前言

slam中一个关键问题之一就是求解相机的位姿，人们找了很多以相机位姿为变量的误差函数，比如光度误差，重投影误差，3D几何误差等等，希望使得误差最小，进而求得比较准确的相机位姿。举一个重投影例子：

Pi 是3D点， ui 是 Pi 对应的像素位置， K 为相机内参矩阵，si为 ui 对应的深度值。 T 就是我们要求的变量。上式只是一个粗略的表达，其中没有显式说明齐次与非齐次，我们认为自动满足。有人可能会想对于这样的式子直接求导为零，不就可以解出T了么。但是不要忘记了T是满足如下约束的：

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1式的时候，必须考虑到T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。
那怎么办呢？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1式转化为无约束问题，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。下面就简单介绍一下李群和李代数。

李群和李代数

群

群是一种集合加上一种运算的代数结构，我们把集合记为A，运算记为 . ，那么群可以记为 G=(A,.) 。群要求这个运算要满足封闭性，结合律，幺元和可逆。矩阵中常见的群有：

• 一般线性群GL（n） 指 n×n 的可逆矩阵，它们对矩阵乘法成群
• 特殊正交群SO（n） 就是旋转矩阵群，其中SO（2），SO（3）最为常见。
• 特殊欧式群SE（n） 就是n维欧式变换，其中SE（2），SE（3）最为常见。

群结构保证了在群上的运算具有良好的性子，李群是指具有连续性质的群。SO（n），SE（n）在实数空间上是连续的，我们可以直观的感觉到一个刚体能够在空间中连续运动，所以SO（n）和SE（n）都是李群。那么相机的位姿就可以表示为：

现在我们只是说明了相机位姿是特殊欧式群，旋转矩阵是特殊正交群。但是现在还不能直接去求解因为约束依然存在。正如前面所说的，我们希望将有约束的问题转化为无约束问题求解。数学上常用的方法就是去另外一个空间计算，就像分类问题一样，也许在这个空间没法分开，变换一个空间说不定就可以分开了。横看成岭侧成峰就是这个道理。数学家们研究表明每一个李群都已与之对应的李代数，因为李群是连续的。真如我们所期望的，在李代数求解1式时可以将其化为无约束问题，通过高斯牛顿法等方法迭代求解。这是因为旋转矩阵对加法不封闭，而李代数对加法封闭。

李群李代数相互转化

旋转矩阵对应的李代数是一个三维向量，相机位姿（刚性变换矩阵，没有尺度因子）是一个六位向量。那么我们想知道的是这些向量是怎么和对应的李群联系，或者说怎么变换。具体的推到我这就不在搬运了，大家可以参考高翔博士的《视觉slam十四讲从理论到实践》或者自行搜索。下面这张图也是来自这本书的：

这张图给出了李群和李代数之间的转换公式。有了这个转换，离我们求解1式问题还有些距离。在使用类似高斯牛顿法这样的迭代算法时，目标函数关于变量的导数很重要，因为它提供了目标函数变小的方向。其实就是变量选择的方向，那么我们就想知道目标函数关于李代数的导数。

李代数求导

使用李代数解决问题的求导思路分为两种：
1. 用李代数表示位姿，然后根据李代数加法来对李代数求导
2. 对李群左乘或者右乘微小扰动量，然后对该扰动求导，成为左扰动和右扰动模型。

我们先说关于旋转矩阵对应的李代数 SO(3) 求导，第一种的求导过程，如下：

这样我们就得到了旋转后点相对于李代数的导数：

Jl 的形式如下：

由于旋转矩阵对应的李代数是一个三维向量，所以我们可以用模长与单位向量的乘积表示。 ϕ=θa ， θ为模长，a为单位向量 ，上式中 θ 和 a 就是这个含义。

下来我们在来看看旋转矩阵李代数的左扰动模型，左乘一个微小扰动，对微小扰动求导：

这种方式省去了计算雅克比 Jl ，所以使用更为常见。
最后直接给出SE(3)上的李代数求导，使用左扰动模型：

李代数上求解相机位姿

有了李群和李代数相互转换公式，李代数上的导数，那么我们就可以将1式用李代数重新表达。

上式仍然只是一个粗略的表达，其中没有显式说明齐次与非齐次，我们认为自动满足。使用李代数我们可以成功的将位姿约束问题转化为无约束问题，但要用高斯牛顿法或者LM方法等迭代优化算法，我们还需要知道这个误差关于位姿李代数的导数。使用左扰动模型，利用链式法则展开：

相机投影模型相对于 P‘ 为：

那么就可以得到：

求导的第二项我们前面已经给出了：

取出这部分的前三行，然后两个导数项相乘，就可以得到一个2*6的雅克比矩阵：

如果变换矩se(3)的旋转在前，平移在后，只需要将上式的前面3列和后面3列对调即可。有了李代数表示，也有了李代数上的表示，下一步我们就可以利用一些优化库（ceres, g2o）去计算了。

参考文献

[1] 高博， 视觉slam十四讲从理论到实践

最后

以上就是聪慧草莓为你收集整理的SLAM中相机位姿求解（李群李代数）前言李群和李代数李代数上求解相机位姿参考文献的全部内容，希望文章能够帮你解决SLAM中相机位姿求解（李群李代数）前言李群和李代数李代数上求解相机位姿参考文献所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。