李群与李代数的理解

前言

机器人在二维或三维空间中的平移和旋转可以通过旋转矩阵R和平移向量t进行表示，对机器人进行定位或者状态估计就是求解R和t。定位或状态估计时，经常需要对以机器人位姿(R和t)为自变量的函数f(R,t)进行优化，不可避免地需要对R和t进行求导：
$$\dot{f(x)}=\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}$$
t是向量，满足向量的数乘和加法，但是R是矩阵，无法直接相加相减，为了解决旋转矩阵求导的问题，需要借助李群和李代数这个工具。

1.群(Group)

a group is a set equipped with a binary operation that combines any two elements to form a third element in such a way that three conditions called group axioms are satisfied, namely associativity, identity and invertibility. 维基百科里面的解释，简而言之，群就是集合加上二元运算的一种代数结构。百度百科中，群满足四个性质：封闭性、结合律、幺元和逆元。

所有的实数和加法构成了一个“加群”，但是集合不只是数的集合，二元运算也不仅限于加减乘除，根据研究的需要可以任意定义，只要满足群的四个性质，都构成了群。
旋转矩阵与乘法构成了旋转矩阵群，SO(2)，SO(3)
变换矩阵与乘法构成了变换矩阵群，SE(2)，SE(3)

2.流形(Manifold)

In mathematics, a manifold is a topological space that locally resembles Euclidean space near each point. 维基百科中，流形是由局部具有欧几里得性质的点构成的拓扑空间。一维流形是线或圆，但不是“8”字形；二维流形是面，例如平面、球面或环面。

3.李群(Lie Group)与李代数(Lie Algebra)

In mathematics, a Lie group is a group that is also a differentiable manifold. 维基百科中，李群是一个具备可微流形性质的群。李代数代表了李群单位元附近的正切空间，是线性的向量空间。通过建立李群与李代数的联系，将非线性连续流形转移到线性空间中，是求解问题的关键。

1.李群与李代数的关系

(1)从图上直观描述：

李群为蓝色球面，为李群的单位元(Identity)，通过指数映射，所有通过单位元的直线都会产生一条围绕流形的路径。同理群中的每一个元素都会通过对数映射到李代数向量空间。以至于李群中所有的弯曲的、非线性的运算都能在李代数中进行等价，转为线性的运算。这也是为什么在进行旋转矩阵求导的时候引入李群和李代数的原因。

(2)由旋转矩阵推导李代数

旋转矩阵满足，当旋转随时间变化时，
$$\mathbf{R}(t)\mathbf{R}(t{)}^T=\mathbf{I}$$
两侧对时间求导：
$$\dot{\mathbf{R}}(t)\mathbf{R}(t{)}^T+\mathbf{R}(t)\dot{\mathbf{R}}(t{)}^T=0$$$$\dot{\mathbf{R}(t)}\mathbf{R}(t{)}^T=-{\left(\dot{\mathbf{R}}(t)\mathbf{R}(\mathbf{t}{)}^{\mathbf{T}}\right)}^T$$
可以发现，$\dot{\mathbf{R}(t)}\mathbf{R}(t{)}^T$是一个反对称矩阵，记为：
$$\dot{\mathbf{R}}(t)\mathbf{R}(t{)}^T=\varphi (t{)}^{\wedge }$$
两边右乘$R(t)$:
$$\dot{\mathbf{R}}(t)=\varphi (t{)}^{\wedge }\mathbf{R}(t)$$
反对称符号：$${\mathbf{a}}^{\wedge }=\mathbf{A}=\left[\begin{array}{ccc}0& -a_3& a_2\\ a_3& 0& -a_1\\ -a_2& a_1& 0\end{array}\right],{\mathbf{A}}^{\vee }=\mathbf{a}$$
单位元($t_0=0,R(0)=I$)附近进行泰勒展开：
$$\begin{array}{rl}\mathbf{R}(t)& \approx \mathbf{R}\left(t_0\right)+\dot{\mathbf{R}}\left(t_0\right)\left(t-t_0\right)\\ & =\mathbf{I}+\mathbf{\varphi }{\left(t_0\right)}^{\wedge }(t).\end{array}$$
$\varphi$具有一阶导数性质，位于李群的正切空间(tangent space)中。
在$t_0$附近，假设$\varphi$不变，则有微分方程：
$$\dot{\mathbf{R}}(t)=\varphi {\left(t_0\right)}^{\wedge }\mathbf{R}(t)={\varphi }_0^{\wedge }\mathbf{R}(t)$$
根据初始条件$t_0=0,R(0)=I$，求解微分方程：
$$\mathbf{R}(t)=\exp \left({\varphi }_0^{\wedge }t\right)$$
总结：通过指数映射(Exponential map)将李代数映射到了李群中。

(3)李代数与李括号

已知李代数：
$$\mathfrak{s}\mathfrak{o}(3)=\left\{\varphi \in {\mathbb{R}}^3,\Phi ={\varphi }^{\wedge }\in {\mathbb{R}}^{3\times 3}\right\}$$
其中：
$$\Phi ={\varphi }^{\wedge }=\left[\begin{array}{ccc}0& -{\varphi }_3& {\varphi }_2\\ {\varphi }_3& 0& -{\varphi }_1\\ -{\varphi }_2& {\varphi }_1& 0\end{array}\right]\in {\mathbb{R}}^{3\times 3}$$
李括号运算：
$$\left[{\varphi }_1,{\varphi }_2\right]={\left({\Phi }_1{\Phi }_2-{\Phi }_2{\Phi }_1\right)}^{\vee }$$

2.指数映射和对数映射

李群既是一个群也是一个流形，既满足群的四个性质也满足流形的可微性质，还具有指数映射和对数映射的性质。

(1))指数映射的求解

前面已经求得，但是由于是矩阵，如何对矩阵指数运算？
还是泰勒展开。。。
$$\exp \left({\varphi }^{\wedge }\right)=\sum _{n=0}^{\infty }\frac{1}{n!}({{\varphi }^{\wedge })}^n$$
单位向量有如下性质：
$$\begin{array}{l}{\mathbf{a}}^{\wedge }{\mathbf{a}}^{\wedge }={\mathbf{a}\mathbf{a}}^T-\mathbf{I},\\ {\mathbf{a}}^{\wedge }{\mathbf{a}}^{\wedge }{\mathbf{a}}^{\wedge }=-{\mathbf{a}}^{\wedge }\end{array}$$
令${\varphi }^{\wedge }=\theta a^{\wedge }$,得到罗德里格斯公式：
$$\exp \left(\theta {\mathbf{a}}^{\wedge }\right)=\cos \theta \mathbf{I}+(1-\cos \theta )\mathbf{a}{\mathbf{a}}^T+\sin \theta {\mathbf{a}}^{\wedge }$$
指数映射求解完成。

(2)对数映射的求解

给定旋转矩阵R，如何求$\varphi$呢？
$$\varphi =\ln (\mathbf{R}{)}^{\vee }={\left(\sum _{n=0}^{\infty }\frac{(-1{)}^n}{n+1}(\mathbf{R}-\mathbf{I}{)}^{n+1}\right)}^{\vee }$$
这样求解比较复杂，一般按照下面公式求解：
$$\theta =\arccos \left(\frac{\mathrm{tr}(\mathbf{R})-1}{2}\right)$$
对数映射求解完成。

3.总结

参考资料：
1.《视觉SLAM十四讲》
2.《A micro Lie theory for state estimation in robotics》