矢量叉乘与反对称矩阵¶
来源与可靠性说明 本文是经典线性代数 / 刚体运动学内容,属教科书级标准结论(任意《线性代数》或《机器人学》《多体动力学》教材的"叉积与反对称矩阵"章节均可查到)。全文 ✅ 已用 Python 数值核对四个核心恒等式(见 2.3),可作为后续惯性导航系列共用的数学地基,放心引用。
为什么惯导要先搞懂向量、点积与叉乘¶
在惯性导航里,向量不是抽象概念,而是一天一地的"零件":坐标化(同一个量在 b 系 / n 系里投影出不同分量)、点积(方向一致性 / 协方差)、叉乘(姿态误差 / 旋转)。本节先给向量的物理画面,再依次讲点积与叉乘:
- 向量坐标化:位置、速度、比力、角速度都需要投影到某个坐标系才能计算,投影本质就是点积(见 1.2);
- 角速度积分:姿态的微小增量来自 \(\boldsymbol\omega\,\mathrm dt\),姿态更新(四元数 / 旋转向量)本质是把角速度"叉"进当前姿态;
- 科氏加速度:旋转系里的附加加速度 \(\mathbf a_c = 2\boldsymbol\omega\times\mathbf v\);
- Mahony / 互补滤波的姿态误差:估计方向与测量方向做叉积,直接得到"转多少 + 绕哪根轴"的角度误差信号(见 3.1 特写);
insupdate的划桨 / 圆锥项、地球自转项:都含 \(\boldsymbol\omega\) 的叉乘;- 反对称矩阵 \([\mathbf a]_\times\):把"叉乘"变成"矩阵乘法",让它能参与线性代数(合成、求导、进入卡尔曼滤波的状态矩阵)。
所以这篇文章按 向量 → 点积 → 叉积 → 反对称矩阵 的顺序把地基讲透,后面拆解 PSINS 时你看到 cross / skew / [w]x 就不会卡。
一、向量 → 点积 → 叉积:先物理画面,再公式¶
1.1 向量的物理意义:有大小、有方向的量¶
惯导里满屏都是向量,先把"向量是什么"的物理画面立起来:
- 定义:向量 = 有大小(模长)有方向的量。它可以是看得见的量(位移、速度、力),也可以不是直观的"物理量"(角速度、磁场、误差向量)——只要是"有方向的影响"就由向量承载。
- 惯导里全是向量:位置 \(\mathbf p\)、速度 \(\mathbf v\)、比力 \(\mathbf f\)、角速度 \(\boldsymbol\omega\)、重力 \(\mathbf g\)、地磁 \(\mathbf m\)——它们同时带大小和方向,丢掉方向就不是同一个量。
- 标量 vs 向量:速率是"120 km/h",速度是"120 km/h 朝东"——数值相同方向不同的两个速度是两个不同的物理量。做功 \(W\) 是标量、力 \(\mathbf F\) 是向量,而 \(W=\mathbf F\cdot\mathbf s\) 恰好是把两个向量"浓缩"成标量的运算(见 1.2)。
- 向量在坐标系里就是"三个数字":选好单位基 \((\mathbf i,\mathbf j,\mathbf k)\),向量写成分量 \((a_1,a_2,a_3)^T\)。同一个物理向量换一套坐标系三个数字全变——这正是惯导"坐标系错了全错"的根源(详见 坐标系与变换)。
- 两个向量之间只有两种"有意义的问题":点积——它们有多一致(像不像);叉积——它们差多少、怎么转过去。下面 1.2 / 1.3 分别给出答案。
1.2 点积:问"它们有多一致"¶
定义(结果是标量):
直观物理意义(记住三幅画面):
- 投影(影子):\(\mathbf a\cdot\mathbf b \big/ |\mathbf b|\) 就是 \(\mathbf a\) 在 \(\mathbf b\) 方向上的投影长度,带正负号。好比太阳垂直照射,看物体在 \(\mathbf b\) 这面墙上的"影子"长短。点积 = 一个向量在另一个方向上"贡献了多少"。
- 做功:\(W=\mathbf F\cdot\mathbf s\)——只有力在位移方向的分量做功。斜着拉车只算水平分量;力与位移垂直 = 零功(\(W=0\),提着箱子水平走,竖直的力不做功);方向反了就做负功。
- 方向一致性:单位向量点积即 \(\cos\theta\):\(+1\) 完全同向、\(-1\) 完全反向、\(0\) 垂直——判断"这俩方向到底像不像"。
