SLAM重点摘要2:李群与李代数

李群与李代数
关键词：优化，约束，求导
把求解相机位姿的问题，构建成一个优化问题，求解最优的R，T，使得误差最小化。
因为旋转和变换矩阵带有约束，使得优化变得困难（解空间受到约束），通过李群-李代数之间的转换关系，从而将其转换成无约束的优化问题。（求最优解，可以连续求导）

推导过程较为麻烦，我们直接会使用结论即可：

1. 在t0 = 0附近，假设初始旋转矩阵R（0）= I，我们有 R(t) = exp(sigma0^ t)，此时，在t0附近，由于一系列限制与近似条件下，我们把R(t)变成了一个与t有关的指数函数。便于我们求解与计算。但是这里sinma0^是一个矩阵，那么矩阵如何计算呢？用到泰勒展开。
2. 李代数具有自反性与雅可比等价，感觉类似于向量的方向。
3. 李代数上的指数映射（矩阵指数运算）：灵活运用泰勒展开和收敛的性质获得罗德里格公式，用向量来表示出该矩阵的指数函数。
4. 李代数上的BCH扰动模型，很复杂，推导未知，分为左乘与右乘两种不同形式，为李代数上的微积分提供了理论依据。
5. z = Tp + w, z和p都已知，分别为两个坐标系下的坐标，T为变换矩阵，但两个坐标不可能完全对应，所以我们加上扰动噪音w，假设我们现在有n对相关的点，我们想要n对点的误差最小，那么我们让各个w的平方和最小，从而构造一个T的方程出来，求取最优化的T，这就是我们李群与李代数的最终目的。然后我们使用李代数求导或者对使用李群的左右扰动模型求导，当然求导之后都变成了矩阵向量乘积的形式，然后再计算导数为0点，将对应的矩阵计算出来，这样的话就有利于我们的使用。
6. 使用Sophus来完成李群与李代数的数学计算。李代数的基本运算实在过于麻烦，使用Sophus是必要的捷径

李代数是SLAM里面最难理解的一个章节了，涉及到大量的数学推导以及运算，我们要注意的是，李代数的目的是为了我们能够更好地求解变换矩阵T，所以其实输入和输出还是一样的，仍然是输入对应点，然后输出一个最佳的变换矩阵T，只有中间计算的过程出现了变化，但是这些相应的计算在Sophus里面为我们封装好了，我们只需要对公式有基本的记忆即可，然后调用Sophus的库去完成计算，相当于中间这个黑盒子，我们理解这回事即可，但是特别具体的计算，我们先放在一边。

下一章：相机畸变