CN117472190A - 基于神经网络的vr物理引擎调配系统 - Google Patents
基于神经网络的vr物理引擎调配系统 Download PDFInfo
- Publication number
- CN117472190A CN117472190A CN202311825329.7A CN202311825329A CN117472190A CN 117472190 A CN117472190 A CN 117472190A CN 202311825329 A CN202311825329 A CN 202311825329A CN 117472190 A CN117472190 A CN 117472190A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- unit
- module
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 141
- 238000013480 data collection Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Human Computer Interaction (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及的VR物理引擎调配领域,具体为基于神经网络的VR物理引擎调配系统,包括数据收集模块、模型训练与更新模块、VR物体状态预测模块和状态调配与反馈模块,其中:数据收集模块收集训练数据和应用数据,训练数据包括每个时间步的物体位置和速度,根据时间步大小选择训练数据收集的间隔,模型训练与更新模块根据训练数据利用前馈神经网络算法进行模型训练,VR物体状态预测模块利用训练好的模型对应用数据进行下一个时间步的物体位置和速度的预测,状态调配与反馈模块根据预测结果和应用数据对物体在VR场景状态的进行调整,根据用户对反馈结果的确定将预测结果和应用数据作为最新模型训练的数据发送给模型训练与更新模块进行更新。
Description
技术领域
本发明涉及VR物理引擎调配领域,具体为基于神经网络的VR物理引擎调配系统。
背景技术
传统的VR物理引擎调配系统往往基于启发式算法或预设规则来选择物理引擎的参数,再基于手动调整和人工经验进行模型的更新,然而,传统的VR物理引擎调配系统往往会有一些弊端。
一方面,传统的VR物理引擎调配系统的参数调配往往是基于固定的规则和预设的场景,无法灵活地适应不同的VR场景需求,缺乏泛化性;
另一方面,传统的VR物理引擎调配系统通过实验和调试来更新模型,在特定VR场景中手动调整物理引擎参数,观察效果并与预期结果比较,然后根据观察结果进行模型调整,更新过程耗时耗力,缺乏准确的调整能力。
发明内容
本发明的目的在于提供基于神经网络的VR物理引擎调配系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于神经网络的VR物理引擎调配系统,其包括数据收集模块、模型训练与更新模块、VR物体状态预测模块和状态调配与反馈模块,其中:
所述数据收集模块包括训练数据和应用数据,所述训练数据根据公开数据集收集,包括每个时间步的物体位置和速度,并将下一个时间步的物体位置和速度作为训练数据的标签,再根据时间步大小选择训练数据收集的间隔;所述应用数据由用户输入,包括当前物体位置和速度;
所述模型训练与更新模块根据数据收集模块的训练数据利用神经网络算法进行模型训练,并将训练好的模型发送给VR物体状态预测模块;所述VR物体状态预测模块利用训练好的模型对应用数据进行下一个时间步的物体位置和速度的预测,并将预测结果发送给状态调配与反馈模块;
所述状态调配与反馈模块根据预测结果和应用数据对物体在VR场景状态的进行调整,并接受用户对调整结果的反馈,根据用户对反馈结果的确定将预测结果和应用数据作为最新模型训练的数据发送给模型训练与更新模块进行更新。
作为本技术方案的进一步改进,所述数据收集模块包括训练数据收集单元,所述训练数据收集单元利用公开数据集收集训练数据,包括物理引擎参数和物体运动轨迹数据,所述物理引擎参数包括重力参数、摩擦力参数和弹性系数参数;所述物体运动轨迹数据包括每个时间步物体的位置数据和速度数据,训练数据收集单元将收集到的训练数据发送给模型训练与更新模块。
作为本技术方案的进一步改进,所述数据收集模块包括应用数据收集单元,所述应用数据收集单元接收用户发送的应用数据,所述应用数据包括物理引擎参数、当前位置数据和当前速度数据,将收集到的应用数据发送给VR物体状态预测模块。
作为本技术方案的进一步改进,所述模型训练与更新模块包括训练数据接收单元、模型训练单元和模型更新单元,所述训练数据接收单元接收训练数据收集单元发送的训练数据,用于将训练数据进行标准化处理,并将标准化后的数据发送给模型训练单元;所述模型训练单元利用神经网络算法根据训练数据进行模型训练,并将训练好的模型和模型参数分别发送给VR物体状态预测模块和模型更新单元;所述模型更新单元接收模型训练单元发送的模型参数。
