1、AABB碰撞检测算法
AABB碰撞检测指轴对齐碰撞箱(Axis-aligned Bounding Box)，是分别从x轴向和y轴向进行碰撞检测的算法。即对于需要检测的物体A和物体B我们需要将其用A盒和B盒套起来，判断A盒和B盒在x轴向和y轴向是否发生碰撞，只有在x轴向和y轴向都发生碰撞我们才判断它发生了碰撞。
在轴对齐包围矩形（Axis Aligned Bounding Box，AABB）基础之上，更为准确的是 转向包围矩形（Oriented Bounding Box，OBB） OBB 与 AABB 的差别在于物体旋转之后，AABB的大小会发生改变，保证每条边与某个坐标轴平行；OBB 的大小则不会改变，且将随物体一起旋转。
2、OBB碰撞检测算法
OBB 就是找一个最小的包围物体的矩形，这在自动驾驶系统中也是最常用的，感知模块给出物体的轮廓通常就是此形状。另外，为了准确描述物体轮廓，感知模块在 bounding box 的基础上，通常还会给出 polygon（多边形）的形式，如下图所示。 相对于AABB包围盒来讲，OBB在碰撞精度上要高于AABB，但是精确度的提高同时带来的就是效率的降低，OBB的算法无疑是要比AABB复杂的，同样内存消耗也会更大。 在了解OBB算法之前我们需要先学习一下分离轴定理。
分离轴定理(SAT)：
分离轴定理(Separating Axis Theorem)的理论依据为超平面分离定理，即 令 A 和 B 是两个不相交的非空凸集，那么存在一个非零向量 v 和 实数 c，使得
简单来说，就是对于两个凸多边形，若存在一条直线将两者分开，则这两个多边形不相交。 上图中的黑线为分离线（Seperating line），与之垂直的绿线为分离轴（Separating axis），图中虚线表示的是多边形在分离轴上的投影。
实际应用中，遍历所有角度的分离轴是不现实的，受益于多边形的性质，对于两个都是多边形的物体，只需要依次在每条边的垂直线做投影即可，如下图所示。 对于两个都是矩形的物体，则更简单，只需要做四次投影。 以下图中的两个多边形 A 和 B 为例，分离轴定理的具体步骤为：
首先根据边1的两个顶点位置坐标，计算出边1的向量，设为（x，y）；进而求出边1的法向量，作为分离轴，为（y, -x）或（-y，x）。若需要求两个多边形的最小分离距离，这里的法向量还需要化为单位向量；若只需判断两个多边形是否相交，则不需要化为单位向量；依次将多边形 A 和 B的所有顶点与原点组成的向量投影到这个分离轴上，并记录两个多边形顶点投影到分离轴上的最小值和最大值（Pmin，Pmax），形成一个投影线段；判断这两个投影线段是否发生重叠，若不重叠，则有 （PAmax < PBmin）||（PAmin > PBmax）；若两个投影线段不重叠，则代表存在这样一条直线将两个多边形分开，两个多边形不相交，可以直接退出循环；若两个投影线段重叠，则回到步骤1，继续以边2的法向量作为分离轴，进行投影计算；当两个多边形的所有边都检查完之后，找不到这样一条分离的直线，则意味着两个多边形相交。
注意：分离轴定理是一种适用于凸多边形的碰撞检测算法，对于凹多边形则不适用，如下图所示，两个多边形没有碰撞，但找不到这样一条直线，能将两者分开。所以如果是凹多边形的话，需要先将其转换成多个凸多边形。 综上，分离轴定理是一种适用于 bounding box 和 polygon 的精细碰撞检测算法，其优点是算法原理简单，可准确判断两个多边形是否相交；缺点在于当多边形的边数较多时，该算法的效率较低（当两个多边形相交时，需要遍历完所有边进行判断）。
在实际应用中，为了提高效率，通常先使用 基于轴对齐包围矩形（AABB）的方法进行粗略的碰撞检测，然后再使用分离轴定理（SAT）做精细碰撞检测。
3、GJK（Gilbert–Johnson–Keerthi）算法
GJK是由Gilbert，Johnson，Keerthi 三位前辈发明的，用来计算两个凸多面体之间的碰撞检测，以及最近距离。GJK算法可以在O(M+N)的时间复杂度内，检测出碰撞，算法在每次迭代的过程中，都会优先选择靠近原点的方向，因此收敛速度会很快。算法的证明过程比较复杂，但是原理还是比较容易理解的。
相比 SAT 算法，GJK 算法更加高效。 GJK算法的核心就是闵可夫斯基差，即若两个多边形相交，则它们的闵可夫斯基差必然包括原点。
闵可夫斯基差，也可以叫做闵可夫斯基和，它的定义也很好理解，点集A与B的闵可夫斯基和被定义为：
A + B = {a + b |a∈A，b∈B}
如果 A 和 B 是两个凸多边形，则 A + B 也是凸多边形。
闵可夫斯基和从几何上的直观理解是A集合沿B的边际连续运动一周扫过的区域与B集合本身的并集，也可以是B沿着A的边界连续运动扫过区域与A自身的并集。
GJK算法用到的不是闵可夫斯基和，而是闵可夫斯基差，即：
A – B = {a – b |a∈A，b∈B}
虽然使用的是减法运算，但其仍然是闵可夫斯基和，相当于先对B中的所有点做负运算（相对原点的镜像），然后再与A做加法。
先来看两个例子。
对于两个不相交的多边形，shape1为矩形，shape2为三角形，如下图所示。 它们的闵可夫斯基差如下图所示，其闵可夫斯基差不包括原点，且两个多边形之间的距离就是其闵可夫斯基差到原点的距离。事实上，GJK 算法发明出来的初衷就是为了计算两个凸多边形之间的距离。 对于两个相交的多边形，shape1为矩形，shape2为三角形，如下图所示。 它们的闵可夫斯基差则如下图所示，可以看到，闵可夫斯基差是包括原点的。这也很好理解，两个相交的多边形，必然有一点既属于shape1，也属于shape2，相减则为原点（0，0）。 3.1 单纯形 k阶单纯形（simplex），指的是k维空间中的多胞形，该多胞形是k+1个顶点组成的凸包。
在GJK算法中，单纯形被大量使用。单纯形指的是点、线段、三角形或四面体。例如，0阶单纯形是点，1阶单纯形是线段，2阶单纯形是三角形，3阶单纯形是四面体。 对于2维空间的多边形，最多用到2阶单纯形。那单纯形到底有什么作用呢？
对于上面两个相交的多边形例子，实际应用中，其实不需要求出完整的闵可夫斯基差，只需要在闵可夫斯基差内形成一个多边形，如下图所示，并使这个多边形尽可能包围原点，这个多边形就称为单纯形。即假如单纯形包围原点，则闵可夫斯基差必然包围原点。 3.2 Support 函数 Support函数的作用是计算多边形在给定方向上的最远点。如下图所示，在向量 a 方向的最远点为 A 点，在向量 b 方向的最远点为 B 点。这里在寻找给定方向上的最远点时，需要用到向量的点乘。 为什么需要Support函数呢？这是因为在构建单纯形时，我们希望尽可能得到闵可夫斯基差的顶点，而不是其内部的一个点，这样产生的单纯形才能包含最大的区域，增加算法的快速收敛性。
如下图所示，在给定向量 a 方向上，shape1 的最远点为（4，2），在向量 -a 的方向上，shape2 的最远点为（5，3），这两个点作差即得到点（-1，-1）。利用这种方式得到的点都在闵可夫斯基差的边上。
推荐阅读
发表评论