AABB为何无法准确检测旋转物体的碰撞？

Question

为什么AABB在物体旋转时会产生错误的碰撞检测结果？ AABB（Axis-Aligned Bounding Box，轴对齐包围盒）因其计算简单、效率高而广泛应用于碰撞检测。然而，当物体发生旋转时，其实际轮廓不再与坐标轴对齐，而AABB仍强制保持轴对齐特性，导致包围盒扩大以覆盖旋转后的顶点。这会引入大量空白区域，造成“假阳性”碰撞判断——即物体未真正接触，但AABB已重叠。例如，一个旋转45°的矩形会被包裹在一个更大的矩形中，与邻近物体的AABB意外相交。因此，AABB无法精确反映旋转后的真实形状，限制了其在动态旋转场景中的准确性，需结合OBB或离散化检测等方法改进。

Answer 1

为什么AABB在物体旋转时会产生错误的碰撞检测结果？

1. 基本概念：什么是AABB？

AABB（Axis-Aligned Bounding Box，轴对齐包围盒）是一种用于空间划分和碰撞检测的简化几何结构。它由两个顶点定义：最小点（min_x, min_y, min_z）和最大点（max_x, max_y, max_z），其边始终与世界坐标系的X、Y、Z轴对齐。

由于其判断逻辑仅需比较坐标的上下界，计算复杂度为O(1)，因此被广泛应用于游戏引擎、物理仿真和三维可视化系统中作为初级筛选机制（broad-phase collision detection）。

2. 旋转带来的问题：从直观理解开始

当一个矩形或立方体绕其中心旋转时，其实际占据的空间轮廓发生变化，但AABB仍必须保持“轴对齐”特性，导致必须扩展边界以覆盖旋转后最远的顶点。

例如，一个边长为2的正方形，在未旋转时其AABB大小为2×2；当旋转45°后，其外接正方形的对角线长度变为√8 ≈ 2.828，因此新的AABB将扩大至约2.828×2.828，增加了约60%的面积。

3. 数学分析：AABB扩大的量化过程

设原物体为二维矩形，宽w，高h，中心在原点，绕Z轴旋转角度θ。其四个顶点经旋转后的坐标可通过旋转矩阵变换得到：

        R(θ) = [cosθ  -sinθ]
                [sinθ   cosθ]

        v' = R(θ) * v
    

取所有变换后顶点的x和y分量的最大值与最小值，即可确定新AABB的范围：

• new_min_x = min(v'_x)
• new_max_x = max(v'_x)
• new_min_y = min(v'_y)
• new_max_y = max(v'_y)

显然，随着θ变化，这些极值不断改变，且总是大于等于原始AABB尺寸。

4. 实际影响：假阳性碰撞检测案例

旋转角度	AABB面积增长比	是否发生真实接触	AABB是否重叠	误判类型
0°	0%	否	否	无
15°	7%	否	是	假阳性
30°	20%	否	是	假阳性
45°	60%	否	是	假阳性
60°	33%	否	是	假阳性
90°	0%	否	否	无
120°	33%	否	是	假阳性
135°	60%	否	是	假阳性
180°	0%	否	否	无
270°	0%	否	否	无

5. 技术演进路径：从AABB到更精确的方法

为解决旋转引起的误差，业界发展出多种替代或补充方案：

1. OBB（Oriented Bounding Box）：允许包围盒随物体方向旋转，能紧密贴合物体轮廓，使用分离轴定理（SAT）进行检测。
2. 包围球（Bounding Sphere）：虽然不受旋转影响，但在细长物体上效率较低。
3. 凸包（Convex Hull）+ GJK算法：适用于任意多面体，精度高但计算成本大。
4. 层次化AABB树（BVH）：结合动态重建策略，在运动物体中局部优化。
5. 离散化检测（Swept AABB）：预测移动路径中的潜在碰撞，常用于刚体动力学模拟。

6. 架构设计考量：如何在性能与精度间权衡

现代物理引擎通常采用“两阶段检测”架构：

        Broad Phase: 使用AABB进行快速剔除（如使用Spatial Hash、Quadtree、BVH）
        ↓（候选对生成）
        Narrow Phase: 对潜在碰撞对使用OBB、SAT或GJK进行精确判定
    

这种分层策略既保留了AABB的高效性，又避免了其在旋转场景下的误判缺陷。

7. 可视化说明：AABB随旋转的变化趋势

以下Mermaid流程图展示了物体旋转过程中AABB更新的逻辑流程：

graph TD
            A[物体发生旋转] --> B{是否启用动态AABB?}
            B -- 是 --> C[重新计算所有顶点的世界坐标]
            C --> D[找出x/y/z方向的min/max值]
            D --> E[构建新的AABB]
            E --> F[执行粗测碰撞判断]
            F --> G{AABB重叠?}
            G -- 是 --> H[进入Narrow Phase精检]
            G -- 否 --> I[忽略该对象对]
            H --> J[使用OBB/SAT/GJK验证真实碰撞]
            J --> K[输出最终碰撞结果]

8. 工程实践建议

针对不同应用场景，推荐如下策略：

• 静态环境网格 → 使用静态AABB，无需更新。
• 频繁旋转的小型物体 → 考虑切换至OBB或使用局部坐标系投影检测。
• 大规模粒子系统 → 维持AABB并接受一定误报率，配合后期过滤。
• 高精度物理仿真 → 引入连续碰撞检测（CCD）与Swept Volume。
• 移动端优化 → 限制旋转角度步进，预计算常见姿态下的AABB表。

9. 扩展思考：未来可能的改进方向

随着GPU并行计算能力提升，基于机器学习的碰撞预测模型正在探索中。例如：

• 训练神经网络预测旋转物体的真实接触概率，辅助传统AABB决策。
• 利用向量数据库索引常见姿态下的精确包围信息，实现近似加速。
• 结合稀疏体素编码与AABB联合表示，平衡内存占用与检测精度。

10. 典型代码示例：动态更新旋转物体的AABB

// C++ 示例：根据旋转后的顶点重新计算AABB
struct Vec3 { float x, y, z; };

Vec3 rotateY(const Vec3& v, float cosA, float sinA) {
    return { v.x * cosA - v.z * sinA,
             v.y,
             v.x * sinA + v.z * cosA };
}

void updateRotatedAABB(const std::vector<Vec3>& originalVertices,
                       float yaw,
                       Vec3& minBound,
                       Vec3& maxBound) {
    float cosA = cos(yaw);
    float sinA = sin(yaw);

    minBound = {FLT_MAX, FLT_MAX, FLT_MAX};
    maxBound = {FLT_MIN, FLT_MIN, FLT_MIN};

    for (const auto& v : originalVertices) {
        Vec3 rotated = rotateY(v, cosA, sinA);

        minBound.x = std::min(minBound.x, rotated.x);
        minBound.y = std::min(minBound.y, rotated.y);
        minBound.z = std::min(minBound.z, rotated.z);

        maxBound.x = std::max(maxBound.x, rotated.x);
        maxBound.y = std::max(maxBound.y, rotated.y);
        maxBound.z = std::max(maxBound.z, rotated.z);
    }
}