10.53 회전 벡터(Rotation Vector)의 정의와 성질

1. 회전 벡터의 정의

회전 벡터(rotation vector)는 3차원 회전을 표현하는 간결한 방법으로, 축-각도 표현의 축과 각도를 단일 3차원 벡터로 결합한 형태이다. 지수 좌표(exponential coordinates)라고도 불린다.

\boldsymbol{\phi} = \phi\hat{\mathbf{u}}

여기서

• \hat{\mathbf{u}}: 회전 축 (단위 벡터)
• \phi: 회전 각

벡터의 크기가 회전 각이고 방향이 회전 축이다.

\phi = \lVert\boldsymbol{\phi}\rVert, \quad \hat{\mathbf{u}} = \boldsymbol{\phi}/\phi

2. 회전 벡터의 기본 성질

2.1 매개변수 수

회전 벡터는 3 매개변수를 사용한다. 이는 오일러 각이나 로드리게스 매개변수와 같다.

2.2 자유 매개변수

제약 조건이 없는 자유 매개변수이다. 임의의 \mathbb{R}^3 벡터가 유효한 회전 벡터이다.

2.3 리 대수와의 대응

회전 벡터는 \mathfrak{so}(3) 리 대수의 자연 좌표이다. 회전 벡터에서 회전 행렬로의 사상이 지수 사상이다.

2.4 직관적 해석

벡터의 크기와 방향이 각각 회전 각과 회전 축에 직접 대응하므로 직관적이다.

3. 회전 벡터와 회전 행렬

회전 벡터 \boldsymbol{\phi}로부터 회전 행렬은 지수 사상으로 계산된다.

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

여기서 [\boldsymbol{\phi}]_\times는 \boldsymbol{\phi}의 반대칭 행렬이다. 이는 로드리게스 회전 공식의 행렬 형태로 다음과 같이 전개된다.

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

여기서 \phi = \lVert\boldsymbol{\phi}\rVert이다.

3.1 작은 회전의 근사

\phi가 작을 때

\frac{\sin\phi}{\phi} \approx 1 - \frac{\phi^2}{6}, \quad \frac{1 - \cos\phi}{\phi^2} \approx \frac{1}{2} - \frac{\phi^2}{24}

1차 근사로

\mathbf{R} \approx \mathbf{I} + [\boldsymbol{\phi}]_\times

이는 무한소 회전의 1차 근사이며, 작은 회전에 대해 매우 유용하다.

4. 회전 행렬에서 회전 벡터로

회전 행렬 \mathbf{R}로부터 회전 벡터는 로그 사상으로 추출된다.

\boldsymbol{\phi} = \log(\mathbf{R})^\vee

여기서 (\cdot)^\vee는 반대칭 행렬에서 벡터로의 사상이다. 구체적으로

\phi = \arccos\left(\frac{\mathrm{tr}(\mathbf{R}) - 1}{2}\right)

\hat{\mathbf{u}} = \frac{1}{2\sin\phi}\begin{bmatrix}r_{32} - r_{23} \\ r_{13} - r_{31} \\ r_{21} - r_{12}\end{bmatrix}

\boldsymbol{\phi} = \phi\hat{\mathbf{u}}

5. 회전 벡터와 쿼터니언

쿼터니언 \mathbf{q} = (\cos(\phi/2), \sin(\phi/2)\hat{\mathbf{u}})로부터 회전 벡터는

\boldsymbol{\phi} = 2\,\mathrm{atan2}(\lVert\mathbf{q}_v\rVert, q_w)\cdot\frac{\mathbf{q}_v}{\lVert\mathbf{q}_v\rVert}

또는 작은 회전에 대해서는 근사적으로

\boldsymbol{\phi} \approx 2\mathbf{q}_v

5.1 역방향

회전 벡터에서 쿼터니언으로:

\mathbf{q} = \left(\cos(\phi/2), \sin(\phi/2)\frac{\boldsymbol{\phi}}{\phi}\right)

6. 회전 벡터의 특이점

6.1 작은 회전

\phi = 0일 때 회전 축이 결정되지 않지만, 회전 벡터 자체는 \boldsymbol{\phi} = \mathbf{0}으로 잘 정의된다. 방향 정보가 모호한 것뿐이다.

6.2 \phi = \pi 근처

\phi = \pi에서 회전 벡터는 여전히 유한하다(\lVert\boldsymbol{\phi}\rVert = \pi). 그러나 매개변수 공간의 경계 근처이므로 주의가 필요하다.