桥到概率篇:把 \(n\) 次观测去均值后当成 \(n\) 维向量,协方差就是中心化后两个向量的点积除以 \(n-1\),相关系数则是归一化后的"夹角余弦"。所以"相关性 = 两个数据向量之间夹角的余弦"——这就是 数学地基(矩阵·概率·协方差) 里协方差矩阵的几何直觉来源。
1.3 叉积:问"差多少、绕哪根轴转"¶
1.3.1 几何定义¶
- \(|\mathbf a|,|\mathbf b|\) 是模长,\(\theta\) 是两向量夹角(\(0\le\theta\le\pi\));
- \(\mathbf n\) 是单位向量,同时垂直于 \(\mathbf a\) 和 \(\mathbf b\),方向由右手定则确定。
几何上:\(\mathbf a\times\mathbf b\) 是一个矢量,其方向垂直于 \(\mathbf a,\mathbf b\) 张成的平面,大小等于以 \(\mathbf a,\mathbf b\) 为邻边的平行四边形面积。
1.3.2 代数定义(分量展开)¶
设 \(\mathbf a=(a_1,a_2,a_3)^T,\ \mathbf b=(b_1,b_2,b_3)^T\),则
记忆法——写成行列式(按第一行展开即得上式):
1.3.3 右手定则¶
握拳:四指从 \(\mathbf a\) 弯向 \(\mathbf b\)(沿较小夹角),大拇指指向就是 \(\mathbf a\times\mathbf b\)。对标准右手系有循环规则:
逆循环取负,例如 \(\mathbf X\times\mathbf Z = -\mathbf Y\)。这正是《坐标变换与旋转矩阵》里"绕 Y 轴符号看起来被转置"的同一套空间拓扑根源——叉乘的循环方向决定了符号。
1.3.4 基本性质¶
- 反交换:\(\mathbf a\times\mathbf b = -(\mathbf b\times\mathbf a)\)
- 分配律:\(\mathbf a\times(\mathbf b+\mathbf c)=\mathbf a\times\mathbf b+\mathbf a\times\mathbf c\)
- 与自身叉乘为零:\(\mathbf a\times\mathbf a=\mathbf 0\)
- 正交性:\((\mathbf a\times\mathbf b)\cdot\mathbf a = (\mathbf a\times\mathbf b)\cdot\mathbf b = 0\)
- 不满足结合律:\((\mathbf a\times\mathbf b)\times\mathbf c \neq \mathbf a\times(\mathbf b\times\mathbf c)\)
- 混合积:\(\mathbf a\cdot(\mathbf b\times\mathbf c)\) = 以三个向量为棱的平行六面体体积(换序不变号)
- 拉格朗日恒等式:\(|\mathbf a\times\mathbf b|^2 = |\mathbf a|^2|\mathbf b|^2 - (\mathbf a\cdot\mathbf b)^2\)
1.3.5 直观物理意义:叉积天生就是"旋转"¶
数学课本给的公式 \(\mathbf a\times\mathbf b=|\mathbf a||\mathbf b|\sin\theta\,\mathbf n\) 不够"直觉"。记住下面四个物理画面,之后看到叉积就自动翻译成"绕哪根轴、转多少":
- 力矩:\(\boldsymbol\tau = \mathbf r\times\mathbf F\)。拧瓶盖时"力臂 × 力",方向沿瓶盖转轴——叉积回答的不只是"这个力多大",而是"它会让我怎么转"。
- 刚体上一点的速度:\(\mathbf v = \boldsymbol\omega\times\mathbf r\)。地球表面任意一点随自转的速度 = 地球角速度叉该点位置;飞机机翼端点的速度 = 机身角速度叉翼展位置。角速度 × 位置 = 线速度,这是刚体运动学的万能钥匙。
- 面积:\(|\mathbf a\times\mathbf b|\) = 以两向量为邻边的平行四边形面积。模长天然携带"两向量错开多少"的信息。
- 旋转的方向 + 角度:把 \(\mathbf a\) 掰到 \(\mathbf b\),旋转轴的方向就是 \(\mathbf a\times\mathbf b\)(右手定则),对单位向量有 \(\sin\theta = |\mathbf a\times\mathbf b| \approx \theta\)(小角)。
