CN111611703B - 基于数字孪生的沙盘推演方法、装置、设备和存储介质 - Google Patents
基于数字孪生的沙盘推演方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111611703B CN111611703B CN202010414269.XA CN202010414269A CN111611703B CN 111611703 B CN111611703 B CN 111611703B CN 202010414269 A CN202010414269 A CN 202010414269A CN 111611703 B CN111611703 B CN 111611703B
- Authority
- CN
- China
- Prior art keywords
- target
- moving target
- moving
- algorithm
- model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于数字孪生的沙盘推演方法、装置、设备和存储介质,该方法中:根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;应用设定动目标检测算法提取动目标的图像特征,确定与动目标匹配的目标模型;识别目标模型的类别,确定动目标的类型;在动作库中查询动目标的类型的目标运动类型,绑定目标运动类型对应的目标算法;统计场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;根据动目标的碰撞体积和目标算法,规划动目标的运动轨迹;确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。更容易反应真实可能发生的状况,考虑多目标之间的相互影响并分别进行模拟,简化轨迹预测步骤,减少计算量。
Description
技术领域
本发明涉及数字孪生领域,具体涉及一种基于数字孪生的沙盘推演方法、装置、设备和存储介质。
背景技术
数字孪生技术,是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
目前的沙盘推演偏向于虚拟模拟推演,放置一个沙盘,在沙盘中放置实体并设置一定的规则去约束实体,让其中的物体按照一定的规律或限制运动变化,此时沙盘推演更倾向于对变化的演示,而对于将现实模拟为沙盘,不论是对现实模型的实现或者对于区域的规则设置都会成为难点,而不能推演现实的沙盘模型缺失很多的应用性。
另外,相关技术中的沙盘推演是类似于军事模拟或棋类路径等的模拟,而对于现有的路径推演方法比较难做到同时预测多个目标的轨迹,同时,目前的路径预测多用于路径规划等路径模拟中,对于不设置终点的随机运动预测并不准确,同时应用较少。目前的活动推演技术多用于精密仪器零件等的制造,用于仿真制造的细节及零件的规格等,不能用于较大面积区域的全模拟仿真。
发明内容
有鉴于此,提供一种基于数字孪生的沙盘推演方法、装置、设备和存储介质,以解决现有技术中沙盘推演中不能推演现实、只能预测单目标的运动轨迹、不能用于较大面积区域的全模拟仿真,以及,计算量大的问题。
本发明采用如下技术方案:
第一方面,本申请实施例提供了一种基于数字孪生的沙盘推演方法,该方法包括:
根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;
应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型;
识别所述目标模型的类别,应有预先训练的卷积神经网络模型算法确定所述动目标的类型;
在动作库中查询所述动目标的类型的目标运动类型,并绑定所述目标运动类型对应的目标算法;
统计所述场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;
根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹;
确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
可选的,所述应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型,包括:
应用设定动目标检测算法提取动目标的图像特征;
将所述图像特征与模型库中存储的模型进行匹配;
确定与所述动目标匹配的目标模型。
可选的,所述应有预先训练的卷积神经网络模型算法确定所述动目标的类型,包括:
应用预先训练的卷积神经网络模型算法对所述动目标的多帧动画画面分别进行识别,并通过加权方法,以确定所述动目标的类型。
可选的,所述根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹,包括:
所述动目标在更新后的场景中继续运动,计算所述动目标下一帧的位置;
判断所述下一帧的位置是否会出现碰撞,若是,则应用贪婪算法和所述动目标的碰撞体积进行避障,规划所述动目标的运动轨迹。
可选的,若所述动目标的类型为人,则绑定的算法为人行走规则算法。
可选的,若所述动目标为大型车辆,则绑定的算法为大型车辆运动规则算法。
可选的,在所述实现沙盘推演之前,设置场景变化的时间间隔。
第二方面,本申请实施例提供了一种基于数字孪生的沙盘推演装置,该装置包括:
场景动画生成模块,用于根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;
目标模型确定模块,用于应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型;
动目标类型确定模块,用于识别所述目标模型的类别,应有预先训练的卷积神经网络模型算法确定所述动目标的类型;
目标算法绑定模块,用于在动作库中查询所述动目标的类型的目标运动类型,并绑定所述目标运动类型对应的目标算法;
场景更新模块,用于统计所述场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;
