AI驱动二维骨骼动画：从姿态估计到运动生成的实战指南

1. 项目概述当AI遇见二维骨骼动画最近几年AI技术像潮水一样涌入了各个创作领域从写文章到画图再到生成视频几乎无处不在。作为一个在动画和游戏开发领域摸爬滚打了十来年的老手我亲眼见证了二维骨骼动画从纯手绘逐帧、到Spine/DragonBones这类工具辅助、再到如今AI开始介入的整个演变过程。今天想和大家深入聊聊的就是这个听起来很前沿但实际已经触手可及的话题AI驱动的二维骨骼动画。这不仅仅是给动画师多一个“自动补间”的按钮而是从底层原理上重新思考我们如何生成、驱动和优化那些让角色“活”起来的动作。简单来说AI驱动的二维骨骼动画核心是利用机器学习模型去理解和生成角色骨骼的运动数据。它要解决的问题非常明确如何让角色动画的制作更高效、更智能甚至创造出人类动画师难以手动绘制的复杂或超现实动作比如你输入一段真人视频AI能自动提取出人物的骨骼关键点运动轨迹并映射到你的二维卡通角色上或者你只是用文字描述“一个沮丧的机器人拖着脚走路”AI就能生成一套符合物理规律和情绪表达的关键帧序列。这背后涉及计算机视觉、图形学、深度学习等多个领域的交叉但别怕我们今天会把它掰开揉碎了讲。这篇文章适合谁呢如果你是独立游戏开发者苦于团队没有专业动画师想寻找低成本制作高质量角色动画的方案如果你是技术美术TA或工具开发程序员希望在自己的引擎或编辑器里集成智能动画功能或者你就是一位对新技术充满好奇的动画师想了解AI如何成为你的新画笔——那么这篇文章就是为你准备的。我们会从最基础的原理讲起一直聊到可以动手实践的开发方案过程中会穿插大量我实际踩过的坑和验证过的技巧。2. 核心原理拆解AI如何“理解”并“生成”动作在动手之前我们必须先搞清楚AI到底在动画流水线的哪个环节起作用以及它是如何工作的。传统的二维骨骼动画流程是美术制作角色和骨骼绑定 - 动画师在时间轴上K帧设置关键姿势 - 引擎或播放器进行插值计算生成平滑动画。AI的介入主要是在“生成关键姿势”和“生成连续运动数据”这两个环节。2.1 姿态估计从图像/视频中提取骨骼信息这是AI驱动动画最常见也最成熟的入口。其核心是一个计算机视觉任务给定一张包含人物或生物的图片或视频帧算法需要准确地定位出人体关键关节如头、颈、肩、肘、腕、髋、膝、踝等的二维坐标。技术原理目前主流的方法是使用基于深度卷积神经网络CNN的模型例如OpenPose、HRNet、MoveNet等。这些模型通常有一个编码器-解码器结构。编码器如ResNet, MobileNet负责从输入图像中提取多层次的特征解码器则负责根据这些特征逐步推算出每个关键点的热力图Heatmap和关联向量Part Affinity Fields, PAFs。热力图用来预测关键点可能的位置概率分布而PAFs则用来判断哪些点属于同一个肢体从而将零散的点连接成完整的骨骼。为什么是热力图而不是直接回归坐标这是一个关键的设计选择。直接回归坐标x, y是一个回归任务对网络要求极高且容易受图像尺度、人物大小的影响。而热力图将坐标预测转化为一个分类任务每个像素点是否为关键点的概率利用了CNN在空间特征提取上的优势鲁棒性更强精度也更高。从2D到2.5D伪3D对于二维动画我们通常只需要2D坐标。但有些高级应用会估计深度信息Z轴形成一个2.5D的骨骼这对于处理角色转身、透视变化非常有帮助。这通常通过在网络结构中增加一个深度估计分支来实现。注意姿态估计的精度极度依赖于训练数据。公开数据集如COCO, MPII多基于真人照片如果你的角色是卡通、怪兽或非人形生物直接使用现成模型效果会很差。这时就需要进行领域适配Domain Adaptation——用你的角色图对预训练模型进行微调Fine-tuning。2.2 运动生成与风格迁移从数据到动画提取出骨骼序列即运动数据后下一步是如何利用这些数据驱动你的角色或者凭空生成新的运动。1. 运动重定向Motion Retargeting这是最直接的应用。将源骨骼如真人视频中提取的的运动数据映射到目标骨骼你的卡通角色上。难点在于两个骨骼的尺寸、比例可能完全不同。简单的直接坐标映射会导致角色滑步脚部与地面不匹配或动作变形。核心算法通常需要求解一个缩放、旋转和平移SRT的变换矩阵使得源骨骼的局部关节旋转角能合理地应用到目标骨骼上同时通过逆向运动学IK约束来保证末端效应器如脚、手的位置正确防止穿模和滑步。AI的增强可以使用神经网络如循环神经网络RNN或Transformer来学习源运动与目标运动之间的复杂映射关系自动处理比例差异和物理合理性生成更自然的适配动画。2. 基于条件的运动生成这是更“智能”的一环。给定一个条件如文本描述“跳跃”、音乐节奏、或者初始姿势让AI生成一段连续、合理的运动序列。技术核心这通常被建模为一个序列生成问题。