对照记法(点积 vs 叉积,一次记牢):
| 点积 | 叉积 | |
|---|---|---|
| 问的是 | 两个方向有多一致 | 两个方向差多少、绕哪根轴 |
| 结果 | 标量 | 矢量(垂直于两者) |
| 小角行为 | \(\cos\theta\approx1-\theta^2/2\)(0 处不敏感) | \(\sin\theta\approx\theta\)(0 处线性敏感) |
| 物理画面 | 影子 / 做功 / 同向性 | 力矩 / \(v=\omega\times r\) / 面积 |
| 惯导用途 | 投影、协方差 | 姿态误差、旋转、Mahony |
姿态误差是"差了多大角 + 绕哪根轴",只可能用叉积表达——这正是下节 3.1 里 Mahony 选它的原因。
二、反对称矩阵 \([\mathbf a]_\times\)¶
2.1 定义:把叉乘"矩阵化"¶
任何三维叉乘都可以写成"左乘一个反对称矩阵":
其中
记忆法:把 \(\mathbf a=(a_1,a_2,a_3)\) 的"对面"填进去——主对角恒为 0,第 \((i,j)\) 元等于 \(-e_{ijk}a_k\)(Levi-Civita 符号)。例如第 \((1,2)\) 元 \(= -a_3\),第 \((2,1)\) 元 \(= +a_3\),两者互为相反数,这就是"反对称"的来由。
2.2 为什么重要¶
- 把叉乘变成矩阵-向量乘法,计算机只需做矩阵乘,不用特判分量;
- 能无缝参与线性代数:求逆、合成、对时间求导、塞进状态方程 \(\dot{\mathbf x}=\mathbf F\mathbf x\);
- 姿态、角速度、误差全都用 \([\boldsymbol\omega]_\times\) 串起来(见第三节)。
2.3 关键性质(已数值验证)¶
- 反对称:\([\mathbf a]_\times^T = -[\mathbf a]_\times\)(主对角全 0,反对角互为相反数);
- 自叉为零:\([\mathbf a]_\times\,\mathbf a = \mathbf 0\);
- 双重反对称恒等式(推导姿态误差、ESKF 误差状态时反复出现):
举例:\(\mathbf a=(1,2,3)^T,\ \mathbf b=(4,5,6)^T\) 时, \([\mathbf a]_\times=[[0,-3,2],[3,0,-1],[-2,1,0]]\),而 \([\mathbf a]_\times\mathbf b = [-3,6,-3]^T = \mathbf a\times\mathbf b\),与代数定义完全一致;双重反对称恒等式在随机 200 组向量上数值误差均 \(<10^{-9}\)。
三、在惯导 / PSINS 里哪里用(关键联系)¶
- 角速度积分:姿态增量 \(\delta\boldsymbol\theta \approx \boldsymbol\omega\,\mathrm dt\);四元数增量更新 \(\delta\mathbf q\) 里就是拿 \([\boldsymbol\omega]_\times\) 去"叉"当前姿态。
- 旋转的指数映射 / 罗德里格斯公式:旋转矩阵 \(\mathbf R = \exp([\boldsymbol\omega]_\times)\)(指到后期卡尔曼 / ESKF,本文先铺垫符号)。
- 科氏加速度:\(\mathbf a_c = 2\boldsymbol\omega\times\mathbf v\)。
insupdate的划桨 / 圆锥项、地球自转项:都含 \([\boldsymbol\omega]_\times\)。- 姿态误差的线性化:ESKF 把误差姿态写成小旋转向量 \(\delta\boldsymbol\phi\),其扰动传播里大量出现 \([\mathbf v]_\times\)。
3.1 特写:Mahony 互补滤波为什么用叉积(角度误差信号)¶
这正是你问到的场景,也是叉积最有味道的应用。Mahony 的核心一句:加速度计(平稳/慢变时 ≈ 测 \(-\mathbf g\))提供重力的"低频慢参考",陀螺积分提供"短时准"的姿态;拿参考去纠积分,靠的就是叉积。
