视觉SLAM十四讲解读-(v2.p84)李代数求导

视觉SLAM十四讲解读-(v2.p84)李代数求导

1. 问题背景和目标

在考虑 SO(3)SO(3)SO(3) 上的情况时,对空间点 p\boldsymbol{p}p 进行旋转得到 RpR\boldsymbol{p}Rp,目标是计算旋转之后点的坐标相对于旋转矩阵 RRR 的导数 ∂(Rp)∂R\frac{\partial(R\boldsymbol{p})}{\partial R}∂R∂(Rp)。由于 SO(3)SO(3)SO(3) 没有加法,不能按导数定义直接计算,所以通过将 RRR 对应的李代数记为 ϕ\phiϕ,转而计算 ∂(exp⁡(ϕ∧)p)∂ϕ\frac{\partial(\exp(\phi^{\wedge})\boldsymbol{p})}{\partial \phi}∂ϕ∂(exp(ϕ∧)p)。

2. 根据导数定义展开

按照导数的定义:
∂(exp⁡(ϕ∧)p)∂ϕ=lim⁡δϕ→0exp⁡((ϕ+δϕ)∧)p−exp⁡(ϕ∧)pδϕ\frac{\partial(\exp(\phi^{\wedge})\boldsymbol{p})}{\partial \phi}=\lim_{\delta\phi \to 0}\frac{\exp((\phi + \delta\phi)^{\wedge})\boldsymbol{p}-\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}∂ϕ∂(exp(ϕ∧)p)=limδϕ→0δϕexp((ϕ+δϕ)∧)p−exp(ϕ∧)p

这一步是导数定义的基本应用,分子是函数在 ϕ+δϕ\phi+\delta\phiϕ+δϕ 和 ϕ\phiϕ 处的函数值之差,分母是自变量的增量 δϕ\delta\phiδϕ,通过取极限 δϕ→0\delta\phi\to0δϕ→0 来得到导数。

3. 利用李代数指数映射的性质

根据李代数指数映射的性质 exp⁡((ϕ+δϕ)∧)=exp⁡((Jlδϕ)∧)exp⁡(ϕ∧)\exp((\phi+\delta\phi)^{\wedge})=\exp((J_l\delta\phi)^{\wedge})\exp(\phi^{\wedge})exp((ϕ+δϕ)∧)=exp((Jlδϕ)∧)exp(ϕ∧)(这里 JlJ_lJl 是左雅可比矩阵),则:
lim⁡δϕ→0exp⁡((ϕ+δϕ)∧)exp⁡(ϕ∧)p−exp⁡(ϕ∧)pδϕ=lim⁡δϕ→0exp⁡((Jlδϕ)∧)exp⁡(ϕ∧)p−exp⁡(ϕ∧)pδϕ\lim_{\delta\phi \to 0}\frac{\exp((\phi + \delta\phi)^{\wedge})\exp(\phi^{\wedge})\boldsymbol{p}-\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}=\lim_{\delta\phi \to 0}\frac{\exp((J_l\delta\phi)^{\wedge})\exp(\phi^{\wedge})\boldsymbol{p}-\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}limδϕ→0δϕexp((ϕ+δϕ)∧)exp(ϕ∧)p−exp(ϕ∧)p=limδϕ→0δϕexp((Jlδϕ)∧)exp(ϕ∧)p−exp(ϕ∧)p

此步骤利用了上述指数映射的性质,将 exp⁡((ϕ+δϕ)∧)\exp((\phi+\delta\phi)^{\wedge})exp((ϕ+δϕ)∧) 进行了替换,以便后续化简。

4. 利用近似和单位矩阵性质

当 δϕ\delta\phiδϕ 很小时,exp⁡((Jlδϕ)∧)≈I+(Jlδϕ)∧\exp((J_l\delta\phi)^{\wedge})\approx\boldsymbol{I}+(J_l\delta\phi)^{\wedge}exp((Jlδϕ)∧)≈I+(Jlδϕ)∧(这是指数映射在小量情况下的近似展开),则:
lim⁡δϕ→0(I+(Jlδϕ)∧)exp⁡(ϕ∧)p−exp⁡(ϕ∧)pδϕ\lim_{\delta\phi \to 0}\frac{(\boldsymbol{I}+(J_l\delta\phi)^{\wedge})\exp(\phi^{\wedge})\boldsymbol{p}-\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}limδϕ→0δϕ(I+(Jlδϕ)∧)exp(ϕ∧)p−exp(ϕ∧)p
=lim⁡δϕ→0(Jlδϕ)∧exp⁡(ϕ∧)pδϕ=\lim_{\delta\phi \to 0}\frac{(J_l\delta\phi)^{\wedge}\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}=limδϕ→0δϕ(Jlδϕ)∧exp(ϕ∧)p

