背景:
在视觉Slam中,对于李代数的应用大多是为了对进行估计的优化,我们会经常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。
对位姿的估计是在现实中由于噪声的原因会使得观测数据(z)与实际有所偏差(w-噪声)
z
=
T
p
+
w
z ={ \bf Tp} +w
z=Tp+w
为了找出一个最优的T(位姿),我们往往会对关于位姿有关的函数进行求导,已调整当前的估计值。而如果进行求导的话,根据导数的定义是
lim
x
→
x
0
f
(
x
)
−
f
(
x
0
)
x
−
x
0
\lim_{x \to x_0} \frac{f(x)-f(x_0)}{x-x_0} \quad
x→x0limx−x0f(x)−f(x0)
而根据我们第三章讲的关于位姿的特殊正交群和特殊欧式群不具备相加特性,只允许相乘,故我们需要将这个只能相乘的“群”转换成可以进行代数相加的某个形式。
李群与李代数:
李群与李代数在SLAM的工程应用时,我们应该掌握他们之间的转换关系。
要明白我们的特殊正交群和特殊欧式变换群进行李代数转换时,在提交旋转矩阵R,和平移向量t后经过Sophus库函数可以转化成我们想要的李代数。同时我们也可以将李代数所表示的向量生成一个反对称矩阵
Φ
\Phi
Φ或通过Sophus库将其转化成李群。
接下来的重点时李代数求导与扰动模型
李代数求导的物理意义:
第一个空点
p
p
p进行旋转得到了
R
p
Rp
Rp,现在要计算旋转之后的点的坐标相对于旋转的导数,对于李群来说,无法根据导数的定义进行求解,此时将其转化为李代数,进行线性化,化简完成即得其导数。