《视觉SLAM十四讲》公式笔记（ch04李群与李代数）

三丫Nono

已于 2024-05-30 15:25:45 修改

阅读量846

点赞数 15

分类专栏： SLAM 文章标签：笔记

于 2024-05-30 15:24:29 首次发布

本文链接：https://blog.csdn.net/weixin_47445781/article/details/139306584

版权

SLAM 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

李群李代数基础

三维旋转矩阵构成了特殊正交群 SO (3) ，而变换矩阵构成了特殊欧氏群 SE (3) ：

$SO(3)=\{\boldsymbol{R}\in\mathbb{R}^{3\times3}|\boldsymbol{R}\boldsymbol{R}^T=\boldsymbol{I},det(\boldsymbol{R})=1\}$

$\left.SE(3)=\left\{\boldsymbol{T}=\left[\begin{array}{cc}\boldsymbol{R}&\boldsymbol{t}\\\\\boldsymbol{0}^T&1\end{array}\right.\right]\in\mathbb{R}^{4\times4}|\boldsymbol{R}\in SO(3),\boldsymbol{t}\in\mathbb{R}^3\right\}$

群

群（ Group ）是一种集合加上一种运算的代数结构。把集合记作 A ，运算记作 ·，那么群可以记作 G = ( A, · ) 。群要求这个运算满足以下几个条件：

1. 封闭性 : $\forall a_1,a_2\in A,\quad a_1\cdot a_2\in A$

2. 结合律 : $\forall a_1,a_2,a_3\in A,\quad(a_1\cdot a_2)\cdot a_3=a_1\cdot(a_2\cdot a_3)$

3. 幺元 : $\exists a_0\in A,\quad s.t.\quad\forall a\in A,\quad a_0\cdot a=a\cdot a_0=a$

4. 逆 : $\forall a\in A,\quad\exists a^{-1}\in A,\quad s.t.\quad a\cdot a^{-1}=a_0$

李群是指具有连续（光滑）性质的群。而 SO( n) 和 SE( n)，它们在实数空间上是连续的。我们能够直观地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。

李代数的引出

考虑任意旋转矩阵 $\boldsymbol{R}$ 满足：

$RR^T=I$

$\boldsymbol{R}$ 是某个相机的旋转，它会随时间连续地变化，即为时间的函数： $\boldsymbol{R}(t)$ ,则有：

$\boldsymbol{R}(t)\boldsymbol{R}(t)^T=\boldsymbol I$

在等式两边对时间求导，得到：

$\dot{\boldsymbol R}(t)\boldsymbol R(t)^T+\boldsymbol R(t)\dot{\boldsymbol R}(t)^T=0$

整理：

$\dot{\boldsymbol R}(t)\boldsymbol R(t)^T=-\left(\dot{\boldsymbol R}(t)\boldsymbol R(t)^T\right)^T$

$\dot{\boldsymbol R}(t)\boldsymbol R(t)^T$ 是一个反对称矩阵。对于任意反对称矩阵，能找到一个与之对应的向量。把这个运算用符号 $^{\vee}$ 表示：

$\boldsymbol{a}^{\wedge}=\boldsymbol{A}=\left[\begin{array}{ccc}0&-a_3&a_2\\\\a_3&0&-a_1\\\\-a_2&a_1&0\end{array}\right],\quad\boldsymbol{A}^{\vee}=\boldsymbol{a}$

可以找到一个三维向量 $\phi(t)\in\mathbb{R}^3$ ，与之对应。于是有：

$\dot{\boldsymbol{R}}(t)\boldsymbol{R}(t)^T=\phi(t)^\wedge$

等式两边右乘 $\boldsymbol{R}(t)$ ：

$\left.\dot{\boldsymbol{R}}(t)=\boldsymbol{\phi}(t)^\wedge\boldsymbol{R}(t)=\left[\begin{array}{ccc}0&-\phi_3&\phi_2\\[0.3em]\phi_3&0&-\phi_1\\[0.3em]-\phi_2&\phi_1&0\end{array}\right.\right]\boldsymbol{R}(t)$

