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 \color{red}{代表了旋转矩阵、变换矩阵的另一种表示形式} 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。
文章目录
0. 引言
- 为 什 么 引 入 李 群 与 李 代 数 ? \color{red}{为什么引入李群与李代数?} 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 \color{red}{从李群到李代数} 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
\color{red}{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}
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
s
o
(
3
)
\color{red}{so(3)}
so(3)
s
e
(
3
)
\color{red}{se(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
,
s
o
(
3
)
代
表
了
一
个
三
维
向
量
(
x
,
y
,
z
)
3
∗
1
\color{red}{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*1}
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∗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
,
s
e
(
3
)
代
表
了
一
个
六
维
向
量
(
平
移
+
旋
转
)
6
∗
1
\color{red}{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*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∗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
B
C
H
公
式
应
用
需
要
\color{red}{注意J,后文BCH公式应用需要}
注意J,后文BCH公式应用需要
3. 对 应 关 系 \color{red}{对应关系} 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
。
\color{red}{左乘微小扰动时,可以视为加上一项微小位移。如上图。}
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