CN117521424B - 一种仿真训练场景生成方法和装置 - Google Patents

一种仿真训练场景生成方法和装置 Download PDF

Info

Publication number
CN117521424B
CN117521424B CN202410016420.2A CN202410016420A CN117521424B CN 117521424 B CN117521424 B CN 117521424B CN 202410016420 A CN202410016420 A CN 202410016420A CN 117521424 B CN117521424 B CN 117521424B
Authority
CN
China
Prior art keywords
simulation
scene
element model
training
information
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
Application number
CN202410016420.2A
Other languages
English (en)
Other versions
CN117521424A (zh
Inventor
吴玉峰
李宁
魏丽
安宇
王国伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202410016420.2A priority Critical patent/CN117521424B/zh
Publication of CN117521424A publication Critical patent/CN117521424A/zh
Application granted granted Critical
Publication of CN117521424B publication Critical patent/CN117521424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于仿真技术领域，提供一种仿真训练场景生成方法和装置。该方法包括：配设各训练场景的训练场景生成指令；通过训练场景智能生成模型，提取场景生成要素，并提取场景关键词；从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型；利用所选出的仿真要素模型生成训练场景的构造逻辑策略，以构建仿真场景。本发明降低了仿真要素模型空间操作的时间成本，提高了操作准确率。

Description

一种仿真训练场景生成方法和装置
技术领域
本发明涉及仿真技术领域，尤其涉及一种仿真训练场景生成方法和装置。
背景技术
目前，针对群体对抗训练的仿真场景生成策略和方法，特别是针对融合了场地地形、环境、设备设施等全要素的实战化训练场景需求，严重缺乏快速、高效、精确的仿真模型参数化处理能力以及基于生成式模型提升仿真训练场景丰富性的解决方案。
目前，群体对抗训练等相关训练业务，存在内容多样、指控复杂、保密性高等特点，这对于生成式AI模型的参数设定具有相当大的难，该问题目前仍然是制约生成式AI技术在群体对抗训练领域融合发展的首要因素。
其次，如何构建生成式AI模型可调用的仿真要素模型库。该技术的难点在于需要对实战化训练场景的要素进行抽象和参数化编译，例如包括训练场景的地形地貌、场地环境和训练设备等要素的仿真模型资源和相应的语义化描述。目前仍无法解决仿真建模技术路线与生成式AI之间的架构融合问题。
最后，目前还存在以下问题：第一、仿真训练场景的构建平台选择多样，难以制定统一的规范；第二、绝大多数生成式AI模型以文本直接生成模型为主要方法，在算法层面实现难度较大（例如建模等），其生成效果难以满足仿真训练的需求和目标；第三、现有对群体对抗训练环境、流程、内容和制度等进行深入研究的条件，限制了前沿技术（例如生成式AI模型）对传统训练业务的创新。此外，如何让生成式AI模型开始执行生成任务（即生成仿真训练场景），如何设定参数结构等多方面仍存在改进空间。
因此，有必要提供一种改进了的仿真训练场景生成方法，以解决如上问题。
发明内容
本发明意在提供一种仿真训练场景生成方法和装置，以解决现有技术中无法解决仿真建模技术与生成式AI模型之间的架构融合问题，现有方法中要素模型的空间操作的时间成本高、操作准确率低等的技术问题，本发明要解决的技术问题通过以下技术方案来实现。
本发明第一方面提出一种仿真训练场景生成方法，包括：配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息；通过训练场景智能生成模型，对所述训练场景生成指令提取场景生成要素，并提取场景关键词；根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型；利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配；在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
根据可选的实施方式，所述优化要素模型库中未检索到与场景关键词相匹配的仿真要素模型时，再从实战化要素模型库中检索与场景关键词相匹配的仿真要素模型。
根据可选的实施方式，进一步包括：对从实战化要素模型库中选出的仿真要素模型进行编译优化，具体包括：判断是否优化以下数据信息，以确定是否加入所述数据信息：基础属性信息、可数据驱动信息、可扩展接口信息、可场景匹配信息。
根据可选的实施方式，进一步包括：基于注意力机制的多特征抽取方法建立训练场景智能生成模型，以对所述训练场景生成指令提取场景生成要素，并从关键词文本中提取场景关键词；将目标训练场景的关键词文本和待选要素模型的要素模型文本均输入到匹配要素模型的输入层，并将抽取层所抽取的关键词特征和要素模型特征进行匹配，以选出与目标训练场景的场景关键词相匹配的仿真要素模型。
根据可选的实施方式，进一步包括：在模型层接收训练场景生成指令时，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，具体包括：选取用于构建目标训练场景的仿真要素模型；确定仿真要素模型在目标训练场景中的位置；确定各仿真要素模型在目标训练场景中的三维变换信息；生成各仿真要素模型在目标训练场景中匹配方式的语义描述；对进行资源调配与组合后的目标训练场景进行可视化效果的渲染。
根据可选的实施方式，所述构建仿真场景，包括：检测目标训练场景中各仿真要素模型的位置坐标，以确定是否处于仿真要素模型本地坐标系；在确定处于仿真要素模型本地坐标系的情况下，检测各目标约束点的位置以确定是否已进入约束点检测范围，并计算各仿真要素模型的旋转角度和缩放比例以计算特定约束条件以用于执行各仿真要素模型的空间约束。
根据可选的实施方式，在检测到各仿真要素模型进入约束点检测范围后，判断各仿真要素模型相对于目标约束点的距离是否小于指定值，来确定各仿真要素模型在目标训练场景的仿真空间中的位置，并根据以下特定约束条件完成各仿真要素模型的空间约束：
|{Ex,Ey,Ez}-{Ox,Oy,Oz}|<φ
