Hansry的博客

我希望能拥有个明亮的落地窗,每天都能够晒一晒太阳。

SLAM学习——李群与李代数

1.李群与李代数基础

三维旋转矩阵构成特殊正交群SO(3),而变换矩阵构成了特殊欧氏群SE(3):

这里写图片描述

这里写图片描述

其中特殊正交群SO(3)和特殊欧氏群SE(3),对加法不封闭,而对乘法封闭。则有:

这里写图片描述

群,是一种集合加上一种运算的代数结构,主要满足有:封闭性、结合律、幺元、逆等性质。而李群,则是指具有连续光滑性质的群。

对于李代数,考虑任意旋转矩阵 R,会随着时间变化而变化,即为时间的函数:R(t)。
则有:

这里写图片描述

通过对其时间的求导,可得到一个等式:

这里写图片描述

其中 这里写图片描述 为反对称矩阵,对于反对称矩阵而言,我们总能找到一个向量与之对应,对以上的反对称矩阵,我们记这个向量为 这里写图片描述,则有:

这里写图片描述

由于 R 为正交矩阵,则有

这里写图片描述

我们可以看到,每对旋转矩阵求一次导,只需左乘一个上述矩阵即可,设 to=0,且R(0)=I,通过一阶泰勒展开解上述微分方程,可以得到:

这里写图片描述

该方程说明了旋转矩阵R通过一个反对称矩阵通过指数关系发生了联系。

对于李代数而言,在不引起歧义的情况下,我们可以说李代数的元素是上述所提到的向量和反对称矩阵,而李代数so(3),(注意这里与SO(3)不同),则元素为三维向量和三维反对称矩阵,而se(3)的元素是六维向量和六维反对称矩阵,其表达方式为:

这里写图片描述

这里写图片描述

对于se(3)里面的p的三维向量,代表的是平移,但是含义与变换矩阵中的平移是不同的,这点需要特别注意,另外在se(3)李代数中,符号“ ^“仅仅表示向量到反对称矩阵,而是广泛的表达为从”向量到矩阵“。

2.指数与对数映射

上面我们提到了这里写图片描述,它是一个矩阵的指数,在李群和李代数中,称为指数映射。通过一系列的泰勒展开计算,我们可以得到:

这里写图片描述

其中,这里写图片描述 代表三维向量的模长,而a代表长度为1的方向向量。通过上述公式可得,so(3)实际上就是所谓的旋转向量。通过这种指数映射,意味着SO(3)中的元素,都可以找到一个so(3)的元素与之对应,但是可能存在多个so(3)对应到同一个SO(3),毕竟so(3)在一定程度上就是由旋转向量组成的空间。如果把旋转角度固定在 这里写图片描述 中,那么李群和李代数就是一一对应的了。

3.李代数求导与扰动模型

为什么要使用李代数呢?使用李代数的一大动机是用来进行优化,因为在从空间点到观测数据的转换时,总会有噪音的存在,优化机器人的位姿使得噪声最小。

对某个旋转矩阵R,对应的李代数为 这里写图片描述 ,当左乘一个微小的旋转 这里写图片描述 后,对应的李代数为 这里写图片描述。那么在李群上我们得到的结果是 这里写图片描述,而在李代数上,根据BCH近似,我们得到的结果是 这里写图片描述,由此可以得到公式为:

这里写图片描述

而对于se(3)李代数而言,同样有类似的性质。

对于李代数求导问题,在SLAM中,我们要估计一个相机的位姿,该姿态是由李群上的SO(3)和SE(3)而来的。那么,假设某时刻摄像机的位姿为T,观察到了点 p,得到了观测数据z,那么有: z=Tp+w,其中w为观测误差。

为了使得实际值与观测值最大程度的接近,那么我们需要使噪声最小,而这个即是优化的过程,通过对转换矩阵 T 的求导,得到整体误差的最小化:

这里写图片描述

为了求解这个问题,我们经常会构建与位姿有关的函数,然后讨论该函数关于位姿的导数,以调整当前的估计值。因为变换矩阵只是单纯的李群,对加法不封闭,于是我们可以转换成李代数进行求导。因为李代数由向量组成,所以具有良好的加法运算。在求解李代数问题时,有俩种思路:

1.用李代数表示姿态,然后根据李代数加法来对李代数求导
2.对李群左乘或者右乘一个微小扰动,然后对该扰动求导,称为左扰动模型和右扰动模型。第一种对应到李代数的求导模型,第二种对应到扰动模型。

李代数求导模型

关于李代数求导,考虑到SO(3),假设对一个空间点 p 进行了旋转,得到了 Rp ,要计算旋转后点的坐标相对于旋转的导数,有:这里写图片描述,但是对于李群而言对加法不封闭,所以该导数无法按照导数的定义进行计算。设 R 对应的李代数为 这里写图片描述 ,那么转而计算有:这里写图片描述

于是,按照导数的定义,我们可以有:这里写图片描述**=这里写图片描述(雅克比矩阵)(其中推导省略),但是由于在这里我们需要计算雅克比矩阵,所以过程比较复杂,转而学习下面的扰动模型。

扰动模型(左乘)

在模型之前,有麦克劳林展开式有:

y=e^x运用麦克劳林展开式并舍弃余项:e^x≈1+x+x^2/2!+x^3/3!+……+x^n/n!

接着上述问题,另一种求导方式为,对R进行一次扰动 这里写图片描述,设左扰动对应的李代数为 这里写图片描述 ,对其进行求导有:这里写图片描述

该式求导比上述简单:

这里写图片描述

这里写图片描述

最终得到结果省去了计算一个雅克比矩阵,这使扰动模型更加有用!!其中,第二步到第三步运用了麦克劳林展开式,舍去了高次项。从第四步到第五步,可以将反对称符号看做叉积,变换之后变号,从而求得结果!!

最后,这些模型的求解可以一个Sophus库进行协助求解!!!

阅读更多
个人分类: SLAM
想对作者说点什么? 我来说一句

代数与计算机视觉

2016年01月03日 2.97MB 下载

李群代数讲义入门读物

2010年02月22日 1.05MB 下载

没有更多推荐了,返回首页

不良信息举报

SLAM学习——李群与李代数

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