【视觉SLAM十四讲】学习笔记-第四讲

vircorns

于 2022-09-24 18:42:06 发布

阅读量467

点赞数

分类专栏： # 视觉SLAM十四讲

本文链接：https://blog.csdn.net/weixin_43476037/article/details/126908957

版权

视觉SLAM十四讲专栏收录该内容

3 篇文章 0 订阅

订阅专栏

其他章节：
第二讲：初识SLAM
第三讲：三维空间刚体运动

文章目录

李群与李代数

李群与李代数

李群李代数基础

          三维旋转矩阵构成了特殊正交群：
在这里插入图片描述
          三维变换矩阵构成了特殊欧式群：

          其中，群是一种集合加上一个运算的代数结构。群需要满足以下性质：

          常见的群有：

         李群是具有连续(光滑)性质的群，它既是群也是流形。直观上看，一个刚体能够连续地在空间中运动，故SO(3)和SE(3)都是李群。但是，SO(3)和SE(3)只有定义良好的乘法，没有加法，所以难以进行取极限、求导等操作。
         由于每个李群都有李代数，李代数事实上是李群单位元处的正切空间。其引出：
在这里插入图片描述
         可以看出这是一个反对称矩阵，记： $\dot{R}(t)R(t)^T=\phi(t)^\land$ 。两侧右乘 $R (t)$ ，得 $\dot{R}(t)=\phi(t)^\land R(t)$ 。也就是说，对 $R$ 求导后，左侧多出一个 $\phi(t)$ 。
         这个可以当做一个微分方程来求解，那么初始条件，就是设 $t_0=0$ ，在0时刻旋转是个单位旋转(0时刻不动)，旋转矩阵 $R (0) = I$ 。一阶泰勒展开：
在这里插入图片描述
          $\phi$ 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。在 $t_0$ 附件，假设 $\phi$ 不变，有微分方程： $\dot{R}(t)=\phi(t_0)^\land R(t)=\phi_0^\land R(t)$ 。在已知初始情况 $R (0) = I$ ，可解：
在这里插入图片描述
         该式说明，对任意 $t$ ，都可以找到一个 $R$ 和一个 $\phi$ 的对应关系，该关系称为指数映射，这里 $\phi$ 称为 $SO (3)$ 对应的李代数： $so (3)$
         出现的问题：1. $so (3)$ 的定义和性质？2.指数映射如何求

         第一件事情：李代数的介绍：
         每个李群都有与之对应的李代数。李代数描述了李群单位元数的正切空间性质。
在这里插入图片描述
         其中二元运算被称为李括号，直观上说，李括号表达了两个元素的差异
         李代数 $so (3)$ ：

         性质验证：
                  1.封闭性
$\Phi_1\Phi_2-\Phi_2\Phi_1 = -(\Phi_1\Phi_2-\Phi_2\Phi_1)^T仍为反对称矩阵，可对应\phi$
                  2.双线性
$\begin{aligned} [a\phi_1+b\phi_2, \phi_3] &=((a\phi_1+b\phi_2)\phi_3-\phi_3(a\phi_1+b\phi_2))^\land\\ &=a(\phi_1\phi_3-\phi_3\phi_1)^\land + b(\phi_2\phi_3-\phi_3\phi_2)^\land\\ &=a[\phi_1,\phi_3]+b[\phi_2,\phi_3]\\ \end{aligned}$
                  3.自反性
$[\phi_1,\phi_1]=(\phi_1\phi_1-\phi_1\phi_1)^\land=0$
                  4.雅可比等价
$\begin{aligned} [\phi_1,[\phi_2,\phi_3]]+[\phi_3,[\phi_2,\phi_1]]+[\phi_2,[\phi_3,\phi_1]] &=(\phi_1\phi_2\phi_3-\phi_1\phi_3\phi_2-\phi_2\phi_3\phi_1+\phi_3\phi_2\phi_1)^\land+\\ &+(\phi_3\phi_1\phi_2-\phi_3\phi_2\phi_1-\phi_1\phi_2\phi_3+\phi_2\phi_1\phi_3)^\land\\ &+(\phi_2\phi_3\phi_1-\phi_2\phi_1\phi_3-\phi_3\phi_1\phi_2+\phi_1\phi_3\phi_2)^\land\\ &=0 \end{aligned}$

李代数 $se (3)$ ：
在这里插入图片描述

指数与对数映射

         指数映射反映了从李代数到李群的对应关系： $R=exp(\phi^\land)$ 。 $\phi^\land$ 是一个矩阵，矩阵的指数运算可以写成泰勒展开：在这里插入图片描述
         由于 $\phi$ 是向量，定义其角度和模长： $\phi=\theta a$ 。其中， $a$ 有性质： $a^\land a^\land=aa^T-I$ 以及 $a^\land a^\land a^\land = -a^\land$ 。这样泰勒展开化简可得：

         这其实就是罗德里格斯公式；这说明 $so (3)$ 的物理意义就是旋转向量。反之，给定旋转矩阵时，亦能求李代数：
在这里插入图片描述
          $se (3)$ 到 $SE (3)$ 的指数映射：

         左上角表示李代数的平移部分到矩阵的平移部分相差一个线性变换，由 $J$ 给出：

         最后的总结：

李代数求导与扰动模型

         在实际中，我们经常需要对位姿进行估计，但李群元素只有乘法，无从定义导数，直观的想法就是利用李代数上的加法定义李群元素的导数，然后利用指数映射和对数映射完成变换关系。其基本问题就是：当在李代数中做加法时，是否等价于在李群上做乘法？
         两个李代数指数映射乘积的完整形式，有BCH公式给出。由于完整的形式较复杂，因此，特别地，当其中一个量为最小量，忽略其高阶项，BCH具有线性近似形式：
在这里插入图片描述

         那么旋转可以简单写成：

         加法可以近似为：

         通过BCH线性近似，可以定义李代数上的导数；由于旋转R没有加法，导数无从定义。书中提出的思路有：
                  1.对R对应的李代数加上小量，求相对小量的变化率(导数模型)---------- $\dfrac{\partial(Rp)}{\partial\phi}=(-RP)^\land J_l$
                  2.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)---------- $\dfrac{\partial(Rp)}{\partial\varphi}=(-RP)^\land$
         实际中，扰动模型更简洁，因此更实用。

$SE (3)$ 上的扰动模型：
在这里插入图片描述

实践：Sophus

Sophus的安装可以参考书上：

git clone https://github.com/strasdat/Sophus.git
cd Sophus
git checkout a621ff
mkdir build 
cd build
cmake ..
make

我编译中报的错：
在这里插入图片描述
去对应文件夹下修改so2.cpp：

SO2::SO2()
{
 // unit_complex_.real() = 1.;
 // unit_complex_.imag() = 0.;

   unit_complex_.real(1.);
   unit_complex_.imag(0.);
}

运行结果如下：
在这里插入图片描述

vircorns

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【视觉SLAM十四讲】学习笔记-第四讲

《视觉SLAM十四讲》第四讲：李群与李代数
复制链接

扫一扫

专栏目录