深蓝学院-视觉SLAM课程-第3讲作业--T6常见函数的求导应用

课程Github地址：https://github.com/wrk666/VSLAM-Course/tree/master

0. 引言

这次作业数这题最难，花了好长时间，做完之后记录一下。

1. 题目&答案

• 其中(6.2)用到了$e^x$的泰勒展开（其实我更习惯于叫无穷级数的展开）
• (6.3)用到了BCH公式（《SLAM14讲》P82）和T5的结论
  

2. 小结

(6.3)中在使用BCH公式时，$R_1{R}_2$要转换为李代数形式$ln(R_1{R}_2{)}^{\vee }$

• (6.5)中公式$$R{a}^{\wedge }{R}^T=(Ra{)}^{\wedge }$$要令$R=R^T$（这个弯我绕了很久才想到，然后就能使用$R_2$凑出BCH公式需要的形式）得
  $$R^T{a}^{\wedge }R=(R^{T}a{)}^{\wedge }$$
• 尤其需要注意雅可比矩阵是$J_l$还是$J_r$和给的扰动是左扰动还是右扰动无关，是$J_l$还是$J_r$得看BCH公式中的小量在左边还是右边，小量在左就是$J_l$，小量在右就是$J_r$。(6.5)中是给$R_2$左扰动，但是求出的雅可比是$J_r$，当然，也可以在(6.5)第2行用$R_1^T{R}_1$凑
  $$\begin{gathered} \underset{{\phi }_2\to 0}{\lim }\frac{ln(R_{1}exp({\phi }_2^{\wedge })R_1^T{R}_1{R}_2{)}^{\vee }-ln(R_1{R}_2{)}^{\vee }}{{\phi }_2} \\ =\underset{{\phi }_2\to 0}{\lim }\frac{ln(exp((R_1{\phi }_2{)}^{\wedge })R_1{R}_2{)}^{\vee }-ln(R_1{R}_2{)}^{\vee }}{{\phi }_2} \\ \approx (BCH简化，最终结果)J_l(ln(R_1{R}_2{)}^{\vee }{)}^{-1}{R}_1 \end{gathered}$$
  上面用的是$J_l$（这个结果我还没验证，等一会儿验证了再来看对不对。）
• 据助教说在VIO中常用$J_r$，后面再说，手写VIO已经安排上了。