Rigel's site

Back
17 min
中文
角色动画与运动仿真

角色动画与运动仿真-角色运动学

角色动画与运动仿真笔记-02
views | comments

角色运动学基础#

  • 骨骼结构: 角色模型通常由关节 (joint)、骨骼 (bone) 和链 (link) 组成。
  • 自由度 (Degrees of Freedom, DoF): 用于描述一个机械系统状态的独立参数个数。
    • 铰链关节 (Hinge/Revolute joint): 例如膝盖和手肘，拥有 1 DoF，其旋转范围通常受限 (θmin≤θ≤θmax\theta_{min} \le \theta \le \theta_{max})。
    • 万向节 (Universal joint): 拥有 2 DoF。
    • 球窝关节 (Ball-and-socket joint): 例如髋关节和肩部，拥有 3 DoF，旋转同样受限。

正向运动学#

正向运动学是指在已知所有关节的旋转参数 RiR_i 的情况下，计算末端执行器 (End Effector) 在全局坐标系下的位置 xx。

公式推导#

在机器人学或计算机图形学的链式结构中，通常涉及两种描述姿态的方式：

  • RiR_i (Local Rotation / Relative Rotation): 第 ii 个关节相对于前一个关节的局部旋转。
  • QiQ_i (Global Orientation): 第 ii 个关节相对于世界坐标系（全局）的绝对朝向。

通过逐级累乘局部旋转矩阵，可以得到每一级的全局朝向。

  • 推导过程

  • Q0=R0Q_0 = R_0 （基座/起始点的朝向）

  • Q1=R0R1=Q0R1Q_1 = R_0 R_1 = Q_0 R_1

  • Q2=R0R1R2=Q1R2Q_2 = R_0 R_1 R_2 = Q_1 R_2

  • Q3=R0R1R2R3=Q2R3Q_3 = R_0 R_1 R_2 R_3 = Q_2 R_3

  • Q4=R0R1R2R3R4=Q3R4Q_4 = R_0 R_1 R_2 R_3 R_4 = Q_3 R_4

  • 通项公式

Qi=Qi−1RiQ_i = Q_{i-1} R_i

如果我们已知各级的全局朝向，可以反求出局部旋转矩阵：

利用旋转矩阵的正交性（QT=Q−1Q^T = Q^{-1}），从 Qi=Qi−1RiQ_i = Q_{i-1} R_i 可以推导出：

Ri=Qi−1TQiR_i = Q_{i-1}^T Q_i

任意两点间的相对旋转#

如果需要计算链条中任意两个非相邻节点（例如节点 1 到节点 4）之间的相对旋转 R41R_4^1：

R41=Q1TQ4=(R0R1)TR0R1R2R3R4=R2R3R4\begin{aligned} R_{4}^{1} &= Q_{1}^{T} Q_{4} \\ &= (R_{0} R_{1})^{T} R_{0} R_{1} R_{2} R_{3} R_{4} \\ &= R_{2} R_{3} R_{4} \end{aligned}

层级计算#

  • 计算各关节的全局旋转/朝向：
Qi=Qi−1RiQ_i = Q_{i-1} R_i
  • 计算各关节的全局位置：
pi+1=pi+Qilip_{i+1} = p_i + Q_i l_i
  • 末端执行器位置:
x=pE+QEx0x = p_E + Q_E x_0

（其中 pEp_E 为末端关节位置，QEQ_E 为其全局旋转，x0x_0 为局部偏移量。）

总结#

已知条件： 所有关节的旋转矩阵 RiR_i 和连杆长度 lil_i。
目标1： 求解末端点 x0x_0 在全局或局部参考系下的坐标 xx。

  • 方法 A：自底向上（从根节点到末端） 依次计算每一级的全局朝向 QiQ_i 和位置 pip_i：

    • 循环迭代： 对 ii 从 rootroot 到 end_effectorend\_effector：
      • Qi=Qi−1RiQ_i = Q_{i-1} R_i
      • pi+1=pi+Qilip_{i+1} = p_i + Q_i l_i
    • 最终坐标： x=pE+QEx0x = p_E + Q_E x_0 (其中 pEp_E 和 QEQ_E 分别为末端执行器的全局位置和朝向)

  • 方法 B：自顶向下（从末端到根节点） 通过递归变换直接累积坐标：

    • 初始化： x=x0x = x_0
    • 循环迭代： 对 ii 从 end_effectorend\_effector 到 rootroot：
      • x=li−1+Rixx = l_{i-1} + R_i x

目标2： 求解 x0x_0 相对于局部坐标系 QkQ_k (Local Frame) 的坐标

  • 方法 A：局部增量法 将 QkQ_k 视为临时根节点（即 Q0′=I,p0′=0Q'_0 = I, p'_0 = 0）：

    • 循环迭代： 对 ii 从 joint k+1joint \ k+1 到 end_effectorend\_effector：
      • Qi′=Qi−1′RiQ'_i = Q'_{i-1} R_i
      • pi+1′=pi′+Qi′lip'_{i+1} = p'_i + Q'_i l_i
    • 相对坐标： x=pE′+QE′x0x = p'_E + Q'_E x_0

  • 方法 B：局部递归法

    • 初始化： x=x0x = x_0
    • 循环迭代： 对 ii 从 end_effectorend\_effector 到 joint k+1joint \ k+1：
      • x=li−1+Rixx = l_{i-1} + R_i x

角色姿态与参考系#

  • Posed Character（摆好姿态的角色）： 角色最终呈现的动作是由一系列局部旋转矩阵（如 R0,R1,R2,R3R_0, R_1, R_2, R_3）作用于骨骼链的结果。
  • 参考姿态 (Reference Poses)： 制作模型和动画时的初始默认姿态。
    • T-Pose： 双臂平举，形似字母 “T”。
    • A-Pose： 双臂自然下垂，角度通常在 45° 左右，形似字母 “A”。

核心矛盾： 同样的动作指令（如“手臂向上旋转 90°”），在不同的参考姿态下，最终得到的全局效果完全不同。

  • 示例：

动作重定向#

单物体的重定向#

核心任务： 物体在姿态 A 为初始状态时的旋转为 RAR_A，求在姿态 B 下等效的旋转 RBR_B。

  • 定义偏移： 设从姿态 A 到姿态 B 的旋转偏移为 RA→BR_{A \to B}。
  • 计算公式： RB=RARA→BTR_B = R_A R_{A \to B}^T (这里 RA→BTR_{A \to B}^T 即 RB→AR_{B \to A}，用于抵消姿态 B 相对于 A 的初始偏角。)

运动链的重定向#

对于多节点链路，每一级都有其对应的全局朝向偏移 (Global Orientation Offset)，记为 QA→BQ^{A \to B}。

  • 已知变量 (姿态 A)：

    • QpiA=RpiAQ_{p_i}^A = R_{p_i}^A （父节点的全局朝向）
    • QiA=QpiARiAQ_i^A = Q_{p_i}^A R_i^A （当前节点的全局朝向）

  • 目标变量 (姿态 B)： 我们需要求解 RiBR_i^B，使得在姿态 B 下应用该旋转后，物体在全局空间的效果与姿态 A 一致。

最终公式#

根据单物体的结论 QB=QA(QA→B)TQ^B = Q^A (Q^{A \to B})^T，我们可以对父节点和当前节点分别写出转换关系：

  1. 父节点全局朝向转换： QpiB=QpiA(QpiA→B)TQ_{p_i}^B = Q_{p_i}^A (Q_{p_i}^{A \to B})^T
  2. 当前节点全局朝向转换： QiB=QiA(QiA→B)TQ_i^B = Q_i^A (Q_i^{A \to B})^T

通过代入 QiB=QpiBRiBQ_i^B = Q_{p_i}^B R_i^B，最终推导出重定向后的局部旋转矩阵公式：

RiB=QpiA→BRiA(QiA→B)T\mathbf{R_i^B = Q_{p_i}^{A \to B} R_i^A (Q_i^{A \to B})^T}

逆向运动学#

与 FK 相反，IK 是在已知末端执行器目标位置 x~\tilde{x} 的前提下，反向求出使得系统达到该位置的各关节旋转参数 θ\theta。这是一个典型的非线性问题，可能存在唯一解、多解或无解的情况。

启发式方法#

  • 循环坐标下降法 (Cyclic Coordinate Descent, CCD):

    • 原理: 每次迭代中只旋转一个关节，使其末端指向目标位置，遍历所有轴循环执行。
    • 特点: 易于实现且计算速度快。但靠近末端的关节（即首先被处理的关节）往往转动幅度过大，可能需要多次迭代才能收敛，且结果对初始解敏感。

  • FABRIK (Forward and Backward Reaching IK):

    • 原理: 一种基于位置的快速迭代求解器，包含前向（Forward）和后向（Backward）计算过程。
    • 特点: 简单快速，且在无约束问题中保证收敛。

优化方法#

将 IK 视为一个最优化问题，目标是寻找最优的参数 θ\theta 来最小化误差函数： F(θ)=12∥f(θ)−x~∥22F(\theta) = \frac{1}{2} \| f(\theta) - \tilde{x} \|_2^2

  • 雅可比矩阵 (Jacobian Matrix): 雅可比矩阵反映了末端执行器位置对各参数的偏导数：

    J=∂f∂θ=[∂f∂θ0∂f∂θ1⋯∂f∂θn]J = \frac{\partial f}{\partial \theta} = \begin{bmatrix} \frac{\partial f}{\partial \theta_0} & \frac{\partial f}{\partial \theta_1} & \cdots & \frac{\partial f}{\partial \theta_n} \end{bmatrix}

    （对于铰链关节，可以使用几何法直接计算：∂f∂θi=ai×ri\frac{\partial f}{\partial \theta_i} = \mathbf{a}_i \times \mathbf{r}_i。）

  • 梯度下降 / 雅可比转置法 (Jacobian Transpose):

    θi+1=θi−αJTΔ\theta^{i+1} = \theta^i - \alpha J^T \Delta

    其中 Δ=f(θi)−x~\Delta = f(\boldsymbol{\theta}^i) - \widetilde{\boldsymbol{x}} 为误差向量
    这是一阶方法，不需要计算矩阵的逆，但收敛速度可能较慢。

    • 假设所有关节均为 铰链关节 (Hinge joint / Revolute joint)。

      • aia_i： 第 ii 个关节的旋转轴向量。
      • rir_i： 从第 ii 个关节指向末端执行器 xx 的位移向量。

      当第 ii 个关节旋转一个微小角度 δθi\delta \theta_i 时，末端点从 xx 移动到 x′x'，其位移向量由罗德里格斯公式给出：

      x′−x=(sin⁡δθi)ai×ri+(1−cos⁡δθi)ai×(ai×ri)\boldsymbol{x}' - \boldsymbol{x} = (\sin \delta \theta_i) \boldsymbol{a}_i \times \boldsymbol{r}_i + (1 - \cos \delta \theta_i) \boldsymbol{a}_i \times (\boldsymbol{a}_i \times \boldsymbol{r}_i)

      为了得到雅可比矩阵中的第 ii 列，对角度取极限：

      ∂f∂θi=lim⁡δθi→0x′−xδθi\frac{\partial f}{\partial \theta_i} = \lim_{\delta \theta_i \to 0} \frac{\boldsymbol{x}' - \boldsymbol{x}}{\delta \theta_i}

      利用泰勒级数展开（当 δθi→0\delta \theta_i \to 0 时，sin⁡δθi≈δθi\sin \delta \theta_i \approx \delta \theta_i 且 1−cos⁡δθi≈01 - \cos \delta \theta_i \approx 0）：

      ∂f∂θi=ai×ri\mathbf{\frac{\partial f}{\partial \theta_i} = a_i \times r_i}

    • 对于球关节，个球关节会在雅可比矩阵中占用连续的三列。
      设 ff 为末端执行器的位置函数，θi=(θix,θiy,θiz)T\boldsymbol{\theta}_i = (\theta_{ix}, \theta_{iy}, \theta_{iz})^T 为球关节的三个旋转角。该关节对雅可比矩阵的贡献为： ∂f∂θi=[∂f∂θix∂f∂θiy∂f∂θiz]\frac{\partial f}{\partial \boldsymbol{\theta}_i} = \begin{bmatrix} \frac{\partial f}{\partial \theta_{ix}} & \frac{\partial f}{\partial \theta_{iy}} & \frac{\partial f}{\partial \theta_{iz}} \end{bmatrix} 根据铰链关节的导数公式 ∂f∂θ=a×r\frac{\partial f}{\partial \theta} = a \times r，球关节的三列具体为：
      • 第一列： aix×ria_{ix} \times r_i （绕 X 轴旋转产生的瞬时位移）
      • 第二列： aiy×ria_{iy} \times r_i （绕 Y 轴旋转产生的瞬时位移）
      • 第三列： aiz×ria_{iz} \times r_i （绕 Z 轴旋转产生的瞬时位移）
        其中：
        aix,aiy,aiza_{ix}, a_{iy}, a_{iz}：分别为当前坐标系下三个正交的旋转轴向量。
        rir_i：从球关节中心指向末端执行器 xx 的位移矢量。
        在将球关节拆解为三个铰链关节（绕 x,y,zx, y, z 轴）时，由于旋转是相继发生的，后面的旋转轴会受到前面旋转的影响。
        为了计算雅可比矩阵，我们需要在全局坐标系下确定这三个轴向量：
      • 第一轴（X轴） aix=Qi−1ex\boldsymbol{a}_{ix} = Q_{i-1}\boldsymbol{e}_x 直接取前一级关节的全局朝向 Qi−1Q_{i-1} 作用于标准 XX 轴单位向量 ex\boldsymbol{e}_x。
      • 第二轴（Y轴）： aiy=Qi−1Rixey\boldsymbol{a}_{iy} = Q_{i-1}R_{ix}\boldsymbol{e}_y 该轴不仅受前一级朝向影响，还受本关节已经发生的 XX 轴旋转 RixR_{ix} 的带动。
      • 第三轴（Z轴）： aiz=Qi−1RixRiyez\boldsymbol{a}_{iz} = Q_{i-1}R_{ix}R_{iy}\boldsymbol{e}_z 该轴受前一级朝向以及本关节已发生的 XX 轴和 YY 轴旋转的双重带动。

  • 高斯-牛顿法 / 雅可比求逆法 (Gauss-Newton / Jacobian Inverse):
    逆运动学的本质是寻找一组关节角 θ\theta，使得末端位置 f(θ)f(\theta) 与目标位置 x~\widetilde{x} 的误差最小。通常定义最小二乘代价函数：

    F(θ)=12∥f(θ)−x~∥22F(\theta) = \frac{1}{2} \|f(\theta) - \widetilde{x}\|_2^2

    • 高斯-牛顿法 (Gauss-Newton Method)
      通过对非线性函数 f(θ)f(\theta) 进行一阶泰勒展开，将非线性优化转化为线性子问题：

      • 一阶近似： f(θ)≈f(θ0)+J(θ−θ0)f(\theta) \approx f(\theta^0) + J(\theta - \theta^0)
      • 代价函数近似： F(θ)≈12∥f(θ0)+J(θ−θ0)−x~∥22F(\theta) \approx \frac{1}{2} \|f(\theta^0) + J(\theta - \theta^0) - \widetilde{x}\|_2^2
      • 一阶最优条件 (KKT/正规方程)：
      JTJ(θ−θ0)=−JTΔJ^T J (\theta - \theta^0) = -J^T \Delta

      其中 Δ=f(θ0)−x~\Delta = f(\theta^0) - \widetilde{x} 是当前的误差向量。
      局限性：如果 JTJJ^T J 是不可逆的（通常发生在雅可比矩阵 JJ 为宽矩阵时，即自由度大于目标空间维度），则无法直接解出 θ\theta。

    • 雅可比逆方法 (Jacobian Inverse Method)在机器人学中，我们通常面临冗余自由度问题，此时 JJ 是扁平的。虽然 JTJJ^T J 不可逆，但 JJTJJ^T 往往是可逆的。
      上式两边同乘 JJ ，并消去 JJTJJ^T ：

      J(θ−θ0)=−ΔJ(\theta - \theta^0) = -\Delta

      最终更新公式：

      θ=θ0−J+Δ\theta = \theta^0 - J^+ \Delta

      其中 J+J^+ 称为 Moore-Penrose 伪逆 (Pseudoinverse)：

      J+=JT(JJT)−1\mathbf{J^+ = J^T(JJ^T)^{-1}}

    • 当我们要最小化误差函数 F(θ)=12∥f(θ)−x~∥22F(\theta) = \frac{1}{2} \|f(\theta) - \widetilde{x}\|_2^2 时，最常用的迭代更新步长公式为：

      θ=θ0−αJ+Δ\theta = \theta^0 - \alpha J^+ \Delta
      • α\alpha：步长（Learning Rate）。
      • Δ\Delta：当前误差向量 (f(θ0)−x~)(f(\theta^0) - \widetilde{x})。
      • J+J^+：雅可比矩阵的伪逆。

    • J+J^+ 的分类讨论：矩阵形态决定

      • 情况 A：冗余系统 (Underdetermined System)

        • 特征： JJ 是“宽矩阵”（行数 < 列数），即机器人的自由度非常多，可以从无数种姿态中达到目标。
        • 公式： J+=JT(JJT)−1J^+ = J^T (JJ^T)^{-1}
        • 性质： 此时 JJTJJ^T 是可逆的。这种解在所有可行解中，能使关节角度的变化量 ∥θ−θ0∥\|\theta - \theta^0\| 最小。

      • 情况 B：超定系统 (Overdetermined System)

        • 特征： JJ 是“长矩阵”（行数 > 列数），通常出现在需要末端同时满足过多约束，而机器人自由度不足时。例如对多个关节的位置都有约束。
        • 公式： J+=(JTJ)−1JTJ^+ = (J^T J)^{-1} J^T
        • 性质： 此时 JTJJ^T J 是可逆的。这实际上就是经典最小二乘法的解。

    • 问题: 当矩阵接近奇异时（例如手臂完全伸直的奇异位形），会导致计算不稳定。

  • 阻尼雅可比求逆法 (Damped Jacobian Inverse):

    在标准的伪逆法中，当机器人接近奇异位姿时，雅可比矩阵的逆（或伪逆）会变得趋于无穷大，导致关节跳变。

    阻尼法通过在目标函数中引入一个“惩罚项”，限制关节旋转幅度，从而确保数值计算的稳定性。

    修改后的目标函数不再仅仅追求末端误差最小，同时要求关节的变化量也要小：

    F(θ)=12∥f(θ)−x~∥22+λ2(θ−θi)TW(θ−θi)F(\theta) = \frac{1}{2} \|f(\theta) - \widetilde{x}\|_2^2 + \frac{\lambda}{2} (\theta - \theta^i)^T W (\theta - \theta^i)
    • 第一项： 末端位置误差。
    • 第二项 (阻尼项/正则项)： 限制 θ\theta 偏离当前值 θi\theta^i 的程度。
    • λ\lambda (Damping parameter)： 阻尼系数。λ\lambda 越大，动作越平稳但收敛慢；λ\lambda 越小，越接近标准伪逆法。
    • WW (Weight matrix)： 权重矩阵（通常是对角阵），用于为不同关节分配不同的重要性。

    根据矩阵形状的不同，计算公式中加入了阻尼项 λI\lambda I（或 λW\lambda W）：

    • 当 JJ 为宽矩阵 (冗余系统)：
    J∗=JT(JJT+λI)−1J^* = J^T (JJ^T + \lambda I)^{-1}
    • 当 JJ 为长矩阵 (超定系统)：
    J∗=(JTJ+λI)−1JTJ^* = (J^T J + \lambda I)^{-1} J^T

    效果： 通过加上 λI\lambda I，原本可能由于奇异而导致行列式为 0 的矩阵 (JJT)(JJ^T) 变得强制可逆，从而避免了数值爆炸。

    在接近极限位置时，机器人会表现得更加“保守”，宁愿保留一点点位置误差，也不愿让关节发生疯狂的瞬间甩动。

角色动画与运动仿真-角色运动学
https://astro-pure.js.org/blog/mocca-notes/02
Author Rigel
Published at 2026年3月21日
Copyright CC BY-NC-SA 4.0
Buy me a cup of coffee ☕.

几何计算前沿-获取

角色动画与运动仿真-数学
Comment seems to stuck. Try to refresh?✨