第二章：坐标系与变换基础

说实话，坐标系这个东西，刚入行时我觉得太简单了。不就是x、y、z三个轴嘛？直到我第一次做多传感器融合项目，激光雷达和摄像头的数据怎么都对不上，折腾了两天才发现——原来是坐标系定义搞反了。嗯，从那以后，我再也不敢小看坐标系了。

2.1 全局坐标系与局部坐标系

先说说最基础的概念。全局坐标系，也叫世界坐标系，是整个场景的"绝对参考系"。你可以把它想象成一个固定不动的舞台，所有物体都在这个舞台上活动。局部坐标系呢，是附着在某个物体上的坐标系，物体动它就跟着动。

我在项目中遇到过这样一个坑：一辆自动驾驶汽车，它的GPS定位用的是全局坐标系（经纬度），但它的障碍物检测用的是车辆自身的局部坐标系。如果你直接把局部坐标下的障碍物位置当成全局坐标去用，那结果就是——障碍物位置全错，车直接往墙上撞。

举个例子，你手里拿着一张地图（全局坐标系），地图上标着你的位置。你面前有一棵树，你目测树在你前方5米偏左2米的位置——这个"前方5米偏左2米"就是局部坐标系下的描述。如果你想知道树在地图上的绝对位置，就得把你的位置和朝向都考虑进去，做一次坐标变换。

2.2 齐次坐标

为什么要引入齐次坐标？说白了，就是为了让计算更统一、更简洁。

你想想看，在普通笛卡尔坐标系下，一个三维点用(x, y, z)表示。旋转可以用3x3矩阵搞定，但平移呢？平移是加法，不是乘法。这就导致旋转和平移没法用同一个矩阵运算来表示，代码写起来特别别扭。

齐次坐标的解决办法很简单：给三维点加一个维度，变成(x, y, z, w)。通常w=1，表示一个点；w=0，表示一个方向向量。这样一来，旋转和平移就可以合并成一个4x4矩阵，一次乘法搞定所有变换。

// 普通坐标转齐次坐标
// 点: (x, y, z) → (x, y, z, 1)
// 向量: (x, y, z) → (x, y, z, 0)

// 齐次坐标转回普通坐标
// (x, y, z, w) → (x/w, y/w, z/w)

2.3 欧拉角与四元数

这两个东西，是描述旋转的两种方式。我个人的建议是：能用四元数就别用欧拉角。为什么？

欧拉角有三个参数：俯仰角（Pitch）、偏航角（Yaw）、滚转角（Roll）。看起来直观，但有个致命问题——万向锁。当俯仰角达到±90度时，偏航和滚转就分不清了，你会丢失一个自由度。我在做无人机轨迹回放时遇到过这个问题，飞机垂直俯冲时姿态突然跳变，查了半天才发现是欧拉角在作祟。

四元数就不一样了。它用四个参数(q0, q1, q2, q3)表示旋转，没有奇点，插值平滑，计算效率也高。唯一的缺点是不太直观，你没法一眼看出它代表什么姿态。

特性	欧拉角	四元数
参数数量	3个	4个
直观性	高	低
万向锁	有	无
插值平滑性	差	好
计算效率	一般	高

2.4 坐标变换矩阵

坐标变换矩阵，说白了就是描述"从一个坐标系到另一个坐标系"的数学工具。一个4x4的齐次变换矩阵，包含了旋转信息（左上角3x3）和平移信息（右上角3x1）。

// 4x4齐次变换矩阵结构
// [ R11  R12  R13  Tx ]
// [ R21  R22  R23  Ty ]
// [ R31  R32  R33  Tz ]
// [  0    0    0    1  ]

// 其中R是3x3旋转矩阵，T是3x1平移向量

举个例子，假设你有一个点P在局部坐标系下的坐标是(1, 0, 0)，而局部坐标系相对于全局坐标系旋转了90度并平移了(2, 3, 0)。那么P在全局坐标系下的坐标就是变换矩阵乘以局部坐标。

这里有个细节要注意：变换矩阵的乘法顺序。先旋转再平移，和先平移再旋转，结果完全不同。我见过不少新手在这里栽跟头。

// 正确顺序：先旋转，再平移
// P_global = R * P_local + T

// 写成齐次形式
// [P_global]   [R  T]   [P_local]
// [   1    ] = [0  1] * [   1    ]

2.5 知识体系总览

下面这张图，是我自己总结的坐标系与变换知识体系。每次做轨迹评估项目前，我都会先过一遍这个框架，确保没有遗漏。

这张图把本章的核心内容串起来了。左边是坐标系类型，中间是旋转表示方法，右边是数学工具，底部是实际应用场景。每次做轨迹评估，你都得在这几个维度之间来回切换。

好了，坐标系与变换基础就讲到这里。这些东西看起来是纯数学，但实际项目中处处都用得到。下一章我们会深入轨迹数据的采集与预处理，到时候你会看到这些变换知识是怎么落地的。