想象一支快递机器人团队：底盘驮着箱子，激光雷达像眼睛长在头顶，摄像头像额头的另一只眼，机械臂像右手。队员报告位置时，个个说方言——雷达说“箱子在我外壳坐标系里前方两米”，摄像头说“箱子在我视网膜坐标系里偏左三十厘米”。调度中心听得一头雾水，因为每个人口中的“前方”根本不是一个方向。此时，队长带着两件宝贝登场：一本覆盖所有队员从属关系的“组织树图”，和一块让每条消息都盖上时间戳的“同步手表”。队长的工作，就是随时把任何一句方言翻译成地图上的标准普通话。这套翻译机制，就是ROS2里的TF2坐标变换库。

岗位关联

对AI从业者而言，TF2是多传感器融合、机器人导航与机械臂控制的空间对齐底座。掌握它，才能让感知模型的输出真正驱动物理世界的行动，是连接算法与硬件的职业分水岭。

目录
  1. 可视化演示
  2. 坐标变换基础
  3. TF2核心架构
  4. 变换发布机制
  5. 坐标查询与运算
  6. TF2 API实践
  7. 问题排查技巧
  8. 工程应用案例
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示TF2坐标变换：TF坐标系树、静态与动态变换原理，展示不同坐标系之间的相对位姿换算与广播机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

TF树 父系 子系 Tchild→parent 坐标系按父子层级广播

坐标变换基础

队长的第一件事，是为小队员们的方言编一本对照字典。机械臂说“爪尖在我前方”，激光雷达说“障碍物在左上方”，其实说的是同一个物理点，只是各自都有一套“以我为原点”的说法。要把方言翻译成普通话，就必须先明确两件事：两个坐标系原点隔了多远（平移），三根轴之间差了多少角度（旋转）。

坐标系，就是刻画“以谁为基准”的三轴刻度尺。TF2里的每个传感器都拥有自己的坐标系，位于传感器安装点；机器人底盘也有底盘坐标系。任何一次坐标变换，本质上都是把某个点在一把尺子下的读数，换算到另一把尺子下的读数。

最优雅的打包方式，是用一个4×4的齐次变换矩阵T，把旋转和平移融成一次矩阵乘法。左上角3×3块是旋转矩阵R，携带三轴夹角信息；右上角3×1块是平移向量t，携带原点偏移；最下面一行固定为\([0\;0\;0\;1]\)。

就这样，队长把每一条方言都压成了一张张“标准小卡片”。拿着卡片，任何两种方言都能互相翻译，队伍里的信息第一次有了共同的文字。

T=[Rt01×31]\displaystyle T = \begin{bmatrix} R & t \\ 0_{1\times3} & 1 \end{bmatrix}
这个矩阵是TF2交换坐标信息的“统一方言卡”，一张卡片同时回答“方向差多少”和“原点差多少”两个问题。
  1. 矩阵 T4×4的齐次变换矩阵，同时容纳旋转与平移，是TF2坐标换算的核心“字典条目”。
    T=[Rt01×31]\displaystyle T = \begin{bmatrix} R & t \\ 0_{1\times3} & 1 \end{bmatrix}
  2. 旋转子块 R3×3旋转矩阵，各列分别表示源坐标系三根轴在目标坐标系中的方向。
    R=[r11r12r13r21r22r23r31r32r33]\displaystyle R = \begin{bmatrix} r_{11} & r_{12} & r_{13} \\ r_{21} & r_{22} & r_{23} \\ r_{31} & r_{32} & r_{33} \end{bmatrix}
  3. 平移子块 t3×1列向量，表示源坐标系原点在目标坐标系下的偏移。
    t=[txtytz]T\displaystyle t = \begin{bmatrix} t_x & t_y & t_z \end{bmatrix}^{\mathsf{T}}
  4. 齐次行最后一行固定为全0加末尾1，使矩阵乘法能统一表达“旋转+平移”。
    [0001]\displaystyle \begin{bmatrix} 0 & 0 & 0 & 1 \end{bmatrix}