其中，Ex,Ey,Ez分别表示当前仿真要素模型在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即当前仿真要素模型在仿真空间内位置坐标；Ox,Oy,Oz分别表示与当前仿真要素模型相对应的目标约束点在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即与当前仿真要素模型相对应的目标约束点在仿真空间内位置坐标；φ表示坐标重合度的最小阈值。
根据可选的实施方式，在检测到各仿真要素模型进入约束点检测范围后，以仿真要素模型本地坐标系为基准，计算各仿真要素模型相对于仿真要素模型本地坐标系中X轴、Y轴、Z轴的旋转角度、缩放比例，作为特定约束条件。
本发明第二方面提供一种仿真训练场景生成装置，用于执行本发明第一方面所述的仿真训练场景生成方法，包括：配设模块，配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息；提取模块，通过训练场景智能生成模型，对所述训练场景生成指令提取场景生成要素，并提取场景关键词；选取模块，根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型；生成模块，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配；构造模块，在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
本发明第三方面提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面所述的仿真训练场景生成方法。
本发明第四方面提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面所述的仿真训练场景生成方法。
本发明的有益效果：
与现有技术相比，本发明基于训练场景智能生成模型进行仿真训练场景生成，有组织的将生成式AI模型、生成目标、仿真模型和仿真引擎进行结合，通过模型语义构建仿真模型与生成模式之间的数据接口，为未来生成式AI模型的业务应用提供数据支持；在要素模型空间操作的时间成本上平均降低110.37倍，在操作准确率方面平均提升20.3%以上，进而降低了要素模型空间操作的时间成本，提高了操作准确率进而高效解决了模型空间定位和实体三维变换的关键问题。
此外，本发明建立仿真模型的语义描述机制和工作流程，从数据层面提高了仿真模型的精准度，降低了仿真模型的前期匹配成本和性能消耗，有效提升训练场景智能生成模型计算效率。
此外，本发明建立了仿真场景的构造逻辑策略，从架构层面规范了训练场景智能生成模型的计算核心和输出形式，提高了训练场景智能生成模型的计算效率和准确度，同时对三维仿真引擎的训练场景构建提供标准化、参数化的引导。本发明能够对现实与虚拟世界的数据进行管理和计算，为用户提供更加便捷、高效、精准的生成式的应用机制。
附图说明
图1是本发明的仿真训练场景生成方法的一示例的步骤流程图；
图2是本发明的仿真训练场景生成方法的应用示例的框图；
图3是本发明的仿真训练场景生成方法中特征提取过程的一示例的示意图；
图4是本发明的仿真训练场景生成方法中所提取的特征的一示例图；
图5是本发明的仿真训练场景生成方法中匹配仿真要素模型的一示例的示意图；
图6是本发明的仿真训练场景生成方法中编译优化的结构化处理流程的一示例的示意图；
图7是本发明的仿真训练场景生成方法中隐状态概率分布（即正态分布）的一示例图；
图8是本发明的仿真训练场景生成装置的一示例的结构示意图；
图9是根据本发明的仿真训练场景生成装置的一具体实施方式的结构示意图；
图10是根据本发明的电子设备实施例的结构示意图；
图11是根据本发明的计算机可读介质实施例的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
鉴于上述问题，本发明提供一种面向群体对抗训练的、基于训练场景智能生成模型的仿真训练场景生成方法和装置。在对仿真训练场景构建过程中，该方法能够有效对实战化生成要素模型（场地地形要素、场地环境要素和设备设施要素）进行抽象和参数化编译，实现仿真模型资源的语义化描述。该方法构建了一种融合传统仿真建模和生成式AI模型的技术框架，完成场景要素模型特征的抽取和语义描述等处理过程，为生成式AI模型提供准确的数据支持，大幅提高仿真建模要素的准确性和对模型资源的处理能力。最后，该方法明显提升了仿真训练场景生成的效果和性能，进一步优化了生成式算法、增强仿真训练场景的精确性和真实性。
此外，通过三维仿真技术对真实的群体对抗训练环境和实战化要素进行模拟，其优势是能够根据实战需求对场景进行参数化编辑和模拟，能够充分模拟实战场景的多样性和复杂性，能够弥补因缺乏真实场地环境而缺失的体验，提升参训人员实战化适应能力。
需要说明的是，在本发明中，仿真训练场景指的是通过计算机仿真手段构建面向实战的三维仿真训练场景。仿真训练场景包括但不限于地形、场地环境、设备设施等内容，传统的构建方法主要依赖于数字内容创作（DCC, Digital Content Creation）工具，即人工建模为主。此外，所述语义化描述包括但不限于对仿真要素模型的基础属性信息、可数据驱动信息、可拓展接口信息、可场景匹配信息等。
实施例1
下面参照图1、图2、图3、图4、图5、图6和图7，将对本发明的仿真训练场景生成方法进行详细说明。
图1是本发明的仿真训练场景生成方法的一示例的步骤流程图。
如图1所示，本公开提供了一种仿真训练场景生成方法，具体包括以下步骤：
步骤S101：配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息。
步骤S102：通过训练场景智能生成模型，对所述训练场景生成指令提取场景生成要素，并提取场景关键词。
步骤S103：根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型。
步骤S104：利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配。
步骤S105，在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
首先，在步骤S101中，配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息。
在一具体实施方式中，所述训练场景生成指令模块包括训练场景描述和计算边界条件。
具体地，训练场景描述指的是对训练场景的具体描述内容，例如包括能够对训练场景进行详细描述的地形类型、地表植被种类、气候环境、天气环境、训练设备、场地设施等场景内容。所述场景内容的描述包含明确的关键字或关键词，具备可视化呈现能力。例如，以某区域攻防训练科目为例，在该示例中的关键字或者关键词是后续要提取的关键词，例如：森林、杂草、阴暗、潮湿。
在本实施方式中，所述计算边界条件指的是描述训练场景的地理位置、区域范围、尺寸等内容。但是不限于此，在其他实施方式中还可包括地理特征、位置信息、尺寸数值、比例尺、单位等内容。
更具体地，所述训练场景生成指令可包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息。
