基于优化八叉树的场景视锥体裁剪算法

大体量3D模型容易导致浏览器端渲染帧数低、显示卡顿及资源消耗大等问题,其原因是这类模型通常包含数以亿计的三角面片,在有限的时间内无法实现快速加载与渲染。针对此类问题,提出一种基于优化八叉树的场景视锥体裁剪算法。该算法采用地址码（Morton码）、节点视距标准和按需增量划分技术,使得八叉树具有自适应性与良好的压缩效率;采用双层包围体和基础相交测试技术,提高视锥体裁剪的精确性,整体上实现提升渲染帧数、显示流畅的目标。高速列车实例模型研究表明,与传统八叉树视锥体裁剪算法相比,所提算法平均渲染帧数上提高了约14帧,空间压缩率提高了37.8个百分点。     

基于混合包围盒的碰撞检测算法

提出了一种基于k-dops包围盒与包围球相结合的碰撞检测算法。预处理阶段为几何对象构造包围盒二叉树,其中节点的内层构造k-dops包围盒,节点的外层构造包围球。碰撞检测阶段,首先利用包围球快速排除不可能发生相交的物体,然后利用k-dops包围盒进一步精确地判断物体对是否发生相交。通过与QuickCD算法的性能进行比较,证明了这种混合包围盒能够有效地提高复杂结构几何体之间碰撞检测的效率。     

View Frustum Culling在三维视景仿真中的应用

详细阐述了视锥剔除算法的原理及实现,对设置虚拟摄像机、点测试、球测试、包围盒测试和在剪切空间中抽取视锥体平面方程等进行了详细地分析。此方法在实际工作中能够提高渲染时的绘制速度,有效地解决复杂场景渲染速度慢的问题。     

基于混合包围盒的碰撞检测算法优化

为提高复杂场景中碰撞检测的效率,提出一种传统混合包围盒碰撞检测算法的优化算法。从数据结构上对混合包围盒树进行改进,引入时空相关性概念,将包围盒树分为上下2层结构,上层采用包围球,下层采用轴向包围盒,构造混合层次包围盒树,实现物体的快速碰撞检测,利用碰撞检测的时空相关性,简化树的搜索过程。实验结果表明,与传统的混合包围盒碰撞检测算法相比,该算法具有较好的碰撞检测性能。     

地形可视化中的改进Geoclipmap算法

在大地形实时绘制中,大规模的地形数据和有限的硬件数据通信带宽是限制地形绘制效率的主要原因。在Geoclipmap算法的基础上,通过使用几何场景图(GSG)组织结构提高数据外存加载效率,在mipmap棱锥生成过程中采取sinc滤波方法进行重采样,避免地形细节丢失。为减少CPU到图形处理器（GPU）的数据流量,提出一种基于层次包围球的二级视锥体裁剪技术,并将法线的生成放到GPU的片段着色器中。实验结果表明,算法保持地形真实感,并有效提高绘制效率,能满足大地形的实时渲染要求。     

基于包围盒编码的三维线段裁剪新算法

提出一种新型包围盒，该包围盒由12个45。面组成，且包容原裁剪窗体，则落在包围盒外的线段必然在裁剪窗体之外；同时引入三维到二维投影，进行二次编码舍弃窗外线段；最后通过基于包围盒编码分区的几何变换完成裁剪过程．常规包围盒一次编码、新型包围盒二次编码、基于编码分区的几何变换求交这三个步骤构成了基于包围盒编码的三维线段裁剪新算法，实验结果表明，文中算法提高了裁剪效率并具有很好的稳定性。     

一种基于八叉树的OBB包围盒碰撞检测方法

碰撞检测技术是大规模复杂场景渲染的关键技术之一,它可以有效地提高虚拟环境的真实感和沉浸感.碰撞检测的研究目标是如何在很高的实时交互要求下完成大量复杂物体的相交检测.提出一种将场景图中的OBB包围盒以八叉树的形式划分,并利用八叉树的层次结构实现有效碰撞检测的方法,该方法从宏观到微观的搜索方式可以快速确定需要进行相交检测的对象列表,有效地避免所有几何节点与运动节点的相交检测,提高了碰撞检测的效率,并且采用OBB包围盒来描述几何模型,有效地提高碰撞检测的精度.     

