【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种数字人动作生成方法及生成系统。
技术介绍
1、深度学习是人工智能（ai）的一种分支，属于机器学习领域。它通过模拟人脑神经网络的结构和功能，来处理和分析复杂数据。深度学习技术依赖于大量的训练数据和强大的计算能力，能够自动从数据中提取特征、识别模式，并进行预测。其核心在于多层神经网络架构，这些网络通过调整连接权重，能够在图像识别、语音识别、自然语言处理等领域取得卓越表现。在深度学习中，常用的模型包括卷积神经网络（cnn）、循环神经网络（rnn）和生成对抗网络（gan）等。深度学习在自动驾驶、医疗诊断、个性化推荐系统等众多应用中发挥着重要作用，显著提高了计算机处理非结构化数据的能力。
2、而数字人动作生成技术，主要涉及通过深度学习方法为虚拟数字人生成逼真的动作序列。该方法利用深度学习算法来分析和学习来自现实世界中人类动作的数据，从而在虚拟环境中生成自然流畅的动作。这种技术可以用于虚拟角色的动画制作、游戏开发、虚拟现实（vr）体验和人机交互系统中，以提升用户的沉浸感和互动体验。其应用不仅限于娱乐行业，还可以扩展到教育、医疗和军事模拟等领域，为用户提供更为真实和个性化的虚拟体验。
3、但是现有的深度学习技术在生成数字人动作序列时存在一些不足。首先，传统的深度学习模型通常依赖固定的网络架构，这可能导致在面对不同复杂度和多样化的数据时，难以调整网络的层数和神经元数量，从而影响模型的适用性和性能。此外，现有技术中对于特征提取的深度和精度有限，难以充分捕捉动作数据的细微变化，导致生成的动
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的一种数字人动作生成方法及生成系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：一种数字人动作生成系统包括：
3、特征提取与编码模块，从输入动作数据中提取任务关联特征，包括动作的运动轨迹、关节角度、速度和加速度，通过对运动轨迹进行边缘检测，计算关节点的关键位置，通过对角度和速度进行形态学变换分析，识别并计算变化率和趋势特征，将特征组合成特征向量，输入特征编码器，编码特征向量生成特征向量表示；
4、超网络优化模块，用特征向量表示作为输入，通过对输入特征向量与超网络中多个候选架构的参数进行映射，生成主模型结构参数，对主模型结构进行动态调整，计算主模型层数和神经元数量，比较架构性能优劣，选择最优网络架构，生成动态结构参数，通过对输入特征与网络层之间的激活函数进行适配，选择合适的激活函数，生成激活参数，根据任务的特性和数据复杂度，调整网络参数，生成结构参数和网络架构，通过对超网络生成的参数进行共享和调整，生成网络参数配置；
5、动作生成与调整模块，在主模型中应用网络参数配置，生成动作序列，通过计算输入特征和网络参数的线性组合，应用非线性激活函数，生成初始动作序列，通过对生成的动作序列与输入特征的差异进行比较，计算调整值，调整生成的动作序列，通过比较多个模块之间的动作序列路径，选择差异最小路径，组合动作策略，得到动作序列路径；
6、生物启发优化模块，应用动作序列路径，通过对动作策略编码为基因序列，用随机初始化生成种群，计算每个个体的适应值，通过对基因序列进行交叉和变异操作，生成适应个体，通过对适应值进行排序，选择适应个体进入下一代，生成最优个体，通过信息素初始化，计算动作路径选择概率，选择最优路径，生成最优动作策略；
7、动作调度与执行模块，利用最优动作策略，规划动作执行的时序和资源分配，通过判断动作策略的时间要求和资源消耗，生成执行计划，整合动作策略之间的依赖关系和优先级，构建动作执行队列，通过对动作执行顺序进行排序，确定动作执行时间和资源分配，通过计算动作执行的依赖关系和时序约束，调整动作执行计划，获取动作执行计划。
8、作为本专利技术的进一步方案，所述特征向量表示包括轨迹信息、关节角度数据、速度变化率和加速度特征，所述网络参数配置包括神经元连接权重、层次结构配置和激活函数类型，所述动作序列路径包括关节运动轨迹、姿态调整序列和连续动作链，所述最优动作策略包括优化的运动步骤、路径优先级和资源分配方案，所述动作执行计划包括时序安排、资源调配和执行优先级。
9、作为本专利技术的进一步方案，所述特征提取与编码模块包括：
