CN109887098A - 一种基于分布式计算的web AR数据呈现方式 - Google Patents
一种基于分布式计算的web AR数据呈现方式 Download PDFInfo
- Publication number
- CN109887098A CN109887098A CN201910116350.7A CN201910116350A CN109887098A CN 109887098 A CN109887098 A CN 109887098A CN 201910116350 A CN201910116350 A CN 201910116350A CN 109887098 A CN109887098 A CN 109887098A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- client
- request
- server
- 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.)
- Granted
Links
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
一种基于分布式计算的web AR数据呈现方式,本发明涉及数据呈现方式技术领域;将模型与动作数据在服务器端进行分别的存储管理;根据请求的类型,客户端向附近的移动边缘服务器发送请求;移动边缘服务器根据用户的请求,进行需求解析;云计算端解析客户端的交互请求,获取匹配动作发送到边缘服务器;在移动边缘计算端进行数据计算;移动边缘服务器在接收到云计算端传递的模型;将计算结果数据返回给客户端,实现动态模型的载入功能。大大的提高客户端的运行效率;服务更加灵活;更适应增强现实的计算响应模式,减轻移动端的GPU运算缓存压力,实现相对复杂的交互模型运算;减轻了云端的计算压力,性能明显提高。
Description
技术领域
本发明涉及数据呈现方式技术领域,具体涉及一种基于分布式计算的web AR数据呈现方式。
背景技术
随着信息化建设的推进以及智能移动终端设备的发展,基于智能移动终端的增强现实技术为工业、商业以及旅游业带来了巨大的发展机会。同时,基于web的移动增强现实技术由于其便携性、普适性等特点,在移动增强现实领域,得到更加广阔的应用。
但是,基于web的移动增强现实与传统的移动增强现实技术相比,其给广大用户带来方便的同时,由于其基于浏览器的渲染、交互运算的特性,不同于传统的移动应用,基于浏览器的渲染交互运算需要借助于浏览器的内核调取智能移动设备底层运算和现实设备接口;移动终端的浏览器在内存以及运算资源的调度上存在着一定的限制,这也间接的影响了在移动终端在增强现实渲染、交互运算过程中的计算资源调取,影响移动web增强现实交互体验以及业务环境的构建。
通过以上的问题,目前在移动增强现实应用中,对于模型数据的压缩以及传输是主要的研究对象,特别是针对于三维模型的网络流式传输的引入。目前在针对于网络流式传输,国内外相关研究人员已经取得了一定的研究成果。Martin提出了基于模型的自适应星概念,通过不同的分别率压缩模型;任慧玲、申闫春提出了在大规模场景下对于模型数据的载入方面的研究以及流式算法的改进等。
但是,目前的研究大多关注基于PC应用环境下模型数据压缩以及传输载入模式,在载入算法以及传输、加载模式上主要考虑客户端的计算压力,而对于移动web增强现实应用中,用户在业务应用过程中会考虑流量成本、初始载入时间等多方面的因素,因而,需要从初始加载效率、网络传输压缩等方面对于网络流式传输方法进行进一步的优化。
发明内容
本发明的目的在于针对现有技术的缺陷和不足,提供一种结构简单,设计合理、使用方便的基于分布式计算的web AR数据呈现方式,大大的提高客户端的运行效率;服务更加灵活;更适应增强现实的计算响应模式,减轻移动端的GPU运算缓存压力,实现相对复杂的交互模型运算;减轻了云端的计算压力,性能明显提高。
为实现上述目的,本发明采用的技术方案是:它的操作步骤如下:
1、将模型与动作数据在服务器端进行分别的存储管理;首先将模型数据转化为对象数据,在转化应用中,需要根据对于模型中的各个键值的定义,将模型数据转化为属性对象的结合,存储在服务器端;
