李羣與李代數
主要目標:
- 理解李羣與李代數的概念,掌握SO(3),SE(3)與對應的李代數的表示方式。
- 理解BCH近似的意義。
- 學會在李代數上的擾動模型。
- 使用Sophus對李代數進行運算。
上個博客學習的主要是三維世界中剛體運動的描述方式,包括旋轉矩陣、旋轉向量、歐拉角、四元數等突感種方式。我們重點介紹了旋轉的表示,,但是在SLAM這個系統中,我們還要對他們進行估計和優化。
現在呢,SLAM中相機位姿是未知的,所以我們可能需要解決"什麼樣的相機位姿最符合當前的觀測數據"這樣的問題。一種方式是把它構建成一個優化問題,求最優解的R和t,使得誤差最小化。
之前說過,旋轉矩陣自身帶有約束(正交且行列式爲1),。他們作爲優化變量時,會引入額外的約束,使優化變得額外困難。通過李羣——李代數之間的轉換關係,我們希望把位姿估計變成無約束的優化問題,簡化求解方式。
4.1 李羣與李代數基礎
旋轉矩陣和變換矩陣地定義還記得麼?三維旋轉矩陣構成了 特殊正交矩陣SO(3),而變換矩陣構成了 特殊歐式羣 SE(3)。
寫起來如下:
當時並未詳解 羣 的含義。 變換矩陣或者旋轉矩陣對加法不封閉。 換句話說,對於任意兩個旋轉矩陣,按照矩陣加法的定義,和不再是一個旋轉矩陣:可以
這兩種矩陣沒有良好定義的加法,或者通常的矩陣加法對這兩個集合不封閉。
相對地,他們只有一種較好的運算:乘法。SO(3)、SE(3)關於乘法是封閉的:
4.1.1 羣
4.1.2 李代數的引出
可以這麼理解:R隨時間不斷變化,但是始終滿足正交這個要求。
對於上面那個等式。是始終成立的,我們可以兩邊對時間求導:
上面的操作是求導加移項外加提括號轉置。
我們觀察一下,反對稱矩陣,它轉置加負號等於它本身。下面是根據反對稱矩陣得出的等式:
上面紅框中,是t固定時。這裏需要好好理解下上面的泰勒展開。上面讓我們看清楚誰反應了導數性質。
4.1.3 李代數的定義
封雙自雅??
4.1.4 李代數 so(3)
4.2 指數與對數映射
4.2.1 SO(3)上的指數映射
又看到羅德里格斯了,還記得怎麼推導羅德里格斯麼????
複習羅德里格斯!!!
記住:旋轉矩陣的倒數可以由旋轉向量指定,指導着如何在旋轉矩陣中進行微積分運算。
4.2.2 SE(3)上的指數映射
推導的過程主要是泰勒展開 餘弦和正弦 (湊出這兩個的泰勒展開,然後替換)
4.3 李代數求導與擾動模型
前面我們瞭解和推導了下如何從李代數到李羣。如何把李羣到李代數呢?同樣還要依靠泰勒展開:
簡單看下:
好吧,繼續這一節的主題吧。
4.3.1 BCH公式與近似形式
使用李代數的一大動機是優化,而在優化過程中,導數是非常重要的信息(後面非線性優化會說明這一點)。
我們上面雖然推導了李羣與李代數的關係。
BCH公式與近似形式都弄完了,也理解了。
4.3.2 SO(3) 上的李代數求導
下面來討論一個帶有李代數的函數,以及關於李代數的求導問題。
構建了一個最小二乘問題。
搞清楚這段話在說什麼。
4.3.3 李代數求導
看懂框中的操作。
4.3.4 擾動模型
4.3.5 SE(3)上的李代數求導
4.4 實踐:Sopuhs庫的應用
#include <iostream>
#include <cmath>
#include <Eigen/Core>
#include <Eigen/Geometry>
#include "sophus/se3.hpp"
using namespace std;
using namespace Eigen;
// 本程序演示sophus的基本用法
int main(int argc,char **argv){
//沿z軸轉90度的旋轉矩陣
Martix3d R = AngleAxisd(M_PI/2,Vector3d(0,0,1)).toRotationMatrix();
//或四元數
Quaterniond q(R);
Sophus::SO3d SO3_R(R); //Sophus::SO3d可以直接從旋轉矩陣構造
Sophus::SO3d SO3_q(q); //也可以通過四元數構造
//二者是等價的
cout<<"SO3 from matricx:\n"<<SO3_R.matrix()<<endl;
cout<<"SO3 from quaternion:\n"<<SO3_q.matrix()<<endl;
//使用對數映射獲得它的李代數
Vertor3d so3 = SO3_R.log();
cout<<"so3 = "<<so3.transpose()<<endl;
//hat爲向量到反對稱矩陣
cout<<"so3 hat=\n"<<Sopuhs::SO3d::hat(so3)<<endl;
//相對地,vee爲反對稱矩陣到向量
cout<<"so3 hat vee= "<<Sophus::SO3d::vee(Sophus::SO3d::hat(so3)).transpose()<<endl;
//增量擾動模型的更新
