1. 坐标变换的本质与数学基础
坐标变换是计算机图形学、机器人学和三维重建等领域的核心数学工具。简单来说，它描述的是同一个点在两个不同坐标系下的位置关系。想象你站在房间里，手里拿着一个茶杯——从你的视角看茶杯的位置，和从房间角落的摄像头看茶杯的位置，就是两种不同的坐标系描述。
笛卡尔坐标系下的点可以用向量表示，比如三维空间中的点P=(x,y,z)。当我们需要将这个点从一个坐标系转换到另一个坐标系时，就需要用到坐标变换。这种变换通常包括两个部分：旋转和平移。
旋转矩阵是坐标变换中最关键的数学工具之一。它是一个特殊的方阵，能够保持向量的长度和角度关系不变。在三维空间中，旋转矩阵是一个3×3的正交矩阵，满足R^T R = I（I是单位矩阵）的性质。这意味着旋转矩阵的逆矩阵就是它的转置矩阵，这个性质在实际计算中非常有用。
2. 二维旋转矩阵的推导与理解
让我们先从简单的二维情况开始。假设有一个点P=(x,y)，我们需要将它绕原点旋转θ角度。旋转后的点P'=(x',y')可以通过以下公式计算：
x' = x cosθ - y sinθ
y' = x sinθ + y cosθ
这个公式是怎么来的呢？我们可以从三角函数的定义出发进行推导。考虑原始向量与x轴的夹角为φ，那么：
x = r cosφ
y = r sinφ
旋转θ角度后：
x' = r cos(φ+θ) = r(cosφ cosθ - sinφ sinθ) = x cosθ - y sinθ
y' = r sin(φ+θ) = r(sinφ cosθ + cosφ sinθ) = x sinθ + y cosθ
这样我们就得到了二维旋转矩阵：
R(θ) = [cosθ -sinθ
sinθ cosθ]
这个矩阵有一个重要性质：它的行列式为1，这意味着旋转操作不会改变图形的面积。
3. 三维旋转矩阵的构建方法
三维空间的旋转比二维复杂得多，因为旋转可以绕x、y、z三个轴进行。我们可以分别考虑绕单个轴的旋转矩阵：
绕x轴旋转γ角度：
Rx(γ) = [1 0 0
0 cosγ -sinγ
0 sinγ cosγ]
绕y轴旋转β角度：
Ry(β) = [cosβ 0 sinβ
0 1 0
-sinβ 0 cosβ]
绕z轴旋转α角度：
Rz(α) = [cosα -sinα 0
sinα cosα 0
0 0 1]
在实际应用中，我们经常需要组合多个旋转。需要注意的是，三维旋转的顺序很重要——旋转是不可交换的，即RxRy ≠ RyRx。常用的旋转顺序有XYZ、ZYX等，具体选择取决于应用场景。
4. 欧拉角与旋转矩阵的相互转换
欧拉角是一种直观的旋转表示方法，它用三个角度(α,β,γ)来描述旋转。最常见的约定是ZYX顺序的欧拉角，对应的旋转矩阵为：
R = Rz(α)Ry(β)Rx(γ)
将这个矩阵展开计算，可以得到：
R = [
cosαcosβ cosαsinβsinγ-sinαcosγ cosαsinβcosγ+sinαsinγ
sinαcosβ sinαsinβsinγ+cosαcosγ sinαsinβcosγ-cosαsinγ
-sinβ cosβsinγ cosβcosγ
]
反过来，从旋转矩阵求欧拉角也需要特别注意。当cosβ=0（即β=±90°）时，会出现万向节锁问题，此时α和γ无法唯一确定。
5. 四元数：旋转的另一种高效表示
虽然旋转矩阵很直观，但在实际应用中，四元数(Quaternion)往往是更好的选择。一个四元数可以表示为q = w + xi + yj + zk，其中w是实部，(x,y,z)是虚部。
单位四元数（满足w²+x²+y²+z²=1）可以表示旋转。对于旋转轴n=(nx,ny,nz)和旋转角度θ，对应的四元数为：
q = [cos(θ/2), nx sin(θ/2), ny sin(θ/2), nz sin(θ/2)]