生成对抗网络GAN和变分自编码器VAE是早期方案但现在更流行的是基于扩散模型Diffusion Model或自回归模型如Transformer。扩散模型通过在运动数据上逐步加噪和去噪的过程学习运动数据的分布。生成时从一个随机噪声开始根据条件文本描述逐步去噪得到干净的运动序列。它在生成多样性和质量上表现突出。Transformer将运动序列视为一种“语言”每个时间步的姿势视为一个“词”。通过训练它预测下一个姿势可以根据开头生成后续动作。结合文本编码器就能实现“文生动画”。数据集这类模型需要大规模、高质量的运动捕捉数据集进行训练如Human3.6M, AMASS。对于卡通风格数据非常稀缺这是目前最大的瓶颈。3. 动画风格迁移让一个具备某种风格如“优雅”、“笨重”、“愤怒”的动画将其风格迁移到另一段基础运动上。这借鉴了图像风格迁移的思想但作用在运动数据上。原理将运动数据分解为“内容”做了什么动作如走路和“风格”怎么做这个动作如蹦蹦跳跳地走。通过训练让网络学会分离二者并重新组合。这通常涉及对运动数据的频域分析风格往往体现在运动的细节频率上或使用专门设计的风格损失函数。2.3 物理增强与纠错让动画更真实AI生成的动画尤其是纯生成的可能会违反物理定律比如角色浮空、脚部打滑、动量不守恒。因此物理增强是必不可少的一环。后处理优化将生成的运动序列输入一个基于物理的仿真器如简单的刚体动力学模型通过优化算法微调关节角度使角色满足物理约束双脚着地、重心稳定。模型内置物理在生成模型训练时就将物理约束作为损失函数的一部分。例如设计一个“脚部接触损失”当脚部被预测为在地面时惩罚其垂直方向的速度。强化学习RL让一个智能体你的角色在物理模拟环境中通过试错来学习完成特定动作如走路、跑步其策略网络最终输出的就是符合物理的运动。这是游戏领域驱动NPC动画的常用高级技术。3. 实战开发全流程构建你自己的AI动画工具链理解了原理我们进入实战环节。我将以一个典型的开发流程为例展示如何从零开始搭建一个简易的“视频驱动二维卡通角色动画”系统。我们的目标是输入一段真人短视频输出一个绑定好骨骼的卡通角色的动画数据如Spine的JSON格式。3.1 环境准备与工具选型开发语言与框架Python无疑是首选生态丰富。用于数据处理、模型推理和流程脚本。深度学习框架PyTorch或TensorFlow。PyTorch在研究界和快速原型开发上更流行API灵活。TensorFlow在生产部署和移动端TF Lite有优势。这里我们选择PyTorch。关键库OpenCV用于视频读写、图像处理。NumPy/Pandas数值计算和数据处理。Matplotlib可视化中间结果调试神器。ONNX Runtime如果你想将训练好的模型快速部署到不同平台如Unity、Web可以将其转换为ONNX格式并用此运行时推理。姿态估计模型选择对于实时或准实时应用需要在精度和速度间权衡。高精度优先HRNet。它保持了高分辨率特征图 throughout the network对关键点定位非常精准但速度稍慢。速度优先MoveNet (Lightning/Thunder)或MediaPipe Pose。Google出品针对移动端和Web端高度优化能在浏览器中实时运行。MoveNet Lightning模型在CPU上也能达到30FPS。平衡之选YOLO-Pose或RTMPose。这类模型将目标检测和姿态估计结合先检测人再估计姿态在多人场景和速度上有优势。我们的选择为了演示的完整性和质量我们选用HRNet作为姿态提取器。虽然它不是最快的但精度高能更好地应对复杂姿势。动画工具格式对接我们的输出需要能被主流二维骨骼动画工具识别。Spine和DragonBones都使用JSON格式定义骨骼、插槽和动画。Spine JSON结构清晰行业标准。我们需要生成其bones骨骼层级、slots显示元素、skins皮肤/贴图和最重要的animations动画数据部分。因此我们需要编写代码将提取的2D关键点坐标转化为Spine骨骼的局部变换数据旋转、平移。3.2 核心步骤实现详解步骤一视频预处理与姿态提取import cv2 import torch from models.hrnet import PoseHighResolutionNet # 假设已导入HRNet模型 import json # 1. 加载预训练的HRNet模型 device torch.device(cuda if torch.cuda.is_available() else cpu) model PoseHighResolutionNet().to(device) model.load_state_dict(torch.load(hrnet_w32_coco_256x192.pth, map_locationdevice)) model.eval() # 2. 