CN101877142B - 一种基于多尺度层次细节的仿真方法 - Google Patents
一种基于多尺度层次细节的仿真方法 Download PDFInfo
- Publication number
- CN101877142B CN101877142B CN2009102381083A CN200910238108A CN101877142B CN 101877142 B CN101877142 B CN 101877142B CN 2009102381083 A CN2009102381083 A CN 2009102381083A CN 200910238108 A CN200910238108 A CN 200910238108A CN 101877142 B CN101877142 B CN 101877142B
- Authority
- CN
- China
- Prior art keywords
- agent
- detail
- level
- viewpoint
- mode based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于多尺度层次细节的仿真方法,该方法包括步骤:A、建立三维实体的层次细节模型(LOD);B、对个体Agent进行分类;C、确定不同类型Agent进行决策层次转换的视点距;D、确定不同类型Agent进行决策转换的延时效应;以及E、确定三维实体进行层次细节转换的结构模型。通过本发明,可满足***的实时性要求并且提高仿真结果的视觉逼真性。
Description
技术领域
本发明涉及模拟仿真、虚拟现实技术、计算机图形学,尤其是涉及一种基于多尺度层次细节(MS-LOD)的面向大规模群体行为的仿真方法。
背景技术
当前大规模群体行为仿真不管是在军事领域还是国家安全领域都是研究的热点与难点。由于在仿真过程中一般要采取多Agent建模技术,因此,在大规模群体行为仿真的虚拟环境中要涉及大量的环境数据、以及众多个体属性演化过程的运算;另外,要把大规模群体行为的演化结果用逼真的三维场景可视方式实时表现出来,更需要存储大量的三维实体模型和人体运动模型。这种情况下,若不经过特殊的处理,一般主流PC机(基本配置为:CPU酷睿双核2.4GHz,内存2GB,显卡GeForce8800GS 384MB)只能满足几百个个体Agent的实时行为决策运算和场景的渲染,这根本达不到大规模仿真的目的和效果。(大规模的仿真一般要求Agent的数量在“万级”左右)
由于个体Agent之间具有复杂的人际关系,所以当Agent的数量增加时,需要计算机的运算速度和显卡的存储量不能只是按“代数级数”增长,而是以“几何级数”增长。否则,将难以达到仿真的实时性与逼真性,严重影响大规模群体行为仿真的效果。
当前对仿真运算和场景渲染的简约技术是层次细节技术(LOD)——它主要是针对图形图像渲染时在不降低视觉逼真程度的前提下,先要为同一个物体或人建立一系列的三维实体模型,这些模型的尺寸大小和精细结构各不相同,相邻两个模型所包含的三角面片数和顶点数基本上会相差一个数量级,如图1给出了一组尺寸大小不同的层次细节模型示意图,图2给出了一组尺寸相同但精细结构不同的层次细节模型示意图。在仿真过程中以物体到视点的距离为尺度标准来选择要调用一组模型中的哪一个,当视点离物体较近的情况下选择尺寸较大、结构比较细致的模型进行渲染显示,当视点离物体较远时选择尺寸较小、结构较粗糙的模型进行渲染显示。
应用该技术在Agent数量不超过1000的情况下,一般主流PC机(基本配置为:CPU酷睿双核2.4GHz,内存2GB,显卡GeForce8800GS 384MB)在满足画面视觉效果逼真的前提下,可降低***的内存和显存消耗,减少对三维实体面片、顶点等光照模型、隐藏面的消除的运算量,提高***的运行速度。
传统的层次细节技术(LOD)虽然可以减少对模型进行三维变换和处理的计算量和降低***内存和显存等资源开销,以保证仿真运行的实时性与逼真效果。但Agent数量达到大规模的情况(一万个左右)时,该技术将无法满足***的实时性与逼真性的要求,这主要是由于在进行“虚拟环境中大规模群体行为仿真”时,不仅要读取地理环境、大量的虚拟人实体等三维模型“海量”数据,而且大规模人群中每个个体在进行智能行为决策时会带来巨大的“运算量”开销,由此造成该技术(LOD)因无法同时满足既降低数据“读取量”又减少数据的“计算量”的要求,而在一定程度上失效。
发明内容
本发明是鉴于上述技术问题而产生的。本发明的一个目的是提出一种基于多尺度层次细节的仿真方法。
