虚拟场景中的智能群体运动模拟方法技术

本发明专利技术公开了一种虚拟场景中的智能群体运动模拟方法，在群体运动模拟中，以分层模型的控制方式来对群体进行层次式的运动模拟。本发明专利技术在虚拟场景中对大规模的群体运动进行模拟，具有较强可视化。本发明专利技术主要对于有大量运动智能群体的运动领域的模拟。如学校的上学放学情景，大规模的军队运动，大规模的战争场景，大型运动会的开闭幕式，灾难发生时的人员疏散情况，交通状况等情况的可视化模拟。

【技术实现步骤摘要】

本专利技术涉及虚拟场景中的运动模拟方法，尤其是涉及一种虚拟场景中的智 能群体运动模拟方法。
技术介绍
目前许多研究者致力于模拟高度复杂的真实行人在城市环境中这个公开的 难点问题的研究。我们的人工生命由具有动机的、感知的、行为的和认知的部分行人模型(也叫个体individual)构成。人类动画一至是计算机图形学中具有挑战性的问题。心理学家和社会学家 已经对人类的行为活动进行了多年的研究。最近几年，行人模拟又受到CG研究 者的广泛关注。这个课题同样引起了人工生命、建筑学和城市规划等领域的兴 趣。图形研究者已经参与到可视化建筑工程规划之中，其中包括行人动画。在行人动画中，以前许多的研究关注于综合自然运动(natural locomotion) 和路径规划，后来行为动画又进一步的受到了其它研究者的重视和发展。行为 动画是整个分布式行为系统的推动力，分布式行为系统综合了鸟群、鱼群、兽 群以及低等动物的行为、人的性格，群体行为等。低层次的群体交互行为在许 多学科中得到了发展，动画研究者、迪斯尼电影公司和其它的工作室都热衷于 将这些技术用于游牧部落战斗题材的电影中。与本专利技术相关的现有技术一现有技术一的技术方案中国专利，申请号为03124657.5，专利技术名称为《基于互联网结构的群体智 能人一机决策方法》，该技术方案对虚拟场景中应用群体智能尚为空白。 现有技术二的技术方案Intel Corporation的John Funge、 Xiaoyuan Tu禾口 University of Toronto 的Demetri Terzopoulos的论文《Cognitive Modeling:Knowledge, Reasoning and Planning for Intelligent Characters))于1999年8月在SIGGRAPH 99上发表o行为动画的研究向把自治的单个动画角色用于动画的交互式游戏中迈出了 重要的一步。然而，目前在引导自治的自动动画角色作一些具体的工作方面还存在一些困难。该专利技术引入了 "认知建模"(cognitive modeling)的概念来应 对这些挑战。认知模型(cognitive model )在管理角色的知识、知识获取方式和如何将知识应用到设计行为等方面超越了行为模型(behavioral model)。 为了帮助建立认知模型，我们开发了认知模型语言(cognitive modeling language CML)，使用CML，我们可以使角色增加领域知识，优雅地在知识中设 定行为、前提条件和效果，也可以为了某种目的指导角色行为，我们的方法允 许行为被自然地、本能地、简洁地、高度抽象设定。 一旦有了认知性的角色， 动画设计者们只需要概括性地设定行为的大体框架，通过推理，角色们可以根 据预先设定的动作自动完成一系列的细节动作，我们利用了一些内部方法将感 觉整合到我们基本的框架中，这样就可以让自治角色在非常复杂的动态虚拟世 界中产生行为规划，我们展示了认识模型在高级角色动画和自动电影电影放映 机等方面的应用。该专利技术让动画设计者指导自治角色完成动画，这需要大量准智能的角色， 让我们进行表演，甚至控制摄像机与灯光。专利技术把认知建模分为两部分领域 知识说明和角色引导，CML是在人工智能(AI)基础上发展起来的，CML与传统AI 的规划模式最大的区别在于可以让动画设计者熟练地增加领域知识和推理引 擎，指导自治角色完成动画，并且它允许动画设计者以增量的方式完成动画。 