2、坐标系定义：世界坐标系、物体坐标系、相机坐标系

做仿真这么多年，我越来越觉得坐标系这东西，就像我们说话时的「主语」——你搞不清主语是谁，整句话就乱了。坐标系定义不清楚，后面所有的变换计算都是空中楼阁。

今天咱们就把这三个最核心的坐标系掰扯清楚：世界坐标系、物体坐标系、相机坐标系。说白了，它们就是描述「东西在哪儿、朝哪儿看」的三套语言。

2.1 世界坐标系——整个场景的「绝对参考系」

世界坐标系，你可以把它想象成整个仿真世界的「大地基准」。不管你的物体怎么动、相机怎么转，世界坐标系是唯一不变的。

关键特征：

原点固定，通常定义在场景中心或某个方便的位置
三个轴（X, Y, Z）方向固定，一般遵循右手定则
所有其他坐标系最终都要转换到世界坐标系下统一处理

我个人习惯把世界坐标系的原点放在场景的地面中心，Y轴朝上。为什么？因为这样重力方向就是 -Y，处理物理仿真时特别直观。我在做自动驾驶仿真项目时，就吃过一次亏——有人把Z轴朝上，结果跟传感器数据对不上，排查了半天才发现是坐标系约定不一致。

  重要原则： 世界坐标系一旦定义好，整个团队必须统一遵守。换项目可以换约定，但一个项目内绝不能混用。

2.2 物体坐标系——每个物体自己的「小天地」

物体坐标系，也叫局部坐标系或模型坐标系。每个物体都有自己的坐标系，原点通常在物体的中心或某个关键点（比如车辆的质心）。

你想想看，一个机器人手臂有6个关节，每个关节都有自己的局部坐标系。如果都用世界坐标系来描述，那计算量会爆炸，而且代码根本没法维护。

物体坐标系的作用：

方便定义物体自身的几何形状和属性
简化旋转、缩放等局部变换
通过父子层级关系，实现复杂运动链

举个例子，一个汽车模型在物体坐标系下，车头指向 +X，左侧指向 +Y，车顶指向 +Z。当这辆车在世界坐标系中移动时，我们只需要维护一个「物体坐标系→世界坐标系」的变换矩阵，所有局部点都能快速算出全局位置。

我的经验： 定义物体坐标系时，尽量让坐标轴与物体的主要对称轴对齐。这样后续做碰撞检测、包围盒计算都会省很多事。

2.3 相机坐标系——从「谁在看」的角度描述世界

相机坐标系，说白了就是以相机为原点建立的一套坐标系。它的Z轴通常指向相机的观察方向（也就是镜头朝向），X轴指向相机的右侧，Y轴指向相机的上方。

为什么要单独搞一个相机坐标系？因为渲染管线最终需要知道「从相机视角看，物体在什么位置」。世界坐标系下的坐标，必须经过「视图变换」转到相机坐标系下，才能进行后续的投影和裁剪。

相机坐标系的定义要点：

原点：相机光心（镜头中心）
Z轴：观察方向（注意，OpenGL中Z轴指向屏幕外，即 -Z 方向）
X轴：相机右侧
Y轴：相机上方

嗯，这里要注意一个坑：不同的图形API对相机坐标系的约定不一样。OpenGL用的是右手系，Z轴指向屏幕外；DirectX用的是左手系，Z轴指向屏幕内。我曾经在项目里把这两个搞混了，结果渲染出来的场景整个是镜像的，找了三天bug才发现是坐标系符号反了。

避坑指南： 如果你同时使用多个图形库或仿真引擎，务必在代码入口处统一坐标系约定。建议写一个坐标系转换工具函数，把所有输入都转成内部统一格式。

2.4 三个坐标系的关系——一张图说清楚

这三个坐标系不是孤立的，它们通过变换矩阵串联在一起。下面这张图展示了它们之间的核心关系：

从这张图可以看得很清楚：物体坐标系通过「模型矩阵」变换到世界坐标系，世界坐标系再通过「视图矩阵」变换到相机坐标系。最后经过投影矩阵，才变成我们在屏幕上看到的画面。

2.5 代码示例：三个坐标系的定义与转换

下面我用Python和NumPy演示一下这三个坐标系的定义和基本转换。这段代码我在多个仿真项目中都用过，算是比较通用的模板。

import numpy as np

# ========== 1. 定义世界坐标系 ==========
# 世界坐标系原点 (0,0,0)，轴方向固定
world_origin = np.array([0.0, 0.0, 0.0])
world_x = np.array([1.0, 0.0, 0.0])
world_y = np.array([0.0, 1.0, 0.0])
world_z = np.array([0.0, 0.0, 1.0])

