fairmotion进阶技巧：如何计算关节角速度与姿态相似度，3步读懂Velocity类原理-平芜编程栈

fairmotion进阶技巧：如何计算关节角速度与姿态相似度，3步读懂Velocity类原理

【免费下载链接】fairmotionTools to load, process and visualize motion capture data项目地址: https://gitcode.com/gh_mirrors/fa/fairmotion

fairmotion 是一个用于加载、处理和可视化动作捕捉（motion capture）数据的开源 Python 工具库，支持 BVH、AMASS 等多种数据格式。本文聚焦它的进阶核心能力：如何计算关节角速度、如何计算姿态相似度，并用 3 个步骤读懂Velocity类的工作原理，帮你把运动数据真正"用起来" 🎯

fairmotion 的可视化模块可以直接把 BVH 骨骼动画渲染出来，配合速度、相似度计算，从"看动作"到"分析动作"只差一步。

为什么需要关节角速度与姿态相似度？

光看姿态（每帧的关节旋转）远远不够：

动作流畅度判断要看"动得多快"，即关节角速度（angular velocity）和线速度（linear velocity）；
动作匹配/过渡（比如舞蹈编排、游戏动作切换）需要量化两个姿态"有多像"，即姿态相似度度量。

fairmotion 把这两件事封装成了两个轻量模块：

能力	所在文件
关节角速度 / 线速度计算	`fairmotion/core/velocity.py`
姿态相似度计算	`fairmotion/core/similarity.py`
旋转矩阵 ↔ 轴角等转换工具	`fairmotion/ops/conversions.py`

3步读懂Velocity类原理

Velocity类定义在 velocity.py，它接收两个姿态pose1、pose2和时间间隔dt，为骨架中每一个关节算出一组 6 维向量：前 3 维是角速度w，后 3 维是线速度v。

第1步：用两帧姿态差求出旋转与位移

核心在Velocity.compute方法中：

取关节在两帧中的变换矩阵T1、T2；
计算相对变换T1⁻¹ · T2，拆出相对旋转dR和相对位移dp；
用R2A把旋转矩阵转成轴角向量（axis-angle，向量模长 = 旋转角度），再除以时间间隔。

w, v = R2A(dR) / dt, dp / dt # 角速度、线速度

就这么简单：角速度 = 旋转轴角 ÷ dt，线速度 = 位移 ÷ dt。结果同时保留了两套坐标系：data_local（关节局部坐标系，适合分析关节动作本身）和data_global（世界坐标系，适合分析整体运动方向）。

第2步：用 get_angular / get_linear 按关节取速度

拿到Velocity对象后，按关节名查询即可：

w = vel.get_angular("left_hip", local=True) # 左髋关节角速度 v = vel.get_linear("root", local=False) # 根节点线速度

两个方法都支持传入R_ref参数，把速度向量旋转到任意参考坐标系下比较——这是后面做相似度计算的关键细节 ⚡

第3步：用 MotionWithVelocity 全序列预计算 + 任意时刻插值

逐帧手动计算太麻烦，MotionWithVelocity直接继承Motion，一键完成全序列速度预计算：

mv = MotionWithVelocity.from_motion(motion) vel = mv.get_velocity_by_time(3.2) # 任意时刻，自动线性插值

get_velocity_by_time会自动在相邻两帧速度之间按Velocity.interpolate做线性插值，所以你可以传入任意浮点时间，不必是整数帧——对动画过渡、慢动作分析非常友好。

如何计算姿态相似度？两种度量按需选择

similarity.py 提供了两个函数，正好覆盖"像不像"的两个层面：

pose_similarity：全关节姿态差异（不看位置，只看动作）

逐关节比较局部旋转差（转成轴角后求平方和），再加权比较关节角速度差；
默认权重w_joint_pos=0.9、w_joint_vel=0.1，即"姿态为主、动作为辅"；
默认开启apply_root_correction：自动把pose2的根节点朝向对齐到pose1，避免"只是整体转向不同"就被判为不像；
返回值越小越相似。

root_ee_similarity：根节点 + 末端执行器差异（关注位置与速度）

针对"手在哪、脚在哪、动得多快"，由 4 个加权项组成：

分量	含义	默认权重
根节点位置差	双脚站立位置差异	1.0
根节点速度差	移动快慢差异	1.0
末端执行器位置差	手、脚末端差异	1.0
末端执行器速度差	末端动得急不急	1.0

两个贴心设计：

差异统一在**各自朝向坐标系（facing frame）**下计算，转向不同不会虚增距离；
auto_weight=True时，按末端执行器的高度自适应加权（越高越重要），让"手的姿态"比"脚的位置"在舞蹈类动作中影响更大。

实战场景：动作图过渡与动作聚类

这两个模块在 fairmotion 内部就有真实用例，可直接参考：

动作图（Motion Graph）衔接：motion_graph.py 在比较两段动作的接点时，同时调用pose_similarity和root_ee_similarity，选出过渡最自然的动作段，实现"动作拼接"；
动作特征提取与聚类：fairmotion/tasks/clustering/下的kinetic.py等特征文件大量使用速度信息，把每段动作变成特征向量后聚类降维：

上面这张图就是把动作片段按相似度特征做 t-SNE 降维后的聚类结果——颜色相同的簇代表"动作很像"的片段，这正是相似度度量在数据层面的直观体现。