第4讲李群和李代数

最新推荐文章于 2024-04-29 21:24:26 发布

不服输的小白

最新推荐文章于 2024-04-29 21:24:26 发布

阅读量3k

点赞数 2

分类专栏：视觉SLAM

本文链接：https://blog.csdn.net/llfjcmx/article/details/82793156

版权

视觉SLAM 专栏收录该内容

14 篇文章 18 订阅

订阅专栏

什么是群？什么是李群？

群是一种集合加上一种运算的代数结构。这种运算必须满足“凤姐咬你”这四条性质。

常见的群有：特殊正交群 S0(n) ，特殊欧式群 SE(n) ，它们都对矩阵乘法构成群。

如果对上一讲的内容有印象的话，会回忆起来：

三维旋转矩阵构成了特殊正交群 $SO(3)=\left \{ R\epsilon \mathbb{R}^{3\times 3}|RR^T=1,det\left ( R \right )=1 \right \}$
变换矩阵构成了特殊欧式群 $SE(3)= \left \{ T= \begin{bmatrix} R &t \\ 0^T&1 \end{bmatrix} \epsilon \mathbb{R}^{4\times 4} | R\epsilon \mathbb SO\left ( 3 \right ),t\epsilon \mathbb{R}^3 \right \}$

SO(3) 和 SE(3) 对矩阵乘法都是封闭的，矩阵乘法对应着旋转或变换的复合，两个旋转矩阵相乘表示做了两次旋转、两个变换矩阵相乘表示做了两次欧式变换。

那么，什么是李群呢？

李群，是指具有连续（光滑）性质的群。

什么是具有连续性质的群？看一下这个例子：显然整数和整数的加法构成了一个群（ $\mathbb{Z}$ ，+），但是这是一个离散的群，因为中间有很多的数都取不到。

SO(n) 和 SE(n) 在实数空间上是连续的，所以它们是李群。

我们也可以直接直观的想象出来， SO(n) 和 SE(n) 都是描述刚体在空间中的运动的，而刚体在空间中的运动肯定是连续的，所以它们是李群。

什么是李代数？

每个李群都有对应的李代数。李代数描述了李群的局部性质。

李代数的定义如下：李代数由一个集合，一个数域和一个二元 [,] 运算组成，如果它们满足以下性质，则成 (V,F,[,]) 为一个李代数，记作。

封闭性： $\forall X,Y\epsilon V,[X,Y]\epsilon V$
双线性： $\dpi{100} \small \forall X,Y,Z\epsilon V,[aX+bY,Z]=a[X,Z]+b[Y,Z],[Z,aX+bY]=a[Z,X]+b[Z,Y]$
自反性： $\small \forall X\epsilon V,[X,X]=0$
雅可比等价： $\small \forall X,Y,Z\epsilon V,[X,[Y,Z]]=[Z,[X,Y]]=[Y,[Z,X]]=0$

其中李代数中的二元运算称为李括号。

李群和李代数的关系

考虑任意一个旋转矩阵 $\small R$ ，它满足： $\small RR^{T}=I$

因为 $\small R$ 表达的是相机的旋转，它会随时间连续的变化，即为时间的函数： $\small R(t)$

但是 $\small R(t)$ 仍然是旋转矩阵，则有： $\small R(t)R(t)^{T}=I$

等式的两边同时对时间 $\small t$ 进行求导，得到： $\small {\color{Red} \dot{R(t)}R(t)^{T}+R(t)\dot{R(t)^{T}}=0}$

整理得到： $\small \dot{R(t)}R(t)^{T}=-[\dot{R(t)}R(t)^{T}]^{T}$

由反对称的定义可知： $\small \dot{R(t)}R(t)^{T}$ 是一个反对称矩阵。

先回忆一下之前的知识：

在介绍向量的叉积，引入了 $\small \Lambda$ 符号，将一个向量映射成一个反对称矩阵。

同理，对于任意一个反对称矩阵，我们也可以找到一个向量，与之对应，我们把这个运算用 $\vee$ 表示。

用数学公式就可以表达为：

$\vec{a}^{\Lambda }=A=\begin{bmatrix} 0 & -a_{3} & a_{2} \\ a_{3} & 0 & -a_{1} \\ -a_{2} & a_{1} &0 \end{bmatrix}$ ,

