变换矩阵左乘与右乘的区别和应用
一,变换矩阵左乘的应用
点P在坐标系A下进行了两次位姿变换。第一次变换矩阵为T1，第二次变换矩阵为T2。求点P两次连续变换矩阵的结果，以及最终位置。
要计算点 P 在坐标系 A 下经过两次位姿变换后的最终位置，可以按照以下步骤进行：
- 计算两次变换矩阵的组合变换矩阵。
- 将组合变换矩阵应用于点 P。
假设点 P 的初始位置为 P，第一次变换矩阵为 T1，第二次变换矩阵为 T2，最终位置可以通过以下步骤计算：
- 计算组合变换矩阵：
T_combined = np.dot(T2, T1) - 将组合变换矩阵应用于点 P：
P_final = np.dot(T_combined, P)
注意这里的组合变换矩阵的计算，第二次变换T2左乘第一次变换T1。这里的关键是，点P在“同一坐标系”下进行了两次连续的变换，将后一次的变换左乘前一次的变换。如果还有第三次的变换，则第三次先左乘第二次变换，输出结果再左乘第一次变换。
以下是示例代码：
import numpy as np
# 定义初始位置 P (假设 P 是一个齐次坐标)
P = np.array([x, y, z, 1]) # 请替换 x, y, z 为实际坐标
# 定义变换矩阵 T1 和 T2
T1 = np.array([
[-0.992543, -0.0985432, -0.0717491, 1.81161],
[0.0928758, -0.992582, 0.0784536, 4.71046],
[-0.078948, 0.0712048, 0.994332, 0.126783],
[0, 0, 0, 1]
])
T2 = np.array([
[1.002, 0.005, -0.005, -0.034],
[-0.005, 1.002, -0.013, -0.039],
[0.005, 0.013, 1.002, -0.041],
[0, 0, 0, 1]
])
# 计算组合变换矩阵
T_combined = np.dot(T2, T1)
# 计算 P 在 A 坐标系下的最终位置
P_final = np.dot(T_combined, P)
print("点 P 在 A 坐标系下的最终位置：")
print(P_final)
请将 P 的初始坐标 x, y, z 替换为实际的坐标值。
如果连续三次变换
点P在坐标系A下进行了两次位姿变换。第一次变换矩阵为T1，第二次变换矩阵为T2，第三次变换矩阵为T3。求点P三次连续变换矩阵的结果，以及最终位置。
要计算点 P 在坐标系 A 下经过三次位姿变换后的最终位置，可以按照以下步骤进行：
- 计算三次变换矩阵的组合变换矩阵。
- 将组合变换矩阵应用于点 P。
假设点 P 的初始位置为 P，三次变换矩阵分别为
T1
、T2 和 T3，最终位置可以通过以下步骤计算：
- 计算组合变换矩阵：
T_combined = np.dot(np.dot(T3, T2), T1) - 将组合变换矩阵应用于点 P：
P_final = np.dot(T_combined, P)
以下是示例代码：
import numpy as np
# 定义初始位置 P (假设 P 是一个齐次坐标)
P = np.array([x, y, z, 1]) # 请替换 x, y, z 为实际坐标
# 定义变换矩阵 T1, T2 和 T3
T1 = np.array([
[-0.992543, -0.0985432, -0.0717491, 1.81161],
[0.0928758, -0.992582, 0.0784536, 4.71046],
[-0.078948, 0.0712048, 0.994332, 0.126783],
[0, 0, 0, 1]
])
T2 = np.array([
[1.002, 0.005, -0.005, -0.034],
[-0.005, 1.002, -0.013, -0.039],
[0.005, 0.013, 1.002, -0.041],
[0, 0, 0, 1]
])
T3 = np.array([
[0.999, -0.010, 0.020, 0.050],
[0.010, 0.999, -0.030, 0.060],
[-0.020, 0.030, 0.999, 0.070],
[0, 0, 0, 1]
])
# 计算组合变换矩阵
T_combined = np.dot(np.dot(T3, T2), T1)
# 计算 P 在 A 坐标系下的最终位置
P_final = np.dot(T_combined, P)
print("点 P 在 A 坐标系下的最终位置：")
print(P_final)
请将 P 的初始坐标 x, y, z 替换为实际的坐标值。
二，变换矩阵右乘应用
以多传感器标定为例，激光A相对于激光O的变换矩阵为TA->O,激光B相对于激光A的变换矩阵为TB->A，求激光B相对于激光O的变换矩阵为多少？
要计算激光 B 相对于激光 O 的变换矩阵，可以将两个变换矩阵相乘。假设激光 A 相对于激光 O 的变换矩阵为 TA->O，激光 B 相对于激光 A 的变换矩阵为 TB->A，那么激光 B 相对于激光 O 的变换矩阵 TB->O 可以通过以下步骤计算：
- 计算组合变换矩阵：
TB->O = np.dot(TA->O, TB->A)
注意这里每个变换矩阵的参考坐标系都不一样。TA->O是以激光O为参考系，TB->A是以A为参考系， TB->O 是以O为参考系。计算 TB->O 本质是激光B在O参考系下的变换矩阵。为了求激光B相对于激光O变换矩阵，需要在O参考系下，以激光A为过渡，计算TB->A右乘 TA->O，实现B激光参考坐标系转换的计算。
以下是示例代码：
import numpy as np
# 定义变换矩阵 TA->O 和 TB->A
TA_O = np.array([
[a11, a12, a13, a14],
[a21, a22, a23, a24],
[a31, a32, a33, a34],
[0, 0, 0, 1]
])
TB_A = np.array([
[b11, b12, b13, b14],
[b21, b22, b23, b24],
[b31, b32, b33, b34],
[0, 0, 0, 1]
])
# 计算激光 B 相对于激光 O 的变换矩阵
TB_O = np.dot(TA_O, TB_A)
print("激光 B 相对于激光 O 的变换矩阵：")
print(TB_O)
请将 TA_O 和 TB_A 替换为实际的变换矩阵值。
原文地址：https://blog.csdn.net/zhangqian_shai/article/details/144107572
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！