读取视频 video_path input_video.mp4 cap cv2.VideoCapture(video_path) fps cap.get(cv2.CAP_PROP_FPS) all_poses [] # 用于存储每一帧的骨骼关键点 # 定义COCO关键点顺序共17个点 COCO_KEYPOINTS [ nose, left_eye, right_eye, left_ear, right_ear, left_shoulder, right_shoulder, left_elbow, right_elbow, left_wrist, right_wrist, left_hip, right_hip, left_knee, right_knee, left_ankle, right_ankle ] while cap.isOpened(): ret, frame cap.read() if not ret: break # 3. 图像预处理缩放至模型输入尺寸如256x192归一化 input_img cv2.resize(frame, (192, 256)) # HRNet输入高宽 input_img input_img / 255.0 # 归一化到[0,1] # ... 转换为Tensor调整通道顺序等 # 4. 模型推理 with torch.no_grad(): output model(input_tensor) # output是热力图需要解码为坐标 coords decode_heatmaps(output) # 自定义解码函数寻找热力图峰值 # 5. 后处理坐标缩放回原始图像尺寸 orig_h, orig_w frame.shape[:2] coords[:, 0] * (orig_w / 192.0) coords[:, 1] * (orig_h / 256.0) all_poses.append(coords.tolist()) # 存储当前帧关键点列表 cap.release() # 将结果保存为中间文件 with open(extracted_poses.json, w) as f: json.dump({fps: fps, poses: all_poses}, f)实操心得姿态估计对光照、遮挡、服装很敏感。在拍摄源视频时尽量让演员穿着紧身衣在纯色背景前表演动作幅度可以稍大一些这样提取的骨骼数据会更干净。对于遮挡如手放在背后模型预测的点可能会漂移需要后续的平滑滤波如卡尔曼滤波、Savitzky-Golay滤波器来处理。步骤二运动重定向与Spine数据生成这是最复杂的一步。我们需要一个目标角色的骨骼模板。假设我们有一个简单的卡通角色其Spine骨骼结构如下简化root(根骨骼)body(身体)left_upper_arm-left_lower_arm-left_handright_upper_arm-right_lower_arm-right_handleft_upper_leg-left_lower_leg-left_footright_upper_leg-right_lower_leg-right_foot我们需要将COCO的17个点映射到这个骨骼结构的关节上并计算每一帧每个骨骼的局部旋转。import numpy as np from scipy.spatial.transform import Rotation as R def map_coco_to_spine(coco_kpts): 将COCO 17点映射到自定义骨骼关节 # 计算关节位置取两点中点 spine_joints {} spine_joints[hip] (coco_kpts[11] coco_kpts[12]) / 2 # 左右髋部中点 spine_joints[neck] (coco_kpts[5] coco_kpts[6]) / 2 # 左右肩中点近似颈部 spine_joints[left_shoulder] coco_kpts[5] spine_joints[right_shoulder] coco_kpts[6] # ... 映射其他关节 return spine_joints def calculate_bone_rotation(parent_joint, child_joint, rest_direction): 计算子骨骼相对于父骨骼的局部旋转。 