2、根据请求的类型,客户端向附近的移动边缘服务器发送请求;客户端在向服务器端进行页面请求的时候,首先通过http协议,向附近的移动边缘服务器发送相关请求;
3、移动边缘服务器根据用户的请求,进行需求解析;判定模型数据是否预先进行路由,如果模型数据已经预先进行路由,则向云端服务器请求动作数据,等待响应后进行模型运算;如未进行内容路由,则向云端请求模型以及动作数据,进行模型运算,即,云端服务器进行模型的加载,服务器端接收到客户端的多维数据模型,经过模型适配模块和模型生成模块,进行渲染计算;
4、云计算端解析客户端的交互请求,获取匹配动作发送到边缘服务器;在客户端发送交互请求的同时,对于客户端的交互请求进行解析,在语义化描述库中进行查询比对,获取匹配的动作,发送到移动边缘服务器;
5、在移动边缘计算端进行数据计算;移动边缘服务器在接收到云计算端传递的模型、动作方法;通过模型内部的数据结构,以程序的方式对于所接收的模型以及动作数据进行复合运算,以数据格式向服务器返回模型响应数据;
6、将计算结果数据返回给客户端,实现动态模型的载入功能;边缘计算服务器以快速计算的方法将所生成的新模型通过接口的形式返回给客户端,实现响应的业务。
进一步地,所述的步骤1中的将模型与动作数据在服务器端进行分别的存储管理的具体内容为:基于云计算的海量数据存储模型,依据云计算的核心计算模式MapReduce,并依托实现了MapReduce计算模式的开源分布并行编程框架Hapdoop,将存储模型和云计算结合在一起,实现海量数据的分布式存储,通过这种方式把用户所需要的静态模型数据存储在云计算端上,数据被分割后通过Map函数的程序将数据映射成不同的区块,分配给计算机机群处理达到分布式运算的效果,从而实现存储的效果,并且在数据库中存储模型的动作数据,把模型的动作数据与模型分别进行存储。
进一步地,所述的步骤2中的请求类型具体内容为:在智能客户端请求时,客户端首先需要访问设备的底层信息,获取设备的视觉计算相关设备参数,如分辨率、屏幕尺寸以及CPU运算效率等信息,构建请求的数据模型。
进一步地,所述的步骤2中的向附近的移动边缘服务器发送请求的具体步骤为:客户端以http协议向服务器发送请求之后,浏览器将会监听服务端返回的请求信息;当获取请求信息之后,首先判定返回信息的状态码,当状态码为200时,将会抓取请求的json格式数据,并将数据存储于浏览器的内存中。
进一步地,所述的步骤3中的移动边缘服务器进行需求解析的具体步骤为:
3.1、服务器在获取请求后,分析请求客户端的请求数据,进行运算,确定客户端的请求状态信息,并确定在最优网络条件下所呈现模型数据的上限;以上限条件下从M1开始,逐步向客户端发送模型数据节点集合,并返回接收端请求接受完毕所耗费的时间,计算客户端的网络环境参数;此参数同时传递给服务器端,服务器端接受到此参数后,在确定的M序列中确定上限截止值;
3.2、将客户端与模型加载运算相关的参数构建一个多维参数模型,携带表征客户端的运算能力、网络带宽以及交互展示界面等方面参数,以物理参数模型向服务端进行请求,服务端将会对于客户端的物理参数进行分析,并运算出适合于客户端的模型返回客户端进行加载和渲染运算,将会大大的提高客户端的运行效率。
进一步地,所述的步骤3中的云端服务器进行模型的加载的具体步骤为:服务端接收客户端的多维度数据模型,进行模型数据解析,获取与客户端当前运行状态相关的物理参数,传递给模型适配模块,模型适配模块对于客户端的物理参数进行解析,传递模型输出权值给模型生成模块;模型生成模块将会根据权值进行模型数据生成处理,并将处理结果以接口的形式返回给客户端,进行渲染计算。
进一步地,所述的步骤4中的云计算端解析客户端的交互请求的具体步骤为:云计算中心将会对于客户端的运算请求进行解析,获取客户端的物理环境模型,并发挥云计算的高并发数据优势,计算客户端请求模型的权值,通过网络路由到与客户端最近的移动边缘服务器进行相应的模型请求计算;同时服务器端还需要根据用户的业务请求,进行响应的逻辑响应,并将响应的结果通过返回到客户端,实现相应的业务场景构建。
进一步地,所述的步骤4中的获取匹配动作发送到边缘服务器的具体步骤为:在云端,根据业务需求,首先存储业务所需要的静态模型;同时,在数据库中存储模型的动作数据;在对于存储模型动作数据的同时,对于模型动作进行语义化的描述,在客户端发送交互请求的同时,对于客户端的交互请求进行解析,在语义化描述库中进行查询比对,获取匹配的动作,发送到移动边缘服务器。
