四元数与旋转

阿豪2026/7/29大约 13 分钟

本篇位置：模块一 · 第 5 篇｜前置：投影与深度精度｜预计阅读：25 分钟

学习目标

说清欧拉角（Euler angles）的两大问题：万向锁（gimbal lock）、组合与插值时的顺序依赖。
会构造轴角四元数（axis-angle quaternion）并用它旋转向量。
区分 slerp 与 nlerp 的取舍，知道两者分别便宜在哪、精确在哪。
知道四元数与矩阵互转的存在与各自的使用时机。

旋转的三种表示

上一篇聚焦在"位置"怎么被投影矩阵压缩进裁剪空间；这一篇要处理图形管线里另一个同样基础、却更容易被写错的问题——朝向（orientation）怎么表示、怎么组合、怎么插值。表示旋转的方法不止一种，工程上常见的三种是欧拉角、轴角（axis-angle）、四元数（quaternion），它们不是互相替代的关系，而是各自在存储、组合、插值、直觉性这四个维度上做出了不同取舍：

表示	存储	组合	插值	直觉性
欧拉角	3 个浮点数，最紧凑	三次矩阵连乘，且结果依赖旋转顺序（XYZ ≠ ZYX）	逐分量线性插值会穿过万向锁附近的奇异区域，路径不可控	最强——"绕 X 转多少度"是人脑最容易读出的描述
轴角	4 个数（轴 3 个 + 角 1 个），或压缩成 3 个数的旋转向量	没有闭式公式，通常要先转成四元数或矩阵再组合	同样没有直接的插值公式，需要借道四元数	较强——一根轴加一个角度依然符合直觉
四元数	4 个浮点数，带 1 个单位范数约束（有效自由度仍是 3）	四元数乘法，结合律成立，处处良定义、没有奇异点	slerp 沿单位球面走最短弧，能保持匀角速度	最弱——四个分量本身没有直接的几何读法，通常要靠工具可视化才看得懂

三者里，欧拉角是美术、策划在编辑器面板里最常打交道的形式，因为它符合人的直觉；四元数几乎不会被人直接手填，而是活在动画系统、物理引擎、传感器数据这些"机器对机器"的接口里；轴角则更多是一个中间态，常作为旋转轴+角度这种直觉输入，转换成四元数之后再参与真正的运算。理解这张表，接下来两节要回答的问题就很自然了：为什么工程上宁可放弃欧拉角的直觉性，也要绕道去用一个"看不懂"的四元数。

欧拉角的第一个坑是万向锁（gimbal lock），它的物理原型是一个由三个同心圆环组成的机械陀螺仪（gimbal）：外环固定在支架上绕一根轴转，中环挂在外环内侧绕另一根轴转，内环再挂在中环内侧绕第三根轴转——你握着最内层的物体，它的最终朝向由三个环各自转过的角度共同决定，这正是"绕 X 转多少度、再绕 Y 转多少度、再绕 Z 转多少度"这套欧拉角描述的物理来源。麻烦出现在某个特定姿态下：如果中间那个环恰好转了 90°，外环的转轴和内环的转轴会被"拧"到同一根轴线上——两个本来独立的旋转自由度，此刻变成了同一个自由度的两份拷贝，不管单独去转外环还是内环，得到的效果都完全一样，你丢失了一个自由度，这就是万向锁。三维空间里的旋转本该有 3 个自由度，万向锁发生的瞬间只剩下 2 个能独立控制，想要到达的某些朝向，无论怎么调三个角度值都到不了，除非先转出这个奇异姿态再绕过去。

欧拉角的第二个坑藏在组合运算里：三次绕轴旋转依次相乘得到最终矩阵，而矩阵乘法不满足交换律——先绕 X 轴转 90°、再绕 Y 轴转 90°，和先绕 Y 轴转 90°、再绕 X 轴转 90°，得到的最终朝向并不相同，这就是"顺序依赖"，工程上常用 XYZ ≠ ZYX 这样的记号提醒自己。它的实际后果是：同一组角度数字，换一套旋转顺序约定去解读（Unity 用的是 ZXY，数学教材里常见的是 ZYX，不同引擎、不同工具链各有偏好）就会得到完全不同的朝向——美术资产在不同引擎间互导时，"角度对不上、模型转向诡异"这类 bug，十有八九都出在旋转顺序被静默换掉了。万向锁与顺序依赖是同一个根源的两种表现：欧拉角把一个连续、无奇异点的旋转群，硬塞进了三个"先后绕轴转"的离散步骤里，这套步骤本身就带着方向性和奇异区域。

四元数最小必要知识

四元数（quaternion）是威廉·哈密顿（William Hamilton）在复数基础上扩展出的四维数系，图形学只需要它的一个极小子集：单位四元数如何表示旋转。构造方法是轴角式的——给定旋转轴 $\hat n=(n_x,n_y,n_z)$ （单位向量）和绕它转过的角度 $\theta$ ，对应的四元数写成

q=(w,\vec v)=\cos\frac\theta2+\sin\frac\theta2\,(n_x i+n_y j+n_z k)

