游戏客户端架构 / 系统课时
零向量和退化矩阵怎么处理
零向量和退化矩阵怎么处理
目标重合时方向无法归一化,零缩放时矩阵无法求逆,接近退化的矩阵也可能放大误差。本篇把这些状态转成明确的返回值或异常,给调用方保留旧姿态、拒绝拾取或报告资源错误的机会,避免无效数值传播到整条变换链。
学习目标
- 在计算前识别非有限值和零长度。
- 区分不可逆与数值病态矩阵。
- 按业务选择可追踪的降级行为。
无法定义的结果不要伪造
位置相同的两个点没有唯一的朝向,零向量也没有单位方向。可以返回 None 让角色保留旧朝向,不能把零向量除以一个随手添加的小常量后声称得到单位方向。一个轴为零的缩放矩阵丢失了信息,同样没有唯一的逆变换。
行列式不为零也不保证数值稳定。对角矩阵 diag(1,1,10⁻¹²) 数学上可逆,但求逆会把相应误差放大。条件数衡量这种敏感性,应结合精度和允许误差决定是否拒绝;固定阈值只是具体系统的策略,不能当作数学定理。
给安全入口明确的契约
以下 Python 3.12 与 NumPy 2.x 程序专用于三维向量和三阶矩阵,示例阈值为长度 10⁻⁸、条件数 10⁸。返回 None 只表示缺少方向;矩阵无法安全求解则抛异常,调用方不可混淆两种结果。
python
import numpy as np
def safe_unit(v):
v = np.asarray(v,dtype=float)
if v.shape!=(3,) or not np.all(np.isfinite(v)):
raise ValueError('finite vector required')
length = np.linalg.norm(v)
if not np.isfinite(length): raise ValueError('length overflow')
return None if length<=1e-8 else v/length
def safe_solve(a,b):
a,b = np.asarray(a,dtype=float),np.asarray(b,dtype=float)
if a.shape!=(3,3) or b.shape!=(3,) or not np.all(np.isfinite(a)) or not np.all(np.isfinite(b)):
raise ValueError('finite 3x3 system required')
condition = np.linalg.cond(a)
if not np.isfinite(condition) or condition>1e8:
raise ValueError('singular or ill-conditioned')
return np.linalg.solve(a,b)
print('zero direction=', safe_unit([0,0,0]))
print('solution=', safe_solve(np.diag([2,1,1]),[4,3,1]).tolist())
for label,z in [('singular',0),('near singular',1e-12)]:
try: safe_solve(np.diag([1,1,z]),[1,2,3])
except ValueError: print(label, 'rejected')预期输出:
text
zero direction= None
solution= [2.0, 3.0, 1.0]
singular rejected
near singular rejected不同功能选择不同降级
角色瞄准可保留上一有效姿态;屏幕拾取遇到无效投影应返回未命中并记录原因;资源导入遇到零缩放可拒绝该资源或明确标记不可拾取。默认重置到世界原点会制造看似正常却完全错误的位置,应避免静默替换。
伪逆可以求某些最小二乘解,但不代表恢复了唯一原位置。只有业务明确允许最小二乘或降维解释时才使用,不能作为所有求逆失败的通用补丁。
让错误保留来源信息
日志应包含对象编码、矩阵来源、精度、条件数和时间戳,不必每帧重复刷屏。首次异常保留快照,后续按状态变化记录。本文测试零方向、正常求解、奇异与近奇异矩阵;实际系统还应在入口限制单位和合理范围,防止过大的有限值进入下游运算。
按自己的节奏,确认真正理解。