CN114707640A - 一种应用于元宇宙的数字孪生联动方法及系统 - Google Patents
一种应用于元宇宙的数字孪生联动方法及系统 Download PDFInfo
- Publication number
- CN114707640A CN114707640A CN202210288993.1A CN202210288993A CN114707640A CN 114707640 A CN114707640 A CN 114707640A CN 202210288993 A CN202210288993 A CN 202210288993A CN 114707640 A CN114707640 A CN 114707640A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- linkage
- digital
- parameter
- master
- 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.)
- Withdrawn
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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于元宇宙的数字孪生联动方法,包括:云服务器获取至少两个实体信息;对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
Description
技术领域
本发明属于信息技术领域,具体地,涉及一种应用于元宇宙的数字孪生联动的方法及系统。
背景技术
元宇宙是对现实世界的虚拟化、数字化过程,需要对内容生产、经济系统、用户体验以及实体世界内容等进行大量改造。但元宇宙的发展是循序渐进的,是在共享的基础设施、标准及协议的支撑下,由众多工具、平台不断融合、进化而最终成形。它基于扩展现实技术提供沉浸式体验,基于数字孪生技术生成现实世界的镜像,基于区块链技术搭建经济体系,将虚拟世界与现实世界在经济系统、社交系统、身份系统上密切融合,并且允许每个用户进行内容生产和世界编辑。
数字孪生技术是元宇宙实现的核心技术之一,在数字孪生技术中,需要将实体信息的各项参数信息进行标准化数字映射,生成数字化、虚拟化的对象。作为一个新兴技术,数字孪生还没有达到技术上的成熟,其使用上颇有不变,例如,数字孪生技术中,多个数字孪生体之间的联动交互方式会受到场景、实例和标准库的约束,其联动方式单一且通用性不强。
发明内容
本发明提供了一种应用于元宇宙的数字孪生联动的方法及系统,有效解决了现有技术中针对数字孪生体联动方式单一且通用性不强的问题,提升了联动方式的多样性和通用性。
为了实现上述目的,本发明提供了一种应用于元宇宙的数字孪生联动的方法,包括:
云服务器获取至少两个实体信息;
对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
可选地,所述对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息,包括:
获取包含了所述实体的图像信息;
对所述图像信息进行预处理,获取所述特定实体图像数据;
基于深度学习进行网络模型构建,进行深度神经网络的训练;
将所述特定实体图像数据输入训练后的所述深度神经网络,识别出所述实体的多个参数信息。
可选地,若所述实体为人体,则所述基于深度学习进行网络模型构建,进行深度神经网络的训练,包括:
基于深度学习进行网络模型构建,所述网络模型包括颜色空间变换,区块1、区块2、FC和特征连接层,其中,区块1的卷积核大小为3*3,步长为1,区块2由多个High-LowBlock组成,FC由两个全连接层组成;
获取样本数据,将所述样本数据按比例分为训练集和测试集;
将所述训练集输入所述网络模型中进行训练优化;
采用反向传播算法和Adam优化算法,根据前向传播Loss值,将所述测试集进行输入所述网络模型中,进行迭代更新每一全连接层的权重;
当所述网络模型的LOSS值为最小值时,停止对所述深度神经网络的训练。
可选地,所述建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动,包括:
设置所述至少两个数字孪生体的调度机制,其中,所述至少两个数字孪生体为非标准数字孪生体;
将所述至少两个数字孪生体的多个参数输入至所述数字孪生交互模型,以进行所述多个参数的标准化映射;
基于所述调度机制和所述进行了标准化映射的多个参数,确定所述至少两个数字孪生体的主从联动方式,并进行主从联动。
可选地,若所述至少两个数字孪生体的主从联动方式为相互作用,则所述主从联动包括:
建立中间架构件Frame;
将第一数字孪生的第一联动参数输入至所述中间架构件,由所述中间架构件转换为第二数字孪生的第二联动参数,其中,所述第一数字孪生体和第二数字孪生体隶属于所述至少两个数字孪生体;
所述中间架构件将所述第二联动参数输入至所述第二数字孪生体,以使所述第二数字孪生体基于所述第二联动参数进行虚拟化动作响应;
