以下为笔者自己的浅薄理解,如有冒犯,还望海涵。
要理解李群与李代数,首先要了解什么是代数。
代数指的是符号和映射的组成。如实数与四则运算。
什么是群呢?
群(Group)指的是一种集合和一种运算组成的代数结构。所以,说群的时候,要指明集合类型与运算法则。
若把一个集合记作
A
A
A,一种运算记作
⋅
\cdot
⋅,则这两个小东西构成的群可以记作
G
=
(
A
,
⋅
)
G=(A,\cdot)
G=(A,⋅)。群要满足一些条件,即要满足几个映射关系"封结幺逆"<凤姐咬你>:
- 封闭性: ∀ a 1 , a 2 ∈ A ; a 1 ⋅ a 2 ∈ A \forall a_1,a_2 \in A; a_1 \cdot a_2 \in A ∀a1,a2∈A;a1⋅a2∈A
- 结合律: ∀ a 1 , a 2 , a 3 ∈ A ; ( a 1 ⋅ a 2 ) ⋅ a 3 = a 1 ⋅ ( a 2 ⋅ a 3 ) \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) ∀a1,a2,a3∈A;(a1⋅a2)⋅a3=a1⋅(a2⋅a3)
- 幺元: ∃ a 0 ∈ A ; ∀ a ∈ A , a 0 ⋅ a = a ⋅ a 0 = a \exists a_0 \in A; \forall a \in A,a_0 \cdot a=a \cdot a_0=a ∃a0∈A;∀a∈A,a0⋅a=a⋅a0=a
- 逆: ∀ a ∈ A ; ∃ a − 1 ∈ A , a ⋅ a − 1 = a 0 \forall a \in A;\exists a^{-1} \in A,a \cdot a^{-1}=a_0 ∀a∈A;∃a−1∈A,a⋅a−1=a0
什么是李群呢?
李群(Lie Group)指的是具有连续性质的群。
矩阵中常见的李群:
- 一般线性群GL( n n n): n × n n\times n n×n的可逆矩阵与矩阵乘法构成
- 特殊正交群SO( n n n): n n n维空间内的旋转矩阵与矩阵乘法构成。
- 特殊欧式群SE( n n n): n n n维空间内的变换矩阵与矩阵乘法构成。
李代数指的是一种集合、一种数域和一种二元运算的组成。
若把一个集合记作
V
\mathbb V
V,一个数据记作
F
\mathbb F
F,一种二元运算记作
[
,
]
[,]
[,],则这三个小东西构成的李代数可以记作
g
=
(
V
,
F
,
[
,
]
)
\mathfrak g=(\mathbb V,\mathbb F,[,])
g=(V,F,[,])。同样地,若想成为李代数,需要满足几个条件:
- 封闭性: ∀ X , Y ∈ V ; [ X , Y ] ∈ V \forall \bm X,\bm Y \in \mathbb V;[\bm X,\bm Y]\in \mathbb V ∀X,Y∈V;[X,Y]∈V
- 双线性: ∀ X , Y , Z ∈ V , a , b ∈ F ; [ a X + b Y , Z ] = a [ X , Z ] + b [ Y , Z ] , [ Z , a X + b Y ] = a [ Z , X ] + b [ Z , Y ] \forall \bm X,\bm Y,\bm Z \in \mathbb V,a,b\in \mathbb F;\\ \ \ \ \ \ \ \ \ \ \ \ \ \ [a\bm X+b\bm Y,\bm Z]=a[\bm X,\bm Z]+b[\bm Y,\bm Z],[\bm Z,a\bm X+b\bm Y]=a[\bm Z,\bm X]+b[\bm Z,\bm Y] ∀X,Y,Z∈V,a,b∈F; [aX+bY,Z]=a[X,Z]+b[Y,Z],[Z,aX+bY]=a[Z,X]+b[Z,Y]
- 自反性: ∀ X ∈ V ; [ X , X ] = 0 \forall X\in \mathbb V;[\bm X,\bm X]=0 ∀X∈V;[X,X]=0
- 雅可比等价: ∀ X , Y , Z ∈ V , [ X , [ Y , Z ] ] + [ Z , [ X , Y ] ] + [ Y , [ Z , X ] ] = 0 \forall \bm X,\bm Y,\bm Z \in \mathbb V,[\bm X,[\bm Y,\bm Z]]+[\bm Z,[\bm X,\bm Y]]+[\bm Y,[\bm Z,\bm X]]=0 ∀X,Y,Z∈V,[X,[Y,Z]]+[Z,[X,Y]]+[Y,[Z,X]]=0
李群与李代数的关系:
