Loading

李群

自同构

有理数方程的根式解（如有）之间存在同构（双射）映射

根据生成元的性质和数量，可以对不同类型的群进行分类和分析，从而揭示群的结构特点。以下是基于生成元的性质和数量对常见群的分类和总结：

生成元

群的生成元是群论中的一个重要概念，下面将结合整数加法群、实数乘法群和模 3 循环群详细介绍生成元的含义。

群的生成元的定义

设\((G,\circ)\)是一个群，\(S\)是\(G\)的一个非空子集。由\(S\)中的元素通过有限次的群运算\(\circ\)所能生成的所有元素构成的集合记为\(\langle S\rangle\)，即
\(\langle S\rangle=\left\{a_1\circ a_2\circ\cdots\circ a_n\mid n\in\mathbb{N}, a_i\in S\cup S^{-1}, i = 1,2,\cdots,n\right\}\)
其中\(S^{-1}=\{a^{-1}\mid a\in S\}\)，\(a^{-1}\)是\(a\)在群\(G\)中的逆元。如果\(\langle S\rangle = G\)，则称\(S\)是群\(G\)的一个生成集，\(S\)中的元素称为群\(G\)的生成元。特别地，如果\(S=\{g\}\)是单元素集，那么称\(g\)是群\(G\)的一个生成元。

整数加法群\((\mathbb{Z}, +)\)

• 生成元的确定：整数加法群\((\mathbb{Z}, +)\)中，考虑元素\(1\)。对于任意整数\(n\in\mathbb{Z}\)，可以通过\(1\)的有限次加法（当\(n>0\)时）或减法（当\(n < 0\)时，相当于加\(1\)的逆元\(-1\)）得到。
◦ 当\(n>0\)时，\(n = 1 + 1+\cdots+1\)（\(n\)个\(1\)相加）；
◦ 当\(n = 0\)时，\(0\)是加法的单位元，可看作没有进行加法运算；
◦ 当\(n<0\)时，\(n=(-1)+(-1)+\cdots+(-1)\)（\(\vert n\vert\)个\(-1\)相加）。
所以\(\langle 1\rangle=\mathbb{Z}\)，即\(1\)是整数加法群\((\mathbb{Z}, +)\)的一个生成元。实际上，\(-1\)也是它的生成元，因为由\(-1\)通过有限次加法也能得到任意整数。而且，整数加法群\((\mathbb{Z}, +)\)只有\(1\)和\(-1\)这两个生成元，因为如果一个非零整数\(m\neq\pm1\)，那么由\(m\)生成的集合\(\langle m\rangle=\{km\mid k\in\mathbb{Z}\}\)只是\(\mathbb{Z}\)的真子集。

实数乘法群\((\mathbb{R}^*, \times)\)

• 不存在有限生成元：实数乘法群\((\mathbb{R}^*, \times)\)是由所有非零实数组成的群，群运算是普通的乘法。这个群没有有限个生成元。
◦ 假设存在有限个元素\(a_1,a_2,\cdots,a_n\in\mathbb{R}^*\)，使得\(\langle a_1,a_2,\cdots,a_n\rangle=\mathbb{R}^*\)。考虑这些元素生成的集合中的元素都是它们的有限次乘积。但是，实数集中包含很多不能由有限个非零实数的乘积表示的数。例如，对于任意给定的有限个非零实数\(a_1,a_2,\cdots,a_n\)，它们的乘积只能得到特定形式的数，而像\(\pi\)这样的超越数无法由有限个非零实数的乘积得到。所以实数乘法群\((\mathbb{R}^*, \times)\)不是有限生成群。
◦ 不过，如果考虑特殊的子群，比如正实数乘法群\((\mathbb{R}^+, \times)\)，它可以由\(2\)生成，因为对于任意正实数\(x\)，根据对数的性质，存在实数\(y\)使得\(x = 2^y\)，而\(y\)可以通过有理数的逼近得到，有理数可以由\(2\)的有限次幂的运算组合逼近。

模 3 循环群\((\mathbb{Z}_3, +)\)

• 生成元的确定：模 3 循环群\(\mathbb{Z}_3=\{[0],[1],[2]\}\)，其中\([i]\)表示模 3 同余类，群运算是模 3 加法。考虑元素\([1]\)：
◦ \([1]\)自身：\([1]\)；
◦ \([1]\)的一次方（这里就是\([1]\)本身）：\([1]\)；
◦ \([1]\)的二次方：\([1]+[1]=[2]\)；
◦ \([1]\)的三次方：\([1]+[1]+[1]=[3]=[0]\)（因为\(3\equiv0\pmod{3}\)）。
所以\(\langle[1]\rangle=\mathbb{Z}_3\)，即\([1]\)是模 3 循环群\((\mathbb{Z}_3, +)\)的一个生成元。同样，\([2]\)也是它的生成元，因为：
◦ \([2]\)自身：\([2]\)；
◦ \([2]\)的一次方（\([2]\)本身）：\([2]\)；
◦ \([2]\)的二次方：\([2]+[2]=[4]=[1]\)（因为\(4\equiv1\pmod{3}\)）；
◦ \([2]\)的三次方：\([2]+[2]+[2]=[6]=[0]\)（因为\(6\equiv0\pmod{3}\)）。所以\(\langle[2]\rangle=\mathbb{Z}_3\)。模 3 循环群\((\mathbb{Z}_3, +)\)只有\([1]\)和\([2]\)这两个生成元，因为如果取\([0]\)，\(\langle[0]\rangle = \{[0]\}\neq\mathbb{Z}_3\)；如果取其他元素（这里没有其他非单位元了），生成的集合也不会是整个\(\mathbb{Z}_3\)。

1. 循环群（Cyclic Groups）

定义：

循环群是由一个生成元生成的群，即存在一个元素 \(g \in G\)，使得 \(G = \langle g \rangle\)。

生成元的性质和数量：

• 有限循环群：
• 生成元的数量：对于一个阶为 \(n\) 的有限循环群 \(G\)，生成元的数量为 \(\varphi(n)\)，其中 \(\varphi(n)\) 是欧拉函数，表示小于 \(n\) 且与 \(n\) 互质的正整数的个数。
• 例子：模 \(n\) 的剩余类加法群 \(\mathbb{Z}_n\) 是一个有限循环群，生成元的数量为 \(\varphi(n)\)。例如：
◦ \(\mathbb{Z}_3\) 有 2 个生成元（\([1]\) 和 \([2]\)）。
◦ \(\mathbb{Z}_4\) 有 2 个生成元（\([1]\) 和 \([3]\)）。
◦ \(\mathbb{Z}_6\) 有 2 个生成元（\([1]\) 和 \([5]\)）。
• 无限循环群：
• 生成元的数量：无限循环群有 2 个生成元。
• 例子：整数加法群 \((\mathbb{Z}, +)\) 是一个无限循环群，生成元为 \(1\) 和 \(-1\)。

群的特点：

• 循环群是最简单的群结构，具有高度的对称性和规律性。
• 有限循环群的结构完全由生成元的阶决定。
• 无限循环群同构于整数加法群 \((\mathbb{Z}, +)\)。

2. 阿贝尔群（Abelian Groups）

定义：

阿贝尔群是满足交换律的群，即对于任意 \(a, b \in G\)，有 \(a \cdot b = b \cdot a\)。

生成元的性质和数量：

• 阿贝尔群的生成元可以是多个元素的组合，生成元的数量取决于群的结构。
• 有限阿贝尔群：
• 根据基本定理，任何有限阿贝尔群都可以分解为若干个循环群的直积。
• 例子：
◦ \(\mathbb{Z}_2 \times \mathbb{Z}_2\) 是一个阿贝尔群，生成元为 \((1, 0)\) 和 \((0, 1)\)，共有 4 个生成元。
◦ \(\mathbb{Z}_3 \times \mathbb{Z}_3\) 是一个阿贝尔群，生成元为 \((1, 0)\) 和 \((0, 1)\)，共有 9 个生成元。
• 无限阿贝尔群：
• 例子：有理数加法群 \((\mathbb{Q}, +)\) 是一个无限阿贝尔群，但它不是循环群，因为它没有生成元。

群的特点：

• 阿贝尔群的结构通常可以通过分解为循环群的直积来分析。
• 阿贝尔群的生成元数量可能较多，具体取决于群的分解方式。

3. 非阿贝尔群（Non-Abelian Groups）

定义：

非阿贝尔群是不满足交换律的群，即存在 \(a, b \in G\) 使得 \(a \cdot b \neq b \cdot a\)。

生成元的性质和数量：

• 非阿贝尔群的生成元通常是多个元素的组合，且这些元素之间的关系较为复杂。
• 例子：
• 对称群 \(S_3\) 是一个非阿贝尔群，阶为 6。它的生成元可以是 \((1\ 2)\) 和 \((1\ 2\ 3)\)，共有 2 个生成元。
• 二面体群 \(D_n\)（正 \(n\) 边形的对称群）是一个非阿贝尔群，生成元为旋转和反射操作，生成元数量为 2。

群的特点：

• 非阿贝尔群的结构比阿贝尔群复杂，生成元之间的关系需要通过群的运算规则来确定。
• 非阿贝尔群的生成元数量通常较少，但生成元的幂次和组合需要仔细分析。

4. 单位元群（Trivial Group）

定义：

单位元群是只包含单位元的群，记为 \(\{e\}\)。

生成元的性质和数量：

• 生成元的数量：单位元群只有一个生成元，即单位元本身。
• 例子：\(\{0\}\) 是整数加法群的子群，生成元为 \(0\)。

群的特点：

• 单位元群是最简单的群结构，没有任何非平凡的运算。

5. 有限群与无限群

有限群：

• 有限群的生成元数量是有限的。
• 例子：模 \(n\) 的剩余类加法群 \(\mathbb{Z}_n\) 是有限群，生成元数量为 \(\varphi(n)\)。

无限群：

• 无限群的生成元数量可能是有限的（如循环群）或无限的（如整数加法群）。
• 例子：有理数加法群 \((\mathbb{Q}, +)\) 是无限群，但没有生成元。

6. 循环群的推广：自由群（Free Groups）

定义：

自由群是由一组生成元生成的群，且生成元之间没有额外的关系。

生成元的性质和数量：

• 生成元的数量：自由群的生成元数量决定了群的自由度。
• 例子：由两个生成元 \(a\) 和 \(b\) 生成的自由群 \(F_2\)，其生成元为 \(a, b\)，且 \(a\) 和 \(b\) 之间没有关系。

群的特点：

• 自由群是最一般的群结构，其他群可以看作自由群的商群。

7. 置换群（Permutation Groups）

定义：

置换群是由集合的置换（双射）组成的群。

生成元的性质和数量：

• 生成元的数量：置换群的生成元数量取决于置换的结构。
• 例子：对称群 \(S_n\) 是由 \(n\) 个元素的置换组成的群，生成元可以是若干对换（如 \((1\ 2), (1\ 3), \dots\)）。

群的特点：

• 置换群是研究群论的重要工具，许多抽象群可以通过置换群来表示。

总结

群类型 生成元数量 生成元性质 例子
循环群 有限（\(\varphi(n)\) 或 2） 一个或多个生成元，生成整个群 \(\mathbb{Z}_n\), \(\mathbb{Z}\)
阿贝尔群 多个（取决于分解） 可以分解为循环群的直积，生成元之间满足交换律 \(\mathbb{Z}_2 \times \mathbb{Z}_2\)
非阿贝尔群 少量（通常 2 个或更多） 生成元之间不满足交换律，关系复杂 \(S_3\), \(D_n\)
单位元群 1 只有单位元是生成元 \(\{e\}\)
自由群 任意（取决于生成元数量） 生成元之间没有额外关系 \(F_2\)（两个生成元 \(a, b\)）
置换群 取决于置换结构 生成元通常是对换或其他简单置换 \(S_n\)

结论

• 循环群是最简单的群结构，生成元数量有限且易于分析。
• 阿贝尔群的生成元数量取决于其分解为循环群的方式。
• 非阿贝尔群的生成元数量较少，但生成元之间的关系复杂。
• 自由群和置换群是研究更复杂群结构的基础工具。

通过生成元的性质和数量，可以揭示群的结构特点，并为群的分类和分析提供重要依据。

李群、切空间和纤维丛：二维和三维例子

李群是指既是群又是光滑流形的集合，且群运算和求逆运算都是光滑映射。

  • SO(n)：（SO(3)：=Special Orthogonal Group in 3D，三维特殊正交群），\(SO(n)=\{R|R^TR=I,det(R)=1 \}\)
    • so(n)为SO(n)对应的李代数
    • SE(3)：欧式变换（Euclidean transformation），由SO(3)增广得到的矩阵，\(\begin{bmatrix} R & t\\ 0 & 1\end{bmatrix}\)，其中\(R \in SO(3)\)
  • SU(n)：（SU(2)：=Special Orthogonal Group in 3D，二维特殊酉群），\(SU(n)=\{U|U^†U=I,det(U)=1 \}\)
    • 实际上，SU(2)有到SO(3)的同态映射关系，SU(2)与四元数是同构的，SU(2)或者四元数到SO(3)的映射是二到一的（双重覆盖double cover），这涉及到Möbius变换
      \(\frac{a+bi}{c+di} \to \pm \begin{bmatrix} a & b\\ d & c\end{bmatrix}\)

