流形上的复合函数偏导数 - Notes for “Kalman Filter on Differentiable Manifolds“ - IKFoM (II)

题目: 流形上的复合函数偏导数 - Notes for “Kalman Filter on Differentiable Manifolds” - IKFoM (II)

---

前言

Dongjiao He, Wei Xu, Fu Zhang 的论文 “Kalman Filter on Differentiable Manifolds”^[1] 中构建的 IKFoM (“流形上的迭代 Kalman 滤波”) 的系统架构比较复杂. 另外, 为了通用化的缘故, 同时在欧几里得空间、$SO(3)$、${\mathbb{S}}^2$ 上推导, 增加了论文阅读的难度. 尝试在论文原作者简练的推导过程上, 以自己的理解进行详细和啰嗦地推导, 作为自己学习理解的记录.

本文是涉及到论文 “Kalman Filter on Differentiable Manifolds”^[1] 的 “Table I. Operation and Differentiation of Importatnt Manifolds in Parctice” 以及 “Appendix B. Important manifolds in partice and their derivatives” 部分的阅读笔记. 主要关于

- $SO(3)$ 上的复合函数偏导数 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}$ 及 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}$

- ${\mathbb{S}}^2(r)$ 上的复合函数偏导数 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}$ 及 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}$

本文是相关主题的第二篇, 前一篇请参考
流形上的运动学 - Notes for “Kalman Filter on Differentiable Manifolds“ - IKFoM (I)

---

I. 预备知识: 求导法则与链式法则

A. 函数积的求导法则

设 $u=u(x)$, $v=v(x)$ 都可导, 则
$$(uv{)}^{{}^{\prime }}=u^{{}^{\prime }}v+u{v}^{{}^{\prime }}$$

B. 函数商的求导法则

设 $u=u(x)$, $v=v(x)$ 都可导, 则
$${\left(\frac{u}{v}\right)}^{{}^{\prime }}=\frac{u^{{}^{\prime }}v-u{v}^{{}^{\prime }}}{v^2}(v\ne 0)$$
C. 向量的求导法则

向量之间求导采用分子布局标记 (Numerator-layout notation)

假设变量 $\mathbf{x}\in {\mathbb{R}}^n$, $\mathbf{B}$ 的转置与 $\mathbf{x}$ 的维度兼容, 但 $\mathbf{B}$ 与 $\mathbf{x}$ 无关, 则
$$\frac{d({\mathbf{B}}^{\mathrm{T}}\mathbf{x})}{d\mathbf{x}}={\mathbf{B}}^{\mathrm{T}}$$

D. 四象限函数 atan2 的偏导数^[5]

四象限函数 $atan2(y,x)$ 在除了在原点和 x 轴的负半轴, 在其它定义域都是连续且光滑的, 即存在连续的无穷阶偏导. 一阶偏导为
$$\begin{gathered} \frac{\partial \left(atan2(y,x)\right)}{\partial x}=\frac{-y}{x^2+y^2} \\ \frac{\partial \left(atan2(y,x)\right)}{\partial y}=\frac{x}{x^2+y^2} \end{gathered}$$

E. 多元复合函数求导的链式法则

若函数 $u=\phi (x)$, $v=\psi (t)$ 在点 $t$ 可导, $z=f(u,v)$ 在点 $(u,v)$ 处偏导连续, 则复合函数 $z=f(\phi (t),\psi (t))$ 在点 $t$ 可到, 且有链式法则
$$\frac{dz}{dt}=\frac{\partial z}{\partial u}\cdot \frac{du}{dt}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dt}$$

整体上, 我们主要应用流形上复合函数求导的链式法则进行推导, 相对于上面实数域中"多元复合函数求导的链式法则"形式上稍复杂, 本质上都是微扰动的传递链.

F. 流形上复合函数求导的链式法则 The chain rule of the derivative of the composition function on manifolds^[2]

流形上的链式法则由 ${\mathbb{R}}^n$ 上的复合函数求导的链式法则推广而来.

Let $F:N\to M$ and $G:M\to P$ are smooth maps of manifolds and $p\in N$. The differentials of $F$ at $p$ and $G$ at $F(p)$ are linear maps
$$T_{p}N\stackrel{F_{\ast ,p}}{\to }{T}_{F(p)}M\stackrel{G_{\ast ,F(p)}}{\to }{T}_{G(F(p))}P$$
(The chain rule) Let $F:N\to M$ and $G:M\to P$ are smooth maps of manifolds and $p\in N$, then
$$(G\circ F{)}_{\ast ,p}=G_{\ast ,F(p)}\circ F_{\ast ,p}$$

利用上述流形上的链式法则, $((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y}$ 关于 $\mathbf{u}$ 和 $\mathbf{v}$ 的偏导数可以写成
$$\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot {\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\cdot \frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}\text{\hspace{1em}(I-1)}$$

$$\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot \frac{\partial ((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})}{\partial \mathbf{v}}\text{\hspace{1em}(I-2)}$$

其中 $\mathbf{x},\mathbf{y}\in \mathcal{M}$, $\mathbf{u}\in {\mathbb{R}}^n$ 和 $\mathbf{v}\in {\mathbb{R}}^l$.