TF2核心架构

光有字典还不够。队长发现，队员之间有明确的上下级关系：激光雷达装在底盘上，底盘跟着里程计走，里程计又相对地图世界定位。这种隶属关系若画成图，就是一棵倒挂的“组织树”——TF树。

TF树是TF2的骨架。每个节点代表一个坐标系，每条边代表父坐标系到子坐标系的变换。任一节点都可以沿着树上的边一步步走到另一个节点，串联起来的路径就是“变换链”。两帧之间没有直接边也没关系，只要路径存在，就能算出整体变换。

假设要从坐标系A变到坐标系C，树上没有直接边，但有A→B→C这条路。TF2不是一步到位，而是先把A→B的变换与B→C的变换相乘，得到A到C的整体变换。注意顺序不能颠倒，矩阵乘法不满足交换律，就像“先向右转再走一步”和“先走一步再向右转”的落点完全不同。

队长拿着组织树，谁挂在谁下面一目了然；任何两句话，只要沿树爬一遍楼梯，就能翻成同一种方言。这就是TF树赋予TF2的“全局视野”。

TA→C=TB→C⋅TA→B\displaystyle T_{A \to C} = T_{B \to C} \cdot T_{A \to B}
这条公式是TF树路径查找的数学本质：两次相邻变换串联，得到跨越多帧的整体变换。
  1. 管道路径A到C必须先经过中间帧B，这一步由TF树的路径查找自动完成。
    A→B→C\displaystyle A \to B \to C
  2. 前段变换\(T_{A \to B}\)表示把A坐标系中的点换算到B坐标系中，它是本段的“翻译卡”。
    TA→B∈R4×4\displaystyle T_{A \to B} \in \mathbb{R}^{4 \times 4}
  3. 后段变换\(T_{B \to C}\)表示把B中的点继续换算到C中。
    TB→C∈R4×4\displaystyle T_{B \to C} \in \mathbb{R}^{4 \times 4}
  4. 合成顺序整体变换等于后段乘以前段，先作用A→B，再作用B→C。
    TA→C=TB→C⋅TA→B\displaystyle T_{A \to C} = T_{B \to C} \cdot T_{A \to B}

变换发布机制

组织树不是画一次就永久有效。队长要求队员不断汇报自己的位置：底盘每动一下、雷达每转一下，都要喊一句“我现在在哪”。这种持续汇报，就是“发布变换”。

TF2把汇报分成两类：静态变换与动态变换。激光雷达相对底盘的安装位置固定，属于静态变换，用StaticTransformBroadcaster在启动时发布一次，之后大家共享同一张“座位表”；底盘相对里程计的位置时时变化，属于动态变换，要用TransformBroadcaster按固定频率持续广播。频率太低跟不上运动，太高则白白消耗CPU。

每条被发布的消息都是TransformStamped，包含父子帧名、时间戳和4×4矩阵。当需要把某个传感器坐标系里的点换算到目标坐标系时，调度逻辑沿树查找路径，先旋转对齐方向，再平移对齐原点。

每一次广播，都像队员扯着嗓子喊一句带时间戳的方言；队长细心存档，为后续查询准备好了完整的“语音档案”。

ptarget=R⋅psource+t\displaystyle p_{\text{target}} = R \cdot p_{\text{source}} + t
一次标准的坐标换算：先让方向一致，再把原点挪到同一处，源点就变成了目标坐标系下的坐标。
  1. 源点传感器坐标系中读到的原始坐标，比如雷达报告“前方2米处有障碍”。
    psource=[xsyszs]T\displaystyle p_{\text{source}} = \begin{bmatrix} x_s & y_s & z_s \end{bmatrix}^{\mathsf{T}}
  2. 旋转对齐用旋转矩阵把源点的方向转成目标坐标系的朝向。
    R⋅psource\displaystyle R \cdot p_{\text{source}}
  3. 平移对齐加上两坐标系原点的偏移，使源点落在目标坐标系的标准视角下。
    +  t\displaystyle + \; t
  4. 合成目标点最终得到目标坐标系下的坐标，可直接用于后续规划与控制。
    ptarget=R⋅psource+t\displaystyle p_{\text{target}} = R \cdot p_{\text{source}} + t