$A^{\vee }=\vec{a}$

于是，由于 $\dot{R(t)}R(t)^{T}$ 是一个反对称矩阵，于是可以找到一个三维向量 $\phi (t)\epsilon \mathbb{R}^{3}$ 与之对应，即： $\dot{R(t)}R(t)^{T}=\phi (t)^{\Lambda }$

等式两边同时右乘 R(t) ，由于 R(t) 正交，于是有： $\dot{R(t)}=\phi (t)^{\Lambda }R(t)$ ，

可以看到，每对旋转矩阵 ${\color{Red} R(t)}$ 求一次导数，就相当于对它左乘一个 ${\color{Red} \phi(t)^{\Lambda }}$

为方便讨论，我们设 $t_{0}=0$ ，并设此时对应的旋转矩阵为 R(t)=I 。

现在，我们将 R(t) 在 t=0 处进行泰勒展开，得到：

$R(t)\approx R(t_{0})+\dot{R(t_{0})}(t-t_{0})=I+\phi (t_{0})R(t_0)(t)=I+\phi (t_{0})(t)$

可以看到， ${\color{Red} \phi}$ 反映了 ${\color{Red} R}$ 的导数性质，所以我们称它为SO(3)原点附近的正切空间上。

（下面是书上的推导公式，其实我个人认为这样的推导不是很合理，也有可能是我没有完全理解）

同时在 $t_{0}$ 附近，设 $\phi$ 保持为常数 $\phi (t_0)=\phi _0$ ，于是根据 $\dot{R(t)}=\phi (t)^{\Lambda }R(t)$ 得到：

$R(t)=\phi (t_0)^{\Lambda }R(t)=\phi _0^{\Lambda }R(t)$

就是这一步不是很理解，因为 $\phi$ 仅仅是在 $t_{0}$ 的附近保持不变，而不是在整个的范围内保持不变，所以这里只将 t=t_0 代入 $\phi$ 中，我感觉上面的等式是不成立的。如果有人理解了这一步的话，希望能够给我讲解一下，万分感谢！

接着讲，上面是一个关于的微分方程，而且知道了的初始值为 R(0)=I ，解微分方程可以得到：

$R(t)=exp(\phi _{0}^{\Lambda }t)$

（不会解的可以回去看一下高数的一阶线性微分方程的解法）。

总结：

我们看到，旋转矩阵与另一个反对称矩阵 $\phi _0$ 通过指数关系发生了联系，也就是说，当我们知道某个时刻的时，存在一个向量 $\phi$ ，它们满足这个矩阵指数关系。有下面两个问题要提现说明一下：

（1）与对应的 $\phi$ 有什么含义呢？后面可以看到， $\phi$ 就是对应到 SO(3) 上的李代数。

（2）矩阵指数 $exp(\phi ^{\Lambda })$ 如何计算？这也就是后面要学习的李群和李代数之间的指数/对数映射。

这一节的知识很不好理解，迷迷糊糊的。所以就先到这里了。下一篇开始学习 SO(3),SE(3) 对应的李代数。

不服输的小白

关注

2
点赞
踩
15

收藏

觉得还不错? 一键收藏
2
评论
第4讲李群和李代数

什么是群？什么是李群？群是一种集合加上一种运算的代数结构。这种运算必须满足“凤姐咬你”这四条性质。常见的群有：特殊正交群，特殊欧式群，它们都对矩阵乘法构成群。如果对上一讲的内容有印象的话，会回忆起来：三维旋转矩阵构成了特殊正交群变换矩阵构成了特殊欧式群和对矩阵乘法都是封闭的，矩阵乘法对应着旋转或变换的复合，两个旋转矩阵相乘表示做了两次旋转、两个变换矩阵相乘表示做了两次欧式变换...
复制链接

扫一扫