视觉SLAM14讲第 3 讲三维空间刚体运动

3.1 旋转矩阵

1 点和向量

对于三维向量 a; b

内积

可以描述向量间的投影关系。

外积

外积方向垂直于这两个向量，大小为|a| |b| sin〈a，b〉，是两个向量张成的四边形的有向面积。引入了 ^ 符号，把 a 写成一个矩阵。事实上是一个反对称矩阵，可以将 ^ 记成一个反对称符号。就把外积写成了矩阵与向量的乘法 a^b，变成了线性运算。也可以表示向量的旋转。

右手法则下，用右手的四个指头从 a 转向 b，其大拇指朝向就是旋转向量的方向，事实上也是 a^b 的方向。大小则由 a 和 b 的夹角决定。

2 坐标系间的欧氏变换

变换：两个坐标系之间的旋转关系，加上平移关系，统称为坐标系之间的变换关系。

通常，设定一个惯性坐标系（或者叫世界坐标系），可认为是固定不动的，例如图中 xW，yW，zW 定义的坐标系。同时，相机或机器人是一个移动坐标系，如 xC，yC，zC 定义的坐标系。对于同一个向量 p，在世界坐标系下的坐标 pw 和在相机坐标系下的 pc 是不同的。要先得到该点的相机坐标系坐标值，再根据机器人位姿转换到世界坐标系，这个变换关系由坐标系间的变换矩阵 T 来描述。

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，包括旋转和平移。

1）旋转

设某个单位正交基(e1, e2, e3) 经过一次旋转，变成了 (e1′, e2′, e3′)。那么，对于同一个向量 a（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有以下关系：

将左边的系数化为单位矩阵：

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。矩阵 R 描述了旋转本身。因此它又称为旋转矩阵。

旋转矩阵是一个行列式为 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。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），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。

旋转矩阵可以描述两个坐标系之间的旋转变换，即描述相机的旋转。

旋转矩阵为正交阵，它的逆（即转置）描述了一个相反的旋转。

2）平移

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：