6.3 매개변수 공간

회전 벡터는 반지름 \pi인 공 내부의 점으로 회전을 매개화한다.

\lVert\boldsymbol{\phi}\rVert \leq \pi

이 공의 경계(\lVert\boldsymbol{\phi}\rVert = \pi)에서 대척점 \boldsymbol{\phi}와 -\boldsymbol{\phi}가 같은 회전을 나타낸다.

7. 회전 벡터의 합성

두 회전 벡터의 합성은 단순한 벡터 덧셈이 아니다. 회전의 비가환성 때문이다.

7.1 작은 회전의 근사

작은 회전의 경우

\boldsymbol{\phi}_1\oplus\boldsymbol{\phi}_2 \approx \boldsymbol{\phi}_1 + \boldsymbol{\phi}_2

이는 1차 근사이다.

7.2 일반적 경우

일반적으로 회전 벡터의 합성은 베이커-캠벨-하우스도르프(Baker-Campbell-Hausdorff, BCH) 공식으로 주어진다.

\boldsymbol{\phi}_1\oplus\boldsymbol{\phi}_2 = \boldsymbol{\phi}_1 + \boldsymbol{\phi}_2 + \frac{1}{2}\boldsymbol{\phi}_1\times\boldsymbol{\phi}_2 + \cdots

고차 항은 복잡하므로, 실용적으로는 쿼터니언이나 회전 행렬로 변환하여 합성한다.

8. 회전 벡터의 운동학

회전 벡터의 시간 미분과 각속도의 관계는 매개변수 공간에 따라 다르다.

8.1 본체 좌표계 각속도

\dot{\boldsymbol{\phi}} = \mathbf{J}_l^{-1}(\boldsymbol{\phi})\boldsymbol{\omega}

여기서 \mathbf{J}_l은 좌측 야코비안이다.

8.2 좌측 야코비안

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

이는 \phi > 0에서 잘 정의되며, \phi = 0에서 \mathbf{I}로 수렴한다.

8.3 작은 회전의 근사

\phi \to 0일 때 \dot{\boldsymbol{\phi}} \approx \boldsymbol{\omega}이다. 작은 회전에서는 회전 벡터의 미분이 각속도와 같다.

9. 회전 벡터의 장점

9.1 직관성

회전의 기하학적 의미(축과 각도)가 매개변수에 직접 반영되어 이해하기 쉽다.

9.2 자유 매개변수

제약 조건이 없으므로 최적화 변수로 적합하다.

9.3 리 대수 구조

\mathfrak{so}(3)의 자연 좌표이므로 리 군 이론과 자연스럽게 결합된다.

9.4 작은 회전에서의 선형성

작은 회전에서 회전 벡터의 덧셈이 회전 합성에 근접한다. 이는 선형 필터링 등에 유용하다.

9.5 오차 표현

자세 추정의 오차를 회전 벡터로 표현하면 작은 오차가 선형적으로 다루어진다.

10. 회전 벡터의 단점

10.1 합성의 복잡성

회전 벡터의 합성이 단순한 벡터 덧셈이 아니므로, 회전 행렬이나 쿼터니언으로 변환이 필요하다.

10.2 경계 근처의 문제

\phi = \pi 근처에서 매개변수 공간의 경계 효과가 있다. 대척점 이중성이 있다.

10.3 보간의 부자연스러움

회전 벡터의 선형 보간은 측지선 보간이 아니며, 쿼터니언의 SLERP와 달리 일정한 각속도를 보장하지 않는다.

10.4 회전 행렬 변환의 비선형성

회전 벡터에서 회전 행렬로의 변환이 비선형(지수 사상)이므로 계산 비용이 있다.

11. 회전 벡터의 응용

11.1 비선형 최적화

SLAM, 번들 조정, 자세 추정 등의 비선형 최적화에서 회전을 회전 벡터로 매개화한다. 자유 매개변수이므로 표준 최적화 알고리즘과 호환된다.

11.2 오류 상태 칼만 필터

오류 상태 칼만 필터(ESKF)에서 작은 자세 오차를 회전 벡터로 표현한다. 주 자세는 쿼터니언으로 유지한다.

11.3 리 군 최적화

리 군 SO(3) 상의 최적화에서 지역 매개화로 회전 벡터를 사용한다. 이는 매니폴드 구조를 존중하는 최적화 방법이다.

11.4 자세 적분

짧은 시간 단계의 회전 적분에서 회전 벡터를 사용할 수 있다. 작은 회전의 가환 근사가 유용하다.

