第四讲李群与李代数

喵喵不爱吃鱼

已于 2024-08-13 20:56:49 修改

阅读量136

点赞数 1

分类专栏：视觉SLAM十四讲文章标签：计算机视觉

于 2024-05-10 20:31:36 首次发布

本文链接：https://blog.csdn.net/weixin_42391513/article/details/138680402

版权

视觉SLAM十四讲专栏收录该内容

8 篇文章 0 订阅

订阅专栏

为什么讲李群与李代数？要解决李群上只有乘法没有加法的问题，没法定义导数（没办法对旋转矩阵和变换矩阵做加法，令这个加法趋于0）。引入李代数之后就有了求导的途径。

2.3 SO(3),SE(3),so(3),se(3)的对应关系

3、李代数求导与扰动模型

4、实践：Sophus

5、涉及公式

6、代码运行踩坑记录（slambook与slambook2）

0、引入

三维旋转矩阵构成了特殊正交群SO(3），变换矩阵构成了特殊欧式群SE(3)。两者对加法不封闭，对乘法是封闭的。

特殊正交群： $SO(n)=R \in \mathbb{R}^{n\times n}|RR^{T}=I,det(R)=1$

特殊欧式群： $SE(3)=\left \{ T=\begin{bmatrix} R & t \\ 0^{T} & 1 \end{bmatrix} \in \mathbb{R}^{4\times 4}| R \in SO(3), t \in \mathbb{R}^{3} \right \}$

1、李群与李代数基础

1.1 李群

群是一种集合加上一种运算的代数结构。群记作G=(A,▪)。群要求这个运算满足以下四个条件（封结幺逆）
- 封闭性： $\forall a_1,a_2\in A, a_1\cdot a_2\in A$
- 结合律： $\forall a_1,a_2,a_3\in A, (a_1\cdot a_2)\cdot a_3=a_1\cdot (a_2\cdot a_3)$
- 幺元： $\exists a_0 \in A, s.t. \forall a\in A,a_0\cdot a=a\cdot a_0=a$
- 逆： $\forall a\in A,\exists a^{-1}\in A,a\cdot a^{-1}=a_0$
旋转矩阵集合和矩阵乘法构成群；同样变换矩阵集合和矩阵乘法构成群。
李群是指具有连续（光滑）性质的群。像整数群那样离散的群没有连续性质，因此不是李群。而SO(n),SE(n)在实数空间上是连续的，能够直观想象一个刚体能够连续地在空间中运动，所以它们都是李群。

1.2 李代数的引出

对于任意旋转矩阵R，满足，R是某个相机的旋转，随时间连续变化，即为时间的函数R(t)。可以推导出在t=0附近： $\dot{R}(t)=\phi (t_0)^{\wedge}R(t)=\phi_0^{\wedge}R(t)$ ，进而推导出 $R(t)=\exp (\phi_0^{\wedge}t)$
- 由于仍然是旋转矩阵，有 $R(t)R(t)^T=I$ ，对两边求导得到 $\dot{R}(t)R(t)^T+R(t)\dot{R}(t)^T=0$ ，整理得： $\dot{R}(t)R(t)^T=-(\dot{R}(t)R(t)^T)^T$
- 可以看出 $\dot{R}(t)R(t)^T$ 是一个反对称矩阵，我们可以找到一个三维向量 $\o \O \AE$ $\phi (t)\in \mathbb{R}$ 与之对应： $\dot{R}(t)R(t)^T=\phi (t)^{\wedge}$
- 上式两边右乘R(t)得到： $\dot{R}(t)=\phi (t)^{\wedge}R(t)=\begin{bmatrix} 0 & -\phi_3 & \phi_2 \\ \phi_3 & 0 & -\phi_1 \\ -\phi_2 & \phi_1 & 0 \end{bmatrix}R(t)$
- 可以看出，每对旋转矩阵求一次导数，只需左乘一个 $\phi (t)^{\wedge}$ 矩阵即可。
- 将R(t)在t=0附近进行泰勒展开： $R(t)\approx R(t_0)+\dot{R}(t_0)(t-t_0)=I+\phi(t_0)^{\wedge}(t)$
- 可以看到 $\phi$ 反映了R的导数性质，故称它在SO(3)原点附近的正切空间上。同时在 $t_0$ 附近，设 $\phi$ 保持为常数 $\phi(t_0)=\phi_0$ ，因此在 $t_0$ 附近有 $\dot{R}(t)=\phi (t_0)^{\wedge}R(t)=\phi_0^{\wedge}R(t)$
- 上式是一个关于R的微分方程，而且有初始值R(0)=I，求解得： $R(t)=\exp (\phi_0^{\wedge}t)$
因此，在t=0附近，旋转矩阵可以由 $\exp (\phi_0^{\wedge}t)$ 计算出来。
我们可以看到，旋转矩阵R与另一个反对称矩阵 $\phi_0^{\wedge}t$ 通过指数关系发生了联系，但是矩阵的指数是什么？这里有两点需要注意：
- 给定某时刻的R，我们就能求得一个 $\phi$ ，它描述了R在局部的导数关系。与R对应的 $\phi$ 有什么含义呢？ $\phi$ 正是对应到SO(3)上的李代数so(3)。
- 给定某个向量 $\phi$ 时，矩阵指数 $\exp (\phi^{\wedge})$ 如何计算？反之给定R，能否有相反的运算来计算 $\phi$ ？事实上，这正是李群与李代数间的指数/对数映射。

1.3 李代数的定义

每个李群都有与之对应的李代数。李代数描述了李群的局部性质，准确来说，是单位元附近的正切空间。
李代数由一个集合，一个数域和一个二元运算[,]组成。如果它们满足以下性质，则称（）为一个李代数，记作。
- 封闭性
- 双线性
- 自反性： $\forall X\in \mathbb{V},[X,X]=0$ 。李代数要求元素与自己做李括号之后为零。
- 雅可比等价
示例：三维向量上定义的叉积是一种李括号，因此 $\mathfrak{g}=(\mathbb{R}^3,\mathbb{R},\times )$ 构成了一个李代数。

1.4 李代数so(3)

第二章提到的 $\phi$ ，事实上是一种李代数。SO(3)对应的李代数是定义在 $\mathbb{R}^3$ 上的向量，我们记作 $\phi$ 。
在此定义下，两个向量 $\phi_1,\phi_2$ 的李括号： $[\phi_1,\phi_2]=(\Phi _1\Phi _2-\Phi _2\Phi _1)^{\vee}$ 。（ $^{\vee}$ 代表从矩阵到向量）
由于向量 $\phi$ 与反对称矩阵是一一对应的，在不引起歧义的情况下，就说 $\mathfrak{so}(3)$ 的元素是三维向量或者三维反对称矩阵，不加区别： $\mathfrak{so}(3)=\{\phi \in \mathbb{R},\Phi=\phi^{\wedge}\in\mathbb{R}^{3\times 3} \}$
$\mathfrak{so}(3)$ 的内容，它们是一个由三维向量组成的集合，每个向量对应一个反对称矩阵，可以用于表达旋转矩阵的导数。它与SO(3)的关系由指数映射给定： $R=\exp (\phi^{\wedge})$

1.5 李代数se(3)

SE(3)对应的李代数 $\mathfrak{se}(3)$ 位于 $\mathbb{R}^6$ 空间中： $\mathfrak{se}(3)= \left \{ \xi = \begin{bmatrix} \rho \\ \phi \end{bmatrix}\in\mathbb{R}^6,\rho \in \mathbb{R}^3,\phi \in \mathfrak{so}(3),\xi^{\wedge}=\begin{bmatrix} \phi^{\wedge} & \rho\\ 0^T & 0 \end{bmatrix} \in \mathbb{R}^{4\times 4} \right \}$
$\mathfrak{se}(3)$ 元素记作 $\xi$ ，是一个六维向量。前三维是平移，后三维是旋转。
^指代从向量到矩阵， $^{\vee}$ 代表从矩阵到向量
$\rho$ 不直接是平移
李代数 $\mathfrak{se}(3)$ 的李括号： $[\xi_1,\xi_2]=(\xi_1^{\wedge}\xi_2^{\wedge}-\xi_2^{\wedge}\xi_1^{\wedge})^{\vee}$