进一步地,所述的步骤5中的移动边缘计算端进行数据计算的具体步骤为:
5.1、在5g应用场景下移动边缘计算,相对于传统的以中心化、大型化为核心的云计算比起来,更加适应于移动增强现实的计算响应模式;移动边缘计算,将运算从传统的云计算中心服务器集群转换到了离移动端更近的边缘,在网络流转上,避免了从云计算中心到网络边缘所占用的网络资源和所消耗的传输时间,同时,将大部分的运算量从中心服务器转换到了移动网络边缘,将会在一定程度上提高了web增强现实的运算能力;同时通过云计算以及移动边缘计算进行协同运算的模式,减轻移动端的GPU运算缓存压力,实现对于复杂交互模型的运算能力;基于移动边缘计算的接口化运算架构方式上,将会以传统的中心服务器集群作为客户端业务请求响应的功能中心,以移动边缘服务器作为模型运算的服务中心;首先客户端在相应的业务环境下,向服务端发送携带客户端的物理参数的运算请求,云计算中心将会对于客户端的运算请求进行解析,获取客户端的物理环境模型,并发挥云计算的高并发数据优势,计算客户端请求模型的权值,通过网络路由到与客户端最近的移动边缘服务器进行相应的模型请求计算;同时服务器端还需要根据用户的业务请求,进行响应的逻辑响应,并将响应的结果通过返回到客户端,实现相应的业务场景构建;
5.2、参考到CDN网络的运行机理,将模型数据预先路由到与应用地点较近的边缘服务器端,减少了传输的时间;在客户端有请求的时候,经过云计算端进行请求解析后发送到移动边缘计算端,移动边缘计算服务器立刻检查本地缓存中是否有用户请求的内容,如果有就直接服务;如果没有,则向云端请求模型以及动作数据,进行模型运算,并缓存至本地。这样降低了请求时间,也解决了网络堵塞问题;
5.3、模型计算模块根据接收到的权值,对于模型数据的贴图以及三维成像数据进行进一步的抽样和压缩,以快速计算的方法将所生成的新模型通过接口的形式返回给客户端,实现响应的业务;关于对于模型的抽样和压缩计算上,在边缘服务器的实现上,采用基于机器学习的计算方法,对于模型压缩数据首先进行一定的预处理,将模型数据首先进行预处理,同时根据模型请求的数据概率,将高请求率的模型进行云计算和存储等操作,这样可以使模型在请求过程中进行快速的模型数据响应,匹配客户端的物理和网络情况。
进一步地,所述的步骤6中的实现动态模型的载入功能的具体步骤为:根据优化方案设计,模型的节点数据将会采用动态控制的方式向客户端进行响应传输的,传统的流式传输过程中,模型数据文件需要在请求后对于文件进行预处理后传输的模式上在时间成本上带来了额外的时间消耗,采用基于接口的动态模型传输方式,将不同阙值M的数据以独立数据对象的形式进行存储;
客户端的模型具体载入过程如下:一个模型的整个加载过程分成两个部分:一个是客户端从服务器获取JD格式的模型数据,也就是网络传输的过程;第二个是获取到Json数据后通过JDLoader插件转换成three.js能用的数据,然后在客户端上显示出来,这个过程跟网络无关,只是客户端的计算;
客户端的模型动作载入的过程如下:针对模型按需加载的情况,我们实现的方法是在后端把JD文件中的模型数据和动画数据分开,先加载模型数据并且显示,用户可以在客户端上先看到静态的模型数据信息,而后再根据用户的需求,向服务器发起需求,获取到匹配的模型动作,而后按需加载动画数据,通过一个专门加载动画的方法,即从JDLoader中提取转换成three.js能用的动画数据格式并让模型动起来;除了单个模型加载之外,还有针对多模型场景的加载内容,传统的方式是在页面打开的时候默认将同时占用网络加载所有包括的模型。现在选择了封装一个功能,能够让模型文件按队列加载,加载一个同时显示一个,当结束一个模型之后再进行下一个模型的显示工作。
采用上述方法后,本发明有益效果为:本发明所述的一种基于分布式计算的webAR数据呈现方式,大大的提高客户端的运行效率;服务更加灵活;更适应增强现实的计算响应模式,减轻移动端的GPU运算缓存压力,实现相对复杂的交互模型运算;减轻了云端的计算压力,性能明显提高,本发明具有结构简单,设置合理,制作成本低等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中客户端的模型具体载入流程图。
图2是本发明中客户端的模型动作载入流程图。
