38、单位四元数与SO(3)中的旋转表示

单位四元数与SO(3)中的旋转表示

1. 四元数基础

四元数在旋转表示中有着重要的应用。早在1840年,Olinde Rodrigues就独立发现了相关公式,比Hamilton还要早几年。不过,Rodrigues使用的是不同的形式体系——齐次变换,且并未发现四元数。

对于矩阵 (X = \begin{pmatrix} a + ib & c + id \ -(c - id) & a - ib \end{pmatrix}),其中 (a, b, c, d \in R),可以立即验证 (XX^ = X^ X = (a^2 + b^2 + c^2 + d^2)I),并且 (X^ = \begin{pmatrix} a - ib & -(c + id) \ c - id & a + ib \end{pmatrix} = a1 - bi - cj - dk)。这意味着如果 (X \neq 0),那么 (X) 是可逆的,其逆为 (X^{-1} = (a^2 + b^2 + c^2 + d^2)^{-1}X^ )。由此可以验证,四元数集合 (H) 是一个斜域(非交换域),同时它也是一个四维实向量空间,基为 ((1, i, j, k)),所以作为向量空间,(H) 与 (R^4) 同构。

四元数 (X) 可以简洁地表示为 (X = [a, (b, c, d)]),其中 (a) 称为 (X) 的标量部分,((b, c, d)) 称为向量部分。(X) 的共轭四元数 (X^* = [a, -(b, c, d)]),通常记为 (\overline{X})。如果 (q) 是单位四元数,那么 (q) 是 (q) 的乘法逆元。

2. SU(2) 中单位四元数对 SO(3) 旋转的表示

单位四元数表示 (SO(3)) 中旋转的关键在于 (SU(2)) 的伴随表示,这是一种群同态。

首先定义 (2\times2) 零迹斜Hermitian矩阵的实向量空间 (su(2)):
(su(2) = \left{ \begin{pmatrix} ix & y + iz \ -y + iz & -ix \end{pmatrix} \mid (x, y, z) \in R^3 \right})

对于任意矩阵 (A \in su(2)),有 (A^* = -A)(即 (A) 是斜Hermitian矩阵)且 (tr(A) = 0)。

(SU(2)) 的伴随表示定义为群同态 (Ad: SU(2) \to GL(su(2))),对于任意 (q = \begin{pmatrix} \alpha & \beta \ -\beta & \alpha \end{pmatrix} \in SU(2)),(Ad_q(A) = qAq^ ),其中 (A \in su(2)),(q^ ) 是 (q) 的逆(因为 (SU(2)) 是酉群),(q^* = \begin{pmatrix} \alpha & -\beta \ \beta & \alpha \end{pmatrix})。可以验证 (Ad_q) 是从 (su(2)) 到自身的可逆线性映射,且 (Ad) 是群同态。

为了将 (q) 与 (SO(3)) 中的旋转 (\rho_q) 关联起来,需要将 (R^3) 作为纯四元数嵌入到 (H) 中,通过 (\psi(x, y, z) = \begin{pmatrix} ix & y + iz \ -y + iz & -ix \end{pmatrix}),((x, y, z) \in R^3)。则 (q) 定义了 (R^3) 上的映射 (\rho_q(x, y, z) = \psi^{-1}(q\psi(x, y, z)q^*))。在同构 (\psi) 下,线性映射 (\rho_q) 就是线性同构 (Ad_q),并且可以证明 (\rho_q) 是一个旋转。

技术上,将 (R^3) 嵌入到零迹Hermitian矩阵的实向量空间中会更简单:
(\left{ \begin{pmatrix} x & z - iy \ z + iy & -x \end{pmatrix} \mid x, y, z \in R \right})

因为矩阵 (\psi(x, y, z)) 是斜Hermitian的,所以 (-i\psi(x, y, z)) 是Hermitian的,且 (-i\psi(x, y, z) = \begin{pmatrix} x & z - iy \ z + iy & -x \end{pmatrix} = x\sigma_3 + y\sigma_2 + z\sigma_1),其中 (\sigma_1 = \begin{pmatrix} 0 & 1 \ 1 & 0 \end{pmatrix}),(\sigma_2 = \begin{pmatrix} 0 & -i \ i & 0 \end{pmatrix}),(\sigma_3 = \begin{pmatrix} 1 & 0 \ 0 & -1 \end{pmatrix}) 是Pauli自旋矩阵。

