第1章：坐标系与空间描述
大家好，我是你们这门课的主讲。今天咱们聊聊机器人学里最基础、也最绕不开的东西——坐标系与空间描述。
说实话，我刚开始做机器人那会儿，觉得坐标系嘛，不就是个xyz轴吗？有什么好学的。结果第一次调试机械臂，就栽了个大跟头。明明算好的位置，机械臂就是抓不到目标。后来才发现，是坐标系搞混了。嗯，从那以后，我再也不敢小看这个基础了。
1.1 全局坐标系与局部坐标系
先说说全局坐标系。你可以把它想象成一个「世界地图」。不管机器人走到哪里，这个坐标系是固定不变的。比如，你的工位左上角就是原点，X轴指向东，Y轴指向北。这就是全局坐标系。
那局部坐标系呢？说白了，就是「跟着机器人走的坐标系」。比如机械臂的末端夹爪，它自己有一个坐标系。夹爪往前伸，就是它自己的Z轴方向。这个坐标系会随着机械臂运动而改变。
我举个例子你就明白了。你站在房间里，房间的墙角是全局坐标系。你手里拿着一个手机，手机屏幕朝向你，这是手机的局部坐标系。你转身，手机也跟着转。手机上的点相对于房间的位置变了，但相对于手机本身没变。
关键点：全局坐标系是「世界」的视角，局部坐标系是「物体自身」的视角。两者之间的转换，就是机器人定位和导航的核心。
在项目中，我经常看到新手犯一个错误：把传感器测到的数据直接当成全局坐标。比如激光雷达扫到一个障碍物，距离是2米，角度30度。这个数据是在激光雷达自己的局部坐标系下的。你得先知道激光雷达装在机器人什么位置，才能把它换算到全局坐标系。
我的习惯：每次拿到传感器数据，第一件事就是问自己：「这个数据是在哪个坐标系下的？」养成这个习惯，能省掉你80%的调试时间。
1.2 齐次变换矩阵
好了，现在我们知道坐标系之间需要转换。怎么转？用齐次变换矩阵。
你可能会问：「为什么叫齐次？」因为我们在普通的3x3旋转矩阵下面加了一行，变成4x4矩阵。这一行主要是平移信息。
一个标准的齐次变换矩阵长这样：
| R11 R12 R13 tx |
| R21 R22 R23 ty |
| R31 R32 R33 tz |
| 0 0 0 1 |左上角3x3是旋转矩阵，右上角3x1是平移向量。最后一行永远是[0,0,0,1]。这个结构很巧妙，它把旋转和平移打包在一起了。
我记得有一次做多传感器融合，需要把IMU的数据和相机数据对齐。IMU装在机器人底盘，相机装在头部。两个坐标系之间差了30厘米，还歪了15度。我直接用齐次变换矩阵，一行代码就搞定了坐标转换。
核心公式：P_global = T * P_local
其中T是4x4齐次变换矩阵，P是4x1齐次坐标（x,y,z,1）。
为什么要加那个「1」？因为只有齐次坐标才能用矩阵乘法同时处理旋转和平移。你想想看，如果只用3x3矩阵，平移就得单独加，多麻烦。
注意：齐次变换矩阵的乘法顺序很重要！T1 * T2 表示先做T2变换，再做T1变换。这个顺序搞反了，结果就完全不对。我曾经因为这个bug调了整整一个下午。
1.3 欧拉角
旋转矩阵虽然好用，但不够直观。你看到一堆数字，很难想象出物体到底转成了什么样子。所以就有了欧拉角。
欧拉角用三个角度来描述旋转：绕X轴转（滚转Roll）、绕Y轴转（俯仰Pitch）、绕Z轴转（偏航Yaw）。
比如，一架无人机抬头30度，就是俯仰角30度。它向左转45度，就是偏航角45度。很直观，对吧？
但是！欧拉角有个大坑——万向锁。当俯仰角达到±90度时，滚转和偏航会变得无法区分。说白了，就是丢失了一个自由度。
我在做无人机飞控时遇到过这个问题。无人机垂直爬升时，俯仰角接近90度，结果姿态解算直接崩了。嗯，从那以后，我只要涉及大角度运动，就改用四元数。
| 表示方式 | 优点 | 缺点 |
|---|---|---|
| 欧拉角 | 直观，容易理解 | 有万向锁，不适合插值 |
| 旋转矩阵 | 计算方便，无奇异性 | 不直观，占用内存大 |
| 四元数 | 无奇异性，适合插值 | 不太直观 |
我的建议：人机交互时用欧拉角（比如遥控器显示姿态），内部计算用四元数或旋转矩阵。各取所长。
1.4 四元数基础
四元数，听起来很高大上。其实你可以把它理解成「带方向的旋转」。它用四个数表示：一个实部和三个虚部。
形式是：q = w + xi + yj + zk
其中w是实部，x,y,z是虚部。而且满足 i² = j² = k² = ijk = -1。
你可能会问：「为什么不用欧拉角？」原因很简单：四元数没有万向锁，而且做旋转插值非常平滑。
比如，你想让相机从A姿态平滑转到B姿态。用欧拉角插值，中间可能会乱转。用四元数插值（球面线性插值，简称Slerp），路径是最短的，而且很平滑。
// 四元数乘法（表示旋转叠加）
q_result = q1 * q2
// 用四元数旋转一个向量
v_rotated = q * v * q_conjugate
// 球面线性插值
q_interp = slerp(q_start, q_end, t) // t从0到1我在做视觉SLAM时，后端优化用的就是四元数。因为优化过程中需要不断调整姿态，四元数没有奇异性，不会出现「跳变」的情况。
记住：四元数虽然不直观，但它是机器人领域最可靠的旋转表示方式。尤其是做滤波、优化、插值时，首选四元数。
避坑指南：四元数需要归一化！如果四元数的模不等于1，旋转结果会变形。我见过有人把四元数当普通向量用，结果姿态越算越歪。每次更新完四元数，记得做归一化：q = q / norm(q)。
1.5 总结与实战建议
好了，这一章的内容就这些。总结一下：
- 全局坐标系 vs 局部坐标系：搞清楚数据在哪个坐标系下，是第一步。
- 齐次变换矩阵：把旋转和平移打包，方便计算。
- 欧拉角：直观，但小心万向锁。
- 四元数：可靠，适合计算和插值。
我个人习惯是：写代码时用四元数，调试时转成欧拉角看，保存数据时用齐次变换矩阵。这样既保证了计算精度，又方便排查问题。
下一章，咱们聊聊传感器模型与数据预处理。到时候会用到今天讲的坐标系知识，所以这一章一定要吃透。
有什么问题，欢迎在课程群里讨论。咱们下期见。