CN111814970A - 基于神经网络的实时物理引擎增强计算方法、介质及系统 - Google Patents
基于神经网络的实时物理引擎增强计算方法、介质及系统 Download PDFInfo
- Publication number
- CN111814970A CN111814970A CN202010599509.8A CN202010599509A CN111814970A CN 111814970 A CN111814970 A CN 111814970A CN 202010599509 A CN202010599509 A CN 202010599509A CN 111814970 A CN111814970 A CN 111814970A
- Authority
- CN
- China
- Prior art keywords
- collision
- vertex
- distance
- shell
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本发明公开了一种基于神经网络的实时物理引擎增强的计算方法,其包括步骤:多层多面预碰撞壳体构建步骤:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;关系矩阵获取步骤:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;筛选判断步骤:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;当碰撞条件不满足安全条件时,则更新矩阵,并基于更新后的矩阵重新构建多层多面预碰撞壳体。此外,本发明还公开了一种存储由计算机程序的计算机可读存储介质以及基于神经网络的实时物理引擎增强的计算系统。
Description
技术领域
本发明涉及物理领域,具体地,涉及一种基于神经网络的系统、介质以及方法。尤其特别涉及一种基于神经网络的实时物理引擎增强的系统、介质以及方法
背景技术
工程力学,驾驶模拟,材料仿真,服饰数字试穿等场景需要遵循牛顿力学定律和引力定律,运用物理引擎实现接近真实自然世界中的结果。借助物理引擎中的诸多物理模型,特别是诸多物理模型中的实时碰撞检测是最常见之一且对计算时间消耗最大,这关系最紧密的是多个待碰撞物体各自表面三角形面积和数量。
目前的碰撞通常采用点面距离计算的方式,但当面积变大或定点密集时,就会增加计算时间,并且作为实时物理引擎需要不断的轮训碰撞检测。虽然通过借助专有硬件计算器可以实现高密度的并行计算,但由此点面密度和计算硬件的密集均会势必会有提高,计算量较大。
通过对文献和专利的检索,与的专利及文献,例如:公开号为CN105469424A,公开日为2016年4月6日,名称为“物理碰撞预测方法和装置”的中国专利文献公开了一种物理碰撞预测方法。在该专利文献所公开的技术方案中,该方法包括步骤:获取物体的运动状态数据;根据所述物体的运动状态数据获取碰撞路径的序列信息以及碰撞反应的序列信息;根据预定义的物体运动演绎规则以及所述碰撞路径的序列信息和碰撞反应的序列信息对物体运动做演绎运算。
又例如:公开号为CN104766371A,公开日为2015年7月8日,名称为“一种大规模场景中物体碰撞检测方法”的中国专利文献公开了一种大规模场景中物体碰撞检测方法。在该专利文献所公开的技术方案中,其通过建立AABB包围盒,降维处理,获取动态列表以及碰撞检测计算以实现减少碰撞检测的计算量,加快物理引擎的实时渲染效率。
上述专利文献并不涉及如何采用神经网络的算法实现实时物理引擎的增强,基于此,期望获得一种实时物理引擎增强系统、介质以及方法,其可以解决现有技术的不足,实现高效的物理碰撞计算,得到更好的仿真模拟效果。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种基于神经网络的实时物理引擎增强的计算方法、介质及系统。
为了实现上述发明目的,本发明提出了一种基于神经网络的实时物理引擎增强的计算方法,其包括步骤:
多层多面预碰撞壳体构建步骤:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;
关系矩阵获取步骤:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;
筛选判断步骤:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;
当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;
当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算方法中,筛选判断步骤包括步骤:
根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;
将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;
根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;
根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算方法中,多层多面预碰撞壳体由外到内依次包括第一外层预碰撞外壳层、相对于碰撞检测层较临近第一外层预碰撞外壳的次表面预碰撞外壳层以及碰撞检测层;
第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层的顶点数、面数均依次递增;
将一物体的次表面预碰撞外壳层被另一物体的第一外层预碰撞外壳层的顶点碰撞到的时刻定义为T时刻,另一物体的第一外层预碰撞外壳层的顶点定义为T时刻的顶点;