10、轨迹处理子模块，基于输入动作数据，进行运动轨迹数据的解析，通过从传感器数据中获取三维坐标信息，进行轨迹分析，将轨迹分段进行处理，通过边缘检测计算关节点的关键位置，识别轨迹变化中的关键转折点，提取空间坐标信息，生成轨迹位置特征；
11、角度分析子模块，基于轨迹位置特征，进行关节角度和速度的解析，通过从位置变化中计算关节的旋转角度，结合时间差异计算速度变化率，通过形态学变换处理识别角度变化趋势，将角度变化和速度变化率结合形成描述关节运动的角速度特征数据；
12、特征编码子模块，基于角速度特征数据，进行特征向量组合处理，通过对角速度、位置和加速度特征进行向量化，将特征整合为特征向量，通过向量标准化处理让数据保持一致性，通过特征分量重排优化数据结构，编码成特征向量矩阵，生成特征向量表示。
13、作为本专利技术的进一步方案，所述超网络优化模块包括：
14、结构参数生成子模块，基于特征向量表示，进行输入特征向量与超网络架构之间的参数映射，通过判断多种架构对特征向量的响应效果，生成主模型层数和神经元配置，进行参数组合测试，通过映射结果聚合提取具有最优响应效果的配置，生成架构参数映射表；
15、动态架构选择子模块，基于架构参数映射表，进行候选网络架构性能分析，通过计算多种架构在目标任务下的效率和准确性评分，选择得分最优的架构作为主模型基础结构，通过分析架构中的层次间连接关系确定最优网络层配置，生成网络层结构参数；
16、参数配置子模块，基于网络层结构参数，进行参数优化处理，通过分析每层的神经元激活模式，确定激活函数，通过比较多种权重配置的性能，选择合适的权重设置，应用参数共享策略提升计算效率，通过优化调整获得最优组合，生成网络参数配置。
17、作为本专利技术的进一步方案，所述动作生成与调整模块包括：
18、序列生成子模块，基于网络参数配置，在主模型中应用参数生成动作序列，通过计算输入特征和网络参数的线性组合生成神经激活值，应用激活运算得到初始动作序列，通过将初始动作序列与目标动作特征进行差异对比，生成初始序列差异数据；
<本文档来自技高网...【技术保护点】
1.一种数字人动作生成系统，其特征在于，所述系统包括：
2.根据权利要求1所述的一种数字人动作生成系统，其特征在于：所述特征向量表示包括轨迹信息、关节角度数据、速度变化率和加速度特征，所述网络参数配置包括神经元连接权重、层次结构配置和激活函数类型，所述动作序列路径包括关节运动轨迹、姿态调整序列和连续动作链，所述最优动作策略包括优化的运动步骤、路径优先级和资源分配方案，所述动作执行计划包括时序安排、资源调配和执行优先级。
3.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述特征提取与编码模块包括：
4.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述超网络优化模块包括：
5.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述动作生成与调整模块包括：
6.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述生物启发优化模块包括：
7.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述动作调度与执行模块包括：
8.一种数字人动作生成方法，其特征在于，根
...【技术特征摘要】
1.一种数字人动作生成系统，其特征在于，所述系统包括：
2.根据权利要求1所述的一种数字人动作生成系统，其特征在于：所述特征向量表示包括轨迹信息、关节角度数据、速度变化率和加速度特征，所述网络参数配置包括神经元连接权重、层次结构配置和激活函数类型，所述动作序列路径包括关节运动轨迹、姿态调整序列和连续动作链，所述最优动作策略包括优化的运动步骤、路径优先级和资源分配方案，所述动作执行计划包括时序安排、资源调配和执行优先级。
3.根据权利要求1所述的一种数字人动作生成系统，其特征在于，所述特征提取与编码模块...
【专利技术属性】
技术研发人员：范佳宁，
申请(专利权)人：山东云小华数字科技有限公司，
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。