在一个方面中,根据本发明的基于多尺度层次细节的仿真方法包括步骤:A、建立三维实体的层次细节模型(LOD);B、对个体Agent进行分类;C、确定不同类型Agent进行决策层次转换的视点距;D、确定不同类型Agent进行决策转换的延时效应;以及E、确定三维实体进行层次细节转换的结构模型。
在这个方面中,其中进一步包括:判断个体Agent是否重要分类。
在这个方面中,其中进一步包括:当判断出Agent不是重要分类时,则以步骤D所确定的延时效应进行一次行为决策。
在这个方面中,其中进一步包括:在与视点的距离大于在步骤C中所确定的视点距时,采用二维纹理图形替代Agent实体模型,并且延迟上一次行为决策的结果。
在这个方面中,其中进一步包括:当判断出Agent是重要分类时,则进一步判断与视点的距离是否大于在步骤C中所确定的某个视点距。
在这个方面中,其中进一步包括:如果判断出大于该视点距,则采用在步骤E中所确定的简单结构模型,从而进行简单行为决策规则。
在这个方面中,其中进一步包括:如果判断出小于该视点距,则采用步骤E中所确定的精细结构模型,从而进行精细结构的行为决策规则。
通过本发明,可解决具有“数据量大”和“运算量更大”的这一类仿真问题求解与渲染显示问题,同时满足***的实时性要求并且提高仿真结果的视觉逼真性。
附图说明
图1示出了传统层次细节技术(LOD)中所用的一组尺寸大小不同的层次细节模型示意图;
图2示出了传统层次细节技术(LOD)中所用的一组尺寸相同但精细结构不同的层次细节模型示意图;
图3示出了根据本发明的基于多尺度层次细节的仿真方法的流程图;
图4示出了根据本发明的图3的具体应用的流程图;
图5示出了应用本发明所生成的大规模群体行为仿真效果图。
具体实施方式
针对上述现有技术存在的问题,可以有两种解决方案:一是通过提高计算机的硬件水平来解决,就是根据计算量和显示的需要选择具有高运算量和大容量显卡的高端计算机。但这种方法具有明显的缺点,那就是***的可扩展性较差,因为随着个体数量Agent的增加,计算机的运算速度和显卡的渲染能力又会明显不足;二是在适当提高计算机硬件水平的前提下,根据大规模群体仿真的需要改进原有的层次细节仿真技术,即从硬件与软件两个方面联合解决,这种技术不仅可扩展性强,而且会保持***的稳定性,尤其是对大规模的***仿真将产生“质”的影响。
本发明(MS-LOD)技术将传统的层次细节技术(LOD)思想进行拓展,提出了多尺度层次细节(Mutil-Scale Lay of Detail)(简称MS-LOD)仿真技术的思想,以解决具有“数据量大”和“运算量更大”的这一类仿真问题求解与渲染显示问题,满足***的实时性要求和提高仿真结果的视觉逼真性。
为了更全面地理解本发明及其优点,下面结合附图及具体实施例对本发明做进一步详细地说明。
首先,参考图3,对根据本发明的基于多尺度层次细节的仿真方法进行描述。
如图3所示,根据本发明的方法包括如下步骤:
步骤A:建立三维实体的层次细节模型(LOD),该模型可以应用例如现有的3DMAX或Creator建模软件来完成。
这里所要建立的三维实体层次模型包括地理环境、人文环境的层次模型、以及每个Agent的层次模型。也就是将这些要调用的视景模型用传统层次细节技术(LOD)建立不同分辨率三维实体,以供不同视点距时使用。
在这里地理环境是用不同分辨率的高程数据生成后,再进行相应的纹理映射即可;而人文环境需要用3DMAX或Creator三维实体软件来生成包含不同三角形面片的模型后,进行纹理映射后存储起来,供使用时调用;个体Agent也要用相应的3DMAX中人体建模工具来生成,但在应用过程中,为了减少存储与光照计算,只建立了两级Agent的实体模型,即三维实体和二维面片纹理图形。
地理环境模型就是像是从飞机上看到地面的景象,在高空看到地面的景象较为粗糙,而越接近地面会看的越清楚,按这种方法构建出来的模型就会有不同的层次;人文环境是指地面的道路、桥梁、楼房等建筑物根据地理环境模型的粗细来添加的基础设施的多少;Agent实体模型就是人体模型。
步骤B:对个体Agent进行分类。
根据Agent中的属性值将其分为关键Agent、重要Agent和一般Agent。例如,关键Agent是一个国家或地区政府的领导;重要Agent是下层机构或组织的领导;一般Agent是普通百姓。
分类的目的在于重要人物可以进行细致的决策,组织领导可以进行较细致的决策,一般群众进行较粗略的决策。对Agent的分类是根据对某地区人口结构调查和分析统计的基础上给出的。
优选地,该步骤还包括:建立不同类型Agent的决策知识库。例如,关键Agen决策知识库中不仅会躲避车辆、遵守交通规则,还可以安排其他人去做不同的工作;一般Agen决策知识库中一般是日常生活的知识,如躲避碰撞、避免其他伤害等。也就是在对Agent进行分类后,就要根据各自的类型建立其进行行为决策的知识库,也就是重要人物决策的知识库要大一些,即其计算的能力要强一些;组织领导的决策知识库相对小一些,即其有一定的计算能力,但他的影响力只是在一小部分群组上;一般群众的决策知识库要简单些,其基本进行的是从重计算。