T时刻的顶点的速度矢量具有朝向所述一物体运动的速度分矢量。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算方法中,碰撞检测条件相关参数包括碰撞距离、碰撞速度、碰撞体造型、碰撞体面数、安全距离的至少其中之一。
相应地,为了实现上述目的,本发明还提出了一种存储有计算机程序的计算机可读存储介质,该计算机程序被处理执行时实现上述的基于神经网络的实时物理引擎增强的计算方法的步骤。
此外,为了实现上述目的,本发明又提出了一种基于神经网络的实时物理引擎增强的计算系统,其包括:
多层多面预碰撞壳体构建模块:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;
关系矩阵获取模块:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;
筛选判断模块:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;
当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;
当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算系统中,所述筛选判断模块还包括步骤:
根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;
将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;
根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;
根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算系统中,多层多面预碰撞壳体由外到内依次包括第一外层预碰撞外壳层、相对于碰撞检测层较临近第一外层预碰撞外壳的次表面预碰撞外壳层以及碰撞检测层。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算系统中,多层多面预碰撞壳体的第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层的顶点数、面数均依次递增;
将一物体的次表面预碰撞外壳层被另一物体的第一外层预碰撞外壳层的顶点碰撞到的时刻定义为T时刻,另一物体的第一外层预碰撞外壳层的顶点定义为T时刻的顶点;
T时刻的顶点的速度矢量具有朝向所述一物体运动的速度分矢量。
优选地,在本发明所述的基于神经网络的实时物理引擎增强的计算系统中,碰撞检测条件相关参数包括碰撞距离、碰撞速度、碰撞体造型、碰撞体面数、安全距离的至少其中之一。
与现有技术相比,本发明所述的基于神经网络的实时物理引擎增强的计算方法、介质及系统具有如下所述的优点以及有益效果:
1、本发明所述的基于神经网络的实时物理引擎增强的计算方法通过合理建模以及基于神经网络的计算方法,可以实现在有限的移动智能硬件资源下,加速实时物理碰撞。
2、本发明所述的基于神经网络的实时物理引擎增强的计算方法通过合理选取顶点,可以实现快速准确高效的物理碰撞计算,对提高点面密度和计算机的密集效果均大有裨益。
3、本发明所述的基于神经网络的实时物理引擎增强的计算方法可以有效缩短计算消耗时间,对于应用于诸如工程力学、驾驶模拟、材料仿真领域具有指导意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所述的基于神经网络的实时物理引擎增强的计算方法在一种实施方式中的流程示意图。
图2为本发明所述的基于神经网络的实时物理引擎增强的计算系统在一种实施方式中的结构框架示意图。
图3示意性地显示了本发明所述的基于神经网络的实时物理引擎增强的计算系统在另一种实施方式中的流程示意图。
图4示意性地显示了本发明所述的基于神经网络的实时物理引擎增强的计算系统在另一种实施方式中的判断筛选步骤。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
图1为本发明所述的基于神经网络的实时物理引擎增强的计算方法在一种实施方式中的流程示意图。
如图1所示,在本实施例中,基于神经网络的实时物理引擎增强的计算方法包括步骤:
多层多面预碰撞壳体构建步骤:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;
关系矩阵获取步骤:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;
筛选判断步骤:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;
当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;
当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
相应地,本实施例还提供了一种基于神经网络的实时物理引擎增强的计算方法,其结构示意图如图2所示。图2为本发明所述的基于神经网络的实时物理引擎增强的计算系统在一种实施方式中的结构框架示意图。
参考图2可以看出,基于神经网络的实时物理引擎增强的计算系统包括多层多面预碰撞壳体构建模块、关系矩阵获取模块以及筛选判断模块。其中,多层多面预碰撞壳体构建模块根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;而关系矩阵获取模块基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;筛选判断模块:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
在本实施例中,筛选判断步骤还包括步骤:
根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;
将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;
根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;
根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
另外,需要说明的是,多层多面预碰撞壳体由外到内依次包括第一外层预碰撞外壳层、相对于碰撞检测层较临近第一外层预碰撞外壳的次表面预碰撞外壳层以及碰撞检测层;
第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层的顶点数、面数均依次递增;
将一物体的次表面预碰撞外壳层被另一物体的第一外层预碰撞外壳层的顶点碰撞到的时刻定义为所述T时刻,所述另一物体的第一外层预碰撞外壳层的顶点定义为所述T时刻的顶点;
T时刻的顶点的速度矢量具有朝向所述一物体运动的速度分矢量。
并且,碰撞检测条件相关参数包括碰撞距离、碰撞速度、碰撞体造型、碰撞体面数、安全距离的至少其中之一。
实施例2
图3示意性地显示了本发明所述的基于神经网络的实时物理引擎增强的计算系统在另一种实施方式中的流程示意图。
如图3所示,在本实施例中,根据对待碰撞检测的物体的模型体积和造型,根据其当前时刻的造型来生成预碰撞多边形,但此时生成的预碰撞多边形的面数比较少,比较类似粗犷和看不见的一个安全外型,根据精度要求用神经网络的计算方法转化成近似的多层预碰撞体(即本案的多层多面预碰撞体),考虑到每个物体表面都有两层安全距离,最大和最小安全距离,因此,定义其中最小安全距离是第一外层预碰撞外壳层的安全距离面数更多也更接近物体表面(即碰撞检测层),次表面预碰撞外壳层的安全距离的面数和面与面间的法线夹角决定了碰撞计算的精度,而最大安全距离为第一外层碰撞多面体壳间的距离,由此提取标记多层碰撞顶点和顶点面。上述的第一外层预碰撞外壳层,次表面预碰撞外壳层是根据神经网络对待碰撞多边形面的提取,进过多次采样计算后得到的。
当物体间没有触发第一外层预碰撞外壳层的碰撞时,本案不会进行碰撞检测扫描计算,而当第一外层预碰撞外壳层的顶点在触碰到次表面预碰撞外壳层前,也不会进行碰撞检测扫描计算,但一旦碰到,会对两个外壳间距离和时间算出碰撞发展速度,此时根据匀速的(不考虑短距离摩擦减速)顶点,定义其为T时刻的顶点,并由此推出T+1时刻的顶点发展位移。
而顶点提取和顶点位移预测以及顶点移动速度都是神经网络中的计算变量,法线角度超过45度的顶点面(由此限定了面与面之间的角度),在顶点位移预测时,需要将速度做三个坐标系的分解,以得到更加准确的位移预测。
而当碰撞在进入次表面预碰撞外壳层后,即进入了碰撞检测层,该层为一个超过500个顶点和面的异形物体中的1/10~2/10的真实物体表面数和顶点数所组成。并且,该非均匀点组成的物体面(即碰撞检测层)的检测会被作为碰撞检测的结果。
需要说明的是,上述的第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层间的碰撞、顶点选举和点位移估算均采用神经网络进行计算,计算过程可以涉及的采样、卷积、归一化、权重,选举从大均为本领域内技术人员所知晓的算法,因此,在此不再赘述。
当两个物体间多次在碰撞检测层和次表面预碰撞外壳层间徘徊和多次碰撞,则这两个面间的速度被更新为这两个物体间速度,所以碰撞检测发生前,每个物体与坐标系空间中的所有可碰撞物体间,都有碰撞检测对应关系矩阵,而只有第一外层预碰撞外壳层的安全碰撞发生时,才会处理这组碰撞检测对应关系矩阵。
上述的,碰撞检对应关系矩阵和分解可以按照欧式距离数学方法算得,其具体计算过程为本领域内技术人员所知晓,因此,在此不再赘述。
需要说明的是,当物体间单次碰撞后,若物体发生形变,考虑到真实物体顶点会发生永久性变化,因而,将需要重新根据神经网络来生成新的多层多面预碰撞壳体,其构建步骤可以参考多层多面预碰撞壳体构建步骤。
而当物体间碰撞发生后,若产生二次碰撞的时候,则需要重新更新碰撞检测对应关系矩阵,以此重新计算碰撞条件,只有当第一外层预碰撞外壳层的安全碰撞触发时才进行计算。
本实施例中,安全距离的定义是弹性的,根据单次碰撞,安全距离是指第一外层预碰撞外壳层是安全距离,距离之外不启动碰撞和距离关系的相应计算。对多次碰撞来说,安全距离是第一外层预碰撞外壳层和次表面预碰撞外壳层预碰撞,并且在多次碰撞时,涉及到法线分解,角度分解,次表面下的顶点速度预测,形变后的表面顶点位移引起次表面和碰撞表面顶点位移和顶点选举的计算。
需要指出的是,碰撞精度和密度、是否为多次碰撞以及碰撞后是否发生形变均是碰撞发生所会发生影响的参数,因而,真实物体的形状和检测密度也为本案所考虑的因素之一。
此外,精度要求是指对碰撞该物体的碰撞面数的定义和顶点选举的密度,也就是对碰撞精度的需要。
通过对顶点和顶点面在指定运动方式和速度,碰撞方式下,建立合适的神经网络筛选碰撞顶点模型数据集,加快同类形体物体的碰撞顶点筛选。
而考虑到碰撞距离和速度、碰撞体造型和面数以及安全距离的设定都与最终计算结果有关,因此,根据上述的条件建立相适的分类碰撞距离矩阵,用在动态的实时碰撞检测推理进行计算。
需要说明的是,上述推理过程可以用标准神经网络分层计算的方式进行,计算对象为顶点,对于采用定点、顶点移动以及夹角分解对应的矩阵,可以采用分类和选举来进行计算,从而实现搞笑的网络预算和计算过程。
期间涉及的欧式距离就散,向量三维坐标系分解计算,矩阵归一化选举,关系矩阵卷积和特征向量的采样等计算过程属于本领域内技术人员所知晓的计算方法,因此,在此不再赘述。
图4示意性地显示了本发明所述的基于神经网络的实时物理引擎增强的计算系统在另一种实施方式中的判断筛选步骤。
