目录前言一、先从直观理解1. 为什么需要它们二、基础概念群、李群、李代数1. 它是一个群2. 它是光滑的三、最常见的李群1. SO(3)三维旋转群2. SE(3)三维刚体变换群四、李代数是什么五、最常见的李代数六、指数映射和对数映射1. 指数映射 exp2. 对数映射 log七、为什么不能直接用普通向量1. 旋转不是线性空间2. 欧拉角不稳定3. 旋转矩阵有约束八、在实际中怎么用1. 姿态表示2. 位姿更新3. 误差计算4. 轨迹插值九、在机器人中的典型应用1. 机械臂正逆运动学2. 手眼标定3. SLAM4. 视觉里程计5. 点云配准6. 目标跟踪与姿态估计十、李群与李代数面试高频题SLAM / 机器人 / 点云配准1、基础概念简答题2、核心原理进阶题3、工程落地场景题前言李群和李代数最常出现在机器人、视觉、SLAM、手眼标定、姿态优化里可以把它们理解成李群描述“刚体位姿、旋转”等有限量的空间属于“真实可用的变换”李代数描述这些变换在“无穷小变化”下的线性化表示便于计算和优化一句话概括李群负责表示姿态李代数负责做计算。一、先从直观理解1. 为什么需要它们在机器人里我们经常处理这些量旋转平移刚体位姿坐标系变换相机姿态这些东西不是普通的向量加法能直接处理的。比如旋转你不能把两个旋转角直接简单相加就当作最终旋转旋转矩阵虽然能表示旋转但直接做优化时不方便欧拉角会有万向节锁问题不稳定所以就需要一套更适合几何变换的数学工具。二、基础概念群、李群、李代数李群是“既是群又是光滑流形”的数学对象。主要有两个核心点1. 它是一个群也就是说它满足可以做组合有单位元每个元素都有逆组合满足结合律例如旋转矩阵R两个旋转矩阵相乘还是旋转矩阵有单位旋转I每个旋转都有逆矩阵所以旋转矩阵构成一个群。2. 它是光滑的这表示你可以在它上面讨论连续变化微分导数局部线性近似这对优化非常重要。三、最常见的李群1.SO(3)三维旋转群表示三维空间中的旋转矩阵它描述的是“只旋转、不平移”的姿态。在机器人和视觉里它常用来表示相机朝向物体朝向机械臂某一坐标系的旋转2.SE(3)三维刚体变换群表示“旋转 平移”的刚体位姿它描述的是完整的位姿变换。在实际中手眼标定、机器人位姿、相机外参最常见的就是SE(3)。四、李代数是什么李代数可以理解成李群在单位元附近的“切空间”或“局部线性近似”如果李群是“真实姿态空间”那么李代数就是“在这个空间附近做小变化的坐标”。它最大的作用是把复杂的非线性变换变成更容易处理的线性形式方便求导、优化、插值、误差建模五、最常见的李代数六、指数映射和对数映射这是李群和李代数之间最关键的桥梁。1. 指数映射exp把李代数里的“小量”变成李群里的“真实变换”。2. 对数映射log把李群里的真实变换转回李代数中的参数。七、为什么不能直接用普通向量因为位姿不是普通欧式空间里的点。1. 旋转不是线性空间你不能把两个旋转矩阵相加后还得到一个合法旋转矩阵。2. 欧拉角不稳定欧拉角虽然直观但可能有万向节锁不同顺序表示不同旋转不适合优化3. 旋转矩阵有约束1旋转矩阵必须满足正交和行列式约束直接优化会破坏约束。2李代数的好处就是在局部把问题变成 3 维或 6 维的无约束小量再映射回合法的旋转/位姿。八、在实际中怎么用下面是最常见的实际流程。1. 姿态表示2. 位姿更新3. 误差计算4. 轨迹插值九、在机器人中的典型应用1. 机械臂正逆运动学机械臂每个关节最终会组合成一个末端位姿位姿的计算结果本质上就在SE(3)上。2. 手眼标定手眼标定里面就是大量的位姿变换机器人末端位姿标定板位姿相机位姿这些都用SE(3)表示求解时经常借助李群/李代数的形式组织。