例如，以某区域攻防训练科目为例，训练场景生成指令包括以下数据信息：在与A国的国境线上，北纬*度东经**度位置，以山岳丛林地形展开训练，该地区面积为1000米×1000米，海拔500米以上，山多坡陡，沟深谷狭，多数山地被森林和杂草覆盖；该地区地处热带气候，林内阴暗潮湿，常炎热多雨，雾大潮湿；参训分队携带轻型装备对目标建筑进楼宇进行对抗、营救等相关训练。
在一可选实施方式中，在数据层配设各训练场景的训练场景生成指令。并且，在数据层构建实战化要素模型库。
需要说明的是，在该实施方式中，所配设的训练场景生成指令与上述实施方式中所配设的训练场景生成指令的方法和内容大致相同，因此，省略了对相同部分的说明。
例如，使用人工构建方式建立实战化要素模型库，所述建立实战化要素模型库也可使用仿真引擎的实体模型库。
具体地，所述实战化要素模型库包括战场地形要素、战场环境要素和设备设施要素。
更具体地，场地地形要素指的是能够支撑训练场景构建的地形地貌的模型和相关素材，例如具体包括地形类型模型（山地、丘陵、平原、盆地、洼地、沼泽等）、地表植被种类模型（树木、花、草等）、地表相关特征模型（泥土、积水、车辙、脚印、焦土等）等内容，上述内容包含三维模型、材质、贴图、环境光照信息等。
所述场地环境要素指的是能够支撑训练场景构建的环境模型和相关素材，例如具体包括场地所处的地域环境（带有地域特征的地理模型、标识物模型等）、气候环境（光照、气温、降水、风力等）、天气环境（风、雨、雾、雪、霜等）等内容，上述内容包含三维模型、粒子模型、材质、贴图、环境光照信息等。
所述设备设施要素指的是能够支撑训练场景构建的设备设施的模型和相关素材，例如具体包括各类群体对抗训练设备（武器训练设备、防护装备、通信设备、指挥控制装备、特种对抗设备等），上述内容包含三维模型、材质、贴图、环境光照信息等。
接下来，在步骤S102中，通过训练场景智能生成模型，对所述训练场景生成指令提取场景生成要素，并提取场景关键词。
具体地，场景生成要素提取指的是根据训练场景生成指令的内容，对关于场景生成要素描述的关键词等进行提取。
可选地，采用以下算法提取场景生成要素：TF-IDF（词频-逆文档频率）、TextRank（即基于随机游走的关键词提取算法）、KeyBert（ 即基于BERT 嵌入和余弦相似度来查找文档中与文档本身最相似的子短语）、Yake（即轻量级无监督的自动关键词抽取算法）、Rake（即快速自动关键词提取）、Summa（即自动关键词提取算法）、Autophrasex（即新词发现算法）、MDERank。
在一具体实施方式中，基于注意力机制的多特征抽取方法建立训练场景智能生成模型，以对所述训练场景生成指令提取场景生成要素，并从关键词文本中提取场景关键词。
具体地，所述训练场景智能生成模型包括提取场景生成要素、匹配仿真要素模型、判断匹配度、生成场景构造逻辑、检索实战化要素模型库、要素模型的编译与优化。
如图3所示，采用融合多特征的多头注意力机制，建立训练场景智能生成模型，以用于场景生成要素的特征提取、场景关键词的特征提取。
需要说明的是，多头注意力机制是一种基于Transformer的计算方法，注意力模块会并行计算多次，注意力模块将Query、Key、Value参数分成N份，然后，每一份独立通过一个单独的注意力头（attention head）进行处理。
具体地，所述特征提取包括编码处理和池化处理，所述编码处理对应有编码单元，所述池化处理对应有池化单元。其中，所述编码单元包括嵌入单元、融合多特征的多注意力机制、前馈层。所述池化单元包括规范化层、多头注意力最大池化层。通过多注意力机制，能够使Transformer更好地捕捉每个关键词之间的多重关系和细微差别。
例如，将所述训练场景生成指令的文本内容输入训练场景智能生成模型，输出所提取的场景生成要素的特征，该特征例如包括:
例如，将关键词文本（例如目标训练场景的关键词文本）输入训练场景智能生成模型，输出关键词的特征，例如该特征包括关键词与关键词之间的关系特征（一对一关系、一对多关系、多对多关系）、关键词与关键词之间的差别特征，等等。
例如，将仿真要素模型相关文本输入训练场景智能生成模型，输出仿真要素模型的特征，该特征如图4所示的特征图。
需要说明的是，所述融合多特征的多头注意力机制是一种基于注意力机制的多特征抽取方法，由于本发明中提及的仿真要素模型具备多特征的特点，因此，选用上述多头意力机制来建立训练场景智能生成模型，以用于提取场景生成要素的特征、场景关键词的特征。
在一可选实施方式中，接收训练场景生成指令并提取训练场景生成指令的关键词。例如使用训练场景智能生成模型提取训练场景生成指令的关键词。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S103中，根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型。
在一具体实施方式中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型。当从所述优化要素模型库中未检索到与场景关键词相匹配的仿真要素模型时，再从实战化要素模型库中检索与场景关键词相匹配的仿真要素模型。而当从所述优化要素模型库中检索到与场景关键词相匹配的仿真要素模型时，选出相匹配的仿真要素模型。
将优化要素模型库中的仿真要素模型与场景关键词进行匹配，或者将实战化要素模型库中的仿真要素模型与场景关键词进行匹配。具体通过输入层、抽取层和匹配层，实现文本特征匹配。将目标训练场景的关键词文本和待选要素模型的要素模型文本均输入到现有模型的输入层，并将抽取层所抽取的关键词特征和要素模型特征进行匹配，具体参图5。
需要说明的是，输入层包括输入关键词文本、输入要素模型文本（例如要素模型描述文本）。抽取层包括抽取关键词文本V的关键词特征Fv和要素模型文本M的要素模型特征Fm。匹配层采用特征向量乘积和特征向量间差值的绝对值的计算方法，将分类特征输入分类器输出最终的分类结果，并判断关键词和要素模型的文本特征是否匹配。此外，所述现有模型例如为基于神经网络算法预训练好的文本匹配模型。在其他示例中，还可以直接进行向量匹配计算，通过计算文本向量相似度来判断关键词和要素模型的文本特征是否匹配。
所述进行匹配包括匹配计算。通过匹配计算匹配度以选出与目标训练场景的场景关键词相匹配的仿真要素模型。
具体通过计算要素模型特征与场景关键词特征之间的匹配度计算要素模型特征与场景关键词特征的特征向量乘积、特征向量间差值的绝对值。
采用以下表达式计算要素模型特征与场景关键词特征的特征向量乘积、特征向量间差值的绝对值：
特征向量乘积=Fv×Fm；
特征向量间差值的绝对值= |Fv-Fm|；
分类特征F=[ Fv×Fm; |Fv-Fm|]；
其中，Fv表示关键词文本V的关键词特征Fv的特征向量，Fm表示要素模型文本M的要素模型特征Fm的特征向量；F表示分类特征。
将分类特征（即用于分类器识别和分类的特征总称，在这里，具体指的是“特征向量乘积”和“特征向量间差值的绝对值”）F输入分类器，经Softmax分类器预测最终的类别分布，具体经Softmax分类器的最终预测分布L=Softmax（FFN（FFN（F）））。选出与目标训练场景的场景关键词相匹配的仿真要素模型。
在一可选实施方式中，采用文本特征匹配的方式，具体将优化要素模型库中要素模型的要素模型特征与场景关键词进行匹配，以选出与目标训练场景的场景关键词相匹配的仿真要素模型。所述要素模型特征包括以下数据信息：基础属性、可驱动信息、可拓展的接口信息以及可匹配训练场景的信息。
