9.64 지수 좌표와 행렬 지수 사상

1. 지수 좌표의 개념

지수 좌표(exponential coordinates)는 리 군의 원소를 리 대수의 원소로 매개화하는 좌표 체계이다. SE(3)의 경우, 모든 강체 변환을 6차원 트위스트(또는 6차원 매개변수)로 매개화한다. 행렬 지수 사상이 지수 좌표를 강체 변환으로 변환한다.

2. SO(3)의 지수 좌표

SO(3)의 지수 좌표는 회전 벡터 \boldsymbol{\phi} = \phi\hat{\mathbf{u}} \in \mathbb{R}^3이다. 회전 벡터의 크기가 회전 각, 방향이 회전 축이다. 행렬 지수 사상은 다음과 같다.

\mathbf{R} = \exp([\boldsymbol{\phi}]_\times)

여기서 [\boldsymbol{\phi}]_\times는 회전 벡터의 반대칭 행렬이다. 이 사상의 닫힌 형태가 로드리게스 공식이다.

\mathbf{R} = \mathbf{I} + \frac{\sin\phi}{\phi}[\boldsymbol{\phi}]_\times + \frac{1 - \cos\phi}{\phi^2}[\boldsymbol{\phi}]_\times^2

3. SE(3)의 지수 좌표

SE(3)의 지수 좌표는 6차원 트위스트 \boldsymbol{\xi} = (\boldsymbol{\omega}, \mathbf{v}) \in \mathbb{R}^6이다. 행렬 지수 사상은 다음과 같다.

\mathbf{T} = \exp([\boldsymbol{\xi}])

여기서 [\boldsymbol{\xi}]는 트위스트의 4 \times 4 반대칭 행렬 표현이다.

[\boldsymbol{\xi}] = \begin{bmatrix}[\boldsymbol{\omega}]_\times & \mathbf{v} \\ \mathbf{0}^T & 0\end{bmatrix}

4. SE(3) 지수 사상의 닫힌 형태

SE(3)의 지수 사상은 다음의 닫힌 형태를 가진다.

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

여기서

• \exp([\boldsymbol{\omega}]_\times): 회전 벡터의 지수, 즉 로드리게스 공식에 의한 회전 행렬
• \mathbf{V}(\boldsymbol{\omega}): SE(3)의 좌측 야코비안

좌측 야코비안의 닫힌 형태는

\mathbf{V}(\boldsymbol{\omega}) = \mathbf{I} + \frac{1 - \cos\phi}{\phi^2}[\boldsymbol{\omega}]_\times + \frac{\phi - \sin\phi}{\phi^3}[\boldsymbol{\omega}]_\times^2

이며, \phi = \lVert \boldsymbol{\omega} \rVert이다.

5. 닫힌 형태의 유도

5.1 \boldsymbol{\omega}가 0이 아닌 경우

[\boldsymbol{\xi}]의 거듭제곱을 계산하면 다음의 패턴이 나타난다.

[\boldsymbol{\xi}]^2 = \begin{bmatrix}[\boldsymbol{\omega}]_\times^2 & [\boldsymbol{\omega}]_\times\mathbf{v} \\ \mathbf{0}^T & 0\end{bmatrix}

[\boldsymbol{\xi}]^3 = \begin{bmatrix}[\boldsymbol{\omega}]_\times^3 & [\boldsymbol{\omega}]_\times^2\mathbf{v} \\ \mathbf{0}^T & 0\end{bmatrix}

이러한 패턴이 계속되어, 행렬 지수의 테일러 급수에서 좌상단 블록이 \exp([\boldsymbol{\omega}]_\times)가 되고, 우상단 블록이 \sum_{k=0}^\infty \frac{1}{(k+1)!}[\boldsymbol{\omega}]_\times^k\mathbf{v} = \mathbf{V}(\boldsymbol{\omega})\mathbf{v}가 된다.

5.2 좌측 야코비안의 닫힌 형태

\mathbf{V}(\boldsymbol{\omega})의 무한 급수를 닫힌 형태로 표현하기 위해, [\boldsymbol{\omega}]_\times의 거듭제곱 패턴([\boldsymbol{\omega}]_\times^3 = -\phi^2[\boldsymbol{\omega}]_\times)을 활용하여 급수를 \sin과 \cos의 형태로 재정렬한다. 결과는 위에 제시된 닫힌 형태이다.

5.3 \boldsymbol{\omega} = 0인 경우 (순수 병진)

회전 부분이 0이면 트위스트는 순수 병진이며, 지수 사상은 단순히

\exp([\boldsymbol{\xi}]) = \begin{bmatrix}\mathbf{I} & \mathbf{v} \\ \mathbf{0}^T & 1\end{bmatrix}

이 된다. 이 경우 좌측 야코비안 \mathbf{V}(\mathbf{0}) = \mathbf{I}이며, 병진 부분이 그대로 \mathbf{v}이다.

6. 지수 사상의 성질

6.1 전사성

SE(3)의 지수 사상은 전사이다. 즉, 모든 강체 변환 \mathbf{T} \in SE(3)에 대해 \exp([\boldsymbol{\xi}]) = \mathbf{T}를 만족하는 트위스트 \boldsymbol{\xi}가 존재한다. 이는 SE(3)이 연결되어 있고 컴팩트하지 않은 리 군이라는 사실의 결과이다.