图3是具体实施方式中数据在浏览器内存中存储的流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。
本具体实施方式采用的技术方案是:它的操作步骤如下:
1、将模型与动作数据在服务器端进行分别的存储管理;首先将模型数据转化为对象数据,在转化应用中,需要根据对于模型中的各个键值的定义,将模型数据转化为属性对象的结合,存储在服务器端;模型分布式储存管理的具体步骤为:
以三维城市模型数据存储为例,基于拓扑关系模型的大比例尺图幅划分方法,并对划分后三维模型数据进行统一命名编码;借助非关系数据库MongoDB强大的海量数据组织及高效的多并发访问功能,构建了MongoDB分片集群服务器;对三维城市模型数据进行了单元划分,并采用规则建模软件City Engine进行建模,得到三维城市模型,借助非关系数据库软件MongoDB进行数据存储实验;
2、根据请求的类型,客户端向附近的移动边缘服务器发送请求;客户端在向服务器端进行页面请求的时候,首先通过http协议,向附近的移动边缘服务器发送相关请求;以Android平台为例,Android客户端想要与服务器建立通信方式,其采用HTTP通信方式,而HTTP通信方式又分get和post两种方式,客户端向服务器端发送请求的时候,向服务器端传送了一个数据块,也就是请求信息,根据请求信息判定返回信息的状态码,进行数据在浏览器内存中的存储(参看图3);
3、移动边缘服务器根据用户的请求,进行需求解析;判定模型数据是否预先进行路由,如果模型数据已经预先进行路由,则向云端服务器请求动作数据,等待响应后进行模型运算;如未进行内容路由,则向云端请求模型以及动作数据,进行模型运算,具体的方法如下:由于移动边缘计算服务器的布置靠近信息源,并且移动计算服务靠近终端设备,当移动边缘服务器接收到了客户端的请求,在本地进行简单地数据处理,不必将所有数据或信息都上传至云端,对于所请求的模型数据预先加载了则可以直接调用相应的模型,还未完成模型的预先加载,移动边缘服务器再向云端发送请求获取云端存储的模型数据及动作等信息;若未进行内容路由,云端服务器进行模型的加载;服务器端接收到客户端的多维数据模型,经过模型适配模块和模型生成模块,进行渲染计算;
4、云计算端解析客户端的交互请求,获取匹配动作发送到边缘服务器;在客户端发送交互请求的同时,对于客户端的交互请求进行解析,在语义化描述库中进行查询比对,获取匹配的动作,发送到移动边缘服务器,在具体的应用实例当中,云计算端解析客户端的交互请求,获取匹配动作发送到边缘服务器的具体步骤为:
客户端发送HTTP请求头,服务器根据在请求时的GET/POST来按照响应的doGet()/doPost()方法来处理;处理请求之后,由response对象得到PriterWriter输出流对象out,通过out.println()将数据以在客户端提交过的采用的Accpt:中形式的一种如按照response.setcontentType("text/html;charset=gb2312')的格式输出流;服务器根据客户端的请求内容,在数据库中查询与模型匹配的动作,发送数据信息到边缘服务器,而后服务器端关闭连接,客户端解析回发响应头,恢复页面;
5、在移动边缘计算端进行数据计算;移动边缘服务器在接收到云计算端传递的模型、动作方法;通过模型内部的数据结构,以程序的方式对于所接收的模型以及动作数据进行复合运算,以数据格式向服务器返回模型响应数据,以“5G”的“低功耗大连接”的应用场景为例,移动边缘九三部署在移动边缘,将无线网路和互联网两者技术有效的融合在一起,并在无线网络侧增加计算、存储、处理等功能,构建移动边缘云,提供信息技术服务环境和云计算能力。减少了数据传输中转发和处理的时间,降低端到端的时延,进而满足低时延要求,降低功耗;
6、将计算结果数据返回给客户端,实现动态模型的载入功能;边缘计算服务器以快速计算的方法将所生成的新模型通过接口的形式返回给客户端,实现响应的业务;具体的实现方法如下:
根据优化方案设计,模型的节点数据将会采用动态控制的方式向客户端进行响应传输的,传统的流式传输过程中,模型数据文件需要在请求后对于文件进行预处理后传输的模式上在时间成本上带来了额外的时间消耗,本具体实施方式中将会采用基于接口的动态模型传输方式,将不同阙值M的数据以独立数据对象的形式进行存储;