在又一实施方式中，通过判断优化要素模型库中的模型特征与场景关键词是否匹配，具体通过要素模型的基础属性的文本描述，以选出与目标训练场景的场景关键词相匹配的仿真要素模型，所述文本描述例如为名称、种类、功能、接口等特征。
在一些实施实例中，模型检索指的是当上述步骤得出的结果显示不匹配时，对实战化要素模型库中的模型进行检索，找到符合关键词特征的仿真要素模型。
所述实战化要素模型库中要素模型如下：
“模型ID：{model[0]}
模型名称：{model[1]}
模型种类：{model[2]}
模型文件路径：{model[3]}
模型尺寸：{model[4]}
模型材质：{model[5]}
模型坐标轴：{model[6]}”。
在一优选实施方式中，当从实战化要素模型库中选出相匹配的仿真要素模型时，对从实战化要素模型库中所选出的仿真要素模型进行编译优化。
对于所述编译优化的结构化处理流程，如图6所示，判断是否优化以下数据信息，以确定是否加入所述数据信息：基础属性信息、可数据驱动信息、可扩展接口信息、可场景匹配信息。
在加入所述数据信息时，即对已具备加入的数据信息的执行优化处理。具体的“信息加入处理”可表示为：已有的属性信息I = {i1, i2, i3, …it},it表示第t个属性，。编译功能需要根据场景生成要素的关键词和仿真要素模型的当前状态加入新的属性字段K={k1,k2,...,km},km表示第m个属性字段。
N'= argNmaxP(N|I,A)
其中，N'表示编译优化后的属性信息；K表示新的属性字段，包括多项属性字段{k1,k2,...,km}，m为正整数，km表示第m项属性字段；I表示已有的属性信息，具体包括多项属性信息it，t为正整数，t表示第t项属性信息。
例如，已有的属性信息：坦克属性={攻击性，防御性，可毁伤，可携带伤员，可部署在丛林}；加入新的属性字段后，坦克属性={攻击性，防御性，可毁伤，可携带伤员，可部署在丛林，可隐蔽在灌木后，可配合沙袋使用，可用于隐蔽训练}。
具体地，使用编码器对输入的属性信息进行编码，生成稳定的属性状态向量，基于输入的属性信息的隐状态和已有的属性，解码器会生成当前第t个属性的隐状态（例如诸如坦克等设备的设备属性），最后通过Softmax函数得到第t个属性的概率分布。具体的“优化处理”采用集束搜索（Beam Search）的方式对已有信息进行拓展。
例如，在大量坦克训练的数据基础上，通过编码器得到五个维度来描述坦克训练，具体包括：攻击力、防御力、承载力、隐蔽性、环境适应性，上述这五个维度的描述作为坦克训练的隐状态。而与现有的表示方法中是希望得到这五个维度的具体特征值来表示这些属性，比如：攻击力0.78、防御力0.55、承载力0.37、隐蔽性0.49、环境适应性0.61。上述现有方法的缺点是首先获得这些特征值的过程非常困难，对特征值获取的实验条件要求非常苛刻，其次是这些具体的特征值受不同训练环境的影响非常大，其准确性难以保证。与现有方法不同，本发明通过隐状态概率分布以及集束搜索（BeamSearch）来获得更加稳定、更加准确的属性信息。
具体地，采用隐状态概率分布来描述上述五个维度，五个维度都符合如图7所示的正态分布，即攻击力[0.55，0.93]、防御力[0.23，0.71]、承载力[0.16，0.54]、隐蔽性[0.37，0.79]、环境适应性[0.42，0.87]。从这些概率分布区间中随机采样数值作为解码器的输入，解码器能够生成更多的属性信息。例如隐蔽性为0.49时，仅表示为该坦克的隐蔽性=[可隐蔽在建筑设施内]，但是通过在概率分布空间中随机取值后，可表示为坦克的隐蔽性= [可隐蔽在草丛内，可隐蔽在树林里，可隐蔽在丛林里，可隐蔽在灌木里，可隐蔽在雨林里，可隐蔽在建筑设施内，可隐蔽在同型坦克后，可隐蔽在雪地里，可隐蔽在山地中，可隐蔽在战壕里，可隐蔽在沙丘里]。因此，采用隐状态概率分布描述多纬度的属性信息以表示属性信息，能够获得更多的属性信息，能够获得更准确的隐状态。
接着，本发明通过集束搜索（Beam Search）对上述属性进行优化处理。即从多个属性中选择最好的、最可能的结果。集束搜索的核心参数是“集束宽”，当“集束宽”为1时，在坦克的隐蔽性= [可隐蔽在草丛内，可隐蔽在树林里，可隐蔽在丛林里，可隐蔽在灌木里，可隐蔽在雨林里，可隐蔽在建筑设施内，可隐蔽在同型坦克后，可隐蔽在雪地里，可隐蔽在山地中，可隐蔽在战壕里，可隐蔽在沙丘里]中获取一个最好的结果。当“集束宽”为3时，上述隐蔽性中取3个最可能的结果。取值的依据是按照概率排序从最靠前开始取。例如，当“集束宽”为3时，坦克的隐蔽性= [可隐蔽在丛林里，可隐蔽在灌木里，可隐蔽在雨林里]。
通过上述两个步骤，在已有属性信息基础上扩展了更多的可能的属性，在对扩展的属性进行优化的同时实现了对训练场景生成的优化，获得了更加稳定、更加准确的属性信息。
可选地，对于可数据驱动信息、可拓展接口信息和可场景匹配信息，采用上述相同方法进行信息加入处理。
需要说明的是，在本示例中，仿真要素模型编译与优化指的是对实战化要素模型库中的要素模型附加基础属性信息、可数据驱动信息、可拓展接口信息和可场景匹配信息。
具体地，基础属性信息指的是实战化生成要素模型（即仿真要素模型）的基础属性，例如包括各战化生成要素的名称、类型、尺寸、物理描述、空间描述、可拓展属性等内容，上述内容包含详细文字描述、数据描述等。
可数据驱动信息指的是实战化生成要素模型的可被数据驱动的信息，具体包括可数据驱动的接口、数据类型、数据格式等内容，上述内容包含详细的文字描述、数据类型样本、数据格式样本、接口实例等。
可拓展接口信息指的是实战化生成要素模型的可拓展接口信息，具体包括可自主拓展的接口类型、数据类型、数据格式等内容，上述内容包含详细的文字描述、数据类型样本、数据格式样本、接口实例等。
可场景匹配信息指的是实战化生成要素模型的可场景匹配信息，具体包括实战化要素间的自主匹配方式、接口匹配、数据匹配、模式匹配等内容，上述内容包含详细的文字描述、匹配方式说明、接口匹配类型、接口匹配实例、数据匹配类型、数据匹配实例、数据类型样本、数据格式样本等。
接下来，在步骤S104中，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配。
对于匹配的仿真要素模型，进入构造逻辑策略生成过程。所述构造逻辑策略指的是生成一组构造描述，具体包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配。
具体地，所述仿真要素模型选取指的是选取训练场景构建的最优的仿真要素模型，具体包括战场地形要素、战场环境要素和设备设施要素等内容，上述内容包含明确的要素种类、要素名称、要素属性等。
所述模型空间定位指的是仿真要素模型在目标训练场景中的具体位置，具体包括在目标训练场景中的坐标位置、方位信息、经纬度信息等内容，上述内容包含明确的坐标点位数值、方位信息描述和经纬度数值等。
所述实体三维变换指的是仿真要素模型在训练场景中的三维变换信息，具体包括各仿真要素模型）的自身位置信息、旋转角度信息和缩放比例信息，上述内容包含明确的位置数值（相对于X、Y、Z坐标轴）、旋转数值（基于X、Y、Z坐标轴）、缩放数值（基于X、Y、Z坐标轴）等。
