Eigen矩阵库入门：机器人数学运算的标配工具

郑伟强dev

131人浏览 · 2026-07-17 00:06:28

郑伟强dev · 2026-07-17 00:06:28 发布

前面把网络通信和序列化聊完了。最后两篇进入数学库板块——Eigen。

做机器人开发，矩阵运算是家常便饭。坐标变换要矩阵乘法，卡尔曼滤波要矩阵求逆，SLAM里的图优化要稀疏矩阵运算。这些运算如果你自己写，不仅慢还容易出错。Eigen是C++社区最流行的线性代数库，几乎所有机器人项目都在用。

面试的时候，如果你能熟练地说出Eigen的用法，再结合项目里的例子，面试官会觉得你是真正写过机器人代码的。

Eigen的基本用法

Eigen是一个纯头文件库，不需要编译安装，包含头文件就能用：

#include <Eigen/Dense>
#include <iostream>

using namespace Eigen;

int main() {
    // 创建矩阵
    Matrix3d m;  // 3x3的double矩阵
    m << 1, 2, 3,
         4, 5, 6,
         7, 8, 9;
    cout << m << endl;
    
    // 向量
    Vector3d v(1, 2, 3);
    cout << "v = " << v.transpose() << endl;
    
    // 矩阵乘法
    Vector3d result = m * v;
    cout << "m * v = " << result.transpose() << endl;
    
    // 转置
    cout << "m^T = " << m.transpose() << endl;
    
    // 求逆
    cout << "m^-1 = " << m.inverse() << endl;
    
    return 0;
}

Eigen的命名规则很直观：MatrixXd表示任意大小的double矩阵（X代表动态大小，d代表double），Matrix3d是固定的3x3矩阵，Vector4f是4维float向量。

动态大小和固定大小的选择：小矩阵（3x3、4x4这种）用固定大小，编译器可以做更多的优化；大矩阵用动态大小，运行时决定尺寸。

在机器人开发中的常见运算

机器人学里最常用的矩阵运算，Eigen都支持得很好：

// 1. 旋转矩阵（3x3）
Matrix3d R;
R = AngleAxisd(0.5, Vector3d::UnitZ());  // 绕Z轴旋转0.5弧度

// 2. 坐标变换
Vector3d point_body(1.0, 0.0, 0.0);  // 机体坐标系下的点
Vector3d point_world = R * point_body;  // 转换到世界坐标系

// 3. 最小二乘问题（Ax = b）
MatrixXd A(10, 3);
VectorXd b(10);
// ... 填充A和b
Vector3d x = A.colPivHouseholderQr().solve(b);

// 4. 特征值分解
Matrix3d covariance;
// ... 计算协方差矩阵
SelfAdjointEigenSolver<Matrix3d> solver(covariance);
Vector3d eigenvalues = solver.eigenvalues();
Matrix3d eigenvectors = solver.eigenvectors();

最小二乘在机器人里用得特别多。比如标定传感器的时候，你需要从多组观测数据中求解传感器的外参。这就是一个最小二乘问题。

特征值分解在SLAM里常用。比如对点云做PCA（主成分分析），提取平面的法向量，就是求协方差矩阵的最小特征值对应的特征向量。

// 点云PCA示例
vector<Vector3d> points = {/* 从点云获取 */};

// 计算质心
Vector3d centroid = Vector3d::Zero();
for (const auto& p : points) centroid += p;
centroid /= points.size();

// 计算协方差矩阵
Matrix3d covariance = Matrix3d::Zero();
for (const auto& p : points) {
    Vector3d diff = p - centroid;
    covariance += diff * diff.transpose();
}
covariance /= points.size();

// 特征值分解
SelfAdjointEigenSolver<Matrix3d> solver(covariance);
// 最小特征向量就是平面法向量
Vector3d normal = solver.eigenvectors().col(0);

Eigen的常见坑

用Eigen的时候有几个容易踩的坑，面试偶尔会提到。

第一个是auto的陷阱。Eigen用表达式模板，很多运算返回的是"表达式对象"而不是矩阵。如果你用auto接收，表达式可能引用已经被销毁的临时对象：

MatrixXd A(3, 3), B(3, 3);
// ... 初始化A和B
auto result = A * B;  // 危险！result不是矩阵，是一个乘法表达式
// 如果A或B在result被求值之前被修改或销毁，结果就不对

MatrixXd result2 = A * B;  // 正确：赋值给MatrixXd会立即求值

第二个是行优先和列优先。Eigen默认是列优先存储（和Fortran、MATLAB一样）。如果你的代码需要和行优先的库交互（比如某些图像库），需要指定存储顺序：

Matrix<double, 3, 3, RowMajor> rowMatrix;  // 行优先
Matrix<double, 3, 3, ColMajor> colMatrix;  // 列优先（默认）

Eigen的性能

Eigen的性能在线性代数库里算很好的。它用了表达式模板（Expression Templates）技术，在编译期优化矩阵运算，避免临时对象的创建。

// 这个表达式在编译期被优化
// 不会创建a*b的临时矩阵
Vector3d result = a.cross(b) + c;

对于大矩阵运算，Eigen会调用底层的BLAS/LAPACK库（如果你安装了的话），性能接近Fortran级别的数值计算库。

在嵌入式机器人上，Eigen也跑得动。你可以关掉一些不需要的特性来减小编译产物：

#define EIGEN_NO_MALLOC  // 禁止动态内存分配
#define EIGEN_DONT_VECTORIZE  // 关掉SIMD（如果硬件不支持）
#include <Eigen/Core>

面试中的关键考点

"Eigen的固定大小和动态大小矩阵有什么区别？"固定大小（如Matrix3d）在栈上分配，编译期确定大小，性能更好。动态大小（如MatrixXd）在堆上分配，运行时确定大小，更灵活。小矩阵用固定大小，大矩阵用动态大小。

"Eigen的表达式模板是什么？"一种编译期优化技术。Eigen不立即计算矩阵运算的结果，而是构建一个表达式树，在最终赋值的时候一次性计算。避免了中间临时对象的创建和内存分配。

"Eigen和OpenCV的Mat有什么区别？"Eigen是通用的线性代数库，支持各种矩阵分解和数学运算。OpenCV的Mat是专门为图像处理设计的，有丰富的图像操作API。在机器人项目里，两者经常配合使用——Eigen做数学运算，OpenCV处理图像。

再补充一个面试加分点：Eigen的调试技巧。在调试矩阵运算时，经常需要打印矩阵内容来检查结果是否正确。Eigen重载了<<运算符，可以直接cout << matrix输出矩阵。但在GDB里调试时，直接print matrix看不到矩阵内容，需要用print matrix.data()来查看底层数据数组。另外如果遇到Eigen编译报错信息特别长（模板错误的特点），可以用-ftemplate-depth=10限制模板嵌套深度来缩短错误信息，快速定位问题。面试时如果你能提到这些调试Eigen的实用技巧，面试官会觉得你确实动手写过不少Eigen代码。