单位四元数 (q \in SU(2)) 诱导了 (R^3) 上的映射 (r_q):
(r_q(x, y, z) = \phi^{-1}(q\phi(x, y, z)q^ ) = \phi^{-1}(q(x\sigma_3 + y\sigma_2 + z\sigma_1)q^ )),其中 (\phi(x, y, z) = x\sigma_3 + y\sigma_2 + z\sigma_1),且 (\phi = -i\psi),(\phi^{-1} = i\psi^{-1})。

可以证明对于任意单位四元数 (q \in SU(2)),线性映射 (r_q) 是正交的,即 (r_q \in O(3))。进一步通过寻找 (r_q) 的不动点,可以证明 (r_q) 是一个旋转。具体来说,设 (q = \begin{pmatrix} \alpha & \beta \ -\beta & \alpha \end{pmatrix}),(\alpha = a + ib),(\beta = c + id),且 (a^2 + b^2 + c^2 + d^2 = 1)。如果 ((b, c, d) \neq (0, 0, 0)),则 (r_q) 的不动点是线性系统 (\begin{cases} -dy + cz = 0 \ cx - by = 0 \ dx - bz = 0 \end{cases}) 的解,该线性系统有非平凡解 ((b, c, d)) 且秩为2,所以 (r_q) 有特征值1,重数为1,其旋转轴由 ((b, c, d)) 确定。

映射 (r: SU(2) \to SO(3)),(q \mapsto r_q) 是一个群同态,其核为 ({I, -I})。虽然 (r) 是满射,但这并不明显,后续将在明确表示 (r_q) 的矩阵后再进行讨论。

3. 旋转 (r_q) 的矩阵表示

给定单位四元数 (q = \begin{pmatrix} \alpha & \beta \ -\beta & \alpha \end{pmatrix}),(\alpha = a + ib),(\beta = c + id),且 (a^2 + b^2 + c^2 + d^2 = 1),为了找到表示旋转 (r_q) 的矩阵,需要计算 (q(x\sigma_3 + y\sigma_2 + z\sigma_1)q^*)。

经过一系列计算可得:
(x’ = (a^2 + b^2 - c^2 - d^2)x + 2(bc - ad)y + 2(ac + bd)z)
(y’ = 2(ad + bc)x + (a^2 - b^2 + c^2 - d^2)y + 2(-ab + cd)z)
(z’ = 2(-ac + bd)x + 2(ab + cd)y + (a^2 - b^2 - c^2 + d^2)z)

表示 (r_q) 的矩阵为:
(R_q = \begin{pmatrix} a^2 + b^2 - c^2 - d^2 & 2bc - 2ad & 2ac + 2bd \ 2bc + 2ad & a^2 - b^2 + c^2 - d^2 & -2ab + 2cd \ -2ac + 2bd & 2ab + 2cd & a^2 - b^2 - c^2 + d^2 \end{pmatrix})

由于 (a^2 + b^2 + c^2 + d^2 = 1),该矩阵也可写为:
(R_q = \begin{pmatrix} 2a^2 + 2b^2 - 1 & 2bc - 2ad & 2ac + 2bd \ 2bc + 2ad & 2a^2 + 2c^2 - 1 & -2ab + 2cd \ -2ac + 2bd & 2ab + 2cd & 2a^2 + 2d^2 - 1 \end{pmatrix})