每对旋转矩阵求一次导数，只需左乘一个矩阵 $\boldsymbol{\phi}(t)^\wedge$ 即可。在 $t_0$ 附近，设 $\phi$ 保持为常数 $\phi(t_0)=\phi_0$ ，则有：

$\dot{\boldsymbol{R}}(t)=\phi(t_0)^\wedge\boldsymbol{R}(t)=\phi_0^\wedge\boldsymbol{R}(t)$

由初始值 $R(0)=\boldsymbol{I}$ ，解微分方程：

$\boldsymbol{R}(t)=\exp{(\boldsymbol{\phi}_0^{\wedge}t)}$

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。通用的李代数的定义如下：

李代数由一个集合 $\mathbb{V}$ ，一个数域 $\mathbb{F}$ 和一个二元运算 [ , ] 组成。如果它们满足以下几条

性质，称 ( $\mathbb{V}$ , $\mathbb{F}$ , [ , ]) 为一个李代数，记作 g 。

1. 封闭性： $\forall X,Y\in\mathbb{V},[X,Y]\in\mathbb{V}$

2. 双线性： $\forall X,Y,Z\in\mathbb{V},a,b\in\mathbb{F}$ ，有 $[a\boldsymbol{X}+b\boldsymbol{Y},\boldsymbol{Z}]=a[\boldsymbol{X},\boldsymbol{Z}]+b[\boldsymbol{Y},\boldsymbol{Z}]$ ，

$[Z,a\boldsymbol{X}+b\boldsymbol{Y}]=a[\boldsymbol{Z},\boldsymbol{X}]+b[\boldsymbol{Z},\boldsymbol{Y}]$

3. 自反性： $\forall X\in\mathbb{V},[X,X]=0$

4. 雅可比等价： $\forall X,Y,Z\in\mathbb{V},[X,[Y,Z]]+[Z,[Y,X]]+[Y,[Z,X]]=0$

其中二元运算被称为李括号。

李代数 $\mathfrak{so}(3)$

每个 $\phi$ 都可以生成一个反对称矩阵：

$\left.\mathbf{\Phi}=\phi^{\wedge}=\left[\begin{array}{ccc}0&-\phi_3&\phi_2\\\\\phi_3&0&-\phi_1\\\\-\phi_2&\phi_1&0\end{array}\right.\right]\in\mathbb{R}^{3\times3}$

在此定义下，两个向量 $\phi_1,\phi_2$ 的李括号为：

$[\phi_1,\phi_2]=(\boldsymbol{\Phi}_1\boldsymbol{\Phi}_2-\boldsymbol{\Phi}_2\boldsymbol{\Phi}_1)^\vee$

则李群SO(3)对应的李代数 $\mathfrak{so}(3)$ ：

$\mathfrak{so}(3)=\left\{\phi\in\mathbb{R}^3,\Phi=\phi^{\wedge}\in\mathbb{R}^{3\times3}\right\}$

它与 SO (3) 的关系由指数映射给定：

$R=\exp(\phi^\wedge)$

李代数 $\mathfrak{se}(3)$

与 $\mathfrak{so}(3)$ 相似， $\mathfrak{se}(3)$ 位于 $\mathbb{R}^{6}$ 空间中：

$\mathfrak{se}(3)=\left\{\boldsymbol{\xi}=\left[\begin{array}{c}\boldsymbol{\rho}\\\\\boldsymbol{\phi}\end{array}\right]\in\mathbb{R}^6,\boldsymbol{\rho}\in\mathbb{R}^3,\boldsymbol{\phi}\in\mathfrak{so}\left(3\right),\boldsymbol{\xi}^\wedge=\left[\begin{array}{cc}\phi^\wedge&\rho\\\\\mathbf{0}^T&0\end{array}\right]\in\mathbb{R}^{4\times4}\right\}$

前三维为平移，记作 $\boldsymbol{\rho}$ ；后三维为旋转，记作 $\phi$ 。 在这里同样使用 $^\wedge$ 符号将六维向量扩展成为四维矩阵,但不再表示反对称：

$\boldsymbol{\xi}^{\wedge}=\left[\begin{array}{cc}{\phi^{\wedge}}&{\boldsymbol{\rho}}\\{\boldsymbol{0}^{T}}&{0}\end{array}\right]\in\mathbb{R}^{4\times4}$