所述中间架构件接收所述第二数字孪生体反馈的第三联动参数,并将其转换为第一数字孪生的第四联动参数,将所述第四联动参数输入至所述第一数字孪生体,以使所述第一数字孪生体基于所述第四联动参数进行虚拟化动作响应。
可选地,若所述至少两个数字孪生体的主从联动方式为相互组合,则所述主从联动包括:
建立中间架构件Frame;
所述中间架构件获取所述第一数字孪生体和所述第二数字孪生体的多个联动参数,并基于所述多个联动参数,生成第三数字孪生体,所述第三数字孪生体为所述第一数字孪生体和第二数字孪生体的组合。
可选地,若所述至少两个数字孪生体的主从联动方式为相互自影响,则所述主从联动包括:
建立中间架构件Frame;
所述中间架构件分别获取所述第一数字孪生体的第一联动参数和所述第二数字孪生体的第二联动参数;
所述中间架构件将所述第一联动参数发送给所述第二数字孪生体,以使所述第二数字孪生体基于所述第一联动参数改变自身的状态;
所述中间架构件将所述第二联动参数发送给所述第一数字孪生体,以使所述第一数字孪生体基于所述第二联动参数改变自身的状态。
可选地,在所述至少两个数字孪生体进行主从联动之前,所述方法还包括:
将所述至少两个数字孪生体设置在元宇宙虚拟化场景中。
本发明实施例还提供一种应用于元宇宙的数字孪生联动系统,包括:
获取单元,用于获取至少两个实体信息;
所述获取单元,还用于对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
映射单元,还用于基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
联动单元,还用于建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
本发明实施例还提供一种应用于元宇宙的数字孪生联动系统,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
本发明实施例的方法及系统具有下列优点:
本发明实施例中,通过建立通用性的数字孪生交互模型,并基于改交互模型,对至少两个数字孪生体进行主从联动,提升了不同数字孪生体之间联动的通用性,此外,主从联动可以有多种联动方式,其多样性、交互性和体验会更好。
附图说明
图1为一个实施例中应用于元宇宙的数字孪生联动的方法流程图;
图2a为一个实施例中深度学习网络结构示意图;
图2b为一个实施例中区块1结构示意图;
图2c为一个实施例中区块2结构示意图;
图3a为一个实施例中数字孪生体相互作用方式的逻辑示意图;
图3b为一个实施例中数字孪生体相互组合方式的逻辑示意图;
图3c为一个实施例中数字孪生体相互自影响方式的逻辑示意图;
图4为一个实施例中的应用于元宇宙的数字孪生联动系统组成结构图;
图5为一个实施例中系统的硬件组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例提供一种应用于元宇宙的数字孪生联动方法,包括:
S101.云服务器获取至少两个实体信息;
本发明实施例中,实体代表具备一定物理形态的各类物体。实体可以包括人和物,包括不限于人体、动物、植物、工业品、商品、各类智能化或电子化产品等。云服务器是基于云架构下的服务器,具备海量的数据处理和存储能力,其需要将实体信息获取并保存,以便后续进行数字化映射操作。
S102.对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
在物理环境下,获取到的实体信息往往是初始的,其有效参数信息少,无法进行数字抽象化,因此,往往还需要通过AI技术,对实体信息进行智能化操作,获取精细化的各项参数,方便进行数据映射和建模。
举例而言,传统的工业产品,例如汽车,会对其内部形状和结构、尺寸、连接关系、功率大小、状态环境等进行规范化,因此,对于汽车而言,上述的多个参数为其核心的参数,需要通过AI技术将汽车这一工业品的各项参数进行识别及获取。例如,可以通过图像识别的方式,对汽车的某一结构件进行识别和参数获取。
对于数字孪生而言,比较难的是人体的参数信息获取,因此,本发明实施例会采用深度学习的算法对人体进行智能化识别,并获取人体的各项参数信息(包括生理参数和属性参数等)。
具体而言,智能化操作的具体步骤包括:
S1021.获取包含了所述实体的图像信息;
S1022.对所述图像信息进行预处理,获取所述特定实体图像数据;
具体地,以人体图像为例,在获取到的人体的图像数据,使用YOLO人体检测算法实现对指定人体的精确定位坐标信息,根据图像中的具体坐标,获取图像中特定人体的截图。
S1023.基于深度学习进行网络模型构建,进行深度神经网络的训练;
S1024.将所述特定实体图像数据输入训练后的所述深度神经网络,识别出所述实体的多个参数信息。参数信息包括不限于:实体的各项尺寸、连接关系、行为状态等。
若实体为人体,则S1023的具体步骤包括:
基于深度学习进行网络模型构建,所述网络模型包括颜色空间变换,区块1、区块2、FC和特征连接层,其中,区块1的卷积核大小为3*3,步长为1,区块2由多个High-LowBlock组成,FC由两个全连接层组成;
获取样本数据,将所述样本数据按比例分为训练集和测试集;
将所述训练集输入所述网络模型中进行训练优化;
采用反向传播算法和Adam优化算法,根据前向传播Loss值,将所述测试集进行输入所述网络模型中,进行迭代更新每一全连接层的权重;
