引言
在机器人技术的学习中，"旋量"、"四元数"、"李群"、"李代数"等词汇频繁出现。这些并非华而不实的概念，而是为了解决实际工程问题发展出的实用工具。尽管现代库已高度成熟，直接调用函数即可，但深入理解其内部机制对于构建完整的知识体系至关重要。本文将从图解与公式两个维度，梳理李群与李代数的核心逻辑。
一、问题提出
1.1 位姿的表述
机器人可视为一系列关联的刚体。在欧氏空间中，刚体间的关系通常通过笛卡尔坐标系描述，包含旋转和平移两种变换。空间内的点表示为 3×1 列向量，平移和旋转运算在矩阵乘法中表现为左乘。
平移变化可用 3×1 矢量表示，旋转变化理论上需 9 个参数（3×3 矩阵）。显然，3D 空间描述存在冗余。为了简化模型，产生了欧拉角、旋量及四元数等方法。
在欧氏空间中，平移用加法，旋转用乘法，难以统一。为了便于算法处理，通常将点扩展 1 维并补作 1，采用齐次坐标。
平移变换的齐次形式为： $$\begin{bmatrix} P_{new}\ 1 \end{bmatrix}=\begin{bmatrix} I & T_{translation}\ 0 & 1 \end{bmatrix} \begin{bmatrix} P_{old}\ 1 \end{bmatrix}$$
旋转变换的齐次形式为： $$\begin{bmatrix} P_{new}\ 1 \end{bmatrix}=\begin{bmatrix} T_{rotation} & 0\ 0 & 1 \end{bmatrix} \begin{bmatrix} P_{old}\ 1 \end{bmatrix}$$
结合两者，得到位姿矩阵 $T$： $$T=\begin{bmatrix} T_{rotation} & T_{translation}\ 0 & 1 \end{bmatrix}, \quad T \in \mathbb{R}^{4 \times 4}$$
刚体变换方程即为： $$P_{new} = T P_{old}$$
1.2 矩阵求导的问题
在实际应用中，如移动机器人定位或机械臂末端测量，需要优化位姿 $T$ 以最小化误差函数： $$\min_{T} J(T) = \sum_{i=1}^{N} \left | z_i - T p_i \right |_{2}^{2}$$
这需要对变换矩阵 $T$ 求导。然而，旋转矩阵满足 $R R^T = I$ 和 $\det(R) = 1$ 约束。任意两个旋转矩阵相加不再是旋转矩阵，导致矩阵 $T$ 所在的空间对加法不封闭，无法直接求导。李群与李代数正是为了解决这一非线性流形上的优化问题而引入的。
二、李群理论
2.1 群数学定义
群是一种集合加上一种运算的代数结构 $(G, \circ)$。对于流形内的元素 $x, y, z \in G$ 及幺元 $\varepsilon$，需满足封闭性、同一性、可逆性及结合律。
对于旋转而言，旋转变换保持对象形状不变，因此对应一个对称群。
2.2 李群和李代数的数学定义
李群是具有群结构的实流形或复流形。它是一个光滑流形，每个点都存在唯一的切空间，该切空间是线性空间，可进行微积分运算。
李群的切空间称为李代数。例如，旋转矩阵约束于单位球面流形，其切空间即为速度空间。
利用单位圆模型 $S^1$ 说明：
- 李群 $S^1$ 包含所有单位复数。
- 李代数 $s^1$ 由虚数构成的直线 $i\mathbb{R}$。
- 指数映射将李代数加法转化为李群乘法：$X_2 = e^{i\theta} X_1$。
同理，单位四元数 $S^3$ 对应的李代数位于纯虚四元数空间，与 $\mathbb{R}^3$ 同构。
2.3 欧拉公式
指数映射的核心是欧拉公式： $$e^{i\theta} = \cos\theta + i\sin\theta$$
该公式描述了复平面上的圆周运动。当 $n \to \infty$ 时，$(1 + \frac{i}{n})^n$ 在单位圆上转过 1 弧度。这表明指数变换本质上是一个卷曲映射，将线性空间的加法映射到流形上的乘法。
三、李群在机器人中的应用
3.1 SO(3) 特殊正交群
由旋转矩阵 $R$ 构成的李群 $SO(3)$ 定义为： $$SO(3) = { R \in \mathbb{R}^{3 \times 3} | RR^T = I, \det(R) = 1 }$$
其对应的李代数 $\mathfrak{so}(3)$ 具有 3 个自由度，记为 $\phi \in \mathbb{R}^3$，反对称矩阵 $\Phi = \phi^\wedge$。
推导表明： $$\dot{R}(t) = \phi^\wedge(t) R(t)$$
通解为： $$R(t) = e^{\phi^\wedge t}$$