如图4所示,在本实施例中,判断筛选步骤包括:根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于神经网络的实时物理引擎增强的计算方法,其特征在于,包括步骤:
多层多面预碰撞壳体构建步骤:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;
关系矩阵获取步骤:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;
筛选判断步骤:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;
当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;
当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
2.根据权利要求1所述的基于神经网络的实时物理引擎增强的计算方法,其特征在于,所述筛选判断步骤包括步骤:
根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;
将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;
根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;
根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
3.根据权利要求1所述的基于神经网络的实时物理引擎增强的计算方法,其特征在于,所述多层多面预碰撞壳体由外到内依次包括第一外层预碰撞外壳层、相对于碰撞检测层较临近第一外层预碰撞外壳的次表面预碰撞外壳层以及碰撞检测层;
第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层的顶点数、面数均依次递增;
将一物体的次表面预碰撞外壳层被另一物体的第一外层预碰撞外壳层的顶点碰撞到的时刻定义为所述T时刻,所述另一物体的第一外层预碰撞外壳层的顶点定义为所述T时刻的顶点;
所述T时刻的顶点的速度矢量具有朝向所述一物体运动的速度分矢量。
4.根据权利要求1所述的基于神经网络的实时物理引擎增强的计算方法,所述碰撞检测条件相关参数包括碰撞距离、碰撞速度、碰撞体造型、碰撞体面数、安全距离的至少其中之一。
5.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理执行时实现权利要求1-4中任意一项所述的基于神经网络的实时物理引擎增强的计算方法的步骤。
6.一种基于神经网络的实时物理引擎增强的计算系统,其特征在于,其包括:
多层多面预碰撞壳体构建模块:根据待碰撞检测的物体的关键性凹凸顶点动态构建多层多面预碰撞壳体;
关系矩阵获取模块:基于多层多面预碰撞壳体获得初始的碰撞检测对应关系矩阵;
筛选判断模块:设定碰撞检测条件,将碰撞检测条件相关参数输入神经网络内进行参数筛选,筛选后判断碰撞条件是否满足安全条件;
当碰撞条件满足安全条件时,不更新碰撞检测对应关系矩阵;
当碰撞条件不满足安全条件时,更新当前的碰撞检测对应关系矩阵,并基于更新后的碰撞检测对应关系矩阵触发多层多面预碰撞壳体构建步骤,以重新构建多层多面预碰撞壳体。
7.根据权利要求6所述的基于神经网络的实时物理引擎增强的计算系统,其特征在于,所述筛选判断模块还包括步骤:
根据碰撞发生时,计算碰撞物体间的距离和时间得到碰撞发展速度和每个方向上的角度,获得碰撞发生T时刻的顶点,并推算得到T+1时刻的顶点发展位移;
将T时刻的顶点与T+1时刻顶点间欧式距离小于碰撞预警距离的顶点标记提取,获得已标记顶点;
根据已标记顶点构建三角形面,将面与面之间的距离小于碰撞预警距离的三角形面标记提取,获得已标记顶点面;
根据设定的安全距离、碰撞发生前T-1、T-2时刻所在位置和位移采用神经网络计算获得每个已标记顶点距离变化的对应关系矩阵并判断是否处于预警距离,当处于预警距离时,则认为碰撞条件满足安全条件;当不处于预警距离时,则认为碰撞条件不满足安全条件。
8.根据权利要求6所述的基于神经网络的实时物理引擎增强的计算系统,其特征在于,所述多层多面预碰撞壳体由外到内依次包括第一外层预碰撞外壳层、相对于碰撞检测层较临近第一外层预碰撞外壳的次表面预碰撞外壳层以及碰撞检测层。
9.根据权利要求6所述的基于神经网络的实时物理引擎增强的计算系统,其特征在于,所述多层多面预碰撞壳体的第一外层预碰撞外壳层、次表面预碰撞外壳层、碰撞检测层的顶点数、面数均依次递增;
将一物体的次表面预碰撞外壳层被另一物体的第一外层预碰撞外壳层的顶点碰撞到的时刻定义为所述T时刻,所述另一物体的第一外层预碰撞外壳层的顶点定义为所述T时刻的顶点;
所述T时刻的顶点的速度矢量具有朝向所述一物体运动的速度分矢量。
10.根据权利要求6所述的基于神经网络的实时物理引擎增强的计算系统,所述碰撞检测条件相关参数包括碰撞距离、碰撞速度、碰撞体造型、碰撞体面数、安全距离的至少其中之一。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599509.8A CN111814970B (zh) | 2020-06-28 | 2020-06-28 | 基于神经网络的实时物理引擎增强计算方法、介质及系统 |
US17/216,168 US20210406432A1 (en) | 2020-06-28 | 2021-03-29 | Calculation method, medium and system for real-time physical engine enhancement based on neural network |