李括号为：

$[\boldsymbol{\xi}_1,\boldsymbol{\xi}_2]=(\boldsymbol{\xi}_1^\wedge\boldsymbol{\xi}_2^\wedge-\boldsymbol{\xi}_2^\wedge\boldsymbol{\xi}_1^\wedge)^\vee$

指数与对数映射

SO(3) 上的指数映射

对 $\mathfrak{so}(3)$ 中任意一元素 $\phi$ ，定义它的指数映射：

$\exp(\phi^\wedge)=\sum_{n=0}^\infty\frac1{n!}(\phi^\wedge)^n$

由于 $\phi$ 是三维向量，我们可以定义它的模长和它的方向，分别记作 $\theta$ 和 $\boldsymbol{a}$ ，于是有 $\phi=\theta\boldsymbol{a}$ 。这里 $\boldsymbol{a}$ 是一个长度为 1 的方向向量。首先，对于 $a^\wedge$ ，有以下两条性质：

$a^\wedge a^\wedge=aa^T-I$

以及

$a^{\wedge}a^{\wedge}a^{\wedge}=-a^{\wedge}$

利用这两个性质，可以把指数映射写成：

$\begin{aligned} \exp\left(\phi^{\wedge}\right)& =\exp\left(\theta\boldsymbol{a}^{\wedge}\right)=\sum_{n=0}^{\infty}\frac{1}{n!}\left(\theta\boldsymbol{a}^{\wedge}\right)^{n} \\ &=\boldsymbol{I}+\theta\boldsymbol{a}^{\wedge}+\frac{1}{2!}\theta^{2}\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}+\frac{1}{3!}\theta^{3}\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}+\frac{1}{4!}\theta^{4}{\left(\boldsymbol{a}^{\wedge}\right)}^{4}+... \\ &=\boldsymbol{a}\boldsymbol{a}^T-\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}+\theta\boldsymbol{a}^{\wedge}+\frac1{2!}\theta^2\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}-\frac1{3!}\theta^3\boldsymbol{a}^{\wedge}-\frac1{4!}\theta^4{(\boldsymbol{a}^{\wedge})}^2+... \\ &=\boldsymbol{a}\boldsymbol{a}^T+\left(\theta-\frac1{3!}\theta^3+\frac1{5!}\theta^5-...\right)\boldsymbol{a}^\wedge-\left(1-\frac1{2!}\theta^2+\frac1{4!}\theta^4-...\right)\boldsymbol{a}^\wedge\boldsymbol{a}^\wedge \\ &=\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge}+\boldsymbol{I}+\sin\theta\boldsymbol{a}^{\wedge}-\cos\theta\boldsymbol{a}^{\wedge}\boldsymbol{a}^{\wedge} \\ &=(1-\cos\theta)\boldsymbol{a}^\wedge\boldsymbol{a}^\wedge+\boldsymbol{I}+\sin\theta\boldsymbol{a}^\wedge \\ &=\cos\theta\boldsymbol{I}+(1-\cos\theta)\boldsymbol{a}\boldsymbol{a}^T+\sin\theta\boldsymbol{a}^\wedge. \end{aligned}$

得到了一个似曾相识的式子：

$\exp(\theta\boldsymbol{a}^\wedge)=\cos\theta\boldsymbol{I}+(1-\cos\theta)\boldsymbol{a}\boldsymbol{a}^T+\sin\theta\boldsymbol{a}^\wedge$

SE(3) 上的指数映射

$\mathfrak{se}(3)$ 上的指数映射形式如下：

$\begin{aligned} \exp\left(\boldsymbol{\xi}^{\wedge}\right)& =\left[\begin{array}{cc}\sum\limits_{n=0}^{\infty}\frac{1}{n!}(\boldsymbol{\phi}^{\wedge})^{n}&\sum\limits_{n=0}^{\infty}\frac{1}{(n+1)!}(\boldsymbol{\phi}^{\wedge})^{n}\boldsymbol{\rho}\\\mathbf{0}^{T}&1\end{array}\right] \\ &\triangleq\left[\begin{array}{cc}\boldsymbol{R}&\boldsymbol{J}\boldsymbol{\rho}\\\\\boldsymbol{0}^T&1\end{array}\right]=\boldsymbol{T}. \end{aligned}$

