李群李代数（第一次会晕）

  • 三维旋转矩阵构成特殊正交群，SO(3),变换矩阵构成了特殊欧式群SE(3).

$${\rm{SO(3) = \{ R}} \in {{\rm{R}}^{3 \times 3}}\left| {R{R^T} = I,\det (R) = I} \right.{\rm{\} }}$$

\[{\rm{SE(3) = }}\left\{ {{\rm{T = }}\left[ {\begin{array}{*{20}{c}}
R&t\\
0&1
\end{array}} \right] \in {{\rm{R}}^{4 \times 4}}\left| {R \in SO(3),t \in {R^3}} \right.} \right\}\]

  • 从上面看群是一种集合加上一种运算的代数结构。什么集合，何种运算不知道。把集合记作A，运算记作$ \bullet $，群记为$G = (A, \bullet )$,群应满足以下四个特性（封结幺逆）：
  1. 封闭性：$\forall {a_1},{a_2} \in A,\;\;\;\;\;{a_1} \bullet {a_2} \in A$
  2. 结合律：

    \[\forall {a_1},{a_2},{a_3} \in A,\;\;\;\;\;({a_1} \bullet {a_2}) \bullet {a_3} = {a_1} \bullet ({a_2} \bullet {a_3})\]

  3. 幺元：$\exists {a_0} \in A,s.t\;\forall a \in A,{a_0} \bullet a = a \bullet {a_0} = a$
  4. 逆：$\forall a \in A,\;\;\;\exists {a^{{\rm{ - }}1}} \in A,s.t\;a \bullet {a^{_{{\rm{ - }}1}}} = a$
  • 李群是指具有连续光滑性质的群,像一般的整数离散群不具有连续性，SO(3), SE(3)在实数空间上是连续的，表示一个位置变换到另一个位置，路径是连续的。但是群的概念只定义了乘法，没有加法。

  • 李代数的引出：

    李代数由一个集合V、一个数域F和一个二元运算[ ，]（李括号）组成。称（V,F，[ , ]）为一个李代数，记为g.

    在实际应用中我们估计相机的位置和姿态时，由于干扰，不可能没有误差，那么产生误差需要矫正，我们会用补偿量$\Delta R,\Delta T$去补偿误差。然而群的定义对加法没有封闭性，比如两个旋转或变换矩阵相加后不再表示一个旋转或变换矩阵，失去了原有的意义，于是李代数的提出为此问题提供了解决思路，把SE(3)空间的T映射为李代数se(3),它由向量组成，我们在中学数学就知道，向量相加还表示为一个向量（例如平行四边形原则），李代数对加法具有封闭性（加完之后还是向量）。这样可以通过李代数求导间接对变换矩阵T进行求导。在优化相机位姿时，每次迭代更新一个位姿的增量δ，使目标函数最小，那么这个δ就是通过对T微分得到的。它们对于某时刻的R(t)(李群空间)，存在一个三维向量$\phi {\rm{ = (}}{\phi _1}{\rm{,}}{\phi _2}{\rm{,}}{\phi _3}{\rm{)}}$的李代数空间来描述R在t时刻的导数。

\[\mathop R\limits^ \bullet (t) = \phi {(t)^ \wedge }R(t) = \left[ {\begin{array}{*{20}{c}}
0&{ - {\phi _3}}&{{\phi _2}}\\
{{\phi _3}}&0&{ - {\phi _1}}\\
{ - {\phi _2}}&{{\phi _1}}&0
\end{array}} \right]R(t)\]

  • 指数映射：向量$\phi {\rm{ = (}}{\phi _1}{\rm{,}}{\phi _2}{\rm{,}}{\phi _3}{\rm{)}}$反映了R的导数性质，它们之间的微分关系可以描述为：李代数so(3)对应李群SO(3) 在原点附近的正切空间。换句话说，李代数so(3)是三维向量$\phi {\rm{ = (}}{\phi _1}{\rm{,}}{\phi _2}{\rm{,}}{\phi _3}{\rm{)}}$的集合，每个$\phi (i)$的反对称矩阵都$\phi (i)$^可以表示SO(3)上旋转矩阵$R(i)$的导数,R和$\phi $呢又呈现一个指数映射关系：$R(t) = \exp (\phi _0^ \wedge t)$,$\exp ({\phi ^ \wedge }) = \exp (\theta {{\rm{a}}^ \wedge }) = \sum\limits_{n = 0}^\infty {\frac{1}{{n!}}} {(\theta {{\rm{a}}^ \wedge })^n}$经过泰勒展开后变为$\exp (\theta {{\rm{a}}^ \wedge }) = \cos \theta I + (1 - \cos \theta )a{a^T} + \sin \theta {a^ \wedge }$又回到了罗德里格斯。对于三维旋转和变换的关系图如下;