parent_joint, child_joint: 当前帧的关节位置 (x, y) rest_direction: 骨骼在绑定姿势T-pose下的方向向量 (单位向量) # 计算当前骨骼方向向量 current_direction child_joint - parent_joint current_direction_norm current_direction / (np.linalg.norm(current_direction) 1e-6) # 在2D空间中旋转角就是两个向量之间的夹角有符号 # 通过叉积z分量判断方向 rot_angle np.arctan2(current_direction_norm[1], current_direction_norm[0]) - \ np.arctan2(rest_direction[1], rest_direction[0]) # 转换为角度Spine JSON中使用度数 rot_angle_deg np.degrees(rot_angle) return rot_angle_deg # 主处理循环 spine_animation_data {bones: {}} # 初始化每个骨骼的动画曲线数据 for bone_name in target_skeleton.keys(): spine_animation_data[bones][bone_name] {rotate: []} for frame_idx, coco_pose in enumerate(all_poses): spine_joints map_coco_to_spine(coco_pose) # 为每个骨骼计算旋转 for bone_name, bone_info in target_skeleton.items(): parent_name bone_info[parent] child_joint spine_joints[bone_info[child_joint]] parent_joint spine_joints.get(parent_name, (0,0)) # 根骨骼的父关节可能是原点 rest_dir bone_info[rest_direction] angle calculate_bone_rotation(parent_joint, child_joint, rest_dir) # 构建Spine动画曲线数据。时间帧索引/帧率 time frame_idx / fps spine_animation_data[bones][bone_name][rotate].append({ time: time, angle: angle # Spine还支持曲线类型如stepped, bezier这里简化为线性 }) # 生成完整的Spine JSON结构 final_spine_json { skeleton: {hash: generated, spine: 4.1}, bones: [...], # 骨骼定义 slots: [...], # 插槽定义 skins: [...], # 皮肤定义 animations: {captured_animation: spine_animation_data} } with open(output_animation.json, w) as f: json.dump(final_spine_json, f, indent2)踩坑实录直接计算出的旋转角可能会在180度附近发生跳变例如从179度跳到-181度导致动画中骨骼突然反向旋转。必须进行角度解缠绕angle unwrapping将连续帧之间的角度差限制在合理范围内如认为超过180度的变化是不合理的进行加减360度校正。步骤三逆向运动学IK约束与脚部锁定上面的方法只考虑了骨骼的局部旋转正向运动学FK。但对于腿部和脚部为了杜绝滑步必须使用逆向运动学IK。我们首先用FK计算出脚踝的大致位置。然后通过一个简单的两点IK算法髋-膝-踝根据脚踝的目标位置从视频中提取的脚部关键点并做平滑处理反算出大腿和小腿的旋转角。脚部接触检测计算脚部关键点的速度。当速度低于某个阈值且脚部接近地面y坐标接近某个值时认为脚部处于接触期。在接触期内强制将脚踝的世界坐标锁定在接触开始时的位置直到接触期结束。这是消除滑步最有效的方法。def apply_two_bone_ik(hip_joint, knee_joint, ankle_target, lower_leg_length, upper_leg_length): 两点IK解算器返回大腿和膝盖的旋转角。 这是一个简化的2D版本。 # 计算髋到目标的距离 dist np.linalg.norm(ankle_target - hip_joint) # 三角形两边大腿、小腿和一边dist已知用余弦定理计算中间角 # 防止无效三角形 dist np.clip(dist, 1e-6, lower_leg_length upper_leg_length - 1e-6) cos_angle (upper_leg_length**2 lower_leg_length**2 - dist**2) / (2 * upper_leg_length * lower_leg_length) knee_angle np.arccos(np.clip(cos_angle, -1.0, 1.0)) # 计算大腿旋转角指向目标的方向角减去初始偏移 # ... 具体几何计算省略 return thigh_angle, knee_angle3.3 进阶集成预训练运动生成模型如果你想超越“视频驱动”实现“文本生成动画”或“风格化动画”就需要集成更高级的生成模型。这里以集成一个开源的文本到动作Text-to-Motion模型为例例如MDMMotion Diffusion Model或T2M-GPT。流程如下环境搭建克隆模型仓库安装依赖通常需要特定版本的PyTorch和Diffusers库。加载模型下载预训练权重。这些模型通常在大型动作捕捉数据集如HumanML3D上训练能理解文本和动作的关联。推理输入文本描述如“a person walks forward and then jumps”。from generate import generate_motion # 假设模型提供的生成函数 text [a person walks forward and then jumps] # 模型生成的是3D关节旋转序列通常为SMPL格式参数 motion_data generate_motion(text, model, device)数据转换将生成的3D运动数据如关节旋转矩阵或欧拉角投影到2D平面忽略深度或选择一个固定视角然后转换为Spine骨骼的2D旋转数据。这一步需要仔细处理坐标系转换和骨骼映射。风格化后处理可选如果你有特定风格如“卡通跳跃”的少量数据可以训练一个轻量级的风格适配器网络对生成的动作进行微调。注意事项这类生成模型“黑盒”程度高生成的动画可能不稳定或出现奇怪姿势。务必加入后处理过滤器比如关节旋转限制防止肘部过度弯曲、运动平滑以及前面提到的物理纠错。同时明确告知用户生成结果具有随机性需要人工筛选和微调。4. 开发中的常见问题与实战排坑指南在实际开发中你会遇到各种各样的问题。下面是我总结的一些典型问题及其解决方案。4.1 姿态估计精度不足问题表现关键点抖动、丢失特别是被遮挡时、定位偏差大。数据清洗与增强在微调模型时对你的角色数据集进行大量增强——随机旋转、缩放、裁剪、调整亮度对比度、添加噪声模拟。这能极大提升模型的鲁棒性。多模型融合对于关键帧可以同时运行HRNet高精度和MoveNet高速度然后对它们的预测结果进行加权平均或投票取长补短。时序平滑不要孤立处理每一帧。利用视频的时序信息使用滤波器如一维卡尔曼滤波器或双向递归神经网络Bi-RNN对骨骼序列进行平滑。卡尔曼滤波器特别适合处理带有噪声的连续运动数据它能根据运动模型预测下一帧位置并与观测值模型输出结合得到更稳定、更合理的估计。# 简易卡尔曼滤波示例针对单个关键点的x坐标 import pykalman # 一个方便的卡尔曼滤波库 kf pykalman.KalmanFilter(transition_matrices[1], observation_matrices[1]) observations np.array([frame[0] for frame in all_poses]) # 所有帧的鼻子x坐标 # 使用滤波 smoothed_state_means, _ kf.smooth(observations)4.2 运动重定向后的“恐怖谷”效应问题表现动作虽然映射上去了但角色动起来非常僵硬、怪异像提线木偶缺乏重量感和个性。原因分析直接映射旋转角忽略了运动学链的差异和次要动作。真人骨骼和卡通骨骼的尺寸、关节活动范围不同。真人微妙的预备动作、跟随动作、重叠动作在直接映射中丢失了。解决方案运动放大分析源运动数据的频率将代表“风格”的高频细节如走路时身体的轻微上下晃动进行适当放大再应用到目标骨骼上。添加次级动画程序化地添加一些次级运动。例如根据根骨骼的速度让角色的尾巴、耳朵、头发等附加物做延迟的、衰减的摆动使用弹簧物理模拟。风格化滤波器设计一个滤波器有意识地将“流畅”的人类运动转化为“有弹性”、“卡通化”的运动。例如让动作在关键帧处有轻微的“定格”感或者让拉伸和挤压效果更夸张。4.3 性能优化与实时性挑战问题表现处理速度慢无法达到实时30FPS要求。