机器人相关技术所涉及的数学理论【个人向】

目录

本总结主要针对机器人方向，包括但是不限于机器人运动与导航、SLAM、刚体动力学等方面所涉及的数学理论。之后或许还会包括研究生课程上所涉及的部分数学学习。

一、矩阵求导之矩阵迹函数相关公式

在看这篇将矩阵求导总结的非常好的知乎文章时，发现涉及的矩阵迹的性质还很不熟悉，但是网上总结得还很少。比如下面这个公式
$$df=trd(AB)=trdA\cdot B+trB\cdot dA$$
我并不太清楚其推导（是他书写错了）。
矩阵迹公式总结 ¹

1. 若A和B均为$n\times n$的矩阵，则
   $$tr(A\pm B)=tr(A)\pm tr(B).$$

2. c为复常数，则
   $$tr(cA)=ctr(A)$$

3. 若A和B均为$n\times n$的矩阵，c1和c2为复常数，则有
   $$tr(c_{1}A\pm c_{2}B)=c_{1}tr(A)\pm c_{2}tr(B)$$

4. 转置：$tr(A^T)=tr(A).$

5. 复数共轭：$tr(A^{\ast })=[tr(A){]}^{\ast }.$

6. 复共轭转置：$tr(A^H)=[tr(A){]}^{\ast }.$

7. 若A为$m\times n$的矩阵，B为$n\times m$矩阵，则
   $$tr(AB)=tr(BA)$$
   更进一步地，有：
   $$tr(ABCD)=tr(BCDA)=tr(CDAB)=tr(DABC)$$

8. 若A和B均为$n\times n$的矩阵，且B非奇异，有
   $$tr(BA{B}^{-1})=tr(B^{-1}AB)=tr(A)$$

9. 若A为一个$m\times n$的矩阵，则
   $$tr(A^{H}A)=0⟺A=O_{m\times n}$$

10. $x^{H}Ax=tr(Ax{x}^H)$和$y^{H}x=tr(x{y}^H)$.

11. 分块矩阵的迹：
    $$\left[\begin{array}{cc}A& B\\ C& D\end{array}\right]=tr(A)+tr(D)$$
    其中，$A\in C^{m\times m},B\in C^{m\times n},C\in C^{n\times m},D\in C^{n\times n}.$

12. $tr(A^{H}A)=tr(A{A}^H)={\sum }_{i=1}^n{\sum }_{i=1}^n{a}_{ij}^{\ast }{a}_{ji.}$

13. 迹等于特征值之和：
    $$tr(A)=\sum _{i=1}^n{\lambda }_i$$

14. 对于任何正整数k，有
    $$tr(A^k)=\sum _{i=1}^n{\lambda }_i^k$$

二、Kalman Filter

Kalman Filter最初看的是师兄的笔记，比较形象有利于直观理解，但过程不够严谨，高博的证明²严谨性上要高一些（虽然也不是那种学院派的数学上的严谨）。

1. 若随机变量$x\sim N({\mu }_x+b+{\Sigma }_{xx})$，另一个变量满足
   $$y=Ax+b+w$$
   其中$w\sim N(0,R)$，则有$y$的分布为
   $$p(y)=N(A{\mu }_x+b,R+A{\Sigma }_{xx}{A}^T)$$

三、 Ceres最小二乘探析

1. 关于Dual number（对偶数）：
Introduce:
计算机实现求导有一种近似方法，使用一个极小值获得导数的近似。
$$\underset{h\to 0}{\lim }\frac{f(x+h)-f(x)}{h}$$
h取很小的数就可以获得一个近似值。这种方法的缺陷是不精确。另一种方法是Dual number。Dual number的思想是重写基本函数（+，/，*等）。嵌入求导规则。Dual number的结构（a，b），a相当于普通数，而b则保存着导数。
性质³：

---

1. 参见张贤达著《矩阵分析与应用》。 ↩︎

2. 《视觉SLAM十四讲：从理论到实践》 ↩︎

3. https://ncatlab.org/nlab/show/dual+number ↩︎