运动轨迹规划模块,用于根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹;
沙盘推演模块,用于确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
可选的,目标模型确定模块具体用于:
应用设定动目标检测算法提取动目标的图像特征;
将图像特征与模型库中存储的模型进行匹配;
确定与动目标匹配的目标模型。
可选的,动目标类型确定模块具体用于:
应用预先训练的卷积神经网络模型算法对动目标的多帧动画画面分别进行识别,并通过加权方法,以确定动目标的类型。
可选的,运动轨迹规划模块具体用于:
动目标在更新后的场景中继续运动,计算动目标下一帧的位置;
判断下一帧的位置是否会出现碰撞,若是,则应用贪婪算法和动目标的碰撞体积进行避障,规划动目标的运动轨迹。
可选的,若动目标的类型为人,则绑定的算法为人行走规则算法。
可选的,若动目标为大型车辆,则绑定的算法为大型车辆运动规则算法。
可选的,还包括设置模块,用于在实现沙盘推演之前,设置场景变化的时间间隔。
第三方面,本申请实施例提供了一种设备,该设备包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行本申请实施例第一方面所述的基于数字孪生的沙盘推演方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的基于数字孪生的沙盘推演方法中各个步骤。
本发明采用以上技术方案,通过将一块区域数字化,用数字孪生技术再现其中的场景或模型,识别其中的可运动模型,基于当前数据化模型的参数对模型的运动进行预测。基于该区域所有模型运动轨迹和碰撞,整体预测一片区域物体的运动路径。对区域进行数字孪生,并形成沙盘,对沙盘中的模型进行推演,通过该方法实现对现实中该区域物体运动的路径预测及模型模拟。与相关技术中的预测轨迹模型相比,更容易反应真实可能发生的状况,另外,与一种目标的路径相比,考虑多目标之间的相互影响,并分别进行模拟,同时简化轨迹的预测步骤,减少计算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于数字孪生的沙盘推演方法的流程图;
图2是本申请实施例提供的一种基于数字孪生的沙盘推演装置的结构示意图;
图3是本申请实施例提供的一种设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例
图1为本发明实施例提供的一种基于数字孪生的沙盘推演方法的流程图,该方法可以由本发明实施例提供的基于数字孪生的沙盘推演装置来执行,该装置可采用软件和/或硬件的方式实现。参考图1,该方法具体可以包括如下步骤:
S101、根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画。
具体的,首先搭建3D(three dimensional,三维)场景,在3D场景的基础上放置模型,设置动作序列,绑定为动作动画,模型依据动作动画进行运动,通过多个模型的运动将整个场景还原为待模拟的现实场景。使用动作序列组合的模型运动是被限制死的,即预先设定好的运动路径或运动轨迹,用户设定的数据即为动作数据,不依赖外来数据进行驱动。最终的输出是模拟好的场景动画,生成场景视频动画,或者给予绑定。在一个具体的例子中,搭建3D模型时选用卫星无人机建模技术,搭建完成场景后用监控设备监视。
S102、应用设定动目标检测算法提取动目标的图像特征,根据图像特征确定与动目标匹配的目标模型。
其中,Vibe算法是一种基于背景更新的前景检测算法,其原理是通过提取像素点(x,y)周围的像素值及以前的像素值建立像素点的样本集,然后再将另一帧(x,y)处的像素值与样本集中的像素值进行比较,如果其与样本集中的像素值的距离大于某阈值,则认为该像素点为前景像素点,否则为背景像素点。
具体的,从监控设备中提取动目标,使用Vibe动目标检测算法提取该动目标,然后分析该动目标的图像特征,比如,动目标的长宽高或动作特征,去进行模型匹配,确定与之匹配的模型称为目标模型。在这个过程中,可以首先对动目标进行自动建模,得到一个大致模型,然后将该大致模型与模型库中存储的模型进行匹配,得到动目标的目标模型。
S103、识别目标模型的类别,应有预先训练的卷积神经网络模型算法确定动目标的类型。
具体的,首先识别目标模型的类别,比如是室内场景、人文场景还是资源场景中的模型;然后应用预先训练的卷积神经网络模型算法确定动目标的类型。在一个具体的例子中,动目标的类型比如可以是人,比如可以是大型车辆。示例性的,应用预先训练的卷积神经网络(CNN,Convolutional Neural Networks)模型算法对动目标的多帧动画画面分别进行识别,并通过加权方法,以确定动目标的类型。比如选取加权结果中权重最大的一个类型作为该动目标的类型。
S104、在动作库中查询动目标的类型的目标运动类型,并绑定目标运动类型对应的目标算法。
具体的,从动作库中查询该动目标的类型的目标运动类型,比如,是低速行走还是高速行驶,并绑定该运动类型的对应算法。在一个具体的例子中,识别该目标为人后,确定其为低速行走,则绑定人行走规则算法;识别为大型车辆后,确定其为高速行驶,则绑定大型车辆运动规则算法。
S105、统计场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景。
在实际的应用中,部分动目标绑定了算法,部分动目标未绑定算法,比如自由运动的物体或人,属于自由运动模型,则未绑定算法。此时,统计场景中绑定算法的比例,对未绑定算法的动目标记为自由运动。
S106、根据动目标的碰撞体积和目标算法,规划动目标的运动轨迹。
其中,对于任何一个动目标,均可以计算其碰撞体积,然后根据动目标的碰撞体积和目标算法,可以规划动目标的运动轨迹。具体的,动目标在更新后的场景中继续运动,以帧为单位,计算动目标下一帧的位置;判断下一帧的位置是否会出现碰撞,若是,则应用贪婪算法和动目标的碰撞体积进行避障,规划动目标的运动轨迹。
