第一章：李群与李代数基础

各位同学好，我是这门课的主讲。今天咱们来聊聊视觉SLAM里最绕不开的一个数学工具——李群与李代数。

说实话，我第一次接触这东西的时候，也是一头雾水。什么SO(3)、SE(3)，什么指数映射、对数映射，感觉像是在学天书。但后来在实际项目中踩过几次坑，才真正体会到：不懂李群李代数，你根本没法优雅地处理旋转和位姿优化。

1.1 为什么需要李群与李代数？

先问大家一个问题：在三维空间中，我们怎么表示一个旋转？

最常见的做法是用旋转矩阵R。R是3x3的矩阵，满足R^TR = I，且det(R)=1。所有这样的R构成了一个集合，这个集合在数学上就叫特殊正交群SO(3)。

那平移呢？加上平移，我们就得到了特殊欧氏群SE(3)，也就是我们常说的位姿变换矩阵。

但问题来了——

• 旋转矩阵有9个参数，但自由度只有3个。冗余！
• 优化时，你没法直接对R做加法。R + ΔR 大概率不再是旋转矩阵。
• 插值、求导、更新……这些在流形上操作都很麻烦。

所以，我们需要一个更优雅的表示方式。这就是李代数登场的原因。

1.2 SO(3)与SE(3)的定义

先看SO(3)：

SO(3) = { R ∈ ℝ³ˣ³ | RᵀR = I, det(R) = 1 }

说白了，就是所有合法的旋转矩阵组成的群。群运算就是矩阵乘法。

再看SE(3)：

SE(3) = { T = [R t; 0 1] ∈ ℝ⁴ˣ⁴ | R ∈ SO(3), t ∈ ℝ³ }

这个更常见，就是我们的位姿变换矩阵。注意右下角那个1，这是齐次坐标的写法。

我记得有一次做多传感器标定，需要融合IMU和相机的位姿。如果直接用旋转矩阵做优化，每次迭代都要重新正交化，麻烦得要命。后来换成李代数表示，整个流程清爽多了。

1.3 指数映射与对数映射

这是李群和李代数之间的桥梁。

对于SO(3)，它的李代数是so(3)，其实就是三维向量φ ∈ ℝ³。这个向量对应一个反对称矩阵：

φ^ = [0  -φ₃  φ₂;
      φ₃  0  -φ₁;
     -φ₂ φ₁  0 ]

指数映射：从李代数到李群。说白了就是：给定一个旋转向量φ，怎么得到旋转矩阵R？

公式就是罗德里格斯公式：

R = exp(φ^) = I + sinθ/θ * φ^ + (1-cosθ)/θ² * (φ^)²

其中θ = ||φ||，是旋转角度。

对数映射：反过来，从旋转矩阵R提取旋转向量φ。

θ = arccos((tr(R)-1)/2)
φ = θ/(2sinθ) * (R - Rᵀ)∨

这里∨表示从反对称矩阵恢复成向量。

对于SE(3)，它的李代数是se(3)，是一个六维向量ξ = [ρ, φ]ᵀ。指数映射稍微复杂一点，但原理一样：

exp(ξ^) = [exp(φ^)   Vρ;
           0         1]

其中V是一个3x3的矩阵，跟φ有关。具体公式我就不写了，大家记住有这个东西就行。

1.4 BCH近似公式

这个知识点，说白了就是回答一个问题：两个李代数相加，对应的李群是什么？

你可能会想：exp(φ₁) * exp(φ₂) = exp(φ₁ + φ₂) 吗？

答案是：不成立。因为矩阵乘法不满足交换律。

那怎么办？用Baker-Campbell-Hausdorff公式，简称BCH公式。

完整形式很复杂，我们一般用它的近似：

ln(exp(φ₁) * exp(φ₂)) ≈ φ₁ + φ₂ + ½[φ₁, φ₂] + ...

其中[φ₁, φ₂] = φ₁^ φ₂^ - φ₂^ φ₁^，是李括号。

在实际SLAM中，我们更常用的是左乘扰动模型下的BCH近似：

exp(φ + Δφ) ≈ exp(φ) * exp(Jₗ(φ)⁻¹ * Δφ)

或者反过来：

exp(Δφ) * exp(φ) ≈ exp(φ + Jᵣ(φ)⁻¹ * Δφ)

这里的Jₗ和Jᵣ分别是左、右雅可比矩阵。公式看起来吓人，但实际用的时候，很多库已经帮你算好了。

1.5 扰动模型

终于到了最实用的部分。在SLAM后端优化中，我们需要对位姿求导。怎么求？

有两种主流方式：

1. 直接求导：对R本身求导，但R有约束，不好处理。
2. 扰动模型：给R左乘或右乘一个微小扰动，对扰动求导。

我个人更推荐左乘扰动模型。为什么？因为它形式简单，而且跟实际物理意义更吻合。

具体来说：

∂(Rp) / ∂φ = - (Rp)^

这个公式的意思是：旋转矩阵R作用在点p上，对旋转向量φ的导数，等于-Rp的反对称矩阵。

是不是很简洁？

对于SE(3)的扰动模型，稍微复杂一点：

∂(Tp) / ∂ξ = [I, - (Rp + t)^;
              0, 0]

这个雅可比矩阵在BA（Bundle Adjustment）中会频繁出现。你写优化代码时，大部分时间就是在算这个矩阵。

1.6 知识体系总览

下面这张图总结了本章的核心逻辑：

1.7 本章小结

好了，我们来捋一捋今天的内容：

• SO(3)和SE(3)：旋转和位姿的群表示，有约束，不好直接优化。
• 指数/对数映射：在流形和切空间之间来回切换，是优化的基础。
• BCH近似：处理两个李代数相加的问题，注意近似条件。
• 扰动模型：求导利器，左乘扰动是主流做法。

说实话，这些数学工具第一次看确实有点抽象。但别急，后面几章我们会把它们用到实际的视觉里程计代码中。到时候你回头看，会发现——嗯，原来就这么回事。

---

公众号:蓝海资料掘金营，微信deep3321