步骤C:确定不同类型Agent进行决策层次转换的视点距。
视点距是指观察者到被观察对象之间的距离。例如,当我们自己站在市中心的广场上观察周围事物时,在我们附近的人干什么,我们会看得很清楚,这时,我们在计算机中模拟该人的行为时,就认为他具有较高的智商;而离我们很远的人,我们只知道他是在走路,其余的他在做什么,我们看不到也没必要知道,这时在计算机模拟该人时,就认为他只是向前走而已。
在步骤B中给不同Agent赋予了不同的决策知识库后,在使用时不是一成不变的,即当重要人物离视点较远时,就应当减弱它的计算能力,否则就会是资源浪费。例如,确定重要人物的进行决策层次转换时的视点距例如为:D>300米;组织领导进行决策层次转换的视点距例如为:D>200米;而一般群众进行决策层次转换时的视点距例如为:D>100米。
步骤D:确定不同类型Agent进行决策转换的延时效应。
为了大量减少***的计算量,并且从客观的角度出发,每个Agent的决策应该都具有一定的延时性,即并不需要时时刻刻内都进行决策计算。例如,人在走路时,他一般不可能在2秒或3秒时间内,就想去干别的事情,但又以防他可能会产生新的想法,因此可以隔2、3帧让他决策一次。但根据Agent的重要程度不同,其间隔帧数应该有所区别。例如,给重要人物在视点距为:D<100米时,间隔2帧决策一次,D>100米时,间隔3帧决策一次;组织领导在视点距为:D<200米时,间隔3帧决策一次,D>200米时,间隔4帧决策一次;一般群众在视点距为:D<300米时,间隔3帧决策一次,D>300米时,不进行决策,只是进行从众运动。
步骤E:确定三维实体进行层次细节转换的结构模型。
在调用实体过程中,为了减少显卡的计算量和存储量,要根据视点距来决定是否调用精细结构模型还是简单结构模型。例如,给重要人物在视点距为:D>300米时,采用精细结构较低的结构模型;组织领导在视点距为:D>200米时,采用精细结构相差一个数量级的结构模型;一般群众在视点距为:D>100米时,采用二维纹理面片图形(或者称为精细结构的结构模型)。
当然,应该注意的视点距、延时间隔并不局限于上文中的上述特定值,而是可采用任何适当的值。
下面参考图4,对根据本发明的图3的具体应用的流程图进行详细的描述。
如图4所示,首先判断个体Agent是否重要分类(或领导),也就是说,个体Agent是否是在图3中的步骤中所确定的重要分类。
当判断出Agent不是重要分类时,则以步骤D所确定的延时效应进行一次行为决策(例如每2或3帧进行一次),并且进一步在与视点的距离大于在步骤C中所确定的某个视点距(例如D>300m)时,采用二维纹理图形替代Agent实体模型,并且延迟上一次行为决策的结果或跟从领导。
当判断出Agent是重要分类时,则进一步判断与视点的距离是否大于在步骤C中所确定的某个视点距(例如D>300m)。如果判断出大于该视点距,则采用在步骤E中所确定的简单结构模型,从而进行简单行为决策规则。如果判断出小于该视点距,则采用步骤E中所确定的精细结构模型,从而进行精细结构的行为决策规则。
最后,判断环境是否发生变化,如果发生变化,则重新开始该处理,否则该处理结束。
以上每个步骤之间是相互联系、综合应用在大规模群体行为仿真中,达到了大量减少***计算量和显卡的计算与存储量,生成了实时的逼真群体行为仿真效果。
通过上述可知,针对“虚拟环境中大规模群体行为仿真”具有“数据量大、运算量大”的特点,在借鉴现有基于视点距的层次细节(LOD)思想的基础上,本发明采用从多侧面来综合应用层次细节技术(LOD),即多尺度层次细节(Mutil-Scale Lay of Detail)(简称MS-LOD)仿真技术,该技术综合考虑以时间、个体类型和视点距为标准尺度对环境中的虚拟人个体实体模型和行为决策算法进行简化,以降低模型读取的数据量和运算量;
其中,
以时间为标准的(LOD)行为决策约减算法主要考虑行为的持续性(或时延性),即:个体虚拟人不必每一个仿真循环都进行行为决策,并要综合考虑虚拟人个体在群体中的重要程度以及距离视点的远近,再决定他是每个2帧还是3帧,甚至更多帧进行决策一次;
以人体类型为标准的(LOD)行为决策约减算法主要考虑每个虚拟人在群体中的重要程度,重要虚拟人(如领导)的决策库大一些,而一般虚拟人(从众者)的决策库相对小一些,这样的约减在符合客观常理的前提下,可以大量减少***运算量;