坐标查询与运算

当有人问“苹果在哪个房间”时，队长要当场翻档案。他不能临时去挨个问队员，那样太慢。他早已把每一句汇报按时间顺序存进“广播记录本”，也就是变换缓存。

TF2中有一个专门的坐标缓冲器Buffer，维护着TF树最近的完整历史。调用lookupTransform(target, source, time)时，先按帧名找到树上的路径，再从缓存中取出对应时刻的变换。若查询时刻刚好落在两次相邻广播之间，缓存里没有整点记录，TF2并不会直接报错，而是用时间插值估算一个“当下”的变换。

假设上次广播在\(t_a\)时刻，下次广播在\(t_b\)时刻，查询时刻\(t_{\text{query}}\)落在两者之间。TF2先计算查询时刻在区间内的归一化比例\(\alpha\)，再用\(\alpha\)对两帧变换做线性插值，得到最接近当下的结果。

队长翻档案翻得飞快，即便记录卡带也能用插值算出“最接近当下”的答案，绝不空手而归。正是这种机制，让高速运动的机器人也能实时回答“此刻在哪里”。

α=tquery−tatb−ta,Tinterp=Ta+α (Tb−Ta)\displaystyle \alpha = \frac{t_{\text{query}} - t_a}{t_b - t_a}, \quad T_{\text{interp}} = T_a + \alpha\,(T_b - T_a)
时间插值让TF2在缓存没有“整点记录”时仍能给出平滑结果，是实时系统的关键容错机制。
  1. 距上次广播的时长查询时刻减去上一帧时刻，反映“已经过了多久”。
    tquery−ta\displaystyle t_{\text{query}} - t_a
  2. 归一化比例除以上下两帧的间隔，得到0到1之间的权重\(\alpha\)。
    α=tquery−tatb−ta\displaystyle \alpha = \frac{t_{\text{query}} - t_a}{t_b - t_a}
  3. 线性插值用\(\alpha\)在相邻两帧变换之间折中，得到查询时刻的变换估计。
    Tinterp=Ta+α (Tb−Ta)\displaystyle T_{\text{interp}} = T_a + \alpha\,(T_b - T_a)

TF2 API实践

思路理清了，队长开始把规矩写成管理手册。在ROS2程序中，这份手册就是tf2_ros包提供的三个角色：广播员、旁听员、调度员。

广播员对应TransformBroadcaster，负责把TransformStamped消息发到/tf话题，相当于队员喊话；旁听员对应TransformListener，订阅/tf并写入Buffer，相当于队长记档；调度员是Buffer自带的查询与变换接口，如transform和lookupTransform，相当于队长翻本子答话。

工程中最常见的场景，是把激光雷达点云从雷达坐标系变换到地图坐标系。实现上先查雷达→底盘、底盘→里程计、里程计→地图这条完整链条，再把每一点依次乘上合成矩阵。代码看起来是几行API调用，背后却是整棵TF树的协同工作。

手册写清楚后，队长再也不用每次亲自出马，任何新同事都能按API照章办事。这正是TF2的工程价值：把复杂的空间逻辑封装成简洁的调用接口。

pmap=Tmapodom⋅Todombase⋅Tbaselaser⋅plaser\displaystyle p_{\text{map}} = T_{\text{map}}^{\text{odom}} \cdot T_{\text{odom}}^{\text{base}} \cdot T_{\text{base}}^{\text{laser}} \cdot p_{\text{laser}}
这就是点云变换的完整链条：从传感器帧逐级上升到公共世界帧，每一步都是查表得到的小变换矩阵。
  1. 雷达原始点激光雷达坐标系下读到的障碍物坐标，是整条链的起点。
    plaser\displaystyle p_{\text{laser}}
  2. 提升到底盘帧使用雷达相对底盘的安装矩阵，把点从雷达视角转到底盘视角。
    Tbaselaser⋅plaser\displaystyle T_{\text{base}}^{\text{laser}} \cdot p_{\text{laser}}
  3. 经过里程计帧继续乘上底盘相对里程计、里程计相对地图的变换，完成逐级上行。
    Tmapodom⋅Todombase\displaystyle T_{\text{map}}^{\text{odom}} \cdot T_{\text{odom}}^{\text{base}}
  4. 地图坐标结果最终得到地图坐标系下的坐标，供全局规划与定位使用。
    pmap\displaystyle p_{\text{map}}