客户端的模型具体载入过程(参看图1),一个模型的整个加载过程分成两个部分:一个是客户端从服务器获取JD格式的模型数据,也就是网络传输的过程;第二个是获取到Json数据后通过JDLoader插件转换成three.js能用的数据,然后在客户端上显示出来,这个过程跟网络无关,只是客户端的计算;
客户端的模型动作载入的过程(参看图2):针对模型按需加载的情况,我们实现的方法是在后端把JD文件中的模型数据和动画数据分开,先加载模型数据并且显示,用户可以在客户端上先看到静态的模型数据信息,而后再根据用户的需求,向服务器发起需求,获取到匹配的模型动作,而后按需加载动画数据,通过一个专门加载动画的方法(从JDLoader中提取)转换成three.js能用的动画数据格式并让模型动起来。
除了单个模型加载之外,还有针对多模型场景的加载内容,传统的方式是在页面打开的时候默认将同时占用网络加载所有包括的模型。现在选择了封装一个功能,能够让模型文件按队列加载,加载一个同时显示一个,当结束一个模型之后再进行下一个模型的显示工作。
本具体实施方式的有益效果如下:
1、在增强现实的应用场景下,对于模型的运算量和容量等方面进行严格限制,并且以物理参数模型向服务端发送请求,会大大的提高客户端的运行效率;
2、基于接口模式的web增强现实模型服务方式,相对于传统的以文件形式提供服务的方式,在服务上将会更加的灵活;
3、基于移动边缘计算的借口话运算的改进,会更加适应于增强现实的计算响应模式,减轻移动端的GPU运算缓存压力,实现相对复杂的交互模型运算;
4、以移动边缘计算的方式,将模型响应计算方式从云端下降到与客户端更近的移动边缘端,减轻了云端的计算压力;
5、以单动作的响应模式,在一定的程度上能够减轻客户端的缓存运算压力;特别是面向于复杂业务场景的多动作交互方式,将会在性能上具有明显的提高。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于分布式计算的web AR数据呈现方式,其特征在于:它的操作步骤如下:
(1)、将模型与动作数据在服务器端进行分别的存储管理;首先将模型数据转化为对象数据,在转化应用中,需要根据对于模型中的各个键值的定义,将模型数据转化为属性对象的结合,存储在服务器端;
(2)、根据请求的类型,客户端向附近的移动边缘服务器发送请求;客户端在向服务器端进行页面请求的时候,首先通过http协议,向附近的移动边缘服务器发送相关请求;
(3)、移动边缘服务器根据用户的请求,进行需求解析;判定模型数据是否预先进行路由,如果模型数据已经预先进行路由,则向云端服务器请求动作数据,等待响应后进行模型运算;如未进行内容路由,则向云端请求模型以及动作数据,进行模型运算,即,云端服务器进行模型的加载,服务器端接收到客户端的多维数据模型,经过模型适配模块和模型生成模块,进行渲染计算;
(4)、云计算端解析客户端的交互请求,获取匹配动作发送到边缘服务器;在客户端发送交互请求的同时,对于客户端的交互请求进行解析,在语义化描述库中进行查询比对,获取匹配的动作,发送到移动边缘服务器;
(5)、在移动边缘计算端进行数据计算;移动边缘服务器在接收到云计算端传递的模型、动作方法;通过模型内部的数据结构,以程序的方式对于所接收的模型以及动作数据进行复合运算,以数据格式向服务器返回模型响应数据;
(6)、将计算结果数据返回给客户端,实现动态模型的载入功能;边缘计算服务器以快速计算的方法将所生成的新模型通过接口的形式返回给客户端,实现响应的业务。
2.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(1)中的将模型与动作数据在服务器端进行分别的存储管理的具体内容为:基于云计算的海量数据存储模型,依据云计算的核心计算模式MapReduce,并依托实现了MapReduce计算模式的开源分布并行编程框架Hapdoop,将存储模型和云计算结合在一起,实现海量数据的分布式存储,通过这种方式把用户所需要的静态模型数据存储在云计算端上,数据被分割后通过Map函数的程序将数据映射成不同的区块,分配给计算机机群处理达到分布式运算的效果,从而实现存储的效果,并且在数据库中存储模型的动作数据,把模型的动作数据与模型分别进行存储。
