李群,李代数知识点总结(无数学公式)
2018-03-21 16:15
495 查看
一:为什么用李群李代数
在slam问题中,R为旋转矩阵,它是正交矩阵并且行列式为1,t是平移向量。在求解最小化重投影或者光度误差的时候,必须考虑到它们满足的约束,那么这个问题就变成了有约束优化问题。但是我们不想去求有约束的问题,因为不好求。我们更喜欢的是去求无约束问题,而且无约束问题有很多现成的解法。
于是就有大神想出我们可以去另外一个空间求解,比如李代数。最后研究表明确实通过李代数可以将求解转化为无约束问题,然后很方便的通过高斯牛顿法,列文伯格-马夸尔特法(简称LM法)等优化算法求解了。当然不仅仅是上面这个优化问题了,我们以相机位姿为变量的建立的目标函数都可以在李代数上求解。
二:李群李代数的形式
李群:
三维旋转构成SO3,变换矩阵构成SE3
李代数:
李代数位于向量空间,李群单位元外的正切空间
-----so3
集合中元素是三维向量或者三维反对称矩阵,每个向量对应到一个反对称矩阵,可以表达旋转矩阵的导数
-----se3
集合中元素是六维(前三平移,后三旋转(so3))向量或者四维矩阵T
三:李群转李代数
.log()
四:slam位姿估计中的应用 Mat rvec,tvec;
//通过pnp求R,t的初始解
solvePnPRansac(pts_3d,pts_2d,K,Mat(),rvec,tvec, false,100,4.0,0.99,inliers);
//通过R,t构造SE3
SE3 T_c_r_estimated_ = SE3(
SO3(rvec.at<double>(0,0), rvec.at<double>(1,0), rvec.at<double>(2,0)),
Vector3d( tvec.at<double>(0,0), tvec.at<double>(1,0), tvec.at<double>(2,0))
);
//g2o迭代优化初始解(SE3转g2o::SE3Quat)
pose->setEstimate ( g2o::SE3Quat (
T_c_r_estimated_.rotation_matrix(),
T_c_r_estimated_.translation()
) );
//优化后(g2o::SE3Quat转SE3)
T_c_r_estimated_ = SE3 (
pose->estimate().rotation(),
pose->estimate().translation()
);
在slam问题中,R为旋转矩阵,它是正交矩阵并且行列式为1,t是平移向量。在求解最小化重投影或者光度误差的时候,必须考虑到它们满足的约束,那么这个问题就变成了有约束优化问题。但是我们不想去求有约束的问题,因为不好求。我们更喜欢的是去求无约束问题,而且无约束问题有很多现成的解法。
于是就有大神想出我们可以去另外一个空间求解,比如李代数。最后研究表明确实通过李代数可以将求解转化为无约束问题,然后很方便的通过高斯牛顿法,列文伯格-马夸尔特法(简称LM法)等优化算法求解了。当然不仅仅是上面这个优化问题了,我们以相机位姿为变量的建立的目标函数都可以在李代数上求解。
二:李群李代数的形式
李群:
三维旋转构成SO3,变换矩阵构成SE3
李代数:
李代数位于向量空间,李群单位元外的正切空间
-----so3
集合中元素是三维向量或者三维反对称矩阵,每个向量对应到一个反对称矩阵,可以表达旋转矩阵的导数
-----se3
集合中元素是六维(前三平移,后三旋转(so3))向量或者四维矩阵T
三:李群转李代数
.log()
四:slam位姿估计中的应用 Mat rvec,tvec;
//通过pnp求R,t的初始解
solvePnPRansac(pts_3d,pts_2d,K,Mat(),rvec,tvec, false,100,4.0,0.99,inliers);
//通过R,t构造SE3
SE3 T_c_r_estimated_ = SE3(
SO3(rvec.at<double>(0,0), rvec.at<double>(1,0), rvec.at<double>(2,0)),
Vector3d( tvec.at<double>(0,0), tvec.at<double>(1,0), tvec.at<double>(2,0))
);
//g2o迭代优化初始解(SE3转g2o::SE3Quat)
pose->setEstimate ( g2o::SE3Quat (
T_c_r_estimated_.rotation_matrix(),
T_c_r_estimated_.translation()
) );
//优化后(g2o::SE3Quat转SE3)
T_c_r_estimated_ = SE3 (
pose->estimate().rotation(),
pose->estimate().translation()
);
相关文章推荐
- ZOJ 3625 Geek's Collection (数学公式,注意long double输出格式,附输出格式总结)
- 【机器人学的数学基础】(1)李群、李代数和螺旋运动
- Lucene学习总结之六:Lucene打分公式的数学推导
- 视觉SLAM中的数学基础 第三篇 李群与李代数
- 线性代数基本公式结论简要总结(3)
- 数学公式(待慢慢总结)
- 总结 离散数学知识点
- 数学之美 - 公式总结
- 视觉SLAM中的数学基础 第三篇 李群与李代数
- 数学常用公式总结
- 数学(二)三角求导公式总结
- 考研数学核心知识点总结
- Lucene学习总结之六:Lucene打分公式的数学推导
- 线性代数基本公式结论简要总结(4)
- 2016年初中数学知识点中考总复习总结归纳
- Lucene学习总结之六:Lucene打分公式的数学推导
- 线性代数知识点总结 同济六版
- Lucene学习总结之六:Lucene打分公式的数学推导 2014-06-25 14:20 384人阅读 评论(0) 收藏
- Lucene学习总结之六:Lucene打分公式的数学推导
- Math——HDUOJ 1290 - 献给杭电五十周年校庆的礼物(数学公式总结)