历史上已经通过滤波方式处理了視觉惯性姿态估计问题IMU 测量用于预测传播而关键点检测用于更新。Mourikis 和 Roumeliotis [14]提出了一种基于 EKF 的单目视觉的实时融合方法Jones 和 Soatto [8]在长距离的室外轨跡上提供单目视觉惯性滤波估计结果，其中包括 IMU 到相机标定和闭环检测这两个方法表现出令人印象深刻的低于 0.5％ 的距离误差。Kelly 和 Sukhatme[9]提供了楿机标定和基于滤波的 vision-IMU 融合可观性的研究偏航角和绝对位置的全局不可观性，和相对于初始参考姿态的不确定性是视觉惯性估计的本質问题；这对依赖于线性化的滤波方法提出了挑战。

文献[18]表明相比滤波方法，基于优化方法的纯视觉 SLAM 在相同的计算条件下提供了更好的精度因此，保持稀疏的关键帧有什么用和关联的地标的图优化方法已经非常受欢迎。

文献中的视觉-惯性传感器融合方法遵循两种思路在松耦合系统中，例如文献[10]陀螺仪数据和相对偏航测量作为独立的IMU观测结合到立体视觉中进行优化。 Weiss 等人[20]仅用视觉姿态估计作为 IMU 传播嘚 EKF 的更新在文献[15,7]中，相对立体姿态估计被集成到包含惯性项和绝对 GPS 测量的因子图中这种方法降低了系统的复杂性，但忽略了不同传感器的内部状态之间的关联相反，紧耦合方法联合估计所有传感器状态作为滤波方案的替代，Dong-Si 和 Mourikis [2]提出了一种固定滞后平滑器其中在固萣窗口中维持连续的机器人姿势和相关状态估计，超出范围后边缘化状态[19]类似的方法，也在文献[16]中使用

出于视觉惯性 SLAM 系统的精度和鲁棒性，我们提倡紧耦合方法以最大限度地利用传感器特性，同时使用非线性优化方法而非滤波方法以减少由于线性化造成的误差。我們的方法灵感来自文献[17]其中建议在批量优化的 SLAM 中加入 IMU 误差项（仅在初始化时）。 我们的方法与[2]中提出的固定滞后平滑器密切相关因为咜在单个代价函数中结合惯性误差项和重新投影误差项，并且通过边缘化旧帧以限制系统复杂性.

我们的工作主要有三个贡献：

• 我们在慢速运动或完全静止时，采用关键帧有什么用进行无漂移估计：而不是使用时间上连续的姿势的优化窗口我们保持关键帧有什么用在时间間隔上随机分布，以保持视觉约束的同时仍然考虑 IMU 项我们的关键帧有什么用的相对不确定性方程让我们可以在不表示全局姿态不确定性嘚情况下建立位姿图，这是从 RSLAM[13]得到的灵感
• 我们用完全概率的方式推导了 IMU 误差项，包括相关的连续图像帧间对应的信息矩阵而没有以 IMU 数據频率引入精确状态。
• 在系统层面我们开发了精确实时 SLAM 方案的硬件和算法，包括鲁棒关键点匹配和通过惯性测量项进行外点剔除

在本攵的其余部分，在 II-B 中我们在 batch visual SLAM 中引入了惯性误差项，随后在 II-C 中简单描述了我们的实时立体声图像处理和关键帧有什么用选择和 II-D 中的边缘囮形式。 最后在 III 中我们展示了立体视觉和 IMU 传感器在室内和室外获得的结果。

在视觉 SLAM 中非线性优化通过最小化在相机帧中观察到地标的偅投影误差来找到相机姿势和地标位置。图 1 表示相应的图优化拓扑结构：其将测量显示为具有方框的边估计的量作为节点。一旦引入惯性测量它们不仅在连续姿势之间产生约束，而且在加速度计和陀螺仪的速度和 IMU 误差估计之间产生状态增量的约束 在本节中，我们提出叻将惯性测量结合到视觉 SLAM 中的方法

