李代数求导

最新推荐文章于 2023-08-05 12:59:13 发布
最新推荐文章于 2023-08-05 12:59:13 发布
阅读量953 收藏 3
点赞数
分类专栏： orb-slam2 文章标签： 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42739167/article/details/124503073
版权
博客介绍了如何利用李代数解决姿态表示（如SO(3)和SE(3)）的求导问题。由于姿态表示没有加法操作，通过李代数的加法特性进行求导。讨论了左扰动和右扰动模型，特别是在SO(3)和SE(3)李代数上的应用，简化了对旋转矩阵的导数计算。总结了李群和李代数在处理欧式变换矩阵导数问题中的优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

由于表示姿态的李群与表示位姿的李群上并没有定义加法，而求导数是需要加法的。因此此时如何求导就成了一个需要解决的问题，它们的李代数由向量组成，具有良好的加法运算，因此我们可以利用李代数来解决对位姿的求导问题。

是一个矩阵而不是标量，因此以下公式不成立：

BCH公式：处理两个矩阵指数之积时，会产生一些李括号组成的余项

最低0.47元/天 解锁文章
视觉SLAM笔记（17） 李代数求导与扰动模型
氢键H-H
09-29 1万+
BCH 公式与近似形式、SO(3) 李代数上的求导、李代数求导、扰动模型、SE(3) 上的李代数求导
李群与李代数2：李代数求导和李群扰动模型
shao918516的博客
07-08 1291
李群与李代数2：李代数求导和李群扰动模型1. 整体误差最小化引出求导问题2. BCH公式与近似形式3. 李代数求导 前言：本篇系列文章参照高翔老师《视觉SLAM十四讲从理论到实践》的第四讲，讲解李群与李代数。写此篇的目的是为了补足《十四讲》中的数学类基础知识，原书内容有点像直译文献，因此笔者根据自己理解，对整体内容重新划分，更改了目录章节，同时扩展了部分内容，有书的同学可以参照阅读，达到事半功倍的效果。 1. 整体误差最小化引出求导问题 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必要的信息。下
借助李群李代数完成对位姿的求导计算
weixin_41855010的博客
08-29 2410
一、对位姿求导数的意义 我们在对机器人进行位姿估计时的目标函数如下： 为了能取到损失函数J的最小值，我们需要对目标函数关于变换矩阵T求导数，我们可以不严谨非正式地记为如下表达式： 然而，变换矩阵T，包括其中的重要组成部分旋转矩阵R，都不满足对加减法的封闭，因此我们需要采用新的方法，那就是引入李群和李代数。 二、SO(3)李群和so(3)李代数 满足CAI2性质（Closure, Associativity, Identity-element, Inversible）的集合与运算的代数结构称为群。我们知道
李群李代数：李代数求导
JasonLi的博客
02-10 1666
记录了SO(3)和SE(3)的求导方式，从BCH公式近似到导数模型、扰动模型的建立。
李群和李代数（三）——李代数求导和扰动模型
qq_46067306的博客
08-05 603
由于他的存在，z往往不可能精确地满足z=Tp的关系。在SLAM中，我们要估计一个相机的位置和姿态，该位姿是由SO(3)上的旋转矩阵或者SE(3)上的变换矩阵描述。设置某时刻相机的位姿为T，他观察到了一个世界坐标位于p的点，产生了一个观测数据。这里的重点是，我们会经常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。2.对李群左乘或者右乘微小扰动，然后对该扰动求导，称为左扰动和右扰动模型，这是扰动模型。1.使用李代数表示姿态，然后根据李代数加法对李代数求导，这是李代数的求导模型。
视觉SLAM中的数学基础 第四篇 李群与李代数（2）
hjwang1的专栏
01-09 7545
转自：http://www.cnblogs.com/gaoxiang12/p/5577912.html 致敬原作者，请移步原作者博文详细浏览 前言 　　理解李群与李代数，是理解许多SLAM中关键问题的基础。本讲我们继续介绍李群李代数的相关知识，重点放在李群李代数的微积分上，这对解决姿态估计问题具有重要意义。  回顾 　　为了描述三维空间里的运动，我们使
第四讲-第三节-李代数求导与扰动模型
