基于物理仿真的游戏中弹性体模拟控制方法技术

本发明专利技术公开了基于物理仿真的游戏中弹性体模拟控制方法：包含以下步骤：随机提取游戏中的模型、人物动作姿态样本；通过提取的模型、人物动作姿态样本构建稀疏样本库；对稀疏样本库进行处理并引入深度学习网络；将输入的人体姿势与稀疏样本库中的样本进行比对，寻找稀疏样本库中与输入样本相近的样本，并根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果。相对于现有技术，本发明专利技术充分考虑到了刚性形变和无碰撞运动，可以使得游戏中的生物动画更逼真，优化游戏中的动态流畅性及画面的表现品质。本发明专利技术对游戏中的动态画面的逼真程度提升较为明显。较为明显。较为明显。

Simulation control method of elastomer in game based on physical simulation

【技术实现步骤摘要】
基于物理仿真的游戏中弹性体模拟控制方法


[0001]本专利技术涉及游戏开发
，具体涉及基于物理仿真的游戏中弹性体模拟控制方法。

技术介绍

[0002]随着游戏行业的发展，游戏模型越精细越真实，就越需要耗费大量的计算时间。目前常用的保持全局几何特征的三维网格简化技术，在不同细节的模型绘制时有失真现象发生。而生物（包括游戏中的怪物）的移动及各种动作的流畅程度、逼真程度是衡量游戏画质的重要指标，考虑到游戏的运行流畅度和终端的计算能力，大多数的游戏引擎不会充分考虑刚性形变和无碰撞运动，这将使游戏的体验不够真实，视觉效果大打折扣。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种基于物理仿真的游戏中弹性体模拟控制方法，解决了现有技术中游戏引擎不会充分考虑刚性形变和无碰撞运动使游戏的体验不够真实，视觉效果大打折扣的技术问题。
[0004]为了实现上述目标，本专利技术采用如下技术方案：基于物理仿真的游戏中弹性体模拟控制方法：包含以下步骤：随机提取游戏中的模型、人物动作姿态样本；通过提取的模型、人物动作姿态样本构建稀疏样本库；对稀疏样本库进行处理并引入深度学习网络；将输入的人体姿势与稀疏样本库中的样本进行比对，寻找稀疏样本库中与输入样本相近的样本，并根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果。
[0005]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：在随机提取游戏中的模型、人物动作姿态样本过程中，采用基于随机优化的贪心采样算法，在整个姿势空间采样。
[0006]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：提取姿态样本中，包含用户指定的目标位置或关键帧，以及物体的初始状态下的变形情况。
[0007]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：对稀疏样本库进行处理包括对提取的样本进行处理、筛选，剔除画质质量较差的样本。
[0008]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果时，还结合物体的弹性变化情况。
[0009]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：通过深度学习网络结合卷积神经网络算法训练对稀疏样本库进行训练处理。
[0010]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：输出显示
过程中采用降维和线性化的策略来加快求解速度。
[0011]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：首先，引入线性化的运动方程，并通过模态分析来降维；然后，利用子空间降维和Cubature采样得到一个Reduced
‑
RS方法，消除线性化过程中引入的形状走样问题。
[0012]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：最后通过分步迭代的方法来求解降维后的最优化控制问题。
[0013]优选，前述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：通过抽帧的方式随机提取游戏中的模型、人物动作姿态样本。
[0014]本专利技术所达到的有益效果：相对于现有技术，本专利技术充分考虑到了刚性形变和无碰撞运动，可以使得游戏中的生物动画更逼真，优化游戏中的动态流畅性及画面的表现品质。
附图说明
[0015]图1是本专利技术布料动画变形结果展示。
具体实施方式