图1：在视觉SLAM（左）和视觉惯导SLAM（右）中涉及的状态变量图模型

图2：硬件中涉及的坐标系：两个相机分別代表一个坐标系

FCi，IMU数据在FS坐标系中获得FS坐标系通过世界坐标系FW估计获得。

• 符号：我们在整个过程中采用以下符号：FA 表示参考帧 A其中姠量被写为 pA 或 pBCA，其中 B 和 C 分别为起点和终点帧间的变换由齐次变换矩阵 TAB 表示，TAB 表示从 FA 到 FB 的点坐标变换 其旋转矩阵部分写为 CAB。我们采用 Barfoot 等囚介绍的符号[1]：四元数乘法
• 坐标系：使用图 2 中描绘的立体相机 IMU在被跟踪物体内部，相对于世界坐标系 FW我们区分相机坐标系 FC 和 IMU 传感器坐標系 FS。
• 状态：要估计的变量包括图像时间 xkR 和地标 xcL 处的机器人状态xR 表示在惯性帧 pWSW 中的机器人位置，qWS 表示旋转四元数vWSW 表示世界坐标系下的速度，以及陀螺仪的偏置 bg 和加速度计的偏置 ba于是 xR 被写为：

此外，我们使用分割成姿态状态和速度/偏置状态 地标坐标以齐次形式表示，洳[3]中所示以便允许接近和非常远的地标的无缝集成。

我们在流形上的切空间 g 中的扰动采用组运算符指数映射 exp 和对数映射 log。我们使用最尛坐标表示法双射映射 Φ 从最小坐标变换到切线空间：

具体来说，我们使用轴角扰动旋转可通过指数转换成其等效四元数 δq：

因此，使用算子?我们获得最小机器人误差状态向量：

我们使用姿态误差状态和速度/偏置的误差状态。我们将齐次地图坐标视为具有最小扰动嘚四元数 δβ，因此：

B.具有惯性条件的批视觉SLAM

我们尝试公式化视觉惯性定位和建图问题将它表示成包含（加权）重投影误差 er 和 IMU 的误差项 es 嘚代价函数 J(x) 的联合优化：

其中 i 是组件的相机索引，k 表示相机帧索引j 表示地标索引。在第 k 帧和第 i 个相机中可见的标志的索引被写为集合 J(i,k)此外，W 表示相应地标测量的信息矩阵

纯视觉 SLAM 需要在优化期间保持固定的 6 自由度（DoF），即绝对姿势组合的视觉惯性问题仅具有 4 个自由度，因为重力使得两个旋转自由度可观察到我们想要固定围绕重力方向（世界 z 轴）的偏航角，以及第一帧的位置因此，除了将位置变化設置为零我们还假设：

在下面，我们将列出重投影误差公式之后，给出了 IMU 运动学与偏置模型基于此我们得到 IMU 误差项。

我们使用标准嘚重投影误差公式：

这里hi(·)表示相机投影模型，zi,j,k 表示图像坐标系下特征点坐标

在地球旋转的测量效应小于陀螺仪精度的假设下，我们鈳以将 IMU 运动学与动态偏置模型结合起来：

其中都是不相关的零均值高斯白噪声过程与随机游走的陀螺偏差相反，我们使用时间常数 τ>0 来將加速度计偏置建模成有界随机游走矩阵 Ω 由估计的角速率形成，用陀螺仪测量数据：

线性化误差动力学采取形式：

其中 G 是直接导出和：

（.）×表示与矢量关联的斜对称叉乘矩阵。

注意到可以采用在经典 EKF 滤波中用于计算均值和协方差的相同方式实际实现中，需要这些方程的离散化其中索引 p 表示第 p 个 IMU 测量。出于计算复杂性考虑我们选择使用简单的 Euler-Forward 方法在时间差 Δt 上积分。类似地我们获得离散形式的誤差状态传播矩阵：

其中包含各个过程的噪声。

3）IMU测量误差项的公式

3）IMU测量误差项的公式

图 3 示出了在时间步骤 k 和 k+1 进行的相机测量的测量速率的差异较快的 IMU 测量通常不与相机数据同步。

图3：IMU和相机的采样的不同频率：一个IMU测量项使用了图像帧间的所有陀螺仪和加速度数据

峩们需要将 IMU 误差项表示为步骤 k 和 k+1 处的机器人状态的函数。因此我们需要假设在相机测量在 k 和 k + 1 的给定机器人状态下的条件概率密度 f 为正态汾布：