实部 $w=\cos\frac\theta2$ ，虚部三个分量合起来正是 $\sin\frac\theta2\cdot\hat n$ ——注意角度被减半了，这不是笔误，是四元数旋转公式自身的代数结构决定的，下面很快会看到原因。只有当 $|q|=1$ （即 $w^2+x^2+y^2+z^2=1$ ）时，这个四元数才对应一个合法的刚体旋转；这也是 lab_05_quat.py 里 quat_axis_angle 一开始就把轴向量归一化的原因——保证 $\sin^2\frac\theta2\cdot|\hat n|^2+\cos^2\frac\theta2\equiv1$ 恒成立。

拿这个四元数去旋转一个向量 $v$ ，公式是

v'=qvq^{-1}

这里 $v$ 要先临时升格成一个实部为 0 的"纯四元数" $(0,v)$ ，套两次四元数乘法（先左乘 $q$ 、再右乘 $q^{-1}$ ），结果的虚部就是转过 $\theta$ 角之后的新向量 $v'$ 。这条公式不必推导——直觉上可以把它想成一把钳子，把 $v$ 夹在 $q$ 和它的逆之间，"夹出"的效果恰好是绕 $\hat n$ 转 $\theta$ 度（也正因为要"夹两次"，构造 $q$ 时角度才会先减半，两次作用后角度才补回完整的 $\theta$ ）。

四元数解决欧拉角那两个坑的方式很干脆：组合旋转变成了四元数乘法——先应用 $q_1$ 、再应用 $q_2$ ，等价于算 $q_2q_1$ （乘法顺序仍然重要，这是旋转本身的物理事实，四元数并没有让它消失，但乘法本身处处良定义，不会像欧拉角那样在特定姿态下退化掉一个自由度）。撤销一个旋转则对应共轭：单位四元数的共轭 $q^{*}=(w,-\vec v)$ 恰好等于它的逆 $q^{-1}$ ，物理意义是绕同一根轴反转 $\theta$ 度——转过去再转回来， $qq^{-1}=qq^{*}$ 化简得到 $(1,0,0,0)$ ，也就是"不转"这个恒等旋转。

插值：slerp vs nlerp

有了"四元数=旋转"这一层，两帧姿态之间怎么插值，就变成了两个单位四元数之间该怎么走的问题——这正是插帧、动画混合都要面对的运算。最标准的做法是球面线性插值（spherical linear interpolation，简称 slerp）：

\mathrm{slerp}(q_0,q_1,t)=\frac{\sin\big((1-t)\theta\big)}{\sin\theta}\,q_0+\frac{\sin(t\theta)}{\sin\theta}\,q_1,\qquad\theta=\arccos(q_0\cdot q_1)

它沿着单位四元数所在的四维球面走 $q_0$ 到 $q_1$ 之间那段大圆弧， $t$ 每增加一个固定量，转过的角度也增加一个固定量——匀角速度。更便宜的替代方案是归一化线性插值（normalized linear interpolation，简称 nlerp）：

\mathrm{nlerp}(q_0,q_1,t)=\frac{(1-t)q_0+t\,q_1}{\big|(1-t)q_0+t\,q_1\big|}

先在四维空间里直接做普通线性插值（没有三角函数，只有加法和数乘），再把结果归一化拉回单位球面。

slerp vs nlerp

图： $q_0$ 到 $q_1$ 转过 170° 的极端情形下，slerp（橙色）严格贴合虚线代表的匀速直线，nlerp（蓝色）在两端偏慢、中段偏快——因为它插值的是四维空间里连接两点的一条弦，弦的中点比端点更靠近球心， $t$ 在弦上均匀步进，投影到球面弧长上就不再均匀。真正影响工程选择的是角度大小：小角度时弦和弧几乎重合，两条曲线的差异小到可以忽略，nlerp 用一次归一化换掉了 slerp 里一次 arccos 和三次 sin 的求值，是大多数引擎的默认选择；只有旋转跨度较大、且对角速度均匀有明确要求（比如本图模拟的大幅甩镜头）时，才值得为 slerp 多付这份计算代价。

图里还有一个更容易被忽略的坑：单位四元数对旋转的覆盖是双倍的（double cover）—— $q$ 与 $-q$ 代表完全相同的旋转，因为 $v'=qvq^{-1}$ 里的负号在两次乘法中被消去了两次， $(-q)v(-q)^{-1}=(-1)(-1)\,qvq^{-1}=qvq^{-1}$ 。这意味着同一个朝向在四维球面上对应两个互为对跖点（antipodal point）的位置。如果两帧姿态对应的四元数点积 $q_0\cdot q_1$ 恰好是负的，直接代入公式插值会绕远路走大圆的"长弧"而不是"短弧"——旋转看起来会先反方向甩一下再转回来。lab_05_quat.py 的 slerp/nlerp 实现里那一句 if d < 0: q1, d = -q1, -d 就是在处理这件事：把 $q_1$ 换成等价的 $-q_1$ ，强制点积非负，插值路径才会贴着最短弧走。