S107、确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
其中,在实现沙盘推演之前,设置场景变化的时间间隔。然后按照该时间间隔进行展示,例如,设定场景变化的单位,或者,场景动画帧为多少秒,这样,作为设置时间间隔的一种可实现方式。具体的,记录设定时间段内,场景中全部动目标的运动轨迹,以便实现沙盘推演。
本申请实施例中,通过将一块区域数字化,用数字孪生技术再现其中的场景或模型,识别其中的可运动模型,基于当前数据化模型的参数对模型的运动进行预测。基于该区域所有模型运动轨迹和碰撞,整体预测一片区域物体的运动路径。对区域进行数字孪生,并形成沙盘,对沙盘中的模型进行推演,通过该方法实现对现实中该区域物体运动的路径预测及模型模拟。与相关技术中的预测轨迹模型相比,更容易反应真实可能发生的状况,另外,与一种目标的路径相比,考虑多目标之间的相互影响,并分别进行模拟,同时简化轨迹的预测步骤,减少计算量。
另外,本申请实施例还具备如下有益效果:通过区分数字孪生区域中所有动目标的类型,并绑定现有算法对所有动目标进行区分,并统一时间计算所有在该区域的动目标的位置。较好的近实时仿真区域中不同目标的运动路径情况,通过本发明可快速对现实区域进行建模,并提供一种现实对应模型的约束方法,用于将沙盘推演应用于现实。
图2是本发明是实施例提供的一种基于数字孪生的沙盘推演装置的结构示意图,该装置适用于执行本发明实施例提供给的一种基于数字孪生的沙盘推演方法。如图2所示,该装置具体可以包括场景动画生成模块201、目标模型确定模块202、动目标类型确定模块203、目标算法绑定模块204、场景更新模块205、运动轨迹规划模块206和沙盘推演模块207。
其中,场景动画生成模块201,用于根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;目标模型确定模块202,用于应用设定动目标检测算法提取动目标的图像特征,根据图像特征确定与动目标匹配的目标模型;动目标类型确定模块203,用于识别目标模型的类别,应有预先训练的卷积神经网络模型算法确定动目标的类型;目标算法绑定模块204,用于在动作库中查询动目标的类型的目标运动类型,并绑定目标运动类型对应的目标算法;场景更新模块205,用于统计场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;运动轨迹规划模块206,用于根据动目标的碰撞体积和目标算法,规划动目标的运动轨迹;沙盘推演模块207,用于确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
本申请实施例中,通过将一块区域数字化,用数字孪生技术再现其中的场景或模型,识别其中的可运动模型,基于当前数据化模型的参数对模型的运动进行预测。基于该区域所有模型运动轨迹和碰撞,整体预测一片区域物体的运动路径。对区域进行数字孪生,并形成沙盘,对沙盘中的模型进行推演,通过该方法实现对现实中该区域物体运动的路径预测及模型模拟。与相关技术中的预测轨迹模型相比,更容易反应真实可能发生的状况,另外,与一种目标的路径相比,考虑多目标之间的相互影响,并分别进行模拟,同时简化轨迹的预测步骤,减少计算量。
可选的,目标模型确定模块202具体用于:
应用设定动目标检测算法提取动目标的图像特征;
将图像特征与模型库中存储的模型进行匹配;
确定与动目标匹配的目标模型。
可选的,动目标类型确定模块203具体用于:
应用预先训练的卷积神经网络模型算法对动目标的多帧动画画面分别进行识别,并通过加权方法,以确定动目标的类型。
可选的,运动轨迹规划模块206具体用于:
动目标在更新后的场景中继续运动,计算动目标下一帧的位置;
判断下一帧的位置是否会出现碰撞,若是,则应用贪婪算法和动目标的碰撞体积进行避障,规划动目标的运动轨迹。
可选的,若动目标的类型为人,则绑定的算法为人行走规则算法。
可选的,若动目标为大型车辆,则绑定的算法为大型车辆运动规则算法。
可选的,还包括设置模块,用于在实现沙盘推演之前,设置场景变化的时间间隔。
本发明实施例提供的基于数字孪生的沙盘推演装置可执行本发明任意实施例提供的基于数字孪生的沙盘推演方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种设备,请参阅图3,图3为一种设备的结构示意图,如图3所示,该设备包括:处理器310,以及与处理器310相连接的存储器320;存储器320用于存储计算机程序,计算机程序至少用于执行本发明实施例中的基于数字孪生的沙盘推演方法;处理器310用于调用并执行存储器中的计算机程序;上述基于数字孪生的沙盘推演方法至少包括如下步骤:根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;应用设定动目标检测算法提取动目标的图像特征,根据图像特征确定与动目标匹配的目标模型;识别目标模型的类别,应有预先训练的卷积神经网络模型算法确定动目标的类型;在动作库中查询动目标的类型的目标运动类型,并绑定目标运动类型对应的目标算法;统计场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;根据动目标的碰撞体积和目标算法,规划动目标的运动轨迹;确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
本发明实施例还提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行时,实现如本发明实施例中的基于数字孪生的沙盘推演方法中各个步骤:根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;应用设定动目标检测算法提取动目标的图像特征,根据图像特征确定与动目标匹配的目标模型;识别目标模型的类别,应有预先训练的卷积神经网络模型算法确定动目标的类型;在动作库中查询动目标的类型的目标运动类型,并绑定目标运动类型对应的目标算法;统计场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;根据动目标的碰撞体积和目标算法,规划动目标的运动轨迹;确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于数字孪生的沙盘推演方法,其特征在于,包括:
根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;
应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型;
其中,所述设定动目标检测算法为Vibe动目标检测算法,具体为从监控设备中提取动目标,使用所述Vibe动目标检测算法提取所述动目标,并分析所述动目标的图像特征,并根据所述动目标的图像特征进行模型匹配,确定与所述动目标的图像特征匹配的模型,作为目标模型;
识别所述目标模型的类别,应用预先训练的卷积神经网络模型算法确定所述动目标的类型;
在动作库中查询所述动目标的类型的目标运动类型,并绑定所述目标运动类型对应的目标算法;
统计所述场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;
根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹;
确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
2.根据权利要求1所述的方法,其特征在于,所述应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型,包括:
应用设定动目标检测算法提取动目标的图像特征;
将所述图像特征与模型库中存储的模型进行匹配;
确定与所述动目标匹配的目标模型。
3.根据权利要求1所述的方法,其特征在于,所述应用预先训练的卷积神经网络模型算法确定所述动目标的类型,包括:
应用预先训练的卷积神经网络模型算法对所述动目标的多帧动画画面分别进行识别,并通过加权方法,以确定所述动目标的类型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹,包括:
所述动目标在更新后的场景中继续运动,计算所述动目标下一帧的位置;
判断所述下一帧的位置是否会出现碰撞,若是,则应用贪婪算法和所述动目标的碰撞体积进行避障,规划所述动目标的运动轨迹。
5.根据权利要求1所述的方法,其特征在于,若所述动目标的类型为人,则绑定的算法为人行走规则算法。
6.根据权利要求1所述的方法,其特征在于,若所述动目标为大型车辆,则绑定的算法为大型车辆运动规则算法。
7.根据权利要求1所述的方法,其特征在于,在所述实现沙盘推演之前,设置场景变化的时间间隔。
8.一种基于数字孪生的沙盘推演装置,其特征在于,包括:
场景动画生成模块,用于根据待模拟的现实场景中的模型运动类型和动作数据生成场景视频动画;
目标模型确定模块,用于应用设定动目标检测算法提取动目标的图像特征,根据所述图像特征确定与所述动目标匹配的目标模型;
其中,所述设定动目标检测算法为Vibe动目标检测算法,具体为从监控设备中提取动目标,使用所述Vibe动目标检测算法提取所述动目标,并分析所述动目标的图像特征,并根据所述动目标的图像特征进行模型匹配,确定与所述动目标的图像特征匹配的模型,作为目标模型;
动目标类型确定模块,用于识别所述目标模型的类别,应用预先训练的卷积神经网络模型算法确定所述动目标的类型;
目标算法绑定模块,用于在动作库中查询所述动目标的类型的目标运动类型,并绑定所述目标运动类型对应的目标算法;
场景更新模块,用于统计所述场景中绑定对应算法的动目标和未绑定对应算法的动目标,以更新场景;
运动轨迹规划模块,用于根据所述动目标的碰撞体积和目标算法,规划所述动目标的运动轨迹;
沙盘推演模块,用于确定设定时间段内的全部动目标的运动轨迹,以实现沙盘推演。
9.一种设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-7任一项所述的基于数字孪生的沙盘推演方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的基于数字孪生的沙盘推演方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414269.XA CN111611703B (zh) | 2020-05-15 | 2020-05-15 | 基于数字孪生的沙盘推演方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414269.XA CN111611703B (zh) | 2020-05-15 | 2020-05-15 | 基于数字孪生的沙盘推演方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611703A CN111611703A (zh) | 2020-09-01 |
CN111611703B true CN111611703B (zh) | 2023-07-18 |
Family
ID=72199458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414269.XA Active CN111611703B (zh) | 2020-05-15 | 2020-05-15 | 基于数字孪生的沙盘推演方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611703B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286214B (zh) * | 2020-10-12 | 2021-11-09 | 同济大学 | 基于Vicon运动捕捉系统无人机数字孪生的可行性评估方法 |