以视点距离为标准的(LOD)行为决策约减算法是以虚拟人与视点的距离为依据,当距离近时,决策的要细致些;当距离远时,决策的要粗略些。
将本发明与基于传统层次细节技术的仿真进行比较,区别如下:
1、参照指标
基于传统层次细节技术(LOD)的仿真:以“视点距”为唯一指标做为参照;
基于多尺度层次细节技术(MS-LOD)的仿真:以“人体类型”、“时间”、“视点距”多个指标做为参照。
2、实体的优化
基于传统层次细节技术(LOD)的仿真:对每个Agent都按照同等的地位处理,没有进行“优化”选择,而且在每一帧对每个Agent都进行同等的行为决策处理,这不仅大大增加了***的计算量,也并不符合客观实际情况。
基于多尺度层次细节技术(MS-LOD)的仿真:根据现实情况对所有Agent进行的了“优化”等级划分,并且让他们在一段区间内以分时形式进行行为决策,这就好像解决交通拥堵的分时上班一样,使每一帧的运算量大大减少,又不会影响仿真效果。
3、所要解决的问题实质
基于传统层次细节技术(LOD)的仿真:它主要是针对解决“渲染”问题,虽然也可以减少一部分运算量,但减少的也主要是显卡对图形图像进行变换时的运算,而不能减少CPU的运算量。
基于多尺度次细节技术(MS-LOD)的仿真:它不仅针对显卡的“渲染”问题进行了约减,而且大量地减少了***CPU的运算,可以说是双重约减。
本发明与传统传统层次细节技术(LOD)在大规模群体行为仿真应用时的不同,如下表所示。
传统(LOD) | 多尺度(MS-LOD) | |
对Agent的处理 | 没有进行等级划分,同等对待,这将造成运算量的增加。 | 按照等级优化,可以减少大部分Agent行为决策运算,提高***速度。 |
行为决策次数 | 每个Agent每一帧都进行同等的行为决策。 | 根据Agent等级,分时进行行为决策(有的2帧,有的3帧)。 |
渲染细节划分 | 划分的细节较多,需要存储大量的实体模型。 | 只划分两级,一级是精细结构,一级是二维纹理图形,可大量减少实体存储空间。 |
申请人利用下面的***对本发明技术进行了验证。
原***基本配置:CPU酷睿双核2.4GHz、内存2GB、显卡GeForce8800GS 384MB;
现***基本配置:CPU酷睿双核2.66GHz、内存2GB、显卡GeForce8800GTX 768MB
根据大量试验后给出了在这两种***配置下进行仿真的效果指标对比情况,如下表所示。
原***的仿真 | 现***的仿真 | |
个体Agent数量 | 500个左右Agent | 10000个左右Agent |
渲染质量 | 画面偶尔有延迟 | 画面清晰流畅 |
刷新频率 | 20帧/秒 | 30帧/秒 |
动态特性 | 转换时有跳或抖动 | 转换平滑 |
另外,申请人在现有***的配置下,又进行了仿真对比试验,即:在不应用任何简约技术进行仿真,应用传统层次细节技术(LOD)进行仿真,应用本发明多尺度层次细节(MS-LOD)技术进行仿真,仿真的效果指标如下表所示。
不采取简约技术 | 应用传统层次细节技术(LOD) | 应用多尺度层次细节技术(MS-LOD) | |
个体Agent数量 | 500个左右Agent | 1000个左右Agent | 10000个左右Agent |
渲染质量 | 画面有延迟 | 画面较流畅 | 画面清晰流畅 |
刷新频率 | 20帧/秒 | 25帧/秒 | 30帧/秒 |
动态特性 | 转换时有抖动 | 转换偶有跳动 | 转换平滑 |
经过试验表明,在适当提高***硬件的条件下,应用本发明来简化虚拟环境中的实体模型和大规模虚拟人群体行为决策仿真算法,可以大大降低数据的读取量和显著减少***的运算量。这不仅满足了仿真的逼真性,而且保证了***运行的实时性,实现了在PC平台上进行万级Agent的大规模群体行为仿真。
对于本领域的普通技术人员来说可显而易见的得出其他优点和修改。因此,具有更广方面的本发明并不局限于这里所示出的并且所描述的具体说明及示例性实施例。因此,在不脱离由随后权利要求及其等价体所定义的一般发明构思的精神和范围的情况下,可对其做出各种修改。
Claims (7)
1.一种基于多尺度层次细节的仿真方法包括步骤:
A、建立三维实体的层次细节模型(LOD);
B、对个体Agent进行分类,将其分为关键Agent、重要Agent和一般Agent;
C、确定不同类型Agent进行决策层次转换的视点距,根据Agent的重要程度不同,确定其各自的视点距;
D、确定不同类型Agent进行决策转换的延时效应,根据Agent的重要程度不同,确定其各自的延时效应;以及
E、确定三维实体进行层次细节转换的结构模型。
2.根据权利要求1的基于多尺度层次细节的仿真方法,进一步包括:判断个体Agent是否是重要分类。
