【技术实现步骤摘要】
本专利技术涉及计算机角色动画中基于运动学的运动控制，尤其是指一种基于分布自回归的长时间角色运动控制方法。
技术介绍
1、在现代计算机图形学、电子游戏、虚拟现实、增强现实以及机器人技术等领域，对角色或机器人的运动控制提出了越来越高的要求。这些应用场景需要角色或机器人能够根据用户控制指令执行自然、流畅且多样化的动作，以提高用户体验和交互的真实性。
2、现阶段角色控制器的实现主要依靠角色动画混合技术和状态机、行为树等控制结构，但这种传统的方法需要耗费大量的人工，不仅效率低，而且动画存在过渡不自然的伪影。近年来，基于姿态自回归的神经网络被广泛应用于角色的运动实时控制中。采用了神经网络的角色控制方法能提高生成的运动质量，精准响应用户的控制指令，然而，实现这样的运动控制面临着一系列技术和挑战：
3、1、动作的准确性：运动控制系统要求能够理解和模拟复杂的运动模式，基于当前帧的角色姿态信息和用户的控制指令准确预测出下一帧的角色姿态。
4、2、长期预测的稳定性：运动控制方法需要对角色的未来动作进行长期预测。这要求运动控制系统要保持预测的稳定性，避免不稳定的迭代。
5、3、动作多样性：为了使角色或机器人的行为更加真实和自然，运动控制系统需要能够生成多样化的动作序列，避免重复和单调的行为模式。
6、4、数值稳定性和正定性：在运动预测模型中，尤其是基于概率分布的模型，需要确保数值计算的稳定性和协方差矩阵的正定性，以避免数值问题，如数值溢出或不稳定的迭代。
7、综合以上论述，专利技术
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于分布自回归的长时间角色运动控制方法，能够实现对角色动作的精确预测和控制，同时保持动作的多样性和自然性，有效地解决了运动控制任务中长期预测准确性和稳定性、多样性和数值稳定性等关键问题。
2、为实现上述目的，本专利技术所提供的技术方案为：一种基于分布自回归的长时间角色运动控制方法，该方法是利用基于分布自回归的神经网络实现角色运动的长期控制，并构建复杂运动中角色姿态序列的姿态数据迁移的条件概率分布，以增强运动预测的长期多样性和准确性；其中姿态数据包括可见状态和隐编码，可见状态由局部关节的旋转、速度和角速度构成，隐编码是通过自编码器从可见状态转换得到，使用隐编码能够解除可见状态间的耦合，从而提高基于分布自回归的神经网络训练效果；隐编码迁移的条件概率分布采用多元高斯分布进行建模，该多元高斯分布的参数由基于分布自回归的神经网络输出，包括多元高斯分布的均值和方差，其中方差要保证为正数，从而解决多元高斯分布中协方差矩阵的正定性和数值稳定性问题；基于分布自回归的神经网络的训练采用自回归方式迭代生成预测的姿态序列，每次迭代均从预测的多元高斯分布中进行采样，以提升训练的稳定性；
3、所述基于分布自回归的长时间角色运动控制方法的实施步骤包括：
4、1)利用动作捕捉技术采集丰富的动作捕捉数据，包括人体和四足动物角色，并标注控制指令，包括运动类型和未来轨迹，制得标注好的动作捕捉数据集，通过数据增强技术镜像复制扩展数据集，将动作捕捉数据集转换为可见状态数据集，然后利用自编码器将可见状态数据集转换为隐编码数据集，并将隐编码数据集划分为训练集和测试集，分别用于网络训练和性能验证；