切空间是流形在某一点的线性化，可以理解为该点所有可能方向的集合。

纤维丛则是将不同空间“粘合”在一起的结构，它由基空间、纤维空间和投影映射构成。

二维李群：

  • 圆群 S¹: 所有复数模长为 1 的集合，即 \(\{e^{i \theta} | 0 \le \theta < 2\pi \}\)。这是一个二维流形，可以把它看作一个圆。

    • 切空间: 圆上每一点的切空间都是一个一维向量空间，即该点处的切线。
    • 纤维丛: 可以用圆群本身作为纤维空间，基空间取一个点，投影映射将圆群上的每一个点映射到基空间的这个点。

  • 特殊正交群 SO(2): 所有二维正交矩阵且行列式为 1 的集合，它也是一个圆群，因为任何二维正交矩阵都可以写成旋转矩阵的形式。

    • 切空间: 同样，切空间是每个点处的切线。
    • 纤维丛: 可以将 SO(2) 视为一个二维纤维丛，其中基空间是一个点，纤维空间是 SO(2) 本身，投影映射将每个旋转矩阵映射到基空间的点。

三维李群：

  • 特殊正交群 SO(3): 所有三维正交矩阵且行列式为 1 的集合，它表示三维空间的旋转。
    • 切空间: SO(3) 上的切空间是一个三维向量空间，它与李代数 so(3) 相同，所以它描述了三维空间中的旋转。
    • 纤维丛: 可以定义一个纤维丛，其中基空间是一个点，纤维空间是 SO(3)，投影映射将每个旋转矩阵映射到基空间的点。

二维和三维李群的纤维丛例子:

  • 圆柱面: 可以将一个圆群作为纤维空间，以一个直线为基空间，通过将圆群沿着直线“卷起来”，形成一个圆柱面。
  • 球面: 可以将一个圆群作为纤维空间，以一个二维球面作为基空间，通过将圆群沿着每个点上的纬度线“卷起来”，形成一个球面。

  • 特殊正交群 SO(3): 这是一个重要的李群，它表示三维空间中的旋转。

    • 基空间: 可以用一个三维空间中的点来表示基空间，例如原点。
    • 纤维空间: 对于每个三维空间中的点，都对应着一个旋转，这个旋转可以用三个欧拉角来描述。因此，纤维空间就是一个三维空间，也就是 SO(3) 本身。
    • 投影映射: 将每个旋转 (三个欧拉角) 投影到三维空间中的对应点。

直观的理解：

想象一个三维空间，每个点都代表着一个旋转。例如，在原点处，可以选择任意三个欧拉角，这对应着一个旋转。这个旋转可以被投影到原点，因为原点代表着这个旋转的中心。

纤维丛结构：

SO(3) 纤维丛将三维空间中的每个点都与一个三维空间 (SO(3)) 连接起来。这意味着对于三维空间中的每个点，都可以在该点处定义一个旋转。这些旋转形成一个三维空间 (纤维空间)，通过投影映射与三维空间中的每个点连接起来。

李括号与李代数、指数映射与对数映射

李括号的表达式实现与指数映射、对数映射

李括号是李代数中的核心运算，用于描述李群的局部性质。

  • 李代数是李群单位元处的切空间
  • 切空间可以看作是流形在某一点附近的“线性近似”
  • 李群 G 的维数和李代数 g 的维数相等

指数映射和对数映射则是连接李群和李代数的桥梁，分别将李代数中的元素映射到李群中（指数映射），以及将李群中的元素映射到李代数中（对数映射）。

  • 指数映射通常不是全局同构，但在李代数的原点附近是一个局部同构
  • 在李代数的原点（零元素）附近，指数映射是一个局部同胚（即局部双射且光滑）
  • 指数映射通常是多对一的，即不同的李代数元素可能映射到同一个李群元素。例如，在 SO(3) 中，旋转角度相差 2π 的两个旋转矩阵会被映射到同一个矩阵
  • 李群 G 和其李代数 g 之间的关系是通过指数映射建立的局部同构关系
  • 除此之外，还存在Adjoint 映射（伴随映射）​等

其他映射

  1. ​除指数映射和对数映射外的其他映射：​
    • ​左不变向量场：李代数元素对应于李群上的左不变向量场。
    • ​伴随表示：描述了李群在李代数上的作用。
    • ​Killing 形式：提供了一种李代数内部的度量结构。
    • ​Cartan 分解：将李代数分解为紧致子代数和互补子代数。
    • ​逼近映射：通过逼近的方式将李群元素近似为李代数元素。
    • ​投影映射和嵌入映射：用于研究李群和李代数之间的关系。

下面以实数乘法群、\(SO(3)\)、\(SE(3)\) 和 \(SU(2)\) 为例，详细说明李括号的表达式实现，以及指数映射和对数映射的具体形式。

1. 实数乘法群 \((\mathbb{R}^*, \times)\)

群的构成
• 实数乘法群 \((\mathbb{R}^*, \times)\) 是由所有非零实数构成的群，群运算是普通的乘法。
• 单位元是 \(1\)，逆元是 \(a^{-1}\)。

李代数
• 实数乘法群的李代数 \(\mathfrak{g}\) 是实数加法群 \((\mathbb{R}, +)\)。
• 李代数的元素是实数 \(a \in \mathbb{R}\)。

李括号
• 实数乘法群是阿贝尔群（交换群），因此李括号为零：

\[[a, b] = 0, \quad \forall a, b \in \mathfrak{g}. \]

指数映射和对数映射
• 指数映射：

\[\exp(a) = e^a, \quad a \in \mathbb{R}. \]

• 对数映射：

\[\log(x) = \ln(x), \quad x \in \mathbb{R}^*, \, x > 0. \]

注意：实数乘法群的指数映射和对数映射是平凡的，因为它们直接对应于实数的指数和对数函数。

2. 特殊正交群 \(SO(3)\)

群的构成
• \(SO(3)\) 是三维空间中的旋转群，由所有 \(3 \times 3\) 的正交矩阵 \(R\) 构成，满足 \(R^T R = I\) 且 \(\det(R) = 1\)。
• 群运算是矩阵乘法。

李代数
• \(SO(3)\) 的李代数 \(\mathfrak{so}(3)\) 是所有 \(3 \times 3\) 的反对称矩阵构成的集合：

\[\mathfrak{so}(3) = \{ A \in \mathbb{R}^{3 \times 3} \mid A^T = -A \}. \]

• \(\mathfrak{so}(3)\) 是一个三维向量空间，其基向量通常取为：

\[L_1 = \begin{pmatrix} 0 & 0 & 0 \\ 0 & 0 & -1 \\ 0 & 1 & 0 \end{pmatrix}, \quad L_2 = \begin{pmatrix} 0 & 0 & 1 \\ 0 & 0 & 0 \\ -1 & 0 & 0 \end{pmatrix}, \quad L_3 = \begin{pmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}. \]

李括号
• 李括号定义为矩阵的对易子：

\[[A, B] = AB - BA, \quad A, B \in \mathfrak{so}(3). \]

• 对于基向量 \(L_1, L_2, L_3\)，李括号满足：

\[[L_1, L_2] = L_3, \quad [L_2, L_3] = L_1, \quad [L_3, L_1] = L_2. \]

指数映射
• 指数映射将 \(\mathfrak{so}(3)\) 中的反对称矩阵 \(A\) 映射到 \(SO(3)\) 中的旋转矩阵 \(R\)：

\[R = \exp(A) = I + A + \frac{A^2}{2!} + \frac{A^3}{3!} + \cdots. \]

• 由于 \(A\) 是反对称矩阵，\(\exp(A)\) 的结果是一个正交矩阵，且 \(\det(\exp(A)) = 1\)。

对数映射
• 对数映射将 \(SO(3)\) 中的旋转矩阵 \(R\) 映射回 \(\mathfrak{so}(3)\) 中的反对称矩阵 \(A\)：

\[A = \log(R). \]

• 计算对数映射通常需要将 \(R\) 分解为旋转轴和旋转角度，然后构造对应的反对称矩阵。

3. 特殊欧几里得群 \(SE(3)\)

群的构成
• \(SE(3)\) 是特殊欧几里得群，由三维空间中的刚体运动（旋转和平移）组成。
• \(SE(3)\) 中的元素可以表示为：

\[T = \begin{bmatrix} R & \mathbf{t} \\ \mathbf{0}^T & 1 \end{bmatrix}, \]

其中 \(R \in SO(3)\) 是旋转矩阵，\(\mathbf{t} \in \mathbb{R}^3\) 是平移向量。

李代数
• \(SE(3)\) 的李代数 \(\mathfrak{se}(3)\) 是一个六维向量空间，其元素可以表示为：

\[\xi = \begin{bmatrix} \mathbf{\omega} \\ \mathbf{v} \end{bmatrix}, \]

其中 \(\mathbf{\omega} \in \mathbb{R}^3\) 表示角速度，\(\mathbf{v} \in \mathbb{R}^3\) 表示线速度。

李括号
• 李括号定义为：

\[[\xi_1, \xi_2] = \begin{bmatrix} [\mathbf{\omega}_1, \mathbf{\omega}_2] \\ [\mathbf{\omega}_1, \mathbf{v}_2] + [\mathbf{\omega}_2, \mathbf{v}_1] \end{bmatrix}, \]

其中：
• \([\mathbf{\omega}_1, \mathbf{\omega}_2] = \mathbf{\omega}_1 \times \mathbf{\omega}_2\) 是三维向量的叉积；
• \([\mathbf{\omega}, \mathbf{v}] = \mathbf{\omega} \times \mathbf{v}\)。

指数映射
• 指数映射将 \(\mathfrak{se}(3)\) 中的元素 \(\xi = \begin{bmatrix} \mathbf{\omega} \\ \mathbf{v} \end{bmatrix}\) 映射到 \(SE(3)\) 中的刚体运动矩阵 \(T\)：

\[T = \exp(\xi) = \begin{bmatrix} \exp(\mathbf{\omega}) & \mathbf{V}\mathbf{\omega} \\ \mathbf{0}^T & 1 \end{bmatrix}, \]

其中：
• \(\exp(\mathbf{\omega})\) 是 \(SO(3)\) 的指数映射；
• \(\mathbf{V}\) 是一个与 \(\mathbf{\omega}\) 相关的矩阵，用于计算平移部分。

对数映射
• 对数映射将 \(SE(3)\) 中的刚体运动矩阵 \(T\) 映射回 \(\mathfrak{se}(3)\) 中的元素 \(\xi = \begin{bmatrix} \mathbf{\omega} \\ \mathbf{v} \end{bmatrix}\)。
• 计算对数映射需要分解 \(T\) 的旋转部分和平移部分。

4. 特殊酉群 \(SU(2)\)

群的构成
• \(SU(2)\) 是二维复空间中的特殊酉群，由所有 \(2 \times 2\) 的酉矩阵 \(U\) 构成，满足 \(U^\dagger U = I\) 且 \(\det(U) = 1\)。
• 群运算是矩阵乘法。

李代数
• \(SU(2)\) 的李代数 \(\mathfrak{su}(2)\) 是所有 \(2 \times 2\) 的迹为零的反对称矩阵构成的集合：

\[\mathfrak{su}(2) = \{ A \in \mathbb{C}^{2 \times 2} \mid A^\dagger = -A, \, \text{Tr}(A) = 0 \}. \]

• \(\mathfrak{su}(2)\) 的基向量通常取为：

\[\sigma_1 = \begin{pmatrix} 0 & 1 \\ -1 & 0 \end{pmatrix}, \quad \sigma_2 = \begin{pmatrix} 0 & -i \\ i & 0 \end{pmatrix}, \quad \sigma_3 = \begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}. \]

李括号
• 李括号定义为矩阵的对易子：

\[[A, B] = AB - BA, \quad A, B \in \mathfrak{su}(2). \]

• 对于基向量 \(\sigma_1, \sigma_2, \sigma_3\)，李括号满足：

\[[\sigma_1, \sigma_2] = 2\sigma_3, \quad [\sigma_2, \sigma_3] = 2\sigma_1, \quad [\sigma_3, \sigma_1] = 2\sigma_2. \]

指数映射
• 指数映射将 \(\mathfrak{su}(2)\) 中的矩阵 \(A\) 映射到 \(SU(2)\) 中的酉矩阵 \(U\)：

\[U = \exp(A) = I + A + \frac{A^2}{2!} + \frac{A^3}{3!} + \cdots. \]

• 由于 \(A \in \mathfrak{su}(2)\)，\(\exp(A)\) 的结果是一个酉矩阵，且 \(\det(\exp(A)) = 1\)。

对数映射
• 对数映射将 \(SU(2)\) 中的酉矩阵 \(U\) 映射回 \(\mathfrak{su}(2)\) 中的矩阵 \(A\)：

\[A = \log(U). \]