3.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(2)中的请求类型具体内容为:在智能客户端请求时,客户端首先需要访问设备的底层信息,获取设备的视觉计算相关设备参数,如分辨率、屏幕尺寸以及CPU运算效率等信息,构建请求的数据模型。
4.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(2)中的向附近的移动边缘服务器发送请求的具体步骤为:客户端以http协议向服务器发送请求之后,浏览器将会监听服务端返回的请求信息;当获取请求信息之后,首先判定返回信息的状态码,当状态码为200时,将会抓取请求的json格式数据,并将数据存储于浏览器的内存中。
5.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(3)中的移动边缘服务器进行需求解析的具体步骤为:
(3.1)、服务器在获取请求后,分析请求客户端的请求数据,进行运算,确定客户端的请求状态信息,并确定在最优网络条件下所呈现模型数据的上限;以上限条件下从M1开始,逐步向客户端发送模型数据节点集合,并返回接收端请求接受完毕所耗费的时间,计算客户端的网络环境参数;此参数同时传递给服务器端,服务器端接受到此参数后,在确定的M序列中确定上限截止值;
(3.2)、将客户端与模型加载运算相关的参数构建一个多维参数模型,携带表征客户端的运算能力、网络带宽以及交互展示界面等方面参数,以物理参数模型向服务端进行请求,服务端将会对于客户端的物理参数进行分析,并运算出适合于客户端的模型返回客户端进行加载和渲染运算。
6.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(3)中的云端服务器进行模型的加载的具体步骤为:服务端接收客户端的多维度数据模型,进行模型数据解析,获取与客户端当前运行状态相关的物理参数,传递给模型适配模块,模型适配模块对于客户端的物理参数进行解析,传递模型输出权值给模型生成模块;模型生成模块将会根据权值进行模型数据生成处理,并将处理结果以接口的形式返回给客户端,进行渲染计算。
7.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(4)中的云计算端解析客户端的交互请求的具体步骤为:云计算中心将会对于客户端的运算请求进行解析,获取客户端的物理环境模型,并发挥云计算的高并发数据优势,计算客户端请求模型的权值,通过网络路由到与客户端最近的移动边缘服务器进行相应的模型请求计算;同时服务器端还需要根据用户的业务请求,进行响应的逻辑响应,并将响应的结果通过返回到客户端,实现相应的业务场景构建。
8.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(4)中的获取匹配动作发送到边缘服务器的具体步骤为:在云端,根据业务需求,首先存储业务所需要的静态模型;同时,在数据库中存储模型的动作数据;在对于存储模型动作数据的同时,对于模型动作进行语义化的描述,在客户端发送交互请求的同时,对于客户端的交互请求进行解析,在语义化描述库中进行查询比对,获取匹配的动作,发送到移动边缘服务器。
9.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(5)中的移动边缘计算端进行数据计算的具体步骤为:
(5.1)、在5g应用场景下移动边缘计算,相对于传统的以中心化、大型化为核心的云计算比起来,更加适应于移动增强现实的计算响应模式;移动边缘计算,将运算从传统的云计算中心服务器集群转换到了离移动端更近的边缘,在网络流转上,避免了从云计算中心到网络边缘所占用的网络资源和所消耗的传输时间,同时,将大部分的运算量从中心服务器转换到了移动网络边缘,将会在一定程度上提高了web增强现实的运算能力;同时通过云计算以及移动边缘计算进行协同运算的模式,减轻移动端的GPU运算缓存压力,实现对于复杂交互模型的运算能力;基于移动边缘计算的接口化运算架构方式上,将会以传统的中心服务器集群作为客户端业务请求响应的功能中心,以移动边缘服务器作为模型运算的服务中心;首先客户端在相应的业务环境下,向服务端发送携带客户端的物理参数的运算请求,云计算中心将会对于客户端的运算请求进行解析,获取客户端的物理环境模型,并发挥云计算的高并发数据优势,计算客户端请求模型的权值,通过网络路由到与客户端最近的移动边缘服务器进行相应的模型请求计算;同时服务器端还需要根据用户的业务请求,进行响应的逻辑响应,并将响应的结果通过返回到客户端,实现相应的业务场景构建;
