随笔:为何无人机的机体系向惯性系的旋转矩阵就是无人机的姿态在惯性系中的表示

设世界坐标系为 WWW,机体坐标系为 BBB。

设有一自由向量p\mathbf{p}p,其在机体系下的坐标为:

pB=(p1,p2,p3)T\mathbf{p}^B = (p_1, p_2, p_3)^TpB=(p1,p2,p3)T

记机体系的三个基向量分别为 xB\mathbf{x}_BxB、yB\mathbf{y}_ByB、zB\mathbf{z}_BzB,则该向量用无人机机体系的基向量表示为:

p=p1⋅xB+p2⋅yB+p3⋅zB\mathbf{p} =p_1\cdot \mathbf{x}_B + p_2\cdot \mathbf{y}_B + p_3\cdot \mathbf{z}_Bp=p1⋅xB+p2⋅yB+p3⋅zB

之后把上面这个几何等式的每一项,都用世界系的坐标来表达:

pW=p1⋅xBW+p2⋅yBW+p3⋅zBW\mathbf{p}^W = p_1\cdot \mathbf{x}_B^W + p_2\cdot \mathbf{y}_B^W + p_3\cdot \mathbf{z}_B^WpW=p1⋅xBW+p2⋅yBW+p3⋅zBW

其中 xBW\mathbf{x}_B^WxBW、yBW\mathbf{y}_B^WyBW、zBW\mathbf{z}_B^WzBW分别为机体系的基向量xB\mathbf{x}_BxB、yB\mathbf{y}_ByB、zB\mathbf{z}_BzB在世界系下的坐标表达。pW\mathbf{p}^WpW为向量p\mathbf{p}p在世界系下的坐标表示。

再写成矩阵形式pW=xBWyBWzBWp1p2p3 \mathbf{p}^W = \begin{bmatrix} \mathbf{x}_B^W & \mathbf{y}_B^W & \mathbf{z}_B^W \end{bmatrix} \begin{bmatrix} p_1\\ p_2\\ p_3 \end{bmatrix} pW=xBWyBWzBW p1p2p3

记矩阵RBW=xBWyBWzBWR_B^W = \begin{bmatrix} \mathbf{x}_B^W & \mathbf{y}_B^W & \mathbf{z}_B^W \end{bmatrix}RBW=xBWyBWzBW

则结合上式可得

pW=RBW⋅pB\mathbf{p}^W = R_B^W \cdot \mathbf{p}^BpW=RBW⋅pB

观察该式的左右两侧可得,该式将向量p\mathbf{p}p在机体系中的坐标表示转换为在世界系中的坐标表示: RBWR_B^WRBW 是从机体系到世界系的旋转矩阵。

RBWR_B^WRBW 的三列,就是机体系的三个基向量在世界系下的坐标,也就是机体系三个坐标轴相对于世界系的方向。

相关推荐
Studying 开龙wu12 分钟前
2026年“华为杯”第二十三届中国研究生数学建模竞赛“D题:山区洪涝灾害下无人机运输与通信协同优化解答总结
数学建模·无人机
YOLO数据集集合1 小时前
风机叶片表面损伤检测数据集 | 风机叶片 表面损伤 污渍检测 无人机巡检 风电运维9119期
运维·人工智能·计算机视觉·目标跟踪·无人机·智慧城市·电力巡检
小O的算法实验室6 小时前
EAAI,面向电力巡检中固定基站的无人机周期性任务分配与路径规划的深度强化学习方法
无人机
YOLO数据集集合9 小时前
风机叶片缺陷检测数据集 | 风机叶片 缺陷检测 风电运维 无人机巡检 细粒度分类9126期
运维·分类·无人机·风电叶片·风力·叶片缺陷
An独行者9 小时前
融合生长阶段信息的深度学习:冬小麦叶片氮含量无人机高光谱估算新方法
人工智能·深度学习·无人机
YOLO数据集集合10 小时前
风力发电机检测数据集 | 风机检测 电缆塔识别 风电运维 无人机巡检 9122期
运维·人工智能·目标检测·目标跟踪·无人机·风力发电·电力巡检
mtouch33310 小时前
技术解析|无人机倾斜摄影3D模型全天候动态光照融合方案
人工智能·无人机·虚拟现实·电子沙盘·数字沙盘·无人机倾斜摄影
workflower1 天前
企业竞争要素变迁,智能型企业走向新四化
人工智能·机器学习·机器人·无人机·软件工程
Zentceh1 天前
夜间野生动物监测:AI全彩夜视+AI行为分析方案
图像处理·人工智能·科技·计算机视觉·车载系统·无人机·智能硬件
workflower7 天前
SSH(Struts+Spring+Hibernate)
人工智能·机器学习·机器人·云计算·无人机