融合包围盒智能算法的虚拟场景碰撞检测研究

在虚拟仿真过程中,准确高效的完成模型空间碰撞检测是一项技术难点.针对不断复杂化的虚拟场景,提出了一种融合包围盒智能算法.考虑到虚拟场景的变换特性,使包围盒对场景内模型具有良好的适应性,利用模型在xyz坐标平面的投影倾角和紧密度来确定使用AABB或者OBB.AABB包围盒在矢量方向存在厚度,为避免三角面片计算时对效率产生影响,设计了一种无厚度优化AABB包围盒,用以快速排除非相交模型.OBB包围盒具有更好的方向优势,但是OBB包围盒容易产生方向倾斜,于是对OBB包围盒的分布问题进行优化.为防止存在结构差异的AABB与OBB结合后拉低遍历速度,设计了双层二叉树结构来降低遍历深度.碰撞检测过程可转换为包围盒内部模型采样特征点的寻优,于是引入粒子群算法进行迭代.通过仿真,得到算法的帧计算时间为0.025ms,帧更新占比为2.481％,每帧树节点为317,碰撞检测的平均时间为15.69ms.结果 表明算法显著压缩了空间和时间消耗,有效提高了虚拟场景碰撞检测的效率,同时具有良好的检测准确性.     

Android手持设备游戏中的碰撞检测算法研究

针对Android手持终端中复杂游戏场景的碰撞检测需求,提出了一种基于包围球和AABB的实时碰撞检测算法。该算法针对不同的虚拟对象构建不同的包围盒,并将改进后的包围盒投影排序分组方法应用其中。将该算法与使用包围盒投影排序分组方法的包围球算法与AABB算法比较,实验表明,该算法在保持更高精度的前提下仍能满足复杂场景中实时碰撞检测的要求。     

一种新的基于混合层次包围盒的碰撞检测算法

为了实现物体间快速精确的碰撞检测,提出了一种新的基于混合层次包围盒的碰撞检测算法,充分利用了包围球计算简单和K-DOPs包围盒紧密性好的优点,来构建物体的混合层次包围盒结构。在包围盒树的上层采用Sphere包围盒,能快速排除不相交的物体,下层采用K-DOPs包围盒,进行更加精确的相交测试,提高了碰撞检测实时性。实验结果表明,该算法是有效可行的,具有较强的实时性及鲁棒性,性能优于传统碰撞检测算法。     

复杂场景中基于拓扑空间网格的碰撞检测算法

为了提高复杂场景的碰撞检测效率,提出一种基于拓扑空间网格的碰撞检测算法. 由于场景中存在众多形状复杂、尺寸不一且运动状态不同的物体,首先采取场景预处理对空间进行均匀八叉树网格划分,建立物体方向包围盒层次树与空间网格拓扑结构,利用静态大尺寸物体分割策略提升定位精确性,然后在实时检测中利用拓扑空间网格及投影相交测试排除大量不相交物体对,利用层次包围盒算法对潜在碰撞对进行精确检测并计算出碰撞点. 实验结果表明,本算法有效地提高了实时检测的效率,适用于复杂虚拟场景中的碰撞检测.     

一种快速的可变形物体的碰撞检测算法

为实现虚拟环境中可变形物体与刚体间实时的碰撞检测,提出了一种快速的基于混合包围盒层次结构的并行碰撞检测算法。算法充分利用包围盒在检测速度和精度上的不同侧重,对可变形物体建立Sphere和AABB混合包围盒层次树,对刚体建立Sphere和OBB混合包围盒层次树;每个物体的混合包围盒层次树又分成上层、中层和下层,每层使用不同的包围盒;在碰撞检测遍历时,上层使用Sphere和Sphere相交检测快速排除不相交物体,在中层使用Sphere和OBB的相交检测进一步排除物体相交的可能性,在下层使用AABB和OBB的相交检测较精确地确定物体是否相交;采用多线程技术,在多核设备上实现并行碰撞检测算法。实验结果表明,与经典的AABB算法相比较,该算法在效率方面具有明显优势,能够满足可变形物体与刚体的碰撞检测要求。     

基于包围盒与碰撞的模型填充算法研究

为了将任意模型使用球体进行密实填充,提出了一种基于包围盒与碰撞的模型填充算法.该算法首先生成模型的轴对称包围盒;其次在包围盒内产生任意数量球体并进行刚体碰撞,碰撞后的球体将会在包围盒的范围内均匀分布;最后采用判断法线方向算法筛选出模型内部的球体并保留至最终结果.通过实例证明,该算法能够根据输入的球体填充数量及孔隙率快速...     

