李群与李代数公式推导

qq_29128985

已于 2022-08-24 23:10:27 修改

阅读量661

点赞数

CC 4.0 BY-SA版权

文章标签： slam

于 2022-08-24 10:15:13 首次发布

本文链接：https://blog.csdn.net/qq_29128985/article/details/126499112

博客探讨了为何在优化问题中引入李代数的原因，旋转矩阵作为优化变量时存在约束，而李代数则提供了一个无约束的优化空间。指数映射和对数映射在此过程中起到关键作用，将李群与李代数互相转换。博客还提及了李代数在SLAM中的应用，特别是旋转向量如何表示为矩阵并进行求导。同时，介绍了两种求导方式：李代数求导和扰动模型。内容涵盖了BCH公式、泰勒展开和角速度的表示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考：李群与李代数_详细公式推导
参考：视觉SLAM十四讲

为什么要引入李代数

旋转矩阵(李群)自身是带有约束的，正交且行列式为1，他们作为优化变量时，会引入额外的约束，使得优化变的困难，通过转为李代数，把位姿估计变成无约束的优化问题。
优化过程求极值，求导数的定义式，会涉及矩阵加法，但是矩阵对于加法不封闭，对于乘法封闭
我们可以把李群看做就是变换矩阵的集合，通过转为李代数，李代数是向量，有定义加法，用求导的定义式子就可以求解优化问题了。

指数映射(exponential map)和对数映射(logarithmic map)

在这里插入图片描述
$\phi = arccos\left(\frac{trace(\bm R)-1}{2}\right), \\ \bm u = \frac{(\bm R - \bm R^T)^\vee}{2sin\phi}$

来源于：《Quaternion kinematics for the error-state Kalman filter》
上式如何求证??

推导：李代数与李群间的转换-指数映射、对数映射

李代数 => 向量，so(3)实际上就是旋转向量组成的空间
李群 => 矩阵，se(3)实际上就是旋转向量对应的旋转矩阵
李代数(旋转向量空间) => 李群(矩阵空间)：使用罗德里格斯公式(4.22)
李群(矩阵空间) => 李代数(旋转向量空间)：使用罗德里格斯公式取两边的迹(对角线元素之和)求解θ，
a由Ra=a解得，视觉SLAM十四讲(3.17)和(3.18)。

公式(10)/(4.10)：旋转矩阵R与反对称矩阵φ(t0)^，是通过指数函数exp(.)发生联系的。

假设旋转向量φ为李代数，对应矩阵可以表示为：R=exp(φ^)，
是一个反对称矩阵的指数，在李群李代数中，其被称作指数映射(Exponential Map)。
任意矩阵的指数映射可以写成一个泰勒展开的形式，结果还是一个矩阵。

定义旋转向量φ的模长和方向为θ和a，于是φ=θa，R=exp(φ^ )=exp(θa^)
向量φ的模θ是旋转的角度，向量φ本身就是绕着旋转的轴。
对φ给出一个新的定义，φ=ωt，这个运动刻画的是角速度恒定的定点转动：参考SLAM中，李代数so(3)的指数映射就是这个旋转向量对应的旋转矩阵么？

李代数求导和扰动模型

李群乘法与李代数加法互转：

在这里插入图片描述

对李代数SE3求导

请添加图片描述

一、BCH公式与近似形式
二、两种求导方式：
(1)李代数求导
(2)扰动模型（左乘）
参考：李群与李代数：https://blog.csdn.net/andylei777/article/details/79366078