下面将流形 $\mathcal{M}$ 设定为具体的 $SO(3)$ 或者 ${\mathbb{S}}^2(r)$, 推导各个偏导数的具体形式.

---

II. $SO(3)$ 上的复合函数求偏导

关于 $SO(3)$ 上的导数与 Jacobian 在 Joan Solà, Jeremie Deray, Dinesh Atchuthan 所著 “A micro Lie theory for state estimation in robotics” [3] 中有比较详细的讨论. $SO(3)$ 上的导数与 Jacobian 的详细推导, 也可参见本专栏中博文

- Notes for “A micro Lie theory for state estimation in robotics“ - (I)

- Notes for “A micro Lie theory for state estimation in robotics“ - (II)

- Notes for ``A micro Lie theory for state estimation in robotics‘‘ - (III)

- Notes for ``A micro Lie theory for state estimation in robotics‘‘ - (IV)

言归正传. 先分别对式 (I-1) 右手边三个因子项进行分析.

---

一. 关于 $\mathbf{u}$ 的偏导

1. 第一个因子项

文献 [3] 中式 (149) 中左侧子式
$${\mathbf{J}}_{\mathbf{Q}}^{\mathbf{Q}\ominus \mathbf{R}}={\mathbf{J}}_r^{-1}(\mathbf{Q}\ominus \mathbf{R})$$

故式 (I-1) 右手边第一个因子项为
$${\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}={{\mathbf{J}}_r^{-1}(\mathbf{z}\boxminus \mathbf{y})|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\text{\hspace{1em}(II-1-1)}$$

文献 [3] 中式 (147) 可知
$${\mathbf{J}}_r^{-1}={\mathbf{J}}_l^{-\mathrm{T}}$$

而论文 [1] 中定义的 $\mathbf{A}(\mathbf{u})$ 就是文献[3] 中定义的 ${\mathbf{J}}_l(\mathbf{u})$.
$$\mathbf{A}(\mathbf{u})={\mathbf{J}}_l(\mathbf{u})={\mathbf{J}}_r(\mathbf{u}{)}^{\mathrm{T}}\text{\hspace{1em}(II-1-2)}$$

故式 (I-1) 右手边第一个因子项进一步写成
$$\begin{array}{rl}{\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}& ={{\mathbf{J}}_r^{-1}(\mathbf{z}\boxminus \mathbf{y})|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\\ & =\mathbf{A}(((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y}{)}^{-\mathrm{T}}\end{array}\text{\hspace{1em}(II-1-3)}$$

---

2. 第二个因子项

文献 [3] 中式 (148) 中左侧子式
$${\mathbf{J}}_{\mathbf{R}}^{\mathbf{R}\oplus \mathbf{\theta }}=\mathbf{R}(\mathbf{\theta }{)}^{\mathrm{T}}$$

故式 (I-1) 右手边第二个因子项为
$${\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}=\mathbf{R}(\mathbf{v}{)}^{\mathrm{T}}\text{\hspace{1em}(II-1-4)}$$
指数映射形式的 Rodrigues’ rotation formula 可知
$$\mathbf{R}(\mathbf{v}{)}^{\mathrm{T}}=\mathrm{Exp}(-\mathbf{v})\text{\hspace{1em}(II-1-5)}$$
故式 (I-1) 右手边第二个因子项进一步写成
$${\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}=\mathrm{Exp}(-\mathbf{v})\text{\hspace{1em}(II-1-6)}$$

---

3. 第三个因子项

文献 [3] 中式 (148) 中右侧子式
$${\mathbf{J}}_{\mathbf{\theta }}^{\mathbf{R}\oplus \mathbf{\theta }}={\mathbf{J}}_r(\mathbf{\theta })$$

故式 (I-1) 右手边第三个因子项为
$$\frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}={\mathbf{J}}_r(\mathbf{u})\text{\hspace{1em}(II-1-7)}$$
由式 (II-1-2) 式 (I-1) 右手边第三个因子项可以进一步写成
$$\frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}=\mathbf{A}(\mathbf{u}{)}^{\mathrm{T}}\text{\hspace{1em}(II-1-8)}$$

---

4. 链式法则各项整合

这样 $SO(3)$ 上关于 $\mathbf{u}$ 的偏导数式 (I-1) 就可以写成
$$\begin{array}{rl}\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}& ={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot {\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\cdot \frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}\\ & ={{\mathbf{J}}_r^{-1}(\mathbf{z}\boxminus \mathbf{y})|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot \mathbf{R}(\mathbf{v}{)}^{\mathrm{T}}\cdot {\mathbf{J}}_r(\mathbf{u})\\ & =\mathbf{A}(((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y}{)}^{-\mathrm{T}}\cdot \mathrm{Exp}(-\mathbf{v})\cdot \mathbf{A}(\mathbf{u}{)}^{\mathrm{T}}\end{array}\text{\hspace{1em}(II-1-9)}$$

下面, 再分别对式 (I-2) 右手边两个因子项进行分析.