这就是由四元数 (q) 诱导的Euler形式的旋转矩阵,对应于 (\rho_q),因为 (r_q = \rho_q)。

下面用表格总结一些关键信息:
| 概念 | 定义或表达式 |
| ---- | ---- |
| 四元数 (X) | (X = [a, (b, c, d)]) |
| (su(2)) | (su(2) = \left{ \begin{pmatrix} ix & y + iz \ -y + iz & -ix \end{pmatrix} \mid (x, y, z) \in R^3 \right}) |
| 伴随表示 (Ad_q(A)) | (Ad_q(A) = qAq^*),(q \in SU(2)),(A \in su(2)) |
| 旋转 (r_q) 的矩阵 (R_q) | (R_q = \begin{pmatrix} a^2 + b^2 - c^2 - d^2 & 2bc - 2ad & 2ac + 2bd \ 2bc + 2ad & a^2 - b^2 + c^2 - d^2 & -2ab + 2cd \ -2ac + 2bd & 2ab + 2cd & a^2 - b^2 - c^2 + d^2 \end{pmatrix}) |

mermaid流程图如下:

graph TD;
    A[单位四元数 \(q\)] --> B[伴随表示 \(Ad_q\)];
    B --> C[旋转 \(\rho_q\) 或 \(r_q\)];
    C --> D[旋转矩阵 \(R_q\)];
4. 寻找表示旋转的四元数的算法

已知同态 (r: SU(2) \to SO(3)) 是满射,下面给出寻找表示旋转矩阵 (R) 的单位四元数 (q) 的算法。

设 (q = \begin{pmatrix} a + ib & c + id \ -(c - id) & a - ib \end{pmatrix}),(a^2 + b^2 + c^2 + d^2 = 1)。

首先,(R_q) 的迹 (tr(R_q) = 3a^2 - b^2 - c^2 - d^2 = 4a^2 - 1),所以 (a^2 = \frac{tr(R_q) + 1}{4})。对于任意旋转矩阵 (R \in SO(3)),若 (R = \begin{pmatrix} r_{11} & r_{12} & r_{13} \ r_{21} & r_{22} & r_{23} \ r_{31} & r_{32} & r_{33} \end{pmatrix}),要找到 (q \in SU(2)) 使得 (R_q = R),则 (a^2 = \frac{tr(R) + 1}{4})。又因为 (tr(R) = 1 + 2\cos\theta),(\theta \in [0, \pi]) 是旋转 (R) 的角度,所以 (a^2 = \frac{\cos\theta + 1}{2} = \cos^2(\frac{\theta}{2})),即 (|a| = \cos(\frac{\theta}{2}))。

分两种情况讨论:
- 情况1:(tr(R) \neq -1)(即 (\theta \neq \pi)) :此时 (a \neq 0),取 (a = \sqrt{\frac{tr(R) + 1}{2}})。通过比较 (R - R^T) 和 (R_q - R_q^T),可得 (4ab = r_{32} - r_{23}),(4ac = r_{13} - r_{31}),(4ad = r_{21} - r_{12}),从而 (b = \frac{r_{32} - r_{23}}{4a}),(c = \frac{r_{13} - r_{31}}{4a}),(d = \frac{r_{21} - r_{12}}{4a})。
- 情况2:(tr(R) = -1)(即 (\theta = \pi)) :此时 (a = 0)。通过比较 (R + R^T) 和 (R_q + R_q^T),可得 (4bc = r_{21} + r_{12}),(4bd = r_{13} + r_{31}),(4cd = r_{32} + r_{23})。再比较 (R) 和 (R_q) 的对角项,可得 (b^2 = \frac{1 + r_{11}}{2}),(c^2 = \frac{1 + r_{22}}{2}),(d^2 = \frac{1 + r_{33}}{2})。因为 (q \neq 0) 且 (a = 0),至少有一个 (b, c, d) 不为零。
- 若 (b \neq 0),取 (b = \sqrt{\frac{1 + r_{11}}{2}}),并根据 (4bc = r_{21} + r_{12}) 和 (4bd = r_{13} + r_{31}) 确定 (c) 和 (d)。
- 若 (c \neq 0),取 (c = \sqrt{\frac{1 + r_{22}}{2}}),并根据 (4bc = r_{21} + r_{12}) 和 (4cd = r_{32} + r_{23}) 确定 (b) 和 (d)。
- 若 (d \neq 0),取 (d = \sqrt{\frac{1 + r_{33}}{2}}),并根据 (4bd = r_{13} + r_{31}) 和 (4cd = r_{32} + r_{23}) 确定 (b) 和 (c)。