四元数转换为旋转矩阵的公式为：
R = [
1-2y²-2z² 2xy-2wz 2xz+2wy
2xy+2wz 1-2x²-2z² 2yz-2wx
2xz-2wy 2yz+2wx 1-2x²-2y²
]
四元数的优势在于：插值更平滑（使用球面线性插值Slerp）、计算效率更高、没有万向节锁问题。
6. 齐次坐标与刚体变换
在实际应用中，我们经常需要同时处理旋转和平移。为了统一表示这两种变换，我们引入齐次坐标。在齐次坐标系下，一个三维点表示为4维向量(x,y,z,1)。
刚体变换（旋转+平移）可以用4×4的齐次变换矩阵表示：
T = [R t
0 1]
其中R是3×3旋转矩阵，t是3×1平移向量。
这种表示方法特别适合描述机器人末端执行器的位姿或相机的外参矩阵。多个变换可以简单地通过矩阵乘法组合起来，这是齐次坐标的一大优势。
7. 实际应用中的注意事项
-
浮点数精度问题：连续的旋转矩阵乘法会导致矩阵逐渐失去正交性。解决方法包括定期重新正交化矩阵，或改用四元数表示。
-
坐标系约定：不同领域对坐标轴方向的定义可能不同（如计算机视觉中常用z轴向前，而机器人学中常用z轴向上）。在跨系统集成时需要特别注意。
-
旋转顺序的重要性：在组合多个旋转时，一定要明确旋转顺序。常见的顺序有：
- 外旋(extrinsic rotation)：绕固定坐标系旋转
- 内旋(intrinsic rotation)：绕物体自身坐标系旋转
-
性能优化：在性能敏感的应用中，可以预先计算并缓存常用的旋转矩阵，或者使用查表法替代实时三角函数计算。
8. 典型应用场景解析
-
机器人运动学：机械臂各关节的变换通常用DH参数表示，每个关节的变换都是一个齐次变换矩阵。正向运动学就是这些矩阵的连乘。
-
计算机视觉：相机标定得到的内参矩阵K和外参矩阵[R|t]共同决定了三维点到二维图像的投影关系。这里的R就是旋转矩阵。
-
三维图形渲染：模型的世界变换通常包括缩放、旋转和平移。在着色器中使用旋转矩阵来变换法线向量时，需要使用逆转置矩阵来保持正确的光照计算。
-
惯性导航系统：从IMU传感器的原始数据（加速度计、陀螺仪）计算姿态时，需要实时更新旋转矩阵或四元数。
9. 常见问题与调试技巧
-
为什么我的旋转看起来不对？
- 检查旋转顺序是否正确
- 确认坐标系定义是否一致
- 验证旋转矩阵是否仍然正交（R^T R ≈ I）
-
如何处理万向节锁？
- 考虑改用四元数表示旋转
- 或者限制第二个旋转角度的范围（如-89°到89°）
-
如何平滑地插值两个旋转？
- 对于旋转矩阵，可以使用矩阵指数和对数映射
- 对于四元数，使用Slerp插值
- 对于欧拉角，线性插值通常效果不好
-
如何从两个向量计算旋转矩阵？
- 例如，已知初始向量a和目标向量b，求将a旋转到b的矩阵
- 旋转轴可以通过叉积a×b得到
- 旋转角度可以通过点积acos(a·b/|a||b|)计算
10. 性能优化实践
-
避免不必要的矩阵乘法：在实时系统中，应该尽量减少全矩阵乘法，而是利用旋转矩阵的特殊结构进行优化计算。
-
使用SIMD指令：现代CPU支持单指令多数据流(SIMD)指令，可以并行处理多个浮点运算，显著提升矩阵运算速度。
-
预计算常用旋转：对于固定的旋转角度（如90°、180°等），可以预先计算并存储对应的旋转矩阵。
-
延迟归一化：在使用四元数时，不必在每一步操作后都进行归一化，可以在必要时才进行，减少计算量。
-
选择合适的数据结构：根据具体应用场景，选择最合适的旋转表示方式（矩阵、欧拉角、四元数或轴角表示）。
在开发过程中，我习惯使用单位测试来验证旋转操作的准确性。一个简单有效的方法是验证旋转矩阵的性质：检查行列式是否为1，检查R^T R是否等于单位矩阵，以及验证基本旋转是否正确。当遇到问题时，从最简单的特例开始调试（如绕单个轴旋转90°），往往能快速定位问题根源。