⁡θ⋅k×v=v+(1−cos⁡θ)((k⋅v)k−v(k⋅k))+sin⁡θ⋅k×v\textbf{v}^{\theta} = \textbf{v}\cdot\cos\theta + \textbf{k}( \textbf{k}\cdot \textbf{v})(1-\cos\theta)+ \textbf{k}\times \textbf{v}\cdot\sin\theta \newline \hspace{0.45cm} = \textbf{v}-\textbf{v}+\textbf{v}\cdot\cos\theta + \textbf{k}( \textbf{k}\cdot \textbf{v})(1-\cos\theta)+ \textbf{k}\times \textbf{v}\cdot\sin\theta \newline \hspace{0.45cm} = \textbf{v} - (1-\cos\theta)\textbf{v} + (1-\cos\theta)(\textbf{k}\cdot \textbf{v})\textbf{k} + \sin\theta\cdot\textbf{k}\times\textbf{v} \newline \hspace{0.45cm} = \textbf{v} + (1-\cos\theta)((\textbf{k}\cdot\textbf{v})\textbf{k} - \textbf{v}) + \sin\theta\cdot\textbf{k}\times\textbf{v} \newline \hspace{0.45cm} = \textbf{v} + (1-\cos\theta)((\textbf{k}\cdot\textbf{v})\textbf{k} - \textbf{v}(\textbf{k}\cdot\textbf{k})) + \sin\theta\cdot\textbf{k}\times\textbf{v} \newline$

由公式( $⋆\star$ ) $a×b×c=b(a⋅c)−c(a⋅b)\textbf{a} \times \textbf{b} \times \textbf{c} = \textbf{b}(\textbf{a}\cdot\textbf{c})-\textbf{c}(\textbf{a}\cdot\textbf{b})$ 可以得到：
$vθ=v+(1−cos⁡θ)(k×k×v)+sin⁡θ⋅k×v\textbf{v}^{\theta} = \textbf{v} + (1-\cos\theta)(\textbf{k}\times\textbf{k}\times\textbf{v}) + \sin\theta\cdot\textbf{k}\times\textbf{v}$

引入公式( $†\dagger$ ) $a×b=Ab\textbf{a}\times\textbf{b}=\textbf{A}\textbf{b}$ ，其中 $a\textbf{a}$ 和 $b\textbf{b}$ 是空间中的两个向量， $A\textbf{A}$ 是向量 $a\textbf{a}$ 的“叉积矩阵”：
$A=[0−azayaz0−ax−ayax0]\textbf{A} = \left[ \begin{matrix} 0 & -a_z & a_y \\ a_z & 0 & -a_x \\ -a_y & a_x & 0 \\ \end{matrix} \right]$
因此， $k×v=Kv\textbf{k}\times\textbf{v}=\textbf{K}\textbf{v}$ ，其中 $K\textbf{K}$ 是 $k\textbf{k}$ 的“叉积矩阵”，则 $k×k×v=K2v\textbf{k}\times\textbf{k}\times\textbf{v} = \textbf{K}^2\textbf{v}$

由此可以得到：
$vθ=v+(1−cos⁡θ)(k×k×v)+sin⁡θ⋅k×v=v+(1−cos⁡θ)⋅K2v+sin⁡θ⋅Kv=Rv\textbf{v}^{\theta} = \textbf{v} + (1-\cos\theta)(\textbf{k}\times\textbf{k}\times\textbf{v}) + \sin\theta\cdot\textbf{k}\times\textbf{v} \newline \hspace{0.45cm}=\textbf{v}+(1-\cos\theta)\cdot\textbf{K}^2\textbf{v}+ \sin\theta\cdot\textbf{K}\textbf{v} \newline \hspace{0.45cm}=\textbf{R}\textbf{v}$
其中： $R=I+Ksin⁡θ+K2(1−cos⁡θ)\textbf{R}=\textbf{I}+\textbf{K}\sin\theta+\textbf{K}^2(1-\cos\theta)$

则上述 $vθ=v+sin⁡θ⋅Kv+(1−cos⁡θ)⋅K2v\textbf{v}^{\theta} = \textbf{v} + \sin\theta\cdot\textbf{K}\textbf{v} + (1-\cos\theta)\cdot\textbf{K}^2\textbf{v}$ 是矩阵描述形式。

$\newline$
$\newline$
第三部分：旋转矩阵与旋转向量的转化
由上述两个部分的阐述，可以得知，若一个空间矢量，围绕给定的方向轴旋转一个角度得到一个新的空间矢量，可以通过罗德里格斯公式来描绘，旋转前后两个矢量之间的相对关系。

由此可以设想，对于任意空间矢量 $v\textbf{v}$ ，可以在笛卡尔坐标系下分别绕三个坐标轴 $i\textbf{i}$ ， $j\textbf{j}$ ， $k\textbf{k}$ 旋转不同的角度：俯仰角 $p i t c h$ ，偏航角 $y a w$ ，翻滚角 $r o l l$ ，则对于每一次相对单个坐标轴的旋转，都存在一个可以通过罗格里德斯公式来描述的旋转矩阵：
$Rpitch=I+sin⁡θ⋅Ki+(1−cos⁡θ)⋅Ki2\textbf{R}_{pitch}=\textbf{I}+\sin\theta\cdot\textbf{K}_i+(1-\cos\theta)\cdot\textbf{K}_i^2$
$Ryaw=I+sin⁡θ⋅Kj+(1−cos⁡θ)⋅Kj2\textbf{R}_{yaw}=\textbf{I}+\sin\theta\cdot\textbf{K}_j+(1-\cos\theta)\cdot\textbf{K}_j^2$
$Rroll=I+sin⁡θ⋅Kk+(1−cos⁡θ)⋅Kk2\textbf{R}_{roll}=\textbf{I}+\sin\theta\cdot\textbf{K}_k+(1-\cos\theta)\cdot\textbf{K}_k^2$
则两个空间矢量间的矩阵 $R=RpitchRyawRroll\textbf{R}=\textbf{R}_{pitch}\textbf{R}_{yaw}\textbf{R}_{roll}$ 。