需要注意的是,在计算平方根时,若取负号会得到四元数 (-q),但 (q) 和 (-q) 确定相同的旋转 (r_q)。

这种根据 (tr(R)) 的不同情况进行讨论的方法与使用Rodrigues公式寻找旋转矩阵的对数的过程类似。若 (B = \begin{pmatrix} 0 & -u_3 & u_2 \ u_3 & 0 & -u_1 \ -u_2 & u_1 & 0 \end{pmatrix}),(\theta = \sqrt{u_1^2 + u_2^2 + u_3^2})((0 \leq \theta \leq \pi)),Rodrigues公式为 (e^B = I + \frac{\sin\theta}{\theta}B + \frac{1 - \cos\theta}{\theta^2}B^2)((\theta \neq 0)),(e^0 = I),且 (tr(e^B) = 1 + 2\cos\theta)。对应于旋转 (R = e^B)((B \neq 0))的四元数 (q = \left[ \cos(\frac{\theta}{2}), \sin(\frac{\theta}{2}) \left(\frac{u_1}{\theta}, \frac{u_2}{\theta}, \frac{u_3}{\theta}\right) \right])。

从几何角度看,群 (SU(2)) 同胚于 (R^4) 中的三维球面 (S^3 = {(x, y, z, t) \in R^4 \mid x^2 + y^2 + z^2 + t^2 = 1})。由于满同态 (r: SU(2) \to SO(3)) 的核为 ({I, -I}),作为拓扑空间,(SO(3)) 同胚于通过将 (S^3) 中对径点 ((x, y, z, t)) 和 (-(x, y, z, t)) 等同得到的商空间,即实射影空间 (RP^3),它比 (S^3) 更复杂,(S^3) 是单连通的,而 (RP^3) 不是。

5. 指数映射 (\exp: su(2) \to SU(2))

对于任意矩阵 (A \in su(2)),(A = \begin{pmatrix} iu_1 & u_2 + iu_3 \ -u_2 + iu_3 & -iu_1 \end{pmatrix}),有 (A^2 = -\theta^2 \begin{pmatrix} 1 & 0 \ 0 & 1 \end{pmatrix}),其中 (\theta = \sqrt{u_1^2 + u_2^2 + u_3^2})。则有公式 (e^A = \cos\theta I + \frac{\sin\theta}{\theta}A)((\theta \neq 0)),(e^0 = I)。这表明指数映射 (\exp: su(2) \to SU(2)) 是存在的,它类似于指数映射 (\exp: so(3) \to SO(3))。

若假设 (u = (u_1, u_2, u_3)) 是单位向量,即 (det(A) = 1),则 (A^2 = -I),公式变为 (e^{\theta A} = \cos\theta I + \sin\theta A),用四元数表示为 (e^{\theta A} = [\cos\theta, \sin\theta u])。

指数映射 (\exp: su(2) \to SU(2)) 是满射,下面给出寻找单位四元数 (q = \begin{pmatrix} \alpha & \beta \ -\beta & \alpha \end{pmatrix})((\alpha = a + bi),(\beta = c + id))的对数 (A \in su(2)) 的算法:
- 若 (q = I)(即 (a = 1)),则 (A = 0)。
- 若 (q = -I)(即 (a = -1)),则 (A = \pm\pi \begin{pmatrix} i & 0 \ 0 & -i \end{pmatrix})。
- 否则,(a \neq \pm 1) 且 ((b, c, d) \neq (0, 0, 0)),寻找 (A = \theta B \in su(2)),(det(B) = 1),(0 < \theta < \pi),使得 (q = e^{\theta B} = \cos\theta I + \sin\theta B)。设 (B = \begin{pmatrix} iu_1 & u_2 + iu_3 \ -u_2 + iu_3 & -iu_1 \end{pmatrix}),(u = (u_1, u_2, u_3)) 是单位向量,则有 (a = \cos\theta),(e^{\theta B} - (e^{\theta B})^ = q - q^ )。因为 (0 < \theta < \pi),(\sin\theta \neq 0),可得 (u_1 = \frac{1}{\sin\theta}b),(u_2 + iu_3 = \frac{1}{\sin\theta}(c + id)),即 (\cos\theta = a),((u_1, u_2, u_3) = \frac{1}{\sin\theta}(b, c, d))。由于 (a^2 + b^2 + c^2 + d^2 = 1) 且 (a = \cos\theta),向量 (\frac{(b, c, d)}{\sin\theta}) 是单位向量。若四元数 (q = [\cos\theta, \sin\theta u]),则 (A = \theta \begin{pmatrix} iu_1 & u_2 + iu_3 \ -u_2 + iu_3 & -iu_1 \end{pmatrix}) 是 (q) 的对数。