问题排查技巧

再好的队长也会遇到翻车：有的队员广播串台，有人手表走偏，有人报的是另一个同名队员的话。TF2的报错信息，就是队长查案的线索。

最常见的三个翻车现场：一是报错“Could not find transform“，表示TF树上两帧间找不到通路，多半是帧名拼错或广播没启动；二是”lookup would require extrapolation”，表示查询时刻超出了缓存时间范围；三是帧重复定义，两个广播器声明了同名字，却挂到不同的父节点下。

排查时先分清“错在哪一环”。用tf2_tools回放TF树可快速看到帧的父子关系；对时间类错误，要检查广播频率与查询时间戳。工程上常给查询时刻加一个容差判断，允许±0.1秒的时间偏差作为兜底，避免因微小抖动频繁报错。

队长靠这套“对表+查树”的功夫，把每次翻车都变成教学案例。排查技巧的本质不是背报错，而是理解TF树的拓扑结构与时间戳语义。

∣treq−tavail∣<ε\displaystyle |t_{\text{req}} - t_{\text{avail}}| < \varepsilon
时间容差公式：只要请求时刻与缓存可用时刻相差足够小，就接受本次查询，防止微小时间偏差导致整条链路崩溃。
  1. 时间差值先算出请求时刻与可用时刻的差，这是判断偏离程度的原始依据。
    treq−tavail\displaystyle t_{\text{req}} - t_{\text{avail}}
  2. 取绝对值距离只关心大小、不关心方向，所以取绝对值。
    ∣treq−tavail∣\displaystyle | t_{\text{req}} - t_{\text{avail}} |
  3. 与容差比较\(\varepsilon\)是预先设定的容差阈值，差值小于阈值就视为可用。
    ε>0\displaystyle \varepsilon > 0

工程应用案例

终于，整个团队拿着同一张地图干活了。激光雷达看路、摄像头看物、机械臂抓取，三种方言在队长的翻译下汇成一句话：“目标就在那里。”

工程落地上有三个典型场景：多传感器融合——把雷达点云变换到车体坐标，与相机图像对齐；机器人导航——把里程计odom帧里的位姿变换到map帧，供全局路径规划；机械臂控制——把视觉识别出的目标位姿从相机帧变换到基座帧，供逆运动学求解。

多传感器融合中，每个传感器的估计都带噪声。TF2先把各传感器观测对齐到公共坐标系，再对同一目标的多份观测做加权融合，噪声越小的传感器权重越大，最终得到更稳的目标位置。这里用到的正是两个观测方差的加权公式。

一个翻译官、一棵组织树、一块同步手表，让机器人们各司其职，在同一张地图上默契协作。这就是TF2在工程世界里的最终姿态：让不同来源的空间信息，在同一个坐标系下和谐共处。

xfused=σ22σ12+σ22 x1+σ12σ12+σ22 x2\displaystyle x_{\text{fused}} = \frac{\sigma_2^2}{\sigma_1^2 + \sigma_2^2}\, x_1 + \frac{\sigma_1^2}{\sigma_1^2 + \sigma_2^2}\, x_2
融合权重与噪声成反比：越可靠的传感器，对最终估计的贡献越大，这是多传感器融合的基本思想。
  1. 两份观测\(x_1\)与\(x_2\)分别来自两个传感器对同一目标的坐标估计，\(\sigma\)表示各自噪声方差。
    x1,  σ1;x2,  σ2\displaystyle x_1,\; \sigma_1; \quad x_2,\; \sigma_2
  2. 权重计算每个传感器的权重等于对方方差的占比，方差越小的传感器获得越大权重。
    σ22σ12+σ22,σ12σ12+σ22\displaystyle \frac{\sigma_2^2}{\sigma_1^2 + \sigma_2^2}, \quad \frac{\sigma_1^2}{\sigma_1^2 + \sigma_2^2}
  3. 加权求和把两份观测按权重合成，得到比单一传感器更稳定的融合结果。
    xfused\displaystyle x_{\text{fused}}

