已知3D点对A→A'、B→B'，如何推导C'、D'、E'的变换？

原始问题 #

现有非共面、非共线的3D点A、B、C、D、E，已知另一坐标系中满足AB=A'B'的点A'、B'。能否据此得到C'、D'、E'，使其与A'的距离、角度等关系和原坐标系中C、D、E与A的关系一致？
我尝试过旋转矩阵法但未成功，曾试图找到映射A→A'、B→B'的旋转矩阵来推导C'等，但无效。最接近的方法是使用代码：

C_prime = A_prime + (C - A)
D_prime = A_prime + (D - A)
E_prime = A_prime + (E - A)

（其中A_prime、A、C、D、E为3D坐标的numpy数组），该方法能保证C'等与A'的距离正确，但与B'的距离不符；若替换为B和B'则相反。如何结合这两个约束？我使用Python和Numpy工具。

解决思路 #

你需要的是刚体变换（平移+旋转），这种变换能完全保留点集的相对空间关系（距离、角度、拓扑），同时满足A→A'、B→B'的映射要求。之前的方法只做了平移，没有旋转对齐AB和A'B'的方向，所以无法同时匹配A'和B'的约束。

具体步骤 #

• 计算原坐标系和新坐标系中的AB方向向量：
  • 原向量：vec_ab = B - A
  • 新向量：vec_a'b' = B' - A'
• 计算将vec_ab旋转到vec_a'b'的旋转矩阵（采用Rodrigues旋转公式，适配3D空间的向量旋转）：
  • 求叉乘得到旋转轴：axis = np.cross(vec_ab, vec_a'b')
  • 计算两向量的夹角：theta = np.arccos(np.dot(vec_ab, vec_a'b') / (np.linalg.norm(vec_ab) * np.linalg.norm(vec_a'b')))
  • 基于旋转轴和夹角构造旋转矩阵
• 将原坐标系的所有点以A为原点归一化：C_origin = C - A（同理处理D、E）
• 用旋转矩阵旋转归一化后的向量
• 最后将旋转后的向量平移到A'的位置，得到目标点C'、D'、E'

Python代码实现 #

import numpy as np

def rodrigues_rotation_matrix(axis, theta):
    """通过Rodrigues公式构造3D旋转矩阵"""
    axis = axis / np.linalg.norm(axis)
    cos_half = np.cos(theta / 2)
    sin_half = np.sin(theta / 2)
    a, b, c, d = cos_half, -axis[0]*sin_half, -axis[1]*sin_half, -axis[2]*sin_half
    return np.array([
        [a**2 + b**2 - c**2 - d**2, 2*(b*c - a*d), 2*(b*d + a*c)],
        [2*(b*c + a*d), a**2 + c**2 - b**2 - d**2, 2*(c*d - a*b)],
        [2*(b*d - a*c), 2*(c*d + a*b), a**2 + d**2 - b**2 - c**2]
    ])

# 示例输入（替换为你的实际坐标）
A = np.array([1.0, 2.0, 3.0])
B = np.array([4.0, 5.0, 6.0])
C = np.array([7.0, 8.0, 9.0])
D = np.array([2.0, 3.0, 1.0])
E = np.array([5.0, 1.0, 4.0])

A_prime = np.array([10.0, 11.0, 12.0])
B_prime = np.array([13.0, 14.0, 15.0])

# 计算向量
vec_ab = B - A
vec_a_b = B_prime - A_prime

# 构造旋转矩阵（处理向量平行的特殊情况）
rotation_mat = np.eye(3)
axis = np.cross(vec_ab, vec_a_b)
if np.linalg.norm(axis) > 1e-8:
    theta = np.arccos(np.clip(np.dot(vec_ab, vec_a_b) / (np.linalg.norm(vec_ab)*np.linalg.norm(vec_a_b)), -1.0, 1.0))
    rotation_mat = rodrigues_rotation_matrix(axis, theta)

# 定义点变换函数
def transform_point(P):
    P_origin = P - A
    P_rotated = rotation_mat @ P_origin.reshape(3, 1)
    return A_prime + P_rotated.flatten()

# 计算目标点
C_prime = transform_point(C)
D_prime = transform_point(D)
E_prime = transform_point(E)

# 验证结果
print(f"原C到A的距离：{np.linalg.norm(C - A):.2f}")
print(f"新C'到A'的距离：{np.linalg.norm(C_prime - A_prime):.2f}")
print(f"\n原C到B的距离：{np.linalg.norm(C - B):.2f}")
print(f"新C'到B'的距离：{np.linalg.norm(C_prime - B_prime):.2f}")

代码说明 #

• rodrigues_rotation_matrix函数实现了3D空间中基于旋转轴和角度的旋转矩阵构造，是处理向量旋转的标准方法
• 加入了向量平行的特殊情况处理（此时无需旋转，用单位矩阵即可）
• transform_point函数封装了完整的变换流程，可快速复用处理所有点
• 验证部分可以确认变换后点的相对距离完全匹配原坐标系，同时满足A'和B'的约束

内容的提问来源于stack exchange，提问作者Pietro Aronica