表格总结指数映射相关信息:
| 情况 | 四元数 (q) | 对数 (A) |
| ---- | ---- | ---- |
| (q = I) | (a = 1) | (A = 0) |
| (q = -I) | (a = -1) | (A = \pm\pi \begin{pmatrix} i & 0 \ 0 & -i \end{pmatrix}) |
| 其他 | (a \neq \pm 1) 且 ((b, c, d) \neq (0, 0, 0)) | (A = \theta B),(det(B) = 1),(0 < \theta < \pi),(u_1 = \frac{1}{\sin\theta}b),(u_2 + iu_3 = \frac{1}{\sin\theta}(c + id)) |

mermaid流程图如下:

graph TD;
    E[单位四元数 \(q\)] --> F{特殊情况};
    F -- \(q = I\) --> G[\(A = 0\)];
    F -- \(q = -I\) --> H[\(A = \pm\pi \begin{pmatrix} i & 0 \\ 0 & -i \end{pmatrix}\)];
    F -- 其他 --> I[计算 \(A = \theta B\)];

通过以上内容,我们详细介绍了单位四元数在表示 (SO(3)) 中旋转的相关理论、矩阵表示、寻找表示旋转的四元数的算法以及指数映射等内容,这些知识在计算机图形学、机器人学等领域有着重要的应用。

单位四元数与SO(3)中的旋转表示

6. 算法总结与实际应用

前面介绍了寻找表示旋转矩阵的四元数的算法以及指数映射相关内容,下面对这些算法进行总结,并探讨其在实际中的应用。

寻找表示旋转矩阵的四元数算法总结 :
1. 计算旋转矩阵 (R) 的迹 (tr(R))。
2. 根据 (tr(R)) 的值分情况讨论:
- 若 (tr(R) \neq -1):
- 计算 (a = \sqrt{\frac{tr(R) + 1}{2}})。
- 通过比较 (R - R^T) 和 (R_q - R_q^T) 计算 (b = \frac{r_{32} - r_{23}}{4a}),(c = \frac{r_{13} - r_{31}}{4a}),(d = \frac{r_{21} - r_{12}}{4a})。
- 若 (tr(R) = -1):
- 确定至少一个非零的 (b, c, d)。
- 若 (b \neq 0),取 (b = \sqrt{\frac{1 + r_{11}}{2}}),根据 (4bc = r_{21} + r_{12}) 和 (4bd = r_{13} + r_{31}) 确定 (c) 和 (d)。
- 若 (c \neq 0),取 (c = \sqrt{\frac{1 + r_{22}}{2}}),根据 (4bc = r_{21} + r_{12}) 和 (4cd = r_{32} + r_{23}) 确定 (b) 和 (d)。
- 若 (d \neq 0),取 (d = \sqrt{\frac{1 + r_{33}}{2}}),根据 (4bd = r_{13} + r_{31}) 和 (4cd = r_{32} + r_{23}) 确定 (b) 和 (c)。

指数映射求对数算法总结 :
1. 对于单位四元数 (q = \begin{pmatrix} \alpha & \beta \ -\beta & \alpha \end{pmatrix}),判断 (q) 的值:
- 若 (q = I),则 (A = 0)。
- 若 (q = -I),则 (A = \pm\pi \begin{pmatrix} i & 0 \ 0 & -i \end{pmatrix})。
- 若 (a \neq \pm 1) 且 ((b, c, d) \neq (0, 0, 0)):
- 寻找 (A = \theta B \in su(2)),(det(B) = 1),(0 < \theta < \pi)。
- 由 (a = \cos\theta) 确定 (\theta)。
- 根据 (e^{\theta B} - (e^{\theta B})^ = q - q^ ) 计算 (u_1 = \frac{1}{\sin\theta}b),(u_2 + iu_3 = \frac{1}{\sin\theta}(c + id))。

