一、为啥需要李代数
假设拿相机一边移动一边拍摄,某个时刻相机位姿T,相机观察到一个世界坐标系中的空间点p,相机产生了一个观测数据Z,那么
Z=Tp+e(1)
e就是观测误差
e=Z-Tp(2)
假设共有N个三维点p和观测值z,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,即
就是求目标函数J对于变换矩阵T的导数,SE(3)空间的T映射为李代数,映射后的李代数称作se(3)。
se(3)由向量组成,通过对李代数求导来间接对变换矩阵T求导。
标题二、李群怎么理解
slam的目的就是求解相机的最佳位姿T(变换矩阵),优化方法一般采用迭代优化的方法,每次迭代都更新一个位姿的增量delta,使得目标函数最小。这个delta就是通过误差函数对T微分得到的。
李代数对应李群的正切空间,它描述了李群局部的导数。
结论:旋转矩阵的微分是一个反对称矩阵左乘它本身,对于某个时刻的李群空间中的R(t),存在一个李代数空间中的三维向量Φ=(Φ1,Φ2,Φ3),用来描述R在t时刻的局部的导数
向量Φ=(Φ1,Φ2,Φ3)反应了R的导数性质,所以向量Φ在SO(3)上的原点Φ0附近的正切空间上。向量Φ就是李群SO(3)对应的李代数so(3)
李代数so(3)是三维向量Φ的集合,每个向量Φi的反对称矩阵都可以表达李群SO(3)上旋转矩阵R的导数,而R和Φ是一个指数映射关系。也就是说,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。
用旋转矩阵表示的话就是李群空间,用向量的反对称矩阵表示的话就是李代数空间。
这个式子用到指数e的泰勒展开