---

二. 关于 $\mathbf{v}$ 的偏导

1. 第一个因子项

式 (I-2) 右手边第一个因子项与式 (I-1) 右手边第一个因子项一致.

---

2. 第二个因子项

$$\frac{\partial ((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})}{\partial \mathbf{v}}={\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{v}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\stackrel{(\mathrm{II}-1-8)}{=}\mathbf{A}(\mathbf{v}{)}^{\mathrm{T}}\text{\hspace{1em}(II-2-1)}$$

---

3. 链式法则各项整合

这样 $SO(3)$ 上关于 $\mathbf{v}$ 的偏导数式 (I-2) 就可以写成
$$\begin{array}{rl}\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}& ={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot \frac{\partial ((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})}{\partial \mathbf{v}}\\ & =\mathbf{A}(((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y}{)}^{-\mathrm{T}}\cdot \mathbf{A}(\mathbf{v}{)}^{\mathrm{T}}\end{array}\text{\hspace{1em}(II-2-2)}$$

---

三. 小结

以上完成了 $SO(3)$ 上的复合函数偏导数 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}$ 及 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}$ 的推导.

---

III. ${\mathbb{S}}^2(r)$ 上的复合函数求偏导

一. ${\mathbb{S}}^2$ 上的几何说明

${\mathbb{S}}^2(r)$ 是 ${\mathbb{R}}^3$ 中半径为 $r$ 的球面. 关于 ${\mathbb{S}}^2(r)$ 上的复合函数求偏导的具体推导可参考的文献材料不常见, 需要认真计算才可以获得论文 [1] 中的结论. 我们下面抽丝剥茧认真推导一下.

The $⊞$ \ $\boxminus$ \ $\oplus$ operations on 2-sphere^[1]
S = S 2 ( r ) ≜ { x ∈ R 3 ∣ ∥ x ∥ = r , r > 0 } : \mathcal{S}=\mathbb{S}^{2}(r)\triangleq \{\mathbf{x} \in \mathbb{R}^3 | \|\mathbf{x}\| = r, r> 0\}: S=S2(r)≜{x∈R3∣∥x∥=r,r>0}:

$$\mathbf{x}⊞\mathbf{u}=\mathbf{R}(\mathbf{B}(\mathbf{x})\mathbf{u})\cdot \mathbf{x}$$

$$\mathbf{y}\boxminus \mathbf{x}=\mathbf{B}(\mathbf{x}{)}^{\mathrm{T}}\left(\theta \frac{[\mathbf{x}{]}_{\times }\mathbf{y}}{\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert }\right),\theta =atan2(\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert ,{\mathbf{x}}^{\mathrm{T}}\mathbf{y})$$

$$\mathbf{x}\oplus \mathbf{v}=\mathbf{R}(\mathbf{v})\cdot \mathbf{x}$$

where

$\mathbf{R}(\mathbf{w})\in SO(3)$ as a rotation about an exis-angle represented

$\mathbf{B}(\mathbf{x})=\left[\begin{array}{cc}{\mathbf{b}}_1& {\mathbf{b}}_2\end{array}\right]\in {\mathbb{R}}^{3\times 2}$ as two orthonormal bases lying in the tangent plane of $\mathbf{x}\in {\mathbb{S}}^2(r)$

参照和模仿文献 [4], 对以上定义绘制如 Fig.1 所示几何关系图, 以清晰描述各个向量之间的相互关系. 下面照着 Fig. 1 开始说明 2-sphere 上的几何关系.

Fig 1. 2-Sphere上旋转的几何关系

1. 旋转向量

$\mathbf{u}\in {\mathbb{R}}^2$ 为在 2-sphere 的切平面局部坐标系下的旋转向量 (也可称作扰动向量), 是在切平面上的最少参数表示 (2 维). 而在 2-shpere 表面点 $\mathbf{x}$ 上建立的切平面的局部坐标系的两个正交基向量 $\mathbf{B}(\mathbf{x})=\left[\begin{array}{cc}{\mathbf{b}}_1& {\mathbf{b}}_2\end{array}\right]$ 全局坐标系下的表示. $\mathbf{B}(\mathbf{x})\cdot \mathbf{u}\in {\mathbb{R}}^3$ 则是切平面局部坐标系下旋转向量 $\mathbf{u}$, 通过利用全局坐标系下的正交基, 转换为在全局坐标系下的表示. 因为毛球定理的缘故, $\mathbf{u}$ 不是 2-sphere 上处处连续的切向量场^[4].