当所述网络模型的LOSS值为最小值时,停止对所述深度神经网络的训练。
其中,基于深度学习算法进行网络模型构建,该模型主要由输入数据,颜色空间变换,区块Block 1,β个区块Block 2,FC以及特征连接层组成。其中输入数据主要为特定人体的图像数据。
具体网络结构如图2a所示,其中,颜色空间变换Gamut Transformation:主要完成对图像的颜色空间的变换,实现GRB图像转换为RGB、YUV、HSV、YCbCr图像。
其中,
RGB转YUV的公式如下::
Y=0.299R+0.587G+0.114B
U=-0.147R-0.289G+0.436B
V=0.615R-0.515G-0.100B
RGB转HSV的计算公式为:设max等于r、g和b中的最大者,min为最小者,h在0到360°之间,s在0到100%之间,v在0到max之间。
v=max
RGB转YCbCr:
Y=0.299R+0.587+0.114B
Db=-0.450R-0.883G+01.333B
Dr=-1.333R+1.116G+0.217B
RGB转YDbDr:
Y=0.299R+0.587+0.114B
Db=-0.450R-0.883G+01.333B
Dr=-1.333R+1.116G+0.217B
在得到三个不同的颜色空间的图像之后,分别对这三个三通道图像采用Block 1处理。
第一个block组织结构如图2b所示,其中卷积核大小均为3*3,步长均为1,所使用的激活函数为leaky_Relu,在将三个不同颜色空间的特征拼接后,分别提取高和低频特征,其中α实验值为0.2,更加关注低频信息;
如图2c,第二个block由β个(β为正整数)相同结构的基础High-low Block组成,对于High模块和Low模块输出的结果分别进行联立,卷积核大小为3*3,所使用的激活函数为leaky_Relu;
FC层共由2层全连接层组成,节点数分别设置为256,n_class,在BLOCK 2的结果输出后,完成特征联立,并输入至最后的全连接层,最后模型输出最终的识别结果。
构建模型完毕后,需要对模型进行优化训练,本发明实施例中,将人体图像数据分成训练集和测试集。训练集作为输入实现对模型的训练优化,测试集用来对模型效果的整体验证。
S103.基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
具体而言,数字孪生用于将物理世界通过数字化的表达映射到数字世界中,应用于多个业务领域,例如零售、物流、数字科技、消费互联网、园区、能源、农业、城市以及工业等。因此,需要根据广泛的业务领域构建一套数字孪生框架以生成对应的数字孪生世界用于互联网应用。
其中一个实施例中,数字孪生框架中可以包括三个模块:数字孪生体、规则数据库和调度引擎。其中,数字孪生体是真实世界中实体的实体孪生的产物,规则数据库中存储了各个数字孪生体之间的调度规则,调度引擎可以根据规则数据库中的规则对数字孪生体进行调度控制。
本发明实施例中,基于参数信息对实体进行数字化映射,例如,实体是一种工业设备,需要进行设备定义、设备固件配置,然后进行设备孪生得到标准和非标准的数字孪生体。其中,设备定义例如设备注册、设备注销、设置设备标识、设备身份凭证、认证平台可信、认证设备可信等;而设备固件配置例如固件维护、固件存储以及固件升级,然后获取设备的属性、事件、状态、操作进行设备孪生得到标准和非标准的数字孪生体。
S104.建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
在本发明实施例中,主从联动表示至少一个主数字孪生体和至少一个从数字孪生体的主动-被动联动方式,主数字孪生体是做出主动联动的数字孪生体,从数字孪生体是被动联动的数字孪生体。
在本发明实施例中,主从联动具体可以为:
S1041.设置所述至少两个数字孪生体的调度机制,其中,所述至少两个数字孪生体为非标准数字孪生体;
本发明实施例中,调度机制主要包括两个基础:规则数据库和调度引擎,规则数据库定义了场景和该场景对应的规则,例如虚拟化的智慧家庭场景下,规则之一是“烟灶联动”,即开启燃气灶的同时,抽油烟机同步开启。调度引擎则是触发该联动行为的指令机制。
数字孪生体可以包括标准数字孪生体和非标准数字孪生体,其中,标准的数字孪生体其参数定义是通过标准协议进行定义的,好处是通用性强,但坏处是需要将非标准的数字孪生体进行标准化的转换,等待时间长,而非标准化的数字孪生体通用性不强,但等待时间短。本发明实施例以非标准化的数字孪生体为例,并且,为了解决其通用性不强的问题,需要全部或部分的标准化映射。
S1042.将所述至少两个数字孪生体的多个参数输入至所述数字孪生交互模型,以进行所述多个参数的标准化映射;
S1043.基于所述调度机制和所述进行了标准化映射的多个参数,确定所述至少两个数字孪生体的主从联动方式,并进行主从联动。
主从联动方式可以定义为3种基础的联动方式,分别是相互作用,相互组合和相互自影响。相互作用即数字孪生体之间相互作用于对方,可以理解为,数字孪生体A推动数字孪生体B,则数字孪生体A“感受到”数字孪生体B带来的阻力,数字孪生体B“感受到”数字孪生体B带来的推动力;相互组合即数字孪生体之间的结合,例如数字孪生体A是车轮,数字孪生体是车架,二者的结合为一个完整的虚拟化汽车(定义为数字孪生体C);相互自影响即A的存在会对B进行影响,反过来,B的存在也会对A进行影响。元宇宙中,最典型的例如是地球和月亮,地球的引力促使月亮围绕地球转,月亮转的同时地球也会出现潮汐等行为。
