一、坐标变换基础：为什么需要坐标变换？从现实世界到数学模型的抽象

大家好，我是你们的老朋友。今天咱们聊聊坐标变换——这个在机器人学里绕不开的话题。

说实话，我刚开始接触机器人时，觉得坐标变换就是个数学游戏。不就是把点从一个坐标系挪到另一个坐标系嘛，有什么难的？直到我第一次调试机械臂，发现抓取精度差了整整5厘米……嗯，那之后我再也不敢小看它了。

1.1 现实世界中的“坐标系”

你想想看，我们生活在一个三维空间里。描述一个物体的位置，总得有个参考吧？

比如我说：“杯子在桌子右上角。” 这个“右上角”是相对于桌子而言的。如果桌子移动了，杯子的位置描述就变了。这就是坐标系的本质——一个用来描述位置的参考框架。

在机器人世界里，每个部件都有自己的“小世界”：

• 世界坐标系：整个场景的绝对参考，就像地球上的经纬度
• 机器人基座坐标系：固定在机器人底座上，描述机器人自身
• 末端执行器坐标系：固定在机械手爪上，描述抓取点
• 相机坐标系：以摄像头为原点，描述看到的物体
• 工件坐标系：固定在待加工零件上，描述加工特征

我在项目中遇到过最典型的场景：视觉引导抓取。相机看到工件在某个位置，但机器人得知道这个位置相对于自己基座在哪。这就涉及从相机坐标系到机器人基座坐标系的变换。

1.2 为什么不能只用一套坐标系？

你可能会问：干嘛这么麻烦？统一用世界坐标系不就行了？

好问题。但现实是：每个传感器和执行器都有自己的“视角”。

举个例子：

• 激光雷达测量的是“相对于雷达自身”的距离和角度
• IMU（惯性测量单元）测量的是“相对于自身”的加速度和角速度
• 电机编码器反馈的是“相对于电机轴”的旋转角度

如果强行把所有数据都转换到世界坐标系，你会遇到两个麻烦：

1. 精度损失：每次转换都有误差累积
2. 计算复杂：传感器数据更新频率高，实时转换开销大

我记得有一次做多传感器融合项目，为了省事把所有数据都转到世界坐标系。结果发现，IMU的加速度数据经过两次旋转后，噪声放大了三倍。后来我学乖了——只在需要的时候做变换，能少做就少做。

1.3 从现实到数学：抽象的过程

好了，现在咱们把现实问题抽象成数学模型。

一个坐标系在数学上由三部分组成：

• 原点：参考点位置
• 三个坐标轴：通常互相垂直（右手系）
• 尺度：单位长度

坐标变换要解决的就是：已知点P在坐标系A中的坐标，求它在坐标系B中的坐标。

这背后是两个基本操作：

• 旋转：坐标系方向不同，用旋转矩阵R表示
• 平移：坐标系原点不同，用平移向量t表示

合起来就是：P_B = R * P_A + t

说白了，就是先转方向，再挪位置。就这么简单。

1.4 知识体系总览

为了让你对整个章节有个宏观认识，我画了张图：

1.5 一个简单的例子

假设有个点P在坐标系A中坐标为(2, 3, 0)。坐标系B相对于A：

• 原点偏移了(1, 1, 0)
• 绕Z轴旋转了90度

那么P在B中的坐标是多少？

先旋转：绕Z轴转90度，旋转矩阵是：

R = [0  -1  0
     1   0  0
     0   0  1]

旋转后：R * (2, 3, 0) = (-3, 2, 0)

再平移：减去原点偏移 (-3-1, 2-1, 0-0) = (-4, 1, 0)

所以P在B中的坐标是(-4, 1, 0)。

1.6 为什么这对仿真环境很重要？

搭建仿真环境，说白了就是在计算机里复现现实世界的空间关系。

没有坐标变换，你连“机器人看到的东西在哪”都说不清楚。仿真里每个物体、每个传感器、每个关节，都需要用坐标系来定位。变换矩阵就是连接它们的桥梁。

我个人习惯是：在仿真开始前，先把所有坐标系的关系图画出来。哪个是父坐标系，哪个是子坐标系，变换链怎么走。画清楚了，代码写起来就顺了。

嗯，这一章就到这里。记住一句话：坐标变换不是数学负担，而是理解机器人空间关系的钥匙。