视觉SLAM十四讲 第4讲 李群与李代数

1、理解李群 旋转矩阵SO(3),变换矩阵SE(3)
2、理解李代数 旋转矩阵so(3),变换矩阵se(3)
3、理解扰动模型（李代数）
4、sophus库运算

本节讲的是李群李代数，SO(3) SE(3)两个群及其李代数，$代表了旋转矩阵、变换矩阵的另一种表示形式$，
使用的原因是将其变化为无约束问题。

0. 引言

• $为什么引入李群与李代数？$
• SLAM是通过最优化R,t使得误差最小，使得观测数据最贴合实际。
• 旋转矩阵作为优化变量时，其本身具有约束性，因此使用李群李代数的转换关系将之变成无约束的优化问题。

4.1 李群与李代数基础

1. SO(3)与SE(3)

2. 群的性质（封结幺逆）

3. 李群的出现

4. $从李群到李代数$

$以上求出了旋转矩阵的导数形式，也就是左乘某反对称矩阵$

5. 李代数的定义

$so(3)$

$se(3)$

6. 小结

$旋转矩阵R对应了一个反对称矩阵，表示其导数，由指数映射给定关系，so(3)代表了一个三维向量（x,y,z）3\ast 1$
$同理，变换矩阵T对应了一个反对称矩阵，表示其导数，有指数映射给定关系，se(3)代表了一个六维向量（平移+旋转）6\ast 1$

4.2 指数与对数映射

1. so(3)的指数映射-----3维向量

2. se(3)的指数映射-----6维向量

$注意J，后文BCH公式应用需要$

3. $对应关系$

4.3 扰动模型与李代数求导

1. 为什么要对李代数求导？

• 李代数的使用是为了后续的优化，而优化过程中求导是必不可少的。

2. BCH近似表达

$左乘微小扰动时，可以视为加上一项微小位移。如上图。$
注意区分左乘、右乘

3.BCH的意义

4. SO(3)李代数的求导

背景：SLAM问题要求最优化。


求解思路有两种求导方法：

----->直接求导法（较为复杂，一般不用，采用扰动）

略过：按照导数定义进行求导

----->扰动模型求导法(常用方法)

5. SE(3)李代数的求导

4.4 sophus库

• 提供李代数库的支持

4.5 相似变换群与李代数

• 单目SLAM需要，用在闭环检测中
• 双目或RGBD slam不需要

终0. $书本笔记程序帮助理解$