为什么我们在SLAM中需要李群、李代数

The Beginning of The Beginning

本文结论先收回了,看到第十章位姿图优化，发现好像还是需要李代数性质的，只能说是naive了。

写在最开始

写完后发现屁话太多了，也没好好整理逻辑。请认真的朋友直接从第4节：没有××××的世界，开始阅读。有闲心的也欢迎从头读起。

SLAM中不需要李群、李代数，我说的。

作为一个数学专业却很惭愧没有学过李群的人，最近对《SLAM十四讲》进行了一些学习。截至动笔写该文位置，博主本人仍未好好研究过李群。所以，如果下文的观点、论证如果出现了错误，也请懂行的各位直接指出，对于错误的地方，博主一定会火速修改。

回到本节题目，显而易见，我的观点就是SLAM不需要李群、李代数！至少，在高翔大大的书里前8章的内容并不需要他们(为什么？因为毕竟我才堪堪看完这么多hhh)。以我对全书脉络的把握，书中剩下的部分应该也不会出现对李群或李代数的需求了。如果现实不幸打脸，那我将把本节标题改为：《SLAM十四讲》前八章不需要李群、李代数。顺便在后面加上SLAM再次需要他们的理由。

李群、李代数初现

废话不多说，先和大家一起回顾一下《SLAM十四讲》的内容。打开书，作者给我们深入浅出地介绍了SLAM的框架，然后我们学会了刚体运动。所谓刚体运动，就是刚体在空间中旋转、平移。旋转可以用旋转矩阵表示，于是我们知道了$\text{SO(n)}$。然后，旋转还可以由一个旋转向量表示，因为两者描述的是同一个旋转，那他们有什么联系呢？作者给我们介绍了罗德里格斯公式：
$$R=\cos (\theta I)+(1-\cos \theta )\mathbf{n}{\mathbf{n}}^T+\sin \theta {\mathbf{n}}^{\wedge }.$$
其中$\theta$为旋转向量的模长，同时也是实际旋转的角度，$n$是旋转向量的旋转轴对应的单位向量。由于旋转对$\theta$是个周期函数，所以上面的变换只是个满射。反过来，我们也有：
$$\theta =\arccos \frac{\text{tr}(R)-1}{2}.$$

值得一提的，平移可以用向量唯一表示，然后把平移和旋转融合，我们就有了变换矩阵的概念，变换矩阵融合了平移和旋转的信息，也具有特殊的结构，形成了特殊欧式群：
$$\text{SE(3)}=\left\{T=\left[R\mathbf{t};0^{T}1\right]\in {\mathbb{R}}^{4\times 4}|R\in \text{SO(3)},\mathbf{t}\in {\mathbb{R}}^3\right\}.$$
再往下，我们学到了欧拉角、四元数，他们也都能表示旋转，但是今天的内容用不上他俩，所以暂且不提。

接着，我们来到了艰难的第四章。首先是群，给定集合和运算，集合元素如果满足’封结幺逆’,那就是群，easy！群如果还连续，那就是李群，easy+1。然后$\text{SO(3),SE(3)}$都是李群，也是我们主要研究的目标。

--------下面一段很关键-----------------------------------------------------------------------------------
然后作者从旋转矩阵出发，用其导数引出了李代数$\mathfrak{s}\mathfrak{o}(3)$。李群$\text{SO(3)}$的单位元的切空间的元素就是其对应的李代数，导数是旋转向量$\varphi$对应的反对称矩阵${\varphi }^{\wedge }$。李代数描述了李群的局部性质。有对应关系$R(t)=\exp ({\varphi }_{0}t)$成立。。。。。。
--------书中上面一段其实我没咋看懂------------------------------------------------------------------

到目前为止，我们就已经接触过李代数$\mathfrak{s}\mathfrak{o}(3)$了。李代数也和群一样，要满足一系列性质：给定一个算子（李括号），集合里的元素关于算子满足balabala，那集合加算子再加上数域就构成李代数了。

既然李群、李代数都已经出现过了，那么接下来，欢迎来到没有李群李代数的世界。

没有李群、李代数的世界

我们先跳到后面的章节，理解为什么说需要李群李代数。

最小二乘问题

SLAM的姿态估计方法中涉及一类最小二乘问题：
$$\arg \underset{R}{\min }\Vert f(R){\Vert }_2^2.$$
其中$R$为旋转矩阵，当然，一般情况下实际上是在优化姿态，即变换矩阵$T$。

优化方法

为了求解上面的极小问题，我们需要合适的优化算法。

高斯牛顿法

如果$f(\mathbf{x})$可导，那么我们对其一阶泰勒展开。
$$f(\mathbf{x}+△\mathbf{x})\approx f(\mathbf{x})+J(\mathbf{x}{)}^T△\mathbf{x}.$$

实际上，我们并不需要‘$f(\mathbf{x})$存在导数$J(\mathbf{x})$’及类似的表述。本质上，只需要存在 J