罗德里格旋转和李群、李代数的指数映射的关系

        先来说一下罗德里格公式的作用:已知一向量,知道旋转轴和旋转角度,可求得旋转后的向量。简单地说,知道旋转轴和旋转角度,可以求得旋转矩阵。

        接下来用图解方式,给出罗德里格旋转公式的证明(理解证明,对矩阵、向量、叉乘、点乘的几何意义会有质的提高)

                                罗德里格旋转和李群、李代数的指数映射的关系_第1张图片

        恩,接下来对这张大图,进行下分析:已知一向量p,知道旋转轴u(满足范数为1,即单位矢量),旋转角度\phi。接下来对图中的标号做一下分析:

  1. 右上角蓝色的(p.u)代表p与u的内积,(p.u)u代表向量p在旋转轴上的投影,即如果把u比作z轴,则(p.u)代表向量p的z坐标的大小。
  2. p-(p.u)u则可以比作向量p在垂直于z轴(u)的平面上的投影,该平面上的投影矢量为v
  3. u\times v = w ,这样便根据旋转轴建立了一个坐标系(u-v-w)
  4. 向量p绕u轴旋转,对应u轴的坐标不变,只是垂直于u轴平面的投影矢量发生变化,变化后的投影矢量是v\cos\phi+u\times v\sin\phi(这里有个疑惑,w轴上为0,为什么还要做转换处理呢)
  5. 将对应的u、v带入上式,并加上u轴对应坐标的矢量即v\cos\phi+u\times v\sin\phi+(p.u)u
  6. 根据内积和叉积的运算,上式可转换成p\cos\phi+uu^{T}(1-\cos\phi)p+u\times p\sin\phi
  7. p向量经旋转轴、旋转角度转换后的向量为:Rp=p\cos\phi+uu^{T}(1-\cos\phi)p+u\times p\sin\phi
  8. u\times p=\widehat{u}p,可得罗德里格公式:R=I\cos\phi+uu^{T}(1-\cos\phi)+\widehat{u}\sin\phi

对于已知旋转矩阵,可根据如下式子求旋转轴和旋转角度:

\cos\phi=\frac{\tau-1}{2}   式中\tau为矩阵R的迹,\widehat{u}=\frac{1}{2sin\phi }(R-R^{T})

SO(3)的指数坐标:R=e\widehat{w}\theta=I+\theta\widehat{w}+\frac{\theta^{2}}{2!}\widehat{w}^{2}+\frac{\theta^{3}}{3!}\widehat{w}^{3}+...

根据\sin\theta\cos\theta的泰勒展开,以及将\widehat{w}的奇次项转换成\widehat{w}的表达式,将\widehat{w}的偶次项转换成\widehat{w}平方向(详细的转换推导可看《视觉SLAM十四讲》P69),则上式可以转换成:R=I+\widehat{w}^{2}\widehat{}u(1-\cos\theta)+\widehat{w}\sin\theta

可见SO(3)的指数坐标形式和罗德里格旋转公式是一样的。并可以进一步推导出\log(R)=\frac{\phi}{2\sin\phi}(R-R^{T})该式恰好等于u\phi

好了,写这么多,只是想说明一点:冥冥之中这些知识有相通之处~

更多无人机知识分享,请关注微信公众号:欣飞鸽
开心飞翔,灵动如鸽。愿与无人机爱好者,共创一片蓝天梦!

你可能感兴趣的:(算法)