李群和李代数——公式推导(1)

最新推荐文章于 2023-01-16 16:10:19 发布

cassidybo

最新推荐文章于 2023-01-16 16:10:19 发布

阅读量409

点赞数 3

分类专栏： SLAM十四讲学习文章标签：学习线性代数算法矩阵

本文链接：https://blog.csdn.net/cassidybo/article/details/127380001

版权

SLAM十四讲学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

开始本文前，我已经有《视觉SLAM十四讲-高翔》前三章基础。

李群李代数基础

在前几章介绍了旋转矩阵和变换矩阵，当时，我们说三维旋转矩阵构成了特殊正交群SO(3)，而变换矩阵构成了特殊欧氏群 SE(3)。

$SO(3)=\left \{ \textbf{R} \in \mathbb{R}^{3\times 3}\mid \textbf{R}\textbf{R}^{T}=I,det(\textbf{R})=1\right \}$

$SE(3)=\left \{ \textbf{T}=\begin{bmatrix} \textbf{R} & \textbf{t}\\ \textbf{0}^{T} & 1 \end{bmatrix} \in \mathbb{R}^{4\times 4}\mid \textbf{R}\in SO(3),\textbf{t}\in \mathbb{R}^{3}\right \}$

这里可以引出，无论是旋转矩阵还是变换矩阵，他们对加法都是不封闭的。对于任意两个旋转矩阵R1，R2，他们按照矩阵加法的定义，和不再是一个旋转矩阵:

$\textbf{R}_{1}+\textbf{R}_{2}\notin SO(3)$

对于变换矩阵亦是如此。我们发现，这两种矩阵并没有良好定义的加法，相对的，它们只有一种较好的运算：乘法。SO(3) 和 SE(3) 关于乘法是封闭的:

$\textbf{R}_{1}\textbf{R}_{2}\in SO(3),\textbf{T}_{1}\textbf{T}_{2}\in SE(3)$

两次旋转矩阵相乘表示做了两次旋转，对于这种只有一个运算的集合，我们叫它做群。

群

群（Group）是一种集合加上一种运算的代数结构。我们把集合记作 A，运算记作 ·，那么群可以记作 G = (A, ·)。群要求这个运算满足以下几个条件：

1.封闭性 2.结合律 3.幺元 4.逆

详见https://zhuanlan.zhihu.com/p/115658697

李群

李群是指具有连续（光滑）性质的群。像整数群 Z 那样离散的群没有连续性质，所以不是李群。而 SO(n) 和 SE(n)，它们在实数空间上是连续的。我们能够直观地想象一个刚体能够连续地在空间中运动，所以它们都是李群。

李代数的引出

对于任意的旋转矩阵R，满足

$\textbf{R}\textbf{R}^{T}=\textbf{I}$

在实际中，用R表示相机或其他传感器的旋转，它会随时间t变化，即为时间的函数：R(t)，它仍是旋转矩阵，所以依旧满足上式，则有

$\textbf{R}(t)\textbf{R}(t)^{T}=\textbf{I}$

对上式左右两边同时求导，可得

$\dot{\textbf{R}}(t)\textbf{R}(t)^{T}+\textbf{R}(t)\dot{\textbf{R}}(t)^{T}=0$

将式子移项，对 $-\textbf{R}(t)\dot{\textbf{R}}(t)^{T}$ 转置外移，整理可以得到

$\dot{\textbf{R}}(t)\textbf{R}(t)^{T}=-(\dot{\textbf{R}}(t)\textbf{R}(t)^{T})^{T}$

这条等式就可以看出 $\dot{\textbf{R}}(t)\textbf{R}(t)^{T}$ 是一个反对称矩阵。

曾经叉积的学习中，引入了^符号，把一个向量变成了反对称矩阵。同理，对于任意反对称矩阵，我们亦能找到一个与之对应的向量。把这个运算用符号 ∨ 表示：

$\textbf{a}\times \textbf{b}=\begin{bmatrix} \textbf{i} &\textbf{j} &\textbf{k} \\ a_{1} & a_{2} &a_{3} \\ b_{1} &b_{2} &b_{3} \end{bmatrix}=\begin{bmatrix} a_{2}b_{3}-a_{3}b_{2}\\a_{3}b_{1}-a_{1}b_{3} \\ a_{1}b_{2}-a_{2}b_{1} \end{bmatrix}=\begin{bmatrix} 0 &-a_{3} & a_{2}\\ a_{3} & 0 & -a_{1}\\ -a_{2} & a_{1} & 0 \end{bmatrix}\textbf{b}\triangleq\textbf{a}^{\wedge }\textbf{b}$

$\textbf{a}^{\wedge }=\textbf{A}=\begin{bmatrix} 0 &-a_{3} &a_{2} \\ a_{3} & 0 & -a_{1}\\ -a_{2} & a_{1} & 0 \end{bmatrix}, \textbf{A}^{\vee }=\textbf{a}$

可以理解成 $\textbf{a}^{\wedge }$ 是向量到矩阵的变换， $\textbf{a}^{\vee }$ 是矩阵到向量的变换。

在上方已经得出 $\dot{\textbf{R}}(t)\textbf{R}(t)^{T}$ 是反对称矩阵，可以找一个三维向量 $\phi (t)^{\wedge }\in \mathbb{R}^{3}$ 与之对应，于是有：

$\dot{\textbf{R}}(t)\textbf{R}(t)^{T}=\phi (t)^{\wedge }$

等式两边同时R(t)，由于R为正交阵，有：

$\dot{\textbf{R}}(t)=\phi (t)^{\wedge }\textbf{R}(t)=\begin{bmatrix} 0 & -\phi _{3} & \phi _{2} \\ \phi _{3} & 0 & -\phi _{1} \\ -\phi _{2}& \phi _{1} & 0 \end{bmatrix}\textbf{R}(t)$