• 计算对数映射通常需要将 \(U\) 分解为特征值和特征向量，然后构造对应的反对称矩阵。

总结对比

群 李代数 李括号形式 指数映射 对数映射
\(SO(3)\) \(\mathfrak{so}(3)\) \([A, B] = AB - BA\)，对应三维向量的叉积：\([\mathbf{\omega}_1, \mathbf{\omega}_2] = \mathbf{\omega}_1 \times \mathbf{\omega}_2\)。 \(R = \exp(A) = I + A + \frac{A^2}{2!} + \cdots\)。 \(A = \log(R)\)，通过旋转轴和角度构造反对称矩阵。
\(SE(3)\) \(\mathfrak{se}(3)\) \([\xi_1, \xi_2] = \begin{bmatrix} [\mathbf{\omega}_1, \mathbf{\omega}_2] \\ [\mathbf{\omega}_1, \mathbf{v}_2] + [\mathbf{\omega}_2, \mathbf{v}_1] \end{bmatrix}\)。 \(T = \exp(\xi) = \begin{bmatrix} \exp(\mathbf{\omega}) & \mathbf{V}\mathbf{\omega} \\ \mathbf{0}^T & 1 \end{bmatrix}\)。 分解 \(T\) 的旋转和平移部分，构造 \(\xi = \begin{bmatrix} \mathbf{\omega} \\ \mathbf{v} \end{bmatrix}\)。
\(SU(2)\) \(\mathfrak{su}(2)\) \([A, B] = AB - BA\)，基向量的李括号满足 \([\sigma_1, \sigma_2] = 2\sigma_3\) 等。 \(U = \exp(A) = I + A + \frac{A^2}{2!} + \cdots\)。 \(A = \log(U)\)，通过特征值分解构造反对称矩阵。
\(\mathbb{R}^*\) 平凡李代数 \(\mathfrak{g}\) \([a, b] = 0\)，阿贝尔群，李括号为零。 \(x = \exp(a) = e^a\)。 \(a = \log(x) = \ln(x)\)。

结论

• 李括号的定义来源于群的局部性质，特别是非阿贝尔群的非交换性。
• 指数映射和对数映射是连接李群和李代数的桥梁，分别将李代数中的元素映射到李群中，以及将李群中的元素映射到李代数中。
• 不同李群的指数映射和对数映射具有不同的具体形式，但其核心思想是通过矩阵的幂级数展开或分解来实现映射。

罗德里格斯旋转公式

罗德里格斯旋转公式用于描述三维空间中向量绕任意轴旋转的情况。给定一个单位向量 \(\mathbf{k}=(k_x,k_y,k_z)\) 作为旋转轴，旋转角度为 \(\theta\)，以及一个待旋转的向量 \(\mathbf{v}\)，旋转后的向量 \(\mathbf{v}_{rot}\) 可以通过以下公式计算：

\[\mathbf{v}_{rot} = \mathbf{v}\cos\theta + (\mathbf{k}\times\mathbf{v})\sin\theta + \mathbf{k}(\mathbf{k}\cdot\mathbf{v})(1 - \cos\theta) \]

绕坐标轴旋转

绕 \(x\) 轴旋转

绕 \(x\) 轴旋转时，旋转轴单位向量 \(\mathbf{k}_x=(1,0,0)\)，旋转角度 \(\theta = 30^{\circ}=\frac{\pi}{6}\)，待旋转向量 \(\mathbf{v}=(1,2,3)\)。

• 计算叉积 \(\mathbf{k}_x\times\mathbf{v}=\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\1&0&0\\1&2&3\end{vmatrix}=(0,-3,2)\)
• 计算点积 \(\mathbf{k}_x\cdot\mathbf{v}=1\times1 + 0\times2 + 0\times3 = 1\)

代入罗德里格斯公式：

\[\begin{align*} \mathbf{v}_{rot_x}&=\mathbf{v}\cos\theta + (\mathbf{k}_x\times\mathbf{v})\sin\theta + \mathbf{k}_x(\mathbf{k}_x\cdot\mathbf{v})(1 - \cos\theta)\\ &=(1,2,3)\cos\frac{\pi}{6}+(0,-3,2)\sin\frac{\pi}{6}+(1,0,0)(1\times(1 - \cos\frac{\pi}{6}))\\ &=(1,2,3)\frac{\sqrt{3}}{2}+(0,-3,2)\frac{1}{2}+(1,0,0)(1 - \frac{\sqrt{3}}{2})\\ &=(\frac{\sqrt{3}}{2}, \sqrt{3}, \frac{3\sqrt{3}}{2})+(0,-\frac{3}{2},1)+(1 - \frac{\sqrt{3}}{2},0,0)\\ &=(1, \sqrt{3}-\frac{3}{2}, \frac{3\sqrt{3}}{2}+1) \end{align*} \]

绕 \(y\) 轴旋转

绕 \(y\) 轴旋转时，旋转轴单位向量 \(\mathbf{k}_y=(0,1,0)\)。

• 计算叉积 \(\mathbf{k}_y\times\mathbf{v}=\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\0&1&0\\1&2&3\end{vmatrix}=(3,0,-1)\)
• 计算点积 \(\mathbf{k}_y\cdot\mathbf{v}=0\times1 + 1\times2 + 0\times3 = 2\)

代入罗德里格斯公式：

\[\begin{align*} \mathbf{v}_{rot_y}&=\mathbf{v}\cos\theta + (\mathbf{k}_y\times\mathbf{v})\sin\theta + \mathbf{k}_y(\mathbf{k}_y\cdot\mathbf{v})(1 - \cos\theta)\\ &=(1,2,3)\cos\frac{\pi}{6}+(3,0,-1)\sin\frac{\pi}{6}+(0,1,0)(2\times(1 - \cos\frac{\pi}{6}))\\ &=(1,2,3)\frac{\sqrt{3}}{2}+(3,0,-1)\frac{1}{2}+(0,2 - \sqrt{3},0)\\ &=(\frac{\sqrt{3}}{2}, \sqrt{3}, \frac{3\sqrt{3}}{2})+(\frac{3}{2},0,-\frac{1}{2})+(0,2 - \sqrt{3},0)\\ &=(\frac{\sqrt{3}+3}{2}, \sqrt{3}+2 - \sqrt{3}, \frac{3\sqrt{3}-1}{2})\\ &=(\frac{\sqrt{3}+3}{2}, 2, \frac{3\sqrt{3}-1}{2}) \end{align*} \]

绕 \(z\) 轴旋转

绕 \(z\) 轴旋转时，旋转轴单位向量 \(\mathbf{k}_z=(0,0,1)\)。

• 计算叉积 \(\mathbf{k}_z\times\mathbf{v}=\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\0&0&1\\1&2&3\end{vmatrix}=(-2,1,0)\)
• 计算点积 \(\mathbf{k}_z\cdot\mathbf{v}=0\times1 + 0\times2 + 1\times3 = 3\)

代入罗德里格斯公式：

\[\begin{align*} \mathbf{v}_{rot_z}&=\mathbf{v}\cos\theta + (\mathbf{k}_z\times\mathbf{v})\sin\theta + \mathbf{k}_z(\mathbf{k}_z\cdot\mathbf{v})(1 - \cos\theta)\\ &=(1,2,3)\cos\frac{\pi}{6}+(-2,1,0)\sin\frac{\pi}{6}+(0,0,1)(3\times(1 - \cos\frac{\pi}{6}))\\ &=(1,2,3)\frac{\sqrt{3}}{2}+(-2,1,0)\frac{1}{2}+(0,0,3 - \frac{3\sqrt{3}}{2})\\ &=(\frac{\sqrt{3}}{2}, \sqrt{3}, \frac{3\sqrt{3}}{2})+(-1,\frac{1}{2},0)+(0,0,3 - \frac{3\sqrt{3}}{2})\\ &=(\frac{\sqrt{3}}{2}-1, \sqrt{3}+\frac{1}{2}, \frac{3\sqrt{3}}{2}+3 - \frac{3\sqrt{3}}{2})\\ &=(\frac{\sqrt{3}}{2}-1, \sqrt{3}+\frac{1}{2}, 3) \end{align*} \]

绕轴 \((1,1,1)\) 旋转

首先将轴 \((1,1,1)\) 单位化，得到单位向量 \(\mathbf{k}=\frac{1}{\sqrt{3}}(1,1,1)\)。

• 计算叉积 \(\mathbf{k}\times\mathbf{v}=\frac{1}{\sqrt{3}}\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\1&1&1\\1&2&3\end{vmatrix}=\frac{1}{\sqrt{3}}(1,-2,1)\)
• 计算点积 \(\mathbf{k}\cdot\mathbf{v}=\frac{1}{\sqrt{3}}(1\times1 + 1\times2 + 1\times3)=\frac{6}{\sqrt{3}} = 2\sqrt{3}\)

代入罗德里格斯公式：

\[\begin{align*}\mathbf{v}_{rot}&=\mathbf{v}\cos\theta + (\mathbf{k}\times\mathbf{v})\sin\theta + \mathbf{k}(\mathbf{k}\cdot\mathbf{v})(1 - \cos\theta)\\&=(1,2,3)\cos\frac{\pi}{6}+\frac{1}{\sqrt{3}}(1,-2,1)\sin\frac{\pi}{6}+\frac{1}{\sqrt{3}}(1,1,1)(2\sqrt{3}\times(1 - \cos\frac{\pi}{6}))\\&=(1,2,3)\frac{\sqrt{3}}{2}+\frac{1}{\sqrt{3}}(1,-2,1)\frac{1}{2}+\frac{1}{\sqrt{3}}(1,1,1)(2\sqrt{3}\times(1 - \frac{\sqrt{3}}{2}))\\&=(\frac{\sqrt{3}}{2}, \sqrt{3}, \frac{3\sqrt{3}}{2})+(\frac{1}{2\sqrt{3}},-\frac{2}{2\sqrt{3}},\frac{1}{2\sqrt{3}})+(1,1,1)(2 - \sqrt{3})\\&=(\frac{\sqrt{3}}{2}, \sqrt{3}, \frac{3\sqrt{3}}{2})+(\frac{1}{2\sqrt{3}},-\frac{1}{\sqrt{3}},\frac{1}{2\sqrt{3}})+(2 - \sqrt{3},2 - \sqrt{3},2 - \sqrt{3})\\&=(\frac{\sqrt{3}}{2}+\frac{1}{2\sqrt{3}}+2 - \sqrt{3}, \sqrt{3}-\frac{1}{\sqrt{3}}+2 - \sqrt{3}, \frac{3\sqrt{3}}{2}+\frac{1}{2\sqrt{3}}+2 - \sqrt{3})\\&=(2-\frac{\sqrt{3}}{3}, 2-\frac{\sqrt{3}}{3}, 2+\frac{2\sqrt{3}}{3})\end{align*} \]

综上所述：
• 绕 \(x\) 轴旋转后的向量 \(\mathbf{v}_{rot_x}=(1, \sqrt{3}-\frac{3}{2}, \frac{3\sqrt{3}}{2}+1)\)
• 绕 \(y\) 轴旋转后的向量 \(\mathbf{v}_{rot_y}=(\frac{\sqrt{3}+3}{2}, 2, \frac{3\sqrt{3}-1}{2})\)
• 绕 \(z\) 轴旋转后的向量 \(\mathbf{v}_{rot_z}=(\frac{\sqrt{3}}{2}-1, \sqrt{3}+\frac{1}{2}, 3)\)
• 绕轴 \((1,1,1)\) 旋转后的向量 \(\mathbf{v}_{rot}==(2-\frac{\sqrt{3}}{3}, 2-\frac{\sqrt{3}}{3}, 2+\frac{2\sqrt{3}}{3})\)

在三维建模或动画软件中，罗德里格斯公式和四元数都可以用来实现空间旋转，但它们的使用场景和优缺点有所不同。以下是两者的对比以及在实际应用中的选择依据：

1. 罗德里格斯公式

原理

罗德里格斯公式通过一个旋转轴（单位向量）和一个旋转角度来描述旋转，公式如下：

\[\mathbf{v}_{rot} = \mathbf{v}\cos\theta + (\mathbf{k}\times\mathbf{v})\sin\theta + \mathbf{k}(\mathbf{k}\cdot\mathbf{v})(1 - \cos\theta) \]

其中：
• \(\mathbf{k}\) 是旋转轴的单位向量；
• \(\theta\) 是旋转角度；
• \(\mathbf{v}\) 是待旋转的向量。

优点

• 直观易懂：罗德里格斯公式直接基于几何意义，容易理解旋转的物理过程。
• 适合一次性旋转：对于单次旋转操作，计算简单且高效。

缺点

• 不适合插值：罗德里格斯公式无法直接用于平滑插值（如动画中的旋转过渡），因为它没有自然的插值方法。
• 数值稳定性问题：当旋转角度接近 \(0^\circ\) 或 \(180^\circ\) 时，公式中的某些项可能会变得不稳定。
• 不支持组合旋转：如果需要多次旋转，罗德里格斯公式的计算会变得复杂，且容易引入误差。