5、2)将训练集输入基于分布自回归的神经网络进行训练，通过固定时间窗口的自回归方式迭代生成姿态序列，每次迭代使用前一帧采样的隐编码和当前帧的控制指令作为输入，预测当前帧的隐编码的多元高斯分布，并从该多元高斯分布中采样以确定下一帧的隐编码，以提升训练的稳定性，在训练过程中，通过负对数似然和帧间平滑误差计算预测序列与真实值之间的损失，并通过多次迭代优化网络参数，直至损失最小化，形成最优的基于分布自回归的神经网络，并在测试集上验证其效果；
6、3)在测试和使用阶段，将角色的姿态通过自编码器转换为隐编码，并结合用户实时提供的控制信息输入至最优的基于分布自回归的神经网络，该神经网络输出下一帧的隐编码的多元高斯分布，并从中采样得到下一帧的隐编码样本，该样本经自编码器转换回姿态数据，实现角色运动的自回归生成，从而在保证角色运动的实时精准控制的同时实现运动的多样性。
7、进一步，在步骤1)，首先，采集动作捕捉数据，包含大量不同运动轨迹的走路、跑步、休息、急转弯、急停、蹲下和跳跃动作捕捉数据，大量的动作捕捉数据能够提升基于分布自回归的神经网络的训练效果；其次，对动作捕捉数据进行预处理，剔除掉采集到的质量差的动作捕捉数据，并平滑根关节的运动轨迹，以解决使用基于分布自回归的神经网络造成的运动抖动问题；然后，给经过预处理后的动作捕捉数据进行标注，逐帧标注目前姿态所属运动类型的标签和未来第20、40、60帧的根关节的位置和朝向表示未来轨迹，作为控制指令实现角色运动控制，制得标注好的动作捕捉数据集；标注完数据后，使用镜像复制的数据增强技术扩展数据集，从而提升训练的效果；将扩展后的动作捕捉数据集转换为局部关节的6d旋转、线速度和角速度构成的可见状态数据集，其中线速度的单位是米每秒，角速度的单位是弧度每秒，从而实现角色姿态设定；然后，训练一个自编码器将可见状态数据集转换为隐编码数据集，其中隐编码的长度是32，使用隐编码能够解除可见状态间的耦合，从而提高基于分布自回归的神经网络的训练效果；将隐状态数据集按比例划分成训练集和测试集，分别用于基于分布自回归的神经网络训练和性能验证。
8、进一步，在步骤2)中，基于步骤1)构建的训练集训练基于分布自回归的神经网络，该基于分布自回归的神经网络是一个四层的mlp神经网络，其激活函数使用elu；其中，第一层是输入层，大小为32+c，32是隐编码的长度，表示输入的是当前帧的姿态的隐编码，c是所标注的控制指令的长度，表示输入了用户指定的控制指令，从而实现运动的控制，第二、三层的长度是2048，宽的中间层能提高神经网络的训练精度，减小预测误差，第四层的长度是64，由隐编码长度的两倍构成，分别表示隐编码多元高斯分布的均值和方差，由于隐编码解除了可见状态间的耦合，从而使得隐编码之间相互独立，即多元高斯分布中协方差矩阵的非对角元素皆为0，从而只用输出对角线元素即方差，提高了基于分布自回归的网络的训练效果；为确保输出的方差皆为正数，方差输出后接一个激活函数，该激活函数首先通过relu确保非负性，然后加上一个极小值1e-8确保其不为零，从而保证输出的值为正数；
9、该基于分布自回归的神经网络输出了一个隐编码的条件概率分布，从该分布中进行随机采样，从而实现运动的多样性；在训练的过程中，选定固定的时间窗口n，给定初始帧的隐编码和n帧的控制指令，基于分布自回归的神经网络使用自回归的方式迭代生成一段n帧的隐编码序列，其中，每一次迭代都使用前一帧采样的隐编码和实际控制指令作为输入，第一次迭代使用给定初始帧的隐编码作为输入，基于分布自本文档来自技高网...
