[paper] A micro Lie theory for state estimation in robotics

简介

论文在arxiv中有

这是Joan Sola在2018年发的文章,比较详细讲机器人状态估计中所用到的李群李代数的理论还有推导.

同时他们还开源了一个李群的C++库 manif,这个库的还没有研究过,和Sophus的优劣也没有比较,日后补上…

写下来主要还是记录一下自己的理解和一些推导过程,同时也push自己看论文吧.建议对李群和李代数了解不深的还是去看原文.
ps:以下的图片都是从论文中截图过来的

A Micro Lie Theory

李群(Lie group)

利群包括两个部分:群和光滑流形(smooth manifold)
光滑流形可以理解为一个超平面,我们所需要的状态变量都在超平面上.
群的概念就是高博的十四讲中提高的"封结幺逆",即封闭性(Closure), 结合律(Associativity), 幺元(Identity), 逆(Inverse)

The group action

李群可以把一些集合中元素进行变化,比如旋转,平移,尺度变化等,对于我们来说就是2D,3D的变化,一个点通过旋转矩阵或变化矩阵变化到另一个点上.

李代数(Lie algebra)

李代数是原点附近的正切空间,记作:
$$m=T_{\epsilon }M.$$
李代数,李群,还有向量的关系从下面这张图中可以很清楚的看出来
李代数与李群的映射关系也可以从下面这种图中看出

李代数也能被定义在一个局部的切点上$X$上,李代数要在左边加一个上表$${}^X{v}^{\wedge }\in T_{X}M.$$
指数映射的几个重要性质:
$$exp((t+s){\tau }^{\wedge })=exp(t{\tau }^{\wedge })exp(s{\tau }^{\wedge })$$$$exp(t{\tau }^{\wedge })=exp(t{\tau }^{\wedge }{)}^t$$$$exp(-{\tau }^{\wedge })=exp(t{\tau }^{\wedge }{)}^{-1}$$$$exp(X{\tau }^{\wedge }{X}^{-1})=Xexp({\tau }^{\wedge })X^{-1}$$第四个公式用泰勒展开就可以证明,高博的十四讲的课后题

加减操作(Plus and minus operators)

加减操作分为左右加法和左右减法,下面分别用公式来表示.(公式中的加减号都是广义的加减号)
右加操作$$Y=X{+}^X\tau =X\circ Exp{(}^X\tau )$$右减操作:$${}^X\tau =Y-X=Log(Y\circ X^{-1})$$左加操作$$Y={}^{\epsilon }\tau +X=Exp{(}^{\epsilon }\tau )\circ X$$左减操作:$${}^{\epsilon }\tau =Y-X=Log(Y\circ X^{-1})$$
右操作是在局部坐标系下,而左操作是在全局坐标系下的.

伴随和伴随矩阵(The adjoint, and the adjoint matrix)

看到这个概念的时候我刚开始不是很理解,但看了论文配图后便很容易理解了.先上图

再上公式$$A{d}_X({\tau }^{\wedge })=X{\tau }^{\wedge }{X}^{-1}$$可以理解为将李代数从一个坐标系变化到另一个坐标系下.当然他还有两个性质
线性 : $A{d}_X(a{\tau }^{\wedge }+b{\sigma }^{\wedge })=aA{d}_X({\tau }^{\wedge })+bA{d}_X({\sigma }^{\wedge })$
同构 :$A{d}_X(A{d}_Y({\tau }^{\wedge }))=A{d}_{XY}({\tau }^{\wedge })$
Adjoint是李代数到李代数的一个变换,Adjoint matrix是$R^m$到$R^m$的一个变换$$\mathbf{A}{\mathbf{d}}_{\mathbf{X}}\tau =(X{\tau }^{\wedge }{X}^{-1}{)}^{\vee }$$