Vector3d update_so3(1e-4,0,0); //假設更新量爲這麼多
Sophus::SO3d SO3_updated = Sophus::SO3d::exp(update_so3)*SO3_R;
cout<<"SO3 updated = \n"<<SO3_updated.matrix()<<endl;
cout<<"*****************************"<<endl;
//對SE3操作大同小異
Vector3d t(1,0,0); //沿X軸平移1
Sophus::SE3d SE3_Rt(R,t); //從R、t構造SE(3)
Sophus::SE3d SE3_qt(q,t); //從q、t構造SE(3)
cout<<"SE3 from R,t= \n"<<SE3_Rt.matrix()<<endl;
cout<<"SE3 from q,t= \n"<<SE3_qt.matrix()<<endl;
//李代數se(3)是一個六維向量,方便起見先typedef一下
typedef Eigen::Matrix<double,6,1> Vector6d;
Vector6d se3 = SE3_Rt.log();
cout<<"se3 = "<<se3.transpose()<<endl;
//觀察輸出,會發現在Sophus中,se(3)的平移在前,旋轉在後
//同樣的,有hat和vee兩個運算符
cout<<"se3 hat = \n"<<Sophus::SE3d::hat(se3)<<endl;
cout<<"se3 hat vee = "<<Sophus::SE3d::vee(Sophus::SE3d::hat(se3)).transpose()<<endl;
//最後,演示更新
Vector6d update_se3; //更新量
update_se3.setZero();
update_se3(0,0) = 1e-4d;
Sophus::SE3 SE3_updated = Sophus::SE3d::exp(updated_se3)*SE3_RT;
cout<<"SE3 updated = "<<endl<<SE3_updated.matrix()<<endl;
return 0;
}
4.4.2 例子:評估軌跡的誤差
代碼:
#include <iostream>
#include <fstream>
#include <unistd.h>
#include <pangolin/pangolin.h>
#include <sophus/se3.h>
using namespace Sophus;
using namespace std;
string groundtruth_file = "./example/groundtruth.txt";
string estimated_file = "./example/estimated.txt";
typedef vector<Sophus::SE3d, Eigen::aligned_allocator<Sophus::SE3d>> TrajectoryType;
void DrawTrajectory(const TrajectoryType >, const TrajectoryType &esti);
TrajectoryType ReadTrajectory(const string &path);
int main(int argc, char **argv) {
TrajectoryType groundtruth = ReadTrajectory(groundtruth_file);
TrajectoryType estimated = ReadTrajectory(estimated_file);
assert(!groundtruth.empty() && !estimated.empty());
assert(groundtruth.size() == estimated.size());
// compute rmse
double rmse = 0;
for (size_t i = 0; i < estimated.size(); i++) {
Sophus::SE3d p1 = estimated[i], p2 = groundtruth[i];
double error = (p2.inverse() * p1).log().norm();
rmse += error * error;
}
rmse = rmse / double(estimated.size());
rmse = sqrt(rmse);
cout << "RMSE = " << rmse << endl;
DrawTrajectory(groundtruth, estimated);
return 0;
}
TrajectoryType ReadTrajectory(const string &path) {
