位姿和坐标转换的关系

如果已知坐标系B相对于坐标系A的位姿T，那么这个位姿表示的是将B坐标转换到A坐标系的关系，还是将A坐标系转换到B坐标系的关系？

在计算机视觉和机器人学中，"位姿"通常指的是一个对象相对于某个参考坐标系的位置和姿态。位姿可以由一个旋转矩阵和一个平移向量来描述。通常，我们使用4x4的齐次坐标变换矩阵（Homogeneous Transformation Matrix）来表示这种位姿，这样就可以将旋转和平移同时应用到一个点或一个坐标系。

如果你有一个位姿矩阵T，它描述了坐标系B相对于坐标系A的位姿，那么这个矩阵可以用于将一个在坐标系B中的点p_b变换到坐标系A中，即 p_a = T * p_b。

换句话说，位姿矩阵T将坐标系B中的点转换到坐标系A中。这就是"将B坐标转换到A坐标系的关系"。

如果你想将坐标系A中的点转换到坐标系B中，你需要使用位姿矩阵T的逆矩阵T^-1，即 p_b = T^-1 * p_a。

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7482289
• 除此之外, 这篇博客: 【论文翻译】预测多关系和异构网络中的链接中的 B.时态多关系模型 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

•        在这一节中，我们将时态特征与多关系特征和信息同质特征相结合，产生了一个更有效的模型。对于本节中的表六，磁流变模型意味着我们使用来自MRIP模型和时间模型组合的特征，磁流变模型意味着磁流变模型和时间模型的特征组合，磁流变模型意味着所有特征的组合。

  

  显然，我们可以得出结论，磁流变模型优于所有其他解决方案，我们可以通过逻辑分类器获得比随机森林分类器更好的AUROC性能。