下面分别举例说明:
如图3a所示,若所述至少两个数字孪生体的主从联动方式为相互作用,则所述主从联动包括:
建立中间架构件Frame;中间架构件可以基于沙箱技术进行设计,其是一个标准化组件,可以通过Nvidia SDK开发包进行调用。其对于用户而言不可见,具体作用是作为主数字孪生体和从数字孪生体之间的桥梁。
将第一数字孪生的第一联动参数输入至所述中间架构件,由所述中间架构件转换为第二数字孪生的第二联动参数,其中,所述第一数字孪生体和第二数字孪生体隶属于所述至少两个数字孪生体;联动参数可以基于不同的场景自定义,例如,在场景一下,第一数字孪生体推动第二数字孪生体,则第一联动参数为主动的推动力,但该第一联动参数是第一数字孪生体的推动力,而不是第二数字孪生体的,因此,需要中间架构件对其进行转换,使得该推动力转换为第二数字孪生体的被动推动力,因此,第二联动参数即为被动推动力。
所述中间架构件将所述第二联动参数输入至所述第二数字孪生体,以使所述第二数字孪生体基于所述第二联动参数进行虚拟化动作响应;接上例,第二联动参数是被动推动力,此时第二数字孪生体基于该被动推动力,被第一数字孪生体所推动(虚拟化动作响应为被推动)。
所述中间架构件接收所述第二数字孪生体反馈的第三联动参数,并将其转换为第一数字孪生的第四联动参数,将所述第四联动参数输入至所述第一数字孪生体,以使所述第一数字孪生体基于所述第四联动参数进行虚拟化动作响应。同理,第二数字孪生体同样也可以作用于第一数字孪生体,与上例相同,不再累述。
其中一个实施例中,如图3b所示,若所述至少两个数字孪生体的主从联动方式为相互组合,则所述主从联动具体可以为:
建立中间架构件Frame;该中间架构件同图3a;
所述中间架构件获取所述第一数字孪生体和所述第二数字孪生体的多个联动参数,并基于所述多个联动参数,生成第三数字孪生体,所述第三数字孪生体为所述第一数字孪生体和第二数字孪生体的组合。
例如,第一数字孪生体是车轮,第二数字孪生体是车架,车轮和车架的组装涉及到相互之间的作用力、卡合和焊接等操作,这些操作的数字化表现形式即为一个个的联动参数,中间架构件基于该联动参数,将第一数字孪生体和第二数字孪生体组合起来,形成第三数字孪生体(完整的车)。
在其中一个实施例中,如图3c所示,若所述至少两个数字孪生体的主从联动方式为相互自影响,则所述主从联动包括:
建立中间架构件Frame;
所述中间架构件分别获取所述第一数字孪生体(原始状态下)的第一联动参数和所述第二数字孪生体(原始状态或已改变状态下)的第二联动参数;
所述中间架构件将所述第一联动参数发送给所述第二数字孪生体,以使所述第二数字孪生体基于所述第一联动参数改变自身的状态(图3c中的第二数字孪生体已改变状态);
所述中间架构件将所述第二联动参数发送给所述第一数字孪生体,以使所述第一数字孪生体基于所述第二联动参数改变自身的状态(图3c中的第一数字孪生体已改变状态)。
以地球和月亮为例,第一数字孪生体是地球,具备万有引力(第一联动参数),第二数字孪生体是月亮,在万有引力的作用下,第二数字孪生体围绕着第一数字孪生体进行公转(自身的位置状态改变)。同时,第二数字孪生体也会具备引力(第二联动参数),也会引发地球的潮汐等现象(自身状态改变)。
此外,在所述至少两个数字孪生体进行主从联动之前,云服务器还可以将所述至少两个数字孪生体设置在元宇宙虚拟化场景中。
本发明实施例的方法具有下列优点:
本发明实施例中,通过建立通用性的数字孪生交互模型,并基于改交互模型,对至少两个数字孪生体进行主从联动,提升了不同数字孪生体之间联动的通用性,此外,主从联动可以有多种联动方式,其多样性、交互性和体验会更好。
如图4所示,本发明实施例还提供一种应用于元宇宙的数字孪生联动系统40,包括:
获取单元41,用于获取至少两个实体信息;
本发明实施例中,实体代表具备一定物理形态的各类物体。实体可以包括人和物,包括不限于人体、动物、植物、工业品、商品、各类智能化或电子化产品等。云服务器是基于云架构下的服务器,具备海量的数据处理和存储能力,其需要将实体信息获取并保存,以便后续进行数字化映射操作。
所述获取单元41,还用于对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
在物理环境下,获取到的实体信息往往是初始的,其有效参数信息少,无法进行数字抽象化,因此,获取单元41还需要通过AI技术,对实体信息进行智能化操作,获取精细化的各项参数,方便进行数据映射和建模。
举例而言,传统的工业产品,例如汽车,会对其内部形状和结构、尺寸、连接关系、功率大小、状态环境等进行规范化,因此,对于汽车而言,上述的多个参数为其核心的参数,需要通过AI技术将汽车这一工业品的各项参数进行识别及获取。例如,可以通过图像识别的方式,对汽车的某一结构件进行识别和参数获取。
对于数字孪生而言,比较难的是人体的参数信息获取,因此,本发明实施例会采用深度学习的算法对人体进行智能化识别,并获取人体的各项参数信息(包括生理参数和属性参数等)。