这里先将 exp⁡((Jlδϕ)∧)\exp((J_l\delta\phi)^{\wedge})exp((Jlδϕ)∧) 用近似式替换,然后对分子进行化简,Iexp⁡(ϕ∧)p\boldsymbol{I}\exp(\phi^{\wedge})\boldsymbol{p}Iexp(ϕ∧)p 与 −exp⁡(ϕ∧)p-\exp(\phi^{\wedge})\boldsymbol{p}−exp(ϕ∧)p 相消,剩下 (Jlδϕ)∧exp⁡(ϕ∧)p(J_l\delta\phi)^{\wedge}\exp(\phi^{\wedge})\boldsymbol{p}(Jlδϕ)∧exp(ϕ∧)p。

5. 利用反对称矩阵性质

根据反对称矩阵性质 a∧b=−b∧aa^{\wedge}b=-b^{\wedge}aa∧b=−b∧a,则 (Jlδϕ)∧exp⁡(ϕ∧)p=−exp⁡(ϕ∧)p∧Jlδϕ(J_l\delta\phi)^{\wedge}\exp(\phi^{\wedge})\boldsymbol{p}= - \exp(\phi^{\wedge})\boldsymbol{p}^{\wedge}J_l\delta\phi(Jlδϕ)∧exp(ϕ∧)p=−exp(ϕ∧)p∧Jlδϕ,所以:
lim⁡δϕ→0(Jlδϕ)∧exp⁡(ϕ∧)pδϕ=lim⁡δϕ→0−(exp⁡(ϕ∧)p)∧Jlδϕδϕ=−(Rp)∧Jl\lim_{\delta\phi \to 0}\frac{(J_l\delta\phi)^{\wedge}\exp(\phi^{\wedge})\boldsymbol{p}}{\delta\phi}=\lim_{\delta\phi \to 0}\frac{-(\exp(\phi^{\wedge})\boldsymbol{p})^{\wedge}J_l\delta\phi}{\delta\phi}=-(R\boldsymbol{p})^{\wedge}J_llimδϕ→0δϕ(Jlδϕ)∧exp(ϕ∧)p=limδϕ→0δϕ−(exp(ϕ∧)p)∧Jlδϕ=−(Rp)∧Jl

这一步先利用反对称矩阵性质对分子进行变形,然后分子分母中的 δϕ\delta\phiδϕ 在取极限时,δϕδϕ=1\frac{\delta\phi}{\delta\phi}=1δϕδϕ=1,最终得到结果 −(Rp)∧Jl-(R\boldsymbol{p})^{\wedge}J_l−(Rp)∧Jl,其中 R=exp⁡(ϕ∧)R = \exp(\phi^{\wedge})R=exp(ϕ∧)。

综上,通过以上详细推导步骤,得到了 ∂(exp⁡(ϕ∧)p)∂ϕ=−(Rp)∧Jl\frac{\partial(\exp(\phi^{\wedge})\boldsymbol{p})}{\partial \phi}=-(R\boldsymbol{p})^{\wedge}J_l∂ϕ∂(exp(ϕ∧)p)=−(Rp)∧Jl,也就是旋转之后点的坐标相对于旋转李代数的导数表达式。

相关推荐
江畔柳前堤3 小时前
大语言模型分布式训练:从并行策略到万卡工程的系统梳理
人工智能·分布式·深度学习·算法·目标检测·机器学习·语言模型
Forever Nore4 小时前
LeetCode 4 寻找两个正序数组的中位数 - 二分
算法·leetcode
罗西的思考5 小时前
【OpenClaw具身硬件】MiniClaw 阅读笔记---(1)基础
人工智能·算法·机器学习
蛋先生DX6 小时前
大模型参数存储格式揭秘:BF不是男朋友
深度学习·算法·llm
爱跳舞的烤冷面7 小时前
自学嵌入式第22天(数据结构——哈希)
数据结构·算法·哈希算法
猎嘤一号7 小时前
博弈论(Game Theory)的理论、算法与工程
人工智能·算法·安全·博弈论
月光船幽幽7 小时前
影子模式下保护 logits 不被修改
人工智能·python·算法
马拉AI7 小时前
腾讯开源 Agent 记忆系统,AI“换对话就忘”的问题有了新解法(附安装使用教程)
人工智能·算法·开源·科研
地平线开发者9 小时前
征程6工具链模型X86推理方式说明
算法
地平线开发者9 小时前
【征程6】校准量化中HistogramObserver解析
算法