ifstream fin(path);
TrajectoryType trajectory;
if (!fin) {
cerr << "trajectory " << path << " not found." << endl;
return trajectory;
}
while (!fin.eof()) {
double time, tx, ty, tz, qx, qy, qz, qw;
fin >> time >> tx >> ty >> tz >> qx >> qy >> qz >> qw;
Sophus::SE3d p1(Eigen::Quaterniond(qx, qy, qz, qw), Eigen::Vector3d(tx, ty, tz));
trajectory.push_back(p1);
}
return trajectory;
}
void DrawTrajectory(const TrajectoryType >, const TrajectoryType &esti) {
// create pangolin window and plot the trajectory
pangolin::CreateWindowAndBind("Trajectory Viewer", 1024, 768);
glEnable(GL_DEPTH_TEST);
glEnable(GL_BLEND);
glBlendFunc(GL_SRC_ALPHA, GL_ONE_MINUS_SRC_ALPHA);
pangolin::OpenGlRenderState s_cam(
pangolin::ProjectionMatrix(1024, 768, 500, 500, 512, 389, 0.1, 1000),
pangolin::ModelViewLookAt(0, -0.1, -1.8, 0, 0, 0, 0.0, -1.0, 0.0)
);
pangolin::View &d_cam = pangolin::CreateDisplay()
.SetBounds(0.0, 1.0, pangolin::Attach::Pix(175), 1.0, -1024.0f / 768.0f)
.SetHandler(new pangolin::Handler3D(s_cam));
while (pangolin::ShouldQuit() == false) {
glClear(GL_COLOR_BUFFER_BIT | GL_DEPTH_BUFFER_BIT);
d_cam.Activate(s_cam);
glClearColor(1.0f, 1.0f, 1.0f, 1.0f);
glLineWidth(2);
for (size_t i = 0; i < gt.size() - 1; i++) {
glColor3f(0.0f, 0.0f, 1.0f); // blue for ground truth
glBegin(GL_LINES);
auto p1 = gt[i], p2 = gt[i + 1];
glVertex3d(p1.translation()[0], p1.translation()[1], p1.translation()[2]);
glVertex3d(p2.translation()[0], p2.translation()[1], p2.translation()[2]);
glEnd();
}
for (size_t i = 0; i < esti.size() - 1; i++) {
glColor3f(1.0f, 0.0f, 0.0f); // red for estimated
glBegin(GL_LINES);
auto p1 = esti[i], p2 = esti[i + 1];
glVertex3d(p1.translation()[0], p1.translation()[1], p1.translation()[2]);
glVertex3d(p2.translation()[0], p2.translation()[1], p2.translation()[2]);
glEnd();
}
pangolin::FinishFrame();
usleep(5000); // sleep 5 ms
}
}
求誤差那裏李代數進行了norm()操作,是求二範數操作。因爲這裏的李代數是向量。
向量的一範數,二範數。回憶一下。
4.5 相似變換與李代數
單目視覺中經常使用相似變換羣Sim(3),以及對應的李代數sim(3)。
單目的尺度不確定性我們已經討論過了。
驗證構成羣,這在課後題中有考察。。
我之前主要手推了指數映射(從李代數到李羣)。對數映射是從李羣到李代數,也需要泰勒展開。
課後習題:
上面的推導,仔細思考下,需要參照前面歐式羣。
接下來好好準備學習雅可比矩陣海信矩陣吧。