AI 应用场景

多传感器融合的自动驾驶感知

阶段：感知数据预处理

解决的问题：传统做法为每个传感器单独标定、单独建图，面对同一路面目标，雷达说“在右前2米”，相机说“在图像中心偏左”，无法直接融合。TF2将各传感器点云与图像变换到统一车体坐标或世界坐标后，AI模型才能把多路观测当作同一特征输入。

具体案例：某无人配送车将16线激光雷达点云与双目相机图像配准。系统先启动静态变换，广播雷达与相机的安装关系，再通过lookupTransform获取变换矩阵，把点云映射到相机坐标系，与图像对齐后送入BEV感知神经网络。

机械臂视觉抓取

阶段：推理结果空间对齐

解决的问题：视觉模型输出的“目标在视野中”是像素坐标，机械臂控制器需要的是基座坐标系下的三维位置。TF2将相机坐标系中的目标位姿，经相机→末端→基座的变换链换算为基座坐标，供逆运动学求解。

具体案例：分拣机械臂安装Eye-in-Hand相机，识别出箱内零件后，调用TransformListener查询相机到基座的变换，再把识别出的抓取点三维坐标变换到基座坐标系，驱动机械臂完成抓取。

移动机器人导航定位

阶段：地图与位姿对齐

解决的问题：导航系统同时维护map与odom两个坐标系，传统导航常因里程计漂移导致路径推算错误。TF2用TF树把odom挂在map下，融合GPS、IMU、激光定位的输出，实时修正两个坐标系之间的偏移，保证全局路径在map中正确执行。

具体案例：仓储AGV在货架间穿行时，定位算法实时发布map→odom的校正变换；导航模块在map坐标系规划路径，控制模块在odom坐标系跟踪期望速度，两者通过TF2无缝衔接。

Python 演示

python71 行
import mathimport numpy as np def compose(*mats):    result = np.eye(4)    for m in mats:        result = result @ m    return result class Frame:    """TF树上的一个坐标系节点。t 表示本帧相对父帧的 4x4 变换矩阵。"""    def __init__(self, name, parent, x=0.0, y=0.0, yaw=0.0):        self.name = name        self.parent = parent        c, s = math.cos(yaw), math.sin(yaw)        self.t = np.array([            [c, -s, 0.0, x],            [s, c, 0.0, y],            [0.0, 0.0, 1.0, 0.0],            [0.0, 0.0, 0.0, 1.0],        ]) class TFBuffer:    """迷你版 TF2 Buffer：保存帧关系，并提供 lookup_transform。"""    def __init__(self):        self.frames = {}     def add(self, frame):        self.frames[frame.name] = frame     def _chain(self, name):        chain = []        while name is not None:            chain.append(name)            frame = self.frames.get(name)            name = frame.parent if frame else None        return chain     def _path_mats(self, start, common):        mats = []        name = start        while name != common:            frame = self.frames[name]            mats.append(frame.t)            name = frame.parent        mats.reverse()        return mats     def lookup_transform(self, target, source):        """返回把 source 坐标系下点变换到 target 坐标系的 4x4 矩阵。"""        s_chain = self._chain(source)        t_chain = self._chain(target)        common = next(name for name in s_chain if name in t_chain)        source_mats = self._path_mats(source, common)        target_mats = self._path_mats(target, common)        combined = [np.linalg.inv(m) for m in target_mats] + source_mats        return compose(*combined) buffer = TFBuffer()buffer.add(Frame("map", None))buffer.add(Frame("odom", "map", x=0.0, y=0.0, yaw=0.1))buffer.add(Frame("base_footprint", "odom", x=1.0, y=0.5, yaw=0.3))buffer.add(Frame("laser", "base_footprint", x=0.2, y=0.0, yaw=0.0)) T = buffer.lookup_transform("map", "laser")p_laser = np.array([2.0, 1.0, 0.0, 1.0])p_map = T @ p_laser print("map -> laser 的变换矩阵:")print(np.round(T, 4))print("激光点在 map 下的坐标:", np.round(p_map[:2], 4))
目的：用纯NumPy实现一个迷你版TF2缓冲器，模拟ROS2中lookup_transform的树路径查找与矩阵合成逻辑，直观展示坐标变换链的数学本质。
  1. buffer.add(Frame("odom", "map", yaw=0.1))注册坐标帧，等价于TF2里广播一条静态变换。
  2. def _chain(self, name)沿父链上溯到根，得到“坐标家谱”，与TF树的帧查询一致。
  3. common = next(name for name in s_chain if name in t_chain)查找两帧的最近公共祖先，对应TF树路径查找。
  4. combined = [np.linalg.inv(m) for m in target_mats] + source_mats目标侧走逆变换，源侧走顺变换，最终合成总矩阵。
  5. p_map = T @ p_laser一次矩阵乘法完成点云坐标变换，对应TF2中的transform接口。

