游戏客户端架构 / 系统课时

固定步长设成多少合适

固定步长设成多少合适

固定步长决定物理和游戏逻辑多久推进一次。步长过大会让碰撞、约束和高速运动变粗糙,步长过小又会显著增加 CPU 更新次数;合理值不是追求越高频越好,而是在稳定性、成本和输入响应之间找到可验证的平衡点。

学习目标

  • 理解固定步长对模拟精度、CPU 成本和输入响应的影响。
  • 比较 30 Hz、60 Hz、120 Hz 三种常见量级的差异。
  • 用最坏场景测试选择并验证适合项目的固定步长。

先看三个直接后果

固定步长缩短时,每秒需要执行的模拟次数会增加。以 30 Hz、60 Hz、120 Hz 为例,对应步长约为 33.33 ms、16.67 ms、8.33 ms。频率翻倍,理论更新次数也翻倍,因此物理、AI 或固定更新中的工作量会更频繁地发生。

另一方面,较短步长能减少每次积分跨过的时间,使高速物体每一步移动更短,通常更有利于碰撞检测、约束求解和控制稳定性。输入如果只在固定更新中生效,较高更新频率也会缩短“新输入等待下一次模拟步”的量化延迟,但最终手感仍受渲染、显示刷新、缓冲和网络影响。

固定频率 单步时间 每秒更新数 主要倾向
30 Hz 33.33 ms 30 CPU 成本低,但每步跨度大
60 Hz 16.67 ms 60 成本与稳定性较均衡
120 Hz 8.33 ms 120 时间分辨率高,但更新成本明显增加

用可测量量判断步长

不要只凭“目标帧率”决定物理步长。至少要同时观察最快运动对象、碰撞容差、约束稳定性和最坏场景下单次固定更新成本。一个简单指标是“对象每个固定步最多移动多远”:如果单步位移已经接近或超过薄碰撞体尺寸,就算平均帧率很高,也可能出现穿透或接触不稳定。

下面的可运行示例以 12 m/s 的对象为例,计算不同固定频率下的单步位移。

python
speed_mps = 12.0

for hz in (30, 60, 120):
    dt = 1.0 / hz
    move_per_step = speed_mps * dt
    print(
        f"{hz} Hz: dt={dt * 1000:.2f} ms, "
        f"steps/s={hz}, move/step={move_per_step:.3f} m"
    )

预期输出

text
30 Hz: dt=33.33 ms, steps/s=30, move/step=0.400 m
60 Hz: dt=16.67 ms, steps/s=60, move/step=0.200 m
120 Hz: dt=8.33 ms, steps/s=120, move/step=0.100 m

同一个对象在 30 Hz 时每步移动 0.4 m,在 120 Hz 时只有 0.1 m。步长变小没有自动消除所有碰撞问题,但它降低了离散采样之间的运动跨度,也给求解器更多修正机会。

从 60 Hz 起步再做压力测试

如果项目没有引擎或网络协议给出的既定约束,可以先把 60 Hz 作为可操作的起点,再用真实最坏场景验证。测试时同时记录单次固定更新耗时、每帧 catch-up 次数、穿透或抖动现象,以及输入到模拟生效的延迟。

若 60 Hz 下物理稳定且最坏场景仍有充足 CPU 余量,就没有必要仅为“数字更高”改到 120 Hz。若高速碰撞、关节或车辆等系统在 60 Hz 下明显不稳定,可以先检查连续碰撞检测、求解器参数和运动速度,再评估提高固定频率,而不是直接把步长压到更小。

什么时候该选更大或更小的步长

较大的步长适合模拟要求不高、对象速度较慢、CPU 预算紧张的系统;较小的步长适合高速运动、强约束、精细控制或对输入量化延迟敏感的系统。真正的边界不是“看起来是否流畅”,而是最坏负载下固定更新能否长期按时完成。

最终应选择“足够小到让模拟稳定,又足够大到让最坏场景可持续运行”的步长,并把这个选择用性能记录和游戏内验证固定下来,而不是只依赖经验值。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

固定步长设成多少合适

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通