作为本技术方案的进一步改进,所述VR物体状态预测模块包括应用数据接收单元和预测单元,所述应用数据接收单元接收应用数据收集单元发送的应用数据,用于将应用数据发送给预测单元;所述预测单元利用模型训练单元训练好的模型对应用数据接收单元发送的应用数据进行下一个时间步的物体位置和速度的预测,并将预测结果和应用数据发送给状态调配与反馈模块。
作为本技术方案的进一步改进,所述状态调配与反馈模块包括预测结果接收单元、调配单元和反馈单元,所述预测结果接收单元接收预测单元发送的预测结果和应用数据,将预测结果发送给调配单元,将预测结果和应用数据发送给反馈单元;所述调配单元根据预测结果中的位置和速度,更新物体在VR场景中的状态;所述反馈单元,在用户界面设置确定与否的选项按钮,根据用户确定的结果将预测的结果和应用数据作为模型再次训练的数据发送给训练数据接收单元。
作为本技术方案的进一步改进,所述训练数据接收单元根据接收到的模型再次训练的数据的数量大小,将训练数据发送给模型训练单元进行模型更新,模型训练单元将更新的参数发送给模型更新单元,模型更新单元将接收到最新的参数,并将最新的参数替换为当前的参数,再将最新的参数发送给预测单元进行参数更新。
作为本技术方案的进一步改进,所述训练数据收集单元将物体运动轨迹数据中的下一个时间步内的位置和速度作为标签数据,并选择时间步长作为训练数据收集的时间间隔。
作为本技术方案的进一步改进,所述模型训练单元通过数据划分、模型训练、模型评估和模型评估进行模型训练,其中模型训练过程如下:
模型由输入层、隐藏层、分支层和输出层组成,输入层将特征作为输入,将其连接到隐藏层,其中的一个分支层用于预测下一个时间步内的位置的特定分支层,另一个分支层用于预测下一个时间步内的速度任务的特定分支层,分支层接收隐藏层的输出作为输入,并通过自身的全连接神经元和激活函数进行处理;神经网络将输入数据从输入层传递到输出层,其中的输出由激活函数和各层之间的权重来计算;在前向传播之后,将神经网络得到的预测结果与对应的标签值进行比较,计算出一个损失函数的数值,其中损失函数衡量了预测结果与实际标签之间的差异;利用损失函数将误差反向传递回网络中,计算每个参数对于损失的贡献,通过链式法则,从输出层向输入层反向计算梯度,并根据梯度的方向更新每个参数的值,以最小化损失函数,最后根据计算得到的梯度信息,更新神经网络中的参数。
作为本技术方案的进一步改进,所述预测单元利用训练好的神经网络模型对应用数据进行预测,具体包括:
首先将训练好的神经网络模型被加载进来,模型包括了网络的层数、每层的神经元数目、激活函数的选择以及各层之间的连接权重和偏置,用于网络的计算,接下来是前向传播计算,输入数据被输入到网络中,从输入层开始,逐层通过每一个神经元进行计算,并沿着网络层级传递信息,直到达到最后一层,得到预测结果。
与现有技术相比,本发明的有益效果是:
1、该基于神经网络的VR物理引擎调配系统利用公开数据集收集训练数据,包括每个时间步的物体位置和速度,并将下一个时间步的物体位置和速度作为训练数据的标签,再根据时间步大小选择训练数据收集的间隔,从而确保训练样本在时间上的分布均匀,避免过于稀疏或过于密集的数据采样。
2、该基于神经网络的VR物理引擎调配系统利用前馈神经网络算法根据收集的训练数据进行模型训练,在利用训练好的前馈神经网络算法模型对用户输入的应用数据进行下一个时间步的物体位置和速度的预测,以此灵活地适应不同的VR场景需求,增加了泛化性,再根据用户对预测结果的确认,将预测结果和应用数据作为模型再次训练的数据,即模型更新数据,以此增加模型的准确调整能力,并节省人工更新模型的时间和精力。
附图说明
图1为本发明的整体模块示意图;
图2为本发明的数据收集模块单元示意图;
图3为本发明的模型训练与更新模块单元示意图;
图4为本发明的VR物体状态预测模块单元示意图;
图5为本发明的状态调配与反馈模块单元示意图;
图中:100、数据收集模块;101、训练数据收集单元;102、应用数据收集单元;200、模型训练与更新模块;201、训练数据接收单元;202、模型训练单元;203、模型更新单元;300、VR物体状态预测模块;301、应用数据接收单元;302、预测单元;400、状态调配与反馈模块;401、预测结果接收单元;402、调配单元;403、反馈单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图5,本发明提供一种技术方案:基于神经网络的VR物理引擎调配系统,包括数据收集模块100、模型训练与更新模块200、VR物体状态预测模块300和状态调配与反馈模块400。
为了训练模型,需要收集训练数据,因此数据收集模块100中的训练数据收集单元101利用公共数据集收集物理引擎参数(重力参数、摩擦力参数和弹性系数参数等)和物体运动轨迹数据等,具体包括:
物理引擎参数:物理引擎参数包括重力参数、摩擦力参数和弹性系数参数,重力参数用于模拟重力对物体的作用力,例如,对于地球上的重力参数,通常会将物体的质量和重力加速度设置为一个固定值,如9.8m/s²;摩擦力参数:用于模拟物体与表面之间的摩擦力,例如,可以使用动态摩擦系数和静态摩擦系数来描述物体在不同表面上的滑动或停止运动的行为;弹性系数参数:用于模拟碰撞时物体之间的弹性变形和能量转移,例如,可以使用弹性系数参数来调整物体碰撞后的反弹程度和形变程度;
物体运动轨迹数据:物体运动轨迹数据是描述物体在时间上的运动轨迹的数据,通过记录物体的位置坐标随时间变化的数据,推断物体的运动规律和轨迹,包括位置数据和速度数据,位置数据记录物体在每个时间步的位置信息,例如,小球在每0.1秒的时间间隔内的位置数据可以表示为[(0,0),(0.5,0.1),(1.2,0.2),…];速度数据记录物体在每个时间步的速度信息,例如,小球在每0.1秒的时间间隔内的速度数据可以表示为[(1.2,0.5),(1.3,0.3),(0.8,-0.1),…]。
为了让模型有监督的训练,训练数据收集单元101将物体运动轨迹数据中的下一个时间步内的位置和速度作为标签数据,其中,时间步是一个离散的时间单位,用于模拟物体在不同时间点上的状态,下一个时间步是指在当前时间步之后的下一个时间点上。由于数据中的时间点不止两个,因此选择一个固定的时间步长作为模型训练的时间间隔,例如,假设时间步长为0.1秒,那么每隔0.1秒就选择下一个时间步的位置作为标签,从而确保训练样本在时间上的分布均匀,避免过于稀疏或过于密集的数据采样。
上述有监督的模型训练表示的是会根据训练数据集中的输入特征和输出标签之间的关系,学习出一个函数或模型,这个函数或模型可以将给定的输入映射到预测的输出,训练的目标是通过调整模型的参数或权重,使模型尽可能准确地预测或分类训练集中的样本,并在未见过的新数据上表现良好。
训练数据收集单元101将收集到的训练数据发送给模型训练与更新模块200中的训练数据接收单元201,为了减少异常值和噪声对模型的影响,提高模型对异常值的鲁棒性,减少对模型训练和预测的干扰,从而提高模型的性能和稳定性,训练数据接收单元201通过计算训练数据中特征列的均值和标准差,将原始值减去均值然后除以标准差,将数据转换为具有均值为0和标准差为1的分布,让特征权重保持平衡,并将标准化后的训练数据发送给模型训练单元202利用前馈神经网络算法进行模型训练,具体包括:
数据划分:将训练数据切分为两份,百分之80为训练集用于模型训练,百分之20为验证集用于模型评估;
模型训练包括初始化权重和偏置、前向传播、输出层计算、计算损失函数、反向传播与权重和偏置更新,具体如下:
初始化权重和偏置:在训练前,对网络中的权重和偏置进行初始化;
前向传播:在训练过程中,输入样本将通过输入层传递到网络中的隐藏层,每个隐藏层神经元将根据输入与自身的权重,以及偏置值进行加权求和,并通过激活函数进行非线性变换,得到隐藏层各神经元的输出;
输出层计算:隐藏层的输出将传递到输出层,输出层的神经元进行加权求和和非线性变换,得到最终的模型输出;
计算损失函数:通过比较模型的输出与下一个时间步的物体位置和速度数据,计算出模型的损失函数,损失函数用于衡量模型的预测结果与实际结果之间的差距;
反向传播:通过反向传播算法,根据损失函数的梯度,将误差从输出层回传到隐藏层和输入层,隐藏层和输入层的权重和偏置将被逐步调整,以最小化损失函数;
权重和偏置更新:根据反向传播计算得到的梯度,使用优化算法对权重和偏置进行更新,优化算法根据梯度的方向和大小,逐步调整参数值,以降低损失函数,通过多次迭代和参数的调整,模型学习到输入层与输出层之间的关系,并产生下一个时间步的物体位置和速度预测结果;
模型评估:计算出模型预测的标签数组与验证集标签数组之间准确预测的样本数目,将准确预测的样本数目除以验证集的样本数目乘以百分比得到准确率,当准确率≥百分之90,则该模型训练成功,并将模型中训练好的参数发送给模型更新单元203,当模型是第一次进行训练时,则将整个模型发送给VR物体状态预测模块300中的预测单元302进行应用;当准确率小于百分之90时,将模型进行调优;
模型调优:将评估不合格的模型通过增加神经网络的深度、宽度和调整神经元数量参数值来对模型进行调优。
在进行模型应用之前,需要收集应用数据,因此数据收集模块100中的应用数据收集单元102将接受用户发送的应用数据,应用数据包括物理引擎参数、当前位置数据和当前速度数据,将接受到的应用数据发送给VR物体状态预测模块300中的应用数据接收单元301,应用数据接收单元301用于将应用数据发送给预测单元302,预测单元302利用训练好的模型对应用数据进行物体状态的预测,具体包括:
首先将训练好的前馈神经网络模型被加载进来,模型包括了网络的层数、每层的神经元数目、激活函数的选择以及各层之间的连接权重和偏置,用于网络的计算,接下来是前向传播计算,输入数据被输入到网络中,从输入层开始,逐层通过每一个神经元进行计算,并沿着网络层级传递信息,直到达到最后一层,也即输出层,得到预测结果,在每个神经元中,通过对中间层输出的加权和应用激活函数,引入非线性特征并进行特征转换,其中激活函数将中间层输出的加权和进行非线性映射,从而引入了网络的非线性性质,给网络引入非线性的表达能力,使其能够更好地对复杂的数据模式进行建模和预测。
整个预测过程通过前馈神经网络模型中的参数(连接权重和偏置)来实现输入数据的映射和转换,通过网络层之间的信息传递和激活函数的处理,神经网络能够从输入数据中学习到特征和模式,并进行物体下一步位置和时间的预测。这个过程充分发挥了神经网络的组合和非线性能力,实现了对复杂关系和模式的建模和预测。
预测单元302将预测的结果和应用数据发送给状态调配与反馈模块400中的预测结果接收单元401,预测结果接收单元401用于将预测的结果发送给调配单元402,调配单元402根据预测结果中的位置和速度,更新物体在VR场景中的状态,即将物体的当前位置更新为预测的位置,将物体的当前速度更新为预测的速度。
预测结果接收单元401将预测的结果和应用数据发送给反馈单元403,反馈单元403将接收用户对预测的结果和应用数据的反馈,在用户界面设置确定与否的选项按钮,当用户确定调整结果有用时,则选择确定的按钮,根据确定的结果将预测的结果和应用数据作为模型再次训练的数据(模型更新数据)发送给训练数据接收单元201。当训练数据接收单元201接收到的数据集大于初始训练数据集数量时,意味着最新的数据集已达到训练集所要求的数量,则将训练集发送给模型训练单元202进行模型更新,并将更新的参数发送给模型更新单元203。
模型更新单元203将接收到最新的参数,并将最新的参数替换为当前的参数,再将最新的参数发送给预测单元302进行参数更新,以此更新模型。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于神经网络的VR物理引擎调配系统,其特征在于:包括数据收集模块(100)、模型训练与更新模块(200)、VR物体状态预测模块(300)和状态调配与反馈模块(400),其中:
所述数据收集模块(100)包括训练数据和应用数据,所述训练数据根据公开数据集收集,包括不同数据特征,所述数据特征包括物理引擎参数和物体运动轨迹,所述物体运动轨迹包括每个时间步的物体位置和速度,并将下一个时间步的物体位置和速度作为训练数据的标签,并将时间步大小设置为训练数据收集的时间间隔;所述应用数据由用户输入,包括当前物体位置和速度;
所述模型训练与更新模块(200)根据数据收集模块(100)训练数据中特征和标签的关系利用前馈神经网络算法进行模型训练,并将训练好的模型发送给VR物体状态预测模块(300);所述VR物体状态预测模块(300)利用训练好的前馈神经网络算法模型对应用数据进行下一个时间步的物体位置和速度的预测,并将预测结果发送给状态调配与反馈模块(400);
所述状态调配与反馈模块(400)根据预测结果和应用数据对物体在VR场景状态的进行调整,并接受用户对调整结果的反馈,根据用户对反馈结果的确定将预测结果和应用数据作为最新模型训练的数据发送给模型训练与更新模块(200)进行更新。
2.根据权利要求1所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述数据收集模块(100)包括训练数据收集单元(101),所述训练数据收集单元(101)利用公开数据集收集训练数据,包括物理引擎参数和物体运动轨迹数据,所述物理引擎参数包括重力参数、摩擦力参数和弹性系数参数;所述物体运动轨迹数据包括每个时间步物体的位置数据和速度数据,训练数据收集单元(101)将收集到的训练数据发送给模型训练与更新模块(200)。
3.根据权利要求2所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述数据收集模块(100)包括应用数据收集单元(102),所述应用数据收集单元(102)接收用户发送的应用数据,所述应用数据包括物理引擎参数、当前位置数据和当前速度数据,将收集到的应用数据发送给VR物体状态预测模块(300)。
4.根据权利要求3所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述模型训练与更新模块(200)包括训练数据接收单元(201)、模型训练单元(202)和模型更新单元(203),所述训练数据接收单元(201)接收训练数据收集单元(101)发送的训练数据,用于将训练数据进行标准化处理,并将标准化后的数据发送给模型训练单元(202);所述模型训练单元(202)利用前馈神经网络算法根据训练数据进行模型训练,并将训练好的模型和模型参数分别发送给VR物体状态预测模块(300)和模型更新单元(203);所述模型更新单元(203)接收模型训练单元(202)发送的模型参数。