(5.2)、参考到CDN网络的运行机理,将模型数据预先路由到与应用地点较近的边缘服务器端,减少了传输的时间;在客户端有请求的时候,经过云计算端进行请求解析后发送到移动边缘计算端,移动边缘计算服务器立刻检查本地缓存中是否有用户请求的内容,如果有就直接服务;如果没有,则向云端请求模型以及动作数据,进行模型运算,并缓存至本地;
(5.3)、模型计算模块根据接收到的权值,对于模型数据的贴图以及三维成像数据进行进一步的抽样和压缩,以快速计算的方法将所生成的新模型通过接口的形式返回给客户端,实现响应的业务;关于对于模型的抽样和压缩计算上,在边缘服务器的实现上,采用基于机器学习的计算方法,对于模型压缩数据首先进行一定的预处理,将模型数据首先进行预处理,同时根据模型请求的数据概率,将高请求率的模型进行云计算和存储等操作,这样可以使模型在请求过程中进行快速的模型数据响应,匹配客户端的物理和网络情况。
10.根据权利要求1所述的一种基于分布式计算的web AR数据呈现方式,其特征在于:所述的步骤(6)中的实现动态模型的载入功能的具体步骤为:根据优化方案设计,模型的节点数据将会采用动态控制的方式向客户端进行响应传输的,传统的流式传输过程中,模型数据文件需要在请求后对于文件进行预处理后传输的模式上在时间成本上带来了额外的时间消耗,采用基于接口的动态模型传输方式,将不同阙值M的数据以独立数据对象的形式进行存储;
客户端的模型具体载入过程如下:一个模型的整个加载过程分成两个部分:一个是客户端从服务器获取JD格式的模型数据,也就是网络传输的过程;第二个是获取到Json数据后通过JDLoader插件转换成three.js能用的数据,然后在客户端上显示出来,这个过程跟网络无关,只是客户端的计算;
客户端的模型动作载入的过程如下:针对模型按需加载的情况,我们实现的方法是在后端把JD文件中的模型数据和动画数据分开,先加载模型数据并且显示,用户可以在客户端上先看到静态的模型数据信息,而后再根据用户的需求,向服务器发起需求,获取到匹配的模型动作,而后按需加载动画数据,通过一个专门加载动画的方法,即从JDLoader中提取转换成three.js能用的动画数据格式并让模型动起来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116350.7A CN109887098B (zh) | 2019-02-13 | 2019-02-13 | 一种基于分布式计算的web AR数据呈现方式 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116350.7A CN109887098B (zh) | 2019-02-13 | 2019-02-13 | 一种基于分布式计算的web AR数据呈现方式 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887098A true CN109887098A (zh) | 2019-06-14 |
CN109887098B CN109887098B (zh) | 2023-01-17 |
Family
ID=66928133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910116350.7A Active CN109887098B (zh) | 2019-02-13 | 2019-02-13 | 一种基于分布式计算的web AR数据呈现方式 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887098B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110677683A (zh) * | 2019-09-30 | 2020-01-10 | 北京奇艺世纪科技有限公司 | 视频存储、视频访问方法及分布式存储、视频访问*** |
