【SLAM十四讲学习笔记】第4讲 李群与李代数

SLAM十四讲学习笔记

第4讲 李群与李代数

---

---

4.1 李群李代数基础

它们对加法是不封闭的，关于乘法是封闭的。
群(Group)是一种集合加上一种运算的代数结构。我们把集合记作 A，运算记作 ·，
那么群可以记作 G = (A, ·)。

李群是指具有连续(光滑)性质的群。像整数群 Z 那样离散的群没有连续性质。而 SO(n) 和 SE(n)，它们在实数空间上是连续的。

由于 R ̇ (t)R(t)T 是一个反对称矩阵，我们可以找到一个三维向量 φ(t) ∈ R3 与之对应。于是有:

同时在 t0 附近，设 φ 保持为常数 φ(t0) = φ0

李代数由一个集合 V，一个数域 F 和一个二元运算 [, ] 组成。如果它们满足以下几条 性质，称 (V, F, [, ]) 为一个李代数，记作 g。

二元运算被称为李括号。李括号表达了两个元素的差异。它不要求结合律，而要求元素和自己做李括号之后为零的性质。作为例子，三维向量 R3 上定义的叉积 × 是一种李 括号，因此 g = (R3 , R, ×) 构成了一个李代数。
李代数 so(3)

李代数 se(3)

我们仍使用 ∧ 和 ∨ 符号来指代“从向量到矩阵”和“从矩阵到向量”的关系

4.2 指数与对数映射

定义：

性质：

推导：

反之，如果定义对数映射， 我们也能把 SO(3) 中的元素对应到 so(3) 中:
SE(3) 上的指数映射：

4.3 李代数求导与扰动模型

当 φ1 或 φ2 为小量时，小量二次以上的项都可以被忽略掉。此时，BCH 拥有线性近似表达:

以第一个近似为例。该式告诉我们，当对一个旋转矩阵 R2(李代数为 φ2)左乘一个 微小旋转矩阵 R1(李代数为 φ1)时，可以近似地看作，在原有的李代数 φ2 上，加上了一 项Jl(φ2)−1φ1。

4.3.2 SO(3) 李代数上的求导

计算理想的观测与实际数据的误差：

假设一共有 N 个这样的路标点和观测，于是就有 N 个上式。位姿估计，相当于是寻找一个最优的 T ，使得整体误差最小化:
我们经常会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。

4.3.3 李代数求导

4.3.4 扰动模型(左乘)

另一种求导方式，是对 R 进行一次扰动 ∆R。设左扰动 ∆R 对应的李代数为 φ。

4.3.5 SE(3) 上的李代数求导

---