US17/989,658 US20230086956A1 (en) | 2020-06-28 | 2022-11-17 | Calculation method, medium and system for real-time physical engine enhancement based on neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599509.8A CN111814970B (zh) | 2020-06-28 | 2020-06-28 | 基于神经网络的实时物理引擎增强计算方法、介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814970A true CN111814970A (zh) | 2020-10-23 |
CN111814970B CN111814970B (zh) | 2021-02-23 |
Family
ID=72856200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599509.8A Active CN111814970B (zh) | 2020-06-28 | 2020-06-28 | 基于神经网络的实时物理引擎增强计算方法、介质及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210406432A1 (zh) |
CN (1) | CN111814970B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632686A (zh) * | 2020-12-30 | 2021-04-09 | 天津大学 | 海上沉桩施工过程碰撞的预警方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492208B (zh) * | 2022-04-01 | 2022-07-01 | 中国市政工程西南设计研究总院有限公司 | 基于神经网络的粒子系统与面几何模型碰撞受力计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982567A (zh) * | 2012-10-25 | 2013-03-20 | 北京航空航天大学 | 一种基于统计分析的变形体碰撞检测剔除方法 |
CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测系统及方法 |
CN104766371A (zh) * | 2015-04-13 | 2015-07-08 | 南京工程学院 | 一种大规模场景中物体碰撞检测方法 |
CN107845138A (zh) * | 2017-11-21 | 2018-03-27 | 上海电机学院 | 任意多面体剖分方法和装置 |
CN108492882A (zh) * | 2018-03-06 | 2018-09-04 | 沈阳东软医疗系统有限公司 | 一种碰撞检测方法及装置 |
US10304340B2 (en) * | 2016-05-12 | 2019-05-28 | Lg Electronics Inc. | Control device mounted on vehicle and method for controlling the same |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
CN111133485A (zh) * | 2017-08-23 | 2020-05-08 | Uatc有限责任公司 | 自主交通工具的对象预测优先级排序系统和方法 |
-
2020
- 2020-06-28 CN CN202010599509.8A patent/CN111814970B/zh active Active
-
2021
- 2021-03-29 US US17/216,168 patent/US20210406432A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982567A (zh) * | 2012-10-25 | 2013-03-20 | 北京航空航天大学 | 一种基于统计分析的变形体碰撞检测剔除方法 |
CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测系统及方法 |
CN104766371A (zh) * | 2015-04-13 | 2015-07-08 | 南京工程学院 | 一种大规模场景中物体碰撞检测方法 |
US10304340B2 (en) * | 2016-05-12 | 2019-05-28 | Lg Electronics Inc. | Control device mounted on vehicle and method for controlling the same |
CN111133485A (zh) * | 2017-08-23 | 2020-05-08 | Uatc有限责任公司 | 自主交通工具的对象预测优先级排序系统和方法 |
CN107845138A (zh) * | 2017-11-21 | 2018-03-27 | 上海电机学院 | 任意多面体剖分方法和装置 |
CN108492882A (zh) * | 2018-03-06 | 2018-09-04 | 沈阳东软医疗系统有限公司 | 一种碰撞检测方法及装置 |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
Non-Patent Citations (3)
Title |
---|
ABDEL-NASSER SHARKAWY 等: "Human-Robot Collision Detection Based on Neural Networks", 《INTERNATIONAL JOURNAL OF MECHANICAL ENGINEERING AND ROBOTICS RESEARCH》 * |
