在多視角幾何中，特別是在一些恢復相機運動軌跡的模型中，我們需要將相機的旋轉和平移表示出來。通常情況下，我們都是在歐幾里得空間中用R和t來進行相應的運算得到相機軌跡。然而，在很多論文中，作者們卻喜歡用Lie algebra se(3)、so(3) 以及 Lie group SE(3)、SO(3) 之類的表示。緊接著，出現了很多術語，比如twist, tangent space，也出現了一些運算，比如exp(),log()之類的，看得我是云里霧里。

自然要問為啥通過指數運算能夠把角速度映射到旋轉矩陣，它的背后又有什么樣的物理意義，這中間是否有一些盡量直觀的解釋。

本篇博客將從最基礎的內容出發，用直觀的容易理解的方式對旋轉矩陣和李代數之間的關系進行推導，如有錯誤，請指出，希望共同進步。

預備知識：

在進入正題之前，我們先需要復習下向量叉積（cross product），以及反對稱矩陣(skew symmetric matrix)，在計算機視覺中最初遇到這些概念應該是在求解本征矩陣時，然而，他們在溝通剛體變換矩陣和李代數之間扮演著十分重要的作用。

?

?

至于什么是剛體變換，什么是旋轉矩陣，旋轉矩陣有哪些性質這些更基礎的知識在這里不再一一補充。

下面的內容中，都是基于3維空間，所以沒有特別說明時，所說的旋轉矩陣都是3*3的，平移向量也是3維的。并且所有向量上帶一個帽子的表示的是它的反對稱矩陣形式。

旋轉矩陣與 so(3)：

我們知道對于旋轉矩陣，旋轉矩陣本身乘以它的轉置等于單位矩陣：

?

?

上式中的約束表示R是旋轉矩陣。由前面的推導公式三知道如果R是單位矩陣，那它的導數就是一個反對稱矩陣，所以只有反對稱矩陣組成的空間，即 so(3)，我們稱之為在在單位矩陣處的正切空間tangent space.為什么稱為正切呢？回憶二維曲線在某處的導數是一條切線。對于這個三維球面，那么它的導數應該是個切面。如下圖所示，圖片來源于tangent space 的 wiki：

?

可是對于那些不是單位矩陣的旋轉矩陣R該怎么找在他們位置處的正切空間呢？由公式3我們知道，在反對稱矩陣的右邊乘以R就能夠得到R的導數，所以在非單位矩陣的R處的正切空間就是反對稱矩陣乘以R就行了。
指數映射：

回到公式(3)，把旋轉矩陣R用x替換掉，如下：

?

?

剛體變換和SE(3)：

前面還只說了旋轉，實際上剛體變換還有平移。所以，和只有旋轉矩陣構成的李群SO(3) 一樣，我們也可以有由剛體變換得到的李群SE(3) :

?

?

到這里基本理清了SE,SO之類的與剛體變換之間的關系，看視覺SLAM類的論文以及相應代碼中有關lie部分應該沒啥壓力了。

各種論文里涉及到的求解位姿矩陣時的非線性最小二乘優化（牛頓法，LM法），其中增量都是在單位矩陣處的tangent space se(3)上計算，獲得的增量(即相鄰位姿變換關系)通過指數映射映射回多面體SE(3)上。

通過這種方式，能夠避免奇異點，保證很小的變換矩陣也能夠表示出來。這一段引用自論文《Scale Drift-Aware Large Scale Monocular SLAM》。

這篇博文可以說是我看慕尼黑工大(TUM)多視角幾何教學視頻的筆記，YouTube鏈接點擊這里，這位牛的飛老師的英語吐字清晰，大家應該能夠聽懂。當然，老師也是參看的別人的文檔，這里我也把講lie 和計算機視覺的兩個文檔傳到了csdn上，供大家下載。