EGO 坐标系：让机器人有了"空间感"

引言：机器人为什么需要"空间感"

人类走路、伸手拿杯子、绕过障碍物，一切动作都基于一个基本前提——我们知道自己在哪、手在哪、周围的空间是什么样的。这种直觉般的空间感知能力，对机器人来说却是一项复杂的工程挑战。

在具身智能和人形机器人领域，“模仿学习”（Imitation Learning）是一种主流的训练范式：让机器人观察人类的动作演示，然后学会复现同样的行为。但这里有一个关键前提——人类演示的动作轨迹，和机器人实际执行的动作轨迹，必须在同一个空间参考系下对齐。如果坐标系不统一，机器人看到的"右手向上"可能实际是"左手向前"，模仿也就无从谈起。

EGO 头部设备通过两套坐标系的设计，配合 VIO 实时输出的 6DoF 位姿，为机器人提供了稳定的空间参照。本文从技术原理出发，详细解析 EGO 的坐标系体系及其在模仿学习中的作用。

两套坐标系：世界系与局部系

EGO 设备定义了两套核心坐标系：世界坐标系（World Frame）和设备局部坐标系（Body Frame / IMU Frame）。两套坐标系各司其职，共同描述设备在空间中的位置和姿态。

世界坐标系：空间的"基准地图"

世界坐标系是一个固定不变的全局参考系，其原点和轴向在设备初始化时确定：

• 原点：取初始化时刻 IMU（惯性测量单元）所在的空间位置
• Z 轴：沿重力反方向竖直向上
• X 轴：取设备初始朝向在水平面上的前向投影
• Y 轴：由右手定则确定（X×Z 的反方向，即左侧）

这个定义有几个值得注意的技术细节：

第一，Z 轴由重力方向确定，而非设备自身方向。 这意味着无论设备初始姿态如何倾斜，世界坐标系的 Z 轴始终与重力方向对齐。这是通过 IMU 中的加速度计在静止状态下测量重力矢量实现的。初始化时，设备保持静止，加速度计测得的加速度矢量就是重力的反方向，取其反方向即为 Z 轴正方向。

第二，X 轴是初始朝向的"水平前向投影"。 这里的关键词是"水平"和"投影"。设备的初始朝向可能包含俯仰角（点头）和横滚角（歪头），但 X 轴不是简单地取设备前方，而是将设备前向矢量投影到水平面（即垂直于 Z 轴的平面）上，得到的方向才是 X 轴正方向。这样做的好处是，世界坐标系的 X-Y 平面始终与水平面平行，便于描述平面内的运动。

第三，右手定则确保坐标系正交且一致。 Y 轴由 X 轴和 Z 轴通过叉乘确定，确保三轴两两正交且符合右手系约定。这与 ROS（机器人操作系统）中的标准坐标系约定一致，便于与机器人系统对接。

局部坐标系：设备自身的"骨架"

与世界坐标系的全局性不同，设备局部坐标系以 IMU 的几何中心为原点，三轴定义如下：

• X 轴：指向设备前方
• Y 轴：指向设备左侧
• Z 轴：指向设备上方（与设备外壳顶面垂直向上）

这个坐标系随着设备的运动而运动，描述的是设备自身的姿态和相对于自身的运动。举个例子：当你戴着 EGO 设备点头时，在局部坐标系中，你的头部是绕 X 轴旋转（俯仰角 pitch）；当你左右摇头时，是绕 Y 轴旋转（偏航角 yaw）；当你歪头时，是绕 Z 轴旋转（横滚角 roll）。

局部坐标系的原点严格定在 IMU 的几何中心，而不是设备外壳的某个点。这是因为所有运动测量数据（加速度、角速度）都来自 IMU，以 IMU 为原点可以避免坐标系偏移带来的误差，简化运动学计算。

两套坐标系的关系

世界坐标系是"不动的背景"，局部坐标系是"移动的物体"。VIO（视觉惯性里程计）的核心任务，就是实时计算局部坐标系在世界坐标系中的位置和姿态，也就是所谓的 6DoF 位姿（6 Degrees of Freedom Pose）。

VIO 与 6DoF 位姿：每秒 30 次的空间定位

什么是 6DoF

6DoF 指的是描述一个刚体在三维空间中运动所需的六个自由度：

• 三个平移自由度：沿 X 轴、Y 轴、Z 轴的位移
• 三个旋转自由度：绕 X 轴（俯仰/pitch）、绕 Y 轴（偏航/yaw）、绕 Z 轴（横滚/roll）的旋转

完整的 6DoF 位姿通常用一个三维位置向量（x, y, z）加上一个旋转表示（四元数、欧拉角或旋转矩阵）来描述。

VIO 如何工作

VIO 全称 Visual-Inertial Odometry，即视觉惯性里程计。它融合了两种传感器的数据：

• 视觉传感器（相机）：通过连续帧之间的特征点匹配，估计相机的运动
• 惯性传感器（IMU）：通过加速度计和陀螺仪的高频测量，提供短时间内高精度的运动估计

两者互补：视觉在长距离下有漂移但能通过场景特征校正，IMU 频率高但长时间积分会累积误差。融合之后，VIO 既能保持较高的更新频率，又能有效抑制漂移。

EGO 的 VIO 以 30Hz 的频率输出世界坐标系下的 6DoF 位姿。也就是说，每 33.3 毫秒，系统就会给出一次"当前设备在世界坐标系中的位置和姿态"。对于模仿学习来说，这个频率意味着什么呢？