所述场景语义匹配指的是各仿真要素模型在目标训练场景中匹配方式的语义描述，具体包括仿真要素模型与目标训练场景之间的关系、与群体对抗训练业务之间的关系、与群体对抗训练流程之间的关系、与其他仿真要素之间的关系等，上述内容包含明确的文字描述、详细数值、关系描述、流程描述等。
在一可选实施方式中，在模型层接收训练场景生成指令时，利用所选出的仿真要素模型生成训练场景的构造逻辑策略。
所述生成训练场景的构造逻辑策略，具体包括以下步骤。
步骤S201：选取用于构建目标训练场景的仿真要素模型。
步骤S202：确定仿真要素模型在目标训练场景中的位置。
步骤S203：确定各仿真要素模型在目标训练场景中的三维变换信息。
步骤S204：生成各仿真要素模型在目标训练场景中匹配方式的语义描述。
步骤S205：对进行资源调配与组合后的目标训练场景进行可视化效果的渲染。
在一具体实施方式中，选取灌木、杂草、沙袋、坦克。确定例如杂草在三维场景的初始原点，灌木在杂草后面的位置，沙袋在灌木后面的位置，坦克在沙袋后面的位置、坦克隐藏在灌木后面的位置。接着，杂草、灌木、沙袋、坦克的Y轴为自身坐标的正前方，杂草旋转角度为0度，灌木旋转角度为0度，沙袋旋转角度为0度和90度，坦克旋转角度为90度；杂草、沙袋、坦克的缩放比例为1，灌木的缩放比例为2。杂草、灌木、沙袋、坦克是构成隐蔽坦克训练中的关键要素；杂草和灌木为具有强相关性（即同时出现的比例高），沙袋和坦克具有强相关性；灌木和沙袋在隐蔽坦克的训练中出现频率较高；沙袋的摆放方式例如以90度交错分布。最后，使用三维引擎的渲染管线进行渲染。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S105中，在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
具体地，检测目标训练场景中各仿真要素模型的位置坐标，以确定是否处于仿真要素模型本地坐标系。
在一具体实施方式中，在确定处于仿真要素模型本地坐标系的情况下，检测各目标约束点的位置以确定是否已进入约束点检测范围，并计算各仿真要素模型的旋转角度和缩放比例以计算特定约束条件以用于执行各仿真要素模型的空间约束。
在检测到各仿真要素模型进入约束点检测范围后，判断各仿真要素模型相对于目标约束点的距离是否小于指定值，来确定各仿真要素模型在目标训练场景的仿真空间中的位置，并根据以下特定约束条件完成各仿真要素模型的空间约束：
|{Ex,Ey,Ez}-{Ox,Oy,Oz}|<φ
其中，Ex,Ey,Ez分别表示当前仿真要素模型在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即当前仿真要素模型在仿真空间内位置坐标；Ox,Oy,Oz分别表示与当前仿真要素模型相对应的目标约束点在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即与当前仿真要素模型相对应的目标约束点在仿真空间内位置坐标；φ表示坐标重合度的最小阈值。
可选地，在仿真引擎中，通过例如组件位置（Position）描述仿真要素模型在仿真空间中的位置信息，通过调整组件位置（Position）的属性参数，使仿真要素模型移动到约束点（例如目标约束点）。
在另一具体实施方式，在检测到各仿真要素模型进入约束点检测范围后，以仿真要素模型本地坐标系为基准，计算各仿真要素模型相对于仿真要素模型本地坐标系中X轴、Y轴、Z轴的旋转角度、缩放比例，作为特定约束条件。
具体以仿真要素模型本地坐标系（即Local坐标系）为操作基准，检测仿真要素模型在进入约束点检测范围（例如某检测区）后，计算仿真要素模型相对于三个坐标轴的旋转角度，并基于所计算旋转角度的矢量开始旋转运动；同时还计算基于三个坐标轴方向的缩放比例/>。
通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以完成构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
具体地，仿真训练地形构建指的是通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息进行资源调配与组合，具体包括地形类型模型（山地、丘陵、平原、盆地、洼地、沼泽等）、地表植被种类模型（树木、花、草等）、地表其他特征模型（泥土、积水、车辙、脚印、焦土等）等内容，上述内容包含三维模型、材质、贴图、环境光照信息等。
所述仿真训练模型匹配指的是通过三维仿真引擎对构造逻辑策略中的训练相关仿真要素信息进行资源调配与组合，具体包括战场所处的地域环境（带有地域特征的地理模型、标识物模型等）、气候环境（光照、气温、降水、风力等）、天气环境（风、雨、雾、雪、霜等）等内容；包括各类群体对抗训练设备（武器训练设备、防护装备、通信设备、指挥控制装备、特种对抗设备等），上述内容包含三维模型、材质、贴图、环境光照信息等。
所述仿真训练场景渲染指的是在三维仿真引擎中，对组合完成的仿真训练场景进行材质和光照等可视化效果的渲染，具体包括材质纹理渲染、材质光照信息渲染、环境光线追踪渲染、场景阴影渲染、场景大气渲染、场景光子贴图渲染等；上述内容包含详细的渲染参数、渲染范围、渲染设置信息等。
在一可选实施方式中，在生成层，进行地形构建、模型构建和场景渲染。其中，所述地形构建、模型构建和场景渲染均基于仿真引擎的实现逻辑运行。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
为了验证本发明的技术效果，具体操作包括“仿真空间定位”是把仿真元素模型放到具体的坐标位置上，“空间三维变换（旋转）”是把仿真元素模型旋转角度到合适的角度；“空间三维变换（缩放）”是把模型放大或者缩小到合适的尺寸。对于上述操作，将本发明的方法与人工操作之间的时间成本进行了比较，得到下表1。
表1
表1是本发明的仿真训练场景生成方法与人工手动操作的时间成本的效果对比数据表。从表1中可知，在仿真空间定位，即仿真元素模型在三维空间中的具体摆放位置，该项操作中，本发明的方法比人工操作的时间提升58.21倍。空间三维变换（旋转）是模型在三维空间中的旋转角度，在该项操作中，本发明的方法比人工操作的时间提升170.79倍。空间三维变换（缩放）是模型在三维空间中的缩放尺寸，该项操作中，本发明的方法比人工操作的时间提升102.13倍。
与现有技术相比，本发明基于训练场景智能生成模型进行仿真训练场景生成，有组织的将生成式AI模型、生成目标、仿真模型和仿真引擎进行结合，通过模型语义构建仿真模型与生成模式之间的数据接口，为未来生成式AI模型的业务应用提供数据支持；在要素模型空间操作的时间成本上平均降低110.37倍，在操作准确率方面平均提升20.3%以上，进而降低了要素模型空间操作的时间成本，提高了操作准确率进而高效解决了模型空间定位和实体三维变换的关键问题。
此外，本发明建立仿真模型的语义描述机制和工作流程，从数据层面提高了仿真模型的精准度，降低了仿真模型的前期匹配成本和性能消耗，有效提升训练场景智能生成模型计算效率。
此外，本发明建立了仿真场景的构造逻辑策略，从架构层面规范了训练场景智能生成模型的计算核心和输出形式，提高了训练场景智能生成模型的计算效率和准确度，同时对三维仿真引擎的训练场景构建提供标准化、参数化的引导。本发明能够对现实与虚拟世界的数据进行管理和计算，为用户提供更加便捷、高效、精准的生成式的应用机制。