3.根据权利要求2的基于多尺度层次细节的仿真方法,进一步包括:当判断出Agent不是重要分类时,则以步骤D所确定的不是重要分类的Agent所对应的延时效应进行一次行为决策。
4.根据权利要求3的基于多尺度层次细节的仿真方法,进一步包括:在与视点的距离大于在步骤C中所确定的各个Agent所对应的视点距时,采用二维纹理图形替代Agent实体模型,并且延迟上一次行为决策的结果。
5.根据权利要求2的基于多尺度层次细节的仿真方法,进一步包括:当判断出Agent是重要分类时,则进一步判断与视点的距离是否大于在步骤C中所确定的重要Agent所对应的视点距。
6.根据权利要求5的基于多尺度层次细节的仿真方法,进一步包括:如果判断出大于该视点距,则采用步骤E中所述的结构模型,从而进行简单行为决策规则。
7.根据权利要求5的基于多尺度层次细节的仿真方法,进一步包括:如果判断出小于该视点距,则采用步骤E中所述的结构模型,从而进行精细结构的行为决策规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102381083A CN101877142B (zh) | 2009-11-18 | 2009-11-18 | 一种基于多尺度层次细节的仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102381083A CN101877142B (zh) | 2009-11-18 | 2009-11-18 | 一种基于多尺度层次细节的仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101877142A CN101877142A (zh) | 2010-11-03 |
CN101877142B true CN101877142B (zh) | 2012-05-30 |
Family
ID=43019687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102381083A Expired - Fee Related CN101877142B (zh) | 2009-11-18 | 2009-11-18 | 一种基于多尺度层次细节的仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101877142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2665042A1 (en) * | 2012-05-14 | 2013-11-20 | Crytek GmbH | Visual processing based on interactive rendering |
CN105303597A (zh) * | 2015-12-07 | 2016-02-03 | 成都君乾信息技术有限公司 | 一种用于3d模型的减面处理***及处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949274A (zh) * | 2006-10-27 | 2007-04-18 | 中国科学院计算技术研究所 | 一种虚拟人群运动的三维可视化方法 |
CN101169871A (zh) * | 2007-12-03 | 2008-04-30 | 北京航空航天大学 | 面向大规模静态场景实时渲染的hlod预处理方法 |
CN101188025A (zh) * | 2007-11-30 | 2008-05-28 | 电子科技大学 | 一种高效实时的群体动画框架 |
-
2009
- 2009-11-18 CN CN2009102381083A patent/CN101877142B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949274A (zh) * | 2006-10-27 | 2007-04-18 | 中国科学院计算技术研究所 | 一种虚拟人群运动的三维可视化方法 |
CN101188025A (zh) * | 2007-11-30 | 2008-05-28 | 电子科技大学 | 一种高效实时的群体动画框架 |
CN101169871A (zh) * | 2007-12-03 | 2008-04-30 | 北京航空航天大学 | 面向大规模静态场景实时渲染的hlod预处理方法 |
Non-Patent Citations (1)
Title |
---|