---

2. 旋转作用

向量 $\mathbf{x}\in {\mathbb{S}}^2(r)$ 上作用切空间上的扰动 $\mathbf{u}$ 得到的新向量 $\mathbf{x}⊞\mathbf{u}\in {\mathbb{S}}^2(r)$ 仍在 2-sphere 上. 故定义扰动 $\mathbf{u}$ 产生的作用就是向量 $\mathbf{x}$ 在全局坐标系下绕着扰动向量 $\mathbf{u}$ 旋转, 即
$$\mathbf{y}\triangleq \mathbf{x}⊞\mathbf{u}=\mathbf{R}(\mathbf{B}(\mathbf{x})\mathbf{u})\cdot \mathbf{x}\text{\hspace{1em}(III-1-1)}$$
故扰动向量 $\mathbf{u}$ 就是轴-角 (axis-angle) 表示的旋转向量. $\mathbf{R}(\mathbf{B}(\mathbf{x})\cdot \mathbf{u})=\mathrm{Exp}(\mathbf{B}(\mathbf{x})\cdot \mathbf{u})\in SO(3)$ 为全局坐标系下的旋转向量 $\mathbf{B}(\mathbf{x})\cdot \mathbf{u}$ 通过指数映射对应的旋转矩阵. 因为是全局坐标系下的旋转, 故呈现为 $SO(3)$ 上的 left-$⊞$ 形式.

---

3. 坐标系转换

假设全局坐标系下表示的旋转向量为 ${}^G\mathbf{u}$, 即
$${}^G\mathbf{u}=\mathbf{B}(\mathbf{x})\cdot \mathbf{u}\text{\hspace{1em}(III-1-2)}$$
两边同时左乘 $\mathbf{B}(\mathbf{u}{)}^{\mathrm{T}}$ 得到
$$\mathbf{B}(\mathbf{x}{)}^{\mathrm{T}}{}^G\mathbf{u}=\mathbf{B}(\mathbf{x}{)}^{\mathrm{T}}\mathbf{B}(\mathbf{x})\cdot \mathbf{u}=\mathbf{u}\text{\hspace{1em}(III-1-3)}$$
故 $\mathbf{B}(\mathbf{u}{)}^{\mathrm{T}}$ 将全局坐标系下表示的旋转向量 ${}^G\mathbf{u}$ 映射回到切平面上的局部坐标系表示下的旋转向量 $\mathbf{u}$.

---

4. 旋转的轴-角求解

2-Sphere 上两个向量 $\mathbf{x}$ 与 $\mathbf{y}$ 之间的夹角为
$$\theta =atan2(\underset{{\mathrm{r}}^2\sin \theta }{\underline{\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert }},\underset{{\mathrm{r}}^2\cos \theta }{\underline{{\mathbf{x}}^{\mathrm{T}}\mathbf{y}}})\text{\hspace{1em}(III-1-4)}$$
2-Sphere 上两个向量 $\mathbf{x}$ 与 $\mathbf{y}$ 之间的轴-角旋转作用
$$\mathbf{y}\boxminus \mathbf{x}=\underset{映射回切平面局部坐标系}{\underline{\mathbf{B}(\mathbf{x}{)}^{\mathrm{T}}}}\left(\underset{旋转角度}{\underline{\theta }}\underset{单位旋转轴向量}{\underline{\frac{[\mathbf{x}{]}_{\times }\mathbf{y}}{\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert }}}\right)\text{\hspace{1em}(III-1-5)}$$

由式 (III-1-1) 可知
$$\mathbf{y}\boxminus \mathbf{x}=(\mathbf{x}⊞\mathbf{u})\boxminus \mathbf{x}=\mathbf{u}$$
故式 (III-1-5) 可以写为
$$\begin{array}{rl}\mathbf{u}& =\mathbf{B}(\mathbf{x}{)}^{\mathrm{T}}\left(\theta \frac{[\mathbf{x}{]}_{\times }\mathbf{y}}{\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert }\right)\\ \Rightarrow \mathbf{B}(\mathbf{x})\mathbf{u}& =\theta \frac{[\mathbf{x}{]}_{\times }\mathbf{y}}{\Vert [\mathbf{x}{]}_{\times }\mathbf{y}\Vert }\end{array}\text{\hspace{1em}(III-1-6)}$$

---

5. 非切平面上旋转作用

对并不处于 2-sphere 上切平面的扰动向量 $\mathbf{v}$, 受到扰动后的向量也仍在 2-sphere 上, 仍可将该扰动视作为旋转作用. 故定义
$$\mathbf{x}\oplus \mathbf{v}=\mathbf{R}(\mathbf{v})\cdot \mathbf{x}\text{\hspace{1em}(III-1-7)}$$
其中 $\mathbf{v}\in {\mathbb{R}}^3$ 为全局坐标系下描述.

---

6. 半径相关

$$\Vert [\mathbf{x}{]}_{\times }\mathbf{y}{\Vert }^2+({\mathbf{x}}^{\mathrm{T}}\mathbf{y}{)}^2=(r^2\sin \theta {)}^2+(r^2\cos \theta {)}^2=r^4\text{\hspace{1em}(III-1-8)}$$

其中 2-sphere 半径 $r$ 为常数.

下面我们具体推导 ${\mathbb{S}}^2(r)$ 上对应的式 (I-1) 和式 (I-2).