实施例2
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图8是根据本发明的仿真训练场景生成装置的一示例的结构示意图。图9是根据本发明的仿真训练场景生成装置的一具体实施方式的结构示意图。
下面将参照图8和图9，对所述仿真训练场景生成装置进行说明。所述仿真训练场景生成装置用于执行本发明第一方面所述的仿真训练场景生成方法。
如图8所示，所述仿真训练场景生成装置600包括配设模块610、提取模块620、选取模块630、生成模块640和构造模块650。
具体地，配设模块610配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息。提取模块620通过训练场景智能生成模型，对所述训练场景生成指令提取场景生成要素，并提取场景关键词。选取模块630根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型。生成模块640利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配。构造模块650在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
在从所述优化要素模型库中未检索到与场景关键词相匹配的仿真要素模型时，再从实战化要素模型库中检索与场景关键词相匹配的仿真要素模型。
进一步，对从实战化要素模型库中选出的仿真要素模型进行编译优化，具体包括：判断是否优化以下数据信息，以确定是否加入所述数据信息：基础属性信息、可数据驱动信息、可扩展接口信息、可场景匹配信息。
基于注意力机制的多特征抽取方法建立训练场景智能生成模型，以对所述训练场景生成指令提取场景生成要素，并从关键词文本中提取场景关键词。
将目标训练场景的关键词文本和待选要素模型的要素模型文本均输入到匹配仿真要素模型的输入层，并将抽取层所抽取的关键词特征和要素模型特征进行匹配，以选出与目标训练场景的场景关键词相匹配的仿真要素模型。
在一可选实施方式中，在模型层接收训练场景生成指令时，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，具体包括：选取用于构建目标训练场景的仿真要素模型；确定仿真要素模型在目标训练场景中的位置；确定各仿真要素模型在目标训练场景中的三维变换信息；生成各仿真要素在目标训练场景中匹配方式的语义描述；对进行资源调配与组合后的目标训练场景进行可视化效果的渲染。
所述构建仿真场景，包括：检测目标训练场景中各仿真要素模型的位置坐标，以确定是否处于仿真要素模型本地坐标系；在确定处于仿真要素模型本地坐标系的情况下，检测各目标约束点的位置以确定是否已进入约束点检测范围，并计算各仿真要素模型的旋转角度和缩放比例以计算特定约束条件以用于执行各仿真要素模型的空间约束。
在一具体实施方式中，在检测到各仿真要素模型进入约束点检测范围后，判断各仿真要素模型相对于目标约束点的距离是否小于指定值，来确定各仿真要素模型在目标训练场景的仿真空间中的位置，并根据以下特定约束条件完成各仿真要素模型的空间约束：
|{Ex,Ey,Ez}-{Ox,Oy,Oz}|<φ
其中，Ex,Ey,Ez分别表示当前仿真要素模型在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即当前仿真要素模型在仿真空间内位置坐标；Ox,Oy,Oz分别表示与当前仿真要素模型相对应的目标约束点在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即与当前仿真要素模型相对应的目标约束点在仿真空间内位置坐标；φ表示坐标重合度的最小阈值。
在检测到各仿真要素模型进入约束点检测范围后，以仿真要素模型本地坐标系为基准，计算各仿真要素模型相对于仿真要素模型本地坐标系中X轴、Y轴、Z轴的旋转角度、缩放比例，作为特定约束条件。
需要说明的是，由于图8的仿真训练场景生成装置所执行的仿真训练场景生成方法与图1的示例中的仿真训练场景生成方法大致相同，因此，省略了相同部分的说明。
与现有技术相比，本发明基于训练场景智能生成模型进行仿真训练场景生成，有组织的将生成式AI模型、生成目标、仿真模型和仿真引擎进行结合，通过模型语义构建仿真模型与生成模式之间的数据接口，为未来生成式AI模型的业务应用提供数据支持；在要素模型空间操作的时间成本上平均降低110.37倍，在操作准确率方面平均提升20.3%以上，进而降低了要素模型空间操作的时间成本，提高了操作准确率进而高效解决了模型空间定位和实体三维变换的关键问题。
此外，本发明建立仿真模型的语义描述机制和工作流程，从数据层面提高了仿真模型的精准度，降低了仿真模型的前期匹配成本和性能消耗，有效提升训练场景智能生成模型计算效率。
此外，本发明建立了仿真场景的构造逻辑策略，从架构层面规范了训练场景智能生成模型的计算核心和输出形式，提高了训练场景智能生成模型的计算效率和准确度，同时对三维仿真引擎的训练场景构建提供标准化、参数化的引导。本发明能够对现实与虚拟世界的数据进行管理和计算，为用户提供更加便捷、高效、精准的生成式的应用机制。
实施例3
图10是根据本发明的电子设备实施例的结构示意图。
如图10所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元（RAM）和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元（ROM）。
可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
应当理解，图10显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按钮、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图11所示，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干命令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现本公开的数据交互方法。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干命令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本发明实施例的方法。
应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。
在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种仿真训练场景生成方法，其特征在于，包括：
配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息；