罗批,司光亚,胡晓峰.战争***基于Agent建模若干问题的讨论.《复杂***与复杂性科学》.2005,第2卷(第1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN101877142A (zh) | 2010-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104765280B (zh) | 无人机三维立体显控综合训练*** | |
KR101947650B1 (ko) | 게임 엔진 기반의 머신 러닝 학습이미지 생성 장치 및 방법 | |
CN111192354A (zh) | 一种基于虚拟现实的三维仿真方法及*** | |
CN107590853A (zh) | 一种城市建筑群震害高真实度展示方法 | |
CN102157008A (zh) | 一种大规模虚拟人群实时绘制方法 | |
CN105869214A (zh) | 一种基于虚拟现实设备的视锥体裁剪方法及装置 | |
CN101950422A (zh) | 一种基于奇异值分解的图像质量评价方法 | |
CN107689078A (zh) | 一种基于链表排序平衡二叉树的层次包围盒树构建方法 | |
Falcão et al. | A real-time visualization tool for forest ecosystem management decision support | |
CN106296828A (zh) | 一种实现虚拟场景分层次建模的方法与*** | |
CN114821004A (zh) | 虚拟空间构建方法、虚拟空间构建装置、设备及存储介质 | |
CN101877142B (zh) | 一种基于多尺度层次细节的仿真方法 | |
Shardakov et al. | Development of an adaptive module for visualization of the surrounding space for cloud educational environment | |
CN115631320B (zh) | 预计算单元格显示方法、预计算单元格生成方法及装置 | |
Marto et al. | The scope of multisensory experiences in cultural heritage sites | |
Passos et al. | A bidimensional data structure and spatial optimization for supermassive crowd simulation on gpu | |
CN115830266A (zh) | 游戏三维场景图处理方法及装置 | |
Yong et al. | GVM based intuitive simulation web application for collision detection | |
Horowitz | Where Geospatial Software Development and Video Game Development Intersect: Using Content Analysis to Better Understand Disciplinary Commonalities and Facilitate Technical Exchange | |
Pirker et al. | Virtual worlds for 3d visualizations | |
CN110084872A (zh) | 一种数据驱动的烟雾动画合成方法及*** | |
Morris et al. | A modular framework for deformation and fracture using GPU shaders | |
Diaz et al. | Crowd data visualization and simulation | |
Sun et al. | Difference between a physical model and a virtual environment as regards perception of scale | |
Sui et al. | A visualization framework for cloud rendering in global 3D GIS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120530 Termination date: 20151118 |
|
EXPY | Termination of patent right or utility model |