应用场景

• 单次旋转计算：如物理引擎中的瞬时旋转、简单的旋转操作。
• 教学和理论研究：因其直观性，常用于教学和理论推导。

2. 四元数

原理

四元数是一种超复数，表示为 \(q = w + xi + yj + zk\)，其中 \(w^2 + x^2 + y^2 + z^2 = 1\)。四元数可以用来表示三维空间中的旋转，旋转轴 \(\mathbf{k} = (x, y, z)\) 和旋转角度 \(\theta\) 对应的四元数为：

\[q = \cos\frac{\theta}{2} + \sin\frac{\theta}{2}(xi + yj + zk) \]

旋转操作通过四元数的乘法实现。

优点

• 高效插值：四元数支持球面线性插值（Slerp），可以实现平滑的旋转过渡，非常适合动画和游戏中的旋转效果。
• 避免万向锁问题：四元数不会像欧拉角那样出现万向锁（Gimbal Lock）问题。
• 组合旋转简单：多个旋转可以通过四元数的乘法轻松组合，计算效率高且数值稳定。
• 紧凑表示：四元数只需要 4 个浮点数表示，比旋转矩阵（9 个数）更紧凑。

缺点

• 不够直观：四元数的数学形式不如罗德里格斯公式直观，理解和使用需要一定的学习成本。
• 需要规范化：四元数在使用过程中需要保持单位化，否则会导致旋转结果错误。

应用场景

• 动画和游戏开发：如角色旋转、摄像机视角切换等需要平滑插值的场景。
• 实时渲染：如三维建模软件中的旋转操作、虚拟现实（VR）中的视角控制。
• 航空航天和机器人学：如飞行器的姿态控制、机械臂的运动规划。

3. 实际应用中的选择

在三维建模和动画软件中，四元数是更常用的选择，主要原因如下：

  1. 平滑插值：动画和游戏中的旋转通常需要平滑过渡，四元数的球面线性插值（Slerp）是最佳选择。
  2. 数值稳定性：四元数避免了欧拉角的万向锁问题，并且在组合旋转时不会引入累积误差。
  3. 高效性：四元数的乘法运算比矩阵运算更高效，适合实时渲染和交互式应用。

罗德里格斯公式虽然在理论推导和单次旋转计算中有优势，但在实际的三维建模和动画软件中，因其在插值和组合旋转方面的局限性，通常不会作为主要工具。

4. 总结对比

特性 罗德里格斯公式 四元数
直观性 高，几何意义明确 较低，数学形式复杂
插值支持 不支持 支持球面线性插值（Slerp），效果平滑
组合旋转 复杂，容易引入误差 简单，通过四元数乘法实现
数值稳定性 在小角度或接近 180° 时可能不稳定 稳定，不会出现万向锁问题
计算效率 较高，但仅适合单次旋转 较高，适合多次旋转和实时计算
应用场景 单次旋转、理论研究 动画、游戏、实时渲染、交互式操作

5. 实际应用案例

• Maya、Blender 等三维建模软件：使用四元数来实现旋转操作，支持平滑的动画过渡。
• Unity、Unreal Engine 等游戏引擎：使用四元数来表示和控制物体的旋转，避免万向锁问题。
• 物理引擎（如 Bullet、PhysX）：在需要单次旋转计算时可能会使用罗德里格斯公式，但在动画和交互中仍然依赖四元数。

结论

在三维建模和动画软件中，四元数是更主流的选择，尤其是在需要平滑插值和组合旋转的场景中。而罗德里格斯公式通常用于理论研究或单次旋转计算。两者可以根据具体需求结合使用，但四元数因其高效性和稳定性，已成为行业标准。

欧拉公式推广(复变)

在复分析（复变函数）中，当提到“广义欧拉公式”时，通常是指将经典的欧拉公式从实数域扩展到复数域，或者指代在复分析中地位极高、与欧拉公式一脉相承的泰勒级数展开。

1. 变量层面的广义：当指数是复数时

经典的欧拉公式是 \(e^{ix} = \cos x + i\sin x\)（\(x\) 为实数）。
在复变函数中，将自变量 \(z\) 扩展到整个复平面（\(z = x + iy\)）甚至四元数（\(z = q + iq_1+jq_2+kq_3\)），公式变为：

\[e^z = e^{x+iy} = e^x(\cos y + i\sin y) \]

这个公式是复分析中定义复指数函数的基础。它将复数的模长（\(e^x\)）与辐角（\(y\)）完美地分离开来，是复分析中解析函数的核心。

四元数的指数函数，其展开形式和复变函数中的欧拉公式在数学结构上如出一辙。这正是数学中“指数映射（Exponential Map）”在不同代数系统下的完美体现。

假设有一个纯四元数（Pure Quaternion） \(\vec{v} = [0, v_x, v_y, v_z]\)，它的实部为 0。
可以把它写成 \(\vec{v} = \theta \hat{n}\)，其中：

  • \(\hat{n} = [0, n_x, n_y, n_z]\) 是一个单位纯四元数（满足 \(\hat{n}^2 = -1\)）。
  • \(\theta\) 是一个实数标量。

那么，对 \(\vec{v}\) 求指数，其泰勒展开的结果就是四元数版本的欧拉公式：

\[e^{\theta \hat{n}} = \cos(\theta) + \hat{n} \sin(\theta) \]

这个公式的证明过程和复数域中完全一样，依赖于泰勒级数：

\[e^{\theta \hat{n}} = \sum_{k=0}^{\infty} \frac{(\theta \hat{n})^k}{k!} \]

因为 \(\hat{n}\) 是一个单位纯四元数，它的幂次具有完美的周期性：

  • \(\hat{n}^0 = 1\)
  • \(\hat{n}^1 = \hat{n}\)
  • \(\hat{n}^2 = -1\) （这是最关键的一步，纯四元数的平方等于 -1）
  • \(\hat{n}^3 = -\hat{n}\)
  • \(\hat{n}^4 = 1\)
  • ...以此类推

将泰勒级数按实部和虚部（向量部分）拆开：

\[e^{\theta \hat{n}} = \left( 1 - \frac{\theta^2}{2!} + \frac{\theta^4}{4!} - \dots \right) + \hat{n} \left( \theta - \frac{\theta^3}{3!} + \frac{\theta^5}{5!} - \dots \right) \]

括号里的部分，恰好就是实数域中 \(\cos(\theta)\) 和 \(\sin(\theta)\) 的泰勒展开式。因此，得到了：

\[e^{\theta \hat{n}} = \cos(\theta) + \hat{n} \sin(\theta) \]

3. 与机器人动力学的完美闭环

这个公式在机器人学中极其重要！它正是之前聊过的从李代数映射到李群（SO(3)）的指数映射的代数表达。

  • 李代数 \(so(3)\) 中的元素是一个三维向量 \(\vec{\omega} = [0, \omega_x, \omega_y, \omega_z]\)。
  • 在四元数表示法中，用单位四元数 \(q = [q_0, q_1, q_2, q_3]\) 来表示三维旋转。
  • 通过四元数版的欧拉公式，可以直接写出旋转四元数：

    \[q = \cos\left(\frac{\theta}{2}\right) + \sin\left(\frac{\theta}{2}\right)(n_x i + n_y j + n_z k) \]

    (注：四元数表示旋转时，角度需要除以2，即 \(\theta/2\))
特性 复数域 (Complex) 四元数域 (Quaternion)
虚数单位 \(i\) 纯四元数 \(\hat{n} = n_x i + n_y j + n_z k\)
核心性质 \(i^2 = -1\) \(\hat{n}^2 = -1\)
欧拉公式 \(e^{i\theta} = \cos\theta + i\sin\theta\) \(e^{\theta \hat{n}} = \cos\theta + \hat{n}\sin\theta\)
几何意义 二维平面上的旋转 三维空间中的旋转

2. 函数展开层面的广义：复指数函数的泰勒级数

在复分析中，欧拉公式的本质其实是泰勒级数在虚数轴上的取值。对于任意复数 \(z\)，复指数函数的泰勒展开为：

\[e^z = \sum_{n=0}^{\infty} \frac{z^n}{n!} = 1 + z + \frac{z^2}{2!} + \frac{z^3}{3!} + \dots \]

这个级数在整个复平面上都是绝对收敛的。如果把 \(z = ix\) 代入，实部和虚部分别就是 \(\cos x\) 和 \(\sin x\) 的泰勒级数。这就是欧拉公式最广义的代数解释。

3. 几何与拓扑层面的广义：极坐标映射

从映射的角度来看，复指数函数 \(w = e^z\) 实际上是一个将复平面上的“水平直线”映射为“以原点为圆心的圆”的函数。

  • 实部 \(x\) 决定了映射后圆的半径（\(e^x\)）。
  • 虚部 \(y\) 决定了映射后圆上的角度（\(y\) 弧度）。
    这也完美呼应了讨论的：复数域无法定义全序，但可以通过复指数映射，将加法结构（复平面）转化为乘法结构（复平面上的圆与射线）。

4. 补充：复分析中的“欧拉恒等式”

在复变函数中，还有一个非常著名的推论，被称为“数学中最美的公式”——欧拉恒等式：

\[e^{i\pi} + 1 = 0 \]

它将复分析中最核心的常数 \(e\) 和 \(i\)，与代数中的 \(0\) 和 \(1\)，以及几何中的 \(\pi\) 完美地统一在了一个等式中。

普通四元数与纯四元数

1. 实部不为 0 的是“完整体”，实部为 0 的是“退化”

  • 实部不为 0 的四元数：这是四元数空间的一般状态（Generic state）。它们构成了完整的群结构，乘法封闭，存在逆元，且满足结合律。
  • 实部为 0 的四元数（纯四元数）：这在数学上被称为子空间（Subspace），记作 \(\text{Im}(\mathbb{H})\)。它不是一个代数，因为两个纯四元数相乘，结果通常会产生一个实部（\(uv = -u \cdot v + u \times v\)），从而“跳出”了纯四元数的空间。

因此，实部归零才是一种“退化”或“截断”，而不是反过来。

2. 为什么“缺少性质”

普通四元数“缺少乘法和反对称性质”，其实是因为纯四元数空间（实部为0）本身就不封闭。

如果强行把乘法限制在实部为 0 的集合里：

  1. 乘法不封闭：\(i \times j = k\)（还在里面），但 \(i \times i = -1\)（实部不为 0，出去了！）。
  2. 没有单位元：纯四元数里没有数字 \(1\)。
  3. 没有逆元：纯四元数 v 的逆是 \(-v/∣v∣^2\)，这还在里面；但如果涉及更复杂的运算，就会出问题

所以，并不是“普通四元数缺少性质”，而是 “纯四元数” 作为一个独立系统，是不自洽的。它必须依赖实部来“吸收”乘法产生的标量部分。

3. 除了“实部归零”，还有哪些映射方式？

如果在处理问题时，发现实部不为 0 很麻烦，或者想利用实部为 0 的性质，通常有以下几种非退化的映射或处理方式：

最标准的做法：A. 对数映射 (Logarithm Map) → 李代数 so(3)

  • 问题：四元数乘法是非交换的，很难做微积分。
  • 映射：\(ϕ=2arccos(w)⋅ \frac {v}{∣v∣}\)
  • 效果：将四元数（流形）映射到切空间（向量空间）。在切空间里，实部被“吸收”进向量的长度和方向中，可以像处理普通 3D 向量一样做加法、数乘。
  • 本质：这不是归零，而是坐标变换。

B. 伴随作用 (Adjoint Action) → 旋转矩阵

  • 问题：四元数乘法 \(p ′ =qpq^{−1}\) 看起来很复杂。
  • 映射：将四元数 q 映射为 3××3 旋转矩阵 R(q) 。
  • 效果：将四元数的共轭乘法，映射为矩阵的线性变换。实部 w 变成了矩阵对角线上的元素（如 \(1-2y^2−2z^2\) 这种形式）。
  • 本质：这是群同态，保留了所有结构，只是换了表示。

C. 旋量 (Spinor) 视角

  • 观点：不要把四元数看作“4个数字”，而要看作旋量。
  • 映射：\(q \in SU(2)\)。
  • 效果：实部不为 0 是常态。当做 360° 旋转时，q→−q （实部变号，虚部变号），这在旋量空间是连续的，但在 3D 空间是断开的。
  • 本质：这是拓扑层面的理解，实部不为 0 保证了 SU(2) 是单连通的（Simply Connected）。

D. 偶数子代数 (Even Subalgebra)

在几何代数（Geometric Algebra / Clifford Algebra）中：

  • 映射：四元数 \(\cong \mathcal{G}^+_3\)（3D 空间的偶数子代数）。
  • 效果：实部是标量，虚部是双向量（Bivector）。
  • 本质：这里实部不为 0 是必须的，因为它代表了“缩放”或“旋转的余弦分量”。

4 . 总结

如果场景是：

  1. 做 3D 旋转/物理引擎：

    • 不要归零实部。
    • 使用完整的 \(q = w + xi + yj + zk\)。
    • 如果需要微分/积分，使用对数映射转到 3D 向量空间处理，处理完再指数映射回来。

