如何将4D变换矩阵拆分为动画分步执行的步骤？

完全可以将目标变换矩阵拆分为多个小步变换矩阵，实现平滑过渡动画，同时支持中途更新目标状态的需求，具体实现步骤如下：

1. 分解单个仿射矩阵的基础变换分量 #

针对3D数据的4D仿射矩阵，可拆解为**缩放（S）、旋转（R）、平移（T）**三类基础变换的组合，通用矩阵组合形式为 M = T @ R @ S（因变换通过矩阵右乘向量实现，实际变换顺序为缩放→旋转→平移，矩阵乘法顺序相反）。分解步骤：

• 提取缩放分量：取矩阵前3×3子矩阵的列向量模长，得到三个轴的缩放因子，以此构建对角缩放矩阵S（最后一行固定为[0,0,0,1]）。
• 提取旋转分量：将前3×3子矩阵的每一列除以对应轴的缩放因子，得到正交旋转矩阵R；若存在数值误差，可通过QR分解做正交化修正。
• 提取平移分量：矩阵第四列的前三个元素即为平移向量，以此构建平移矩阵T（对角元素为1，其余非目标位置为0）。

2. 插值生成分步变换矩阵 #

当需要从当前变换矩阵M_current过渡到目标矩阵M_target时，先分别分解两者的缩放、旋转、平移分量，再对各分量插值生成n个中间步骤的变换矩阵：

• 缩放插值：对每个轴的缩放因子做线性插值，得到每一步的缩放矩阵S_step。
• 旋转插值：将旋转矩阵转换为四元数，用球面线性插值（SLERP）生成每一步的旋转矩阵R_step，避免线性插值旋转时出现的缩放失真问题。
• 平移插值：对平移向量的每个分量做线性插值，得到每一步的平移矩阵T_step。
• 每一步的完整变换矩阵为 S_i = T_step @ R_step @ S_step，所有步骤矩阵相乘的结果等价于从当前到目标的总变换 M_total = M_target @ M_current^{-1}。

3. 处理中途更新目标状态的情况 #

若动画过程中收到新的目标矩阵M_new_target，直接终止当前插值序列，通过累计已执行的分步矩阵计算实时变换状态M_now = M_current @ S0 @ S1 @ ... @ S_k，将其作为新的起始矩阵，与M_new_target重新执行分解、插值流程，生成新的分步序列即可无缝切换到新的过渡动画。

核心代码示例 #

import numpy as np
from scipy.spatial.transform import Rotation as R

def decompose_affine(mat):
    # 分解4D仿射矩阵为缩放、旋转、平移分量
    scale = np.linalg.norm(mat[:3, :3], axis=0)
    rot_mat = mat[:3, :3] / scale[np.newaxis, :]
    # 正交化修正旋转矩阵
    rot_mat, _ = np.linalg.qr(rot_mat)
    trans = mat[:3, 3]
    return scale, rot_mat, trans

def interpolate_transforms(mat_start, mat_end, num_steps):
    # 分解起始与目标矩阵
    s_start, r_start, t_start = decompose_affine(mat_start)
    s_end, r_end, t_end = decompose_affine(mat_end)
    
    # 转换旋转矩阵为四元数，用于SLERP插值
    rot_start = R.from_matrix(r_start)
    rot_end = R.from_matrix(r_end)
    
    step_mats = []
    for i in range(num_steps):
        alpha = i / (num_steps - 1) if num_steps > 1 else 1.0
        # 插值缩放分量
        s_interp = s_start * (1 - alpha) + s_end * alpha
        # 插值旋转分量（SLERP）
        rot_interp = R.slerp(rot_start, rot_end, alpha)
        r_interp = rot_interp.as_matrix()
        # 插值平移分量
        t_interp = t_start * (1 - alpha) + t_end * alpha
        
        # 构建分步变换矩阵
        s_mat = np.eye(4)
        s_mat[:3, :3] = np.diag(s_interp)
        
        r_mat = np.eye(4)
        r_mat[:3, :3] = r_interp
        
        t_mat = np.eye(4)
        t_mat[:3, 3] = t_interp
        
        # 按平移→旋转→缩放的顺序组合矩阵
        step_mat = t_mat @ r_mat @ s_mat
        step_mats.append(step_mat)
    
    return step_mats

# 使用示例：生成从当前矩阵到目标矩阵的10步变换序列
# M_current = 初始变换矩阵
# M_target = 目标变换矩阵
# step_matrices = interpolate_transforms(M_current, M_target, 10)
# 每一步执行时，将当前3D数组传入仿射变换函数并应用step_matrices[i]

关键注意事项 #

• 变换顺序：分解与组合时必须保持一致的顺序，否则会导致变换结果偏差。
• 旋转插值：优先使用SLERP而非线性插值旋转矩阵，避免出现万向锁和缩放失真问题。
• 实时状态计算：中途切换目标时，需准确累计已执行的变换，确保新插值序列从当前状态向新目标过渡。

内容的提问来源于stack exchange，提问作者johndodo