李代数

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=T_p+e（1）
e就是观测误差
e=Z-T_p（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Φ_i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