视觉SLAM14精讲——李群与李代数2.1

视觉SLAM14精讲

1. 三维空间刚体运动1.0
2. 三维空间刚体运动1.1
3. 三维空间刚体运动1.2
4. 李群与李代数2.1
5. 相机与图像3.1

简介

本章介绍前一章提到的旋转、平移、变换等对象的一般数学规律，即李群与李代数。这样做的目的之一是将旋转扩展到最小二乘法当中，并在位姿优化求解的过程中保持旋转的数学性质。这样就能在噪声纷繁复杂的传感器世界中求解当下最优位姿的解。
本章所涉及到的数学基础，源于离散数学。该门课程据个人所知只有计算机和数学专业开设。但是具体涉及不深，只需要了解群论的基本概念即可。所以本章可以说是全书中最为抽象难懂的部分。对本章的内容不要求完全熟练记忆，因为本章仅为后文提供一些理论基础，做了解即可。

群和李群

作者所提到的谐音“丰俭由你”，个人感觉不是很好记忆。推荐口诀“封结妖逆”，首先是因为其中三个字没有变，其次是比较中二，比较好记忆。

如果某个集合与运算满足“封结妖逆”的性质，就是一个群。如果这个群连续/光滑，则该群是李群。本章提到的特殊正交群SO(3)是李群中的一种。

特殊正交群

$$\begin{array}{c}SO(3)=\left\{\text{R}\in {\mathbb{R}}^{3\times 3}|{\text{RR}}^t=\text{I},det(\text{R}=1)\right\}\end{array}$$
我们来看这个定义。首先，R是一种3x3实数矩阵， 它满足1、正交， 2、行列式等于1，对乘法封闭，对加法不封闭。只要有矩阵满足上述规则，那么该矩阵就是一个旋转矩阵，且属于特殊正交群。这些性质用于位姿求解过程中，隐式的约束条件。例如在使用Ceres求解位姿时，不需要显式列出上述条件进行验证或约束。

R = np.array([[  0.5866089, -0.4492353,  0.6738529],
			[0.4492353,  0.8728027,  0.1907959],
			[-0.6738529,  0.1907959,  0.7138062]])
print(R.dot(R))
np.linalg.det(R)

这里要看仔细，浮点数不会刚好输出整数结果，只要相对目标数误差极小即可。

特殊正交群对乘法封闭，加法不封闭的性质意味着，如果将两个矩阵相加，则结果不能保证仍然是一个特殊正交群的元素。这样会引出一个非常严重的问题，特殊正交群无法求导。根据求导的定义：

$$\begin{array}{c}{f}^{\prime }(x_0)=\underset{\delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\end{array}$$
首先特殊正交群就不能满足减法运算法则，甚至连函数连续都不能保证。然而在最小二乘法中，需要求解反向梯度来不断的更新算法，来逼近我们要求的最小误差阈值来实现位姿求解。这样一来就无法利用特殊正交群进行运算。

李代数

如果想让加法变成乘法运算，直观的方式就是将变量指数/对数化，考过研的同学都知道哈哈。书中求得的$\varphi$就是一个对SO(3)进行指数/对数映射的因子，因此我们将$\varphi$叫做旋转矩阵R对应的李代数。$\varphi$反映了旋转矩阵局部的导数关系，反映为当旋转矩阵左乘${\varphi }^{\wedge }(t)$后等价于进行了一次求导，自变量一般为时间t。这里补充一下书中公式（4.9）的一个证明过程：
$$\begin{array}{rl}{R}^{\prime }& ={\varphi }_0^{\wedge }R\\ \frac{dR}{dt}& ={\varphi }_0^{\wedge }R\\ \int \frac{1}{R}dR& =\int {\varphi }_0^{\wedge }dt\\ lnR+C_1& ={\varphi }_0^{\wedge }t+C_2\\ letC& =C_1+C_2\\ R& =e^{{\varphi }_0^{\wedge }t+C}\\ whenR(0)& =I\\ R& =e^{{\varphi }_0^{\wedge }t}\end{array}$$