模型轻量化将训练好的HRNet模型通过剪枝Pruning、量化Quantization和知识蒸馏Knowledge Distillation转化为轻量级版本。或者直接换用轻量模型如MoveNet。推理引擎优化使用TensorRT(对于NVIDIA GPU) 或OpenVINO(对于Intel CPU) 等推理加速库对模型进行优化和部署能获得数倍的性能提升。流水线异步处理对于非实时编辑可以采用生产者-消费者模式。一个线程负责读取视频和姿态估计高耗时另一个线程负责运动重定向和文件写入。对于实时应用如摄像头驱动则必须优化每一环节甚至考虑在Web端使用TensorFlow.js或ONNX Runtime Web来运行轻量模型。4.4 不同角色骨骼结构的适配问题表现你的角色是多足动物、翅膀生物或者根本就不是人形标准的人体17关键点模型完全无用。自定义关键点与标注这是最根本的解决方案。你需要定义自己角色的关键点如龙的头部、颈部、脊椎、四肢、翅膀关节、尾巴等。然后采集或生成这个角色的图片/视频数据可以通过3D模型渲染获得并手动或半自动地标注这些关键点。训练专属模型使用你的标注数据从一个通用的姿态估计模型如HRNet开始进行迁移学习。由于底层特征提取能力是通用的通常只需要微调最后的输出层就能获得一个对你角色专精的模型。所需数据量可能几百到几千张图就能有不错的效果。无监督/弱监督方法探索如果标注数据极少可以研究一些自监督或弱监督的姿态估计方法它们利用视频中的时序一致性或对称性等先验知识来减少对标注的依赖但这属于前沿研究实现难度较高。5. 工程化与集成从Demo到可用的工具让代码跑通只是一个开始。要把它变成一个团队能用的工具或者集成到游戏引擎里还需要做大量的工程化工作。5.1 设计用户友好的界面对于动画师而言命令行和Python脚本太不友好。你需要一个GUI。桌面端使用PyQt、Dear PyGui或Tkinter快速搭建。核心界面元素包括视频预览窗口。骨骼映射关系可视化编辑器用连线显示当前COCO点映射到角色哪个骨骼关节。参数调节滑块平滑度、IK强度、运动缩放比例。一键处理按钮和进度条。Web端使用Streamlit或Gradio可以极快地构建交互式Web应用。将模型推理放在后端FastAPI前端上传视频、调整参数、查看结果。这便于分享和协作。5.2 与游戏引擎集成最终动画是要在游戏里跑的。Unity将处理好的Spine JSON文件和角色纹理导入Unity使用Spine-Unity Runtime直接播放。更深入的集成在Unity中编写C#脚本调用一个本地运行的Python服务通过gRPC或HTTP实时将摄像头画面发送过去接收骨骼数据并驱动Unity内的角色可能是通过Humanoid Avatar或自定义骨骼系统。这可以实现实时动作捕捉。GodotGodot原生支持Spine和DragonBones。导入JSON即可。自定义引擎你需要解析Spine JSON格式在引擎中实现其骨骼动画更新逻辑。核心是在每一帧根据时间插值计算每个骨骼的当前变换矩阵并按照骨骼层级从根节点向下更新所有子节点的世界变换。5.3 构建自动化流水线在大型项目中可能需要批量处理大量视频。使用工作流引擎如Apache Airflow或Prefect将视频解码、姿态估计、重定向、IK处理、输出打包等步骤定义为一个个任务Task并自动化调度执行。错误处理与重试在流水线中增加检查点。如果某一步骤失败如某帧姿态估计置信度过低能记录日志、跳过或尝试重试保证整体流程的健壮性。版本管理与A/B测试对处理参数如平滑系数、IK权重进行版本化管理。同一段源视频用不同参数处理生成多个动画版本供动画师对比选择。6. 未来展望与伦理思考AI驱动的动画技术正在飞速发展。扩散模型正在生成越来越逼真和多样化的动作NeRF等神经渲染技术可能未来会直接生成带纹理和光照的动画序列跳过骨骼绑定大语言模型LLM作为控制器可以理解更复杂的导演指令并协调多个角色的行为。但与此同时我们也必须清醒地看到挑战和风险数据偏见当前的运动生成模型大多在西方成人动作数据上训练可能无法很好地表达其他文化背景、年龄阶段或特殊群体的动作特征。创意同质化过度依赖AI可能导致动画风格趋向“平均”失去艺术家独特的个人表达。AI应该是“画笔”和“助手”而不是“替代者”。版权与伦理用AI模仿特定演员或动画师的标志性动作风格可能涉及版权和肖像权问题。我们需要建立新的行业规范。在我个人看来未来最有价值的不是全自动的AI动画师而是“AI-Assisted Animation”工具。它深刻理解动画的十二条原则能在动画师K了几个关键帧后智能地补全中间画并自动添加合理的次级动画和物理效果它能将动画师的草图快速转化为绑定的骨骼模型它能让独立开发者以极低的成本获得高质量的角色动画。这条路远比追求完全替代人类更有意义也更具可行性。