1. 光线追踪中的空间划分基础
当你在玩3A游戏时，是否好奇过那些逼真的光影效果是如何实现的？这背后离不开光线追踪技术的支持。而要让光线追踪高效运行，空间划分算法就是关键所在。想象一下，你站在一个摆满家具的房间里，如果让你快速找到某个特定物品，最有效的方法是不是先把房间分成几个区域，然后逐个区域搜索？空间划分算法就是帮计算机做这件事的。
在光线追踪中，每条光线都需要与场景中的物体进行求交计算。如果场景中有上百万个三角形面片，逐一面片检测显然不现实。这时候就需要AABB（轴对齐包围盒）、KD树和BVH（层次包围盒）这三种数据结构来加速这个过程。它们就像给场景中的物体建立了不同层级的"索引"，让计算机能够快速定位可能相交的物体。
AABB是最基础的空间包围结构。它就像一个与坐标轴对齐的立方体盒子，把物体完全包裹在内。计算AABB非常简单，只需要记录物体在X、Y、Z三个轴向上的最小值和最大值。在光线追踪中，我们可以先判断光线是否与物体的AABB相交，如果不相交就直接跳过该物体，节省大量计算资源。
2. AABB：简单高效的初级筛选
2.1 AABB的工作原理
AABB的核心思想可以用一个生活场景来理解：假设你要在书架上找一本书，与其逐本检查，不如先记住这本书的大致位置（比如第三层左边），这样就能快速缩小搜索范围。AABB就是给3D物体做的这种"位置标记"。
具体实现上，AABB通过六个数值定义：minX、maxX、minY、maxY、minZ、maxZ。这六个值构成了一个与坐标轴对齐的长方体空间。计算一个模型的AABB只需要遍历所有顶点，记录各个轴向的极值即可。在代码中，AABB通常这样表示：
struct AABB { float min[3]; // minX, minY, minZ float max[3]; // maxX, maxY, maxZ };2.2 AABB在光线追踪中的应用
在实际光线追踪中，AABB测试通常是第一道筛选。假设场景中有1000个物体，通过AABB测试可能只需要检查其中100个物体，效率提升非常明显。光线与AABB的相交测试也很高效，因为只需要比较光线与六个平面的关系。
但AABB有个明显局限：当物体旋转时，它的AABB需要重新计算，否则会变得"过大"，降低筛选效率。这也是为什么在动态场景中，我们还需要更高级的空间划分结构。
3. KD树：基于空间划分的加速结构
3.1 KD树的基本原理
当AABB筛选后剩下的物体仍然很多时，我们就需要更精细的空间划分方法。KD树（K维树）就是这样一种数据结构，它通过递归地将空间划分为更小的区域来组织场景中的物体。
想象你在整理衣柜：先把衣服按季节分（第一层划分），然后按类型分（第二层划分），最后按颜色分（第三层划分）。KD树的划分逻辑与此类似，只不过是在3D空间中交替使用X、Y、Z轴进行划分。
KD树的每个内部节点都代表一个划分平面，将空间分成两部分。划分可以一直进行，直到每个叶节点包含的物体数量足够少。这种结构使得在搜索时，可以快速排除大量不可能相交的空间区域。
3.2 KD树的构建与查询
构建KD树的关键在于选择划分位置。常见策略包括：
- 中点划分：简单但可能不平衡
- 表面区域启发式(SAH)：计算各候选划分的代价，选择最优解
下面是一个简化的KD树构建伪代码：
def build_kdtree(objects, depth=0): if len(objects) < threshold: return LeafNode(objects) axis = depth % 3 # 交替选择x,y,z轴 sorted_objects = sorted(objects, key=lambda o: o.aabb.center[axis]) median = len(sorted_objects) // 2 split_pos = sorted_objects[median].aabb.center[axis] left = [o for o in objects if o.aabb.max[axis] <= split_pos] right = [o for o in objects if o.aabb.min[axis] > split_pos] return InternalNode( axis, split_pos, build_kdtree(left, depth+1), build_kdtree(right, depth+1) )在光线查询时，KD树可以快速跳过大量无关区域。实测表明，对于复杂场景，使用KD树可以将光线追踪速度提升数十倍。
4. BVH：基于物体划分的层次结构
4.1 BVH的核心思想
BVH（层次包围盒）采取了与KD树不同的策略：它不是划分空间，而是递归地将物体分组，并为每组构建包围盒。这就像整理工具箱时，把相关工具放在同一个格子里，再为每个格子贴标签。
BVH的构建过程是自顶向下的：
- 计算当前所有物体的总体AABB
- 选择一个划分轴和划分点
- 将物体分成两组
- 递归处理每组物体
BVH的一个关键优势是它对动态场景更友好，因为物体移动时只需要更新受影响的局部包围盒，而不需要重建整个结构。
4.2 BVH的构建策略
常见的BVH构建策略包括：
| 策略 | 描述 | 优点 | 缺点 |
|---|---|---|---|
| 中点划分 | 在最长轴的中点划分 | 简单快速 | 可能不平衡 |
| SAH | 基于表面区域启发式 | 查询效率高 | 构建耗时 |
| HLBVH | 适合并行构建 | 构建速度快 | 质量稍差 |
在实践中最常用的是基于SAH的BVH构建。SAH通过估算每个候选划分的预期查询代价来选择最优划分。虽然计算量较大，但能显著提升查询效率。
5. 三种结构的对比与选型
5.1 性能特征对比
下表总结了三种结构的主要特点：
| 特性 | AABB | KD树 | BVH |
|---|---|---|---|
| 构建速度 | 极快 | 慢 | 中等 |
| 查询速度 | 一般 | 快 | 快 |
| 动态场景 | 适合 | 不适合 | 适合 |
| 内存占用 | 极小 | 大 | 中等 |
| 实现难度 | 简单 | 复杂 | 中等 |
5.2 实际应用建议
根据项目需求选择合适结构：
- 简单场景/原型开发：仅使用AABB就足够
- 静态复杂场景：KD树通常表现最佳
- 动态场景：BVH是更好的选择
- 混合场景：可以考虑分层结构，如先用BVH组织大物体，内部再用KD树
在光线追踪渲染器中，我通常会实现所有三种结构，然后根据场景特点自动选择。对于包含大量动态物体的游戏场景，BVH几乎是唯一选择；而对于建筑可视化等静态场景，KD树能提供更好的渲染性能。
6. 优化技巧与实战经验
6.1 内存布局优化
无论是哪种结构，内存访问模式对性能影响都很大。在实践中，我会将节点数据紧凑排列，减少缓存未命中。例如使用SOA（Structure of Arrays）而不是AOS（Array of Structures）来存储KD树节点：
struct KDTreeNodes { std::vector<float> splitPositions; std::vector<int> children; // 左子节点索引，右子节点为左子节点+1 std::vector<char> axes; // 划分轴 };6.2 并行构建策略
对于大型场景，BVH的构建时间可能成为瓶颈。我常用的是并行BVH构建算法：
- 将物体空间划分为多个bucket
- 并行计算每个bucket的局部BVH
- 合并局部BVH形成全局BVH
这种方法虽然构建的BVH质量略低，但速度提升明显，特别适合需要实时更新的场景。
6.3 混合结构的使用
在一些特殊情况下，混合使用不同结构会有奇效。比如：
- 对场景的主要部分使用BVH
- 对特别复杂的模型（如树木、毛发）内部使用KD树
- 对所有物体保留AABB用于初步筛选
这种分层策略结合了各种结构的优点，我在一个植被茂密的场景中应用后，渲染速度提升了约40%。