实际应用 :
- 计算机图形学 :在三维图形的旋转操作中,单位四元数可以避免欧拉角表示法中出现的万向锁问题,提供更平滑和稳定的旋转效果。通过将旋转矩阵转换为四元数,可以方便地进行旋转的插值和组合操作。
- 机器人学 :机器人的关节运动通常涉及到三维空间中的旋转。使用四元数表示旋转可以更高效地进行运动规划和控制,减少计算量和误差积累。

7. 四元数与其他旋转表示方法的比较

除了四元数表示法,常见的旋转表示方法还有欧拉角和旋转矩阵。下面对它们进行比较。

表示方法 优点 缺点
四元数 避免万向锁问题,插值计算简单,计算效率高 物理意义不如欧拉角直观,需要额外的归一化操作
欧拉角 物理意义直观,易于理解和解释 存在万向锁问题,插值计算复杂
旋转矩阵 可以直接应用于向量的旋转计算,易于与其他线性变换组合 存储和计算量较大,不便于进行插值操作

从表格中可以看出,四元数在旋转表示方面具有独特的优势,尤其在需要进行平滑插值和避免万向锁的场景中表现出色。

8. 进一步的研究方向

虽然单位四元数在旋转表示中已经有了广泛的应用,但仍有一些值得进一步研究的方向。

  • 高效算法优化 :目前的算法在处理大规模数据或实时应用时可能存在性能瓶颈。可以研究更高效的算法,减少计算量和内存占用。
  • 多旋转组合问题 :在实际应用中,可能需要对多个旋转进行组合。如何更高效地进行多旋转的组合和插值是一个有待解决的问题。
  • 与其他数学工具的结合 :可以探索将四元数与其他数学工具,如李群、李代数等相结合,以获得更深入的理论理解和更强大的应用能力。
9. 总结

本文详细介绍了单位四元数在表示 (SO(3)) 中旋转的相关理论和方法。从四元数的基础定义出发,阐述了 (SU(2)) 中单位四元数对 (SO(3)) 旋转的表示,包括伴随表示、旋转矩阵的推导以及寻找表示旋转的四元数的算法。同时,还介绍了指数映射和四元数与其他旋转表示方法的比较。

单位四元数作为一种强大的旋转表示工具,在计算机图形学、机器人学等领域有着重要的应用。通过深入理解和掌握四元数的相关知识,可以更好地解决实际中的旋转问题,提高算法的性能和稳定性。

mermaid流程图总结整个流程:

graph LR;
    A[旋转矩阵 \(R\)] --> B{计算 \(tr(R)\)};
    B -- \(tr(R) \neq -1\) --> C[计算 \(a, b, c, d\)];
    B -- \(tr(R) = -1\) --> D[确定 \(b, c, d\)];
    C --> E[得到四元数 \(q\)];
    D --> E;
    E --> F{判断 \(q\) 的值};
    F -- \(q = I\) --> G[\(A = 0\)];
    F -- \(q = -I\) --> H[\(A = \pm\pi \begin{pmatrix} i & 0 \\ 0 & -i \end{pmatrix}\)];
    F -- 其他 --> I[计算 \(A = \theta B\)];
    G --> J[应用于实际场景];
    H --> J;
    I --> J;

通过以上内容,我们对单位四元数在旋转表示中的应用有了全面的了解,希望这些知识能为相关领域的研究和应用提供有益的参考。

相关推荐

NeuroPINN:脉冲神经网络与物理信息学习的高效能效融合

物理信息神经网络(PINN)在科学计算领域展现出强大的偏微分方程求解能力,但其高能耗问题限制了实际应用。脉冲神经网络(SNN)通过生物启发的稀疏脉冲传递机制,为解决这一问题提供了新思路。NeuroPINN框架创新性地将SNN与PINN结合,通过变脉冲神经元(VSN)的动态阈值调节和多时间步积分机制,显著降低了计算能耗。该技术在三维弹性微力学等复杂场景中,突触操作能耗降低至传统方法的29%-58%,同时保持L2相对误差在3%以内。这种融合方法不仅提升了能效,还为材料科学、多物理场耦合等工程问题提供了新的解决方