---

二. 关于 $\mathbf{u}$ 的偏导

1. 第一个因子项

式 (I-1) 中右手边第一个因子项为
$${\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}$$
两个向量 $\mathbf{z}$ 与 $\mathbf{y}$ 之间的轴-角旋转关系可以按照式 (III-1-5) 和式 (III-1-4) 的形式展开为
$$\begin{gathered} \mathbf{z}\boxminus \mathbf{y}=\mathbf{B}(\mathbf{y}{)}^{\mathrm{T}}\left(\theta \frac{[\mathbf{y}{]}_{\times }\mathbf{z}}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right) \\ \text{where}\theta =atan2(\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert ,{\mathbf{y}}^{\mathrm{T}}\mathbf{z})\text{\hspace{1em}(III-2-1)} \end{gathered}$$
在继续求偏导前, 先预备以下导数性质

我们分别用预备知识中提到的"函数积的求导法则"以及"向量的求导法则", 对 $\mathbf{z}\boxminus \mathbf{y}$ 求 $\mathbf{z}$ 的偏导数
$$\begin{array}{rl}\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}& =\mathbf{B}(\mathbf{y}{)}^{\mathrm{T}}\frac{\partial }{\partial \mathbf{z}}\left(\left([\mathbf{y}{]}_{\times }\mathbf{z}\right)\cdot \left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)\right)\\ & =\mathbf{B}(\mathbf{y}{)}^{\mathrm{T}}\left(\frac{\partial [\mathbf{y}{]}_{\times }\mathbf{z}}{\partial \mathbf{z}}\cdot \left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)+\left([\mathbf{y}{]}_{\times }\mathbf{z}\right)\cdot \frac{\partial }{\partial \mathbf{z}}\left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)\right)\\ & =\mathbf{B}(\mathbf{y}{)}^{\mathrm{T}}\left(\frac{\theta [\mathbf{y}{]}_{\times }}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }+\left([\mathbf{y}{]}_{\times }\mathbf{z}\right)\cdot \frac{\partial }{\partial \mathbf{z}}\left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)\right)\end{array}\text{\hspace{1em}(III-2-2)}$$
由式 (III-2-1) 可知, $\theta$ 也是关于 $\mathbf{z}$ 的函数. 利用函数商的求导法则, 可以得到
$$\frac{\partial }{\partial \mathbf{z}}\left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)=\frac{\frac{\partial \theta }{\partial \mathbf{z}}\cdot \Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert -\theta \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}}{{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }^2}\text{\hspace{1em}(III-2-3)}$$
现在, 式 (III-2-2) 中就剩下 $\frac{\partial \theta }{\partial \mathbf{z}}$ 和 $\frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}$ 这两项需要推导. 前者看起来比较棘手, 我们先处理简单的.
$$[\mathbf{y}{]}_{\times }\mathbf{z}=\left[\begin{array}{ccc}0& -y_3& y_2\\ y_3& 0& -y_1\\ -y_2& y_1& 0\end{array}\right]\left[\begin{array}{c}{z}_1\\ z_2\\ z_3\end{array}\right]=\left[\begin{array}{c}-y_3{z}_2+y_2{z}_3\\ y_3{z}_1-y_1{z}_3\\ -y_2{z}_1+y_1{z}_2\end{array}\right]\text{\hspace{1em}(III-2-4)}$$
求范数得到
$$\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert =\sqrt{(-y_3{z}_2+y_2{z}_3{)}^2+(y_3{z}_1-y_1{z}_3{)}^2+(-y_2{z}_1+y_1{z}_2{)}^2}\text{\hspace{1em}(III-2-5)}$$