基于注意力机制的多特征抽取方法，具体采用融合多特征的多头注意力机制建立训练场景智能生成模型，通过训练场景智能生成模型对所述训练场景生成指令提取场景生成要素，并从关键词文本中提取场景关键词；具体包括：将目标训练场景的关键词文本和待选要素模型的要素模型文本均输入到匹配仿真要素模型的输入层，并将抽取层所抽取的关键词特征和要素模型特征进行匹配，以选出与目标训练场景的场景关键词相匹配的仿真要素模型；
根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型；
利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配；
在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
2.根据权利要求1所述的仿真训练场景生成方法，其特征在于，
在从所述优化要素模型库中未检索到与场景关键词相匹配的仿真要素模型时，再从实战化要素模型库中检索与场景关键词相匹配的仿真要素模型。
3.根据权利要求2所述的仿真训练场景生成方法，其特征在于，进一步包括：
对从实战化要素模型库中选出的仿真要素模型进行编译优化，具体包括：
判断是否优化以下数据信息，以确定是否加入所述数据信息：基础属性信息、可数据驱动信息、可扩展接口信息、可场景匹配信息。
4.根据权利要求1所述的仿真训练场景生成方法，其特征在于，进一步包括：
在模型层接收训练场景生成指令时，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，具体包括：
选取用于构建目标训练场景的仿真要素模型；
确定仿真要素模型在目标训练场景中的位置；
确定各仿真要素模型在目标训练场景中的三维变换信息；
生成各仿真要素模型在目标训练场景中匹配方式的语义描述；
对进行资源调配与组合后的目标训练场景进行可视化效果的渲染。
5.根据权利要求1或4所述的仿真训练场景生成方法，其特征在于，所述构建仿真场景，包括：
检测目标训练场景中各仿真要素模型的位置坐标，以确定是否处于仿真要素模型本地坐标系；
在确定处于仿真要素模型本地坐标系的情况下，检测各目标约束点的位置以确定是否已进入约束点检测范围，并计算各仿真要素模型的旋转角度和缩放比例以计算特定约束条件以用于执行各仿真要素模型的空间约束。
6.根据权利要求5所述的仿真训练场景生成方法，其特征在于，
在检测到各仿真要素模型进入约束点检测范围后，判断各仿真要素模型相对于目标约束点的距离是否小于指定值，来确定各仿真要素模型在目标训练场景的仿真空间中的位置，并根据以下特定约束条件完成各仿真要素模型的空间约束：
|{Ex,Ey,Ez}-{Ox,Oy,Oz}|<φ
其中，Ex,Ey,Ez分别表示当前仿真要素模型在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即当前仿真要素模型在仿真空间内位置坐标；Ox,Oy,Oz分别表示与当前仿真要素模型相对应的目标约束点在仿真空间内X轴方向、Y轴方向、Z轴方向上的数值，即与当前仿真要素模型相对应的目标约束点在仿真空间内位置坐标；φ表示坐标重合度的最小阈值。
7.根据权利要求5所述的仿真训练场景生成方法，其特征在于，
在检测到各仿真要素模型进入约束点检测范围后，以仿真要素模型本地坐标系为基准，计算各仿真要素模型相对于仿真要素模型本地坐标系中X轴、Y轴、Z轴的旋转角度、缩放比例，作为特定约束条件。
8.一种仿真训练场景生成装置，用于执行权利要求1至7中任一项所述的仿真训练场景生成方法，其特征在于，包括：
配设模块，配设各训练场景的训练场景生成指令，所述训练场景生成指令包括训练场景信息、场地位置信息、气候信息、训练装备信息和参与人员信息；
提取模块，基于注意力机制的多特征抽取方法，具体采用融合多特征的多头注意力机制建立训练场景智能生成模型，通过训练场景智能生成模型对所述训练场景生成指令提取场景生成要素，并从关键词文本中提取场景关键词；具体包括：将目标训练场景的关键词文本和待选要素模型的要素模型文本均输入到匹配仿真要素模型的输入层，并将抽取层所抽取的关键词特征和要素模型特征进行匹配，以选出与目标训练场景的场景关键词相匹配的仿真要素模型；
选取模块，根据所提取的场景关键词，从优化要素模型库中或实战化要素模型库中检索与场景关键词相匹配的仿真要素模型，并选出相匹配的仿真要素模型，其中，优先从所述优化要素模型库中检索与场景关键词相匹配的仿真要素模型；
生成模块，利用所选出的仿真要素模型生成训练场景的构造逻辑策略，所述生成训练场景的构造逻辑策略包括仿真要素模型选取、模型空间定位、实体三维变换和场景语义匹配；
构造模块，在完成训练场景的构造逻辑策略之后，通过三维仿真引擎对构造逻辑策略中的地形相关仿真要素信息、训练相关仿真要素信息进行资源调配与组合，并根据特定约束条件计算来执行各仿真要素模型的空间约束，以构建仿真场景，具体包括仿真训练地形构建、仿真训练模型匹配和仿真训练场景渲染。
9.根据权利要求8所述的仿真训练场景生成装置，其特征在于，
在从所述优化要素模型库中未检索与场景关键词相匹配的要素模型时，再从实战化要素模型库中检索与场景关键词相匹配的仿真要素模型；
对从实战化要素模型库中选出的仿真要素模型进行编译优化，具体包括：
判断是否优化以下数据信息，以确定是否加入所述数据信息：基础属性信息、可数据驱动信息、可扩展接口信息、可场景匹配信息。
CN202410016420.2A 2024-01-05 2024-01-05 一种仿真训练场景生成方法和装置 Active CN117521424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410016420.2A CN117521424B (zh) 2024-01-05 2024-01-05 一种仿真训练场景生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410016420.2A CN117521424B (zh) 2024-01-05 2024-01-05 一种仿真训练场景生成方法和装置

Publications (2)

Publication Number Publication Date
CN117521424A CN117521424A (zh) 2024-02-06
CN117521424B true CN117521424B (zh) 2024-04-09

Family

ID=89746008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410016420.2A Active CN117521424B (zh) 2024-01-05 2024-01-05 一种仿真训练场景生成方法和装置

Country Status (1)

Country Link
CN (1) CN117521424B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210517A (zh) * 2020-01-09 2020-05-29 浙江大学 一种基于神经网络的多风格地形的生成方法
CN111400337A (zh) * 2020-02-28 2020-07-10 中国电子科技集团公司第十五研究所 一种面向大数据分析的交互式建模算子组件及执行方法
