可扩展主动兴趣管理技术研究

兴趣管理是提高分布式虚拟环境扩展性的基本方法,然而经过近十年的发展,扩展性问题仍然是困扰分布式虚拟环境乃至兴趣管理方法的首要问题.传统兴趣管理方法可分为直接利用IP组播和采用混合通讯结构两种.IP组播本身面临诸多扩展性问题,而混合结构仍不能解决瓶颈问题和扩展问题.最近提出的主动兴趣过滤方法将主动路由思想引入到兴趣管理方法中,虽使通讯量大为减少,但这种方法没有解决兴趣管理系统本身的扩展问题,为此提出了可扩展的主动兴趣管理方法,该方法是通过结合主动路由技术,基于内容的发布-订购模式和应用层组播技术来构造一个基于内容(兴趣)进行过滤和转发的通讯架构,该技术既提高了分布式虚拟环境的扩展性,又满足了动态快速改变通讯关系的要求,即提高了兴趣管理系统本身的扩展性.     

分布式虚拟环境中兴趣管理技术的分类研究

分布式虚拟环境作为虚拟现实与网络技术的结合有着广泛的应用，但却面临着扩展性的问题。而兴趣管理正是解决这一问题的有效技术之一。本文提出了基于(表示模型、过滤规则、体系结构)三个要素对兴趣管理进行分类的新方法，并据此对以往的分布式虚拟环境系统中采用的兴趣管理技术进行了分析和总结，籍以促进兴趣管理技术的进一步发展，此外简要介绍了南京大学AIMNET中所采用的兴趣管理技术。     

层次式主动兴趣管理研究

主动兴趣管理将主动路由技术应用于兴趣管理领域,采用通信和兴趣管理相结合的方式确定分布式虚拟环境中对象间的通信关系.在对主动兴趣管理、层次式兴趣管理及其相关技术进行总结的基础上,层次式主动兴趣管理引入了兴趣层次的概念,提出了适用于虚拟环境中多个对象的兴趣层次评价模型,并根据兴趣层次控制通信细节,减少了不必要的网络通信,进一步提高了系统的可扩展性.     

一种最小阈值适应性预测算法

本文描述了在分布式虚拟环境AIMNET系统中提出的一种最小阈值适应性位置预测算法。AIMNET系统是南京大学自主开发的分布式虚拟环境,其通讯机制具有匿名性。在对分布式虚拟环境位置预测方法的研究基础上,根据算法阈值与实体间距离的关系,提出一种最小阈值适应性预测算法。试验表明,该算法与传统的位置预测算法相比,较好地解决了仿真实体运动轨迹的准确性和网络代价之间的矛盾,并且满足消息传递的匿名性。     

虚拟人行为控制技术在分布式虚拟环境中的实现

在分布式虚拟环境中加入虚拟人的运动时，一方面要考虑行为建模与姿势控制技术的实现，以生成理想的行为动画，另一方面关节，体模型的复杂性导致运动参数在网络上传输的负载增大。如果采用不同层次的参数来描述虚拟人姿势，则可以实现一些高层的行为控制方式，并将参数关键帧技术和逆向运动学技术等各种动画技术有机结合，同时给网络传输参数的选择提供不同的解决方案，文章对采用不同方案带来的网络负载和计算负载进行了定性比较和分析。