  • 李代数求导与扰动模型：

 　　以SO(3)为例，当李代数的so(3)做加法时，在李群SO(3)是否对应为两个矩阵的乘积，$\exp (\phi _1^ \wedge )\exp (\phi _2^ \wedge ) = \exp ({({\phi _1} + {\phi _2})^ \wedge })$？$\ln (\exp (A)\exp (B)) = A{\rm{ + }}B$？答案是对矩阵运算都不成立，BCH公式给出了近似解：

\[\ln {(\exp (A\phi _1^ \wedge )\exp (\phi _2^ \wedge ))^ \vee } \approx \left\{ {\begin{array}{*{20}{c}}
{{J_l}{{({\phi _2})}^{ - 1}}{\phi _1} + {\phi _2},{\phi _1}\min }\\
{{J_r}{{({\phi _1})}^{ - 1}}{\phi _2} + {\phi _1},{\phi _2}\min }
\end{array}} \right.\]

　　以下标为l的左乘模型来说，意思是，我们对一个旋转矩阵R2 (李代数${\phi _2}$)左乘一个微小旋转矩阵R1 (李代数${\phi _1}$ )，看成是李代数 ${\phi _2}$加上一项

\[{J_l}{({\phi _2})^{ - 1}}{\phi _1}\]

　　右乘模型同理。式中有一个近似的雅可比Jl,再通俗的形象一下就是，假定对一个旋转R(李代数$\phi $)产生的漂移进行矫正，左乘一个$\Delta R$ (李代数$\Delta \phi $)，在李群上的结果为$\Delta R \bullet R$

用BCH近似为

\[{J_l}{(\phi )^{ - 1}}\Delta \phi {\rm{ + }}\phi \]

　　合起来就是$\exp (\Delta {\phi ^ \wedge })\exp ({\phi ^ \wedge }) = \exp ({(\phi + {J_l}(\phi )\Delta \phi )^ \wedge })$，然而上面刚刚说到在李代数上加法是封闭的，可以进行加法运算，一个

\[\phi {\rm{ + }}\Delta \phi \]

　　可以近似为李群上带左右雅可比的乘法:$\exp ({(\phi + \Delta \phi )^ \wedge }) = \exp ({({J_l}\Delta \phi )^ \wedge })\exp ({\phi ^ \wedge }) = \exp ({\phi ^ \wedge })\exp ({({J_r}\Delta \phi )^ \wedge })$

  • 求导运算1

　　空间中有一向量p,然后我们对其进行了R的旋转变换变为Rp,求旋转之后Rp对旋转R的导数，$\frac{{\partial (Rp)}}{{\partial R}}$ ，但是没有加法，无法按照导数定义计算，因此转为李代数计算。

 

$$\frac{{\partial (Rp)}}{{\partial R}}{\rm{ = }}\frac{{\partial (\exp ({\phi ^ \wedge })p)}}{{\partial \phi }} = - {(Rp)^ \wedge }{J_l}$$

　　结果中有一个雅可比，在应用中不太好处理，又出现了扰动模型来替代，思路是对R进行一次扰动$\Delta R$(左乘形式），看结果相对扰动的变化率。 $\Delta R$对应的李代数为 $\varphi $，$\frac{{\partial (Rp)}}{{\partial \varphi }}{\rm{ = }} - {(Rp)^ \wedge }$,这样就没有了雅可比，对实际应用更加合理。