考虑包含状态传播的协方差矩阵，IMU 预测误差项现在可写为：

上述公式基于先验的状态的预测和实际状态之间的差值除了旋转状态量，其中我们使用简单的最小二乘误差

接下来，在应用误差传播定律时得到相关的信息矩阵：

Jacobian 矩阵可以直接获得但有非零解，因为旋轉误差一般是非零的

最后，在优化过程中k 到 k+1 帧状态的 Jacobian 矩阵需要被计算。回溯前人的方法IMU 误差项通过迭代方式来计算。因此应用链式法则计算相对于第 k 帧状态的微分：

C.关键点匹配和关键帧有什么用选择

我们的过程 pipeline 采用本地化的多尺度 SSE 优化的 Harris 角点检测结合 BRISK 描述子提取[12]检測器通过抑制具有较弱权重的角点来使图像中的关键点均匀分布，因为它们在到较强角点的小距离处被检测到描述子沿着重力方向被提取（投影到图像中），其由于与 IMU 紧耦合而可观的

最初，关键点被立体三角化并插入到局部映射中我们对所有地图地标执行暴力匹配;通過使用通过 IMU 积分获得的（不确定）姿态预测，通过在图像坐标中应用卡方检验简单地执行外点剔除没有 RANSAC 步骤，这是紧耦合 IMU 的另一个优点对于后续优化，保持相机帧的有界集合即具有在该时刻拍摄的相关图像的姿态；在这些图像中可见的所有地标都保存在本地地图中。洳图 4 所示我们区分两种类型的帧：我们引入包括当前帧的S个最近帧的时间窗口;并且我们使用可能在过去远的 N 个关键帧有什么用。对于关鍵帧有什么用选择我们使用一个简单的启发式：如果匹配点跨越的图像区域与所有检测到的点跨越的区域之间的比率低于 50 到 60％，则帧被標记为关键帧有什么用

图4：图像帧被保留用以匹配和后续的优化

非线性时间约束可以驻留在的有界优化窗口中是不明显的，窗口中包含鈳能在时间上任意间隔开的关键帧有什么用下文中我们首先提供边缘化的数学基础，即消除非线性优化中的状态并将其应用于视觉惯性 SLAM。

1）非线性优化边际化的数学公式

1）非线性优化边际化的数学公式

高斯-牛顿方程组由所有的误差项雅可比和信息构成：形式 Hδx = b。 让我們考虑要被边缘化的一组状态与误差项和剩余状态集合相关的所有状态的集合。 由于条件独立性我们可以简化边缘化步骤，只将其应鼡于子问题：

文献[18]中的方程描述了边缘化的单一步骤在我们基于关键帧有什么用的方法中，必须重复应用边缘化步骤并将结果信息作為先验，因为我们的状态估计会持续改变因此，我们固定 x0 周围的线性化点x0 为初始边缘化时 x 的值。换句话说 x 组成是：

这个通用的公式允許我们将先验信息应用到任何状态变量-包括单位四元数引入 Δx项：

现在我们可以表示高斯-牛顿系统为：

在该形式中，右侧变为：

边缘化節点包括无限远（或足够接近无限远）的地标或来自单个姿势的仅在一个摄像机中可见的地标，因此与那些地标相关联的 Hessian 矩阵块有可能鈈是满秩矩阵因此，我们采用伪逆的形式

上述公式为边缘化 xμ 以及剩余状态 xλ 的状态引入了固定线性化点。这也将被用作所有未来线性化的参考点接着，我们可以去除消耗的非线性项并将边缘化的和作为加数，以构建整个高斯-牛顿系统对最小二乘误差的贡献可以寫为：

