---
title: "矩陣李群（Matrix Lie Groups）"
slug: matrix-lie-groups
language: zh-TW
source: https://aiterms.tw/terms/matrix-lie-groups
updated_at: 2026-07-30
tags: [數學, 幾何深度學習, 3D視覺, 機器人學, 群論]
ipas_term: false
---

# 矩陣李群（Matrix Lie Groups）

既是光滑流形又具有群結構的矩陣集合，在機器人學、3D 視覺、幾何深度學習中用於描述剛體運動與對稱性。

## 完整說明

矩陣李群（Matrix Lie Groups）是數學中同時滿足群公理（封閉性、結合律、單位元素、逆元素）且元素為矩陣的光滑流形，群的乘法運算（矩陣乘法）及求逆運算均為光滑映射。在 AI 與機器學習中，矩陣李群提供了描述旋轉、平移等剛體變換的精確數學框架，是 3D 電腦視覺、機器人運動規劃、以及幾何深度學習（Geometric Deep Learning）的理論基礎。

## 常見問題

### 矩陣李群和一般矩陣有什麼不同？

並非所有矩陣集合都構成李群。一個矩陣集合要成為李群，必須同時滿足兩類條件。第一是群結構：集合中任意兩個矩陣的乘積仍在集合中（封閉性）、乘法滿足結合律（矩陣乘法天然滿足）、集合中存在單位矩陣（單位元素）、每個矩陣都存在逆矩陣且逆也在集合中。第二是光滑流形結構：集合本身是一個光滑流形，且群的乘法運算和求逆運算都是光滑映射。舉例說明差異：所有 n×n 實數矩陣的集合不是李群（矩陣加法不構成群乘法；奇異矩陣沒有逆矩陣）；所有可逆 n×n 實數矩陣構成一般線性群 GL(n,R)，這是一個李群；旋轉矩陣（行列式為 1 的正交矩陣）構成特殊正交群 SO(n)，也是李群。李群的關鍵特點是它既有群的代數結構（可以組合、求逆），又有流形的幾何結構（可以微分、做優化），使其成為描述連續對稱性的精確語言。

### 李群在 3D 電腦視覺中為什麼重要？

3D 電腦視覺的核心問題之一是如何精確、高效地表示和計算相機或物體的姿態（旋轉 + 平移）。旋轉的數學結構本質上是 SO(3) 群，平移的數學結構是向量空間，兩者組合成描述剛體運動的 SE(3) 群。李群的重要性體現在幾個方面。首先，旋轉不能簡單地用三個角度（歐拉角）做線性插值：歐拉角插值會經過萬向節鎖（gimbal lock）奇點，而在 SO(3) 上使用球面線性插值（SLERP）則能得到幾何意義正確的平滑旋轉軌跡。其次，SLAM 和 Bundle Adjustment 等優化問題需要在 SE(3) 上最小化誤差，李代數提供了局部線性化的機制，讓梯度計算和高斯-牛頓迭代能夠在旋轉流形上正確執行。第三，等變神經網路利用 SO(3) 的群結構設計對三維旋轉天然不變或等變的特徵提取器，無需大量旋轉資料增廣即可處理任意方向的 3D 輸入，在點雲分析、分子結構預測等任務上顯著提升樣本效率。

### 非數學背景的 AI 工程師需要學矩陣李群嗎？

這取決於工作方向。對大多數 NLP、推薦系統、或二維影像處理工程師而言，矩陣李群不是必要知識。然而在幾個特定方向，李群知識從「加分項」變為「必要條件」。第一是機器人學與強化學習：設計操作機械手臂或移動機器人的策略網路，需要正確處理 SE(3) 中的位姿表示和插值，避免歐拉角奇點問題。第二是 3D 視覺與 SLAM：實作視覺里程計、結構從運動（SfM）、或 NeRF 類模型時，相機姿態最佳化涉及 SO(3)/SE(3) 上的流形優化，理解李代數是正確使用 Sophus、g2o 等庫的前提。第三是幾何深度學習研究：實作 SE(3)-Transformer、EGNN 等等變網路，需要理解群等變性的數學定義。對這些方向感興趣的工程師，建議先學好線性代數和群論基礎，再針對具體應用（如四元數表示旋轉、指數映射）逐步深入，不需要一開始就研讀李群的完整數學理論。

---

來源：https://aiterms.tw/terms/matrix-lie-groups
快查頁：https://aiterms.tw/terms/matrix-lie-groups
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-matrix-lie-groups