3. SLAMSLAM 里相机在连续运动状态量通常是相机位姿地图点位姿图位姿图优化几乎就是李群优化的经典应用。4. 视觉里程计从两帧图像估计相机运动本质就是求一个SE(3)变换。5. 点云配准ICP 配准中点云之间的刚体变换也是SE(3)问题。6. 目标跟踪与姿态估计只要涉及物体旋转物体平移相机外参机器人坐标系变换就离不开李群和李代数。十、李群与李代数面试高频题SLAM / 机器人 / 点云配准1、基础概念简答题1一句话区分李群、李代数二者核心关系是什么答李群是描述旋转 / 刚体变换的光滑流形SO (3)/SE (3)存真实位姿李代数是李群单位元处的切空间是无约束线性小量用于求导优化二者依靠指数映射 exp、对数映射 log互相转换。2SO (3)、SE (3) 分别代表什么对应李代数维度是多少答3hat 帽子运算是什么so(3)的 hat 作用答hat 是将向量转为反对称矩阵的运算3 维旋转向量ω经 hat 得到反对称矩阵ω^用于罗德里格斯旋转公式、李代数求导推导。4为什么旋转不能直接用欧拉角 / 旋转矩阵做优化答① 欧拉角存在万向节锁奇异不稳定加法不对应旋转叠加② 旋转矩阵属于约束空间正交、行列式 1直接优化会破坏约束求解困难③ 李代数是无约束线性小量仅局部有效优化完再映射回合法旋转矩阵。5指数映射 exp、对数映射 log 各自作用答2、核心原理进阶题1位姿更新左扰动、右扰动区别公式分别是什么答2两个 SE (3) 位姿、T1、T2之间的误差怎么计算为什么不能直接相减3罗德里格斯公式的作用和 SO (3) 指数映射是什么关系4什么是 BCH 近似什么时候会用到答BCH 公式描述两个李代数指数映射相乘的展开式当增量δξ很小时可近似线性拆分用于 SLAM、ICP 中对位姿误差求雅克比矩阵是优化求导的核心工具。3、工程落地场景题1ICP 点云配准为什么必须用到 SE (3) 李群李代数答ICP 求解两帧点云的刚体变换T∈SE(3)需要最小化点距离残差直接优化 4×4 矩阵存在正交约束利用 SE (3) 李代数将变换转为 6 维无约束增量通过 BCH 近似求雅克比迭代更新位姿避免约束破坏。2视觉 SLAM 位姿图优化完整流程李代数在哪一步起作用答存储全部相机位姿Ti∈SE(3)李群根据观测构建相邻位姿的相对变换残差通过对数映射把变换误差转为se(3)的 6 维误差向量采用李代数扰动模型推导残差对位姿增量的雅克比高斯牛顿 / LM 算法求解 6 维李代数增量δξ通过指数映射exp(δξ)更新原始位姿循环迭代直至收敛。 全程雅克比求解、增量更新两步核心依赖李代数理论。3手眼标定场景中 SE (3) 李群的作用答手眼标定核心方程AXXB式中、、均为 SE (3) 刚体变换矩阵。 直接求解矩阵方程耦合度高、计算复杂借助李代数可将矩阵变换拆分为线性形式分离旋转、平移分量大幅简化方程求解是手眼标定的主流求解思路。4机械臂运动学如何使用 SO (3)、SE (3)答机械臂每个关节旋转对应 SO (3) 旋转矩阵单段关节旋转 连杆平移组合成 SE (3) 变换矩阵。 末端执行器总位姿由多段 SE (3) 依次相乘得到做逆运动学优化末端姿态时用李代数生成微小姿态增量迭代求解规避欧拉角奇异、矩阵约束问题。5激光雷达里程计 NDT 配准基于李代数的完整优化流程答初始化源点云、目标点云之间的初始位姿T构建基于正态分布匹配的距离残差使用 SE (3) 右扰动模型推导残差关于位姿增量的雅克比矩阵求解 6 维李代数增量指数映射更新位姿重复迭代直到变换变化量小于收敛阈值。