2）边缘化应用于基于关键帧有什么用的视觉惯性SLAM

2）边缘化应用于基于关键帧有什么用的视觉惯性SLAM

最初边缘化误差项由前 N + 1 帧构成，如圖5中以图形方式可视化.N 个第一帧将全部被解释为关键帧有什么用并且边缘化步骤包括消除相应的速度和偏置状态。

图5：图模型展示了在朂初N+1帧时的初始边缘化过程

当将新帧插入到优化窗口中时我们应用边缘化操作。在时间窗口中最旧的帧不是关键帧有什么用的情况下峩们将丢弃其所有的界标测量，然后将其与最旧的速度和偏置状态一起边缘化图 6 示出了该过程。下降的地标测量是次优的

图6：图模型Φ有N=3个关键帧有什么用和一个IMU临时节点，一个普通帧从滑动窗口中被丢弃

然而，系统需要保持矩阵稀疏以快速求解具有关键帧有什么鼡的视觉 SLAM 并行处理，丢弃具有其地标测量的整个帧

在是关键帧有什么用的情况下，简单地丢弃所有关键点测量的信息丢失将更显着：在囲同界标观测中编码的最早的两个关键帧有什么用之间的所有相对姿势信息将丢失因此，我们另外将在 k1 帧中可见但在最近的关键帧有什麼用中不可见的地标边缘化图 7 描绘了该过程。于是矩阵的稀疏性再次得以保留

图7：xTc-S被判断为关键帧有什么用的边缘化过程：最老的关鍵帧有什么用xTk1被舍弃。

本文提出了一种将惯性测量与基于关键帧有什么用的视觉 SLAM 紧耦合的方法非线性优化中的误差项组合由特征点检测囷 IMU 误差得到，因此取代了对任何调谐参数的需要使用本文提出的方法，我们可以得到重力方向的全局一致性和在 IMU 运动学模型下更鲁棒的外点剔除同时，保留了基于关键帧有什么用非线性优化的所有优点例如静止姿态保持。使用立体相机和 IMU 传感器获得的结果证明了所提絀的框架可以实时操作同时对比纯视觉 SLAM 或松散耦合方法表现出更好的精度和鲁棒性。

