在点云匹配中，求上式子中，J关于机器人位姿R和T的导数。P’为机器人坐标系中的三维点云，P为世界坐标系点云。（可以先做二维空间，再做三维空间）

在点云匹配中，假设P'是机器人坐标系中的三维点云，P是世界坐标系中的点云。我们可以先考虑二维空间的情况，然后再推广到三维空间。

在二维空间中，我们可以用一个二维向量表示点云，即P' = [x', y']^T 和 P = [x, y]^T。

机器人位姿可以用一个旋转矩阵R和一个平移向量T表示，即机器人坐标系相对于世界坐标系的变换可以表示为：
P' = R * P + T

我们需要求解J关于机器人位姿R和T的导数。假设J为一个误差函数，它度量了点云匹配的误差。

首先，我们对于旋转矩阵R求导。假设误差函数J只依赖于P'和P之间的欧氏距离，即J = ||P' - P||。

对于旋转矩阵R，我们可以使用四元数来表示。设四元数表示为q = [q0, q1, q2, q3]^T，即旋转矩阵R可以通过四元数进行表达。

那么，对于旋转矩阵R的导数可以通过四元数求导公式得到：
dJ/dR = dJ/dq * dq/dR

其中，dq/dR是四元数q相对于旋转矩阵R的导数。

接下来，我们对于平移向量T求导。假设误差函数J只依赖于P'和P之间的欧氏距离，即J = ||P' - P||。

对于平移向量T的导数，可以直接计算：
dJ/dT = dJ/dP' * dP'/dT

其中，dJ/dP'是误差函数J相对于P'的导数。

以上是对于二维空间的情况进行的求解。在三维空间中，我们将上述方法进行推广，即将二维向量扩展为三维向量，将旋转矩阵扩展为三维旋转矩阵，将四元数扩展为四元数或旋转矩阵等。

需要注意的是，在具体求解过程中，涉及到点云匹配算法和误差函数的具体形式，导数的求解方法可能会有所不同。以上是一种一般性的推导过程，具体应用中需要根据具体情况进行求解。