对 $\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert$ 求 $\mathbf{z}$ 的偏导 (注意, 偏导结果选用分子布局标记)
$$\begin{array}{rl}\frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}& ={\left[\begin{array}{c}\frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial z_1}\\ \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial z_2}\\ \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial z_3}\end{array}\right]}^{\mathrm{T}}\\ \text{(III-2-5)}& =\frac{1}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }{\left[\begin{array}{c}{y}_3(y_3{z}_1-y_1{z}_3)-y_2(-y_2{z}_1+y_1{z}_2)\\ -y_3(-y_3{z}_2+y_2{z}_3)+y_1(-y_2{z}_1+y_1{z}_2)\\ y_2(-y_3{z}_2+y_2{z}_3)-y_1(y_3{z}_1-y_1{z}_3)\end{array}\right]}^{\mathrm{T}}\\ & ={\left(\frac{1}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\left[\begin{array}{ccc}0& y_3& -y_2\\ -y_3& 0& y_1\\ y_2& -y_1& 0\end{array}\right]\left[\begin{array}{c}-y_3{z}_2+y_2{z}_3\\ y_3{z}_1-y_1{z}_3\\ -y_2{z}_1+y_1{z}_2\end{array}\right]\right)}^{\mathrm{T}}\\ \text{(III-2-4)}& ={\left(\frac{-[\mathbf{y}{]}_{\times }}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }[\mathbf{y}{]}_{\times }\mathbf{z}\right)}^{\mathrm{T}}\\ & =-\frac{{\mathbf{z}}^{\mathrm{T}}[\mathbf{y}{]}_{\times }^2}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\end{array}\text{\hspace{1em}(III-2-6)}$$
下面处理 $\frac{\partial \theta }{\partial \mathbf{z}}$, 将式 (III-2-1) 中 $\theta$ 展开式代入进行推导
$$\begin{array}{rl}\frac{\partial \theta }{\partial \mathbf{z}}& =\frac{\partial \left(atan2(\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert ,{\mathbf{y}}^{\mathrm{T}}\mathbf{z})\right)}{\partial \mathbf{z}}\\ \text{(多元复合函数求导的链式法则)}& ={\frac{\partial \left(atan2(p,{\mathbf{y}}^{\mathrm{T}}\mathbf{z})\right)}{\partial p}|}_{p=\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\cdot \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}\\ & +{\frac{\partial \left(atan2(\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert ,q)\right)}{\partial q}|}_{q={\mathbf{y}}^{\mathrm{T}}\mathbf{z}}\cdot \frac{\partial ({\mathbf{y}}^{\mathrm{T}}\mathbf{z})}{\partial \mathbf{z}}\\ \text{(四象限函数 atan2 的偏导数)+(III-1-8)}& =\frac{{\mathbf{y}}^{\mathrm{T}}\mathbf{z}}{r^4}\cdot \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}-\frac{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }{r^4}\cdot \frac{\partial ({\mathbf{y}}^{\mathrm{T}}\mathbf{z})}{\partial \mathbf{z}}\\ \text{(III-2-6)+(向量的求导法则)}& =-\frac{{\mathbf{y}}^{\mathrm{T}}\mathbf{z}}{r^4}\cdot \frac{{\mathbf{z}}^{\mathrm{T}}[\mathbf{y}{]}_{\times }^2}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }-\frac{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }{r^4}\cdot {\mathbf{y}}^{\mathrm{T}}\end{array}\text{\hspace{1em}(III-2-7)}$$
将式 (III-2-6) 和式 (III-2-7) 代入式 (III-2-3) 得到
$$\begin{array}{rl}\frac{\partial }{\partial \mathbf{z}}\left(\frac{\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }\right)& =\frac{\frac{\partial \theta }{\partial \mathbf{z}}\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert -\theta \frac{\partial (\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert )}{\partial \mathbf{z}}}{{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }^2}\\ & =\frac{1}{r^4}\frac{{\mathbf{y}}^{\mathrm{T}}\mathbf{z}{\left[[\mathbf{y}{]}_{\times }\mathbf{z}\right]}_{\times }\mathbf{y}}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}{\Vert }^2}-\frac{1}{r^4}{\mathbf{y}}^{\mathrm{T}}-\frac{{\left[[\mathbf{y}{]}_{\times }\mathbf{z}\right]}_{\times }\mathbf{y}}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}{\Vert }^3}\theta \\ & =\frac{1}{r^4}\left(\frac{-{\mathbf{y}}^{\mathrm{T}}\mathbf{z}\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert +r^4\theta }{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}{\Vert }^3}{\mathbf{z}}^{\mathrm{T}}[\mathbf{y}{]}_{\times }^2-{\mathbf{y}}^{\mathrm{T}}\right)\\ & \triangleq \mathbf{P}(\mathbf{z},\mathbf{y})\end{array}\text{\hspace{1em}(III-2-8)}$$
式 (III-2-8) 代入式 (III-2-2) 得到
$$\begin{array}{rl}\mathbf{N}(\mathbf{z},\mathbf{y})\triangleq \frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}& =\mathbf{B}(\mathbf{y}{)}^{\mathrm{T}}\left(\frac{\theta [\mathbf{y}{]}_{\times }}{\Vert [\mathbf{y}{]}_{\times }\mathbf{z}\Vert }+\left([\mathbf{y}{]}_{\times }\mathbf{z}\right)\cdot \mathbf{P}(\mathbf{z},\mathbf{y})\right)\end{array}\text{\hspace{1em}(III-2-9)}$$
这样就完成了 ${\mathbb{S}}^2(r)$ 上式 (I-1) 右手边第一个因子项的推导.

