最优永存：用雅可比伪逆求解 IK

在 Unity 里拖动一个 IK Target 时，我们希望角色的手、脚或者武器挂点跟着目标移动，而不是手动调骨骼链上的每一个关节。

这个需求说起来很直观：目标在那里，让手过去就行。但真正开始写 Solver，就会遇到几个问题：

一条骨骼链可能有很多自由度，同一个目标通常不止一个解；
目标可能在骨骼链的可达范围之外；
手臂完全伸直时，某些旋转几乎无法带来有效位移；
更新太激进会抖动甚至发散，太保守又会在有限帧数内追不上目标。

于是我把 CCD、Jacobian Transpose、固定阻尼 DLS 和基于 SVD 的自适应 DLS 都塞进 Unity，拿同一组目标点跑了一遍。这篇就顺着实现过程聊两个问题：雅可比矩阵在 IK 里究竟代表什么，以及这些 Solver 到底该怎么选。

完整代码放在 Gelercatty/IK。

从 FK 到 IK

先看一条由个关节组成的骨骼链。每个关节相对父节点有一个固定偏移，以及由关节参数决定的局部旋转。它的局部齐次变换可以写成

从根节点一路把变换乘到末端，就得到了末端执行器的位置：

这就是正向运动学（Forward Kinematics，FK）：给定关节参数，计算末端位置。

IK 做的是反方向的事。现在我们只有目标位置，需要找到一组，让末端尽量靠近它：

麻烦在于，FK 是一串旋转和平移的连乘，关于关节角通常是非线性的。想直接把它“倒过来”求解，大多数时候并不现实。

两种不需要矩阵求逆的办法

Two-Bone IK

如果链上只有两段骨骼，例如上臂和前臂，可以利用余弦定理直接求解析解。先根据目标距离算出肘关节夹角，再结合指定的弯曲平面恢复肩部旋转。

Two-Bone IK 很快、很稳定，也容易控制肘部朝向，因此游戏里经常直接用于手臂和腿。但它依赖“两段骨骼”这个特殊结构，不能自然地扩展到尾巴、触手或脊柱这样的长链。

CCD

CCD（Cyclic Coordinate Descent）更通用。它从末端向根节点倒着遍历关节，每次只旋转一个关节，让“关节到末端”的方向尽量对齐“关节到目标”的方向。

repeat:
    for joint from end to root:
        u = end_effector - joint
        v = target - joint
        rotate joint from u toward v
        recompute forward kinematics

CCD 的优点是简单直观，而且不依赖大型矩阵运算。缺点也很明显：它逐关节贪心更新，容易产生比较夸张的弯曲；当需要同时处理末端朝向、多个控制点或软约束时，逻辑会迅速变复杂。

雅可比矩阵：关节动一点，末端会往哪走？

雅可比矩阵在这里并不神秘。它回答的是一个非常具体的问题：

当前姿态下，每个关节沿自己的自由度转动一点，末端执行器会产生怎样的瞬时位移？

把 FK 记为

在当前姿态附近做一阶近似：

令当前误差为

那么一次关节更新需要尽量满足

原本的非线性 IK，就这样被变成了一个局部线性问题。每次只相信当前姿态附近的一小步，更新关节后重新计算 FK 和 Jacobian，再继续下一轮。

q = initial_pose

for iteration in max_iterations:
    p = FK(q)
    e = target - p
    if length(e) < tolerance:
        break

    J  = BuildJacobian(q)
    dq = SolveDeltaQ(J, e)
    q  = ApplyDelta(q, dq)

不同 Jacobian Solver 的核心区别，基本都集中在 SolveDeltaQ 这一步。

不用真的去求所有偏导

如果末端只约束三维位置，的每一列对应一个旋转自由度对末端速度的贡献。

设某个旋转自由度的关节位置为，它在世界空间中的旋转轴为单位向量，末端位置为。刚体绕轴旋转时，末端的瞬时线速度满足

因此 Jacobian 的第列可以直接写成

整条链的位置 Jacobian 就是

这在实现上很方便：执行一次 FK，拿到所有关节的世界坐标位置和旋转轴，就可以按列组装 Jacobian，不需要在运行时做符号求导。

如果还要约束末端朝向，可以把角速度 Jacobian 拼在位置部分下面：

同理，想让肘部靠近某个平面、让武器挂点保持稳定，或者同时控制多个末端，也可以继续追加误差项和 Jacobian 子块。这是 Jacobian 方法相比 CCD 更有扩展性的地方。

直接使用的局限

如果恰好是可逆方阵，当然可以写成

但游戏里的 IK 很少这么规整：

自由度多于约束时，是宽矩阵，同一个末端目标可能有无穷多组关节解；
约束多于自由度时，是高矩阵，目标通常只能近似满足；
骨骼完全伸直或折叠时，一些列会趋于相关，会掉秩并接近奇异。

