您链接到的论文描述了一种类似于我所看到的 Kabsch 算法的算法。它用于查找两组点之间的最小二乘旋转。对于您的情况，您完全需要其他东西。

假设传感器 1 有矩阵$M_1$在时间 t 和传感器 2 有矩阵$M_2$在时间 t。这意味着一个向量，其在传感器 1 的局部坐标系中的坐标是$v^1_i$, 在传感器 2 的局部坐标系中，坐标等于$v^2_i = M_2^{-1}M_1v^1_i$ 所以这两个传感器之间的转换矩阵是$M_2^{-1}M_1$. 如果您采用该矩阵的旋转部分（基本上是 3x3 部分），它将为您提供传感器 2 和传感器 1 之间的旋转矩阵。如果您想要它们的相对位置，请采用$M_1$并从中减去翻译部分$M_2$. 这将是“世界”坐标系中传感器 1 相对于传感器 2 的位置。

如果您的传感器彼此相对移动并且您的数据嘈杂，那么简单的平均值是不够的。我建议你使用卡尔曼滤波器。卡尔曼滤波器包含一个模型（例如恒定加速度模型），以及对模型准确度的连续评估，并根据输入调整模型参数。

但是，如果相对旋转在每个时间点都是相同的，并且您试图找到一个“平均”旋转来对输入进行去噪，我找到了一篇关于该主题的整篇论文：http://users.cecs.anu。 edu.au/~hongdong/rotationaveraging.pdf 我还发现了关于平均四元数的讨论，这似乎提出了一个简单的解决方案： https ://stackoverflow.com/questions/12374087/average-of-multiple-quaternions