30Hz 足够捕捉人类头部的自然运动。 人类正常转头、点头的频率通常在几赫兹量级，30Hz 的采样率可以提供足够的时间分辨率，完整记录运动轨迹。同时，30Hz 也不会产生过多的数据量，保证下游算法的实时性。

统一空间参照的意义

在模仿学习中，演示数据的空间参照一致性至关重要。假设一个演示者做了十次"抬手"动作，每次站的位置和朝向可能都略有不同。如果每次演示的轨迹都记录在各自的局部坐标系里，这十次数据就没有可比性——你无法用它们训练出一个通用的"抬手"模型。

而有了世界坐标系下的 6DoF 位姿，情况就不一样了：

1. 每次演示都从一个共同的初始状态出发（初始化时确定世界系原点和轴向）
2. 所有轨迹都统一到同一个空间参考系下
3. 不同次演示之间的轨迹可以直接比较和对齐
4. 训练出来的策略可以泛化到不同的初始位置

这就是为什么说，VIO 输出的世界系 6DoF 位姿，为模仿学习算法提供了可用的"空间骨架"。

Finger 指尖相机：机器人端的坐标系对接

除了头部的 EGO 设备，在机器人端，Finger 指尖相机也有自己的坐标系定义。理解这一层坐标系的对接，才能完整理解整个系统的空间一致性。

Finger 相机坐标系

Finger 指尖相机的坐标系定义如下：

• 原点：相机光心（光学中心）
• 坐标系方向：右手系定义
• 与 URDF base_link 一致：坐标系约定与机器人 URDF 模型中的 base_link 坐标系一致

这个一致性非常重要。URDF（Unified Robot Description Format）是 ROS 生态中描述机器人模型的标准格式，base_link 是机器人模型的基座坐标系。如果 Finger 相机的坐标系与 base_link 一致，那么相机采集的数据就可以直接对接机器人模型，不需要额外的坐标系转换。

数据流动的完整链条

从演示到执行，完整的空间数据流动链条是这样的：

1. 采集阶段：EGO 设备采集人类演示的头部运动，以 IMU 局部坐标系为原始参考
2. 定位阶段：VIO 实时计算世界坐标系下的 6DoF 位姿，将局部运动转换为全局轨迹
3. 训练阶段：模仿学习算法在世界坐标系下学习演示轨迹，提取动作策略
4. 执行阶段：机器人执行策略输出的动作，通过 Finger 相机等传感器反馈自身状态
5. 闭环阶段：Finger 坐标系与机器人 base_link 对齐，感知数据可直接用于运动控制

每一步的坐标系都经过了精心设计，确保数据可以在系统内无缝流动。

坐标系设计中的工程考量

一个看似简单的坐标系定义，背后其实有很多工程考量。让我们从几个角度来看。

为什么用右手系

右手坐标系是机器人学和计算机图形学的通用约定。ROS、OpenGL、Unity 等主流框架都采用右手系。采用右手系可以最大限度地减少与现有工具链对接时的转换成本，避免因坐标系手性不同而产生的 bug。

为什么 Z 轴向上

在移动机器人和人形机器人领域，"Z 轴向上"是最常见的约定。这符合人类对空间的直觉——地面是 X-Y 平面，高度是 Z 方向。同时，重力方向与 Z 轴对齐，也便于利用 IMU 加速度计直接测量重力方向来确定 Z 轴。

为什么需要两套坐标系

只用一套坐标系不行吗？理论上可以，但工程上会很不方便。

如果只用世界坐标系，那么描述设备自身的姿态变化就需要不断进行坐标变换，计算量大且容易出错。局部坐标系的存在，让我们可以直接在设备自身的参考系下描述姿态和运动，物理意义更清晰，计算也更简单。

反过来，如果只用局部坐标系，就无法描述全局位置——你不知道设备在房间的哪个位置、面朝哪个方向。世界坐标系提供了全局参照，让不同时刻、不同位置的测量可以在同一框架下比较。

两套坐标系配合，既保留了局部描述的简洁性，又具备全局参照的一致性，是工程上的最优解。

总结

EGO 的坐标系体系是一套精心设计的空间参照系统：世界坐标系提供全局基准，局部坐标系描述自身姿态，VIO 以 30Hz 输出两者之间的变换关系，Finger 相机坐标系与机器人 base_link 对齐确保端到端的数据一致性。

对于模仿学习来说，这套坐标系体系就像是机器人的"空间骨架"——没有它，采集到的运动数据只是一堆散乱的数字；有了它，这些数字才有了空间意义，才能被算法理解和复现。

在具身智能快速发展的今天，底层的空间感知能力往往决定了上层算法的天花板。EGO 的坐标系设计，正是从底层为机器人的空间理解打下了坚实的基础。

---

One More Thing…

朗锐创新专注于工业智能视觉、深度相机、空间智能、具身智能技术应用。提供专业硬件定制化服务，帮助客户项目快速实现快速盈利。