【罗德里格斯(Rodrigues)公式推导】

原创已于 2023-07-16 11:36:16 修改 · 695 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#矩阵 #计算机视觉 #线性代数

于 2023-07-15 23:14:21 首次发布

3D传感技术系列博客专栏收录该内容

28 篇文章

订阅专栏

文章介绍了罗德里格斯公式，用于描述三维空间中向量绕单位向量旋转的数学表达。通过向量的分解、叉乘以及反对称矩阵，详细推导了旋转矩阵的构建过程，展示了从轴角到旋转矩阵的转换方法。

介绍

记录并分享罗德里格斯公式(Rodrigues’ rotation formula)的推导过程。

推导过程

向量 $v$ 绕单位向量 $k$ 旋转角度 $θ\theta$ ，旋转后向量为 $v_{rot}$ 。罗德里格斯公式描述如何了从轴角 $θk\theta k$ 构造旋转矩阵 $R$ ，以表示 $v_{rot}$ 与 $v$ 之间的旋转关系。

向量 $v$ 可以拆分为与单位向量 $k$ 平行的向量 $v∥v_\parallel$ 和垂直的向量 $v⊥v_{\perp}$ ，表示为 $v=v∥+v⊥v=v_\parallel+v_{\perp}$ 向量 $v∥v_\parallel$ 表示为 $v∥=(v⋅k)k=k(v⋅k)=kkTvv_\parallel=(v\cdot{k}){k}=k(v\cdot{k})=kk^Tv$ 定义向量 $w=k×vw=k\times{v}$ ，且根据叉乘特性，有 $∣w∣=∣k∣∣v∣sin⁡ϕ|w|=|k||v|\sin\phi$ ，其中 $ϕ\phi$ 为 $v$ 和 $k$ 的夹角，则向量 $v⊥v_{\perp}$ 表示为 $v⊥=w×k=−k×wv_{\perp}=w\times{k}=-k\times{w}$ 且有 $∣v⊥∣=∣w∣|v_{\perp}|=|w|$ 。令 $k∧=[0−k3k2k30−k1−k2k10]k^\land=\begin{bmatrix}0&-k_3&k_2\\k_3&0&-k_1\\-k_2&k_1&0\end{bmatrix}$ 表示 $k$ 的反对称矩阵，可将向量叉乘表示成矩阵乘法的形式，即有 $k×v=k∧vk\times{v}=k^\land{v}$ ，进而可知 $w=k∧vw=k^\land{v}$ ， $v⊥=−k∧k∧vv_{\perp}=-k^\land k^\land{v}$ 。

旋转过程中向量 $v∥v_\parallel$ 保持不变，向量 $v⊥v_{\perp}$ 绕单位向量 $k$ 旋转了 $θ\theta$ 角。向量 $v⊥v_{\perp}$ 绕单位向量 $k$ 旋转了 $θ\theta$ 角后，沿 $v⊥v_{\perp}$ 方向的分量表示为 $v⊥∣v⊥∣∣v⊥∣cos⁡θ=v⊥cos⁡θ\frac{v_{\perp}}{|v_{\perp}|}|v_{\perp}|\cos\theta=v_{\perp}\cos\theta$ ，沿 $w$ 方向的分量表示为 $w∣w∣∣v⊥∣sin⁡θ=wsin⁡θ\frac{w}{|w|}|v_{\perp}|\sin\theta=w\sin\theta$ 。则旋转后的向量表示为 $vrot=v∥+v⊥cos⁡θ+wsin⁡θv_{rot}=v_\parallel+v_{\perp}\cos\theta+w\sin\theta$ 代入 $v∥=v−v⊥v_\parallel=v-v_{\perp}$ 得 $vrot=v−v⊥+v⊥cos⁡θ+wsin⁡θ=v−(cos⁡θ−1)v⊥+wsin⁡θ=[I+(1−cos⁡θ)k∧k∧+sin⁡θk∧]vv_{rot}=v-v_{\perp}+v_{\perp}\cos\theta+w\sin\theta\\=v-(\cos\theta-1)v_{\perp}+w\sin\theta\\=[I+(1-\cos\theta)k^\land{k^\land}+\sin\theta k^\land]v$ 代入 $v⊥=v−v∥v_{\perp}=v-v_\parallel$ 得 $vrot=v∥+(v−v∥)cos⁡θ+wsin⁡θ=cos⁡θv+(1−cos⁡θ)v∥+wsin⁡θ=[cos⁡θI+(1−cos⁡θ)kkT+sin⁡θk∧]vv_{rot}=v_\parallel+(v-v_\parallel)\cos\theta+w\sin\theta\\=\cos\theta v+(1-\cos\theta)v_\parallel+w\sin\theta\\=[\cos\theta{I}+(1-\cos\theta)kk^T+\sin\theta k^\land]v$ 最终，得到两种形式的罗德里格斯公式 $R=I+(1−cos⁡θ)k∧k∧+sin⁡θk∧R=cos⁡θI+(1−cos⁡θ)kkT+sin⁡θk∧R=I+(1-\cos\theta)k^\land{k^\land}+\sin\theta k^\land\\R=\cos\theta{I}+(1-\cos\theta)kk^T+\sin\theta k^\land$ （ $k$ 为单位向量时，有以下等式成立， $k∧k∧=[−k22−k32k1k2k1k3k1k2−k12−k23k2k3k1k3k2k3−k12−k22]=kkT−Ik^\land k^\land=\begin{bmatrix}-k_2^2-k_3^2&k_1k_2&k_1k_3\\k_1k_2&-k_1^2-k^3_2&k_2k_3\\k_1k_3&k_2k_3&-k_1^2-k_2^2\end{bmatrix}=kk^T-I$ ，带入上述两个公式可以发现二者是等价的。）