# ========== 2. 定义物体坐标系 ==========
# 假设物体在世界坐标系中的位置为 (5, 2, 0)，绕Y轴旋转30度
obj_pos = np.array([5.0, 2.0, 0.0])
theta = np.radians(30)

# 构建模型矩阵（物体→世界）
cos_t, sin_t = np.cos(theta), np.sin(theta)
rotation_y = np.array([
    [cos_t, 0, sin_t, 0],
    [0, 1, 0, 0],
    [-sin_t, 0, cos_t, 0],
    [0, 0, 0, 1]
])
translation = np.array([
    [1, 0, 0, obj_pos[0]],
    [0, 1, 0, obj_pos[1]],
    [0, 0, 1, obj_pos[2]],
    [0, 0, 0, 1]
])
model_matrix = translation @ rotation_y  # 注意顺序：先旋转再平移

# 物体局部点 (1, 0, 0) 在世界坐标系中的位置
local_point = np.array([1.0, 0.0, 0.0, 1.0])
world_point = model_matrix @ local_point
print(f"物体局部点 (1,0,0) 在世界坐标中的位置: {world_point[:3]}")

# ========== 3. 定义相机坐标系 ==========
# 相机位置在 (10, 5, 10)，看向原点
cam_pos = np.array([10.0, 5.0, 10.0])
target = np.array([0.0, 0.0, 0.0])
up = np.array([0.0, 1.0, 0.0])

# 构建视图矩阵（世界→相机）
def look_at(eye, center, up):
    f = (center - eye) / np.linalg.norm(center - eye)
    s = np.cross(f, up)
    s = s / np.linalg.norm(s)
    u = np.cross(s, f)
    
    view = np.eye(4)
    view[0, :3] = s
    view[1, :3] = u
    view[2, :3] = -f
    view[0, 3] = -np.dot(s, eye)
    view[1, 3] = -np.dot(u, eye)
    view[2, 3] = np.dot(f, eye)
    return view

view_matrix = look_at(cam_pos, target, up)

# 将世界坐标点转换到相机坐标系
camera_point = view_matrix @ world_point
print(f"世界点 {world_point[:3]} 在相机坐标系中的位置: {camera_point[:3]}")

小技巧： 写变换矩阵时，我习惯用4x4齐次坐标。虽然多了一维，但平移和旋转可以统一处理，代码更干净。另外，矩阵乘法的顺序千万别搞反——先缩放、再旋转、最后平移，这是铁律。

2.6 实际项目中的坐标系管理建议

我在几个大型仿真项目中总结了一些经验，分享给你：

统一约定写在项目文档第一页——哪个轴朝上、左手系还是右手系、角度单位用度还是弧度，这些必须白纸黑字写清楚。
写一个坐标系工具类——封装所有常见的变换操作，团队里所有人都用同一套代码，避免各自实现导致的不一致。
调试时可视化坐标系——在仿真场景中把三个坐标系的轴画出来（用红绿蓝三色表示XYZ），一眼就能看出问题。我见过太多因为坐标系搞反导致的bug，可视化是最快的排查手段。
注意浮点精度——多次变换累积后，矩阵可能会退化。定期对旋转矩阵做正交化，或者用四元数代替欧拉角，能避免很多诡异的问题。

血的教训： 我曾经在一个多传感器融合项目中，激光雷达和摄像头用了不同的坐标系约定（一个Z轴朝上，一个Y轴朝上）。标定数据看起来没问题，但融合结果总是飘的。最后发现是坐标系转换时少乘了一个旋转矩阵。从那以后，我要求所有传感器数据进入系统前，必须先过一道坐标系统一检查。

好了，关于三个坐标系的定义就聊到这儿。记住一句话：坐标系是仿真的「语法」，语法错了，句子再漂亮也没用。下一节咱们会深入讲变换矩阵的具体计算方法，到时候这些概念都会用上。

可可精品资料库

📚 课程目录

2、坐标系定义：世界坐标系、物体坐标系、相机坐标系

2.1 世界坐标系——整个场景的「绝对参考系」

2.2 物体坐标系——每个物体自己的「小天地」

2.3 相机坐标系——从「谁在看」的角度描述世界

2.4 三个坐标系的关系——一张图说清楚

2.5 代码示例：三个坐标系的定义与转换

2.6 实际项目中的坐标系管理建议