李代数是与李群对应的另一种代数结构。李群是一个具有群结构的流形, 也就是说, 是一块儿歪七扭八的几何体或空间,研究这样的复杂空间必然很难受,所以数学家就采取了物理人的终极奥义"一阶近似展开"来研究李群。所谓一阶近似就是用切线代替曲线、用切面代替曲面, 说得高端些, 用切空间代替流形。 而李代数,其实就是李群在恒等元处的切空间, 这就是二者的联系。最终的目的是,用李代数来研究李群的部分特性。通过在SLAM中的应用可以看出,李群作用于矩阵,李代数作用于向量。举个栗子,特殊正交群
S
O
(
3
)
\mathbf {SO}(3)
SO(3)用于描述旋转矩阵,特殊正交群对应的李代数
s
o
(
3
)
\mathfrak {so}(3)
so(3)用于描述旋转矩阵的导数。
在视觉SLAM应用中,关心的李群与李代数有两个。
S
O
(
3
)
\mathbf {SO}(3)
SO(3)与
s
o
(
3
)
\mathfrak {so}(3)
so(3):应用于旋转矩阵。
S
E
(
3
)
\mathbf {SE}(3)
SE(3)与
s
e
(
3
)
\mathfrak {se}(3)
se(3):应用于变换矩阵。
李群名称 | 特殊正交群 | 特殊欧式群 |
---|---|---|
李群 | S O ( 3 ) = { R ∈ R 3 × 3 ∣ R R T = I , det ( R ) = 1 } \mathbf {SO}(3)= \\ \left \lbrace \bm R\in \mathbb R^{3\times 3} \vert \bm R \bm R^T=\bm I,\text {det}(\bm R)=1\right\rbrace SO(3)={R∈R3×3∣RRT=I,det(R)=1} | S E ( 3 ) = { T = [ R t 0 T 1 ] ∈ R 4 × 4 ∣ R ∈ S O ( 3 ) , t ∈ R 3 } \mathbf {SE}(3)= \\ \left \lbrace \bm T =\left[ \begin{matrix} \bm R & \bm t \\ \bm 0^T & 1 \end{matrix} \right] \in \mathbb R^{4\times 4} \vert \bm R \in \mathbf {SO}(3),\bm t \in \mathbb R^3 \right\rbrace SE(3)={T=[R0Tt1]∈R4×4∣R∈SO(3),t∈R3} |
李代数 | s o ( 3 ) = { ϕ ∈ R 3 , Φ = ϕ ∧ ∈ R 3 × 3 ∈ } \mathfrak {so}(3)= \\ \left\lbrace \bm \phi \in \mathbb R^3,\bm \Phi=\bm \phi ^{\wedge} \in \mathbb R^{3\times 3} \in \right\rbrace so(3)={ϕ∈R3,Φ=ϕ∧∈R3×3∈} | s e ( 3 ) = { ξ = [ ρ ϕ ] ∈ R 6 , ρ ∈ R 3 , ϕ ∈ s o ( 3 ) , ξ ∧ = [ ϕ ∧ ρ 0 T 0 ] ∈ R 4 × 4 } \mathfrak {se}(3)= \\ \left\lbrace \bm \xi= \left[\begin{matrix} \bm \rho \\ \bm \phi \end{matrix} \right] \in \mathbb R^6,\bm \rho \in \mathbb R^3,\bm \phi \in \mathfrak {so}(3),\bm \xi ^{\wedge}=\left[\begin{matrix} \bm \phi ^{\wedge} & \bm \rho \\ \bm 0^T & 0 \end{matrix}\right] \in \mathbb R^{4\times 4} \right\rbrace se(3)={ξ=[ρϕ]∈R6,ρ∈R3,ϕ∈so(3),ξ∧=[ϕ∧0Tρ0]∈R4×4} |
李括号 | [ ϕ 1 , ϕ 2 ] = ( Φ 1 Φ 2 − Φ 2 Φ 1 ) ∨ [\bm \phi _1,\bm \phi _2]=(\bm \Phi_1\bm \Phi_2-\bm \Phi_2\bm \Phi_1) ^{\vee} [ϕ1,ϕ2]=(Φ1Φ2−Φ2Φ1)∨ | [ ξ 1 , ξ 2 ] = ( ξ 1 ∧ ξ 2 ∧ − ξ 2 ∧ ξ 2 ∧ ) ∨ [\bm \xi _1,\bm \xi _2]=(\bm \xi_1 ^{\wedge} \bm \xi_2^{\wedge}-\bm \xi_2 ^{\wedge} \bm \xi_2^{\wedge}) ^{\vee} [ξ1,ξ2]=(ξ1∧ξ2∧−ξ2∧ξ2∧)∨ |
作用对象 | 旋转矩阵 | 变换矩阵 |