李群李代数的相互映射、倒数与扰动模型，推导细节和说明

前言：

李群李代数的引入，实际上就是将空间变换关系由矩阵相乘转化为了向量相加，可以方便slam问题中对变换矩阵的求导和求极限，解决优化问题。

 1 李群李代数介绍

由于空间中旋转和变换矩阵可以相乘构成物理意义上的闭环，正好对应了群的概念。

群的性质如下：

此处需要注意幺元并不是单位矩阵，只要符合幺元性质的代数结构，都是。

李群是具有连续（光滑性质的群），由物体可在空间中连续变化的物理意义可知，正交群和欧式群都是李群。

由于李群的性质中只有乘法没有加法，对旋转和变换的取极限和求导就很困难，因此引入李代数的概念。（李代数只是个数学工具，为了方便对矩阵的求导）

李代数的性质如下：

正交群和欧式群是方阵R。而李代数的物理意义为向量φ。可以理解为用向量表示了矩阵（因为旋转矩阵本身就只有3个自由度）。

相互之间的关系推导过程如下：

可见 ，正交群R与其对应的李代数为指数关系。

正交群和欧式群对应的李代数，以及反对称矩阵的关系如下：

2 李群李代数的指数与对数映射关系

前面得到了李群和李代数之间的指数关系，由于李代数为一个向量，可以写为代表方向的单位向量a乘以模长θ。并有以下性质：

由上面的性质，将李群对应的带有李代数的指数模型进行泰勒展开，化简，再通过三角函数展开式合并，如下：

由李群矩阵R反推李代数关系有：

四阶的欧式群对应关系有：

映射关系总结：

3 李群（矩阵）相乘与李代数（向量）相加之间的关系

来到实际解决问题环节，如果要对一个旋转或变换矩阵求导或求极限，根据倒数模型，旋转矩阵的增量应该是相乘而不是相加，计算就会变得很麻烦。

因此可以转化为李代数，将变换关系对应的乘法增量变为加法，简化求导过程。

给旋转矩阵添加一个增量，就相当于乘以一个矩阵。

所以，对于两个旋转矩阵相乘，可用BHC公式进行展开：

正常的两个矩阵相乘，化简是非常复杂的，但对于空间变换问题中，如果一个量只是一个很小的增量（下图中的小量）时，可以有如下线性近似关系：

都转化为指数形式，就有如下关系：

下图以左乘为例，列出了李群对应的矩阵相乘和李代数对应的向量相加之间的关系，可作为结论直接代入后续计算。

4 求导模型与扰动模型

关系推导结束，来解决一个实际问题：

问题的解决大体流程相同，求导模型和扰动模型的不同在于，在哪一步将矩阵乘法转换为向量加法。

4.1 倒数模型的推导

4.2 扰动模型的推导

欧式群，即变换关系对应的扰动模型（最常用）：

这里需要注意：近似这一步是借助了李代数到李群的转换关系，去掉了θ平方的二阶无穷小量。

如下图中推导：

最后：

倒数模型和扰动模型最后差了个Jl，还未验证这两种对精度的影响。欢迎有研究的大佬补充。。。