从零开始一起学习SLAM | 为啥需要李群与李代数？

很多刚刚接触SLAM的小伙伴在看到李群和李代数这部分的时候，都有点蒙蒙哒，感觉突然到了另外一个世界，很多都不自觉的跳过了，但是这里必须强调一点，这部分在后续SLAM的学习中其实是非常重要的基础，不信你看看大神们的论文就知道啦。

关于李群李代数，其实高翔的《视觉SLAM十四讲》里推导什么的挺清楚了，本文就在高博的基础上用比较容易理解的语言讲述一下重点。

首先，假装（也可能是真的）自己是个小白，我们假想对面坐了一个大牛师兄，下面我们开启问答模式。

为啥需要李代数？

小白：师兄，我最近在学习SLAM，看到李群、李代数这一块一直看不懂，不知所云啊，师兄能不能用通俗易懂的方式给我讲解一下？
师兄：好啊，正好这会有空，讲完正好去吃饭。
小白：我请师兄吃烧烤！
师兄：哈哈，那我必须给你讲明白啦！现在开始吧。
小白：好，先问下师兄，我在看高博的书，前面几章挺顺利的，第四章突然跳出来李群和李代数，一堆公式推导，看的我头都大了。
师兄：这部分公式是有点多，不过李群李代数是为了解决SLAM中非常实际的问题的。到后面会用到的。
小白：看来逃不过啊。。。
师兄：是的，这部分必须理解的啊。刚才说到了解决SLAM中实际问题，我展开说下。我们知道SLAM的过程就是不断的估计相机的位姿和建立地图。其中，相机位姿也就是我们所说的变换矩阵T。
小白：嗯嗯，是。上节课《从零开始一起学习SLAM | 三维空间刚体的旋转》中还讲了变换矩阵呢！
师兄：对~下面举个例子说明。比如你拿着相机一边移动一边拍，假设某个时刻相机的位姿是T，它观察到一个在世界坐标系中的一个空间点p，并在相机上产生了一个观测数据z，那么
z = Tp + noise
noise是观测噪声。那么观测误差就是
e = z - Tp
小白：嗯，我 知道，我们的目的就是使得误差最小咯~
师兄：对的，假设我们总共有N个这样的三维点p和观测值z，那么我们的目标就是寻找一个最佳的位姿T，使得整体误差最小化，也就是

求解此问题，就是求目标函数J对于变换矩阵T的导数。
小白：嗯，对矩阵求导？第一次 听说啊。。
师兄：听起来确实有点怪。我们先来看看变换矩阵T，我们知道T所在的SE(3)空间，对加法计算并不封闭，也就是说任意两个变换矩阵相加后并不是一个变换矩阵，这主要是因为旋转矩阵对加法是不封闭造成的，它是有约束的。
小白：旋转矩阵对加法不封闭啥意思？
师兄：嗯，这个我一会会细讲，这里你先记住好了。到后面你就知道了
小白：好的，那刚才的问题怎么解决呢？
师兄：这个问题问的好，李代数就是解决这个问题的。我们把大写SE(3)空间的T映射为一种叫做李代数的东西，映射后的李代数我们叫做小se(3)好了。它是由向量组成的，我们知道向量是对加法封闭的。这样我们就可以通过对李代数求导来间接的对变换矩阵求导了。
小白：原来如此啊！不过刚才说了那么多概念，都是什么意思啊？

李群怎么理解？
师兄：不急，我一个个说。我先说说李群吧，额，不，先说说群吧。按照数学上定义：群（group）就是一种集合加上一种运算的代数结构。群有几个运算性质，好像高博说是“凤姐咬你”
小白：（瞪大了眼睛）嗯&