CN113055543B (zh) * | 2021-03-31 | 2022-08-19 | 上海市东方医院(同济大学附属东方医院) | 移动医院数字孪生指挥沙盘构建方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054176B (zh) * | 2010-12-23 | 2012-09-26 | 中国科学院自动化研究所 | 用计算机对运动目标的场景图像建立语义场景模型的方法 |
CN103413330A (zh) * | 2013-08-30 | 2013-11-27 | 中国科学院自动化研究所 | 一种复杂场景下可靠的视频摘要生成方法 |
US10339387B2 (en) * | 2016-03-03 | 2019-07-02 | Brigham Young University | Automated multiple target detection and tracking system |
CN107492113B (zh) * | 2017-06-01 | 2019-11-05 | 南京行者易智能交通科技有限公司 | 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法 |
CN109886165A (zh) * | 2019-01-23 | 2019-06-14 | 中国科学院重庆绿色智能技术研究院 | 一种基于运动目标检测的动作视频提取和分类方法 |
CN110782481B (zh) * | 2019-10-18 | 2023-09-05 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 无人艇智能决策方法及系统 |
CN111091591B (zh) * | 2019-12-23 | 2023-09-26 | 阿波罗智联(北京)科技有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-15 CN CN202010414269.XA patent/CN111611703B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111611703A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170052344A (ko) | 신규 물질 탐색 방법 및 장치 | |
Jain et al. | Autonomy 2.0: Why is self-driving always 5 years away? | |
CN111611703B (zh) | 基于数字孪生的沙盘推演方法、装置、设备和存储介质 | |
CN110278175A (zh) | 图结构模型训练、垃圾账户识别方法、装置以及设备 | |
EP3410404B1 (en) | Method and system for creating and simulating a realistic 3d virtual world | |
CN109543285B (zh) | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 | |
GB2560805A (en) | Training an automatic traffic light detection model using simulated images | |
CN113962390B (zh) | 基于深度强化学习网络构建多样化搜索策略的模型的方法 | |
CN110516389B (zh) | 行为控制策略的学习方法、装置、设备及存储介质 | |
CN109657077A (zh) | 模型训练方法、车道线生成方法、设备及存储介质 | |
CN108376198B (zh) | 一种基于虚拟现实的人群仿真方法及系统 | |
CN109977571B (zh) | 基于数据与模型混合的仿真计算方法及装置 | |
CN112363402B (zh) | 基于模型相关强化学习的足式机器人的步态训练方法、装置、电子设备及介质 | |
CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
Luo et al. | ProactiveCrowd: Modelling Proactive Steering Behaviours for Agent‐Based Crowd Simulation | |
CN114881339A (zh) | 车辆轨迹预测方法、系统、计算机设备及存储介质 | |
Lueck et al. | Who goes there? Using an agent-based simulation for tracking population movement | |
KR20200054355A (ko) | 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램과 인공 신경망 학습 방법, 장치 및 컴퓨터 프로그램 | |
CN113536613B (zh) | 一种人群疏散模拟方法、装置、终端设备及存储介质 | |
EP3943972A1 (en) | Methods and systems for predicting a trajectory of an object | |
EP2660756A1 (en) | Method, apparatus and computer program product for simulating the movement of entities in an area | |
Chao et al. | Dictionary-based fidelity measure for virtual traffic | |
CN116859931A (zh) | 轨迹规划模型的训练方法、车辆控制方式及装置 | |
CN115393532A (zh) | 脸部绑定方法、装置、设备及存储介质 | |
CN103839278A (zh) | 一种前景检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |