CN102999661A - 基于粒子群优化的并行碰撞检测系统及方法 - Google Patents
基于粒子群优化的并行碰撞检测系统及方法 Download PDFInfo
- Publication number
- CN102999661A CN102999661A CN2012104657028A CN201210465702A CN102999661A CN 102999661 A CN102999661 A CN 102999661A CN 2012104657028 A CN2012104657028 A CN 2012104657028A CN 201210465702 A CN201210465702 A CN 201210465702A CN 102999661 A CN102999661 A CN 102999661A
- Authority
- CN
- China
- Prior art keywords
- particle
- module
- parallel
- collision detection
- collision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群优化的并性碰撞检测系统及方法,该系统至少包括:构建搜索空间模组,用于构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题;多面体剖分模组,用于将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对;以及并行碰撞检测模组,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素,通过本发明,可在提高碰撞检测速度的同时保证较高的精度,而且本发明可适用于大规模复杂场景的实时动态碰撞检测。
Description
技术领域
本发明关于一种并行碰撞检测系统及方法,特别是涉及一种基于粒子群优化的并行碰撞检测系统及方法。
背景技术
碰撞问题多年来一直受到较多的关注,碰撞检测方法在计算几何、计算机动画、CAD/CAM,仿真机器人和虚拟现实等领域中都有较好的应用前景。
近二十多年来,研究人员在碰撞检测领域中做了相当多有意义的工作。提出一些较为成熟的方法。从总体上将这些方法分为两大类:几何分解法和分层包围盒法。前者是将整个虚拟空间划分为相等体积的小的单元格,只对占居了同一单元格或相邻单元格的几何对象进行相交计算。比较典型的例子有:八叉树、k-d树、BSP树等。这类方法的特点为:方法复杂、精度高。分层包围盒的核心思想是用体积略大而几何特性简单的包围盒来近似地描述复杂的几何对象,从而通过判断包围盒是否重叠来粗略估计两检测对象是否碰撞,此外可以通过构造树状分层结构一步步逼近几何模型,提高检测精度。分层包围盒由于其方法简单、效率相对高,也是一种广泛应用的碰撞检测方法。但其检测精度较低。
另外,现有的动态碰撞检测方法自身还存在一些问题:如检测中刺穿现象和遗漏情况等。传统的多物体间的碰撞检测方法一般时间复杂度为O(n2),不能满足实时性的要求,不利于碰撞检测快速实现。基于空间分割技术的几何分解方法,影响该方法效率的一个重要因素是分区的多少,而分区的数目又较难把握。八叉树和其它几何模型在解决碰撞检测的框架之间的几何干涉问题时,不会大幅度提高方法效率。采用分层包围盒技术来加速多面体场景的碰撞检测,但一般的包围盒方法作为一个整体的方法,检测精度低,效率提高并不明显。
发明内容
为克服上述现有技术存在的不足,本发明之一目的在于提供一种基于粒子群优化的并行碰撞检测系统及方法,其可以在提高碰撞检测速度的同时保证较高的精度,而且适用于大规模复杂场景的实时动态碰撞检测。
为达上述及其它目的,本发明提出一种基于粒子群优化的并性碰撞检测系统,至少包括:
构建搜索空间模组,用于构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题;
多面体剖分模组,用于将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对;以及
并行碰撞检测模组,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素。
进一步地,该多面体剖分模组以包围盒的中心点作为特征对象进行采样。
进一步地,如权利要求2所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于,该并行碰撞检测模组还包括:
初始化模组,用于随机初始化粒子的位置与速度;
适应度计算模组,利用辅助进程并行计算所有粒子的适应度值,并发送给主控进程;
比较模组,利用主控进程接收到粒子的适应度值,将其与个体极值、全局极值比较,若该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新;
判断模组,用于判断是否满足终止条件,若满足终止条件,则启动输出模组输出结果及碰撞元素,否则启动更新模组;
更新模组,根据位置更新公式及速度更新公式更新粒子的和速度,并启动该适应度计算模组重新计算粒子的适应度值;以及
输出模组,用于输出结果及碰撞元素。
进一步地,该适应度计算模组采用如下公式计算适应度值:
F=(a·x-b·x)2+(a·y-b·y)2+(a·z-b·z)2
其中{a,b}为一个特征对,(x,y,z)是真实的物体空间中点的坐标。
进一步地,若pi<pBest则pBest=pi,若pi<gBest,则gBest=pi,其中pi为粒子的适应度值,pBest为个体极值,gBest为全局极值。
进一步地,该终止条件包括如下两种:
一、如果要找出几何模型之间所有的碰撞点,终止条件可以设为达到最大次数停止;
二、找到第一个干涉点以后则终止粒子的演化进程,但是若在演化进程中,一直没有找到干涉点,则当粒子的演化代数达到最大数时停止运行。
进一步地,该速度更新公式与位置更新公式分别为:
vk+1=ω*vk+c1*rand()*(pBestk-xk)+c2*rand()*(gBestk-xk);
xk+1=xk+vk+1,
其中,vk是粒子的速度,ω是惯性权重,xk是当前粒子的位置,pBestk,gBestk分别是个体最优解和全局最优解,rand()是介于(0,1)之间的随机数。c1,c2是学习因子。
进一步地,c1=c2=2。
为达到上述及其他目的,本发明还提供一种基于粒子群优化的并行碰撞检测方法,包括如下步骤:
步骤一,构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题;
步骤二,将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对;以及
步骤三,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素。
进一步地,步骤三还包括如下步骤:
步骤1.1,随机初始化粒子的位置与速度;
步骤1.2,辅助进程并行计算所有粒子的适应度值,并发送给主控进程;
步骤1.3,主控进程接收到粒子的适应度值,将其与个体极值、全局极值比较,若该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新;
步骤1.4,判断是否满足终止条件,若满足终止条件,则进入步骤1.6;
步骤1.5,根据位置更新公式及速度更新公式更新粒子的位置和速度,并转向步骤1.2;
步骤1.6,输出结果及碰撞元素。
进一步地,该终止条件包括如下两种:
一、如果要找出几何模型之间所有的碰撞点,终止条件可以设为达到最大次数停止;
二、找到第一个干涉点以后则终止粒子的演化进程,但是若在演化进程中,一直没有找到干涉点,则当粒子的演化代数达到最大数时停止运行。
进一步地,该速度更新公式与位置更新公式分别为:
vk+1=ω*vk+c1*rand()*(pBestk-xk)+c2*rand()*(gBestk-xk);
xk+1=xk+vk+1,
其中,vk是粒子的速度,ω是惯性权重,xk是当前粒子的位置,pBestk,gBestk分别是个体最优解和全局最优解,rand()是介于(0,1)之间的随机数。c1,c2是学习因子。
与现有技术相比,本发明一种基于粒子群优化的并性碰撞检测系统及方法通过把碰撞检测问题转化到两个模型的特征对序号构成的空间内的优化问题,并结合多面体剖分方法,将优化模型充分并行化,即并行取多个四面体包围盒特征对,然后采用粒子群优化方法并行求解,从而使基于粒子群优化技术的并行碰撞检测方法能较好提高碰撞检测速度,经实验证明,本发明可以不断提高碰撞检测速度,同时保证较高的精度,而且适用于大规模复杂场景的实时动态碰撞检测。
附图说明
图1为本发明一种基于粒子群优化的并行碰撞检测系统的系统架构图;
图2为本发明较佳实施例中的二维搜索空间的示意图;
图3为本发明较佳实施例中粒子位置状态更新示意图;
图4为本发明一种基于粒子群优化的并行碰撞检测方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
在介绍本发明的系统及方法之前,先对粒子群优化方法、本发明的基本思想及理论基础作一介绍。
粒子群优化方法PSO(Partical Swarm Optimization)是近年来发展起来的一种新的进化方法EA(Evolutionary Algorithm)。它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质,它通过追随当前搜索到的最优值来寻找全局最优。这种方法有实现容易、精度高、收敛快等优点。本发明将其引入到碰撞检测领域,把三维物体空间内的碰撞检测问题转化为一个二维离散解空间内的优化问题,应用粒子群方法来完成碰撞检测过程中局部最小特征对的搜索过程。
由于基于特征采样的随机碰撞检测方法的核心是通过在物体上采样作为初始假想碰撞对,然后通过逐步跟踪采样对到达局部最小来进行碰撞检测。因此有必要在碰撞检测之前进行特征采样。进行特征采样应先确定特征的类型。由于随机碰撞检测方法将碰撞问题转化为搜索两个物体上的特征之间的距离问题,因此,所选特征间的距离就必须是可以计算的。
基于特征采样的随机碰撞检测方法直接对物体进行特征采样。方法的特征对象一般是组成物体几何模型的基本几何元素,如点、三角形、四面体等。其中,判断基本几何元素间是否发生干涉时,方法本身要求用户设定距离阈值。如果设定的距离阈值较大,则会增加一些没有干涉的几何元素对。如果设定的距离阈值较小,就容易漏掉一些已发生干涉的几何元素对。
因此,本发明将基于特征采样的随机碰撞检测方法进行改进。不再把几何模型的顶点作为粒子群方法中运动粒子的特征对,而是选用几何模型多面体剖分得到的四面体的包围盒,即以基本几何元素的包围盒作为特征对象。而层次包围盒的核心思想是用体积略大而几何特性简单的包围盒来来近似描述复杂的几何对象,从而只需对包围盒重叠的对象进行进一步的相交测试。进行碰撞检测时,首先判断基本几何元素的包围盒是否发生干涉,如发生干涉,则进行基本几何元素的干涉检测。这就克服了以基本几何元素为特征对象的随机碰撞检测方法中容易漏掉干涉元素的情况,可以很大程度地提高方法的精确度。
最后,为了进一步提高检测速度,引入并行思想。实现基于PSO优化的并行碰撞检测,该方法把碰撞检测问题转化到两个模型的特征对序号构成的空间内的优化问题,并结合多面体剖分方法,将优化模型充分并行化,然后采用粒子群优化方法并行求解,引入并行思想,从而使基于PSO优化技术的并行碰撞检测方法能较好提高碰撞检测速度。
图1为本发明一种基于粒子群优化的并行碰撞检测系统的系统架构图。如图1所示,本发明基于粒子群优化的并行碰撞检测系统,至少包括:构建搜索空间模组10、多面体剖分模组11以及并行碰撞检测模组12。
构建搜索空间模组10用于构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题。两个物体的碰撞检测可以简单描述为三维空间内两个物体之间是否存在至少一对特征对(ai,bj),其中ai∈A(0<i<Na),bj∈B(0<j<Nb),使F(P)≤δ,F为距离函数,δ为碰撞阀值。为了能快速求解这个问题,找到满足条件的特征对集合,因此可以把碰撞检测问题看成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题。因为特征的组合的可能有n2种。目标空间D是由这两个物体特征对任意组合形成的二维离散空间,由于特征对具有对耦特性,D的大小为如图2所示。
多面体剖分模组11用于将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对,本发明以包围盒的中心点作为特征对象进行采样。
并行碰撞检测模组12,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解。并行碰撞检测模组12进一步包括初始化模组120、适应度计算模组121、比较模组122、判断模组123、更新模组124以及输出模组125。
其中初始化模组120用于随机初始化粒子(即特征对象)的位置Xi,速度Vi,i=1,2,…,m;适应度计算模组121利用辅助进程并行计算所有粒子的适应度值pi,并发送给主控进程。
粒子的适应度定义为三维物体空间中两个特征对之间的欧式距离。本发明给出四面体包围盒特征对之间适应度计算方法。
大家知道点特征之间的距离可以用欧式距离公式,为了减少计算,采用距离的平方,如公式(1),{a,b}为一个特征对。
F=(a·x-b·x)2+(a·y-b·y)2+(a·z-b·z)2 (1)
其中(x,y,z)是真实的物体空间中点的坐标。
本发明选择四面体的包围盒特征对,包围盒采用AABB即正方体包围盒方法首先对几何模型进行特征采样,这里以包围基本几何元素的AABB包围盒的中心点作为特征对象进行采样。
再判断包围盒是否碰撞,如不碰撞,再返回两个包围盒中心点之间距离为适应度函数。如果检测出包围盒发生碰撞,则要进一步进行四面体之间的精确碰撞检测。
比较模组122利用主控进程接收到粒子的适应度值,将其与个体极值pBest、全局极值gBest比较,该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新,即如pi<pBest则pBest=pi,如pi<gBest,则gBest=pi。判断模组123用于判断是否满足终止条件,若满足终止条件,则启动输出模组125输出结果及碰撞元素,否则启动更新模组124。由于基于粒子群的碰撞检测属于多峰值优化问题。因此,在一个时间片内,必须反复寻找满足碰撞条件的解。如果所得结果满足终止条件,则停止迭代并记录结果。在本发明较佳实施例中,终止条件有两种:
一是如果要找出几何模型之间所有的碰撞点,终止条件可以设为达到最大次数停止。
二是找到第一个干涉点以后则终止粒子的演化进程,但是若在演化进程中,一直没有找到干涉点,则当粒子的演化代数达到最大数时停止运行。
更新模组124用于根据位置更新公式及速度更新公式更新粒子的Xi和速度Vi,并启动适应度计算模组121重新计算粒子的适应度值。输出模组125则用于输出结果及碰撞元素。
粒子在搜索空间中的飞行,粒子群优化方法在每个粒子上起作用,其中,粒子位置与速度的更新方法如下:
1.更新粒子位置。
在搜索空间内开始优化搜索之前,每个粒子以随机位置和速度开始运动,速度的方向和大小也是随机的。在初始位置时,每个粒子在运动初期的第一个位置,就是该粒子的个体最优位置,而全局最优位置就是这些个体位置中最好的一个。最优几何模型之间的碰撞检测,首先计算每个基本几何元素的AABB包围盒的中心点,用数组A和B进行存储,假设由数组A的下标组成整数集合Na,B的下标组成集合Nb。每个粒子的位置可表示成公式(2)。
X={Xi,Xj}={(xi,yi,zi),(xj,yj,zj)}Xi∈Na,Xj∈Nb (2)
计算每个粒子的适应度值,并和全局、个体最优值进行比较。适应度函数根据粒子在搜索空间中的坐标,返回当前位置的适应度值,若该适应度值优于此时粒子的个体或全局最优值,则更新粒子的个体或全局最优位置,否则不进行更新。
2.更新粒子速度。
由粒子位置的定义可知粒子的维数是二维的,因此粒子速度的定义表示为公式(3)。
Vk={Vi,Vj}={(vix,viy,viz),(vjx,vjy,vjz)} (3)
粒子速度的控制是整个优化的核心。粒子速度随着个体和全局最优位置的改变而改变,朝着适应度值更优的方向加速。这里,按照公式(4)、(5)来更新每个粒子的速度和位置。vk是粒子的速度,ω是惯性权重,xk是当前粒子的位置。pBestk,gBestk如前定义,分别是个体最优解和全局最优解。rand()是介于(0,1)之间的随机数。c1,c2是学习因子,通常c1=c2=2。其中,粒子在搜索空间中的每一维上都有一个最大速度Vmax,用来对粒子的速度进行限制,使速度控制在[-Vmax,Vmax]范围内。则速度更新公式及位置更新公式如下:
vk+1=ω*vk+c1*rand()*(pBestk-xk)+c2*rand()*(gBestk-xk)(4)
xk+1=xk+vk+1 (5)
一个粒子Pk代表两个物体采样特征的一个组合,每个特征在三维空间有一个位置,优化的目标就是找到一个特征间距离最小的组合。在每次迭代后粒子的状态由由它在两个模型上的速度和位置分量共同决定,如图3所示,粒子P在第k次迭代后的状态是Pk,经过一次进化后新的状态是Pk+1。
图4为本发明一种基于粒子群优化的并行碰撞检测方法的步骤流程图。如图4所示,本发明一种基于粒子群优化的并性碰撞检测方法,包括如下步骤:
步骤401,构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题。
步骤402,将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对,本发明以包围盒的中心点作为特征对象进行采样。以及
步骤403,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素。
较佳的,步骤403进一步包括:
步骤1.1,随机初始化粒子(即特征对象)的位置Xi,速度Vi,i=1,2,…,m;
步骤1.2,辅助进程并行计算所有粒子的适应度值pi,并发送给主控进程;
步骤1.3,主控进程接收到粒子的适应度值,将其与个体极值pBest、全局极值gBest比较,若该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新,即如pi<pBest则pBest=pi,如pi<gBest,则gBest=pi;
步骤1.4,判断是否满足终止条件,若满足终止条件,则进入步骤1.6;
步骤1.5,根据位置更新公式及速度更新公式更新粒子的Xi和速度,并转向步骤1.2;
步骤1.6,输出结果及碰撞元素。
综上所述,本发明一种基于粒子群优化的并性碰撞检测系统及方法通过把碰撞检测问题转化到两个模型的特征对序号构成的空间内的优化问题,并结合多面体剖分方法,将优化模型充分并行化,即并行取多个四面体包围盒特征对,然后采用粒子群优化方法并行求解,从而使基于粒子群优化技术的并行碰撞检测方法能较好提高碰撞检测速度,经实验证明,本发明可以不断提高碰撞检测速度,同时保证较高的精度,而且适用于大规模复杂场景的实时动态碰撞检测。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (12)
1.一种基于粒子群优化的并性碰撞检测系统,至少包括:
构建搜索空间模组,用于构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题;
多面体剖分模组,用于将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对;以及
并行碰撞检测模组,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素。
2.如权利要求1所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于:该多面体剖分模组以包围盒的中心点作为特征对象进行采样。
3.如权利要求2所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于,该并行碰撞检测模组还包括:
初始化模组,用于随机初始化粒子的位置与速度;
适应度计算模组,利用辅助进程并行计算所有粒子的适应度值,并发送给主控进程;
比较模组,利用主控进程接收到粒子的适应度值,将其与个体极值、全局极值比较,若该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新;
判断模组,用于判断是否满足终止条件,若满足终止条件,则启动输出模组输出结果及碰撞元素,否则启动更新模组;
更新模组,根据位置更新公式及速度更新公式更新粒子的和速度,并启动该适应度计算模组重新计算粒子的适应度值;以及
输出模组,用于输出结果及碰撞元素。
4.如权利要求3所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于,该适应度计算模组采用如下公式计算适应度值:
F=(a·x-b·x)2+(a·y-b·y)2+(a·z-b·z)2
其中{a,b}为一个特征对,(x,y,z)是真实的物体空间中点的坐标。
5.如权利要求4所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于:若pi<pBest则pBest=pi,若pi<gBest,则gBest=pi,其中pi为粒子的适应度值,pBest为个体极值,gBest为全局极值。
6.如权利要求5所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于,该终止条件包括如下两种:
一、如果要找出几何模型之间所有的碰撞点,终止条件可以设为达到最大次数停止;
二、找到第一个干涉点以后则终止粒子的演化进程,但是若在演化进程中,一直没有找到干涉点,则当粒子的演化代数达到最大数时停止运行。
7.如权利要求6所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于,该速度更新公式与位置更新公式分别为:
vk+1=ω*vk+c1*rand()*(pBestk-xk)+c2*rand()*(gBestk-xk);
xk+1=xk+vk+1,
其中,vk是粒子的速度,ω是惯性权重,xk是当前粒子的位置,pBestk,gBestk分别是个体最优解和全局最优解,rand()是介于(0,1)之间的随机数。c1,c2是学习因子。
8.如权利要求7所述的一种基于粒子群优化的并性碰撞检测系统,其特征在于:c1=c2=2。
9.一种基于粒子群优化的并行碰撞检测方法,包括如下步骤:
步骤一,构建三维空间内两个物体之间存在的特征对构成的二维离散空间,以将碰撞检测问题转化成在一个由两物体特征对序号构成的离散空间中的复杂组合优化问题;
步骤二,将三维空间的多面体剖分得到四面体的包围盒,并行取多个四面体的包围盒特征对;以及
步骤三,利用粒子群优化方法对提取的多个四面体包围盒特征对并行求解,输出结果及碰撞元素。
10.如权利要求9所述的一种基于粒子群优化的并性碰撞检测方法,其特征在于,步骤三还包括如下步骤:
步骤1.1,随机初始化粒子的位置与速度;
步骤1.2,辅助进程并行计算所有粒子的适应度值,并发送给主控进程;
步骤1.3,主控进程接收到粒子的适应度值,将其与个体极值、全局极值比较,若该适应度值优于此时粒子的个体极值或全局极值,则更新粒子的个体极值或全局极值,否则不进行更新;
步骤1.4,判断是否满足终止条件,若满足终止条件,则进入步骤1.6;
步骤1.5,根据位置更新公式及速度更新公式更新粒子的位置和速度,并转向步骤1.2;
步骤1.6,输出结果及碰撞元素。
11.如权利要求10所述的一种基于粒子群优化的并性碰撞检测方法,其特征在于,该终止条件包括如下两种:
一、如果要找出几何模型之间所有的碰撞点,终止条件可以设为达到最大次数停止;
二、找到第一个干涉点以后则终止粒子的演化进程,但是若在演化进程中,一直没有找到干涉点,则当粒子的演化代数达到最大数时停止运行。
12.如权利要求10所述的一种基于粒子群优化的并性碰撞检测方法,其特征在于,该速度更新公式与位置更新公式分别为:
vk+1=ω*vk+c1*rand()*(pBestk-xk)+c2*rand()*(gBestk-xk);
xk+1=xk+vk+1,
其中,vk是粒子的速度,ω是惯性权重,xk是当前粒子的位置,pBestk,gBestk分别是个体最优解和全局最优解,rand()是介于(0,1)之间的随机数。c1,c2是学习因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104657028A CN102999661A (zh) | 2012-11-16 | 2012-11-16 | 基于粒子群优化的并行碰撞检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104657028A CN102999661A (zh) | 2012-11-16 | 2012-11-16 | 基于粒子群优化的并行碰撞检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102999661A true CN102999661A (zh) | 2013-03-27 |
Family
ID=47928221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104657028A Pending CN102999661A (zh) | 2012-11-16 | 2012-11-16 | 基于粒子群优化的并行碰撞检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102999661A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679751A (zh) * | 2013-12-03 | 2014-03-26 | 大连大学 | 一种基于量子计算的碰撞检测方法 |
CN104517297A (zh) * | 2013-09-28 | 2015-04-15 | 沈阳新松机器人自动化股份有限公司 | 一种基于粒子群优化的机器人标定方法 |
CN104809267A (zh) * | 2015-03-10 | 2015-07-29 | 中国人民解放军装甲兵工程学院 | 一种虚拟战场中精确命中检测及效应生成方法 |
CN106625662A (zh) * | 2016-12-09 | 2017-05-10 | 南京理工大学 | 一种基于虚拟现实带电作业机械臂防碰撞保护方法 |
CN107992051A (zh) * | 2017-12-26 | 2018-05-04 | 江南大学 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
CN108983770A (zh) * | 2018-07-02 | 2018-12-11 | 四川大学 | 数据处理方法、装置、电子设备及存储介质 |
CN109086537A (zh) * | 2018-08-13 | 2018-12-25 | 吉林大学 | 基于fpga的粒子群算法加速方法 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN111814970A (zh) * | 2020-06-28 | 2020-10-23 | 盾钰(上海)互联网科技有限公司 | 基于神经网络的实时物理引擎增强计算方法、介质及系统 |
CN114254546A (zh) * | 2022-02-11 | 2022-03-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种稀薄气体粒子碰撞模拟计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120131595A1 (en) * | 2010-11-23 | 2012-05-24 | Ewha University-Industry Collaboration Foundation | Parallel collision detection method using load balancing and parallel distance computation method using load balancing |
-
2012
- 2012-11-16 CN CN2012104657028A patent/CN102999661A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120131595A1 (en) * | 2010-11-23 | 2012-05-24 | Ewha University-Industry Collaboration Foundation | Parallel collision detection method using load balancing and parallel distance computation method using load balancing |
Non-Patent Citations (2)
Title |
---|
熊玉梅: "虚拟环境中物体碰撞检测技术的研究", 《中国博士学位论文全文数据库信息科技辑》 * |
赵鑫: "基于包围盒与粒子群的碰撞检测算法研究", 《中国硕士学位论文全文数据库信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517297A (zh) * | 2013-09-28 | 2015-04-15 | 沈阳新松机器人自动化股份有限公司 | 一种基于粒子群优化的机器人标定方法 |
CN103679751B (zh) * | 2013-12-03 | 2016-08-17 | 大连大学 | 一种基于量子计算的碰撞检测方法 |
CN103679751A (zh) * | 2013-12-03 | 2014-03-26 | 大连大学 | 一种基于量子计算的碰撞检测方法 |
CN104809267A (zh) * | 2015-03-10 | 2015-07-29 | 中国人民解放军装甲兵工程学院 | 一种虚拟战场中精确命中检测及效应生成方法 |
CN104809267B (zh) * | 2015-03-10 | 2018-05-25 | 中国人民解放军装甲兵工程学院 | 一种虚拟战场中精确命中检测及效应生成方法 |
CN106625662A (zh) * | 2016-12-09 | 2017-05-10 | 南京理工大学 | 一种基于虚拟现实带电作业机械臂防碰撞保护方法 |
CN107992051A (zh) * | 2017-12-26 | 2018-05-04 | 江南大学 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
CN107992051B (zh) * | 2017-12-26 | 2020-10-23 | 江南大学 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
CN108983770B (zh) * | 2018-07-02 | 2019-07-05 | 四川大学 | 数据处理方法、装置、电子设备及存储介质 |
CN108983770A (zh) * | 2018-07-02 | 2018-12-11 | 四川大学 | 数据处理方法、装置、电子设备及存储介质 |
CN109086537A (zh) * | 2018-08-13 | 2018-12-25 | 吉林大学 | 基于fpga的粒子群算法加速方法 |
CN109086537B (zh) * | 2018-08-13 | 2023-05-05 | 吉林大学 | 基于fpga的粒子群算法加速方法 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN111814970A (zh) * | 2020-06-28 | 2020-10-23 | 盾钰(上海)互联网科技有限公司 | 基于神经网络的实时物理引擎增强计算方法、介质及系统 |
CN114254546A (zh) * | 2022-02-11 | 2022-03-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种稀薄气体粒子碰撞模拟计算方法 |
CN114254546B (zh) * | 2022-02-11 | 2023-04-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种稀薄气体粒子碰撞模拟计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999661A (zh) | 基于粒子群优化的并行碰撞检测系统及方法 | |
CN112347840B (zh) | 视觉传感器激光雷达融合无人机定位与建图装置和方法 | |
CN109917818B (zh) | 基于地面机器人的协同搜索围堵方法 | |
Song et al. | Surface-based exploration for autonomous 3d modeling | |
CN110097553A (zh) | 基于即时定位建图与三维语义分割的语义建图系统 | |
CN111540005B (zh) | 基于二维栅格地图的回环检测方法 | |
JP5905481B2 (ja) | 判定方法及び判定装置 | |
CN109682336B (zh) | 用于车身精度检测的三坐标测量路径自动规划与优化方法 | |
CN108564600B (zh) | 运动物体姿态跟踪方法及装置 | |
CN103994765B (zh) | 一种惯性传感器的定位方法 | |
CN102490909B (zh) | 一种飞行器多体分离模拟方法 | |
CN103678949B (zh) | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN115952691B (zh) | 多站无源时差交叉联合定位系统的优化布站方法及装置 | |
CN103324784B (zh) | 一种基于局部约束的网格模型碰撞处理方法 | |
CN105069829B (zh) | 一种基于多目视频的人体动画生成方法 | |
CN110569926A (zh) | 一种基于局部边缘特征增强的点云分类方法 | |
CN105913080A (zh) | 基于随机矩阵的机动非椭圆扩展目标的联合跟踪与分类方法 | |
CN103679271A (zh) | 基于Bloch球面坐标及量子计算的碰撞检测方法 | |
Wu et al. | Smart explorer: Recognizing objects in dense clutter via interactive exploration | |
CN102393827A (zh) | 一种基于连续法向锥剔除的柔性场景连续碰撞检测方法 | |
Gao et al. | A novel local path planning method considering both robot posture and path smoothness | |
CN114326826A (zh) | 多无人机队形变换方法及系统 | |
Lian et al. | Three-dimensional deployment optimization of sensor network based on an improved Particle Swarm Optimization algorithm | |
Hong et al. | Design and Implementation of Path Planning for Wheel-Track Hybrid Mobile Robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130327 |