Bevy引擎中骨骼网格的视锥体剔除问题解析
在Bevy游戏引擎中,开发者在使用骨骼网格(Skinned Mesh)时可能会遇到一个棘手的问题:即使网格完全位于摄像机视野范围内,仍然会被错误地剔除。这种现象严重影响了场景构建的自由度,开发者不得不依赖禁用视锥体剔除(NoFrustumCulling)来规避问题。
问题本质
问题的根源在于骨骼网格的包围盒(AABB)计算不准确。在3D渲染中,视锥体剔除是一种优化技术,通过判断物体的包围盒是否与摄像机的视锥体相交来决定是否渲染该物体。对于普通静态网格,这个机制工作良好,但对于骨骼动画这类动态变形的网格,情况就变得复杂了。
骨骼网格在动画过程中会不断变形,其实际形状可能远远超出初始的包围盒范围。当前的Bevy实现在处理骨骼网格时,使用的是基于静态姿态的初始包围盒,而没有考虑动画过程中骨骼变形对包围盒的影响。这导致当网格因动画而变形时,实际顶点可能已经超出了初始包围盒的范围,从而被错误地剔除。
影响范围
这个问题特别影响以下场景:
- 从GLTF文件加载的带有骨骼动画的场景
- 使用复杂骨骼层级结构的角色模型
- 动画幅度较大的动作序列
- 摄像机距离模型较远的场景
当开发者不使用NoFrustumCulling标记时,可能会发现某些骨骼网格在特定视角或特定动画帧时突然消失,即使它们明显应该位于摄像机视野内。
临时解决方案
目前开发者可以采用以下几种临时解决方案:
-
全局禁用视锥体剔除:为骨骼网格实体添加NoFrustumCulling组件,但这会牺牲性能优化。
-
手动扩展包围盒:根据动画的最大变形范围,手动设置足够大的包围盒。
-
使用社区插件:有开发者提供了专门解决此问题的插件,可以自动计算骨骼动画过程中的最大包围盒。
未来改进方向
Bevy核心开发团队已经意识到这个问题,并计划在未来版本中提供更完善的解决方案。可能的改进方向包括:
-
动态包围盒计算:在动画过程中实时更新网格的包围盒。
-
预计算最大包围盒:分析动画序列,预先计算出整个动画过程中可能达到的最大包围范围。
-
混合剔除策略:对骨骼网格采用更宽松的剔除策略,确保动画不会意外被剔除。
最佳实践建议
在问题完全解决前,建议开发者:
- 对关键角色模型使用NoFrustumCulling
- 对背景角色或次要动画可以保留标准剔除
- 定期关注引擎更新,及时移除临时解决方案
- 在场景设计时预留足够的空间余量,避免模型过于靠近剔除边界
这个问题虽然影响开发体验,但理解其背后的技术原理后,开发者可以更有针对性地采取应对措施,同时期待官方在未来版本中提供更优雅的解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00