### 两个向量之间的旋转矩阵计算方法 在三维空间中，若已知原始向量 $ a $ 和目标向量 $ b $，可以通过 **罗德里格斯公式 (Rodrigues' formula)** 计算出将 $ a $ 旋转至与 $ b $ 重合的旋转矩阵 $ R $。该方法基于向量之间的夹角和旋转轴来构建旋转矩阵。 #### 计算步骤 1. **归一化向量** 为确保计算的准确性，通常将向量归一化： $$ a_{\text{norm}} = \frac{a}{\|a\|}, \quad b_{\text{norm}} = \frac{b}{\|b\|} $$ 2. **计算点积和叉积** 点积用于计算向量之间的夹角余弦值： $$ \cos\theta = a_{\text{norm}} \cdot b_{\text{norm}} $$ 叉积用于确定旋转轴： $$ n = a_{\text{norm}} \times b_{\text{norm}} $$ 3. **构建旋转矩阵** 使用罗德里格斯公式构建旋转矩阵： $$ R = I + \sin\theta \cdot [n]_{\times} + (1 - \cos\theta) \cdot [n]_{\times}^2 $$ 其中，$ I $ 是单位矩阵，$ [n]_{\times} $ 是由旋转轴 $ n $ 构建的反对称矩阵： $$ [n]_{\times} = \begin{bmatrix} 0 & -n_z & n_y \\ n_z & 0 & -n_x \\ -n_y & n_x & 0 \end{bmatrix} $$ #### Python 实现代码 以下是一个完整的实现示例： ```python import numpy as np def compute_rotation_matrix(a, b): # 归一化输入向量 a_norm = a / np.linalg.norm(a) b_norm = b / np.linalg.norm(b) # 计算点积和叉积 cos_theta = np.dot(a_norm, b_norm) n = np.cross(a_norm, b_norm) n_norm = n / np.linalg.norm(n) if np.linalg.norm(n) != 0 else n # 构建反对称矩阵 nx, ny, nz = n_norm n_cross_matrix = np.array([ [0, -nz, ny], [nz, 0, -nx], [-ny, nx, 0] ]) # 构建旋转矩阵 I = np.eye(3) R = I + np.sin(np.arccos(cos_theta)) * n_cross_matrix + (1 - cos_theta) * (n_cross_matrix @ n_cross_matrix) return R # 示例 a = np.array([1, 0, 0]) b = np.array([0, 0, 1]) rotation_matrix = compute_rotation_matrix(a, b) print("旋转矩阵 R:\n", rotation_matrix) ``` #### 注意事项 - 如果两个向量方向完全相同（夹角为 0°），则旋转矩阵为单位矩阵。 - 如果两个向量方向完全相反（夹角为 180°），则无法唯一确定旋转轴，需特殊处理。 - 该方法适用于三维空间中的向量转换，广泛应用于计算机视觉、机器人运动控制等领域。