目录前言一、先从直观理解1. 为什么需要它们二、基础概念群、李群、李代数1. 它是一个群2. 它是光滑的三、最常见的李群1. SO(3)三维旋转群2. SE(3)三维刚体变换群四、李代数是什么五、最常见的李代数六、指数映射和对数映射1. 指数映射 exp2. 对数映射 log七、为什么不能直接用普通向量1. 旋转不是线性空间2. 欧拉角不稳定3. 旋转矩阵有约束八、在实际中怎么用1. 姿态表示2. 位姿更新3. 误差计算4. 轨迹插值九、在机器人中的典型应用1. 机械臂正逆运动学2. 手眼标定3. SLAM4. 视觉里程计5. 点云配准6. 目标跟踪与姿态估计十、李群与李代数面试高频题SLAM / 机器人 / 点云配准1、基础概念简答题2、核心原理进阶题3、工程落地场景题前言李群和李代数最常出现在机器人、视觉、SLAM、手眼标定、姿态优化里可以把它们理解成李群描述“刚体位姿、旋转”等有限量的空间属于“真实可用的变换”李代数描述这些变换在“无穷小变化”下的线性化表示便于计算和优化一句话概括李群负责表示姿态李代数负责做计算。一、先从直观理解1. 为什么需要它们在机器人里我们经常处理这些量旋转平移刚体位姿坐标系变换相机姿态这些东西不是普通的向量加法能直接处理的。比如旋转你不能把两个旋转角直接简单相加就当作最终旋转旋转矩阵虽然能表示旋转但直接做优化时不方便欧拉角会有万向节锁问题不稳定所以就需要一套更适合几何变换的数学工具。二、基础概念群、李群、李代数李群是“既是群又是光滑流形”的数学对象。主要有两个核心点1. 它是一个群也就是说它满足可以做组合有单位元每个元素都有逆组合满足结合律例如旋转矩阵R两个旋转矩阵相乘还是旋转矩阵有单位旋转I每个旋转都有逆矩阵所以旋转矩阵构成一个群。2. 它是光滑的这表示你可以在它上面讨论连续变化微分导数局部线性近似这对优化非常重要。三、最常见的李群1.SO(3)三维旋转群表示三维空间中的旋转矩阵它描述的是“只旋转、不平移”的姿态。在机器人和视觉里它常用来表示相机朝向物体朝向机械臂某一坐标系的旋转2.SE(3)三维刚体变换群表示“旋转 平移”的刚体位姿它描述的是完整的位姿变换。在实际中手眼标定、机器人位姿、相机外参最常见的就是SE(3)。四、李代数是什么李代数可以理解成李群在单位元附近的“切空间”或“局部线性近似”如果李群是“真实姿态空间”那么李代数就是“在这个空间附近做小变化的坐标”。它最大的作用是把复杂的非线性变换变成更容易处理的线性形式方便求导、优化、插值、误差建模五、最常见的李代数六、指数映射和对数映射这是李群和李代数之间最关键的桥梁。1. 指数映射exp把李代数里的“小量”变成李群里的“真实变换”。2. 对数映射log把李群里的真实变换转回李代数中的参数。七、为什么不能直接用普通向量因为位姿不是普通欧式空间里的点。1. 旋转不是线性空间你不能把两个旋转矩阵相加后还得到一个合法旋转矩阵。2. 欧拉角不稳定欧拉角虽然直观但可能有万向节锁不同顺序表示不同旋转不适合优化3. 旋转矩阵有约束1旋转矩阵必须满足正交和行列式约束直接优化会破坏约束。2李代数的好处就是在局部把问题变成 3 维或 6 维的无约束小量再映射回合法的旋转/位姿。八、在实际中怎么用下面是最常见的实际流程。1. 姿态表示2. 位姿更新3. 误差计算4. 轨迹插值九、在机器人中的典型应用1. 机械臂正逆运动学机械臂每个关节最终会组合成一个末端位姿位姿的计算结果本质上就在SE(3)上。2. 手眼标定手眼标定里面就是大量的位姿变换机器人末端位姿标定板位姿相机位姿这些都用SE(3)表示求解时经常借助李群/李代数的形式组织。