孙敬荣 等: "基于混合包围盒与三角形相交的碰撞检测优化算法", 《计算机工程与应用》 * |
林小彬: "基于混合式包围盒的碰撞检测算法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632686A (zh) * | 2020-12-30 | 2021-04-09 | 天津大学 | 海上沉桩施工过程碰撞的预警方法 |
CN112632686B (zh) * | 2020-12-30 | 2022-07-22 | 天津大学 | 海上沉桩施工过程碰撞的预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111814970B (zh) | 2021-02-23 |
US20210406432A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niemeyer et al. | Occupancy flow: 4d reconstruction by learning particle dynamics | |
Zhang et al. | Efficient convolutions for real-time semantic segmentation of 3d point clouds | |
US11922569B2 (en) | Generating realistic point clouds | |
CN107507126B (zh) | 一种利用rgb图像还原3d场景的方法 | |
CN111814970B (zh) | 基于神经网络的实时物理引擎增强计算方法、介质及系统 | |
CN111241989A (zh) | 图像识别方法及装置、电子设备 | |
US11810311B2 (en) | Two-stage depth estimation machine learning algorithm and spherical warping layer for equi-rectangular projection stereo matching | |
Wang et al. | SCNet: Subdivision coding network for object detection based on 3D point cloud | |
Fermin-Leon et al. | Incremental contour-based topological segmentation for robot exploration | |
Gong et al. | An improved method of Tiny YOLOV3 | |
Liu et al. | PolishNet-2d and PolishNet-3d: Deep learning-based workpiece recognition | |
CN114445479A (zh) | 等矩形投影立体匹配的两阶段深度估计机器学习算法和球面扭曲层 | |
Giannis et al. | Predicting 3D particles shapes based on 2D images by using convolutional neural network | |
Chen et al. | 3D object classification with point convolution network | |
Geng et al. | Part-level car parsing and reconstruction in single street view images | |
Nikolaev et al. | Using virtual data for training deep model for hand gesture recognition | |
US20230086956A1 (en) | Calculation method, medium and system for real-time physical engine enhancement based on neural network | |
Bharadhwaj et al. | Deep learning-based 3D object detection using LiDAR and image data fusion | |
Wenju et al. | A graph attention feature pyramid network for 3D object detection in point clouds | |
Zhu et al. | Multiview based 3d scene understanding on partial point sets | |
CN117058472B (zh) | 基于自注意力机制的3d目标检测方法、装置、设备 | |
Barowski et al. | 6DoF vehicle pose estimation using segmentation-based part correspondences | |
CN110084845A (zh) | 变形预测方法、装置及计算机可读存储介质 | |
Budge | 1.1 Computer Vision in Robotics | |
EP4057222A1 (en) | Machine-learning for 3d segmentation |
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 |