其中：

$\boldsymbol{J}=\frac{\sin\theta}\theta\boldsymbol{I}+\left(1-\frac{\sin\theta}\theta\right)\boldsymbol{a}\boldsymbol{a}^{T}+\frac{1-\cos\theta}\theta\boldsymbol{a}^{\wedge}$

可以看到,平移部分经过指数映射之后,发生了一次以 $\boldsymbol{J}$ 为系数矩阵的线性变换。

李群李代数转换关系如下图：

李代数求导与扰动模型

使用李代数的一大动机是为了进行优化。

BCH 公式与近似形式

李群乘积和李代数加法并不等价。两个李代数指数映射乘积的完整形式，由 Baker-Campbell-Hausdorff 公式（ BCH 公式）给出。由于它完整的形式较复杂，展开式的前几项：

$\small\ln\left(\exp\left(\boldsymbol{A}\right)\exp\left(\boldsymbol{B}\right)\right)=\boldsymbol{A}+\boldsymbol{B}+\frac{1}{2}\left[\boldsymbol{A},\boldsymbol{B}\right]+\frac{1}{12}\left[\boldsymbol{A},[\boldsymbol{A},\boldsymbol{B}]\right]-\frac{1}{12}\left[\boldsymbol{B},[\boldsymbol{A},\boldsymbol{B}]\right]+\cdots$

其中 [] 为李括号。 BCH 公式告诉我们，当处理两个矩阵指数之积时，它们会产生一些由李括号组成的余项。特别地，考虑 SO (3) 上的李代数 $\ln\left(\exp\left(\phi_1^\wedge\right)\exp\left(\phi_2^\wedge\right)\right)^\vee$ ，当 $\phi_1$ 或 $\phi_2$ 为小量时，小量二次以上的项都可以被忽略掉。此时，BCH 拥有线性近似表达：

$\left.\ln\left(\exp\left(\phi_1^\wedge\right)\exp\left(\phi_2^\wedge\right)\right)^\vee\approx\left\{\begin{array}{ll}\boldsymbol{J}_l\left(\boldsymbol{\phi}_2\right)^{-1}\boldsymbol{\phi}_1+\boldsymbol{\phi}_2&\mathrm{if~}\boldsymbol{\phi}_1\text{ is small,}\\\boldsymbol{J}_r\left(\boldsymbol{\phi}_1\right)^{-1}\boldsymbol{\phi}_2+\boldsymbol{\phi}_1&\mathrm{if~}\boldsymbol{\phi}_2\text{ is small.}\end{array}\right.\right.$

左乘 BCH 近似雅可比 $\boldsymbol{J}_l$ 事实上就是从 $\mathfrak{se}(3)$ 对数映射中的雅可比矩阵：

$\boldsymbol{J}_l=\boldsymbol{J}=\frac{\sin\theta}\theta\boldsymbol{I}+\left(1-\frac{\sin\theta}\theta\right)\boldsymbol{a}\boldsymbol{a}^T+\frac{1-\cos\theta}\theta\boldsymbol{a}^{\wedge}$

它的逆为：

$\boldsymbol{J}_l^{-1}=\frac\theta2\cot\frac\theta2\boldsymbol{I}+\left(1-\frac\theta2\cot\frac\theta2\right)\boldsymbol{a}\boldsymbol{a}^T-\frac\theta2\boldsymbol{a}^\wedge$

而右乘雅可比仅需要对自变量取负号即可：

$J_r(\phi)=J_l(-\phi)$

某个旋转 $\boldsymbol{R}$ （对应的李代数为 $\phi$ ）左乘一个微小旋转 $\Delta \boldsymbol{R}$ （对应的李代数为 $\Delta \boldsymbol{\phi}$ ）得到的 $\boldsymbol{R}\Delta \boldsymbol{R}$ 对应的李代数为：

$\exp\left(\Delta\phi^\wedge\right)\exp\left(\phi^\wedge\right)=\exp\left(\left(\phi+\boldsymbol{J}_l^{-1}\left(\phi\right)\Delta\phi\right)^\wedge\right)$

