第4讲李群与李代数-部分习题解答

最新推荐文章于 2022-05-13 20:36:53 发布

RobotLife

最新推荐文章于 2022-05-13 20:36:53 发布

阅读量1.9k

点赞数

分类专栏： VSLAM/视觉SLAM十四讲-习题文章标签： VSLAM SLAM十四讲习题李群与李代数反对称矩阵向量叉乘

本文链接：https://blog.csdn.net/RobotLife/article/details/84234833

版权

VSLAM/视觉SLAM十四讲-习题专栏收录该内容

1 篇文章 0 订阅

订阅专栏

5.证明：

$Rp^{\wedge }R^{T} = (Rp)^{\wedge}.$
证明：
$\Rightarrow (Rp)^{\wedge}n = (Rp) \times (RR^{-1}n) = R [ p \times (R ^{-1} n) ] = Rp ^ {\wedge}R^{\top}n$
$\Rightarrow Rp^{\wedge}R^{\top} = (Rp)^{\wedge}$
证明过程如下，纯属个人理解，仅供参考交流。
在这里插入图片描述
.

6.1 证明

$Rexp(p^{\wedge})R^{T}=exp((Rp)^{\wedge})$
该式称为SO(3) 上的伴随性质。

证明：

$Rexp(p^{\wedge})R^{T}=R\sum_{n=0}^{\infty }\frac{{p}^{\wedge n}}{n!}R^{T}=\sum _{n=0}^{\infty }\frac{(R {p}^{\wedge} R^{T}) ^{n}}{n!}=exp(R{p}^{\wedge}R^{T})=exp({(Rp)^{\wedge}})$

6.2 证明

$\mathbf{T}\exp(\bm{\xi}^\land)\mathbf{T}^{-1} = \exp((Ad(\mathbf{T})\bm{\xi})^\land)$
其中：
$Ad(\textbf{T}) = \begin{bmatrix} \textbf{R} & \bm{t}^\land \textbf{R} \\ 0 & \textbf{R} \end{bmatrix}$

证明：

设 $\bm{\xi}=\begin{bmatrix}\bm{\rho} \\ \bm{\phi} \end{bmatrix}$ ， $\textbf{T}=\begin{bmatrix}\textbf{R} & \bm{t} \\ \textbf{0}^\top &1 \end{bmatrix}$ ，则：

$\begin{aligned} \textbf{T}\exp(\bm{\xi}^\land)\textbf{T}^{-1} &= \textbf{T} \sum_{n=0}^\infty \frac{1}{n!}(\bm{\xi}^\land)^n\textbf{T}^{-1} \\ &= \sum_{n=0}^{\infty}{\frac{1}{n!}(\textbf{T}\bm{\xi}^\land\textbf{T}^{-1})^n} \\ &= \exp{(\textbf{T}\bm{\xi}^\land\textbf{T}^{-1})}\\ &=\exp({\begin{bmatrix} \textbf{R}\bm{\phi}^\land\textbf{R}^\top & -\textbf{R}\bm{\phi}^\land\textbf{R}^\top\bm{t} + \textbf{R}\bm{\rho} \\ \textbf{0}^\top &0 \end{bmatrix}} )\\ &= \exp(\begin{bmatrix} (\textbf{R}\bm{\phi})^\land & -(\textbf{R}\bm{\phi})^\land\bm{t} + \textbf{R}\bm{\rho} \\ \textbf{0}^\top &0 \end{bmatrix}) \\ &= \exp(\begin{bmatrix} -(\textbf{R}\bm{\phi})^\land\bm{t} + \textbf{R} \bm{\rho} \\ \textbf{R}\bm{\phi} \end{bmatrix} ^\land) \\ &=\exp((\begin{bmatrix} \textbf{R} & \bm{t}^\land \textbf{R} \\ 0 & \textbf{R} \end{bmatrix} \begin{bmatrix} \bm{\rho} \\ \bm{\phi} \end{bmatrix})^\land) \\ &= \exp((Ad(\textbf{T})\bm{\xi})^\land) \end{aligned}$