foot IK 总结

CCD

算法核心思想：从链式骨骼的末端-1节点开始，每次让当前顶点和末端骨骼的向量，与当前节点与目标位置的向量重合，并且多次迭代。
具体核心算法如下：

for k in range(self.niterations):
    for j in range(nbone-3, -1, -1): # 注意这个，逆序
        grot, gpos = quat.fk(lrot, lpos, anim_data["parents"])

        pos_begin = gpos[:, j] # 当前joint
        pos_end = gpos[:, nbone-2] # end joint
        v1 = quat.normalize( pos_end - pos_begin )
        v2 = quat.normalize( pos_foot - pos_begin )
        
        diff_rot = quat.normalize( quat.between(v1, v2) )
        orot = lrot[:, j]
        nrot= quat.normalize( quat.mul(diff_rot, orot) )
        nrot = quat.slerp(orot, nrot, (1+j)/(nbone-2))
        lrot[:, j] = quat.normalize( nrot )

注意点：

1. pos_foot 就是目标位置，这里 nbone 正常是 -1 ，但是 -2 是因为我这里包含脚掌的骨骼，这个骨骼单独对齐一下
2. 对于 目标位置要做合理的处理，尤其是处理算法结果脚滑的时候，其实主要是要修正 root/hip 的位置，然后再估计出合理的 foot 位置，再用这个算法

pytorch 优化思想

上述算法如果要拓展，避免不了走上加条件，然后求雅可比矩阵的路子。为了避免这样，可以用 pytorch 构造前向过程，然后自己加各种约束转换为 Loss。

具体可以参考这里的代码：InverseKinematics.
不过上述代码缺乏一些细节调整，一般还需要实现如下的优化：
1）子链优化：比如一般来说上半身是不需要优化的，只优化下半身
2）加权：不同骨骼有不同的权重，一般中间的骨骼没必要和旧位置保持一致
3）twist 惩罚，帧间平滑

其他方式

一个 c++ 的库
footskate