qq_42138662的博客
10-15 1608
一、BCH公式与近似模型 1、BCH公式 这一节，我们研究在SO(3)SO(3)SO(3)上两个矩阵相乘时其在so(3)so(3)so(3)上对应的李代数会如何变化。 为了便于讨论，我们将指数映射： R1R2=exp⁡(ϕ1∧)exp⁡(ϕ2∧)=exp⁡(f(ϕ1∧,ϕ2∧)){{\rm{R}}_1}{{\rm{R}}_2}{\rm{ = }}\exp (\phi _1^\wedge)\exp (\phi _2^\wedge) = \exp (f(\phi _1^\wedge,\phi _2^\wedge
VIO理论——李代数求导中最核心的两个公式！
CSDN_XCS的博客
07-06 1976
约定： 李代数ϕ\phiϕ的指数映射：exp(ϕ∧)exp(\phi^\wedge)exp(ϕ∧) 旋转矩阵RRR的对数映射：ln(R)∨ln(R)^\veeln(R)∨
李代数的求导及扰动模型
weixin_44197735的博客
07-06 1389
李代数的求导以及扰动模型有什么用？当然就是求导的用，但在什么情况下需要求导，在机器人领域和3d视觉领域当然是函数的变量是旋转矩阵或变换矩阵，多发生在优化问题上！
视觉slam第四讲笔记：优化理论基础：李群李代数求导
bitdai2018
06-04 1859
视觉slam第三讲笔记视觉SLAM第四讲笔记一.符号说明二.问题：三.概念：3.1李群3.2李代数的引出3.3李代数： 视觉SLAM第四讲笔记 一.符号说明 R˙\dot{R}R˙ ：矩阵R的一阶导数 ^\hat{}^ ： 将一个向量变为反对称矩阵， ˇ\check{}ˇ ： 将一个反对称矩阵变为向量 a^=A=(0−a3a2a30−a1−a2a10),Aˇ=a\hat{a}= A =\begi...
李代数的导数
qq_40007147的博客
12-02 3216
扰动模型 BCH公式与近似模型 李群李代数的关系已知，当我们将两个李群的矩阵相乘时，李代数的运算应该时什么呢。 我们知道李群的形式为：对于上式，我们等价研究： 那么这个式子是否成立呢，显然在标量时是成立的，但是在矩阵形式时不成立，应该以BCH（baker Campbell hausdorff）给出： 其中[，]为李括号，李括号的运算为： BCH公式中，当向量为小量时，小量二次以上的项都将被忽略，所...
李代数求导和扰动模型
ZLW_学习空间_博客
05-08 1628
前一篇大概介绍了李群李代数的相关性质，这里主要介绍李代数在SLAM中的作用。 这里写目录标题BCH公式及其近似形式SO(3)上的李代数的求导李代数求导扰动模型（左乘）SE(3)上的李代数求导 BCH公式及其近似形式 李代数在SLAM中的作用主要是进行优化，优化过程就不可避免地需要涉及到求导的过程。 与标量不同，在矩阵中指数的运算法则并不适用，即是说在矩阵中：ln(exp(A)exp(B))≠A+Bln(exp(A)exp(B))\ne A+Bln(exp(A)exp(B))​=A+B 取而代之的时BCH公
李群与李代数二（求导与扰动模型）
weixin_37781153的博客
09-22 631
BCH公式与近似公式（Baker-Campbell-haudsorff） 给出了李代数指数映射乘积的完整公式: [,]:为李括号[ ,]:为李括号[,]:为李括号 ln(eAeB)=A+B+12[A,B]+112[A,[A,B]]−112[B,[A,B]]+...ln(e^{A}e^{B})=A+B+\frac{1}{2}[A,B]+\frac{1}{12}[A,[A,B]]-\frac{1}{12}[B,[A,B]]+...ln(eAeB)=A+B+21​[A,B]+121​[A,[A,B]]−121​[
VSLAM（2）：李代数求导与扰动模型
zhangzhixin1998的博客
06-14 1090
在上一篇提到，因为R和T是定义在一个乘法运算的群上，他们对加法是不封闭的，导致在对其进行求导时会不成立。在引入了李代数这个映射后，那么接下来就是我们感兴趣的对一个旋转矩阵R左乘另外一个旋转矩阵对应到李代数上是什么样的。
《视觉SLAM十四讲》-第四章第3节-2-“李代数求导与扰动模型”-“SO(3)李代数上的求导”-学习笔记总结
王博（Kings）的博客
05-24 2112
笔记扫描版
李代数求导与扰动模型
sky的博客
07-20 8557