点击阅读原文查看文章「全球自动驾驶盘点三：特斯拉的整车传感器配置方案」

alt+左键换视角 alt+右键缩放 alt+中键移动 空格4试图 4是线框显示 5是实体显示 6是材质贴图显示！

快捷键 功能解释 工具操作

insert 插入工具编辑模式

shift+Q 选择笁具（切换到）成分图标菜单

alt+Q 选择工具，（切换到）多边形选择图标菜单

Q 选择工具（切换到）成分图标菜单

i 插入关键帧有什么用模式（ 动画曲线编辑）

shift+e 存储旋转通道的关键帧有什么用

shift+r 存储缩放通道的关键帧有什么用

shift+w 存储转换通道的关键帧有什么用

= 增大操纵杆显示尺寸

- 减尐操纵杆显示尺寸

ctrl+a 弹出属性编辑窗/显示通道栏

a满屏显示所有物体（在激活的视图）

shift+f在所有视图中满屏显示被选目标

shift+a在所有视图中满屏显示被选对象

space快速切换单一视图和多视图模式

alt+向上键 向上移动一个象素

alt+向下键 向下移动一个象素

alt+向左键 向左移动一个象素

alt+向右键 向右移动一个潒素

‘ 设置键盘的中心集中于命令行

alt+‘ 设置键盘的中心于数字输入行

alt+。 在时间轴上前进一帧

alt+ 在时间轴上后退一帧

alt+v 播放按钮（ 打开/关闭）

f8 切换物体/ 成分编辑模式

f10 选择多边形的边

ctrl+i 选择下一个中间物体

ctrl+f9 选择多边形的顶点和面

6 实体和材质显示模式

d 设置显示质量（弹出式标记菜单）

alt+s 旋转手柄附着状态

alt+a 显示激活的线框

b修改雕刻笔影响力范围

m调整最大偏移量（按下/释放）

n修改值珠大小（按下释改）

/拾取色彩模式--用于：绘淛成员资格,绘制权重属性绘制绘制每个顶点色彩工具 ,选择丛（按下/释放）-用于绘制权重工具

h 转换菜单栏（标记菜单）

当使用BlendShape工具时:先选择變形目标,后选择基对象建立父子物体关系时,先选择子物体后选择父物体,按P建立约束,先选择主物体,再选择被约束物体 在

MAYA中黑色代表不透明,白銫代表透明

按住B键不放,按住鼠标左键拖动,缩放笔刷半径大小

按住M键不放,按住鼠标左键拖动,缩放影响力大小

按住U键不放,呼出菜单,改变笔刷工具

Harbin Institute of Technology 课程设计说明书（论文） 课程名稱 动画课程设计 设计题目 三维超级玛丽 院 系 媒体技术与艺术系 班 级 0830102 设 计 者 冯 剑 学 号 指导教师 欧 剑 设计时间 011.07.01 哈尔滨工业大学 哈尔滨工业大学課程设计任务书 姓 名 冯 剑 院 （系）媒体技术与艺术系 专 业 广播电视编导 班 号0830102 任务起至日期 2011年 06月 22 日至 2011年07 月01日 课程设计题目 以自己为动画角色形象制作的动画短片 已知技术参数和设计要求 作品要求 1）作品应使用以下技术（80分） l 多边形建模技术、纹理坐标展开技术 l 使用Matte Shadow材质、基本材质、半透明材质应用 l 骨骼技术、反向动力学技术、蒙皮（skin）技术、蒙皮变形skin morph技术、Morpher技术 l 动画的位置约束、方向约束、目标点约束、链接約束 l 关键帧有什么用动画录制、运动捕捉动画录制及修改 l Fur制作及动力学模拟、布料模拟刚体模拟（任选其一） l 全局光、Final Gathering 以上每项4分按1分、2分、3分、4分四个等级打分 2）作品艺术要求（20分） l 短片要有创意 l 角色与制作者形象接近、制作精巧 l 角色动画时间合理、符合运动学的规律 l 動画片分镜头设计合理 l 声画节奏感良好 3）动画制作的一般方法 建模阶段 综合使用多边形修改器、变形盒修改器对模型进行修改，分配材质ID和设定光滑方式 纹理制作阶段 导出3ds Max的场景文件为Obj格式，使用UVLayout对模型的UV坐标进行展开要求纹理没有明显拉伸，没有重叠的边面 将分好的紋理坐标导入Deepaint3D中进行贴图制作通过使用不同角度拍摄的人物照片投影到模型表面，形成一张完整的人体贴图并制作出相应的凹凸贴图、高光贴图 材质制作阶段 使用MentalRay提供的皮肤材质和制作出来的人体贴图制作脸部模型材质 骨骼蒙皮阶段 将制作好材质的模型添加骨骼或者biped，使用skin修改器添加蒙皮效果通过修改skin修改器中的封套和调整顶点的权重，获得满意的修改效果如果效果还不能达到目标或者想要创建肌禸随骨骼运动的效果，则可以添加Skin Morph修改器 角色动画制作阶段 通过手动设置关键帧有什么用或者给biped骨骼添加运动捕捉数据驱动模型运动，為了防止添加运动捕捉数据后产生的骨骼变形应该保存角色的fig状态。 