这篇博文详述了三维刚体旋转的数学概念，包括内积、外积、旋转矩阵、变换矩阵和旋转向量。介绍了欧拉角和四元数在姿态解算中的作用。同时，概述了李群和李代数的基本概念，特别是SO(3)和SE(3)在旋转和平移表示中的地位。文章强调了指数映射和对数映射在李群与李代数转换中的重要性，以及它们在视觉SLAM中的实际应用。
三维旋转、李群与李代数的一些知识点记录
以下内容来源于《视觉SLAM十四讲》以及其他博文内容的汇总，所有出处均会表明。部分内容比较简略，主要是总结一些自己觉得需要注意的地方或者是归纳一下结论之类的，因为写本文的目的是仅做自身学习记录汇总用途，好记性不如烂笔头，方便自己回顾（之前都学过但是现在发现忘得差不多了...所以再重新回顾一下），当然如果对大家有帮助那再好不过。
一、三维刚体旋转
1.1 内积和外积
内积，即点乘操作，设a, b为2个向量，具体公式如下：
外积，即叉乘操作，公式表示如下：
点乘和叉乘的具体含义及区别：向量点乘（内积）和叉乘（外积、向量积）概念及几何意义解读
注意外积的方向垂直于a、b，大小为 |a| |b| sin<a,b>，并且引入了符号 ^
a ^ b = a × b
该符号把 a 向量表示为了一个反对称矩阵 a^ （反对称矩阵定义为为 A T = − A A^T=-A AT=−A），也就是说带有这个^符号的均表示将一个向量转换为了反对称矩阵，后续在李代数推导过程中会用到，外积只对三维向量存在定义，且可以用外积来表示向量的旋转。如在右手法则下有：
1.2 旋转矩阵、变换矩阵和旋转向量
这部分主要区分旋转矩阵和变换矩阵，以及两者在群中的表示区别。
1.2.1 旋转矩阵
欧式变换基本概念：视觉SLAM基本原理（1）—— 欧氏变换与旋转向量
对于同一个向量 a a a ，它在一个坐标系中的坐标为 a a a ，而在另一个坐标系下坐标为 a ′ a' a′ ，那么可以通过旋转矩阵进行对应的转换
a ′ = R ∗ a a' = R * a a′=R∗a
其中用 R R R来表示旋转矩阵，实际上其为一个行列式为1的正交矩阵（ A A T = E AA^T=E AAT=
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