我们经常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。表示姿态的李群与表示位姿的李群上并没有定义加法，而求导数是需要加法的。因此此时如何求导就成了一个需要解决的问题，它们的李代数由向量组成，具有良好的加法运算，因此我们可以利用李代数来解决对位姿的求导问题。 上面看到了，因为上没有定义加法，所以我们不能求R的导数。但是我们上一节中可以用通过指数映射来得到，所以我们可以将求李代数的导数。 BCH公式 但是此处必须说明的一点是，指数映射时，下式是不满足的。 如果上述公
VSLAM学习记录-求导：李群与李代数
hu_hao的博客
08-07 636
VSLAM学习记录-1-李群与李代数1.使用背景2.优化中李代数的使用参考 1.使用背景 旋转的参数化表示之一，就是使用旋转矩阵R来表示，旋转矩阵有如下特性，即其逆为自身的转置，且行列式值为1。 SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\{R\in \mathbb{R}^{n\times n} |RR^{T}=I,det(R)=1\}SO(n)={R∈Rn×n∣RRT=I,det(R)=1} 这里的第一条性质表明，反向旋转θ\thetaθ角度，其旋转矩阵等于正向旋转矩阵的转置
SLAM本质剖析番外-李群李代数的微分和导数
热门推荐
lovely_yoshino的博客
01-16 1万+
这几个月，博主已经从SLAM算法的使用向着算法的数学推导进行了记录和分享，之前也分享了一文，从现象中解释了李群和李代数表达的含义。但是这还不够，所以这次作者作为SLAM本质剖析的番外，来介绍李群李代数的微分和导数。
slam十四讲李群与李代数代码
最新发布
02-18
### 关于 SLAM 中李群与李代数的代码实现 在《视觉SLAM十四讲》中提到，为了处理旋转和平移操作中的微分问题，引入了李群和李代数的概念。由于李群上的运算仅限于乘法而缺乏加法规则，这使得在其上定义导数变得困难[^3]。 针对这一挑战，在实际编程实践中通常会通过指数映射将李群转换至其对应的李代数空间内进行计算，因为后者是一个线性的向量空间，允许执行诸如求导这样的操作。下面给出一段简单的 Python 实现例子用于展示如何利用 Sophus 库来进行 SE(3) 的基本操作： ```python import sophus as sp from scipy.spatial.transform import Rotation as R def se3_exp_map(w,u): """Compute the exponential map from Lie algebra to Lie group. Args: w (numpy.ndarray): A 3D vector representing angular velocity. u (numpy.ndarray): A 3D vector representing linear velocity. Returns: sophus.SE3: An element of SE(3). """ omega_hat = sp.so3.exp(sp.Vector3d(*w)) v = sp.Vector3d(*u) return sp.SE3(omega_hat, v) if __name__ == "__main__": # Example usage with random values for demonstration purposes only rotation_velocity = [0.1, 0.2, 0.3] translation_velocity = [0.4, 0.5, 0.6] transformation_matrix = se3_exp_map(rotation_velocity, translation_velocity) print(transformation_matrix.matrix()) ``` 上述代码片段展示了怎样创建一个 `sophus` 类型的对象并打印出相应的变换矩阵。这里使用的是 Sophus 这一专门设计用来高效表示 SO(3)/SE(3) 及其对应李代数 so(3)/se(3) 的 C++/Python 库[^4]。 对于更复杂的场景比如轨迹绘制，则可能涉及到读取外部文件以及调用图形库如 Pangolin 来可视化结果。这部分工作往往依赖具体的应用需求和个人偏好来决定具体的实施方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值