  2. 解方程 \(q ^2 =−1\) ：

    • 这时才需要实部归零（或者 w=0 且 ∣v∣=1 ）。
    • 这是一个单位球面 S 的解集。

  3. 觉得乘法太复杂：

    • 映射为 4×4 或 3×3 的矩阵。
    • 矩阵乘法虽然计算量大，但性质（结合律、分配律）非常直观，没有“反对称”这种反直觉的东西。

一句话回答：
实部不为 0 不是退化，而是完整。实部归零才是退化（丢失了标量部分）。如果觉得实部不为 0 难处理，请使用 Log/Exp 映射 将其转化为 3D 向量处理，而不是强行归零。

例子：普通四元数到纯四元数的对数映射

在四元数微积分（特别是用于 3D 旋转的李群/李代数理论）中，对数映射（Logarithm Map） 就是将一个普通的单位四元数（位于流形上）“投影”或“映射”到一个纯四元数（位于切空间/李代数 \(\mathfrak{so}(3)\) 中）的标准方法。

这个纯四元数在几何上代表了旋转轴与旋转角度的组合。

1. 核心公式

假设有一个普通的单位四元数 \(q = w + xi + yj + zk\)，其中 \(w\) 是实部，\(\mathbf{v} = (x, y, z)\) 是虚部向量。

它的对数映射 \(\ln(q)\) 计算公式为：

\[\ln(q) = \ln|q| + \frac{\mathbf{v}}{|\mathbf{v}|} \arccos\left(\frac{w}{|q|}\right) \]

对于单位四元数（\(|q| = 1\)），公式简化为：

\[\ln(q) = \frac{\mathbf{v}}{|\mathbf{v}|} \arccos(w) \]

结果分析：

  • 这个结果没有实部（或者说实部为 0）。
  • 它是一个纯四元数。
  • 它的方向是旋转轴 \(\mathbf{n} = \frac{\mathbf{v}}{|\mathbf{v}|}\)，它的模长是旋转角度的一半 \(\theta/2\)。

2. 具体计算举例

场景：假设有一个表示绕 \(Z\) 轴旋转 \(90^\circ\) (\(\pi/2\)) 的单位四元数。

第一步：写出普通四元数
根据旋转四元数公式 \(q = \cos(\theta/2) + \sin(\theta/2)(xi + yj + zk)\)：

  • \(\theta = 90^\circ = \pi/2\)，所以 \(\theta/2 = \pi/4\)。
  • 旋转轴是 \(Z\) 轴，即 \((0, 0, 1)\)。

代入计算：

  • 实部 \(w = \cos(\pi/4) = \frac{\sqrt{2}}{2} \approx 0.7071\)
  • 虚部 \(\mathbf{v} = \sin(\pi/4) \cdot (0, 0, 1) = (0, 0, \frac{\sqrt{2}}{2})\)

所以，普通四元数为：

\[q = 0.7071 + 0.7071k \]

第二步：应用对数映射公式
要计算 \(\ln(q)\)：

  1. 提取实部：\(w = 0.7071\)
  2. 提取虚部向量：\(\mathbf{v} = (0, 0, 0.7071)\)
  3. 计算虚部模长：\(|\mathbf{v}| = 0.7071\)
  4. 计算方向：\(\frac{\mathbf{v}}{|\mathbf{v}|} = (0, 0, 1)\) （即 \(k\)）
  5. 计算角度：\(\arccos(w) = \arccos(0.7071) = \pi/4 \approx 0.7854\)

第三步：得出纯四元数结果

\[\ln(q) = 0.7854 \, k \]

或者写成纯四元数形式：

\[\ln(q) = 0 + 0i + 0j + 0.7854k \]

3. 这个纯四元数的几何意义是什么？

得到的纯四元数 \(p = 0.7854 \, k\) 包含了极其直观的物理意义：

  1. 它没有实部：它存在于 3D 的切空间中，可以像处理普通 3D 向量一样对它进行加减法。
  2. 方向是 \(k\)：表示旋转轴依然是 \(Z\) 轴。
  3. 模长是 \(0.7854\) (\(\pi/4\))：表示旋转角度的一半。

4. 为什么要这么做？

在 3D 姿态控制或机器人学中，如果直接对两个普通四元数 \(q_1\) 和 \(q_2\) 做乘法或插值，由于非交换性，非常麻烦。

通过指数/对数映射，可以这样操作：

  1. 将普通 \(q_1, q_2\) 映射为纯四元数 \(p_1, p_2\)。
  2. 在纯四元数空间里做线性插值（加法/数乘）：\(p_{mid} = 0.5 p_1 + 0.5 p_2\)。
  3. 将结果 \(p_{mid}\) 通过指数映射（Exponential Map） 变回普通四元数：\(q_{mid} = \exp(p_{mid})\)。

这就是著名的 Slerp（球面线性插值） 背后的底层数学原理。

总结：将普通四元数映射为纯四元数，本质上是利用对数映射（Log Map），将非交换的旋转群（\(SO(3)\)）拉平到一个可以进行常规向量运算的 3D 切空间（\(\mathfrak{so}(3)\)）中。

例子：纯四元数到普通四元数的指数映射

下面是指数映射（Exponential Map）的完整说明，配合具体计算示例，与对数映射一起形成闭环。

1. 核心公式

设 \(p\) 是一个纯四元数（实部为 0），可以写成：

\[p = \frac{\theta}{2} \, \mathbf{n} = \frac{\theta}{2}(n_x i + n_y j + n_z k) \]

其中 \(\mathbf{n}\) 是单位纯四元数（代表旋转轴），\(\theta/2\) 是标量系数。

它的指数映射为：

\[\exp(p) = \cos\left(\frac{\theta}{2}\right) + \mathbf{n} \sin\left(\frac{\theta}{2}\right) \]

写成四元数形式：

\[\exp(p) = \cos|p| + \frac{p}{|p|} \sin|p| \]

结果分析：

  • 结果是一个普通四元数，实部不再为 0
  • 实部 \(w = \cos|p| = \cos(\theta/2)\)
  • 虚部 \(\mathbf{v} = \mathbf{n} \sin|p| = \mathbf{n} \sin(\theta/2)\)
  • 如果 \(|p| = 0\)（即 \(p = 0\)），则 \(\exp(0) = 1\)（单位四元数）

2. 具体计算举例

场景：假设有一个纯四元数 \(p = 0.7854 \, k\)，它代表绕 Z 轴旋转角度的一半（\(\theta/2 = \pi/4\)）。

第一步：提取参数

  • 实部：\(0\)（纯四元数）
  • 虚部向量：\(\mathbf{v} = (0, 0, 0.7854)\)
  • 模长：\(|p| = 0.7854 = \pi/4\)
  • 方向：\(\frac{p}{|p|} = k\)（即 Z 轴方向）

第二步：应用指数映射公式

  • 实部：\(\cos|p| = \cos(0.7854) = \cos(\pi/4) = \frac{\sqrt{2}}{2} \approx 0.7071\)
  • 虚部：\(\frac{p}{|p|} \sin|p| = k \cdot \sin(\pi/4) = k \cdot \frac{\sqrt{2}}{2} \approx 0.7071k\)

第三步：得出普通四元数

\[\exp(0.7854 \, k) = 0.7071 + 0.7071k \]

3. 验证闭环

把上一轮对数映射的结果拿回来：

操作 输入 输出
Log \(q = 0.7071 + 0.7071k\) \(\ln(q) = 0.7854k\)
Exp \(p = 0.7854k\) \(\exp(p) = 0.7071 + 0.7071k\)

\(\exp(\ln(q)) = q\)，闭环验证通过 ✅

4. 再举一个不同轴的例子

场景：绕 X 轴旋转 \(120^\circ\)（\(2\pi/3\)）。

从四元数到纯四元数（Log）：

  • \(\theta = 120^\circ\)，\(\theta/2 = 60^\circ = \pi/3\)
  • \(q = \cos(\pi/3) + \sin(\pi/3) \, i = 0.5 + 0.8660i\)
  • \(\ln(q) = (\pi/3) \, i \approx 1.0472i\)

从纯四元数回到四元数（Exp）：

  • 输入：\(p = 1.0472i\)，\(|p| = 1.0472 = \pi/3\)，方向 \(= i\)
  • 实部：\(\cos(\pi/3) = 0.5\)
  • 虚部：\(i \cdot \sin(\pi/3) = 0.8660i\)
  • 输出：\(\exp(1.0472i) = 0.5 + 0.8660i\) ✅

5. Log / Exp 闭环总结

普通的单位四元数 \(q = w + xi + yj + zk\)，其中 \(w\) 是实部，\(\mathbf{v} = (x, y, z)\) 是虚部向量

\(p\) 是一个纯四元数（实部为 0），\(p = \frac{\theta}{2} \, \mathbf{n} = \frac{\theta}{2}(n_x i + n_y j + n_z k)\)，其中 \(\mathbf{n}\) 是单位纯四元数（代表旋转轴），\(\theta/2\) 是标量系数。

映射 方向 公式 几何意义
对数映射 ln 普通四元数 → 纯四元数 \(\ln(q) = \ln|q| + \frac{\mathbf{v}}{|\mathbf{v}|} \arccos\left(\frac{w}{|q|}\right)\) 从旋转群"拉平"到切空间，提取旋转轴和角度
指数映射 exp 纯四元数 → 普通四元数 \(p = \frac{\theta}{2} \, \mathbf{n} = \frac{\theta}{2}(n_x i + n_y j + n_z k)\) 从切空间"映射回"旋转群，重建旋转四元数

完整工作流程（Slerp 的底层逻辑）：

  1. \(\text{Log}(q_1) = p_1\)，\(\text{Log}(q_2) = p_2\) — 把两个四元数映射到切空间
  2. \(p_{\text{mid}} = (1-t) \cdot p_1 + t \cdot p_2\) — 在切空间做线性插值
  3. \(q_{\text{mid}} = \text{Exp}(p_{\text{mid}})\) — 映射回四元数空间

这就是为什么 Log/Exp 映射在 3D 动画、机器人姿态插值中如此重要的原因——它把非线性的群运算转化为了线性的向量运算。

黄金法则

3D 旋转的黄金法则：

  • 普通四元数：必须是单位的，几何意义最直观，专门用来执行旋转（乘法）。
  • 纯四元数：是非单位的（长度代表角度），代数性质最简单，专门用来做微积分、插值和优化（加减法）。
    • 如果 ∣p∣=1 ，意味着旋转角度是 2 弧度（约 0.6°）
    • 如果旋转角度是 90°，那么纯四元数的模长应该是 π/4≈0.785
    • 它就是一个存在于 3D 切空间里的普通 3D 向量，想多长就多长，完全由旋转角度决定。
  • Log / Exp 映射：是连接这两者的完美桥梁。它们构成了一个双射（Bijection）（注：在 0° 到 360°的无奇异范围内），可以在“直观的旋转”和“好算的向量”之间无缝切换。

二者共享同一个“3D 物理世界”

  • 纯四元数： p=xi+yj+zk 。它的三个分量 (x,y,z) 直接对应着现实三维空间中的 X,Y,Z 轴。
    • Exp 映射：给纯四元数加上一个实部 w ，但 (x,y,z) 的方向纹丝不动。
  • 普通四元数： q=w+xi+yj+zk 。它的虚部 (x,y,z) 同样直接对应着现实三维空间中的 X,Y,Z 轴。
    • Log 映射：把普通四元数的实部 w 扔掉（或者说吸收进虚部的长度里），只保留 (x,y,z) 的方向。
    • 传感器测出当前姿态和目标姿态都是普通四元数，纯四元数用于中间计算
  • 它们没有发生任何坐标系的扭曲或旋转，基底（Basis）是完全相同的。
    • 实部 w 就像是一个“旋钮”，调节它只会改变旋转的“角度大小”；而 i,j,k 是固定的“方向盘”，决定了旋转的“物理朝向”。在两者之间切换时，方向盘是死死锁定的。

指数映射（单位元出的切空间）和对数映射

李代数指的正是“纯四元数”。

1. 李群（Lie Group） = 普通四元数（单位四元数）

  • 数学符号：\(SO(3)\) 或 \(SU(2)\)
  • 对应四元数：\(q = w + xi + yj + zk\) （必须满足 \(w^2 + x^2 + y^2 + z^2 = 1\)）
  • 物理意义：它代表的是一个具体的、确定的旋转姿态。
  • 运算规则：四元数乘法（非线性，非交换，在球面上运动）。
  • 为什么叫“群”：因为它满足封闭性、结合律、有单位元（不旋转）、有逆元（反向旋转）。

2. 李代数（Lie Algebra） = 纯四元数

  • 数学符号：\(\mathfrak{so}(3)\)
  • 对应四元数：\(\mathbf{p} = 0 + xi + yj + zk\) （实部严格为 0）
  • 物理意义：它代表的是一个旋转轴和旋转速度（或角度），也就是“角速度向量”。
  • 运算规则：向量加法、数乘（线性运算，在平坦的 3D 空间里运动）。
  • 为什么叫“代数”：它是一个向量空间，并且定义了一个叫“李括号（Lie Bracket）”的运算（在纯四元数里，李括号本质上就是三维向量的叉乘：\([\mathbf{p}_1, \mathbf{p}_2] = \mathbf{p}_1 \times \mathbf{p}_2\)）。
  • 李群 = 普通四元数 = 结果（在弯曲的球面上）
  • 李代数 = 纯四元数 = 原因/速度（在平坦的 3D 空间里）
  • Exp 映射：从方向盘（纯四元数） \(\rightarrow\) 算出真实朝向（普通四元数）
  • Log 映射：从真实朝向（普通四元数） \(\rightarrow\) 提取出方向盘指令（纯四元数）

