游戏客户端架构 / 系统课时
几百个刚体为什么开始掉帧
几百个刚体为什么开始掉帧
同样是五百个刚体,均匀分散的小球和挤在角落的箱子堆可能有完全不同的帧时间。本节用接触密度、活跃比例与约束工作量解释差异,安排能区分根因的对照实验,而不是寻找一个通用数量上限。
学习目标
- 区分对象数、候选对数和真实接触约束数。
- 识别密集堆叠、持续唤醒及补步造成的成本增长。
- 在正确性不退化的前提下选择优化顺序。
数量相同,接触拓扑不同
空间粗检测通常会排除绝大多数相距很远的物体,所以不能直接声称每步一定检查所有两两组合。但密集堆叠、很大的包围盒、复杂复合形状或频繁加入移除,会增加候选处理。真正进入求解器的接触和关节越多,约束工作也通常越大。
碰撞体对、接触点和约束行并不是同一个计数。一个物体可以拥有多个碰撞体,一对形状也可能有多个接触点;摩擦和关节还会引入额外约束。因此“500 个刚体乘 8 次迭代”并不能准确预测毫秒数。
用估算揭示趋势,不预测帧率
以下 Python 3 示例计算所有两两组合的理论上界,以及给定约束数和迭代次数时的简化工作量指标。它不是任何引擎的真实复杂度公式,也不包含并行、CCD、缓存与接触更新成本。
def estimate(bodies, constraints, iterations):
all_pairs_upper_bound = bodies * (bodies - 1) // 2
# 仅表示每次迭代遍历给定约束的教学指标。
solver_units = constraints * iterations
return all_pairs_upper_bound, solver_units
scenes = [("分散", 500, 120, 8),
("堆叠", 500, 1800, 8),
("堆叠高迭代", 500, 1800, 16)]
for name, bodies, constraints, iterations in scenes:
pairs, units = estimate(bodies, constraints, iterations)
print(f"{name}: 对数上界={pairs}, 求解指标={units}")预期输出:
分散: 对数上界=124750, 求解指标=960
堆叠: 对数上界=124750, 求解指标=14400
堆叠高迭代: 对数上界=124750, 求解指标=28800上界相同并不意味着实际候选对相同。这个例子只说明:在已知接触拓扑的条件下,约束数量和迭代设置比物体总数提供更多信息。应从分析器获取真实活跃体、接触和约束计数,再观察它们与耗时的相关性。
用四个场景定位增长来源
| 对照场景 | 保持不变 | 观察差异 |
|---|---|---|
| 分散与密集堆叠 | 刚体数量、形状 | 候选对、接触、求解耗时 |
| 自然静止与每步施力 | 场景布局 | 活跃比例与休眠情况 |
| 简单形状与复合形状 | 可见模型、总质量 | 窄检测与接触数量 |
| 相同步长下调整局部迭代 | 运动与负载 | 稳定性及求解耗时 |
先让无关层不产生碰撞,再简化不影响玩法的形状,并停止对静止物体重复设置速度或施加微小力。只有证据指向约束求解且局部稳定性需要时,才调整迭代次数。把所有对象都设为 CCD 或全局提高迭代,可能同时增加成本。
优化要保留堆叠验收
将远处碎片改为视觉效果、把永久静止物体转为合适的静态表示,可以降低活跃模拟成本,但要确认玩家还能按设计交互。频繁在动态和静态之间切换也可能产生更新开销,不应每帧切换以追求表面的活跃数下降。
用固定随机种子的箱堆记录 30 秒以上的运行,分别比较活跃比例、每步中位耗时、长尾耗时与每帧补步数。检查是否仍有穿透、堆叠塌陷、唤醒失效和远处交互缺失。只有成本下降且这些行为通过,才应扩大优化范围。