---

2. 第二个因子项

${\mathbb{S}}^2(r)$ 上式 (I-1) 右手边第二个因子项为
$$\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}\stackrel{\text{(III-1-7)}}{=}\frac{\partial (\mathbf{R}(\mathbf{v})\cdot \mathbf{z})}{\partial \mathbf{z}}=\mathbf{R}(\mathbf{v})\text{\hspace{1em}(III-2-10)}$$

---

3. 第三个因子项

${\mathbb{S}}^2(r)$ 上式 (I-1) 右手边第三个因子项为

∂ ( x ⊞ u ) ∂ u = (III-1-1) ∂ { R ( B ( x )   u ) ⋅ x } ∂ u (链式法则)        = ∂ { R ( w ) ⋅ x } ∂ { R ( w ) } ∣ w = B ( x ) u ⋅ ∂ R ( w ) ∂ w ∣ w = B ( x ) u ⋅ ∂ ( B ( x )   u ) ∂ u (III-2-11) \begin{aligned} \frac{\partial(\mathbf{x}\boxplus\mathbf{u})}{\partial\mathbf{u}} &\overset{\small\text{(III-1-1)}}= \frac{\partial\left\{\mathbf{R}(\mathbf{B}(\mathbf{x})\,\mathbf{u})\cdot\mathbf{x}\right\}}{\partial\mathbf{u}}\\ \small\text{(链式法则)}\qquad&\;\;\,\, = \left.\frac{\partial\left\{\mathbf{R}(\mathbf{w})\cdot\mathbf{x}\right\}}{\partial \left\{\mathbf{R}(\mathbf{w})\right\}}\right|_{\mathbf{w}=\mathbf{B}(\mathbf{x})\mathbf{u}} \cdot \left.\frac{{\partial \mathbf{R}(\mathbf{w})}}{\partial \mathbf{w}} \right|_{\mathbf{w}=\mathbf{B}(\mathbf{x})\mathbf{u}} \cdot \frac{\partial \left(\mathbf{B}(\mathbf{x})\,\mathbf{u}\right)}{\partial \mathbf{u}} \end{aligned} \tag{III-2-11} ∂u∂(x⊞u)​(链式法则)​=(III-1-1)∂u∂{R(B(x)u)⋅x}​=∂{R(w)}∂{R(w)⋅x}​ ​w=B(x)u​⋅∂w∂R(w)​ ​w=B(x)u​⋅∂u∂(B(x)u)​​(III-2-11)

文献 [3] 中式 (150) “Rotation action”
$${\mathbf{J}}_{\mathbf{R}}^{\mathbf{R}\cdot \mathbf{x}}=-\mathbf{R}[\mathbf{x}{]}_{\times }$$

故式 (III-2-11) 右手侧第一因子项可以写成
∂ { R ( w ) ⋅ x } ∂ { R ( w ) } ∣ w = B ( x ) u = − R ( B ( x )   u )   [ x ] × = − E x p ( B ( x )   u )   [ x ] × (III-2-12) \left.\frac{\partial\left\{\mathbf{R}(\mathbf{w})\cdot\mathbf{x}\right\}}{\partial \left\{\mathbf{R}(\mathbf{w})\right\}}\right|_{\mathbf{w}=\mathbf{B}(\mathbf{x})\mathbf{u}} = - \mathbf{R}(\mathbf{B}(\mathbf{x})\,\mathbf{u})\,[\mathbf{x}]_{\times} = - {\rm{Exp}}(\mathbf{B}(\mathbf{x})\,\mathbf{u})\,[\mathbf{x}]_{\times} \tag{III-2-12} ∂{R(w)}∂{R(w)⋅x}​ ​w=B(x)u​=−R(B(x)u)[x]×​=−Exp(B(x)u)[x]×​(III-2-12)

文献 [3] 中定义了流形上的 right Jacobian
$${\mathbf{J}}_r(\mathbf{\tau })\triangleq \frac{{}^{\mathbf{\tau }}D\mathrm{Exp}(\mathbf{\tau })}{D\mathbf{\tau }}$$

故式 (III-2-11) 右手侧第二因子项可以写成

$$\begin{array}{rl}{\frac{\partial \mathbf{R}(\mathbf{w})}{\partial \mathbf{w}}|}_{\mathbf{w}=\mathbf{B}(\mathbf{x})\mathbf{u}}& ={\frac{\partial \mathrm{Exp}(\mathbf{w})}{\partial \mathbf{w}}|}_{\mathbf{w}=\mathbf{B}(\mathbf{x})\mathbf{u}}\\ \text{(right Jacobian)}& ={\mathbf{J}}_r(\mathbf{B}(\mathbf{x})\mathbf{u})\\ \text{(II-1-2)}& =\mathbf{A}(\mathbf{B}(\mathbf{x})\mathbf{u}{)}^{\mathrm{T}}\end{array}\text{\hspace{1em}(III-2-13)}$$
由向量的求导法则的分子布局标记, 式 (III-2-11) 右手侧第三因子项可以写成
$$\frac{\partial \left(\mathbf{B}(\mathbf{x})\mathbf{u}\right)}{\partial \mathbf{u}}=\mathbf{B}(\mathbf{x})\text{\hspace{1em}(III-2-14)}$$
以上分项代回式 (III-2-11), 则 ${\mathbb{S}}^2(r)$ 上式 (I-1) 右手边第三个因子项为
$$\mathbf{M}(\mathbf{x},\mathbf{u})\triangleq \frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}=-\mathrm{Exp}(\mathbf{B}(\mathbf{x})\mathbf{u})[\mathbf{x}{]}_{\times }\mathbf{A}(\mathbf{B}(\mathbf{x})\mathbf{u}{)}^{\mathrm{T}}\mathbf{B}(\mathbf{x})\text{\hspace{1em}(III-2-15)}$$

