李群与李代数初识

最新推荐文章于 2022-12-21 16:36:00 发布

那就举个栗子！

最新推荐文章于 2022-12-21 16:36:00 发布

阅读量1.5k

点赞数 1

分类专栏： SLAM 文章标签：图像处理

本文链接：https://blog.csdn.net/qq_41889538/article/details/127257568

版权

SLAM 专栏收录该内容

11 篇文章 1 订阅

订阅专栏

在SLAM中, 位姿作为状态变量是未知的，需要解决什么样的相机位姿最符合当前观测数据这样的问题。一种典型的方式是把它构建成一个优化问题，求解最优的R, t，使得误差最小化。旋转矩阵自身是带有约束的（正交且行列式为1）。它们作为优化变量时，会引入额外的约束，使优化变得困难。通过李群——李代数间的转换关系能够把位姿估计变成无约束的优化问题，简化求解方式

一、李群李代数基础定义

三维旋转矩阵构成了特殊正交群SO(3)：

在这里插入图片描述

四维变换矩阵构成了特殊欧式群SE(3)

在这里插入图片描述

旋转矩阵、变换矩阵加法是不封闭的：
SO(3)和SE(3)关于乘法是封闭的：

二、群

对于只有一个（良好的）运算的集合，我们称之为群,群是一种集合加上一种运算的代数结构,我们把集合记为A，运算记作.，那么群可以记作G = (A，.)

2.1 群的定义

群满足以下特性：
在这里插入图片描述
旋转矩阵集合和矩阵乘法构成群，叫做旋转矩阵群；同样，变换矩阵和矩阵乘法也构成群，叫做变换矩阵群。矩阵中常见的群有：

一般线性群 GL(n)： n×n 的可逆矩阵，它们对矩阵乘法成群
特殊正交群 SO(n)：即旋转矩阵群，其中 SO(2) 和 SO(3) 最为常见
特殊欧式群 SE(n)：即 n 维欧氏变换，如 SE(2) 和 SE(3)

我们重点要学习了解的是李群

2.2 李群

指具有连续（光滑）性质的群
直观上看， SO(3) SE(3)在实数空间上都是连续的，所以都可称之为李群，但是，SO(3)和SE(3)只有定义良好的乘法，没有加法，所以难以进行取极限、求导等操作

三、李代数

每一个李群对应一个李代数 ,李代数描述了李群的局部性质,位于向量空间

3.1李代数的引入

任意一个旋转矩阵R（正交阵），它满足：
在这里插入图片描述
R是t的函数，由于它是旋转矩阵，故满足：

等式两边对t求导：

在这里插入图片描述
移向整理得：

观察可以看出等式左边为一个反对称矩阵，记作：

前式两侧右乘R(t),而R(t)为正交矩阵，故有微分方程：

设t0=0,R(0)=I,将R(t)在0附近进行一阶泰勒展开为：

可得初始值为：R(t0)=R(0)=I,依据异界线性常系数微分方程的求解公式解得：
在这里插入图片描述

对于任意的t，都可以找到一个R和一个ϕ与之对应
外积引入了^符号，将一个向量变成了反对称矩阵。同理，对于任意反对称矩阵，亦能找到一个与之对应的向量，把这个运算用符号∨表示。（向量加了∧符号变成反对称矩阵，矩阵加了∨符号变成对应的向量）

李代数具有如下性质：

在这里插入图片描述

3.2 李代数so(3)

so(3)是三维向量（三行一列），其矩阵形式为3维反对称矩阵

SO(3)对应的李代数：so(3)

3.3 李代数se(3)

se(3)是一个六维向量（六行一列），前三维是平移，后三位是旋转

在这里插入图片描述

SE(3)对应的李代数为：se(3)

3.4 指数映射与对数映射

旋转矩阵 R 与另一个反对称矩阵 ϕ0∧t 通过指数关系发生了联系；给定某时刻的R，就能求得一个ϕ，它描述了R在局部的导数关系。ϕ正是对应到SO(3) 上的李代数so(3)；李代数（ϕ）到李群（R）是指数关系，而李群（R）到李代数（ϕ）是对数关系

so(3)实际上就是由旋转向量组成的空间，而指数映射即罗德里格斯公式。通过指数映射，把so(3)中任意一个向量对应到了一个位于SO(3)中的旋转矩阵。反之，如果定义对数映射，也能把SO(3)中的元素对应到so(3)中。SO(3)与so(3)的结论和前面的旋转向量与旋转矩阵很相似，而指数映射即是罗德里格斯公式。旋转矩阵的导数可以由旋转向量指定，指导着如何在旋转矩阵中进行微积分运算。SO(3)、SE(3)、so(3)、se(3)之间的对应关系总结如下图

在这里插入图片描述

四、增量扰动模型

使用李代数的一大动机是进行优化，而在优化过程中导数是非常重要信息，首先slam的定位就是在对相机进行位姿估计，李群对加法没有封闭性，但向量对加法具有封闭性

因此，使用李代数解决求导问题的思路分为两种：

用李代数表示姿态，然后根据李代数加法对李代数求导，然后对应到李代数的求导模型
对李群左乘或右乘微小扰动，然后对该扰动求导，称为左扰动和右扰动模型，对应到扰动模型（更为简便）