11.5 모션 추정

시각 관성 오도메트리(VIO)에서 프레임 간 작은 자세 변화를 회전 벡터로 표현한다.

12. 회전 벡터와 쿼터니언의 비교

13. 회전 벡터의 리 대수 해석

13.1 \mathfrak{so}(3) 리 대수

\mathfrak{so}(3)는 3\times 3 반대칭 행렬의 집합이며, SO(3) 리 군의 리 대수이다. 회전 벡터는 이 리 대수의 “벡터 형태“이다.

13.2 사상 관계

• 벡터 \boldsymbol{\phi} \in \mathbb{R}^3
• 반대칭 행렬 [\boldsymbol{\phi}]_\times \in \mathfrak{so}(3)
• 회전 행렬 \mathbf{R} = \exp([\boldsymbol{\phi}]_\times) \in SO(3)

13.3 브래킷 연산

리 대수의 브래킷 연산은 외적에 대응한다.

[[\mathbf{a}]_\times, [\mathbf{b}]_\times] = [\mathbf{a}\times\mathbf{b}]_\times

이는 \mathfrak{so}(3)의 비가환성을 반영한다.

14. 회전 벡터의 미분 기하학

14.1 접공간

회전 벡터는 SO(3)의 단위 원소에서의 접공간을 매개화한다. 즉, 항등 회전 근처의 작은 회전을 자연스럽게 표현한다.

14.2 지수 사상

\exp: \mathfrak{so}(3) \to SO(3)

이는 접공간에서 리 군으로의 사상이다. 회전 벡터로부터 회전 행렬을 계산한다.

14.3 로그 사상

\log: SO(3) \to \mathfrak{so}(3)

이는 지수 사상의 역이다. 회전 행렬로부터 회전 벡터를 추출한다.

15. 작은 회전에서의 계산

작은 회전에서 회전 벡터는 특히 효율적이다.

15.1 차 근사

\mathbf{R} \approx \mathbf{I} + [\boldsymbol{\phi}]_\times

15.2 벡터 회전

\mathbf{v}' \approx \mathbf{v} + \boldsymbol{\phi}\times\mathbf{v}

이러한 근사는 작은 회전에서 매우 정확하며, 계산이 선형적이다.

16. 대체 표현과의 변환

16.1 회전 벡터 → 쿼터니언

\mathbf{q} = \left(\cos(\lVert\boldsymbol{\phi}\rVert/2), \frac{\sin(\lVert\boldsymbol{\phi}\rVert/2)}{\lVert\boldsymbol{\phi}\rVert}\boldsymbol{\phi}\right)

16.2 회전 벡터 → 회전 행렬

로드리게스 공식을 직접 적용한다.

16.3 회전 벡터 → MRP

\boldsymbol{\sigma} = \tan(\lVert\boldsymbol{\phi}\rVert/4)\frac{\boldsymbol{\phi}}{\lVert\boldsymbol{\phi}\rVert}

17. 결론

회전 벡터는 3차원 회전의 간결하고 직관적인 표현이다. 리 대수 \mathfrak{so}(3)의 자연 좌표로서 최적화, 자세 추정, 리 군 분석 등에 적합하다. 작은 회전에서 선형성을 보이는 것이 장점이지만, 합성과 보간이 쿼터니언보다 복잡하다. 일반 응용에서는 쿼터니언이 더 자주 사용되지만, 비선형 최적화와 오차 표현에서 회전 벡터의 장점이 두드러진다. 회전 표현 중에서 수학적으로 가장 자연스러운 형태 중 하나이다.

18. 참고 문헌

• Sola, J. (2017). “Quaternion Kinematics for the Error-State Kalman Filter.” arXiv:1711.02508.
• Barfoot, T. D. (2017). State Estimation for Robotics. Cambridge University Press.
• Chirikjian, G. S. (2011). Stochastic Models, Information Theory, and Lie Groups, Volume 2. Birkhäuser.
• Bloesch, M., Sommer, H., Laidlow, T., Burri, M., Nützi, G., Fankhauser, P., Bellicoso, D., Gehring, C., Leutenegger, S., Hutter, M., & Siegwart, R. (2016). “A Primer on the Differential Calculus of 3D Orientations.” arXiv:1606.05285.
• Murray, R. M., Li, Z., & Sastry, S. S. (1994). A Mathematical Introduction to Robotic Manipulation. CRC Press.

version: 1.0