---

4. 链式法则各项整合

结合式 (III-2-9)、式 (III-2-10) 和式 (III-2-15), ${\mathbb{S}}^2(r)$ 上关于 $\mathbf{u}$ 的偏导数式 (I-1) 就可以写成
$$\begin{array}{rl}\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}& ={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot {\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{z}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\cdot \frac{\partial (\mathbf{x}⊞\mathbf{u})}{\partial \mathbf{u}}\\ & =\mathbf{N}((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v},\mathbf{y})\mathbf{R}(\mathbf{v})\mathbf{M}(\mathbf{x},\mathbf{u})\end{array}\text{\hspace{1em}(III-2-16)}$$

下面再分别对 ${\mathbb{S}}^2(r)$ 上的式 (I-2) 右手边两个因子项进行分析.

---

三. 关于 $\mathbf{v}$ 的偏导

1. 第一个因子项

${\mathbb{S}}^2(r)$ 上式 (I-2) 右手边第一个因子项与式 (I-1) 右手边第一个因子项一致, 都可以参考式 (III-2-9).

---

2. 第二个因子项

$$\begin{array}{rl}\frac{\partial ((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})}{\partial \mathbf{v}}& ={\frac{\partial (\mathbf{z}\oplus \mathbf{v})}{\partial \mathbf{v}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\\ \text{(III-1-7)}& ={\frac{\partial \left(\mathbf{R}(\mathbf{v})\cdot \mathbf{z}\right)}{\partial \mathbf{v}}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\\ & ={\frac{\partial \left(\mathbf{R}(\mathbf{v})\cdot \mathbf{z}\right)}{\partial \mathbf{R}(\mathbf{v})}|}_{\mathbf{z}=\mathbf{x}⊞\mathbf{u}}\cdot \underline{\frac{\partial \mathbf{R}(\mathbf{v})}{\partial \mathbf{v}}}\\ \text{(III-2-12)+}\underline{\text{(III-2-13)}}& =-\mathbf{R}(\mathbf{v})[\mathbf{x}⊞\mathbf{u}{]}_{\times }\underline{\mathbf{A}(\mathbf{v}{)}^{\mathrm{T}}}\end{array}\text{\hspace{1em}(III-3-1)}$$

---

3. 链式法则各项整合

这样结合式 (III-2-9) 和式 (III-3-1), ${\mathbb{S}}^2(r)$ 上关于 $\mathbf{v}$ 的偏导数式 (I-2) 就可以写成
$$\begin{array}{rl}\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}& ={\frac{\partial (\mathbf{z}\boxminus \mathbf{y})}{\partial \mathbf{z}}|}_{\mathbf{z}=(\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v}}\cdot \frac{\partial ((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})}{\partial \mathbf{v}}\\ & =-\mathbf{N}((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v},\mathbf{y})\mathbf{R}(\mathbf{v})[\mathbf{x}⊞\mathbf{u}{]}_{\times }\mathbf{A}(\mathbf{v}{)}^{\mathrm{T}}\end{array}\text{\hspace{1em}(III-3-2)}$$

---

四. 小结

以上完成了 ${\mathbf{S}}^2(r)$ 上的复合函数偏导数 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}$ 及 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}$ 的推导.

---

总结

本文主要是阅读论文 “Kalman Filters on Differentiable Manifolds”^[1] 过程中, 对 $SO(3)$ 和 ${\mathbf{S}}^2(r)$ 上的复合函数偏导数 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{u}}$ 及 $\frac{\partial (((\mathbf{x}⊞\mathbf{u})\oplus \mathbf{v})\boxminus \mathbf{y})}{\partial \mathbf{v}}$ 进行了详细和啰嗦地推导.

---

参考文献

[1] Dongjiao He, Wei Xu, Fu Zhang, “Kalman Filters on Differentiable Manifolds”, https://arxiv.org/abs/2102.03804, 2021, Version V3

[2] Loring W. Tu, “An Introduction to Manifolds”, Springer New York, NY, 2010

[3] Joan Solà, Jeremie Deray, Dinesh Atchuthan, “A micro Lie theory for state estimation in robotics”, https://arxiv.org/abs/1812.01537, 2021, Version v9

[4] Michael Bloesch, Michael Burri, Sammy Omari, Marco Hutter, Roland Siegwart, Iterated extended Kalman filter based visual-inertial odometry using direct photometric feedback, The International Journal of Robotics Research, 2017, Vol. 36(10), 1053–1072

[5] addis, 四象限 Arctan 函数（atan2）, https://wuli.wiki/changed/Arctan.html#:~:text=%E4%B8%80%E9%98%B6%E5%81%8F%E5%AF%BC%E4%B8%BA%20%E2%88%82%20%E2%88%82x%20Arctan%28y%2Cx%29%20%3D%20%E2%88%92y%20x2%20%2By2%2C,x%29%20%3D%20x%20x%202%20%2B%20y%202