常见误区

误区我觉得静态变换和动态变换没区别，都只要在程序启动时广播一次。反正机器人不动的时候数据也能对上，何必要反复发？

正解静态变换适合“安装关系固定”的场景，比如雷达装在底盘上，发布一次确实够用。但动态变换描述的是“运动中的关系”，比如底盘相对里程计的位置，它每时每刻都在变，必须持续广播。用比喻说：胸牌上的名字报一次就行，但人满场跑的时候，位置就得不停喊。

为何常见：初学者写demo时机器人静止不动，单次发布也能跑通，于是把“碰巧能跑”误当成“机制正确”。

误区调用lookupTransform时，我总把target和source传反，结果算出的坐标怎么都不对，还以为是缓存或时间戳的问题。

正解第一参数是目标帧，第二参数是源帧。意思是“把源帧坐标系下的点，变换到目标帧坐标系下”。就像队长答话要明确“把谁的方言翻译成谁的话”，方向反了，整句意思就反了。

为何常见：很多API习惯先写source再写target，大脑的惯性让初学者不自觉地沿用错误的顺序。

误区我先旋转90度再平移1米，和先平移1米再旋转90度，结果应该一样吧？矩阵相乘不就是可以换顺序吗？

正解矩阵乘法不满足交换律。想象你站在路口：先向右转再迈一步，和先迈一步再向右转，落点完全不同。TF2的链式变换必须严格按树路径的方向顺序连接，顺序颠倒就会翻车。

为何常见：从小学的标量乘法里，人们习惯了“乘法可交换”，把直觉直接迁移到矩阵世界。

误区遇到报错"Could not find transform"时，我第一反应是把缓存时长调大，以为存得越多就越不会报错。

正解这个报错通常说明帧路径断裂或广播根本还没启动，比如帧名拼错、父帧没创建、广播节点没运行。先查TF树的连通性和帧名拼写，再看查询时刻是否超范围，最后才考虑调整缓存参数。

为何常见：报错文本容易让人联想“数据没存够”，但TF2的缓存是滑动窗口机制，容量问题往往不是首要原因。

面试题

Q1. TF2中“静态变换”最适合应用于哪种场景？

单选题 · easy

  • A.激光雷达与车体的固定安装关系← 正确答案
  • B.底盘在里程计中不断变化的位姿
  • C.机械臂抓取时末端的实时姿态
  • D.摄像头检测到目标的瞬时坐标

答案：A。静态变换描述“安装关系永远不变”的坐标系对，如激光雷达固定在车体上，发布一次即可。B、C、D描述的位姿都随时间变化，必须用动态变换持续广播。

Q2. 齐次变换矩阵的维度是多少？

单选题 · easy

  • A.2×2矩阵
  • B.3×3矩阵
  • C.4×4矩阵← 正确答案
  • D.1×4向量

答案：C。齐次变换矩阵把3×3旋转块、3×1平移向量和齐次行组合成4×4矩阵，4阶方阵才能统一表达“旋转+平移”，所以正确答案是C。

Q3. 关于TF树结构，下列描述正确的是？

单选题 · mid

  • A.每个坐标有唯一父节点的单根树← 正确答案
  • B.允许多个根节点共享相同的子帧
  • C.父子关系可以随意交叉的有向图
  • D.所有节点彼此独立的散点集合

