视觉SLAM基础——李群与李代数

考拉AI

已于 2022-11-17 16:59:01 修改

阅读量416

点赞数 1

分类专栏：视觉SLAM 文章标签：自动驾驶计算机视觉

于 2022-11-17 16:56:09 首次发布

本文链接：https://blog.csdn.net/qq_17449077/article/details/127906699

版权

视觉SLAM 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1. 定义

旋转矩阵构成了特殊正交群 $S O (3)$ ，齐次变换矩阵构成了特殊欧氏群 $S E (3)$ ，但是旋转矩阵和变换矩阵对于加法是不封闭的，也就是两个旋转矩阵的和不再是一个旋转矩阵。这导致了很难对旋转矩阵进行直接求导，由此需要引入李代数。旋转矩阵R构成了一种李群 $S O (3)$ ，即
$SO(3)=\{R\isin\reals^{3{\times}3}| RR^T=I,det(R)=1\}$
其对应的李代数为定义在 $R^3$ 空间中的向量 $\bm\phi$ ，即
$\{\bm \phi\isin\R^3,\varPhi=\bm\phi^{\land}\isin\R^{3\times3}\}$
其中 $\varPhi$ 为 $\bm\phi$ 向量对应的反对称矩阵。

2. 指数映射和对数映射

指数映射
是指把李代数转换为李群，旋转矩阵的李代数本质上就是旋转向量，因此与旋转向量转换为旋转矩阵是一样的，即使用罗德里格斯公式进行转换：
$\bm R=exp(\bm\phi^{\land})=exp(\theta\bm a^{\land})=cos\theta\bm I+(1-cos\theta)\bm a\bm a^T+sin\theta\bm a^{\land}$
其中 $\theta$ 和 $\bm a$ 分别为向量 $\bm\phi$ 的模和方向。
对数映射
是指把旋转对应的李群转换为李代数，即旋转矩阵转换为旋转向量。
旋转向量的大小为： $\theta=arccos \frac {tr(\bm R)-1} {2}$
根据旋转轴上的向量在旋转后不变的性质，可得方向为旋转矩阵特征1对应的特征向量的方向。
每个旋转矩阵都对应一个旋转向量，但因为旋转具有周期性，可能多个旋转向量对应一个旋转矩阵，在 $-\pi$ 和 $+\pi$ 之间（一个旋转周期内）两者是一一对应的。

3. 李代数求导与扰动模型

BCH近似
两个旋转矩阵（李群）相乘是否与对应的两个旋转向量（李代数）相加等同，答案是并不等同，两个旋转矩阵相乘后的对数映射（李代数）等于对应的两个旋转向量相加后再加上一些由李括号组成的余项，如果忽略二次及以上的余项，可以得到线性的近似公式BCH：
$\begin{array}{c} \ln \left(\exp \left(\phi_{1}^{\wedge}\right) \exp \left(\phi_{2}^{\wedge}\right)\right)^{\vee} \approx\left\{\begin{array}{ll} \bm J_{l}\left(\phi_{2}\right)^{-1} \phi_{1}+\phi_{2} & \text { 当 } \phi_{1} \text { 为小量, } \\ \boldsymbol{J}_{r}\left(\phi_{1}\right)^{-1} \phi_{2}+\phi_{1} & \text { 当 } \phi_{2} \text { 为小量. } \end{array}\right. \end{array}$ $\boldsymbol{J}_{l}=\boldsymbol{J}=\frac{\sin \theta}{\theta} \boldsymbol{I}+\left(1-\frac{\sin \theta}{\theta}\right) \boldsymbol{a}^{\mathrm{T}}+\frac{1-\cos \theta}{\theta} \boldsymbol{a}^{\wedge}$ $\boldsymbol{J}_{l}^{-1}=\frac{\theta}{2} \cot \frac{\theta}{2} \boldsymbol{I}+\left(1-\frac{\theta}{2} \cot \frac{\theta}{2}\right) \boldsymbol{a} \boldsymbol{a}^{\mathrm{T}}-\frac{\theta}{2} \boldsymbol{a}^{\wedge}$ $\bm J_r(\phi)=\bm J_l(-\phi)$
旋转求导
对于某个旋转矩阵 $R$ （对应的李代数为 $\bm\phi$ ）进行微小的扰动，扰动量为 $\Delta R$ （对应的李代数为 $\Delta\bm\phi$ ），如果在李群上进行左扰动，这对应了左乘的扰动模型，根据BCH近似公式，可得： $exp(\Delta\bm\phi^{\land})exp(\bm\phi^{\land})\approx exp((\bm\phi+\bm J^{-1}_l(\bm\phi)\Delta\bm\phi)^{\land})$ 如果在李群上进行右扰动，这对应了右乘的扰动模型，根据BCH近似公式，可得： $exp(\bm\phi^{\land})exp(\Delta\bm\phi^{\land})\approx exp((\bm\phi+\bm J^{-1}_r(\bm\phi)\Delta\bm\phi)^{\land})$ 如果直接在李代数上进行加法，这对应了李代数的求导，根据BCH近似公式，可得：
$exp((\bm\phi+\Delta\bm\phi)^{\land})\approx exp((\bm J_l\Delta\bm\phi)^{\land})exp(\bm\phi^{\land})\approx exp(\bm\phi^{\land}) exp((\bm J_r\Delta\bm\phi)^{\land})$ 总结，对于旋转的求导，有李代数求导和左右扰动模型三种方式，常使用扰动模型进行求导，在求导时候可能还需要用到李群和李代数的一些性质，具体有：
伴随性质 $R^Texp(\bm\phi^{\land})R=exp((R^T\bm\phi)^{\land})$ $Rexp(\bm\phi^{\land})R^T=exp((R\bm\phi)^{\land})$ $R^T\bm\phi^{\land}R=(R^T\bm\phi)^{\land}$ $R\bm\phi^{\land}R^T=(R\bm\phi)^{\land}$
李群的逆等于对应李代数取负，即： $(exp(\bm\phi^\land))^{-1}=exp(-\bm\phi^\land)$
在求导时李群可以进行一阶泰勒展开，即： $exp(\bm\phi^\land)\approx I+\bm\phi^\land$