用旋转矩阵将向量与轴对齐的不精确性

Question

我已经用这个把头撞了好几个小时了，我似乎不知道我做错了什么。在

我正在尝试生成一个旋转矩阵，它将向量与一个特定的轴对齐（我最终将转换更多的数据，因此拥有旋转矩阵非常重要）。在

我觉得我的方法是对的，如果我在各种向量上测试它，它的效果很好，但是转换后的向量总是有点偏离。在

下面是我用来测试方法的完整代码示例：

import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.mplot3d
import matplotlib as mpl


def get_rotation_matrix(i_v, unit=None):
    # From http://www.j3d.org/matrix_faq/matrfaq_latest.html#Q38
    if unit is None:
        unit = [1.0, 0.0, 0.0]
    # Normalize vector length
    i_v = np.divide(i_v, np.sqrt(np.dot(i_v, i_v)))
    # Get axis
    u, v, w = np.cross(i_v, unit)
    # Get angle
    phi = np.arccos(np.dot(i_v, unit))
    # Precompute trig values
    rcos = np.cos(phi)
    rsin = np.sin(phi)
    # Compute rotation matrix
    matrix = np.zeros((3, 3))
    matrix[0][0] = rcos + u * u * (1.0 - rcos)
    matrix[1][0] = w * rsin + v * u * (1.0 - rcos)
    matrix[2][0] = -v * rsin + w * u * (1.0 - rcos)
    matrix[0][1] = -w * rsin + u * v * (1.0 - rcos)
    matrix[1][1] = rcos + v * v * (1.0 - rcos)
    matrix[2][1] = u * rsin + w * v * (1.0 - rcos)
    matrix[0][2] = v * rsin + u * w * (1.0 - rcos)
    matrix[1][2] = -u * rsin + v * w * (1.0 - rcos)
    matrix[2][2] = rcos + w * w * (1.0 - rcos)
    return matrix

# Example Vector
origv = np.array([0.47404573,  0.78347482,  0.40180573])

# Compute the rotation matrix
R = get_rotation_matrix(origv)

# Apply the rotation matrix to the vector
newv = np.dot(origv.T, R.T)

# Get the 3D figure
fig = plt.figure()
ax = fig.gca(projection='3d')

# Plot the original and rotated vector
ax.plot(*np.transpose([[0, 0, 0], origv]), label="original vector", color="r")
ax.plot(*np.transpose([[0, 0, 0], newv]), label="rotated vector", color="b")

# Plot some axes for reference
ax.plot([0, 1], [0, 0], [0, 0], color='k')
ax.plot([0, 0], [0, 1], [0, 0], color='k')
ax.plot([0, 0], [0, 0], [0, 1], color='k')

# Show the plot and legend
ax.legend()
plt.show()

我已链接找到方法here。为什么它产生的变换总是有一点偏差？？？在

Answer 1

您需要规范uvw才能使其正常工作。所以更换

u，v，w=np.交叉（i\U v，单位）

与

uvw = np.cross(i_v, unit)
uvw /= np.linalg.norm(uvw)

这基本上与您已经拥有的i_v = np.divide(i_v, np.sqrt(np.dot(i_v, i_v)))行相同。在

但你可以做得更好，完全避免trig：

^{pr2}$

最后一个表达式来自维基百科页面：