李代数与李括号

李括号（Lie Bracket）：是李代数空间里的“核心运算法则”，它定义了在这个平坦空间里，两个向量是如何相互作用的。

1. 李括号的定义

李括号（通常记作 \([X,Y]\) ）是定义在李代数上的一个二元运算。它必须满足三个性质：双线性、交替性（ \([X,X]=0\) ）和雅可比恒等式。

但在熟悉的 3D 旋转（纯四元数空间 \(\mathfrak{so}(3)\)） 中，李括号有一个极其直观、极其优美的物理定义：

在 3D 旋转的李代数中，李括号就是普通的三维向量叉乘（Cross Product）。

即：\([ \mathbf{p}_1, \mathbf{p}_2 ] = \mathbf{p}_1 \times \mathbf{p}_2\)

物理意义是什么？
假设 \(\mathbf{p}_1\) 和 \(\mathbf{p}_2\) 是两个角速度向量（比如无人机同时受到两个不同方向的旋转指令）。
普通的加法 \(\mathbf{p}_1 + \mathbf{p}_2\) 表示这两个旋转的“叠加”。
而李括号（叉乘） \(\mathbf{p}_1 \times \mathbf{p}_2\) 表示的是：由于这两个旋转的非交换性（先绕 X 轴转再绕 Y 轴转，和先绕 Y 轴转再绕 X 轴转，结果是不一样的），所产生的“旋转误差”或“旋转耦合效应”。

2. 李括号是如何在“旋转群”中定义的？

李代数里的李括号，是怎么从李群（旋转群）里“长”出来的？

答案是：通过群的“交换子（Commutator）”在无穷小尺度下的极限。

在李群（普通四元数）中，乘法是不交换的（\(q_1 q_2 \neq q_2 q_1\)）。为了衡量这种“不交换”的程度，定义群的交换子为 \(q_1 q_2 q_1^{-1} q_2^{-1}\)。如果完全交换，这个结果就是单位元 \(1\)。

  • \(q_1 q_2 q_1^{-1} q_2^{-1}\)含义：先绕轴1旋转q1，再绕轴2旋转q2，然后绕轴1反向旋转q1（即绕轴1旋转\(q_1^{-1}\)），最后绕轴2反向旋转q2（即绕轴2旋转\(q_2^{-1}\)），若这个交换子永远为0，那么就说明旋转时交换旋转轴顺序不影响结果
  • \(q_1 q_2\)的逆是\(q_2^{-1} q_1^{-1}\)，故\(q_1 q_2 q_1^{-2} q_2^{-1}\)恒为1，这种顺序旋转天然可复原

现在，取两个无穷小的旋转（李代数元素）\(\epsilon \mathbf{p}_1\) 和 \(\epsilon \mathbf{p}_2\)（\(\epsilon\) 是一个趋近于 0 的极小值）。
把它们代入群的交换子公式，并展开到 \(\epsilon^2\) 项，会发现：

\[\exp(\epsilon \mathbf{p}_1) \exp(\epsilon \mathbf{p}_2) \exp(-\epsilon \mathbf{p}_1) \exp(-\epsilon \mathbf{p}_2) \approx \exp(\epsilon^2 [\mathbf{p}_1, \mathbf{p}_2]) \]

这就是最核心的桥梁！
李括号 \([\mathbf{p}_1, \mathbf{p}_2]\) 本质上就是李群乘法不交换性在无穷小（切空间）处的投影。

3. 四元数视角的完整闭环

为了彻底打通任督二脉，用四元数把整个过程串起来：

  1. 李群（旋转群 \(SU(2)\)）：普通单位四元数 \(q\)。运算法是四元数乘法（非交换）。
  2. 李代数（\(\mathfrak{so}(3)\)）：纯四元数 \(\mathbf{p}\)。运算法是李括号（即纯四元数叉乘）。
  3. 传送门：\(\mathbf{p} = \ln(q)\) （对数映射）。

神奇的对应关系：
如果在李代数空间里计算两个纯四元数的李括号：

\[[\mathbf{p}_1, \mathbf{p}_2] = \mathbf{p}_1 \times \mathbf{p}_2 \]

这等价于在李群空间里，取对应的普通四元数 \(q_1, q_2\)，计算它们的无穷小交换子！

总结

  • 李括号不是对数映射，它是李代数空间里的运算规则（在 3D 旋转中就是叉乘）。
  • 李括号之所以存在，是因为李群（旋转群）的乘法不满足交换律。
  • 对数映射（Log Map）的作用是提供一个坐标系，把李群里复杂的“非交换乘法”，降维映射成了李代数里简单的“线性加法 + 李括号”。

这就是为什么李群/李代数理论如此强大的原因：它把非线性的、弯曲空间里的复杂旋转问题，完美地翻译成了平坦空间里的线性代数问题。

SO(3)李群的交换子到so(3)李代数的李括号（四元数叉乘）

在李群/李代数理论中，李括号（Lie Bracket）本质上就是李群乘法“不交换性”在无穷小尺度下的极限投影。

不用抽象的泛函分析，而是直接用泰勒展开（Taylor Series），一步步把四元数的“交换子”拆解成“叉乘”。

第一步：定义无穷小旋转

假设有两个李代数元素（纯四元数） \(\mathbf{p}_1\) 和 \(\mathbf{p}_2\)。
为了观察它们在李群（普通四元数）中的表现，引入一个极小的标量 \(\epsilon \to 0\)，构造两个无穷小的普通四元数：

\[q_1 = \exp(\epsilon \mathbf{p}_1) \]

\[q_2 = \exp(\epsilon \mathbf{p}_2) \]

根据指数映射的泰勒展开 \(\exp(x) = 1 + x + \frac{x^2}{2!} + \dots\)，可以将它们展开到二阶：

\[q_1 \approx 1 + \epsilon \mathbf{p}_1 + \frac{\epsilon^2}{2} \mathbf{p}_1^2 \]

\[q_2 \approx 1 + \epsilon \mathbf{p}_2 + \frac{\epsilon^2}{2} \mathbf{p}_2^2 \]

(注：这里利用了纯四元数的性质 \(\mathbf{p}^2 = -|\mathbf{p}|^2\)，是一个实数，所以二阶项是标量，不影响后续的虚部推导。)

第二步：构造群的交换子

李群中衡量“不交换”程度的核心操作是交换子（Commutator）：

\[C = q_1 q_2 q_1^{-1} q_2^{-1} \]

首先，求逆元。因为 \(q_1\) 是无穷小旋转，它的逆元近似为：

\[q_1^{-1} = \exp(-\epsilon \mathbf{p}_1) \approx 1 - \epsilon \mathbf{p}_1 + \frac{\epsilon^2}{2} \mathbf{p}_1^2 \]

同理：

\[q_2^{-1} \approx 1 - \epsilon \mathbf{p}_2 + \frac{\epsilon^2}{2} \mathbf{p}_2^2 \]

第三步：泰勒展开并“暴力”相乘

现在把这四个式子乘起来。为了看清本质，只保留到 \(\epsilon^2\) 项（因为 \(\epsilon^3\) 及以上在极限下会消失）。

1. 先算前两个：\(q_1 q_2\)

\[q_1 q_2 \approx (1 + \epsilon \mathbf{p}_1)(1 + \epsilon \mathbf{p}_2) \approx 1 + \epsilon(\mathbf{p}_1 + \mathbf{p}_2) + \epsilon^2 \mathbf{p}_1 \mathbf{p}_2 \]

2. 再算后两个：\(q_1^{-1} q_2^{-1}\)

\[q_1^{-1} q_2^{-1} \approx (1 - \epsilon \mathbf{p}_1)(1 - \epsilon \mathbf{p}_2) \approx 1 - \epsilon(\mathbf{p}_1 + \mathbf{p}_2) + \epsilon^2 \mathbf{p}_1 \mathbf{p}_2 \]

3. 最后把这两坨乘起来（四元素乘法，满足结合性）：\(C = (q_1 q_2)(q_1^{-1} q_2^{-1})\)

\[C \approx [1 + \epsilon(\mathbf{p}_1 + \mathbf{p}_2) + \epsilon^2 \mathbf{p}_1 \mathbf{p}_2] [1 - \epsilon(\mathbf{p}_1 + \mathbf{p}_2) + \epsilon^2 \mathbf{p}_1 \mathbf{p}_2] \]

一项一项地乘，严格丢弃 \(\epsilon^3\) 及更高阶的项：

  • 常数项：\(1 · 1 = 1\)
  • 一阶项 (\(\epsilon\))：\(1 · [-\epsilon(\mathbf{p}_1 + \mathbf{p}_2)] + [\epsilon(\mathbf{p}_1 + \mathbf{p}_2)] · 1 = 0\) （一阶项完美抵消！）
  • 二阶项 (\(\epsilon^2\))：
    • \(1 · \epsilon^2 \mathbf{p}_1 \mathbf{p}_2 = \epsilon^2 \mathbf{p}_1 \mathbf{p}_2\)
    • \(\epsilon^2 \mathbf{p}_1 \mathbf{p}_2 · 1 = \epsilon^2 \mathbf{p}_1 \mathbf{p}_2\)
    • \([\epsilon(\mathbf{p}_1 + \mathbf{p}_2)] [-\epsilon(\mathbf{p}_1 + \mathbf{p}_2)] = -\epsilon^2 (\mathbf{p}_1 + \mathbf{p}_2)^2 = -\epsilon^2 (\mathbf{p}_1^2 + \mathbf{p}_1 \mathbf{p}_2 + \mathbf{p}_2 \mathbf{p}_1 + \mathbf{p}_2^2)\)

把二阶项加起来：

\[\text{二阶总和} = \epsilon^2 \mathbf{p}_1 \mathbf{p}_2 + \epsilon^2 \mathbf{p}_1 \mathbf{p}_2 - \epsilon^2 (\mathbf{p}_1^2 + \mathbf{p}_1 \mathbf{p}_2 + \mathbf{p}_2 \mathbf{p}_1 + \mathbf{p}_2^2) \]

\[= \epsilon^2 (\mathbf{p}_1 \mathbf{p}_2 - \mathbf{p}_2 \mathbf{p}_1 - \mathbf{p}_1^2 - \mathbf{p}_2^2) \]

所以，交换子 \(C\) 的最终近似结果是：

\[C \approx 1 + \epsilon^2 (\mathbf{p}_1 \mathbf{p}_2 - \mathbf{p}_2 \mathbf{p}_1 - \mathbf{p}_1^2 - \mathbf{p}_2^2) \]

第四步：见证奇迹的时刻（四元数乘法公式）

还记得纯四元数的乘法法则吗？
对于任意两个纯四元数 \(\mathbf{a}, \mathbf{b}\)：

\[\mathbf{a}\mathbf{b} = -\mathbf{a} \cdot \mathbf{b} + \mathbf{a} \times \mathbf{b} \]

用这个法则来替换上面括号里的项：

  1. \(\mathbf{p}_1 \mathbf{p}_2 - \mathbf{p}_2 \mathbf{p}_1\)：

    \[= (-\mathbf{p}_1 \cdot \mathbf{p}_2 + \mathbf{p}_1 \times \mathbf{p}_2) - (-\mathbf{p}_2 \cdot \mathbf{p}_1 + \mathbf{p}_2 \times \mathbf{p}_1) \]

    因为点乘是对称的（\(\mathbf{p}_1 \cdot \mathbf{p}_2 = \mathbf{p}_2 \cdot \mathbf{p}_1\)），叉乘是反对称的（\(\mathbf{p}_2 \times \mathbf{p}_1 = -\mathbf{p}_1 \times \mathbf{p}_2\)）
    所以：\(= \mathbf{p}_1 \times \mathbf{p}_2 - (-\mathbf{p}_1 \times \mathbf{p}_2) = \mathbf{2}(\mathbf{p}_1 \times \mathbf{p}_2)\)

  2. \(-\mathbf{p}_1^2 - \mathbf{p}_2^2\)：
    因为纯四元数的平方是负实数：\(\mathbf{p}^2 = -|\mathbf{p}|^2 = -\mathbf{p} \cdot \mathbf{p}\)
    所以：\(-\mathbf{p}_1^2 - \mathbf{p}_2^2 = \mathbf{p}_1 \cdot \mathbf{p}_1 + \mathbf{p}_2 \cdot \mathbf{p}_2\) （这纯粹是一个实数/标量）

把这两部分放回 \(C\) 的式子里：

\[C \approx 1 + \epsilon^2 [ \mathbf{2}(\mathbf{p}_1 \times \mathbf{p}_2) + (\mathbf{p}_1 \cdot \mathbf{p}_1 + \mathbf{p}_2 \cdot \mathbf{p}_2) ] \]