具体而言,智能化操作包括:
获取包含了所述实体的图像信息;
对所述图像信息进行预处理,获取所述特定实体图像数据;
基于深度学习进行网络模型构建,进行深度神经网络的训练;
将所述特定实体图像数据输入训练后的所述深度神经网络,识别出所述实体的多个参数信息。
若实体为人体,则获取单元41用于:基于深度学习进行网络模型构建,所述网络模型包括颜色空间变换,区块1、区块2、FC和特征连接层,其中,区块1的卷积核大小为3*3,步长为1,区块2由多个High-Low Block组成,FC由两个全连接层组成;
获取样本数据,将所述样本数据按比例分为训练集和测试集;
将所述训练集输入所述网络模型中进行训练优化;
采用反向传播算法和Adam优化算法,根据前向传播Loss值,将所述测试集进行输入所述网络模型中,进行迭代更新每一全连接层的权重;
当所述网络模型的LOSS值为最小值时,停止对所述深度神经网络的训练。
映射单元42,还用于基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
具体而言,数字孪生用于将物理世界通过数字化的表达映射到数字世界中,应用于多个业务领域,例如零售、物流、数字科技、消费互联网、园区、能源、农业、城市以及工业等。因此,需要根据广泛的业务领域构建一套数字孪生框架以生成对应的数字孪生世界用于互联网应用。
其中一个实施例中,数字孪生框架中可以包括三个模块:数字孪生体、规则数据库和调度引擎。其中,数字孪生体是真实世界中实体的实体孪生的产物,规则数据库中存储了各个数字孪生体之间的调度规则,调度引擎可以根据规则数据库中的规则对数字孪生体进行调度控制。
本发明实施例中,映射单元42用于基于参数信息对实体进行数字化映射,例如,实体是一种工业设备,需要进行设备定义、设备固件配置,然后进行设备孪生得到标准和非标准的数字孪生体。其中,设备定义例如设备注册、设备注销、设置设备标识、设备身份凭证、认证平台可信、认证设备可信等;而设备固件配置例如固件维护、固件存储以及固件升级,然后获取设备的属性、事件、状态、操作进行设备孪生得到标准和非标准的数字孪生体。
联动单元43,还用于建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
在本发明实施例中,主从联动表示至少一个主数字孪生体和至少一个从数字孪生体的主动-被动联动方式,主数字孪生体是做出主动联动的数字孪生体,从数字孪生体是被动联动的数字孪生体。
在本发明实施例中,联动单元43用于主从联动,具体可以为:
设置所述至少两个数字孪生体的调度机制,其中,所述至少两个数字孪生体为非标准数字孪生体;
本发明实施例中,调度机制主要包括两个基础:规则数据库和调度引擎,规则数据库定义了场景和该场景对应的规则,例如虚拟化的智慧家庭场景下,规则之一是“烟灶联动”,即开启燃气灶的同时,抽油烟机同步开启。调度引擎则是触发该联动行为的指令机制。
数字孪生体可以包括标准数字孪生体和非标准数字孪生体,其中,标准的数字孪生体其参数定义是通过标准协议进行定义的,好处是通用性强,但坏处是需要将非标准的数字孪生体进行标准化的转换,等待时间长,而非标准化的数字孪生体通用性不强,但等待时间短。本发明实施例以非标准化的数字孪生体为例,并且,为了解决其通用性不强的问题,需要全部或部分的标准化映射。
将所述至少两个数字孪生体的多个参数输入至所述数字孪生交互模型,以进行所述多个参数的标准化映射;
基于所述调度机制和所述进行了标准化映射的多个参数,确定所述至少两个数字孪生体的主从联动方式,并进行主从联动。
主从联动方式可以定义为3种基础的联动方式,分别是相互作用,相互组合和相互自影响。相互作用即数字孪生体之间相互作用于对方,可以理解为,数字孪生体A推动数字孪生体B,则数字孪生体A“感受到”数字孪生体B带来的阻力,数字孪生体B“感受到”数字孪生体B带来的推动力;相互组合即数字孪生体之间的结合,例如数字孪生体A是车轮,数字孪生体是车架,二者的结合为一个完整的虚拟化汽车(定义为数字孪生体C);相互自影响即A的存在会对B进行影响,反过来,B的存在也会对A进行影响。元宇宙中,最典型的例如是地球和月亮,地球的引力促使月亮围绕地球转,月亮转的同时地球也会出现潮汐等行为。
下面分别举例说明:
若所述至少两个数字孪生体的主从联动方式为相互作用,则联动单元43用于主从联动,具体可以为:
建立中间架构件Frame;中间架构件可以基于沙箱技术进行设计,其是一个标准化组件,可以通过Nvidia SDK开发包进行调用。其对于用户而言不可见,具体作用是作为主数字孪生体和从数字孪生体之间的桥梁。
将第一数字孪生的第一联动参数输入至所述中间架构件,由所述中间架构件转换为第二数字孪生的第二联动参数,其中,所述第一数字孪生体和第二数字孪生体隶属于所述至少两个数字孪生体;联动参数可以基于不同的场景自定义,例如,在场景一下,第一数字孪生体推动第二数字孪生体,则第一联动参数为主动的推动力,但该第一联动参数是第一数字孪生体的推动力,而不是第二数字孪生体的,因此,需要中间架构件对其进行转换,使得该推动力转换为第二数字孪生体的被动推动力,因此,第二联动参数即为被动推动力。