答案：A。TF2将坐标系组织成单根树，每个子帧有且仅有一个父帧，全局只有唯一的根节点。B允许子帧有多个父会破坏树结构，C是图而非树，D则完全失去坐标关联。

Q4. ROS2中发布动态变换应使用哪个类？

单选题 · mid

  • A.StaticTransformBroadcaster
  • B.TransformBroadcaster← 正确答案
  • C.FrameListener
  • D.TransformBuffer

答案：B。TransformBroadcaster负责按频率广播动态变换；StaticTransformBroadcaster只用于静态变换；FrameListener与TransformBuffer是监听与缓存角色，不负责发布。

Q5. 查询时刻落在两条相邻广播之间时，TF2如何应对？

单选题 · mid

  • A.直接报错并丢弃该查询
  • B.对两帧变换做时间插值估算← 正确答案
  • C.永远返回最近一帧的数据
  • D.强制等待新数据到达再响应

答案：B。TF2的Buffer会计算查询时刻在相邻快照间的比例α，用线性插值估算“当下”变换。报错只会在查询时刻超出缓存范围时出现，而不是落在两条记录之间。

Q6. 下列哪项是TF树出现“帧重复定义”的典型表现？

单选题 · hard

  • A.两个广播器声明同名帧，产生两个父节点← 正确答案
  • B.缓存中完全没有该帧的任何变换
  • C.查询结果出现较长的固定时间延迟
  • D.静态变换在系统重启后自动消失

答案：A。帧重复意味着同一坐标名被多个广播器以不同父帧发布，TF树出现分支竞争。B是帧不存在，C是时间同步问题，D是静态变换丢失，都与重复定义无关。

Q7. 调用lookupTransform(target, source, time)的参数含义是？

单选题 · easy

  • A.先把源帧点变换到目标帧，time为查询时刻← 正确答案
  • B.先把目标帧点变换到源帧，time为查询时刻
  • C.两个帧参数顺序对结果完全没有影响
  • D.必须先传时间参数，再传两个帧名字

答案：A。lookupTransform把源帧坐标系下的点变换到目标帧坐标系，time决定查询哪一历史时刻。B方向反了，C忽略了方向性，D混淆了参数顺序。

Q8. 下列哪些属于TF2缓存查询常见的异常原因？

多选题 · mid

  • A.两帧之间不存在完整通路← 正确答案
  • B.查询时间超出了缓存时间范围← 正确答案
  • C.目标帧的坐标数值特别巨大
  • D.同名帧被多个广播器同时发布← 正确答案

答案：ABD。通路断裂会导致找不到变换；时间超范围会触发extrapolation异常；同名帧多发布会破坏树结构。坐标数值巨大不会导致查询失败，只是数值问题。

Q9. 关于齐次变换矩阵描述正确的是？

多选题 · hard

  • A.旋转块和平移块封装成一个4×4矩阵← 正确答案
  • B.矩阵乘法满足交换律，顺序可以随意调换
  • C.求逆矩阵可得到反方向的变换关系← 正确答案
  • D.最后一行固定为齐次的0 0 0 1← 正确答案

答案：ACD。齐次矩阵将旋转和平移融合为单次矩阵运算；求逆可得到反向变换；齐次行固定为[0 0 0 1]。B错误，矩阵乘法不满足交换律。

Q10. 把激光雷达点云变换到地图坐标系，正确的变换链是？

多选题 · extreme

  • A.p_map = T_laser_map × T_base_laser × p_laser
  • B.p_map = T_map_odom × T_odom_base × T_base_laser × p_laser← 正确答案
  • C.只要最终帧名对，变换顺序不影响结果
  • D.所有变换必须用四元数而非矩阵表达

答案：B。正确链必须沿TF树从laser逐级上行到map，顺序为laser→base→odom→map。A中的T_laser_map不存在或方向反了；C明显错误，矩阵不满足交换律；D错误，矩阵与四元数可相互转换。