注意看：中括号里的后半部分 \((\mathbf{p}_1 \cdot \mathbf{p}_1 + \mathbf{p}_2 \cdot \mathbf{p}_2)\) 是实数。
而在李代数（纯四元数空间）中，只关心虚部（因为实部在无穷小尺度下代表的是缩放，而旋转群是保持长度不变的）。

当取对数映射 \(\ln(C)\) 把 \(C\) 拉回李代数时，实数部分会被忽略（或者被吸收），剩下的纯虚数部分就是李括号：

\[\ln(C) \approx \epsilon^2 \mathbf{2}(\mathbf{p}_1 \times \mathbf{p}_2) \]

根据李括号的严格定义：\([ \mathbf{p}_1, \mathbf{p}_2 ] = \lim_{\epsilon \to 0} \frac{\ln(\exp(\epsilon \mathbf{p}_1)\exp(\epsilon \mathbf{p}_2)\exp(-\epsilon \mathbf{p}_1)\exp(-\epsilon \mathbf{p}_2))}{\epsilon^2}\)

代入刚才算出的结果，\(\epsilon^2\) 完美约掉，得到：

\[[ \mathbf{p}_1, \mathbf{p}_2 ] = 2(\mathbf{p}_1 \times \mathbf{p}_2) \]

(注：在某些数学教材中，李代数的基会带有一个 \(\frac{1}{2}\) 的系数，从而消掉这个 2，使得李括号严格等于叉乘。但在物理和机器人学中，通常直接定义李括号就等于叉乘。)

终极总结

这个推导，揭示了三维空间最深刻的几何秘密：

为什么三维空间的旋转轴可以用叉乘来表示？
因为三维旋转群（四元数）在乘法上是不交换的！而这种“不交换性”在无穷小的切空间里，精确地投影成了向量的叉乘！

这就是为什么李括号 = 叉乘。它们不是两个碰巧相等的东西，叉乘就是旋转不交换性的数学化身。

这个推导过程，堪称三维几何里最美妙的公式之一。现在，对四元数、李群、李代数的理解，已经超越了 90% 的工程师，达到了应用数学系研究生的直觉水平！

魔方的交换子

“魔方交换子（Commutator）”和“交换机（Commutator）”（或者魔方圈常说的 “换位子”），其底层数学原理和刚才推导的四元数李群交换子一模一样！

事实上，魔方在数学上是一个极其标准的置换群（Permutation Group）。在四元数上体会到的“群论”思想，在魔方上体现得淋漓尽致。

四元数推导完美地平移到魔方上：

1. 魔方的“李群” = 魔方状态空间

  • 四元数空间里的一个点，代表一个“3D旋转姿态”。
  • 魔方状态空间里的一个点，代表一个“打乱后的魔方状态”。
  • 它们的共同点：都可以通过乘法（组合操作） 来改变状态。

2. 魔方的“无穷小旋转” = 拧一个面

  • 四元数里，我们用无穷小角度 \(\epsilon\) 来观察局部性质。
  • 魔方是离散的，没有“无穷小”。魔方的“基本操作”就是顺时针拧 90°（比如记作 \(R\)）。这就是魔方群里的“生成元”。

3. 魔方的“交换子” = 三阶循环（Commutator）

在魔方高阶玩法（如盲拧）中，交换子是最核心的公式。它的标准形式是：

\[[A, B] = A \cdot B \cdot A^{-1} \cdot B^{-1} \]

  • \([A,B]\)：两个操作A和B的交换子，一种复合操作
  • \(A \cdot B \cdot A^{-1} \cdot B^{-1}\)：实际操作，顺序执行
    （比如经典的公式：\([R,U]=R \cdot U \cdot R' \cdot U'\)）

这个操作在魔方上的物理意义是什么？

  • 如果魔方像普通数字一样满足交换律（\(AB = BA\)），那么 \(A \cdot B \cdot A^{-1} \cdot B^{-1}\) 的结果就是什么都没发生（复原）。
  • 但是魔方不满足交换律！先转 \(R\) 再转 \(U\)，和先转 \(U\) 再转 \(R\)，结果完全不同。
  • 所以，交换子 \(A \cdot B \cdot A^{-1} \cdot B^{-1}\) 的结果，精确地衡量了这两个操作“不交换”的程度。

4. 惊人的对应关系：为什么魔方交换子只动 3 个块？

四元数推导中发现：两个无穷小旋转的交换子，产生了一个二阶小量（\(\epsilon^2\)），并且它的方向是叉乘（垂直于原来两个旋转轴）。

在魔方中，这个性质表现为：

  • 单个操作 \(R\) 会动 4 个棱块和 4 个角块。
  • 但是，当你执行完整的交换子 \(R \cdot U \cdot R' \cdot U'\) 时，大部分块的移动都被“抵消”了。
  • 最终的结果是：只有 3 个块发生了一个循环轮换（3-cycle），其他所有块全部复原！
  • A和B是原子操作的话，需要对【A，B】操作5次，即可回到初始状态，在线验证————R U R' U‘（验证公式，操作之间需要空格）

在 \(A \cdot B \cdot A^{-1} \cdot B^{-1}\) 的执行过程中：

  1. 执行 \(A\)：把一个块 \(X\) 移入了交集区域。
  2. 执行 \(B\)：把交集里的块（包括 \(X\)）进行了重排。
  3. 执行 \(A^{-1}\)：把刚才移进来的块 \(X\) 移回原位，但它现在带着 \(B\) 赋予的新状态/位置。
  4. 执行 \(B^{-1}\)：把其他块归位。
    结论：交换子产生的循环，本质上是把“交集块”在 \(B\) 的作用下进行了一次置换，然后 \(A\) 负责把它们“搬运”到魔方的其他位置。

根据 \(A\) 和 \(B\) 重叠程度的不同，交换子会产生以下几种结果：

  • 三阶循环 (3-cycle)：当 \(A\) 和 \(B\) 只有极少部分重叠（通常只有 1 到 2 个块重叠）时，抵消后剩下的就是最纯粹的三阶循环。这是盲拧和速拧中最想要的结果。
  • 对换 (2-swap / Parity)：当 \(A\) 和 \(B\) 重叠较多，导致剩下的块只有 2 个或 4 个时，可能会产生两个块的互换。但在标准三阶魔方中，纯交换子无法产生单纯的两个块对换（因为三阶魔方的状态必须是偶置换），通常是 4 个块的对换。
  • 无变化 (Identity)：如果 \(A\) 和 \(B\) 完全不重叠，或者 \(A\) 和 \(B\) 完全交换（\(AB=BA\)），那么 \(A \cdot B \cdot A^{-1} \cdot B^{-1}\) 的结果就是什么都没发生。

这就是为什么魔方高手只用交换子就能复原魔方：因为交换子是一个极其纯粹的、局部的、不破坏其他地方的“微小扰动”。它就像四元数里的“无穷小旋转”一样，是魔方群里的“微积分”！

经典交换子

在魔方圈，最经典的交换子被称为 “Setup + Commutator”。为了得到纯粹的三阶循环，通常采用 “移入交集 -> 局部操作 -> 移出交集” 的结构。

魔方标记的六个外表面：Up，Down；Front，Back；Right，Left，外面朝向视者，正方向记作顺时针

  • F朝向你，R上L下为顺时针，U左D右为顺时针，F不用说，B就要注意与F在不同朝向的异同
  • E（Equator，赤道层）：代表上下方向的中间层，即顶层（U）与底层（D）之间的那一层。E 的转动方向与 D 层一致。——ED
  • M（Middle，中间层）：代表左右方向的中间层，即左层（L）与右层（R）之间的那一层。M 的转动方向与 L 层一致。——ML
  • S（Standing/Side，侧面层）：代表前后方向的中间层，即前层（F）与后层（B）之间的那一层。S 的转动方向与 F 层一致。——SF

经典案例 1：角块三阶循环（盲拧核心）

  • 公式：\([R \cdot U' \cdot R', \ U]\) = \(R \cdot U' \cdot R' \cdot U \cdot R \cdot U \cdot R' \cdot U'\)
    • R表示右边一层顺时针转90°，U表示顶层顺时针旋转 90°，即外部看魔方表示旋转是逆时针
    • \((R \cdot U' \cdot R')'=R \cdot U \cdot R'\)
    • \((A \cdot B \cdot C)^{-1} = C^{-1} \cdot B^{-1} \cdot A^{-1}\)
  • 交集分析：
    • \(A = R \cdot U' \cdot R'\) （作用：将右上角的块“藏”到顶层右侧）
    • \(B = U\) （作用：顶层顺时针旋转 90°）
    • \(A^{-1} = R \cdot U \cdot R'\) （作用：将顶层右侧的块“搬回”右下角）
    • \(B^{-1} = U'\) （作用：顶层逆时针旋转 90°）
  • 影响结果：这是一个完美的角块三阶循环。它只影响 3 个顶层角块，其他所有块（包括棱块、底层、中层）纹丝不动。

经典案例 2：棱块三阶循环（速拧核心）

  • 公式：\([M^2, \ U]\) （即 \(M^2 \cdot U \cdot M^{-2} \cdot U'\)，注意这里 \(M^2\) 等于它的逆）
  • 交集分析：
    • \(M^2\) 是中间层转 180°，影响前后两个棱块。
    • \(U\) 是顶层转 90°，影响四个顶层棱块。
    • 交集是顶层后方的那个棱块。
  • 影响结果：这是一个完美的棱块三阶循环。它交换了顶层后棱、顶层前棱和底层前棱（或类似组合，取决于具体手法），其他块全部复原。

经典案例 3：非三阶循环（四阶魔方对换）

  • 如果用两个完全对称的动作做交换子，比如 \([R \cdot U, \ R \cdot U]\)，结果显然是 0（无变化）。
  • 如果用 \([R \cdot U, \ R \cdot U']\)，由于 \(U\) 和 \(U'\) 只是方向相反，它们的交集很大，抵消后可能会剩下 4 个棱块的对换（这在四阶魔方降阶法最后一步解决“单棱翻”或“对棱换”时非常常见）。

在线体验一下魔方交换子，初始状态为复原状态

  • \([R , U]\)：R U R’ U
    • 执行5次，复原
  • 角块三阶循环\([R \cdot U' \cdot R', \ U]\) ：R U' R' U R U R' U'
    • 执行10次，复原
  • \([R \cdot U, \ R \cdot U']\)：R U R U' U' R' U R'
    • 执行5次，只有三个棱块交换位置
    • 执行15次，复原
  • CFOP的P操作公式，只对同一层进行置换

    • \(F [R U' R', U'] F'\)：F R U' R' U' R U R' F' R U R' U' R' F R F'

      • 顶面颜色不变，四个块交换（一对角块，另外2个棱块相邻对面的那个一个角块）
      • 不亏叫角块循环，执行两次复原

    • R U R' U' R' F R2 U' R' U' R U R' F'

      • 顶面颜色不变，四个块交换（1个棱块，另外3个块连续边相对）
      • 棱块循环，执行两次复原

    • 三角块循环：U' L' U R U' L U R'

      • 顶面颜色变化（带有旋转），只有三个角块交换，执行三次复原

    • 三棱块交换：R2 U R U R' U' R' U' R' U R'

      • 顶面颜色不变，只有三个棱块交换，执行三次复原

    • 对棱交换：M2 U M2 U2 M2 U M2

      • 顶面颜色不变，相对的两个棱块交换，执行两次复原

    • 四棱块交换(RE)4：R E R E R E R E

      • 此外还有：(RS)4，(FE)4，(FM)4，(UM)4，(US)4
      • 不属于P操作，会影响中间层的三个棱块
      • 四个棱块不交换位置，只改变旋转，执行两次复原

总结：从四元数到魔方的数学升华

你现在的思考路径已经非常清晰了：

  1. 四元数（连续群）：两个无穷小旋转的交换子 \(\rightarrow\) 产生一个二阶小量（叉乘） \(\rightarrow\) 实现空间中的微小旋转。
  2. 魔方（离散群）：两个有限操作的交换子 \(\rightarrow\) 产生一个交集置换 \(\rightarrow\) 实现魔方状态的三阶循环（微调）。

交换子，就是群论赐予我们的“手术刀”。 无论这把手术刀是切在连续的三维空间（四元数），还是切在离散的魔方色块上，它的底层逻辑都是“利用不交换性，提取出纯粹的局部扰动”**。

总结洞察

从四元数的乘法不交换性，推导出了李括号（叉乘）；然后立刻联想到魔方的交换子。

这两者本质上是同一个数学幽灵在不同世界的投影：

  • 在连续空间（四元数）：不交换性在无穷小尺度下投影成了 李括号（叉乘）。
  • 在离散空间（魔方）：不交换性在有限操作下投影成了 三阶循环（3-cycle）。