5.根据权利要求4所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述VR物体状态预测模块(300)包括应用数据接收单元(301)和预测单元(302),所述应用数据接收单元(301)接收应用数据收集单元(102)发送的应用数据,用于将应用数据发送给预测单元(302);所述预测单元(302)利用模型训练单元(202)训练好的模型对应用数据接收单元(301)发送的应用数据进行下一个时间步的物体位置和速度的预测,并将预测结果和应用数据发送给状态调配与反馈模块(400)。
6.根据权利要求5所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述状态调配与反馈模块(400)包括预测结果接收单元(401)、调配单元(402)和反馈单元(403),所述预测结果接收单元(401)接收预测单元(302)发送的预测结果和应用数据,将预测结果发送给调配单元(402),将预测结果和应用数据发送给反馈单元(403);所述调配单元(402)根据预测结果中的位置和速度,更新物体在VR场景中的状态;所述反馈单元(403),在用户界面设置确定与否的选项按钮,根据用户确定的结果将预测的结果和应用数据作为模型再次训练的数据发送给训练数据接收单元(201)。
7.根据权利要求6所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述训练数据接收单元(201)根据接收到的模型再次训练的数据的数量大小,将训练数据发送给模型训练单元(202)进行模型更新,模型训练单元(202)将更新的参数发送给模型更新单元(203),模型更新单元(203)将接收到最新的参数,并将最新的参数替换为当前的参数,再将最新的参数发送给预测单元(302)进行参数更新。
8.根据权利要求2所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述训练数据收集单元(101)将物体运动轨迹数据中的下一个时间步内的位置和速度作为标签数据,并选择时间步长作为训练数据收集的时间间隔,其中,时间步用于模拟物体在不同时间点上的状态,下一个时间步是指在当前时间步之后的下一个时间点上,选择一个固定的时间步长作为模型训练的时间间隔,用于确保训练样本在时间上的分布均匀。
9.根据权利要求4所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述模型训练单元(202)通过数据划分、模型训练、模型评估和模型评估进行模型训练,其中模型训练过程如下:
初始化权重和偏置:在训练前,对网络中的权重和偏置进行初始化;
前向传播:在训练过程中,输入样本将通过输入层传递到网络中的隐藏层,每个隐藏层神经元将根据输入与自身的权重,以及偏置值进行加权求和,并通过激活函数进行非线性变换,得到隐藏层各神经元的输出;
输出层计算:隐藏层的输出将传递到输出层,输出层的神经元进行加权求和和非线性变换,得到最终的模型输出;
计算损失函数:通过比较模型的输出与下一个时间步的物体位置和速度数据,计算出模型的损失函数,损失函数用于衡量模型的预测结果与实际结果之间的差距;
反向传播:通过反向传播算法,根据损失函数的梯度,将误差从输出层回传到隐藏层和输入层,隐藏层和输入层的权重和偏置将被逐步调整,以最小化损失函数;
权重和偏置更新:根据反向传播计算得到的梯度,使用优化算法对权重和偏置进行更新,优化算法根据梯度的方向和大小,逐步调整参数值,以降低损失函数,通过多次迭代和参数的调整,模型学习到输入层与输出层之间的关系,并产生下一个时间步的物体位置和速度预测结果。
10.根据权利要求5所述的基于神经网络的VR物理引擎调配系统,其特征在于:所述预测单元(302)利用训练好的前馈神经网络算法模型对应用数据进行预测,具体包括:
首先将训练好的前馈神经网络模型被加载进来,模型包括了网络的层数、每层的神经元数目、激活函数的选择以及各层之间的连接权重和偏置,用于网络的计算,接下来是前向传播计算,输入数据被输入到网络中,从输入层开始,逐层通过每一个神经元进行计算,并沿着网络层级传递信息,直到达到最后一层,得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825329.7A CN117472190A (zh) | 2023-12-28 | 2023-12-28 | 基于神经网络的vr物理引擎调配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311825329.7A CN117472190A (zh) | 2023-12-28 | 2023-12-28 | 基于神经网络的vr物理引擎调配系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117472190A true CN117472190A (zh) | 2024-01-30 |