记 \(\mathbf a\) = 姿态递推估计得到的重力方向(单位向量),\(\mathbf b\) = 加速度计实测方向(单位向量):
- 大小:\(|\mathbf a\times\mathbf b| = \sin\theta \approx \theta\)(\(\theta\) 为两方向夹角,小角近似)→ 模长 = 姿态误差角;
- 方向:\(\mathbf a\times\mathbf b\) 指向旋转轴(右手定则)→ 绕这根轴转 \(\theta\) 就把估计方向掰向测量方向;
- 于是一个叉积向量同时给了"错了多少 + 绕哪根轴错",乘比例增益 \(k_p\) 修正姿态、再 \(k_i\) 积分修陀螺常值漂移。
代码层面就是 MahonyAHRS.c 里 halfex = (ay*halfvz - az*halfvy) 那几行的姿态误差分量展开(见 Mahony 滤波分析)。
为什么不用点积? \(\mathbf a\cdot\mathbf b=\cos\theta\approx 1-\theta^2/2\)——误差角很小时点积几乎不变(0 处一阶导数为 0,对误差"不敏感",且丢掉了"绕哪根轴"的方向信息);叉积 \(\sin\theta\approx\theta\) 在 0 处斜率是 1,小角度线性响应、自带旋转轴。直观数据:\(\theta=0.01\,\text{rad}\) 时,\(\cos\) 变化只有 \(\sim5\times10^{-5}\),\(\sin\) 却给出 \(10^{-2}\) 的线性信号。姿态误差的"正确数学对象"是旋转不是投影,所以互补滤波、旋转矩阵的测量更新,误差信号都选叉积。
四、两个最容易踩的坑¶
- 两层中括号不能想当然合并。\([\mathbf a]_\times\mathbf b = \mathbf a\times\mathbf b\),但 \([\mathbf a]_\times[\mathbf b]_\times\) 是"两个反对称矩阵相乘",结果是 \(\mathbf b\mathbf a^T-(\mathbf a\cdot\mathbf b)\mathbf I\)(第二节 2.3),不是 \(\mathbf a\times\mathbf b\) 的叉乘。新手写姿态误差推导时最容易在这里漏掉 \(\mathbf b\mathbf a^T\) 项。
- 反对称 ≠ 正交(skew-symmetric ≠ orthogonal)。\([\mathbf a]_\times\) 是"反对称"(转置变负),一般不是正交矩阵——除非 \(\mathbf a=\mathbf 0\),否则 \([\mathbf a]_\times[\mathbf a]_\times^T \neq \mathbf I\)。这俩词中文都带"对称",意思却完全不同,别混。
五、与下一篇衔接¶
- 本文是《坐标变换与旋转矩阵(推导入门)》的数学工具:旋转矩阵的每一列,本质是把某个基向量"叉乘 / 旋转"后的去向;上一篇讲的符号机理,在这里的右手循环规则里能找到根。
- 四元数、旋转向量、ESKF 都会反复用到 \([\cdot]_\times\),建议先在这里把 \([\mathbf a]_\times\) 和双重反对称恒等式记熟。
自测题¶
- 计算 \([1,0,0]^T\times[0,1,0]^T\),并验证它等于 \([\mathbf e_1]_\times\mathbf e_2\)。
- 写出 \(\boldsymbol\omega=(0,0,\Omega)^T\)(绕 Z 轴自转)时的 \([\boldsymbol\omega]_\times\),并说明它对应"绕 Z 旋转"的无穷小生成元。
- 用双重反对称恒等式验证 \([\mathbf a]_\times[\mathbf a]_\times = \mathbf a\mathbf a^T - |\mathbf a|^2\mathbf I\)。
- 判断并解释:\(\mathbf a\times\mathbf b\) 一定同时垂直于 \(\mathbf a\) 和 \(\mathbf b\) 吗?\(\mathbf a\cdot(\mathbf a\times\mathbf b)\) 等于什么?
- Mahony 用叉积而不用点积构造姿态误差,给出两个理由(大小/方向 vs 敏感性)。