导弹飞行视景仿真中的碰撞检测算法

针对导弹飞行视景仿真中碰撞检测实时性与精确性的不足,提出了一种优化的混合包围盒碰撞检测算法.该算法在包围盒树的上层使用Sphere,下层使用OBB;将该算法在导弹飞行视景仿真系统中实现后,分别与相交矢量碰撞检测算法、OBB包围盒算法进行对比试验和分析.结果表明,这种混合包围盒算法能够有效地提高导弹飞行视景仿真中碰撞检测的实时性与精确性.     

融合神经网络的布料碰撞检测算法

目的 针对当前在虚拟环境中布料柔体碰撞检测效率慢和准确性低的问题,提出一种根节点双层包围盒树结构和融合OpenNN （open neural networks library）神经网络加速预测碰撞检测的算法。方法 首先改进了碰撞检测常用的包围盒技术,提出根节点双层包围盒算法,减少包围盒的构造时间。其次使用神经网络优化碰撞检测技术,利用神经网络可以处理大量数据的优势,每次可以检测大量基本图元是否发生碰撞,解决了碰撞检测计算复杂性高的问题。最后准确地找到碰撞粒子并做出碰撞响应。结果 在相同的复杂布料模型情况下,根节点双层包围盒算法在运行速度上比传统混合包围盒算法快,耗时缩减了5.51%~11.32%。基于OpenNN算法的总耗时比根节点双层包围盒缩减了11.70%,比融合DNN （deep neural network）的自碰撞检测算法减少了6.62%。随着碰撞检测难度的增大,当布料模型的精度增加84%时,传统物理碰撞检测方法用时增加96%,融合DNN的自碰撞检测算法用时增加90.11%,而本文基于神经网络的算法用时仅增加了68.37%,同时表现出更高的稳定性,满足使用者对实时性的要求。结论 对于模拟场景中简单模型的碰撞,本文提出的根节点双层包围盒算法比传统的包围盒方法耗时短。对于复杂模型,基于OpenNN神经网络的碰撞检测算法在效率上优于传统的包围盒算法和融合DNN的自碰撞检查算法,而且模拟效果的准确性也得以保证,是一种高效的碰撞检测方法。     

融合DNN与AABB—圆形包围盒自碰撞检测

目的 为了解决自碰撞检测剔除率低和检测速度慢的问题,提出一种AABB（aixe align bounding box）—圆形包围盒树结构和具有二分类功能的深度神经网络（deep neural network,DNN）加速包围盒相交检测的方法。方法 对变形体构建AABB—圆形包围盒树,即对内部节点构建AABB包围盒,对叶子节点构建圆形包围盒。根据AABB—圆形包围盒生成包围盒测试树（bounding volume test tree,BVTT）,采用深度神经网络优化BVTT的包围盒相交测试和法向锥测试,输出碰撞三角形对。结果 在确定最优隐含层数和每层最优节点数保证深度神经网络达到最佳准确率的情况下,实验结果表明,在没有自碰撞的情况下,本文方法与AABB-OBB方法、经典包围盒方法耗时相同,但在自碰撞足够多的模拟场景中,融合深度神经网络的AABB-圆形包围盒方法比AABB-OBB（oriented bounding box）方法和经典的包围盒方法速度更快,整体耗时缩短了21%~37%。同时,对5种方法的更新率、检测效率和图元相交测试时间进行实验对比,发现本文方法比AABB-OBB方法和经典的方法具有更好的贴合性和更快的相交测试速度。结论 本文方法相对于AABB-OBB方法、经典包围盒方法的测试速度更快,不仅提高了自碰撞检测高层剔除率,同时降低了模拟整体耗时,更适用于实时变形体自碰撞检测领域。     

虚拟手术中的快速碰撞检测算法

为了解决当前虚拟手术仿真中使用单一包围盒进行碰撞检测实时性不能满足要求的问题,提出了一种针对虚拟手术的基于层次包围体的快速碰撞检测方法。该方法主要应用了层次包围盒(BVH)的思想,同时根据不同对象的拓扑结构特征,采用不同的包围盒技术来表示。首先,用层次包围盒来表示手术工具,用层次包围球表示手术对象;然后,利用包围球和方向包围盒的相交测试快速排除不相交部分;最后,对于可能发生碰撞的部分再使用更为精确的三角面片相交测试来确定碰撞信息。实验结果表明,在相同的虚拟手术场景下,提出的这种方法较使用单一的层次包围盒具有更快的速度。