所述中间架构件将所述第二联动参数输入至所述第二数字孪生体,以使所述第二数字孪生体基于所述第二联动参数进行虚拟化动作响应;接上例,第二联动参数是被动推动力,此时第二数字孪生体基于该被动推动力,被第一数字孪生体所推动(虚拟化动作响应为被推动)。
所述中间架构件接收所述第二数字孪生体反馈的第三联动参数,并将其转换为第一数字孪生的第四联动参数,将所述第四联动参数输入至所述第一数字孪生体,以使所述第一数字孪生体基于所述第四联动参数进行虚拟化动作响应。同理,第二数字孪生体同样也可以作用于第一数字孪生体,与上例相同,不再累述。
其中一个实施例中,若所述至少两个数字孪生体的主从联动方式为相互组合,则联动单元43用于主从联动,具体可以为:
建立中间架构件Frame;该中间架构件同图3a;
所述中间架构件获取所述第一数字孪生体和所述第二数字孪生体的多个联动参数,并基于所述多个联动参数,生成第三数字孪生体,所述第三数字孪生体为所述第一数字孪生体和第二数字孪生体的组合。
例如,第一数字孪生体是车轮,第二数字孪生体是车架,车轮和车架的组装涉及到相互之间的作用力、卡合和焊接等操作,这些操作的数字化表现形式即为一个个的联动参数,中间架构件基于该联动参数,将第一数字孪生体和第二数字孪生体组合起来,形成第三数字孪生体(完整的车)。
在其中一个实施例中,若所述至少两个数字孪生体的主从联动方式为相互自影响,则联动单元43用于主从联动,具体可以为:
建立中间架构件Frame;
所述中间架构件分别获取所述第一数字孪生体的第一联动参数和所述第二数字孪生体的第二联动参数;
所述中间架构件将所述第一联动参数发送给所述第二数字孪生体,以使所述第二数字孪生体基于所述第一联动参数改变自身的状态;
所述中间架构件将所述第二联动参数发送给所述第一数字孪生体,以使所述第一数字孪生体基于所述第二联动参数改变自身的状态。
以地球和月亮为例,第一数字孪生体是地球,具备万有引力(第一联动参数),第二数字孪生体是月亮,在万有引力的作用下,第二数字孪生体围绕着第一数字孪生体进行公转(自身的位置状态改变)。同时,第二数字孪生体也会具备引力(第二联动参数),也会引发地球的潮汐等现象(自身状态改变)。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机可执行指令,该计算机可执行指令用于执行上述实施例中的方法。
本发明实施例还提供一种应用于元宇宙的数字孪生联动系统,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
如图5所示,本发明实施例还提供一种系统,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。
在实际应用中,系统还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等,而所有可以实现本申请实施例的大数据管理方法的系统都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read至only memory,ROM)、可擦除可编程只读存储器(erasable programmable readonly memory,EPROM)、或便携式只读存储器(compact disc read至only memory,CD至ROM),该存储器用于相关指令及数据。
输入系统用于输入数据和/或信号,以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件,也可以是一个整体的器件。
处理器可以包括是一个或多个处理器,例如包括一个或多个中央处理器(centralprocessing unit,CPU),在处理器是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。处理器还可以包括一个或多个专用处理器,专用处理器可以包括GPU、FPGA等,用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据,执行上述方法实施例中的步骤。具体可参见方法实施例中的描述,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,该单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中,或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory,ROM),或随机存储存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solid state disk,SSD)等。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种应用于元宇宙的数字孪生联动方法,其特征在于,包括:
云服务器获取至少两个实体信息;
对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
2.根据权利要求1所述的方法,其特征在于,所述对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息,包括:
获取包含了所述实体的图像信息;
对所述图像信息进行预处理,获取所述特定实体图像数据;
基于深度学习进行网络模型构建,进行深度神经网络的训练;
将所述特定实体图像数据输入训练后的所述深度神经网络,识别出所述实体的多个参数信息。
3.根据权利要求2所述的方法,其特征在于,若所述实体为人体,则所述基于深度学习进行网络模型构建,进行深度神经网络的训练,包括:
基于深度学习进行网络模型构建,所述网络模型包括颜色空间变换,区块1、区块2、FC和特征连接层,其中,区块1的卷积核大小为3*3,步长为1,区块2由多个High-Low Block组成,FC由两个全连接层组成;
获取样本数据,将所述样本数据按比例分为训练集和测试集;
将所述训练集输入所述网络模型中进行训练优化;
采用反向传播算法和Adam优化算法,根据前向传播Loss值,将所述测试集进行输入所述网络模型中,进行迭代更新每一全连接层的权重;
当所述网络模型的LOSS值为最小值时,停止对所述深度神经网络的训练。
4.根据权利要求1所述的方法,其特征在于,所述建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动,包括:
设置所述至少两个数字孪生体的调度机制,其中,所述至少两个数字孪生体为非标准数字孪生体;
将所述至少两个数字孪生体的多个参数输入至所述数字孪生交互模型,以进行所述多个参数的标准化映射;
基于所述调度机制和所述进行了标准化映射的多个参数,确定所述至少两个数字孪生体的主从联动方式,并进行主从联动。
5.根据权利要求4所述的方法,其特征在于,若所述至少两个数字孪生体的主从联动方式为相互作用,则所述主从联动包括:
建立中间架构件Frame;
将第一数字孪生的第一联动参数输入至所述中间架构件,由所述中间架构件转换为第二数字孪生的第二联动参数,其中,所述第一数字孪生体和第二数字孪生体隶属于所述至少两个数字孪生体;
所述中间架构件将所述第二联动参数输入至所述第二数字孪生体,以使所述第二数字孪生体基于所述第二联动参数进行虚拟化动作响应;
所述中间架构件接收所述第二数字孪生体反馈的第三联动参数,并将其转换为第一数字孪生的第四联动参数,将所述第四联动参数输入至所述第一数字孪生体,以使所述第一数字孪生体基于所述第四联动参数进行虚拟化动作响应。
6.根据权利要求4所述的方法,其特征在于,若所述至少两个数字孪生体的主从联动方式为相互组合,则所述主从联动包括:
建立中间架构件Frame;
所述中间架构件获取所述第一数字孪生体和所述第二数字孪生体的多个联动参数,并基于所述多个联动参数,生成第三数字孪生体,所述第三数字孪生体为所述第一数字孪生体和第二数字孪生体的组合。
7.根据权利要求4所述的方法,其特征在于,若所述至少两个数字孪生体的主从联动方式为相互自影响,则所述主从联动包括:
建立中间架构件Frame;
所述中间架构件分别获取所述第一数字孪生体的第一联动参数和所述第二数字孪生体的第二联动参数;
所述中间架构件将所述第一联动参数发送给所述第二数字孪生体,以使所述第二数字孪生体基于所述第一联动参数改变自身的状态;
所述中间架构件将所述第二联动参数发送给所述第一数字孪生体,以使所述第一数字孪生体基于所述第二联动参数改变自身的状态。
8.根据权利要求1所述的方法,其特征在于,在所述至少两个数字孪生体进行主从联动之前,所述方法还包括:
将所述至少两个数字孪生体设置在元宇宙虚拟化场景中。
9.一种应用于元宇宙的数字孪生联动系统,其特征在于,包括:
获取单元,用于获取至少两个实体信息;
所述获取单元,还用于对所述至少两个实体信息进行智能化操作,获取所述至少两个实体信息的多个参数信息;
映射单元,还用于基于所述多个参数信息,对所述至少两个实体进行数字化映射,生成对应的至少两个数字孪生体;
联动单元,还用于建立数字孪生交互模型,基于所述交互模型,对所述至少两个数字孪生体进行主从联动。
10.一种应用于元宇宙的数字孪生联动系统,其特征在于,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1至8任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022102103295 | 2022-03-04 | ||
CN202210210329 | 2022-03-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707640A true CN114707640A (zh) | 2022-07-05 |
Family
ID=82167997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210288993.1A Withdrawn CN114707640A (zh) | 2022-03-04 | 2022-03-22 | 一种应用于元宇宙的数字孪生联动方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707640A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115857915A (zh) * | 2022-12-28 | 2023-03-28 | 广东外语外贸大学南国商学院 | 面向元宇宙系统开发的物对象数字化方法 |