2、指数与对数映射

2.1 so(3)上的指数映射

如何计算 $\exp (\phi^{\wedge})$ ，这是一个矩阵的指数，在李群与李代数中，成为指数映射
任意矩阵A的指数映射可以写成一个泰勒展开（只在收敛的情况下有结果，结果仍是矩阵）： $\exp (A)=\sum_{n=0}^{\infty}\frac{1}{n!}A^n$ 。
因此，，推导可得：
- $\phi$ 是三维向量，可以定义它的模长和方向。 $\phi=\theta a$ ，这里 $a$ 是一个长度为1的方向向量。
- 对于 $a^{\wedge}$ ，有以下两个性质： $a^{\wedge}a^{\wedge}=aa^T-I$ ， $a^{\wedge}a^{\wedge}a^{\wedge}=a^{\wedge}(aa^T-I)=-a^{\wedge}$
- 结合以上2个性质，以及 $cos\theta$ 、 $sin\theta$ 的泰勒展开形式进行推导，最终可得 $\exp (\phi^{\wedge})=\sum_{n=0}^{\infty}\frac{1}{n!}(\theta a^{\wedge})^n=cos\theta I + (1-cos\theta)aa^T+sin\theta a^{\wedge}$
上式与罗德里格斯公式一致。so(3) 实际上就是所谓的旋转向量组成的空间，而指数映射即罗德里格斯公式。
通过指数映射（罗德里格斯公式），可以把so(3)中任意一个向量对应到一个位于SO(3)的旋转矩阵。
反之如果定义对数映射，也能把SO(3)中的元素对应到so(3)中： $\phi=ln(R)^{\vee}=(\sum_{n=0}^{\infty }\frac{(-1)^n}{n+1}(R-I)^{n+1})^{\vee}$ 。与指数映射一样，可以利用迹的性质分别求解转交和转轴。
如果把旋转角度规定在-180到180，那么李群和李代数元素是一一对应。
通过指数映射，旋转矩阵的导数可以由旋转向量指定，指导着如何在旋转矩阵中进行微积分运算。

2.2 se(3)上的指数映射

略

2.3 SO(3),SE(3),so(3),se(3)的对应关系

3、李代数求导与扰动模型

通过BCH线性近似，可以定义李代数的导数，进而可以推导so(3)和se(3)上的导数和扰动模型。
考虑一个基本问题：旋转后的点关于旋转的导数，不严谨地记为： $\frac{\partial (Rp)}{\partial R}$ ，由于R没有加法，导数无从定义。
存在两种解决办法：
- 对R对应的李代数加上小量，求相对于小量的变化率（导数模型）
- 对R左乘或右乘一个小量，求相对于小量的李代数的变化率（扰动模型）
- 通常扰动模型比导数模型更简洁。

4、实践：Sophus

5、涉及公式

f(x)在点a的泰勒展开一般形式： $f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^{2} + \frac{f'''(a)}{3!}(x-a)^{3} + \cdots + \frac{f^{(n)}(a)}{n!}(x-a)^{n} + \cdots$
exp(x)在x=0的泰勒展开： $\exp(x) = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \frac{x^4}{4!} + \cdots + \frac{x^n}{n!} + \cdots$

6、代码运行踩坑记录（slambook与slambook2）

slambook
- 安装第三方库Sophus时，cmake .. 时，报警告，无需担心，不影响后面编译使用。
- make 报错。
- 参考网上方法解决，如下图所示。
slambook2
- Sophus 下载最新版本安装时，报错：CMake 3.24 or higher is required. You are running version 3.10.2。但是使用ubuntu18.04 安装cmake版本就是3.10，怕冒然自己升级有问题。因此下载了Sophus 1.22.10 安装。
- 安装第三方库Sophus编译报错
- 解决方法：参考网友方法，安装fmt解决。
- 安装之后sophous不报错，但编译ch4代码时报以下错误
- 解决方法：引入fmt lib库