一句话：无论是四元数还是魔方，交换子都是用来“提纯”群的非交换性，从而实现对系统状态的“精准微调”的终极武器。

李代数的序结构

这个问题非常敏锐，直接切中了李群与李代数之间最本质的结构差异。

首先需要澄清一个核心概念：李代数本身是一个向量空间，而不是一个群。 因此，当讨论李代数的“序关系”时，实际上是在讨论向量空间的序结构，而不是群的序结构。

李代数之所以能定义序关系，正是因为它“无挠”且具备向量空间的线性结构。具体来说，李代数上的序关系是通过以下方式定义的：

1. 核心机制：正锥（Positive Cone）

在向量空间（李代数）中定义序关系，最标准的方法是定义一个正锥。
正锥是一个特殊的子集 \(P\)（该子集不唯一），它满足以下性质：

  • 加法封闭：如果 \(x, y \in P\)，那么 \(x + y \in P\)。
  • 正数乘封闭：如果 \(x \in P\) 且 \(\lambda > 0\)（\(\lambda\) 是实数），那么 \(\lambda x \in P\)。
  • pointed：\(P \cap (-P) = \{0\}\)，即只有零向量既在正锥里，也在负锥里。

有了正锥 \(P\)，就可以定义向量之间的序关系：

\[x \le y \iff y - x \in P \]

也就是说，如果 \(y\) 减去 \(x\) 的差落在正锥里，就说 \(x\) 小于等于 \(y\)，这就保证了偏序

2. 为什么李代数能定义这种序？

  • 无挠性：李代数是一个实数域上的向量空间，它的运算只有加法和数乘。除了零向量，没有任何非零元素满足 \(nx = 0\)。这从根本上排除了“转圈回到原点”的矛盾，为定义序关系扫清了代数障碍。
  • 线性结构：向量空间的线性结构天然允许定义“方向”和“大小”。正锥本质上就是规定了哪些方向是“正方向”。

3. 经典例子：\(\mathbb{R}^n\) 与 \(so(3)\)

  • \(\mathbb{R}^n\)（平移李代数）：这是最直观的例子。通常定义的正锥就是所有分量都非负的向量集合，即 \(P = \{(x_1, ..., x_n) | x_i \ge 0\}\)。这定义了一个偏序关系。如果想要全序，可以引入字典序。
  • \(so(3)\)（旋转李代数）：\(so(3)\) 本质上是 \(\mathbb{R}^3\)。它的元素是三维向量（对应旋转轴和角度）。可以像 \(\mathbb{R}^3\) 一样，通过定义正锥来给旋转的“角速度向量”排序。例如，规定绕 Z 轴正方向的旋转为“正”，这就定义了一个偏序。

4. 关键区别：李代数的序 vs 李群的序

  • 李代数：作为向量空间，它可以非常自然地定义偏序（甚至全序），因为它的结构是线性的、无挠的。
  • 李群：作为流形和群，它的结构是非线性的、有挠的（如旋转群 \(SO(3)\)）。因此，李群无法定义与群运算兼容的全局序关系。

总结来说：
李代数之所以能定义序关系，是因为它抛弃了群的乘法结构，回归到了向量空间的线性结构。通过定义“正锥”，它在无挠的向量空间上建立了一套自洽的大小比较规则。这正是为什么在机器人控制和优化中，总是把问题从李群（旋转空间）拉到李代数（向量空间）中进行计算——因为在李代数里，不仅能做微积分，还能定义“大小”和“方向”，从而进行梯度下降等优化操作。

这两个问题非常精准，直接切中了李群与李代数理论中最核心的“自由度”与“映射”机制。逐一拆解：

5. 正锥（Positive Cone）是固定的吗？

结论是：正锥绝对不是固定的，它是人为规定的。

“李代数的两个元素之和与之差都在 P 里面”，这里其实有一个小小的误解。正锥 \(P\) 的定义只要求对加法和正数乘法封闭，并不要求对“减法”封闭（如果对减法也封闭，那 P 就会变成整个空间，序关系就失去意义了）。

正锥的本质，就是在一个原本“没有方向之分”的向量空间里，人为划定了一个“正方向”的区域。

以 \(so(3)\)（三维旋转的李代数，本质是 \(\mathbb{R}^3\)）为例：

  • 规定方式 1（全序）：可以像字典序一样规定，只要向量的第一个分量 \(x > 0\)，它就属于正锥 P。如果 \(x=0\) 但 \(y>0\)，也属于 P。这样定义的正锥，可以让 \(so(3)\) 中的任意两个元素都比出大小。
  • 规定方式 2（偏序）：也可以规定，只有当向量的三个分量 \(x, y, z\) 全部大于等于 0 时，它才属于正锥 P。这种情况下，向量 \((1, -1, 0)\) 和 \((0, 1, 0)\) 就不可比较了，因为它们相减的结果不在 P 里。

总结： \(so(3)\) 的正锥不是唯一的。研究什么样的序关系，就定义什么样的正锥。在机器人控制中，通常不需要给旋转排序，但如果在做基于优化的控制（比如模型预测控制 MPC），会利用李代数的向量空间特性，人为定义代价函数的“正方向”，这本质上就是在利用正锥的概念。

6. 李群元素如何映射到李代数元素？（以 SO(3) 为例）

李群到李代数的映射，核心工具是对数映射（Logarithm Map）。

用 “旋转轴-角（Axis-Angle）” 这个物理概念来讲解。

背景知识：

  • 李群 \(SO(3)\)：它的元素是一个 \(3 \times 3\) 的旋转矩阵 \(R\)，描述了一个刚体在空间中的最终姿态。
  • 李代数 \(so(3)\)：它的元素是一个三维向量 \(\omega = [\omega_x, \omega_y, \omega_z]^T\)。这个向量的方向代表旋转轴，模长代表旋转角度（弧度）。

映射过程：

第一步：从旋转矩阵 \(R\) 中提取旋转角度 \(\theta\)
旋转矩阵有一个神奇的性质：它的迹（Trace，即对角线元素之和）与旋转角度直接相关。

\[\text{tr}(R) = 1 + 2\cos(\theta) \]

所以，可以直接算出旋转角度：

\[\theta = \arccos\left(\frac{\text{tr}(R) - 1}{2}\right) \]

第二步：从旋转矩阵 \(R\) 中提取旋转轴 \(n\)
旋转轴 \(n = [n_x, n_y, n_z]^T\) 是旋转过程中唯一保持不动的方向。它可以通过旋转矩阵的反对称部分提取出来：

\[n_x = \frac{R_{32} - R_{23}}{2\sin(\theta)} \]

\[n_y = \frac{R_{13} - R_{31}}{2\sin(\theta)} \]

\[n_z = \frac{R_{21} - R_{12}}{2\sin(\theta)} \]

(注：当 \(\theta\) 接近 0 或 \(\pi\) 时，公式需要特殊处理，这里讲核心逻辑)

第三步：组合成李代数元素 \(\omega\)
有了旋转轴 \(n\) 和旋转角度 \(\theta\)，李代数元素 \(\omega\) 就是它们的乘积：

\[\omega = \theta \cdot n \]

这个三维向量 \(\omega\) 就是旋转矩阵 \(R\) 在李代数 \(so(3)\) 中的对应元素。

直观理解：

  • 李群 \(R\) 告诉你：“你最终脸朝哪个方向”。
  • 李代数 \(\omega\) 告诉你：“你是绕着哪根轴，转了多少度才到达这个方向的”。

在机器人学中，之所以要做这个映射，是因为旋转矩阵 \(R\) 有 9 个参数但只有 3 个自由度，且必须满足正交约束，直接对它求导和优化极其困难。而映射到李代数 \(\omega\) 后，它变成了一个无约束的 3 维向量，可以轻松地对其进行加减、求导和梯度下降，这就是李代数在机器人动力学与控制中如此强大的原因。

李代数元素就是旋转轴-角

在右手规则下，将旋转轴矢量 \(\vec{wuv}\) 归一化后乘以旋转角度 \(a\)（注意这里角度需要转换为弧度），得到的向量正是该旋转在李代数 \(so(3)\) 中的对应元素。

1. 确定旋转轴（方向）
首先，将任意非零的旋转轴矢量 \(\vec{wuv}\) 归一化，得到单位向量 \(\hat{n}\)：

\[\hat{n} = \frac{\vec{wuv}}{||\vec{wuv}||} \]

这个单位向量 \(\hat{n}\) 指明了旋转发生的轴线方向。

2. 编码旋转角度（大小）
然后，将旋转角度 \(a\)（弧度制）与单位旋转轴 \(\hat{n}\) 相乘，得到李代数元素 \(\vec{\omega}\)：

\[\vec{\omega} = a \cdot \hat{n} \]

直观理解：
这个三维向量 \(\vec{\omega}\) 完美地融合了旋转的两大要素：

  • 方向：向量的指向代表了旋转轴。
  • 大小：向量的模长 \(||\vec{\omega}|| = a\) 代表了旋转的角度。

补充说明：
在数学和工程代码中，这个三维向量 \(\vec{\omega} = [\omega_x, \omega_y, \omega_z]^T\) 通常还会被转换成一个 \(3 \times 3\) 的反对称矩阵（也称为“叉乘矩阵”或“hat操作”），记作 \(\hat{\omega}\) 或 \([\omega]_\times\)。这个矩阵形式在机器人动力学的公式推导（如指数映射 \(R = e^{[\omega]_\times}\)）中更为常用。

轴-角 ⇔ 李代数向量 ⇔ 反对称矩阵 ⇔ 旋转矩阵

正映射链条（李代数 → 李群）

正映射（李代数 → 李群） 和 反映射（李群 → 李代数） 的完整链条。

设定一个非常经典的物理场景：刚体绕 Z 轴正方向旋转 90 度。

设定初始条件

  • 旋转轴：Z 轴，单位向量 \(\hat{n} = [0, 0, 1]^T\)
  • 旋转角度：\(\theta = 90^\circ = \frac{\pi}{2}\) 弧度
  • 李代数元素：\(\vec{\omega} = \theta \cdot \hat{n} = [0, 0, \frac{\pi}{2}]^T\)

目标：已知李代数向量 \(\vec{\omega}\)，求对应的旋转矩阵 \(R\)。
核心公式：罗德里格斯公式（Rodrigues' Formula），即指数映射 \(R = e^{[\omega]_\times}\)。

Step 1：将向量转换为反对称矩阵（Hat 操作）
将 \(\vec{\omega} = [0, 0, \frac{\pi}{2}]^T\) 转换为 \(3 \times 3\) 的反对称矩阵 \([\omega]_\times\)：

\[[\omega]_\times = \begin{bmatrix} 0 & -\omega_z & \omega_y \\ \omega_z & 0 & -\omega_x \\ -\omega_y & \omega_x & 0 \end{bmatrix} = \begin{bmatrix} 0 & -\frac{\pi}{2} & 0 \\ \frac{\pi}{2} & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} \]

Step 2：代入罗德里格斯公式
公式为：\(R = I + \sin(\theta)[\hat{n}]_\times + (1-\cos(\theta))[\hat{n}]_\times^2\)
因为 \(\theta = \frac{\pi}{2}\)，所以 \(\sin(\theta)=1\)，\(\cos(\theta)=0\)。公式简化为：

\[R = I + [\omega]_\times + [\hat{n}]_\times^2 \]

Step 3：计算矩阵平方

\[[\hat{n}]_\times^2 = \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} = \begin{bmatrix} -1 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 0 \end{bmatrix} \]

Step 4：矩阵相加得到最终旋转矩阵

罗德里格斯公式中第二项是 \(\sin(\theta)[\hat{n}]_\times\)，即 \(1 \times [\hat{n}]_\times\)

\[R = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} + \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} + \begin{bmatrix} -1 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 0 \end{bmatrix} = \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix} \]

结果验证：这个矩阵完美描述了“X轴转到了Y轴，Y轴转到了-X轴”的 90 度旋转。

反映射链条（李群 → 李代数）

目标：已知旋转矩阵 \(R\)，反推李代数向量 \(\vec{\omega}\)。

\[R = \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix} \]

核心公式：对数映射（Logarithm Map）。

Step 1：从矩阵中提取旋转角度 \(\theta\)
利用矩阵的迹（Trace）：

\[\text{tr}(R) = 0 + 0 + 1 = 1 \]

\[\theta = \arccos\left(\frac{\text{tr}(R) - 1}{2}\right) = \arccos\left(\frac{1 - 1}{2}\right) = \arccos(0) = \frac{\pi}{2} \]

Step 2：从矩阵中提取旋转轴 \(\hat{n}\)
利用反对称部分提取：

\[\hat{n} = \frac{1}{2\sin(\theta)} \begin{bmatrix} R_{32} - R_{23} \\ R_{13} - R_{31} \\ R_{21} - R_{12} \end{bmatrix} \]

代入数值（\(\sin(\frac{\pi}{2})=1\)）：

\[\hat{n} = \frac{1}{2} \begin{bmatrix} 0 - 0 \\ 0 - 0 \\ 1 - (-1) \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix} \]

Step 3：组合成李代数元素

\[\vec{\omega} = \theta \cdot \hat{n} = \frac{\pi}{2} \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix} = [0, 0, \frac{\pi}{2}]^T \]

结果验证：完美还原了最初设定的李代数向量。

posted @ 2026-08-19 13:08  Invo1  阅读(20)  评论(0)    收藏  举报