齐次变换矩阵的原理与应用

齐次变换矩阵的原理与应用

通过齐次变换矩阵,可以描述机械臂末端执行器(法兰)在三维空间中的平移和旋转操作。该矩阵结合了旋转和平移信息,用于坐标变换。

1. 齐次变换矩阵的基本形式

一个齐次变换矩阵 T是一个 4x4 矩阵,表示刚体的旋转和平移:
T = [ R t 0 1 ] = [ r 11 r 12 r 13 x r 21 r 22 r 23 y r 31 r 32 r 33 z 0 0 0 1 ] T = \begin{bmatrix} R & t \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} r_{11} & r_{12} & r_{13} & x \\ r_{21} & r_{22} & r_{23} & y \\ r_{31} & r_{32} & r_{33} & z \\ 0 & 0 & 0 & 1 \end{bmatrix} T=[R0t1]= r11r21r310r12r22r320r13r23r330xyz1

  • R是 3×3 的旋转矩阵,描述物体的姿态。
  • t = [x, y, z]^T 的平移向量,描述物体的位置。
  • 最后一行 [0,0,0,1] 保持矩阵的数学性质。

2. 平移和旋转的数学表达

平移矩阵

平移矩阵 Tmove 用于描述物体在空间中的移动:
T move = [ 1 0 0 Δ x 0 1 0 Δ y 0 0 1 Δ z 0 0 0 1 ] T_{\text{move}} = \begin{bmatrix} 1 & 0 & 0 & \Delta x \\ 0 & 1 & 0 & \Delta y \\ 0 & 0 & 1 & \Delta z \\ 0 & 0 & 0 & 1 \end{bmatrix} Tmove= 100001000010ΔxΔyΔz1

其中,Δx,Δy,Δz是沿 X、Y、Z 方向的移动距离。

旋转矩阵

旋转矩阵用于描述物体在各轴上的旋转。常见的旋转矩阵包括:

  • 绕 X 轴旋转的旋转矩阵Rx(θ):
    R x ( θ ) = [ 1 0 0 0 cos ⁡ θ − sin ⁡ θ 0 sin ⁡ θ cos ⁡ θ ] R_x(\theta) = \begin{bmatrix} 1 & 0 & 0 \\ 0 & \cos \theta & -\sin \theta \\ 0 & \sin \theta & \cos \theta \end{bmatrix} Rx(θ)= 1000cosθsinθ0−sinθcosθ

  • 绕 Y 轴旋转的旋转矩阵 Ry(θ):
    R y ( θ ) = [ cos ⁡ θ 0 sin ⁡ θ 0 1 0 − sin ⁡ θ 0 cos ⁡ θ ] R_y(\theta) = \begin{bmatrix} \cos \theta & 0 & \sin \theta \\ 0 & 1 & 0 \\ -\sin \theta & 0 & \cos \theta \end{bmatrix} Ry(θ)= cosθ0−sinθ010sinθ0cosθ

  • 绕 Z 轴旋转的旋转矩阵 Rz(θ):
    R z ( θ ) = [ cos ⁡ θ − sin ⁡ θ 0 sin ⁡ θ cos ⁡ θ 0 0 0 1 ] R_z(\theta) = \begin{bmatrix} \cos \theta & -\sin \theta & 0 \\ \sin \theta & \cos \theta & 0 \\ 0 & 0 & 1 \end{bmatrix} Rz(θ)= cosθsinθ0−sinθcosθ0001

综合旋转矩阵 R

综合旋转矩阵 RRR 是三个单轴旋转矩阵的乘积:
R = R z ( θ z ) ⋅ R y ( θ y ) ⋅ R x ( θ x ) R = R_z(\theta_z) \cdot R_y(\theta_y) \cdot R_x(\theta_x) R=Rz(θz)⋅Ry(θy)⋅Rx(θx)

3. 位姿变换的数学运算

假设当前位姿由齐次变换矩阵 Tnow 表示,可以通过乘以平移或旋转矩阵,得到新的目标位姿 Ttarget:
T target = T now ⋅ T move T_{\text{target}} = T_{\text{now}} \cdot T_{\text{move}} Ttarget=Tnow⋅Tmove

矩阵的乘法顺序表示变换的执行顺序,顺序不同,结果会有所不同。

4. 从变换矩阵中提取位姿

计算目标变换矩阵后,可以从矩阵中提取出新的位置和姿态:

  • 平移位置:从 Ttarget 的右上角元素 [x, y, z]^T 提取平移分量。
  • 姿态(欧拉角):从旋转矩阵部分提取 RX、RY、RZ 角度。

提取 RX、RY、RZ 的公式如下:
rx = arctan ⁡ 2 ( T 32 , T 33 ) \text{rx} = \arctan2(T_{32}, T_{33}) rx=arctan2(T32,T33)

ry = arcsin ⁡ ( − T 31 ) \text{ry} = \arcsin(-T_{31}) ry=arcsin(−T31)

rz = arctan ⁡ 2 ( T 21 , T 11 ) \text{rz} = \arctan2(T_{21}, T_{11}) rz=arctan2(T21,T11)

相关推荐
鲁邦通物联网19 小时前
开发者实践:配送机器人梯控的 API 对接、边缘调度与 MQTT 解耦
机器人·机器人梯控·agv梯控·非侵入式采集·配送机器人
视觉语言导航1 天前
具身导航视角适应性增强!VIL:连续环境视觉语言导航的视角不变学习
人工智能·机器人·具身智能
猫先生Mr.Mao1 天前
2025年10月AGI月评|OmniNWM/X-VLA/DreamOmni2等6大开源项目:自动驾驶、机器人、文档智能的“技术底座”全解析
人工智能·机器人·大模型·自动驾驶·agi·大模型部署·分布式推理框架
鲁邦通物联网1 天前
开发者实践:医疗配送机器人梯控的 API 对接与 MQTT 边缘调度解耦
机器人·机器人梯控·agv梯控·非侵入式采集·医疗配送机器人
疆鸿智能研发小助手1 天前
EtherCAT转PROFINET网关:助力KUKA机器人实现“焊”装自由!
网关·机器人·工业自动化·ethercat·profinet·协议转换网关
unicrom_深圳市由你创科技1 天前
外骨骼机器人:下肢助力走路,减负 30% 的硬核机械魔法
机器人
WWZZ20251 天前
快速上手大模型:深度学习4(实践:多层感知机)
人工智能·深度学习·计算机视觉·机器人·大模型·slam·具身智能
知识搬运工人1 天前
传统卷积神经网络中的核心运算是卷积或者矩阵乘,请问transformer模型架构主要的计算
矩阵·cnn·transformer
Big_潘大师1 天前
C# 六自由度机械臂正反解计算
数学建模·机器人·c#·六自由度机械臂
元素之窗2 天前
ROS开发中`laser_scan_matcher`节点启动失败问题的分析与解决
机器人