3. SLAMSLAM 里相机在连续运动状态量通常是相机位姿地图点位姿图位姿图优化几乎就是李群优化的经典应用。4. 视觉里程计从两帧图像估计相机运动本质就是求一个SE(3)变换。5. 点云配准ICP 配准中点云之间的刚体变换也是SE(3)问题。6. 目标跟踪与姿态估计只要涉及物体旋转物体平移相机外参机器人坐标系变换就离不开李群和李代数。十、李群与李代数面试高频题SLAM / 机器人 / 点云配准1、基础概念简答题1一句话区分李群、李代数二者核心关系是什么答李群是描述旋转 / 刚体变换的光滑流形SO (3)/SE (3)存真实位姿李代数是李群单位元处的切空间是无约束线性小量用于求导优化二者依靠指数映射 exp、对数映射 log互相转换。2SO (3)、SE (3) 分别代表什么对应李代数维度是多少答3hat 帽子运算是什么so(3)的 hat 作用答hat 是将向量转为反对称矩阵的运算3 维旋转向量ω经 hat 得到反对称矩阵ω^用于罗德里格斯旋转公式、李代数求导推导。4为什么旋转不能直接用欧拉角 / 旋转矩阵做优化答① 欧拉角存在万向节锁奇异不稳定加法不对应旋转叠加② 旋转矩阵属于约束空间正交、行列式 1直接优化会破坏约束求解困难③ 李代数是无约束线性小量仅局部有效优化完再映射回合法旋转矩阵。5指数映射 exp、对数映射 log 各自作用答2、核心原理进阶题1位姿更新左扰动、右扰动区别公式分别是什么答2两个 SE (3) 位姿、T1、T2之间的误差怎么计算为什么不能直接相减3罗德里格斯公式的作用和 SO (3) 指数映射是什么关系4什么是 BCH 近似什么时候会用到答BCH 公式描述两个李代数指数映射相乘的展开式当增量δξ很小时可近似线性拆分用于 SLAM、ICP 中对位姿误差求雅克比矩阵是优化求导的核心工具。3、工程落地场景题1ICP 点云配准为什么必须用到 SE (3) 李群李代数答ICP 求解两帧点云的刚体变换T∈SE(3)需要最小化点距离残差直接优化 4×4 矩阵存在正交约束利用 SE (3) 李代数将变换转为 6 维无约束增量通过 BCH 近似求雅克比迭代更新位姿避免约束破坏。2视觉 SLAM 位姿图优化完整流程李代数在哪一步起作用答存储全部相机位姿Ti∈SE(3)李群根据观测构建相邻位姿的相对变换残差通过对数映射把变换误差转为se(3)的 6 维误差向量采用李代数扰动模型推导残差对位姿增量的雅克比高斯牛顿 / LM 算法求解 6 维李代数增量δξ通过指数映射exp(δξ)更新原始位姿循环迭代直至收敛。 全程雅克比求解、增量更新两步核心依赖李代数理论。3手眼标定场景中 SE (3) 李群的作用答手眼标定核心方程AXXB式中、、均为 SE (3) 刚体变换矩阵。 直接求解矩阵方程耦合度高、计算复杂借助李代数可将矩阵变换拆分为线性形式分离旋转、平移分量大幅简化方程求解是手眼标定的主流求解思路。4机械臂运动学如何使用 SO (3)、SE (3)答机械臂每个关节旋转对应 SO (3) 旋转矩阵单段关节旋转 连杆平移组合成 SE (3) 变换矩阵。 末端执行器总位姿由多段 SE (3) 依次相乘得到做逆运动学优化末端姿态时用李代数生成微小姿态增量迭代求解规避欧拉角奇异、矩阵约束问题。5激光雷达里程计 NDT 配准基于李代数的完整优化流程答初始化源点云、目标点云之间的初始位姿T构建基于正态分布匹配的距离残差使用 SE (3) 右扰动模型推导残差关于位姿增量的雅克比矩阵求解 6 维李代数增量指数映射更新位姿重复迭代直到变换变化量小于收敛阈值。
