视觉SLAM14讲-第四讲笔记
优化问题
为什么使用李代数:实际SLAM中,相机位姿R,T未知,需要进行估计,估计的过程可以看做最小误差的优化问题。由于旋转矩阵和变换矩阵有约束(正交、det=1),难以优化。转换成李代数,可以从有约束优化问题转变为无约束优化问题。
对于相机位姿T,观察到世界坐标系上的点P,在噪声w下,得到观测数据z。
- z=Tp+w
得到误差:
- e=z-Tp
对于n个点,要估计位姿T,即找到最优的T,似的误差∑e最小化。
- minJ(T)=∑e=∑(z-Tp)
J为T的函数,要优化,则要计算J关于T的导数。R、T是群,没有良好的定义加法,作为普通矩阵则有约束。转为李代数,则有良好定义的加法,无约束。
群
- 群:只对一种运算封闭。封结幺逆。
- 旋转矩阵和变换矩阵属于SO(3)和SE(3)群,它们对乘法封闭,对加法不封闭。
- 李群:在群基础上连续。
李代数
- ^:向量——>反对称矩阵
- ˇ:反对称矩阵——>向量
李代数的定义
每个李群都有与之对应的李代数,描述了李