6.2 일대일성의 한계

지수 사상은 전역적으로 일대일이 아니다. \lVert \boldsymbol{\omega} \rVert > \pi인 경우 같은 강체 변환에 대응하는 여러 트위스트가 존재한다. 관례적으로 \lVert \boldsymbol{\omega} \rVert \leq \pi로 제한하여 대부분의 강체 변환에 대해 유일한 역상을 얻는다.

6.3 합성 규칙

일반적으로 \exp([\boldsymbol{\xi}_1] + [\boldsymbol{\xi}_2]) \neq \exp([\boldsymbol{\xi}_1])\exp([\boldsymbol{\xi}_2])이다. 즉, 트위스트 합산이 강체 변환의 합성에 직접 대응하지 않는다. 정확한 관계는 베이커-캠벨-하우스도르프 공식으로 주어진다.

7. 지수 좌표의 응용

7.1 비선형 최적화

SLAM, 번들 조정 등의 비선형 최적화에서 강체 변환을 직접 최적화하는 것이 어렵다. 대신 지수 좌표를 사용하여 매개변수가 자유롭게 변할 수 있도록 한다. 매 반복에서 현재 자세 주위의 작은 트위스트 \delta\boldsymbol{\xi}를 최적화하고, 이를 지수 사상으로 자세 갱신에 적용한다.

\mathbf{T}_{\text{new}} = \mathbf{T}_{\text{old}}\exp([\delta\boldsymbol{\xi}])

7.2 자세 적분

각속도와 선형 속도(트위스트)의 시간 적분으로 자세를 갱신할 때 지수 사상이 사용된다. 짧은 시간 \Delta t 후의 자세는 다음과 같다.

\mathbf{T}(t + \Delta t) = \mathbf{T}(t)\exp([\boldsymbol{\xi}\Delta t])

이는 매니폴드 구조를 정확히 존중하는 적분 방법이다.

7.3 POE 공식

곱지수 공식의 핵심 도구가 지수 사상이다.

\mathbf{T}(\boldsymbol{\theta}) = \exp([\boldsymbol{\xi}_1]\theta_1)\exp([\boldsymbol{\xi}_2]\theta_2)\cdots\exp([\boldsymbol{\xi}_n]\theta_n)\mathbf{M}

각 관절의 운동이 트위스트의 지수로 표현되며, 매니퓰레이터의 순기구학이 이러한 지수의 곱으로 계산된다.

7.4 회전 보간과 강체 변환 보간

두 자세 사이의 보간은 로그 사상으로 차이를 트위스트로 변환하고, 지수 사상으로 보간된 자세를 산출한다.

\mathbf{T}(t) = \mathbf{T}_1\exp(t\log(\mathbf{T}_1^{-1}\mathbf{T}_2)) \quad t \in [0, 1]

이는 SE(3) 매니폴드 상의 측지선이며, 강체 운동의 가장 자연스러운 보간이다.

8. 지수 좌표의 야코비안

지수 사상의 좌측 야코비안 \mathbf{V}(\boldsymbol{\omega})는 매니폴드 상의 작은 변위가 어떻게 트위스트 매개변수의 변화에 대응하는지를 결정한다. 이 야코비안은 다음의 비선형 최적화에서 핵심 도구이다.

8.1 잔차의 야코비안 계산

비선형 최소 제곱 문제에서 잔차의 자세에 대한 야코비안을 계산할 때 좌측 야코비안이 사용된다. 사슬 규칙(chain rule)으로 매개변수 야코비안과 결합된다.

8.2 매개변수의 갱신

가우스-뉴턴 또는 레벤버그-마쿼트 알고리즘에서 매개변수의 갱신은 좌측 야코비안의 역에 의해 변환된다.

9. 수치적 안정성

9.1 작은 회전 각의 처리

\phi = \lVert \boldsymbol{\omega} \rVert가 0에 가까울 때 \sin\phi/\phi, (1-\cos\phi)/\phi^2 등의 계수가 0/0의 형태가 되어 수치 오차를 유발한다. 이를 방지하기 위해 작은 \phi에서는 테일러 전개를 사용한다.

\frac{\sin\phi}{\phi} \approx 1 - \frac{\phi^2}{6} + \cdots

\frac{1 - \cos\phi}{\phi^2} \approx \frac{1}{2} - \frac{\phi^2}{24} + \cdots

\frac{\phi - \sin\phi}{\phi^3} \approx \frac{1}{6} - \frac{\phi^2}{120} + \cdots

9.2 큰 회전 각의 처리

\phi가 \pi에 가까울 때도 수치 문제가 발생할 수 있다. 이 경우 두 가지 접근법이 가능하다.

1. 큰 회전을 작은 회전들의 합성으로 분해
2. 더 안정한 표현(쿼터니언)으로 변환 후 처리

10. 지수 좌표와 다른 표현법의 비교

지수 좌표는 정확히 6개의 매개변수를 사용하면서도 짐벌 락과 같은 심각한 특이점이 없다는 장점이 있다.

11. 참고 문헌

• Hall, B. C. (2015). Lie Groups, Lie Algebras, and Representations (2nd ed.). Springer.
• Murray, R. M., Li, Z., & Sastry, S. S. (1994). A Mathematical Introduction to Robotic Manipulation. CRC Press.
• Lynch, K. M., & Park, F. C. (2017). Modern Robotics: Mechanics, Planning, and Control. Cambridge University Press.
• Barfoot, T. D. (2017). State Estimation for Robotics. Cambridge University Press.
• Sola, J., Deray, J., & Atchuthan, D. (2018). “A Micro Lie Theory for State Estimation in Robotics.” arXiv:1812.01537.

version: 1.0