4、旋转表示法对比：欧拉角 vs 旋转矩阵 vs 四元数，优劣分析
做感知融合这几年，我几乎每天都在跟旋转打交道。说实话，刚入行那会儿，我也纠结过到底该用哪种表示法。欧拉角看着直观，旋转矩阵算着顺手，四元数听着玄乎。但项目做多了，你会发现——选错了表示法，后面全是坑。
今天我就把这三兄弟拉出来，好好盘一盘。不搞虚的，全是实战经验。
4.1 欧拉角：直观但危险
欧拉角为什么受欢迎？说白了，就是好理解。三个角度：偏航（Yaw）、俯仰（Pitch）、横滚（Roll），一看就懂。我在调试激光雷达和相机外参时，经常先用欧拉角粗调，因为能直观地看出车头朝哪偏了。
优点：
- 物理意义明确，人类友好
- 存储空间小（3个float）
- 插值简单（线性插值角度）
但我要说个血泪教训。有一次我在做多传感器融合的标定，用欧拉角表示IMU的姿态。结果在某个特定角度下，系统突然炸了——万向锁（Gimbal Lock）来了。偏航和横滚变得无法区分，整个融合结果直接崩掉。
⚠️ 核心缺陷：万向锁
当俯仰角接近±90°时，偏航和横滚的旋转轴重合，丢失一个自由度。这在自动驾驶中很致命——比如车辆爬陡坡或无人机做筋斗时。
另外，欧拉角的插值也不是线性的。你想想看，两个角度之间走最短路径，但欧拉角插出来可能绕个大弯。我在做路径平滑时吃过这个亏。
4.2 旋转矩阵：稳定但笨重
旋转矩阵是我个人最常用的表示法，尤其是在写融合算法时。为什么？因为它稳定，没有奇点，组合旋转就是矩阵乘法，干净利落。
// 绕Z轴旋转θ角的旋转矩阵
R_z(θ) = [
[cosθ, -sinθ, 0],
[sinθ, cosθ, 0],
[0, 0, 1]
]优点：
- 无奇点，任意旋转都能表示
- 组合旋转就是矩阵乘法，方便
- 可逆，逆矩阵就是反向旋转
但缺点也很明显。9个元素，其实只有3个自由度，冗余严重。我记得有一次在嵌入式平台上做实时融合，旋转矩阵的乘法把CPU吃掉了大半。你想想看，每帧要处理几百个点云，每个点都要乘3x3矩阵，这开销不小。
还有一个坑：旋转矩阵必须满足正交性和行列式为1。数值误差累积后，矩阵会漂移。我习惯每迭代几百步就做一次正交化修正，不然结果会越来越离谱。
4.3 四元数：优雅但难懂
四元数，嗯，我第一次看到时也是一脸懵。四个数表示旋转？什么鬼？但用顺手后，你会发现它真香。
// 四元数表示绕单位向量 (x,y,z) 旋转 θ 角
q = [cos(θ/2), x*sin(θ/2), y*sin(θ/2), z*sin(θ/2)]优点：
- 无奇点，比欧拉角安全
- 存储小（4个float），比矩阵省
- 插值平滑（球面线性插值Slerp）
- 组合旋转计算快
我在做IMU和视觉融合时，姿态估计几乎全用四元数。为什么？因为卡尔曼滤波里，四元数的状态更新非常平滑，不会像欧拉角那样突然跳变。
💡 我的习惯：
内部计算用四元数，调试可视化转成欧拉角。这样既保证了算法稳定性，又方便人眼观察。
但四元数也有坑。单位四元数才能表示旋转，数值误差会导致模长偏离1。我曾经在融合算法里忘了归一化，结果跑了半小时后，姿态完全漂飞了。从那以后，我每次更新四元数后都强制归一化。
4.4 核心对比：一张表说清楚
| 特性 | 欧拉角 | 旋转矩阵 | 四元数 |
|---|---|---|---|
| 存储空间 | 3个float | 9个float | 4个float |
| 奇点问题 | 有（万向锁） | 无 | 无 |
| 组合旋转 | 复杂（需注意顺序） | 矩阵乘法（简单） | 四元数乘法（简单） |
| 插值平滑性 | 差（非线性） | 差（线性插值不保正交） | 好（Slerp平滑） |
| 人类可读性 | 高 | 低 | 极低 |
| 数值稳定性 | 一般 | 需正交化 | 需归一化 |
| 计算效率 | 高 | 低（9个元素运算） | 高（4个元素运算） |
4.5 实战选择建议
说了这么多，到底怎么选？我个人的经验是这样的：
- 调试和可视化：用欧拉角。直观，一眼看出偏了多少度。
- 内部状态估计：用四元数。卡尔曼滤波、姿态融合的首选。
- 坐标变换计算：用旋转矩阵。尤其是需要多次组合变换时，矩阵乘法最直接。
⚠️ 我曾经踩过的坑：
千万别在同一个算法里混用三种表示法，来回转换容易引入误差。我一般定个规矩：一个模块内部只用一种表示法，只在接口处做转换。
4.6 知识体系总览
下面这张图，是我自己总结的旋转表示法选择逻辑。你可以把它当作一个决策树来用。
嗯，总结一下。没有完美的表示法，只有最适合场景的选择。我个人习惯是：调试用欧拉角，计算用四元数，接口用旋转矩阵。这个组合我在多个量产项目里验证过，稳得很。
💡 最后一个小技巧：
如果你刚开始做融合，建议先拿四元数练手。虽然上手慢一点，但后面遇到复杂场景时，你会感谢当初的选择。