在李代数上进行加法，让一个 $\phi$ 加上 $\Delta \boldsymbol{\phi}$ ：

$\small\exp\left(\left(\phi+\Delta\phi\right)^\wedge\right)=\exp\left(\left(\boldsymbol{J}_l\Delta\phi\right)^\wedge\right)\exp\left(\boldsymbol{\phi}^\wedge\right)=\exp\left(\boldsymbol{\phi}^\wedge\right)\exp\left(\left(\boldsymbol{J}_r\Delta\boldsymbol{\phi}\right)^\wedge\right)$

对于 SE (3)，亦有类似的BCH 近似公式：

$\exp\left(\Delta\boldsymbol{\xi}^{\wedge}\right)\exp\left(\boldsymbol{\xi}^{\wedge}\right)\approx\exp\left(\left(\boldsymbol{J}_{l}^{-1}\Delta\boldsymbol{\xi}+\boldsymbol{\xi}\right)^{\wedge}\right),\\\exp\left(\boldsymbol{\xi}^{\wedge}\right)\exp\left(\Delta\boldsymbol{\xi}^{\wedge}\right)\approx\exp\left(\left(\boldsymbol{J}_{r}^{-1}\Delta\boldsymbol{\xi}+\boldsymbol{\xi}\right)^{\wedge}\right).$

李代数求导

使用李代数解决求导问题的思路分为两种：

1. 用李代数表示姿态，然后对根据李代数加法来对李代数求导。

2. 对李群左乘或右乘微小扰动，然后对该扰动求导，称为左扰动和右扰动模型。

对一个空间点 $p$ 进行了旋转，得到了 $\boldsymbol{R}p$ ，旋转之后点的坐标对旋转的导数可表示为：

$\frac{\partial\left(Rp\right)}{\partial R}$

由于 SO (3) 没有加法，所以该导数无法按照导数的定义进行计算。

李代数加法求导

转而计算： $\frac{\partial\left(\exp\left(\phi^{\wedge}\right)\boldsymbol{p}\right)}{\partial\phi}$

按照导数的定义，有：

$\begin{aligned} \frac{\partial\left(\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}\right)}{\partial\phi}& =\lim_{\delta\boldsymbol{\phi}\to0}\frac{\exp\left(\left(\boldsymbol{\phi}+\delta\boldsymbol{\phi}\right)^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\phi}} \\ &=\lim_{\delta\boldsymbol{\phi}\to0}\frac{\exp\left(\left(\boldsymbol{J}_l\delta\boldsymbol{\phi}\right)^\wedge\right)\exp\left(\boldsymbol{\phi}^\wedge\right)\boldsymbol{p}-\exp\left(\boldsymbol{\phi}^\wedge\right)\boldsymbol{p}}{\delta\boldsymbol{\phi}} \\ &\approx\lim_{\delta\boldsymbol{\phi}\to0}\frac{\left(\boldsymbol{I}+\left(\boldsymbol{J}_l\delta\boldsymbol{\phi}\right)^{\wedge}\right)\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\phi}} \\ &=\lim_{\delta\boldsymbol{\phi}\to0}\frac{\left(\boldsymbol{J}_l\delta\phi\right)^{\wedge}\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\phi}} \\ &=\lim_{\delta\boldsymbol{\phi}\to0}\frac{-\left(\exp\left(\boldsymbol{\phi}^\wedge\right)\boldsymbol{p}\right)^\wedge\boldsymbol{J}_l\delta\boldsymbol{\phi}}{\delta\boldsymbol{\phi}}=-\left(\boldsymbol{R}\boldsymbol{p}\right)^\wedge\boldsymbol{J}_l. \end{aligned}$

第二行的近似为 BCH 线性近似，第三行为泰勒展开舍去高阶项后近似，第四行至第五行将反对称符号看作叉积，交换之后变号。旋转后的点相对于李代数的导数：

$\frac{\partial\left(\boldsymbol{R}\boldsymbol{p}\right)}{\partial\phi}=\left(-\boldsymbol{R}\boldsymbol{p}\right)^{\wedge}\boldsymbol{J}_l$

