ROS TF
ros中，可以通过TF Tree来进行获取 机器人不同坐标系之间的转换关系，命令如下：
rosrun tf tf_echo base_link head_link1意思为，从源坐标系base_link，到目标坐标系head_link1的变换关系，结果如下所示。
机器人的base_link在底部，头在1.2米的地方（平移），旋转基本没有。
齐次坐标系
机器人坐标系的变换，涉及了平移和旋转，在TF树中，我们可以得到Translation(平移)和Rotation(旋转)。
一般来讲我们可以得到一个旋转矩阵
（欧拉角转旋转矩阵 或者 四元数转旋转矩阵），和一个平移矩阵
。
但是当我们有很多个坐标系需要进行转换时候，、
..., 、
...，坐标系变化的叠加，导致推到会很复杂（特别是平移矩阵），因此我们一般会写成齐次矩阵：
可以简单理解为，升了一个维度，让问题简单化了。
loc = np.array([translation[0], translation[1], translation[2]]) #tf 的平移rot = Rotation.from_quat([rotation[0], rotation[1], rotation[2], rotation[3]]).as_matrix() #tf的旋转，用四元数求旋转矩阵H = np.column_stack((rot,loc))H = np.row_stack((H, np.array([0, 0, 0, 1])))对于坐标系base_link—>head_link1—>head_link2 可以有
左乘和右乘
讲这个问题之前，先区分一下，坐标点P=[x1,y1,z1]和H矩阵中平移分量T = [dx,dy,dz]，这两个值没有啥关系。
矩阵的左乘和右乘
多个矩阵，连续左乘
，相当于还是以base_link的x、y、z轴在旋转和平移，一般在机器人学多个关节正运动学运算的时候是左乘
而多个矩阵，连续右乘，相当于A坐标系的x、y、z转到B坐标系后, 再以B坐标系的x、y、z旋转平移，一般欧拉角变换是右乘，先绕x轴转、再绕新的y轴转等等
如果没有旋转，只有平移，H矩阵的R为单位矩阵，从base_link 到 head_link1。
左乘 — 转换矩阵*点
base_link 下的[0,0,0]点经过旋转和平移，变成了[-0.04,0,1.2]，相对于base_link
base_link 下的[-0.04,0,1.2]点经过旋转和平移，变成了[-0.08,0,2.4]。
相机坐标系下的点，左乘 相机相对于机器人坐标系的变换矩阵（camera to robot），得到机器人坐标系下的点。
右乘 — 点*旋转矩阵，好像区别不大，就是个转置的关系？
base_link 下的点[-0.04, 0, 1.2] 在新坐标系下的值，刚好为新坐标系的原点
注意这里对H求了个逆！！
