3. 李群与李代数：李群基础、指数映射与对数映射、扰动模型、Sophus库使用
各位同学，欢迎来到第三章。这一章我们聊点硬核的——李群与李代数。
说实话，我刚入行那会儿，看到「李群」这两个字，第一反应是「这玩意儿跟我有啥关系？」。后来在做一个VIO项目时，优化位姿总是跑飞，我才意识到：没有李代数，你连个像样的姿态优化都做不了。嗯，今天我们就把它彻底讲明白。
3.1 为什么需要李群与李代数？
先问个问题：在SLAM里，我们怎么表示相机的位姿？
答案通常是旋转矩阵 R 和平移向量 t。旋转矩阵属于特殊正交群 SO(3)，变换矩阵属于特殊欧氏群 SE(3)。
但问题来了——
- 旋转矩阵是正交的，有9个参数，但自由度只有3。你直接优化9个参数，约束条件很难满足。
- 更麻烦的是，你没法直接对旋转矩阵做加法。R + ΔR 大概率不再是旋转矩阵。
说白了，SO(3) 和 SE(3) 是流形，不是向量空间。你不能用常规的微积分去处理它们。
李代数就是来解决这个问题的。它把流形上的优化问题，转化成了向量空间里的优化问题。你想想看，这多方便。
核心思想：李群是流形，李代数是它的切空间。我们在切空间里做优化，再映射回流形上。
3.2 李群基础
先给个定义。李群是一种连续群，它既是群又是光滑流形。常见的李群有：
| 李群 | 含义 | 维度 |
|---|---|---|
| SO(3) | 三维旋转群 | 3 |
| SE(3) | 三维刚体变换群 | 6 |
| SO(2) | 二维旋转群 | 1 |
| SE(2) | 二维刚体变换群 | 3 |
SO(3) 的定义很简单：
SO(3) = { R ∈ ℝ³ˣ³ | RRᵀ = I, det(R) = 1 }SE(3) 则是：
SE(3) = { T = [R t; 0 1] | R ∈ SO(3), t ∈ ℝ³ }我个人习惯把 SE(3) 想象成一个「带旋转的平移」。你想想看，一个刚体在空间中的运动，不就是先转再移吗？
3.3 指数映射与对数映射
这是李群和李代数之间的桥梁。说白了，指数映射把李代数（切空间）映射到李群（流形），对数映射反过来。
3.3.1 SO(3) 的指数映射
对于 SO(3)，它的李代数是 so(3)，由三维向量 φ 的反对称矩阵组成：
so(3) = { Φ = φ^ = [0 -φ₃ φ₂; φ₃ 0 -φ₁; -φ₂ φ₁ 0] | φ ∈ ℝ³ }指数映射公式：
R = exp(φ^) = I + sin(θ)/θ · φ^ + (1-cos(θ))/θ² · (φ^)²其中 θ = ||φ||。
这个公式是不是很眼熟？对，就是罗德里格斯公式。所以李代数 so(3) 的物理意义就是旋转向量。
我的经验：我在做IMU预积分时，经常用这个公式把角速度增量转换成旋转矩阵。注意 θ 很小的时候要用泰勒展开，避免数值问题。
3.3.2 SE(3) 的指数映射
SE(3) 的李代数是 se(3)，由六维向量 ξ = [ρ; φ] 组成。指数映射为：
T = exp(ξ^) = [R t; 0 1]其中 R 由 φ 通过 SO(3) 的指数映射得到，t 由 ρ 和 φ 共同决定。
对数映射就是反过来，从 T 求 ξ。这个在代码里很常用，比如从变换矩阵里提取旋转向量。
3.4 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。但直接对 R 求导不行，怎么办？
两种方式：
- 李代数求导：对 R 对应的李代数 φ 求导。
- 扰动模型：给 R 左乘或右乘一个小扰动，对扰动求导。
我个人更推荐扰动模型。为什么？因为它更简洁，而且不涉及复杂的指数映射求导。
3.4.1 SO(3) 的左扰动模型
假设我们有一个旋转矩阵 R，给它左乘一个小扰动 ΔR = exp(δφ^)，然后对 δφ 求导：
∂(Rp) / ∂δφ = -R·p^这个结果非常漂亮。你想想看，一个复杂的旋转求导，最后就变成了一个简单的反对称矩阵乘法。
注意：左扰动和右扰动结果不一样。左扰动对应世界坐标系下的扰动，右扰动对应相机坐标系下的扰动。我在项目中吃过这个亏，大家一定要分清。
3.4.2 SE(3) 的扰动模型
对于 SE(3)，左扰动模型给出：
∂(Tp) / ∂δξ = [I₃, -p^; 0, 0]这个雅可比矩阵在BA优化和VIO中频繁出现。我建议你把它背下来，或者至少知道怎么推导。
3.5 Sophus库使用
理论讲完了，我们看看怎么用代码实现。Sophus 是 Strasdat 写的李代数库，现在已经是 Eigen 的官方模块了。
3.5.1 安装与包含
#include <sophus/se3.hpp>
#include <sophus/so3.hpp>如果你用 CMake，记得链接：
find_package(Sophus REQUIRED)
target_link_libraries(your_target Sophus::Sophus)3.5.2 基本操作
// 创建 SO3 从旋转矩阵
Eigen::Matrix3d R = Eigen::AngleAxisd(M_PI/4, Eigen::Vector3d::UnitZ()).toRotationMatrix();
Sophus::SO3d SO3_R(R);
// 创建 SO3 从旋转向量
Sophus::SO3d SO3_v(0, 0, M_PI/4);
// 指数映射：李代数 -> 李群
Eigen::Vector3d phi(0.1, 0.2, 0.3);
Sophus::SO3d SO3_exp = Sophus::SO3d::exp(phi);
// 对数映射：李群 -> 李代数
Eigen::Vector3d phi_log = SO3_exp.log();
// 创建 SE3
Sophus::SE3d SE3_Rt(R, Eigen::Vector3d(1, 2, 3));
// 扰动模型示例
Eigen::Vector3d p(1, 0, 0);
Eigen::Vector3d delta_phi(0.01, 0, 0);
Sophus::SO3d R_new = SO3_R * Sophus::SO3d::exp(delta_phi);
Eigen::Vector3d p_new = R_new * p;避坑指南：我曾经在优化时忘记对扰动取对数，直接用了增量加法。结果迭代了几步就发散。记住：李代数上的增量必须通过指数映射回到李群。
3.6 知识体系总览
下面这张图总结了本章的核心逻辑。我建议你多看几遍，把整个脉络理清楚。
3.7 本章小结
这一章我们讲了：
- 李群 SO(3) 和 SE(3) 是什么，为什么需要它们
- 指数映射和对数映射怎么用
- 扰动模型如何优雅地解决求导问题
- Sophus 库的基本用法
说实话，李群李代数这东西，光看理论容易晕。我建议你打开编辑器，把上面的代码跑一遍。亲手试试指数映射、对数映射、扰动求导，比看十遍书都管用。
嗯，下一章我们会把这些知识用到实际的位姿图优化中。到时候你就知道，今天学的这些，全是真功夫。