于这里仍然含有形式比较复杂的 $\boldsymbol{J}_l$ 。

扰动模型求导

旋转 $\boldsymbol{R}$ 进行一次扰动 $\Delta \boldsymbol{R}$ ，左乘后的李代数对 $\phi$ 求导，即：

$\begin{aligned} \frac{\partial\left(\boldsymbol{Rp}\right)}{\partial\varphi}& =\lim_{\boldsymbol{\varphi}\to0}\frac{\exp\left(\boldsymbol{\varphi}^{\wedge}\right)\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}}{\varphi} \\ &\approx\lim_{\boldsymbol{\varphi}\to0}\frac{\left(1+\boldsymbol{\varphi}^{\wedge}\right)\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\phi}^{\wedge}\right)\boldsymbol{p}}\varphi \\ &=\lim_{\varphi\to0}\frac{\varphi^\wedge Rp}\varphi=\lim_{\varphi\to0}\frac{-(\boldsymbol{Rp})^\wedge\varphi}\varphi=-(\boldsymbol{Rp})^\wedge \end{aligned}$

SE(3) 上的李代数求导

$\begin{aligned} \frac{\partial\left(\boldsymbol{T}\boldsymbol{p}\right)}{\partial\delta\boldsymbol{\xi}}& =\lim_{\delta\boldsymbol{\xi}\to\mathbf{0}}\frac{\exp\left(\delta\boldsymbol{\xi}^{\wedge}\right)\exp\left(\boldsymbol{\xi}^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\xi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\xi}} \\ &\approx\lim_{\delta\boldsymbol{\xi}\to\boldsymbol{0}}\frac{\left(\boldsymbol{I}+\delta\boldsymbol{\xi}^{\wedge}\right)\exp\left(\boldsymbol{\xi}^{\wedge}\right)\boldsymbol{p}-\exp\left(\boldsymbol{\xi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\xi}} \\ &=\lim_{{\delta\boldsymbol{\xi}\to\boldsymbol{0}}}\frac{\delta\boldsymbol{\xi}^{\wedge}\exp\left(\boldsymbol{\xi}^{\wedge}\right)\boldsymbol{p}}{\delta\boldsymbol{\xi}} \\ &=\lim_{{\delta\boldsymbol{\xi}\to\mathbf{0}}}\frac{\left[\begin{array}{cc}\delta\boldsymbol{\phi}^{\wedge}&\delta\boldsymbol{\rho}\\\\\mathbf{0}^{T}&0\end{array}\right]\left[\begin{array}{c}R\boldsymbol{p}+\boldsymbol{t}\\\\1\end{array}\right]}{\delta\boldsymbol{\xi}} \\ &=\lim_{\delta\boldsymbol{\xi}\to\boldsymbol{0}}\frac{\left[\begin{array}{c}\delta\boldsymbol{\phi}^{\wedge}\left(\boldsymbol{R}\boldsymbol{p}+\boldsymbol{t}\right)+\delta\boldsymbol{\rho}\\\\0\end{array}\right]}{\delta\boldsymbol{\xi}}=\left[\begin{array}{cc}\boldsymbol{I}&-\left(\boldsymbol{R}\boldsymbol{p}+\boldsymbol{t}\right)^{\wedge}\\\\\boldsymbol{0}^{T}&\boldsymbol{0}^{T}\end{array}\right]\triangleq\left(\boldsymbol{T}\boldsymbol{p}\right)^{\odot} \end{aligned}$

三丫Nono

关注

15
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
《视觉SLAM十四讲》公式笔记（ch04李群与李代数）

第二行的近似为 BCH 线性近似，第三行为泰勒展开舍去高阶项后近似，第四行至第五行将反对称符号看作叉积，交换之后变号。BCH 公式告诉我们，当处理两个矩阵指数之积时，它们会产生一些由李括号组成的余项。两个李代数指数映射乘积的完整形式，由 Baker-Campbell-Hausdorff。对于任意反对称矩阵，能找到一个与之对应的向量。用李代数表示姿态，然后对根据李代数加法来对李代数求导。是三维向量，我们可以定义它的模长和它的方向，分别记作。微小扰动，然后对该扰动求导，称为左扰动和右扰动模型。
复制链接

扫一扫