我们利用了在机器人群体中已经应用了的AI机制中的情景演算技术，但与机器 人群体中不同的是，我们以引入内在价值表达(interval valued fluents)去 处理感觉，并在高动态虚拟世界中创建了有秩序的动画，Perlin提出了给动画 设计者有用的行为建模工具，我们定义并实现了认知建模语言CML并在它里面 封装了一些高级的动画技术和工具，因为存在大量的合理规则我们能够提取， 所以动画拍摄的自动摄像机控制可以很好的与我们的认知建模方法融合，这其 实已经在目前的关于实现用层次有限自动机进行摄像机控制方面的论文中提 到，该专利技术试着利用CML进行摄像机控制。我们把认知建模看作计算机图形建模这个金字塔的顶点，与交互性的行为 模型不同的是，认知模型更具有协商性(deliberative)。为了帮助动画设计者 或游戏开发人员实现认知模型，我们开发了 CML，这个强大的语言给了我们一种 直观的方式为游戏中的角色赋予知识。比如用前面提到的"动作action"、"前 置条件precondition"和"结果effects"的应用都是很直观的，当我们提供 了一种为角色行为所实现的目标的高级描述后，CML会以自动的方式为角色寻找 实现该目标的可行步骤，在极端的情况下，CML会像传统的程序语言一样允许我 们精确描述我们所需的角色行为，CML的方便性与自动性让我们的认知建模方法 更有通用性，它也是动画设计者和游戏开发者的有力工具。该方案是提出了用认知建模语言CML实现行为动画，但它缺乏对大量人群建 模的总体因素上的考虑，没有对行人群体智能的进行整体管理。model do not experience a discrete regime change in the presence of other people)。相反，他们通过全局的路径决策，对障碍物和其他行人进行避让。同 时，我们的动态势场方法也保证了路径对于当前环境是最优的，因而人绝不会 阻塞在一个很小的范围内。我们注意到全局路径规划通常是一个不切实际的设想，因为，通常人们视 野有限，并且只能感知部分地形，全局知识只是在有限视野和知识的情况下对 更精确的长期规划的一个近似而已，我们还发现，全局规划假设比只具有局部 知识的不真实假设更能提供一种平滑和真实的人群运动模拟，特别是在人们穿 过大密度拥塞区域时，同时，我们的框架并不像基于代理方法那样全面(做了 一些裁减)为了实现优化的人群行为的实时规划，我们以每个个体最小计算代 价来平衡个体可变性，为了获得两种模型的好处，代理机制能够被无缝地集成 进来。我们的贡献是提出一种以动态势场来驱动的新型群体模拟方式，这种动态势场将全局导航和局部碰撞规避集成到一个框架中，我们的系统使用两个非常简单但至关重要的思想1) 一个依赖于速度的表达(term)，它包括狭窄通 道的形式(includes lane formation); 2)基于距离的表达，它能稳定人流。 我们也展示了个体怎样能将未来的知识集成，从而产生更加智能的行为，此算 法的计算开销取决于用于计算动态势场的格子单元(grid cells)的数量，在粗 略离散化的情况下，我们可以以每秒几帧的速率来模拟一万人以上的场景；在 精细离散化的情况下，可以以实时帧率来模拟数千人的高分辨率场景，同时， 我们的模型可用于真实地展现紧急情况下的人群的反应。我们的模型是直接从Hughes的工作中得到灵感我们使用一个类似的势函 数来引导行人到达他们的目标。我们也采用他的技术，将行人分成组，以及使 用"非期望场"(discomfort field)来处理地形参数。然而，Hughes只是对他 的方程做了分析，而没有讨论如何本文档来自技高网...

【技术保护点】
一种虚拟场景中的智能群体运动模拟方法，其特征在于：在群体运动模拟中，以分层模型的控制方式来对群体进行层次式的运动模拟。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈雷霆，蔡洪斌，何明耘，邱航，房春兰，卢光辉，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]