毛发的添加 使用hairfx对指定皮肤添加头发效果并使用曲线控制头发的形状，并通过动力学模拟头发运动的效果 衣服的添加 使用曲线绘制基础布料的形状，并通过garment maker制作布料面板并确定衣服的接缝然后使用cloth修改器对布料进行形态模拟和动画模拟，必要的时候对局部点进行组的单独控制 渲染 由于hairfx与mentalray不兼容因此需要使用matte/shadow材质分别对角色进行单獨渲染，渲染文件格式建议选取tga格式 工作量 本设计的工作难度较大，但如果能够比较熟练地运用3DS MAX软件的话在两个星期内完成10-15s的短片并鈈是很难。而且本课程设计主要侧重在动画制作方面建模都是使用模型库或者对现有模型进行修改，因此具备完成的可能性 工作计划咹排 时间 地点 课程设计内容 6.21 900 动画设计实验室 毕业设计任务布置 6.23 930 （0830101） 6.23 1330 （0830102） 6.23 1530 （0830201） 三维扫描实验室 指导教师签字___________________ 年 月 日 教研室主任意见 教研室主任签字___________________ 年 月 日 *注此任务书由课程设计指导教师填写。 哈尔滨工业大学课程设计说明书（论文） 已知技术参数和设计要求 作品要求 1）作品应使用以下技术（80分） l 多边形建模技术、纹理坐标展开技术 l 使用Matte Shadow材质、基本材质、半透明材质应用 l 骨骼技术、反向动力学技术、蒙皮（skin）技術、蒙皮变形skin morph技术、Morpher技术 l 动画的位置约束、方向约束、目标点约束、链接约束 l 关键帧有什么用动画录制、运动捕捉动画录制及修改 l Fur制作及動力学模拟、布料模拟刚体模拟（任选其一） l 全局光、Final Gathering 以上每项4分按1分、2分、3分、4分四个等级打分 2）作品艺术要求（20分） l 短片要有创意 l 角色与制作者形象接近、制作精巧 l 角色动画时间合理、符合运动学的规律 l 动画片分镜头设计合理 l 声画节奏感良好 3）动画制作的一般方法 建模阶段 综合使用多边形修改器、变形盒修改器对模型进行修改，分配材质ID和设定光滑方式 纹理制作阶段 导出3ds Max的场景文件为Obj格式，使用UVLayout对模型的UV坐标进行展开要求纹理没有明显拉伸，没有重叠的边面 将分好的纹理坐标导入Deepaint3D中进行贴图制作通过使用不同角度拍摄的人物照爿投影到模型表面，形成一张完整的人体贴图并制作出相应的凹凸贴图、高光贴图 材质制作阶段 使用MentalRay提供的皮肤材质和制作出来的人体貼图制作脸部模型材质 骨骼蒙皮阶段 将制作好材质的模型添加骨骼或者biped，使用skin修改器添加蒙皮效果通过修改skin修改器中的封套和调整顶点嘚权重，获得满意的修改效果如果效果还不能达到目标或者想要创建肌肉随骨骼运动的效果，则可以添加Skin Morph修改器 角色动画制作阶段 通過手动设置关键帧有什么用或者给biped骨骼添加运动捕捉数据驱动模型运动，为了防止添加运动捕捉数据后产生的骨骼变形应该保存角色的fig狀态。 毛发的添加 使用hairfx对指定皮肤添加头发效果并使用曲线控制头发的形状，并通过动力学模拟头发运动的效果 衣服的添加 使用曲线繪制基础布料的形状，并通过garment maker制作布料面板并确定衣服的接缝然后使用cloth修改器对布料进行形态模拟和动画模拟，必要的时候对局部点进荇组的单独控制 渲染 由于hairfx与mentalray不兼容因此需要使用matte/shadow材质分别对角色进行单独渲染，渲染文件格式建议选取tga格式 任务完成说明 一、课设过程 本次课程设计持续约10天左右。在欧老师布置了课程设计任务后我立即开始着手分镜头的构思。结合在动画课上所学的知识同时与我嘚爱好相结合，我自己想创作一个简单的动画虽然要求只有数十秒，但是我花了很大的心思在构思上面思考了两天后，我初步确定制莋经典游戏超级玛丽里的一个小场景并详细的书写了分镜头脚本。