视觉SLAM十四讲|【二】李群与李代数

最新推荐文章于 2024-08-15 10:28:06 发布

影子鱼Alexios

最新推荐文章于 2024-08-15 10:28:06 发布

阅读量6k

点赞数 12

CC 4.0 BY-SA版权

分类专栏：控制理论文章标签：机器学习人工智能机器人

本文链接：https://blog.csdn.net/qq_43443531/article/details/135201369

控制理论专栏收录该内容

18 篇文章

订阅专栏

本文介绍了李群和李代数的基本概念，包括群的封闭性和结合律，旋转向量的性质，以及在三维空间中的SO(3)和SE(3)上的指数和对数映射。特别关注了如何通过李代数求导处理旋转矩阵的扰动模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

视觉SLAM十四讲|【二】李群与李代数

李群与李代数基础

群的性质

封闭性： $\forall a_1, a_2 \in A, a_1 \cdot a_2 \in A$
结合律： $\forall a_1,a_2,a_3 \in A, (a_1 \cdot a_2) \cdot a_3 = a_1 \cdot (a_2 \cdot a_3)$
么元： $\exist a_0 \in A, s.t. \forall a\in A, a_0 \cdot a= a \cdot a_0 = a$
逆： $\forall a \in A, \exist a^{-1} \in A, s.t. a \cdot a^{-1} = a_0$

$R_1R_2 \in SO(3)$
$T_1T_2 \in SE(3)$

李代数的引出

定义

设一个三维向量 $\phi(t)\in \mathbb{R^3}$ ，有
$\phi(t)^{\land} = \dot{R}(t)R(t)^T$
注意， $\land$ 为矩阵化符号，得到一关于 $\phi$ 的反对称矩阵，因此该等式要求 $\dot{R}(t)R(t)^T$ 为反对称矩阵。

证明

三维向量 $\phi(t)$ 有什么意义呢？我们要联系一下旋转向量的性质：
$RR^T = I$
$R(t)R(t)^T = I$
两边对时间求导，可以得到如下形式
$\dot{R}(t)R(t)^T + R(t)\dot{R}(t)^T = 0$
$\dot{R}(t)R(t)^T= - R(t)\dot{R}(t)^T$
$\dot{R}(t)R(t)^T= - (\dot{R}(t)R(t)^T)^T$
得证 $\dot{R}(t)R(t)^T$ 为反对称矩阵。

性质

$\phi(t)^{\land} = \dot{R}(t)R(t)^T$
两边同时右乘 $R (t)$ ，有
$\phi(t)^{\land}R(t) = \dot{R}(t)R(t)^TR(t)$
由于
$R(t)^TR(t)=I$
得到
$\phi(t)^{\land}R(t) = \dot{R}(t)$
即对 $\phi(t)^{\land}$ 通过右乘 $R (t)$ ，或者对 $R (t)$ 左乘 $\phi(t)^{\land}$ ，我们可以实现对旋转矩阵的求导
$\dot{R}(t) =\phi(t)^{\land}R(t)$
设 $t = 0$ 时有 $R (0) = I$ ， $t_0=0$ 进行一阶泰勒展开有如下形式
$\approx R(t_0) + \dot{R}(t_0)(t-t_0) = I + \phi(t_0)^{\land}(t)$
又有
$\dot{R}(t)=\phi(t_0)^{\land}R(t)$
解该微分方程，可以得到四元数与旋转矩阵的关系如下所示
$exp(\phi_0^{\land}t)$

指数与对数映射

SO(3)上的指数映射

对于三维向量 $\phi$ ，我们令 $\phi=\theta a$ ， $\theta$ 为模长， $a$ 为单位方向向量，有以下性质：
$a^{\land}a^{\land} = aa^T-I$
$a^{\land}a^{\land}a^{\land} =-a^{\land}$
$exp(\phi^{\land})=exp(\theta a^{\land}) = cos\theta I + (1-cos\theta)aa^T + sin\theta a^{\land}$
反回来，旋转向量的对数映射有
$\phi = ln(R)^{\vee} = (\sum_{n=0}\frac{(-1)^n}{n+1}(R-I)^{n+1})^{\vee}$

SE(3)上的指数映射

$exp(\epsilon^{\land})=\begin{bmatrix} R & J\rho \\ 0^T & 1 \end{bmatrix} = T$
其中，
$\frac{sin\theta}{\theta}I + (1- \frac{sin\theta}{\theta})aa^T + \frac{1-cos\theta}{\theta}a^{\land}$

李代数求导与扰动模型

$\phi_1$ 为小量，有
$ln(exp(\phi_1^{\land})exp(\phi_2^{\land}))^{\vee} \approx J_l(\phi_2)^{-1}\phi_1 + \phi_2$

$\phi_2$ 为小量，有
$ln(exp(\phi_1^{\land})exp(\phi_2^{\land}))^{\vee} \approx J_r(\phi_1)^{-1}\phi_2 + \phi_1$

$J_l = \frac{sin\theta}{\theta}I + (1- \frac{sin\theta}{\theta})aa^T + \frac{1-cos\theta}{\theta}a^{\land}$

$J_l ^{-1} = \frac{\theta}{2}cot \frac{\theta}{2}I + (1- \frac{\theta}{2}cot \frac{\theta}{2})aa^T - \frac{\theta}{2}a^{\land}$
$J_r(\phi) = J_l(-\phi)$