Puerts项目中FVector::GetSafeNormal方法的默认参数问题分析
问题背景
在Unreal Engine 5.3及以上版本中,FVector类的GetSafeNormal和GetSafeNormal2D方法新增了第二个参数,允许开发者指定一个参考向量,当向量归一化结果不合法时返回该参考向量。默认情况下,这个参考向量应该是FVector::ZeroVector。
然而,在使用Puerts(Unreal Engine的TypeScript绑定工具)时,开发者发现当调用这些方法使用默认参数时,返回的向量中会出现NaN(非数字)值,而不是预期的零向量。
问题复现
通过编写简单的测试脚本可以稳定复现这个问题:
import * as ue from 'ue'
for (let i = 0; i < 10000; i++) {
let v1_ue = new ue.Vector(0, 0, 1);
let v = v1_ue.GetSafeNormal2D(); // 预期返回{0,0,0}
if (v.X !== 0 || v.Y !== 0 || v.Z !== 0) {
console.log("i = ", i, "V: ", v.ToString());
debugger;
}
}
实际输出显示,在某些情况下会返回包含NaN的向量:
X=0.000 Y=nan Z=0.000
问题分析
经过深入调查,发现问题可能出在Puerts的静态绑定实现中。当将默认参数改为FVector::OneVector时,能够正确返回预期的{1,1,1}向量,这表明问题特定于FVector::ZeroVector的处理。
通过调试发现,问题可能源于参数传递时引用了栈上的临时变量,导致内存访问问题。具体来说,在绑定代码中:
.Method("GetSafeNormal", MakeFunction(&FVector::GetSafeNormal, UE_SMALL_NUMBER, FVector::ZeroVector))
.Method("GetSafeNormal2D", MakeFunction(&FVector::GetSafeNormal2D, UE_SMALL_NUMBER, FVector::ZeroVector))
FVector::ZeroVector作为默认参数传递时,可能被错误地处理为临时对象的引用,而非持久化的静态值。
技术细节
在C++中,FVector::ZeroVector是一个静态常量,通常应该安全地作为默认参数使用。然而,在跨语言边界(特别是与JavaScript交互)时,参数的传递机制可能导致引用失效。
当使用MakeFunction模板创建函数绑定时,默认参数的值需要在调用时保持有效。对于简单类型(如基本数值类型),这通常不是问题,但对于复杂对象(如FVector),需要确保其生命周期足够长。
解决方案
修复此问题需要确保默认参数FVector::ZeroVector在整个调用过程中保持有效。可能的解决方案包括:
- 修改绑定代码,确保正确传递静态常量的引用
- 显式构造一个新的FVector(0,0,0)作为默认参数,而非依赖FVector::ZeroVector
- 在JavaScript端显式传递零向量参数,避免依赖默认值
影响范围
此问题影响所有使用Puerts调用FVector::GetSafeNormal或GetSafeNormal2D方法并依赖默认参数的场景。在需要处理可能无效的向量归一化时,错误返回的NaN值可能导致后续数学计算出现意外行为。
最佳实践
在问题修复前,开发者可以采取以下临时解决方案:
// 显式传递零向量作为参数
let safeNormal = vector.GetSafeNormal(UE_SMALL_NUMBER, new ue.Vector(0,0,0));
这样可以避免依赖可能有问题的默认参数实现。
总结
跨语言绑定中的默认参数处理是一个需要特别注意的领域,特别是当涉及到复杂对象时。Puerts团队需要仔细检查默认参数的传递机制,确保静态常量的正确引用。对于开发者而言,在遇到类似问题时,显式传递参数而非依赖默认值是更可靠的做法。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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