【技术保护点】
1.一种基于分布自回归的长时间角色运动控制方法，其特征在于，该方法是利用基于分布自回归的神经网络实现角色运动的长期控制，并构建复杂运动中角色姿态序列的姿态数据迁移的条件概率分布，以增强运动预测的长期多样性和准确性；其中姿态数据包括可见状态和隐编码，可见状态由局部关节的旋转、速度和角速度构成，隐编码是通过自编码器从可见状态转换得到，使用隐编码能够解除可见状态间的耦合，从而提高基于分布自回归的神经网络训练效果；隐编码迁移的条件概率分布采用多元高斯分布进行建模，该多元高斯分布的参数由基于分布自回归的神经网络输出，包括多元高斯分布的均值和方差，其中方差要保证为正数，从而解决多元高斯分布中协方差矩阵的正定性和数值稳定性问题；基于分布自回归的神经网络的训练采用自回归方式迭代生成预测的姿态序列，每次迭代均从预测的多元高斯分布中进行采样，以提升训练的稳定性；
2.根据权利要求1所述的一种基于分布自回归的长时间角色运动控制方法，其特征在于，在步骤1)，首先，采集动作捕捉数据，包含大量不同运动轨迹的走路、跑步、休息、急转弯、急停、蹲下和跳跃动作捕捉数据，大量的动作捕捉数据能够提升基于分布
3.根据权利要求2所述的一种基于分布自回归的长时间角色运动控制方法，其特征在于，在步骤2)中，基于步骤1)构建的训练集训练基于分布自回归的神经网络，该基于分布自回归的神经网络是一个四层的MLP神经网络，其激活函数使用elu；其中，第一层是输入层，大小为32+C，32是隐编码的长度，表示输入的是当前帧的姿态的隐编码，C是所标注的控制指令的长度，表示输入了用户指定的控制指令，从而实现运动的控制，第二、三层的长度是2048，宽的中间层能提高神经网络的训练精度，减小预测误差，第四层的长度是64，由隐编码长度的两倍构成，分别表示隐编码多元高斯分布的均值和方差，由于隐编码解除了可见状态间的耦合，从而使得隐编码之间相互独立，即多元高斯分布中协方差矩阵的非对角元素皆为0，从而只用输出对角线元素即方差，提高了基于分布自回归的网络的训练效果；为确保输出的方差皆为正数，方差输出后接一个激活函数，该激活函数首先通过relu确保非负性，然后加上一个极小值1e-8确保其不为零，从而保证输出的值为正数；
4.根据权利要求3所述的一种基于分布自回归的长时间角色运动控制方法，其特征在于，在步骤3)，当用户实时提供控制指令时，这些控制指令与隐编码一起被送入经过充分训练的基于分布自回归的神经网络，基于分布自回归的神经网络随即输出下一帧运动的隐编码条件概率分布，并通过随机采样机制从中抽取一个代表性的隐编码样本，该隐编码样本随后被自编码器解码，恢复为角色的具体姿态信息，从而实现角色运动的自回归式生成。
...【技术特征摘要】
1.一种基于分布自回归的长时间角色运动控制方法，其特征在于，该方法是利用基于分布自回归的神经网络实现角色运动的长期控制，并构建复杂运动中角色姿态序列的姿态数据迁移的条件概率分布，以增强运动预测的长期多样性和准确性；其中姿态数据包括可见状态和隐编码，可见状态由局部关节的旋转、速度和角速度构成，隐编码是通过自编码器从可见状态转换得到，使用隐编码能够解除可见状态间的耦合，从而提高基于分布自回归的神经网络训练效果；隐编码迁移的条件概率分布采用多元高斯分布进行建模，该多元高斯分布的参数由基于分布自回归的神经网络输出，包括多元高斯分布的均值和方差，其中方差要保证为正数，从而解决多元高斯分布中协方差矩阵的正定性和数值稳定性问题；基于分布自回归的神经网络的训练采用自回归方式迭代生成预测的姿态序列，每次迭代均从预测的多元高斯分布中进行采样，以提升训练的稳定性；
2.根据权利要求1所述的一种基于分布自回归的长时间角色运动控制方法，其特征在于，在步骤1)，首先，采集动作捕捉数据，包含大量不同运动轨迹的走路、跑步、休息、急转弯、急停、蹲下和跳跃动作捕捉数据，大量的动作捕捉数据能够提升基于分布自回归的神经网络的训练效果；其次，对动作捕捉数据进行预处理，剔除掉采集到的质量差的动作捕捉数据，并平滑根关节的运动轨迹，以解决使用基于分布自回归的神经网络造成的运动抖动问题；然后，给经过预处理后的动作捕捉数据进行标注，逐帧标注目前姿态所属运动类型的标签和未来第20、40、60帧的根关节的位置和朝向表示未来轨迹，作为控制指令实现角色运动控制，制得标注好的动作捕捉数据集；标注完数据后，使用镜像复制的数据增强技术扩展数据集，从而提升训练的效果；将扩展后的动作捕捉数据集转换为局部关节的6d旋转、线速度和角速度构成的可见状态数据集，其中线速度的单位是米每秒，角速度的单位是弧度每秒，从而...
【专利技术属性】
技术研发人员：李桂清，曾俊城，邝碧霞，姚晨豪，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。