工程接口

四元数解决了存储和插值的问题，但 GPU 顶点管线从头到尾认的是矩阵——一个网格的顶点要变换到世界空间或裁剪空间，最终执行的永远是矩阵乘法，不存在"用四元数直接乘顶点"这种硬件路径。所以工程上四元数和矩阵是配对使用的：动画系统里存四元数、对四元数做 slerp，插值算出当前帧姿态后，再转换成 3×3（或嵌入 4×4）矩阵送进 uniform、送进蒙皮（skinning）计算，交给 GPU。转换公式是标准形式，这里直接给出，不推导：

R=\begin{bmatrix} 1-2(y^2+z^2) & 2(xy-wz) & 2(xz+wy)\\ 2(xy+wz) & 1-2(x^2+z^2) & 2(yz-wx)\\ 2(xz-wy) & 2(yz+wx) & 1-2(x^2+y^2) \end{bmatrix}

（其中 $q=(w,x,y,z)$ 是单位四元数。）这条公式抄错一个符号就会得到一个镜像或转错方向的旋转，属于那种"编译能过、跑起来姿态诡异"的隐蔽 bug——落笔前我用绕 Y 轴转 90° 的四元数代入这个矩阵做了数值验证，确认它把 $(1,0,0)$ 转到了 $(0,0,-1)$ ，并且与直接用 $qvq^{-1}$ 夹逼算出的结果逐分量对上、行列式为 1、矩阵正交，这些都是判断"四元数转矩阵"实现是否抄写正确的低成本自检手段，值得记住。

日常 C++ 工程里几乎不会手写这条公式——GLM（OpenGL Mathematics）库把它封装成了 glm::quat 类型和一整套配套函数：glm::slerp(q0, q1, t) 做插值，glm::mat3_cast(q) / glm::mat4_cast(q) 把插值结果转换成矩阵。选用哪种表示的分工也就清楚了：矩阵是"送进 GPU 之前的最后一站"，四元数是"存储、插值、组合旋转时的工作表示"——四元数只有 4 个数、乘法结合律成立，多次组合后即便有浮点误差累积，也只需重新归一化（除以模长）就能修正；而矩阵要保持正交，每次组合后都可能慢慢漂离正交阵，修正起来要做代价高得多的 Gram-Schmidt 正交化。这正是动画系统普遍选择"四元数存储 + 矩阵消费"这套组合拳的原因。

🎯 岗位关联

插帧算法要在两帧真实渲染结果之间"造"出中间帧，如果场景里有摄像机转动（甩镜头、载具急转弯这类场景很常见），中间帧的相机朝向必须由两帧的相机姿态插值得到——这正是本篇要落地的场景。一个常见的错误实现是直接对 4×4 视图矩阵逐元素做线性插值：矩阵是 16 个数，看起来"lerp 一下"顺理成章，但线性插值出来的矩阵几乎必然不再正交，也就不再是一个合法的刚体变换（rigid transform）——它会带上错误的缩放和错切（shear）分量。这种非刚性形变在插帧的中间帧里表现为一种特有的鬼影（ghosting）：画面看起来像是被轻微拉伸、扭曲了一下，尤其在相机快速转动的镜头里格外明显；正确的做法是只对旋转部分的四元数做 slerp、平移部分正常做线性插值，再重新组合成矩阵——这是本篇公式在插帧管线里最直接的落点。姿态数据的另一个来源是传感器：手机的陀螺仪与头瞄（head-tracking）类 feature（比如 VR/AR 场景、Android 的 TYPE_ROTATION_VECTOR 传感器）直接输出的就是四元数而不是欧拉角，这不是巧合——传感器融合算法（陀螺仪 + 加速度计 + 磁力计）内部本身就用四元数做姿态积分，原因和这一篇讲的完全一致：避免万向锁、避免插值路径失真。

小结

表示	存储	组合	插值	直觉性
欧拉角	3 个浮点数	矩阵连乘，顺序依赖（XYZ ≠ ZYX）	逐分量插值会穿过万向锁奇异区	最强
轴角	4 个数（或压缩为旋转向量）	无闭式公式，需借道四元数/矩阵	无直接公式	较强
四元数	4 个数，单位范数约束	四元数乘法，无奇异点	slerp 匀速沿最短弧	最弱，需工具辅助

slerp / nlerp 选择规则

角度小、性能敏感、对匀速无硬性要求 → nlerp（一次归一化，省去一次 arccos 和三次 sin 的求值）。
角度大、或对角速度均匀有明确要求（比如本篇的相机大幅甩动场景）→ slerp。
无论选哪个，插值前先检查 $q_0\cdot q_1$ 的符号，必要时取反其中一个以保证走最短弧——这是双倍覆盖带来的必需步骤，忘记这一步是这套 API 最容易踩的坑。