CN112307594A (zh) * 2020-09-22 2021-02-02 中国汽车技术研究中心有限公司 道路数据采集和模拟场景建立一体化系统及方法
CN113642237A (zh) * 2021-08-11 2021-11-12 浙江大学 基于贝叶斯网络的水下战场威胁评估及可视化仿真系统和方法
CN115796042A (zh) * 2022-12-07 2023-03-14 中国电子科技集团公司第十研究所 一种面向电子侦察的智能博弈对抗推演系统及方法
CN116894383A (zh) * 2023-07-10 2023-10-17 山西省能源互联网研究院 全年天气场景的随机模拟方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100720B (zh) * 2020-09-04 2021-03-16 东南大学 一种提升风环境的人工智能城市设计形态布局方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210517A (zh) * 2020-01-09 2020-05-29 浙江大学 一种基于神经网络的多风格地形的生成方法
CN111400337A (zh) * 2020-02-28 2020-07-10 中国电子科技集团公司第十五研究所 一种面向大数据分析的交互式建模算子组件及执行方法
CN112307594A (zh) * 2020-09-22 2021-02-02 中国汽车技术研究中心有限公司 道路数据采集和模拟场景建立一体化系统及方法
CN113642237A (zh) * 2021-08-11 2021-11-12 浙江大学 基于贝叶斯网络的水下战场威胁评估及可视化仿真系统和方法
CN115796042A (zh) * 2022-12-07 2023-03-14 中国电子科技集团公司第十研究所 一种面向电子侦察的智能博弈对抗推演系统及方法
CN116894383A (zh) * 2023-07-10 2023-10-17 山西省能源互联网研究院 全年天气场景的随机模拟方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AR场景中的基础态势数据展示与优化;安宇 等;计算机与现代化;20210215(第2期);30-34 *
基于数字地球的反航母作战仿真技术研究;张芝源;中国优秀硕士论文全文数据库工程科技II辑;20230215;C032-25 *
空天三维仿真中空间目标实时渲染算法;张春晖 等;计算机与现代化;20231115(第11期);81-88 *

Also Published As

Publication number Publication date
CN117521424A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
Liu et al. Seqlpd: Sequence matching enhanced loop-closure detection based on large-scale point cloud description for self-driving vehicles
CN109145171A (zh) 一种多尺度地图数据更新方法
CN109901207A (zh) 一种北斗卫星系统与图像特征结合的高精度室外定位方法
Fedorov et al. A framework for outdoor mobile augmented reality and its application to mountain peak detection
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
Kijewski-Correa et al. CyberEye: Development of integrated cyber-infrastructure to support rapid hurricane risk assessment
Nurkarim et al. Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework
CN113066160A (zh) 室内移动机器人场景数据及其测试用例的生成方法
CN112528508A (zh) 电磁可视化方法和装置
Lim et al. A study on 3D model building of drones-based urban digital twin
Zhou et al. Three-dimensional reconstruction of huizhou landscape combined with multimedia technology and geographic information system
Borisov et al. An automated process of creating 3D city model for monitoring urban infrastructures
Mijic et al. CAD—GIS BIM integration—case study of Banja Luka city center
CN117521424B (zh) 一种仿真训练场景生成方法和装置
US20200012903A1 (en) Bayesian Methodology For Geospatial Object/Characteristic Detection
CN115311418B (zh) 一种多细节层次树木模型单体化重建方法及装置
Kerley et al. How should simulated data be collected for AI/ML and unmanned aerial vehicles?
CN109542062A (zh) 资源环境动态数字监测控制系统及方法、信息数据处理终端
CN111612894B (zh) 基于航拍图像与cim的植被模型辅助生成方法与系统
Xin et al. Digitalization system of ancient architecture decoration art based on neural network and image features
CN112508264A (zh) 输电线路存量工程大数据用遗传算法进行路径规划的方法
Finat et al. Constructors of geometric primitives in domain ontologies for urban environments
CN115546544B (zh) 基于图神经网络的LiDAR点云与OSM标注信息流耦合分类方法
Rakićević An Automated Process of Creating 3D City Model for Monitoring Urban Infrastructures
Kim et al. Preliminary Literature Survey on LoD of Geographic Information

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