SLAM学习--三维空间刚体运动

  1. 欧式变换: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变化,这种变换称为欧式变换
  2. 旋转矩阵:坐标系之间的欧式变换,通过一个旋转矩阵实现,3x3的,9个量表达3个自由度(也就是物体位置xyz的表示),a=Ra^,R是3x3矩阵
  3. 齐次坐标:三维向量后面加个常数1,(x、y、z、1),变成四维向量
  4. 变换矩阵:对于齐次坐标的四维向量,把旋转和平移写到一个矩阵里,就是变换矩阵,左上角是3x3的旋转矩阵,右上角是平移向量3x1,左下角0向量,右下角是1
  5. 旋转向量:由于任意旋转可以通过一个旋转轴和旋转角表示,使用一个向量,其方向与旋转轴一致,长度等于旋转角,这向量就是旋转向量
  6. 旋转向量和旋转矩阵可以转化:使用罗德里格斯公式
  7. 欧拉角:就是一个旋转在XYZ三个方向的角度分量,也叫偏航-俯仰-滚转(yaw-pitch-roll),会有奇异性问题,就是有时会万向锁问题,有时3个方向某个方向旋转一定角度后,后面再旋转发现丢失了一个自由度,3个自由度变成2自由度,有一个好像无效了
  8. 四元数:是复数,1个实部,3个虚部,有时可以表示【Sa,Va】实部和虚部,虚部Va是3个分量。任意的旋转都可以由两个互为相反数的四元数表示,假设某个旋转时绕单位向量n=[nx,ny,nz],进行角度为A的旋转,那么旋转的四元数形式为q=【cos(A/2),nx*sin(A/2),ny*sin(A/2),nz*sin(A/2)】
  9. 四元数到旋转矩阵、旋转向量可以转换,为了存储空间没有冗余引入的,缺点是不直观


欧式变换和相似变换、仿射变换、射影变换:

  1. 相似变换,就是变换矩阵,左上角旋转矩阵加个缩放系数,除了旋转,可以均匀缩放,例如边长为1的立方体变成边长为10的立方体,7个自由度,(旋转3个, 平移3个, 均匀缩放1个)
  2. 仿射变换,也叫正交投影,就是变换矩阵,左上角旋转矩阵是个可逆矩阵,不必是正交矩阵,仿射变换后立方体不再立方,但是每个面还是平行四边形。详细可以参考:https://www.zhihu.com/question/20666664
  3. 射影变换,就是真实世界到照片的变换,近大远小,每个面不是平行四边形,是不规则的,2d的射影变换有8个自由度,3d则有15个自由度

### SLAM 中三维刚体运动模型 在同步定位与地图构建(SLAM)领域,三维刚体运动模型用于描述不同坐标系间的转换关系。具体来说,在SLAM框架下,涉及多个重要的坐标系,包括但不限于世界坐标系、机器人坐标系以及相机坐标系等[^5]。 #### 刚体运动特性 对于任意给定的向量而言,在经历刚体运动前后其长度和方向余弦均保持不变。这意味着当物体仅发生旋转和平移操作而不伴随形变时,则认为该过程遵循着严格的刚体运动规律。这种性质保证了即使是在不同的参照体系间切换观察视角,对象本身的几何特征也不会受到影响。 #### 数学表达方式 为了精确刻画上述提到的空间变换行为,可以采用齐次坐标表示法来简化计算流程并提高效率。设\( T \in SE(3)\)(特殊欧氏群),代表从源坐标系到目标坐标系的一个欧式变换矩阵: \[ T=\left[\begin{array}{cc} R & t \\ \mathbf{0}^{T} & 1 \end{array}\right], R \in SO(3),t \in \mathbb{R}^{3} \] 其中 \(R\) 表示绕原点发生的纯旋转变换部分;而 \(t\) 是沿三个轴方向上的平移分量。利用这样的结构化定义能够方便地实现对复杂场景中多姿态变化的有效管理。 #### 应用实例 考虑到实际应用场景的需求,比如移动机器人自主导航任务里,就需要不断地更新自身相对于周围环境的位置信息。此时借助于激光雷达或者摄像头获取外部感知数据,并结合IMU惯导装置提供的内部状态反馈共同完成实时定位功能。在此基础上进一步开展路径规划等工作就变得可行起来。 ```python import numpy as np def se3_to_SE3(xi): """Converts a vector xi in the Lie algebra of SE(3) to its corresponding transformation matrix.""" omega = xi[:3] v = xi[3:] skew_omega = np.array([[ 0, -omega[2], omega[1]], [ omega[2], 0, -omega[0]], [-omega[1], omega[0], 0]]) theta = np.linalg.norm(omega) if abs(theta)<np.finfo(float).eps: R = np.eye(3) V = np.eye(3) else: axis = omega / theta sin_theta = np.sin(theta) cos_theta = np.cos(theta) R = (cos_theta * np.eye(3)) + ((1-cos_theta)*np.outer(axis,axis))+(sin_theta*skew_omega) A = (1-np.cos(theta))/(theta**2) B = (theta-sin_theta)/(theta**3) V = np.eye(3)+(A*skew_omega)+(B*np.dot(skew_omega,skew_omega)) p = np.dot(V,v) T = np.block([ [R , p.reshape(-1,1)], [np.zeros((1,3)), [[1]] ] ]) return T ``` 此代码片段展示了如何基于李代数se(3)中的六维向量ξ构造对应的SE(3)变换矩阵T。这有助于理解底层理论的同时也为具体的工程实践提供了工具支持。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值