视觉SLAM14讲 第三章 李群与李代数

最近毕业，真的很忙，调整了一阵子工作状态和心态，要开始继续学习了。

---

*往期回顾

SLAM 过程可以用运动方程和观测方程描述

运动=在xk时刻，通过一个输入uk，到了xk+1。伴有噪声。

观测=在xk这个位姿下，看到yj路标，得到zkj观测数据。伴有噪声。

①首先我们明确了xk应该如何来描述，即采用旋转矩阵R以及平移变量t来描述。为了使得变换的计算过程更加方便，可以直接用矩阵的乘法来描述位姿变化，可以将上述两者写成一个矩阵，即变换矩阵。

旋转矩阵为行列式为1的正交矩阵。即且

②观测方程是一个状态估计问题。我们希望通过输入的uk以及观测到的zkj估计出对应的位姿xk以及路标点yj的位置。

估计无可避免的就是会出估计不准确的情况，我们需要迭代，进行更好的估计，即优化。

在此过程中，我们需要对运动和观测方程求取关于x,y的导数（求导求误差方程极小值）

那么如何去求关于旋转矩阵和变换矩阵的导数呢？

旋转矩阵是无法定义出加法的，两个旋转矩阵相加，行列式不为1或者不构成正交条件，就不再是旋转矩阵了。因此该集合上不具有定义好的加法。

---

一、群 group

三维旋转矩阵构成了特殊的正交群

三维变换矩阵构成了特殊的欧式群

群是一种集合加上一种运算的代数结构。

这是一种封闭的运算，怎么运算都不会跑出去这个集合。

群满足一些性质： 封闭性、结合律（运算和顺序没有关系）、幺元（存在群内的一个元素、对元素进行运算后等于本身）、逆（任选a，存在a*a的逆=幺元）。凤姐咬你。

如果满足交换律，还叫交换群=  =。

加法在整数域上是交换群。

旋转矩阵在乘法上成群。但在加法上不成群。

二、李群与李代数

具有连续（光滑）性质的群。

既是群又是流形。在3x3维空间中，SO(3)是局部的连续的。

一个刚体能够连续地在空间中运动，所以SO(3)和SE(3)都是李群。

但是这两年个李群，只定义了良好地乘法没有定义良好的加法。

李代数是与李群对应地一种结构。实际上是李群单位元处的正切空间。

定义单位元(英文常写作Identity)是集合里的一种特别的元,与该集合里的运算（可理解为实数里的*,但并不局限于）有关.当它和其他元素结合时,并不会改变那些元素.也叫幺元。

李代数：

正交群的李代数：

三维向量

欧式群的李代数：

六维向量。

三、指数映射与对数映射

3.1 指数映射

指数映射反映了从李代数到李群的对应关系。对于矩阵如何定义求指数运算。

求出so(3)的指数映射后可以发现，和罗德里格斯公式的形式是一样的。

说明so(3)的物理意义就旋转向量。罗德里格斯公式即：旋转向量到旋转矩阵的变换过程

3.2 对数映射

给定旋转矩阵，求李代数，就是对数映射。

到那时实际上没必要这么求，矩阵到向量的旋转关系已经在旋转向量部分给出：

李代数到李群之间存在指数运算关系。

对于欧式群，指数运算中旋转部分和欧式群相同，平移部分则加了一个雅可比矩阵。

四、李代数求导和扰动模型

slam中估计相机的旋转和相机的平移。

由于李群无法进行加法，导数无从定义，没法在矩阵上加上一个小量，因此想从李代数和李群的关系上入手，李代数是一个向量，是可以进行加法的。

解决方法：

利用李代数上加法定义李群元素的导数？

使用指数映射和对数映射完成变换关系？

在李代数中做加法不等于在李群上做乘法。

对SO（3）而言：

根据BCH公式，当李代数A、B中任意一个为小量时，二阶以上的项可以忽略掉。

BCH具有线性近似形式，实际上二阶以上基本就是0了。

如果左乘小量，就是左雅可比。如果右乘小量，就是右雅可比。

这个左雅可比刚刚好就是SE(3)中的雅可比矩阵。

在李群上左乘小量时，李代数上的加法相差左雅可比的逆。

反之

李代数上进行小量加法时，相当于李群上左（右）乘一个带左（右）雅可比的量

对SE（3）而言，就更复杂一些。大多数时候用SO(3)。

---

旋转后的点关于旋转的导数，由于R不具有加法，因此无法求导，那么如何利用李代数来求导。

R需要加上一个小量的变化值，对应，可以在李代数上加上小量，求相对于小量的变化率。（导数模型）

在R的左侧左乘一个小量，对应到李代数上，求相对于小量的李代数的变化率（扰动模型）

导数模型：

扰动模型：

小量是一个李代数

实用中一般采用扰动模型。