學習IMU預積分(3)李羣與李代數關係

背景:目前開始學習IMU的預積分與Christian Forster 與其組員的論文:IMU Preintegration on Manifold for Efficient Visual-Inertial Maximum-a-Posteriori Estimation。

 

這文章涉及到基礎知識李羣與李代數,此文章先鋪墊一下基礎知識,大部分東西都從《視覺SLAM十四講》搬運過來。
 

1. 關係

我們用SO(3) 來做例子,李羣就是在三維空間裏面的一個流形,如第二節圖所示。而其李代數so(3)就是這個流形在某一點的導數空間,或者說是這個流形在某一點的切面。對於流形,不明白的請看知乎流形討論。

 

這個關係反應在數學層面上,就有個好處。對於一個旋轉矩陣,它的導數=它的李代數乘於他自己,i.e., \dot{R} = \phi^{\Lambda}R=\begin{bmatrix} 0&-\phi_1 & \phi_2\\ \phi_1&0 & -\phi_3\\ -\phi_2& \phi3 & 0 \end{bmatrix}R

 

2. 映射

不嚴謹地來說,SO(3)與so(3)之間的映射可以簡單寫爲:

SO(3) = exp(so(3)^{\Lambda}) <=> R = exp(\phi^{\Lambda})

so(3) = log(SO(3))^{\nu} <=> \phi = log(R)^\nu

 

3. 增量上的映射

如果在so(3)上加一個增量,即\phi+\delta{\phi}, 其映射回到SO(3)上的一點(如下圖A點)等價與R作什麼變動呢?

答案是,exp(\phi)exp(Jr(\phi)\delta{\phi})

因Baker-Cambell-Hausdorff告訴我們,

\phi+\delta{\phi} x \mapsto SO(3) = exp((\phi+\delta{\phi})^{\Lambda}) = exp(\phi^{\Lambda})exp((Jr(\phi)\delta{\phi})^{\Lambda})

=> exp((\phi+\delta{\phi})) = exp(\phi)exp((Jr(\phi)\delta{\phi}))  即論文公式7。

這裏的Jr(\phi)是右雅克比矩陣區別於做雅克比矩陣J_l(\phi)Jr(\phi)=I - \frac{1-cos(||\phi||)}{||\phi\\^2}\phi^{\Lambda}+\frac{||\phi||+sin(||\phi||)}{||\phi^3||}(\phi^{\Lambda})^2即論文公式8。

 

wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==

如果在SO(3)上乘於一個增量,即R\Delta{R}, 其映射回到so(3)上的一點等價與\phi作什麼變動呢?

答案是,exp(\phi+Jr^{-1}(\phi)\delta{\phi})

因Baker-Cambell-Hausdorff告訴我們,

\small R\Delta{R} x\mapsto so(3):log(R\Delta{R})=log(exp(\phi^{\Lambda})exp(\delta{\phi})^{\Lambda})=log(exp((\phi+Jr^{-1}(\phi)\delta{\phi})^{\Lambda}))

=> log(exp(\phi)exp(\delta{\phi}))= \phi+Jr^{-1}(\phi)\delta{\phi}  即論文公式9。

 

 

至於SE(3)與se(3)我就不展開了,因爲論文裏沒有涉及到。

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章