[0016]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0017]随着游戏行业的发展，游戏模型越精细越真实，就越需要耗费大量的计算时间。目前常用的保持全局几何特征的三维网格简化技术，在不同细节的模型绘制时有失真现象发生。而生物的移动及各种动作的流畅程度、逼真程度是衡量游戏画质的重要指标，考虑到游戏的运行流畅度和终端的计算能力，大多数的游戏引擎不会充分考虑刚性形变和无碰撞运动，这将使游戏的体验不够真实，视觉效果大打折扣。
[0018]为了解决这一问题，本实施例公开了基于物理仿真的游戏中弹性体模拟控制方法：首先安装传统的游戏方式运行游戏，然后通过抽帧的方式随机提取游戏中的模型、人物动作姿态样本。在抽取的帧频中，必须包含用户指定的目标位置或关键帧，以及物体的初始状态下的变形情况。在对稀疏样本库进行处理过程中，还包括对提取的样本进行处理、筛选，剔除画质质量较差的样本。
[0019]在随机提取游戏中的模型、人物动作姿态样本过程中，采用基于随机优化的贪心采样算法，在整个姿势空间采样。
[0020]为了实现运动可变模型弹性材料的最优化显示效果，可参考机械领域的物理仿真，物理仿真在游戏应用中扮演着越来越重要的角色。基于物理的布料仿真需要高分辨率的布料网格和耗时的非线性求解器，很难应用到游戏和虚拟试衣中。相比之下，数据驱动的布料变形方法更加简单快捷。因此，可采用基于敏感度优化的布料绑定方法，用于基于样本库的实时布料合成。给定一个输入人体姿势，通过加权混合其相近姿势样本的布料变形来得到输入姿势对应的布料变形。采用加权混合模型中的线性模型对布料变形进行加权组合。使弹性物体的形变更加真实。参阅图1：观察到布料变形可以通过人体骨骼驱动的敏感度分析来建模，寻找与输入样本相近的样本，线性预测输入姿势对应的布料变形。同时，将多个相近样本的预测结果进行加权混合，得到输入姿势对应的最终布料变形结果。还可采
用基于随机优化的贪心采样算法，在整个姿势空间采样，然后通过提取的模型、人物动作姿态样本构建稀疏样本库；对稀疏样本库进行处理并引入深度学习网络。
[0021]深度学习网络经过大量纹理与光照数据的训练，得出最优引擎纹理与光照模型，用于快速绘制游戏场景中实时动态变化的纹理与光照效果。
[0022]将输入的人体姿势与稀疏样本库中的样本进行比对，寻找稀疏样本库中与输入样本相近的样本，并根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果。
[0023]根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果时，还结合物体的弹性变化情况。
[0024]通过深度学习网络结合卷积神经网络算法训练对稀疏样本库进行训练处理。
[0025]输出显示过程中采用降维和线性化的策略来加快求解速度。首先，引入线性化的运动方程，并通过模态分析来降维；然后，利用子空间降维和Cubature采样得到一个Reduced
‑
RS（Rotation
‑
Strain）方法，消除线性化过程中引入的形状走样问题。该方法比现有RS方法快两个数量级以上；最后提出了分步迭代的方法来求解降维后的最优化控制问题。由于变量数目已经很少，我们的方法可以达到交互编辑的速度。同时，给定一段符合物理规律的运动序列，也可以用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：包含以下步骤：随机提取游戏中的模型、人物动作姿态样本；通过提取的模型、人物动作姿态样本构建稀疏样本库；对稀疏样本库进行处理并引入深度学习网络；将输入的人体姿势与稀疏样本库中的样本进行比对，寻找稀疏样本库中与输入样本相近的样本，并根据模型、人物动作姿态的受力情况线性预测输入模型、人物动作姿态对应的弹性变形并输出显示结果。2.根据权利要求1所述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：在随机提取游戏中的模型、人物动作姿态样本过程中，采用基于随机优化的贪心采样算法，在整个姿势空间采样。3.根据权利要求1所述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：提取姿态样本中，包含用户指定的目标位置或关键帧，以及物体的初始状态下的变形情况。4.根据权利要求1所述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在于：对稀疏样本库进行处理包括对提取的样本进行处理、筛选，剔除画质质量较差的样本。5.根据权利要求1所述的基于物理仿真的游戏中弹性体模拟控制方法，其特征在...

【专利技术属性】
技术研发人员：秦谦，魏鑫，李菁澄，赵昊天，
申请(专利权)人：镇江多游网络科技有限公司，
类型：发明
国别省市：