1、坐标变换基础：为什么机器人需要坐标变换？TF树的基本概念
做机器人这么多年，我经常被新人问一个问题：「为什么机器人需要坐标变换？」
嗯，这个问题其实挺关键的。你想想看，一个机器人身上有那么多传感器——激光雷达、摄像头、IMU、轮式里程计。每个传感器都有自己的「视角」，也就是自己的坐标系。激光雷达看到的是「前方2米有障碍」，摄像头看到的是「像素坐标(320,240)处有特征点」，轮式里程计告诉你「我走了1米」。
这些数据如果不统一到一个坐标系下，那就是鸡同鸭讲。说白了，坐标变换就是让机器人各个部件能「说同一种语言」。
1.1 一个简单的例子
我在项目中遇到过这样一个场景：一台AGV小车，激光雷达装在车头右前方。雷达检测到障碍物，返回坐标是(0.5, 0.3)。这个坐标是相对于雷达自己的。
但机器人要避障，需要知道这个障碍物相对于车体中心的位置。这时候就需要坐标变换——把雷达坐标系下的点，转换到车体坐标系下。
核心思想：坐标变换就是描述「一个点在不同坐标系下的坐标值之间的关系」。
1.2 什么是TF树？
TF树，全称是Transform Tree。我习惯叫它「坐标变换树」。它本质上是一个树状数据结构，用来描述机器人各个坐标系之间的相对位置和姿态关系。
举个例子，一个典型的机器人TF树可能是这样的：
map
└── odom
└── base_link
├── laser_frame
├── camera_frame
└── imu_frame每个节点代表一个坐标系，每条边代表两个坐标系之间的变换关系（平移+旋转）。
为什么是树结构？因为树结构能保证任意两个坐标系之间只有一条路径。这样计算变换时就不会有歧义。我记得有一次调试，发现TF树里出现了环，结果坐标变换直接崩了——嗯，这是个经典坑，后面会细说。
1.3 坐标变换的数学本质
说白了，坐标变换就是矩阵乘法。一个3D坐标变换可以用一个4x4的齐次变换矩阵表示：
T = [ R t ]
[ 0 1 ]其中R是3x3旋转矩阵，t是3x1平移向量。
假设点P在坐标系A下的坐标为P_A，在坐标系B下的坐标为P_B，那么：
P_B = T_B_A * P_A这里的T_B_A就是从A到B的变换矩阵。
我的习惯：写代码时，我总会在变量名里标明坐标系。比如 point_in_laser、point_in_base。这样一眼就能看出数据在哪个坐标系下，避免搞混。
1.4 TF树的核心作用
TF树在机器人系统里到底干了什么？我总结了几点：
- 统一数据源：把不同传感器的数据统一到同一个坐标系下
- 支持多传感器融合：比如激光SLAM和视觉SLAM的结果可以互相转换
- 实现运动规划：规划器需要知道机器人各个部件在世界坐标系下的位置
- 提供时间戳管理：TF树里的每个变换都带有时间戳，支持历史查询
1.5 常见的坐标系
做机器人这么久，我见过的坐标系命名五花八门。但有几个是通用的：
| 坐标系名称 | 含义 | 典型用途 |
|---|---|---|
| map | 世界地图坐标系 | 全局定位、路径规划 |
| odom | 里程计坐标系 | 局部里程计数据 |
| base_link | 机器人本体坐标系 | 控制、运动学计算 |
| laser_frame | 激光雷达坐标系 | 激光点云数据 |
| camera_frame | 摄像头坐标系 | 图像数据 |
注意：我曾经遇到一个坑——odom和map坐标系的关系搞反了。结果机器人定位时一直在原地打转。排查了整整一天才发现是TF树里发布错了变换方向。所以发布TF时，一定要搞清楚「从谁到谁」。
1.6 知识体系总览
下面这张图是我自己画的，把坐标变换的核心知识点串了起来：
1.7 避坑指南
最后，分享几个我踩过的坑：
- 坐标系方向搞反：ROS里常用右手坐标系，但有些传感器用的是左手系。转换时一定要确认。
- 忘记更新TF：机器人动了，TF树没更新。结果规划器以为机器人还在原地。
- 时间戳不同步：不同传感器的数据时间戳差太多，变换出来的位置是错的。
我的建议：刚开始接触坐标变换时，可以用tf2_echo工具实时查看两个坐标系之间的变换。看到数值在合理范围内，心里才踏实。
好了，这一章就到这里。坐标变换是机器人学的基石，理解透了后面学SLAM、路径规划都会轻松很多。