  •  实现才是硬道理：
 1 #include<iostream>
 2 #include<cmath>
 3 #include<Eigen/Core>
 4 #include<Eigen/Geometry>
 5 #include"sophus/se3.h"
 6 #include"sophus/so3.h"
 7 
 8 using namespace std;
 9 using namespace Eigen;
10 
11 int main(int argc,char **argv)
12 {
13     // 沿Z轴转90度的旋转矩阵用旋转向量表示
14     Eigen::Matrix3d R = Eigen::AngleAxisd(M_PI/2, Eigen::Vector3d(0,0,1)).toRotationMatrix();
15     
16     Sophus::SO3 SO3_R(R);               // Sophus::SO(3)可以直接从旋转矩阵构造
17     Sophus::SO3 SO3_v( 0, 0, M_PI/2 );  // 亦可从旋转向量构造
18     Eigen::Quaterniond q(R);            // 或者四元数
19     Sophus::SO3 SO3_q( q );
20     // 上述表达方式都是等价的
21    
22     cout<<"SO(3)由矩阵构造:\n "<<SO3_R.matrix()<<endl;
23     cout<<"SO(3)由向量构造: \n"<<SO3_v.matrix()<<endl;
24     cout<<"SO(3)由四元数构造:\n"<<SO3_q.matrix()<<endl;
25     
26     // 使用对数映射获得它的李代数
27     Eigen::Vector3d so3 = SO3_R.log();
28     cout<<"SO(3)的李代数so(3) =SO3_R.log()为： "<<so3.transpose()<<endl;
29     // hat 为向量到反对称矩阵
30     cout<<"so(3)李代数向量对应的反对称矩阵： \n"<<Sophus::SO3::hat(so3)<<endl;
31     // 相对的，vee为反对称矩阵到向量
32     cout<<"so(3)反对称矩阵对应的李代数向量： \n "<<Sophus::SO3::vee( Sophus::SO3::hat(so3) ).transpose()<<endl;
33     // transpose纯粹是为了输出美观一些
34     
35     // 增量扰动模型的更新
36     Eigen::Vector3d update_so3(1e-4, 0, 0); //假设更新量为这么多
37     Sophus::SO3 SO3_updated = Sophus::SO3::exp(update_so3)*SO3_R;
38     cout<<"更新后的SO(3) =δ×R为 \n"<<SO3_updated.matrix()<<endl;
39     
40     cout<<"***********SE(3)的操作*************"<<endl;
41     // 对SE(3)操作大同小异
42     Eigen::Vector3d t(1,0,0);           // 沿X轴平移1
43     Sophus::SE3 SE3_Rt(R, t);           // 从R,t构造SE(3)
44     Sophus::SE3 SE3_qt(q,t);            // 从q,t构造SE(3)
45     cout<<"SE3由矩阵旋转+平移构造（ R,t)= "<<endl<<SE3_Rt.matrix()<<endl;
46     cout<<"SE3由四元数q,t= "<<endl<<SE3_qt.matrix()<<endl;
47     // 李代数se(3) 是一个六维向量，方便起见先typedef一下
48     typedef Eigen::Matrix<double,6,1> Vector6d;
49     Vector6d se3 = SE3_Rt.log();
50     cout<<"SE(3)对应的李代数se(3) =\n "<<se3.transpose()<<endl;
51     // 观察输出，会发现在Sophus中，se(3)的平移在前，旋转在后.
52     // 同样的，有hat和vee两个算符
53     cout<<"se(3)对应的反对称矩阵 = "<<endl<<Sophus::SE3::hat(se3)<<endl;
54     cout<<"反对称矩阵对应的李代数向量 = "<<Sophus::SE3::vee( Sophus::SE3::hat(se3) ).transpose()<<endl;
55     
56     // se(3)的扰动
57     Vector6d update_se3; //更新量
58     update_se3.setZero();//六维更新量
59     update_se3(0,0) = 1e-4d;//改变其中一个量来产生观测
60     Sophus::SE3 SE3_updated = Sophus::SE3::exp(update_se3)*SE3_Rt;
61     cout<<"更新后的SE(3) = "<<endl<<SE3_updated.matrix()<<endl;
62     
63 return 0;
64 }

 

 

 

posted @ 2020-04-02 13:16  静精进境  阅读(1369)  评论(0)  编辑  收藏  举报