weixin_29063979的博客 286

STM32+MPU6050四元数姿态解算:抗漂移、低资源、高鲁棒实现

四元数是三维旋转的数学表示,通过单位超球面映射避免欧拉角的万向节死锁问题;其核心动力学模型为微分方程q̇ = 1/2 Ω(ω)q,需结合陀螺仪积分与加速度计重力约束进行数值求解。在嵌入式场景中,计算资源受限与传感器漂移构成双重挑战——四元数解算的关键价值不在于‘精度绝对值’,而在于长期‘不发散’的鲁棒性。典型应用如无人机云台、平衡车、可穿戴设备等,均依赖轻量级在线零偏估计、快速归一化及无奇点控制误差提取。本文聚焦STM32裸机环境下MPU6050的四元数姿态推演实践,覆盖RK1积分、PI型零偏补偿、牛顿迭代

weixin_29191081的博客 294

6D物体姿态估计的PyTorch混合表示实战

6D物体姿态估计是计算机视觉与机器人交互的核心基础任务,指同时求解物体在三维空间中的3D旋转与3D平移。其技术本质涉及李群SO(3)约束建模、旋转表示可微性保障及端到端优化稳定性。主流方法需权衡数学严谨性与工程落地性:旋转矩阵违反正交约束,欧拉角存在万向节死锁,四元数归一化易引发梯度异常——而轴角+平移等混合表示凭借李代数so(3)天然适配性、轻量约束设计与PyTorch原生可导实现,成为工业级部署的关键路径。本文聚焦6D姿态估计,深入解析轴角表示原理、Rodrigues公式可导实现及双分支网络头设计,覆盖

weixin_29029995的博客 146

GPS+IMU数据融合MATLAB实现:卡尔曼滤波与组合导航实战解析

在无人车、机器人和低空飞行器定位中,单一传感器往往难以满足连续可靠的导航需求。GPS输出频率低且易受遮挡,IMU短期精度高但积分误差会随时间累积。卡尔曼滤波正是解决这类多源传感器融合问题的经典方法,其通过状态预测与量测更新,动态权衡GPS和IMU的可信度,实现优势互补。这种组合导航技术已成为智能系统定位的核心方案之一。使用MATLAB搭建松耦合的GPS+IMU融合程序,能够帮助工程师快速理解惯性导航递推、姿态更新(四元数)、坐标对齐及滤波器调参的完整流程,是验证算法、排查工程问题的高效实践路径。本文以实际代

weixin_33417488的博客 196

GPS+IMU数据融合实战:基于MATLAB的EKF组合导航实现

传感器融合是实现高精度定位的关键技术。GPS提供绝对位置但更新率低且易受遮挡,IMU高频输出但存在累积漂移。通过扩展卡尔曼滤波将两者结合,用绝对观测抑制积分漂移,用高频惯性数据填补观测空白,可显著提升连续性和鲁棒性。该技术在自动驾驶、机器人导航和组合导航系统中应用广泛。基于MATLAB搭建松耦合融合框架,涵盖坐标转换、时间同步与EKF核心实现,帮助工程人员快速验证多传感器融合算法。

weixin_34348174的博客 388

ZYNQ RFSoC 的DAC如何做到从 0到Fs频段 信号输出

之前一直没太了解 RFSoC 的DAC如何输出在 Fs/2 到 Fs 频率范围内的信号,例如 ZCU216中的 ZU49DR,其RF-DAC最大采样率是 9.85GSPS,如果想输出的信号中心频率在5.8G,它是如何有效输出在第二奈奎斯特区域范围的信号的。

weixin_44630490的博客 1561

从Delta Delay到Timing Window:详解数字芯片后端时序差异的那些坑

本文深入剖析了数字芯片后端设计中,模块级与系统级时序分析结果不一致的核心原因。重点解释了Delta Delay如何导致模块级分析的乐观假设,以及Timing Window(时序窗口)差异如何通过影响串扰噪声计算,在顶层集成时引发新的时序违例,尤其是保持时间问题。文章为工程师提供了从约束建模到签核策略的系统性应对方案。

