SLAM中的李群与李代数

群

群是一些数据，并有特定的运算方式，通俗点，元素集合加上代数运算，使得集合中任意两个元素经过运算后形成的第三个元素仍然在这个集合里面。

群必须满足四种公理：封闭性（closure），结合性（associtivity）, 单位元（identity，也叫幺元），逆元（invertibility）。》》》》》凤姐咬你

李群

李群除了满足上述四个公理，还需要满足其他公理，例如不可交换。
李群是具有微分流形结构的群，群集合中的元素是矩阵。

流形（manifold），这个中文翻译简直好的不能再好了。最最粗略的理解就是，流形就是一个弯曲的空间，但是在空间的每一点的局部都可以近似为一个平坦的补丁。在那块平坦的补丁上就可以定义一个向量空间来表示方向。如果我们知道了每一块补丁（local），就能完整地拼出整个(global)流形了。

李代数

李群的向量空间就是李代数。

李群出了这个流形或是拓扑结构以为还有自己的代数结构（群结构）。结果呢由于这个群结构，我们只需要知道一块补丁，李代数，就能了解绝大部分的李群结构了，因为其他补丁都可以由群结构和李代数组合得到。

李代数大概就两大类：简单（simple）的还有可解的（solvable）。所有的李代数最后都可以分解成这两类的组合。这两类是李代数的代数结构复杂程度上的两个极端。最最简单的李代数是阿贝尔（Abelian）的，可以说是没有代数结果。而可解的就是最最接近的Abelian的非平凡的代数结构，可以理解为许多AbelIan李代数的一种组合。Simple的李代数的代数反而是最复杂的，因为是完全无法简化分解的。但是有趣的是，所有的简单的李代数（在复数域上）已经被完全分类了，而且就有那么几种。这样我想起了爱因斯坦的一句名言：“God is subtle, but He is not malicious”, 山穷水尽必有柳暗花明。

李代数是定义在某个数域F上的集合V，同时定义了一个称为李括号[⋅,⋅]的双目运算符。我们把斜体部分称为李代数的三个要素。同李群类似，对所有的X,Y,Z∈V 和 a,b∈F，李代数也必须满足四个性质：

封闭性：[X,Y]∈V
双线性：[aX+bY,Z]=a[X,Z]+b[Y,Z]and[Z,aX+bY]=a[Z,X]+b[Z,Y]
自反性：[X,X]=0
雅可比恒等：[X,[Y,Z]]+[Y,[Z,X]]+[Z,[X,Y]]=0

作为例子，三维向量 R3 上定义的叉积 × 是一种李括号，因此 g = (R3; R; ×) 构成了一个李代数

李代数so(3)

SO(3)对应的李代数so(3)是定义在R3上的向量，记作ϕ。

李代数se(3)

SE(3)对应的李代数se(3)是定义在R6上的向量，记作ξ。我们把每个 se(3) 元素记作 ξ，它是一个六维向量。前三维为平移，记作 ρ；后三维为
旋转，记作 ϕ，实质上是 so(3) 元素

指数映射与对数映射

李代数经过指数映射会得到对应李群，反过来，李群经过对数映射得到对应李代数

SLAM为什么需要用李群

真实世界里有一个观测点P，产生的观测值为Z，当我们知道P和Z后，需要获得此时相机的位置姿态T。在获取T时，由于我们观测的误差，T的求解存在着误差。T也称为相机外参，是SLAM计算的最终目标。

我们将误差最小作为我们的优化指标，优化目标函数是

这里我们需要进行迭代求解，迭代求解用到梯度下降法，我们需要知道矩阵J对T求导，这里出现了矩阵求导。但是这里有个问题，矩阵的加法不具有封闭性，在进行迭代时需要用到加法，因此矩阵即使可以求导，也不能解决加法不可用的问题。

因为李群具有连续性质，因为我们将我们的问题转换到适用李群的结构，这样便解决了加法不可用的问题。

如何转换就需要使用李代数。

李代数关键：矩阵转为向量，向量具有可加性

①矩阵可微：旋转矩阵的微分是一个反对称(也叫斜对称)矩阵左乘它本身。

这里我们可以看出我们的反对称矩阵其实只包含三个数，也就是有三个自由度。
三个数的话我们便可以表示成一个向量。

该向量就是李群大SO(3)对应的李代数小so(3)。李代数为向量Φ的集合，每个Φ_i都可以通过映射变为反对称矩阵，再通过下式子，得到我们的旋转矩阵。

这表明，

李群空间的任意一个旋转矩阵R都可以用李代数空间的一个向量的反对称矩阵指数来近似。

应用过matlab和opencv双目标定的同学应该都用过旋转向量和旋转矩阵，他们之间的变换由罗德里格斯公式得到。和这里类似，我们的旋转向量组成了我们的李代数空间。
。。
到此，我们就将我们的旋转矩阵的导数转换成了旋转向量，实现了导数向李代数的变化，使得加法具有了封闭性。

这里我们用一个特殊的小符号^来表示将向量 转换成 反对称矩阵。

参考：
1 https://www.jianshu.com/p/fc33683462e1
2 https://www.cnblogs.com/tchenai/p/9796509.html
3 SLAM十四讲
4 https://blog.csdn.net/a6333230/article/details/96486008