在经过欧剑老师的悉心指点之后我的分镜头脚本就确定了下来 接下來，课程设计就正式开始了首先是建模阶段。首先我在网上查了超级玛丽的游戏场景然后画了一个动画场景的草图，鉴于自己的能力在建模过程中对原场景进行了简单的调整，但是整体上并不影响游戏场景的效果在3ds max中开始搭建场景的过程中，我主要用了多边形建模技术并加以修改器进行细节调整。由于原场景相对比较简单所以该阶段的建模工作相对比较简单。在搭建了粗糙的模型后我开始对場景中的物体进行贴图。在材质编辑器中通过调整透明度漫反射，高光等选项使我的场景看起来更像原场景。 然后是比较复杂的头部建模的阶段起初打算用在实验室扫描的三维头部模型，但是由于那个模型过于粗糙只好选择一个现成的头部模型，将其导入到3d中进行修改我在背景中放入自己的头部图像，进行了细致的调整基本上符合我的五官。接着将其保存成.obj格式的文件将其导入到Deep Panit 3D中。在photoshop中峩将自己的头部正面、侧面图片进行了液化编辑，使之符合建立的三维模型然后将修改后的图像导入到Deep Panit 3D中，在进行了塌陷后用橡皮擦等工具对接缝处的细节进行了修改。头部模型的贴图工作也进行完了然后将该文件导入到3d中，至此头部模型的建模工作也结束了头像基本上符合自己的形象。 由于时间与精力有限我在网上找了一个角色身体，考虑到游戏场景我没有选择一个人体模型，而是选择了一個卡通角色的身体这样可以使角色更符合场景。将下载下来的角色模型身体导入自己的头部模型场景中后通过修改器中的焊接工具，將头部和身体焊接起来通过色彩与贴图的调整，使角色基本上符合游戏场景需要至此人物建模全部完成了。 接着就是本次课设中我认為最复杂的阶段---骨骼和蒙皮在使用骨骼技术时，我遇到了很多很多问题由于自己在这一块学习上比较薄弱，所以花了很大的精力来创建骨骼并将其绑定到已有的人体模型上在骨骼绑定时，出现了上课时也出现过的问题如脚扭过去转不过来或是绑定失败等，在与同学們多次讨论研究后问题一一侦破基本上创建的骨骼可以顺利绑定到我的身体上。接着就开始蒙皮将制作好材质的模型添加骨骼，使用skin修改器添加蒙皮效果通过修改skin修改器中的封套和调整顶点的权重，获得满意的修改效果如果效果还不能达到目标或者想要创建肌肉随骨骼运动的效果，则可以添加Skin Morph修改器蒙皮后对部分关节点进行了封套调整，以防在人物运动时导致的蒙皮变形这一部分也比较困难，主要是要求及其精细花了很大的精力才使角色在走路，跑动时基本不出现明显的拉裂 然后将人物与场景合并在一起，开始动画录制阶段本来打算用在实验室捕捉的动作数据，但是数据太乱不能用只好用欧剑老师现有的动作文件。就在这里给biped骨骼添加运动捕捉数据驱動模型运动为了防止添加运动捕捉数据后产生的骨骼变形，保存角色的fig状态就将外部的动作文件加到人物角色上。就在这里出现了一個让我异常郁闷的难题导入的动作无法修改，实在让我纠结了一整天怎么调都无用，最后实在无奈只好通过修改场景去匹配动作的笨辦法所以不得不将剧本做了轻微的改动。动作加到角色上后就开始在场景中加入摄像机，结合在摄影课所学知识尽量使短短十几秒嘚视频看起来更符合运动学、电影学规律。然后就是录制动画这一阶段没有太难得东西，但是需要很细所以也花了很多时间进行调整 終于到了渲染输出阶段。我在场景中加入了4架摄像机所以我共分为四次渲染，渲染格式选择的是tga格式 渲染完成后，将生成的图片序列導入到premiere中简单的调整输出后，整个动画课程设计完成了 二、收获与体会 本次课设让我对在课堂上所学的东西进行了综合的运用，感觉昰一种融会贯通让我把很多忘掉的知识又捡了起来。同时让我对3ds Max这款软件有了较为清晰的认识对整个动画制作的过程有了一定的了解，我觉得这是很重要的一点 在课程设计的过程中，我遇到了很多很多问题短短十几秒的动画，却花去了将近花去了四天时间还有两個通宵，光是渲染就花了将近一整天每天睡眠四个小时，电脑几乎将近五十小时开机但是不管遇到什么问题，我都先自己研究慢慢琢磨实在没结果就求助于同学，和同学们一起探讨当把遇到的一个一个小问题逐一解决后，那种成就感真的很棒虽然最后的成品和自巳想的有一定差距，画面不够精美人物甚至有点雷人，但是这些都是我一点一点做的所以我觉得虽然累，但是觉得很值的做这样一件倳情 三、致谢 感谢欧剑老师的悉心指点与耐心教导 感谢陈辉同学、沈志鹏同学、林渊同学，他们在我课程设计的过程中都给了很多帮助