beer8的博客 502

从零开始:如何用Python手绘波特图并分析电路稳定性

本文详细介绍了如何使用Python绘制波特图并分析电路稳定性,涵盖从基础理论到实际应用的完整流程。通过NumPy和Matplotlib实现频域分析,包括RC低通滤波器和RLC带通滤波器的案例,以及相位裕度计算等高级技巧,为电子工程师提供了一套高效的电路分析解决方案。

hhh00的博客 375

爬取信用中国里面的行政处罚

result字段名为行政处罚文书号、处罚决定日期、处罚内容、处罚金额、违法事实、处罚机关、公司名称,行政处罚次数。file_path=r'E:\Data analyze\python\行政处罚爬虫/'#路径需要按实际修改。writer = pd.ExcelWriter('统计.xlsx')# 写入Excel文件。src_workbook=file_path+r'行政处罚(名单).xls' #表格名称也要更改。# keyword = input("输入爬取的公司全称必须是全称")

qq_42863025的博客 1683

Python爬取小红书种草商品评论数据:从入门到实战全攻略(附反爬+情感分析方案)

Python爬取小红书种草商品评论数据,核心是“抓包找到正确的接口+处理登录验证+合理的反爬策略”。新手不用一开始就追求多笔记批量爬取和情感分析,先把单笔记的评论抓取和存储跑通,再逐步扩展功能。我做的这个系统现在每天帮朋友爬取3-5款美妆产品的评论,自动做情感分析和关键词提取,她再也不用手动翻评论了,效率提升了80%。如果你们在开发中遇到具体问题,比如接口找不到、Cookie过期、IP被封,都可以在评论区留言,我会一一解答。后续也可以出一期小红书笔记种草数据爬取的教程,帮助大家更全面地分析竞品数据。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1358

微信小程序 - 最新图片组拖拽排序更换位置功能,类似微信朋友圈九宫格图片的拖动排序效果,微信小程序实现九宫格图片拖拽调换位置,小程序详细实现图像拖曳拖动切换位置排序功能(详细示例代码,一键复制开箱即用

微信小程序,wechat,小程序,图片排序,图像排序,九宫格拖拽排序,拖曳,拖动,拖拽,仿微信朋友圈,朋友圈宫格图片排序,微信朋友圈图片拖动排序效果,实现九宫格图片拖拽,图像拖拽排序组件插件,小程序实现拖拽图片切换图片位置,图片拖动互换位置,图像拖拽切换位置,九宫格图片组合拖动排序,交换九宫格图片的位置,小程序上传图片后,如何实现拖拽排序功能,小程序怎么实现图片拖拽排序,微信小程序图片上传,九宫格拖拽组件,选择图片并拖动_微信小程序图片拖拽,微信小程序长按拖拽排序,图像的拖拽移动,多图拖拽排序功能,实现九宫

✅ 精选推荐文章 4460

『MaxKB 2.x 开发环境搭建』在Windows下运行最新源码的完整步骤

本文将详细介绍如何在Windows系统中完成MaxKB最新版(2.x)开发环境的搭建,包括前端、后端以及数据库的配置,确保开发者能够顺利启动项目。

老陈聊架构 590

基于simulink的车道保持辅助系统(LKA)的仿真与实现

本文介绍了如何利用Simulink实现车道保持辅助系统(LKA)的仿真与建模。首先对比了车道偏离预警(LDW)和LKA的功能差异,强调LKA的主动干预特性。接着详细阐述了LKA系统架构,包括环境感知、决策控制等核心组件,并基于自行车模型建立车辆横向动力学方程。 文章重点演示了Simulink建模步骤:搭建车辆动力学模型、设计LKA控制器(采用LQR算法)、实现执行器接口和驾驶员干预检测。通过四个典型场景的仿真测试,验证了系统在直道行驶、弯道跟踪等工况下的控制性能,并给出了关键评价指标。最后展望了MPC控制、

amy_mhd的博客 229

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: 1、自动驾驶技术教学:模块化与集成化方法
下一篇: 2、自动驾驶技术全面解析
x8y9z0
博客等级 码龄3年 682粉丝 1652原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值