欧拉角万向锁为何会成为SLAM非线性优化中的问题？

你已经理解万向锁的产生机制，核心问题在于这种姿态表示方式的奇异性和非连续性，恰好命中了非线性优化算法的核心需求——参数空间的光滑性与满秩雅可比矩阵，具体原因如下：

• 雅可比矩阵奇异性导致优化停滞
  非线性优化（比如SLAM中常用的LM算法）依赖雅可比矩阵计算参数更新方向。当欧拉角进入万向锁状态（如俯仰角为±90°），两个旋转轴完全重合，此时欧拉角的雅可比矩阵会出现秩亏（秩从3降到2），意味着参数空间中丢失了一个自由度。优化算法无法沿着缺失的维度计算有效更新，要么迭代停滞，要么给出错误的参数调整方向，最终导致姿态估计发散或精度暴跌。

• 参数非连续性引发优化震荡
  欧拉角的参数化不是全局连续的：即使姿态只发生微小变化，当接近万向锁区域时，欧拉角的数值可能出现跳变（比如俯仰角从89°突变到-89°）。这种参数跳变会让优化算法的迭代路径出现剧烈震荡，难以收敛到全局最优解，甚至陷入局部最优。

• 违背非线性优化对参数空间的要求
  SLAM中的旋转属于SO(3)李群，理想的参数化需要对应SO(3)的光滑流形。欧拉角的参数化存在奇异性点（万向锁），破坏了流形的光滑性；而单位四元数是SO(3)的无奇异、全局连续的参数化方式，其雅可比矩阵始终满秩，能保证优化过程稳定、高效地收敛。

内容的提问来源于stack exchange，提问作者defacto