第一种方式对应到李代数的求导模型，第二种方式对应到扰动模型

tips:一般在工程中选择第二种，旋转矩阵的微分是一个反对称矩阵左乘它本身

4.1 SO(3)上的扰动模型（左乘）

在对旋转矩阵R进行求导时，扰动模型指的是对R进行一次扰动R的微小增量，相对于扰动的变化率，左扰动即左乘，右扰动即右乘，两者都行，只是结果会有一些微小差距。以左扰动为例：
在这里插入图片描述
相对于直接对李代数求导，省去了一个雅各比的计算，使得扰动模型更加实用，这种方法在位姿估计中具有重要的意义

4.2 SE(3)上的李代数求导

假设某空间点p经过一次变换T，得到Tp,现在，给T左乘一个扰动：
在这里插入图片描述

tips:为使乘法成立，p必须使用齐次坐标

五、Sophus库使用

目前，一个较好的李代数库是Strasdat维护的Sophus库，接下来的使用中，我们使用带模板的库

建立useSophus.cpp文件

其主要步骤为：

通过旋转矩阵或者四元数定义李群
通过李群的对数映射得出李代数
在SLAM中，增量扰动模型很关键，对扰动向量进行指数映射，并左乘到原矩阵，就完成了增量扰动的更新

#include <iostream>

#include <cmath>

#include <Eigen/Core>

#include <Eigen/Geometry>

#include "sophus/se3.hpp"
using namespace std;

using namespace Eigen;
/// 本程序演示sophus的基本用法



int main(int argc, char **argv) {



  // 沿Z轴转90度的旋转矩阵

  Matrix3d R = AngleAxisd(M_PI / 2, Vector3d(0, 0, 1)).toRotationMatrix();

  // 或者四元数

  Quaterniond q(R);

  Sophus::SO3d SO3_R(R);              // Sophus::SO3d可以直接从旋转矩阵构造

  Sophus::SO3d SO3_q(q);              // 也可以通过四元数构造

  // 二者是等价的

  cout << "SO(3) from matrix:\n" << SO3_R.matrix() << endl;

  cout << "SO(3) from quaternion:\n" << SO3_q.matrix() << endl;

  cout << "they are equal" << endl;

  // 使用对数映射获得它的李代数

  Vector3d so3 = SO3_R.log();

  cout << "so3 = " << so3.transpose() << endl;

  // hat 为向量到反对称矩阵

  cout << "so3 hat=\n" << Sophus::SO3d::hat(so3) << endl;

  // 相对的，vee为反对称到向量

  cout << "so3 hat vee= " << Sophus::SO3d::vee(Sophus::SO3d::hat(so3)).transpose() << endl;



  // 增量扰动模型的更新

  Vector3d update_so3(1e-4, 0, 0); //假设更新量为这么多

  Sophus::SO3d SO3_updated = Sophus::SO3d::exp(update_so3) * SO3_R;

  cout << "SO3 updated = \n" << SO3_updated.matrix() << endl;



  cout << "*******************************" << endl;

  // 对SE(3)操作大同小异

  Vector3d t(1, 0, 0);           // 沿X轴平移1

  Sophus::SE3d SE3_Rt(R, t);           // 从R,t构造SE(3)

  Sophus::SE3d SE3_qt(q, t);            // 从q,t构造SE(3)

  cout << "SE3 from R,t= \n" << SE3_Rt.matrix() << endl;

  cout << "SE3 from q,t= \n" << SE3_qt.matrix() << endl;

  // 李代数se(3) 是一个六维向量，方便起见先typedef一下

  typedef Eigen::Matrix<double, 6, 1> Vector6d;

  Vector6d se3 = SE3_Rt.log();

  cout << "se3 = " << se3.transpose() << endl;

  // 观察输出，会发现在Sophus中，se(3)的平移在前，旋转在后.

  // 同样的，有hat和vee两个算符

  cout << "se3 hat = \n" << Sophus::SE3d::hat(se3) << endl;

  cout << "se3 hat vee = " << Sophus::SE3d::vee(Sophus::SE3d::hat(se3)).transpose() << endl;



  // 最后，演示一下更新

  Vector6d update_se3; //更新量

  update_se3.setZero();

  update_se3(0, 0) = 1e-4d;

  Sophus::SE3d SE3_updated = Sophus::SE3d::exp(update_se3) * SE3_Rt;

  cout << "SE3 updated = " << endl << SE3_updated.matrix() << endl;

  return 0;

}

编译运行结果如下：

xyb@xyb:~/slam/ch4/build$ ./useSophus 
SO(3) from matrix:
2.22045e-16          -1           0
          1 2.22045e-16           0
          0           0           1
SO(3) from quaternion:
2.22045e-16          -1           0
          1 2.22045e-16           0
          0           0           1
they are equal
so3 =      0      0 1.5708
so3 hat=
      0 -1.5708       0
 1.5708       0      -0
     -0       0       0
so3 hat vee=      0      0 1.5708
SO3 updated = 
          0          -1           0
          1           0     -0.0001
     0.0001 2.03288e-20           1
*******************************
SE3 from R,t= 
2.22045e-16          -1           0           1
          1 2.22045e-16           0           0
          0           0           1           0
          0           0           0           1
SE3 from q,t= 
2.22045e-16          -1           0           1
          1 2.22045e-16           0           0
          0           0           1           0
          0           0           0           1
se3 =  0.785398 -0.785398         0         0         0    1.5708
se3 hat = 
        0   -1.5708         0  0.785398
   1.5708         0        -0 -0.785398
       -0         0         0         0
        0         0         0         0
se3 hat vee =  0.785398 -0.785398         0         0         0    1.5708
SE3 updated = 
2.22045e-16          -1           0      1.0001
          1 2.22045e-16           0           0
          0           0           1           0
          0           0           0           1