Family
ID=89638256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311825329.7A Pending CN117472190A (zh) | 2023-12-28 | 2023-12-28 | 基于神经网络的vr物理引擎调配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117472190A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930483A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种角色控制的方法、模型训练的方法以及相关装置 |
CN113785330A (zh) * | 2019-03-15 | 2021-12-10 | 索尼互动娱乐股份有限公司 | 使用相异的目标动画数据来训练人物的强化学习 |
-
2023
- 2023-12-28 CN CN202311825329.7A patent/CN117472190A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113785330A (zh) * | 2019-03-15 | 2021-12-10 | 索尼互动娱乐股份有限公司 | 使用相异的目标动画数据来训练人物的强化学习 |
CN110930483A (zh) * | 2019-11-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种角色控制的方法、模型训练的方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408392B (zh) | 基于卡尔曼滤波和神经网络的航迹补全方法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN113393032A (zh) | 基于重采样下的航迹循环预测方法 | |
CN113435587A (zh) | 基于时间序列的任务量预测方法、装置、电子设备及介质 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
Kaushik et al. | An adaptive learning approach to software cost estimation | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN116151102A (zh) | 一种空间目标超短弧初始轨道智能确定方法 | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
KR102120150B1 (ko) | 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치 | |
CN117472190A (zh) | 基于神经网络的vr物理引擎调配系统 | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
Renotte et al. | Neural modeling and control of a heat exchanger based on SPSA techniques | |
CN114880930A (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
CN117892886B (zh) | 基于置信区间的船舶运动极短期概率预报方法及系统 | |
Herzallah et al. | Robust control of nonlinear stochastic systems by modelling conditional distributions of control signals | |
CN114282440B (zh) | 一种抽水蓄能机组调节系统鲁棒辨识方法 | |
KR102539223B1 (ko) | 엣지 컴퓨팅 환경에서 ami 데이터 스트림 가속처리를 위한 딥 러닝 방법 | |
CN113850366B (zh) | 一种基于lstm的预测目标运动的方法 | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
CN117874712B (zh) | 基于高斯过程回归的单模非气密光模块性能预测方法 |
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 |