CN117827014A (zh) * | 2024-03-05 | 2024-04-05 | 四川物通科技有限公司 | 一种基于元宇宙的数字孪生模型多人交互协作系统 |
CN117827014B (zh) * | 2024-03-05 | 2024-06-04 | 四川物通科技有限公司 | 一种基于元宇宙的数字孪生模型多人交互协作系统 |
-
2022
- 2022-03-22 CN CN202210288993.1A patent/CN114707640A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115857915A (zh) * | 2022-12-28 | 2023-03-28 | 广东外语外贸大学南国商学院 | 面向元宇宙系统开发的物对象数字化方法 |
CN115857915B (zh) * | 2022-12-28 | 2024-03-15 | 广东外语外贸大学南国商学院 | 面向元宇宙系统开发的物对象数字化方法 |
CN117827014A (zh) * | 2024-03-05 | 2024-04-05 | 四川物通科技有限公司 | 一种基于元宇宙的数字孪生模型多人交互协作系统 |
CN117827014B (zh) * | 2024-03-05 | 2024-06-04 | 四川物通科技有限公司 | 一种基于元宇宙的数字孪生模型多人交互协作系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
US9563407B2 (en) | Computer implemented modeling system and method | |
CN110717953B (zh) | 基于cnn-lstm组合模型的黑白图片的着色方法和系统 | |
US20200026997A1 (en) | Method of managing data representation for deep learning, method of processing data for deep learning and deep learning system performing the same | |
CN111583399B (zh) | 图像处理方法、装置、设备、介质和电子设备 | |
CN112232325B (zh) | 样本数据处理方法和装置、存储介质及电子设备 | |
US20210334629A1 (en) | Hybrid neural network architecture within cascading pipelines | |
CN114359289A (zh) | 一种图像处理方法及相关装置 | |
US10733481B2 (en) | Cloud device, terminal device, and method for classifying images | |
CN114707640A (zh) | 一种应用于元宇宙的数字孪生联动方法及系统 | |
US20220375179A1 (en) | Virtual object construction method, apparatus and storage medium | |
US11687785B2 (en) | Modification of neural network topology | |
WO2023185541A1 (zh) | 一种模型训练方法及其相关设备 | |
CN113537267A (zh) | 对抗样本的生成方法和装置、存储介质及电子设备 | |
CN110298384B (zh) | 对抗样本图像生成方法和装置 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
Boulila | Guidelines for Modeling Cyber-Physical Systems–A Three-Layered Architecture for Cyber Physical Systems | |
JP2019185134A (ja) | 情報処理装置、学習方法、及びプログラム | |
CN116263956A (zh) | 基于联邦学习的图像分割网络获取方法及相关方法和设备 | |
Abualola et al. | Development of Colorization of Grayscale Images Using CNN-SVM | |
CN114511100A (zh) | 一种支持多引擎框架的图模型任务实现方法和系统 | |
CN113313809A (zh) | 一种渲染方法和装置 | |
CN112215853A (zh) | 图像分割方法、装置、电子设备和计算机可读介质 | |
US10832407B2 (en) | Training a neural network adapter |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220705 |