以完全伸直的手臂为例。此时两个关节带来的末端运动方向非常接近，某些方向几乎无法通过微小旋转实现。数学上表现为 Jacobian 的小奇异值；视觉上则表现为关节突然大幅旋转、来回震荡，或者怎么迭代都推不动末端。

因此我们通常不显式计算逆矩阵，而是选择更适合实时迭代的增量求解方法。

三种 Jacobian 更新方式

Jacobian Transpose

把位置误差写成能量

其负梯度方向可以由得到，于是使用

其中是步长。

它不需要求逆，计算便宜，很适合实时游戏。但它对步长敏感：太小追不上，太大容易越过目标并震荡。

伪逆

Moore-Penrose 伪逆给出

在超定系统中，它给出最小二乘解；在欠定系统中，它给出满足约束的最小范数解。不过，接近奇异位形时，小奇异值会被取倒数并大幅放大，造成很大的关节更新。

阻尼最小二乘 DLS

DLS 在误差之外再惩罚过大的关节变化：

对应的解为

越大，更新越保守、越稳定，但收敛也越慢。实际代码里没有必要真的构造逆矩阵，解对应的线性方程即可。

如果对做 SVD：

就能更直接地观察每个方向的可控性。普通伪逆在奇异方向上的增益是，而 DLS 将它变为

从而抑制小奇异值带来的爆炸性放大。还可以根据最小奇异值动态调整：姿态正常时少加阻尼，接近奇异时自动变得保守。

把几种 Solver 拉到同一张跑道上

我在 Unity 6.4 中实现了一套独立的骨骼链数据结构、FK、Jacobian 构建器和多种 Solver。下面两张图分别展示了目标可达和目标超出链长的情况。

上场的选手有：

CCD；
Jacobian Transpose；
固定阻尼 DLS，；
基于 SVD 的自适应阻尼 DLS。

可达目标和不可达目标各使用 200 个固定随机种子生成的样本，所有 Solver 共用同一批目标。最大迭代次数为 16，位置容忍度为 0.1，并在到之间扫描步长。

除了成功率、最终误差和耗时，我还记录了关节相对初始姿态的平均旋转偏移。这个指标很重要：两个 Solver 即使都把手送到了目标点，其中一个可能只是轻微调整整条链，另一个却把中间关节扭得很夸张。

可达目标

不可达目标

为了方便横向看，我把成功率、迭代次数、运行时间、最终误差和关节偏移压成了一个归一化加权分数。这个分数不是 IK 界的英雄榜，只代表在这组测试条件下，我更在意哪种折中。

Solver	最佳步长	综合分数
Jacobian Transpose	0.05	79.1
CCD	0.05	75.7
DLS，	0.05	73.2
SVD 自适应 DLS	0.05	71.9
DLS，	0.05	70.7
DLS，	0.02	66.7

结果比“高级算法一定更好”更有意思

这次测试里，最简单的 Jacobian Transpose 反而拿到了最高综合分。原因并不神秘：迭代预算只有 16 次，容忍度也相对宽松。在这种设置下，低成本、推进速度快的方法占了优势。

几个比较明显的现象：

步长往往比 Solver 名字更重要。 步长低于 0.01 时，大多数方法不是数值发散，而是根本来不及走到目标；进入 0.02 到 0.05 后表现才明显改善。
CCD 仍然非常能打。 它速度快、容易实现，也能稳定接近可达目标；代价是关节旋转偏移较大，姿态容易显得激进。
DLS 的价值是稳定，而不是免费提升精度。 较大的固定阻尼在这次测试中比低阻尼更好，说明抑制大幅关节更新确实有效，但它也付出了更多运行时间。
SVD 自适应阻尼没有在这个简单场景里赢。 它更适合多约束、严格精度和明显奇异位形。对于单末端位置、短迭代预算，额外计算还没有转化为足够收益。

所以 IK Solver 没有绝对排名。手脚的 Two-Bone IK、尾巴的 CCD、需要多目标和关节限制的 DLS，完全可能同时出现在一个项目里。

实际项目里我会怎么选

两段手臂或腿： 优先 Two-Bone IK，配合明确的弯曲方向。
简单长链、追求低成本： 先试 CCD。
需要在有限帧数内快速逼近： Jacobian Transpose 很实用，但一定要认真调步长或做线搜索。
容易遇到完全伸直、不可达目标或多约束： 使用 DLS，并对步长和阻尼做上限控制。
需要分析奇异方向或自适应稳定性： 再考虑 SVD；不要因为它数学上更完整就默认它一定更快。

无论选择哪种方法，工程上都建议加入：最大单步关节角、关节限位、不可达目标预处理、误差停机条件，以及对目标和关节更新的时间滤波。Solver 负责找到“能走的方向”，动画系统还要负责让它看起来像角色，而不是一串数学关节。