HybrIK流程

定义

T = { t k } k = 1 K T=\{t_k\}^K_{k=1} T={tk​}k=1K​：静止姿态下的关节点坐标。
R = { R p a ( k ) , k } k = 1 K R=\{R_{pa(k), k}\}_{k=1}^K R={Rpa(k),k​}k=1K​：相对旋转。
Q = { q k } k = 1 K Q=\{q_k\}^K_{k=1} Q={qk​}k=1K​：根据输入的相对旋转，FK计算出的关节点坐标。
$K$: 关节点数目。
$pa(k)$：第k个节点的父节点。
$R_{pa(k),k}$：第k个节点关于其父节点的相对旋转。

前向动力学：

$$q_k=R_k(t_k-t_{pa(k)})+q_{pa(k)}\text{\hspace{1em}(1)}$$

$$R_k=R_{pa(k)}{R}_{pa(k),k}\text{\hspace{1em}(2)}$$

$R_k\in SO(3)$：第k个节点关于标注静止姿态空间的全局旋转。

反向动力学：

IK是FK的逆过程，输入静止姿态$T$和目标姿态$P$， 计算相对旋转矩阵$R$
$$R=IK(P,T)\text{\hspace{1em}(3)}$$
理想情况下，求得的旋转矩阵需要满足如下条件：
$$p_k-p_{pa(k)}=R_k(t_k-t_{pa(k)})\forall 1\le k\le K\text{\hspace{1em}(4)}$$
FK问题是适定的，IK问题却是病态的，要么无解，要么可能存在许多解可以目前上述条件。

运动学树

Naive HybrIK

类似FK过程，IK过程可以沿着运动学树迭代进行。
首先，我们要确定根节点的全局旋转$R_0$，可以通过spine, left hip, right hip这三个点的位置和SVD分解求得闭式解。
之后的每一步，以第k步为例，我们假设其父节点$R_{pa(k)}$的旋转已知, 根据公式(1)和(2)可得：
$$R_{pa(k)}^{-1}(p_k-p_{pa(k)})=R_{pa(k),k}(t_k-t_{pa(k)})\text{\hspace{1em}(5)}$$

$$\begin{array}{rl}\overrightarrow{p_k}& =R_{pa(k)}^{-1}(p_k-p_{pa(k)})\\ \overrightarrow{t_k}& =t_k-t_{pa(k)}\end{array}$$

可以通过下式计算相对旋转：
$$R_{pa(k),k}=D(\overrightarrow{p_k},\overrightarrow{t_k},{\varphi }_k)$$
${\varphi }_k$是网络预测出的第k个节点的twist角。twist角的集合表示为 Φ = { ϕ k } k = 1 K \Phi=\{\phi_k\}_{k=1}^K Φ={ϕk​}k=1K​，因为旋转矩阵是正交阵，因此$R_{pa(k)}^{-1}=R_{pa(k)}^T$，使得解算过程可微。
完整的算法流程如下：
输入：Q, T, $\Phi$
输出：R
第一步先确定根节点0的全局旋转，再沿着运动学树进行下述迭代处理
$$\begin{array}{rl}\overrightarrow{p_k}& \leftarrow R_{pa(k)}^{-1}(p_k-p_{pa(k)})\\ \overrightarrow{t_k}& \leftarrow t_k-t_{pa(k)}\\ R_{pa(k),k}^{sw}& \leftarrow D^{sw}(\overrightarrow{p_k},\overrightarrow{t_k})\\ R_{pa(k),k}^{tw}& \leftarrow D^{tw}(\overrightarrow{p_k},\overrightarrow{{\varphi }_k})\\ R_{pa(k),k}& \leftarrow R_{pa(k),k}^{sw}{R}_{pa(k),k}^{tw}\end{array}$$

$$R^{sw}=D^{sw}(\vec{p},\vec{t})=I+sin\alpha [\vec{n}{]}_{\times }+(1-cos\alpha )[\vec{n}{]}_{\times }^2$$

$$R^{tw}=D^{tw}(\vec{p},\varphi )=I+\frac{sin\varphi }{||\vec{t}||}[\vec{n}{]}_{\times }+\frac{(1-cos\varphi )}{||\vec{t}|{|}^2}[\vec{n}{]}_{\times }^2$$
$$\vec{n}=\frac{\vec{t}\times \vec{p}}{||\vec{t}\times \vec{p}||}$$
$[\vec{t}{]}_{\times }$是$\vec{t}$的对称矩阵。

Adaptive HybrIK

Naive HybrIK过程看着是有效的，它遵循了$||q_k-q_{pa(k)}||=||t_k-t_{pa(k)}||$这个假设。
但不幸的是，3D关键点估计方法的预测结果，并不总是能和静止姿态模板一致。如果使用Naive HybrIK的方式，这个误差会沿着运动学树一直累计。

$$\begin{array}{rl}{q}_{pa(k)}& \leftarrow R_{pa(k)}(t_{pa(k)}-t_{p{a}^2(k)})+q_{p{a}^2(k)}\\ \overrightarrow{p_k}& \leftarrow R_{pa(k)}^{-1}(p_k-q_{pa(k)})\\ \overrightarrow{t_k}& \leftarrow t_k-t_{pa(k)}\\ R_{pa(k),k}^{sw}& \leftarrow D^{sw}(\overrightarrow{p_k},\overrightarrow{t_k})\\ R_{pa(k),k}^{tw}& \leftarrow D^{tw}(\overrightarrow{p_k},\overrightarrow{{\varphi }_k})\\ R_{pa(k),k}& \leftarrow R_{pa(k),k}^{sw}{R}_{pa(k),k}^{tw}\end{array}$$