CN111212107A (zh) * | 2019-12-10 | 2020-05-29 | 中移(杭州)信息技术有限公司 | 用于cdn平台的业务处理方法及cdn*** |
CN111212128A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 基于边缘辅助的协作式Web AR多人服务***及方法 |
CN111260540A (zh) * | 2020-01-13 | 2020-06-09 | 成都卓影科技股份有限公司 | 5g网络下的2d-3d的2.5d转换引擎 |
CN111339192A (zh) * | 2020-02-21 | 2020-06-26 | 深圳供电局有限公司 | 一种分布式边缘计算数据存储*** |
CN111400381A (zh) * | 2020-02-28 | 2020-07-10 | 北京致医健康信息技术有限公司 | 一种数据存储方法、装置、计算机设备及存储介质 |
CN114042311A (zh) * | 2021-11-15 | 2022-02-15 | 中国联合网络通信集团有限公司 | 信息处理方法、边缘服务器、电子设备、计算机介质 |
WO2022111444A1 (zh) * | 2020-11-25 | 2022-06-02 | 摩赛恩科技(苏州)有限公司 | 质谱数据处理***及方法 |
CN114745260A (zh) * | 2022-03-09 | 2022-07-12 | 优刻得科技股份有限公司 | 内容分发网络的计算力增强方法、装置、设备及存储介质 |
WO2023109924A1 (en) * | 2021-12-15 | 2023-06-22 | Lei Xu | Serialization system for random data access |
CN117453377A (zh) * | 2023-12-21 | 2024-01-26 | 腾讯科技(深圳)有限公司 | 模型调度方法、终端设备以及服务器 |
CN118171743A (zh) * | 2024-05-16 | 2024-06-11 | 北京中关村软件园发展有限责任公司 | Ai智算平台管理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103999434A (zh) * | 2011-12-21 | 2014-08-20 | 瑞典爱立信有限公司 | 使用移动云加速器环境中的网络负载数据,通过选择性推迟内容交付以优化网络使用的装置和方法 |
CN107222468A (zh) * | 2017-05-22 | 2017-09-29 | 北京邮电大学 | 增强现实处理方法、终端、云端服务器和边缘服务器 |
US9912718B1 (en) * | 2011-04-11 | 2018-03-06 | Viasat, Inc. | Progressive prefetching |
CN108847981A (zh) * | 2018-06-26 | 2018-11-20 | 咸宁职业技术学院 | 分布式计算机云计算处理方法 |
-
2019
- 2019-02-13 CN CN201910116350.7A patent/CN109887098B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9912718B1 (en) * | 2011-04-11 | 2018-03-06 | Viasat, Inc. | Progressive prefetching |
CN103999434A (zh) * | 2011-12-21 | 2014-08-20 | 瑞典爱立信有限公司 | 使用移动云加速器环境中的网络负载数据,通过选择性推迟内容交付以优化网络使用的装置和方法 |
CN107222468A (zh) * | 2017-05-22 | 2017-09-29 | 北京邮电大学 | 增强现实处理方法、终端、云端服务器和边缘服务器 |
CN108847981A (zh) * | 2018-06-26 | 2018-11-20 | 咸宁职业技术学院 | 分布式计算机云计算处理方法 |
Non-Patent Citations (1)
Title |
---|
吕强等: "移动云计算――移动增强现实技术和服务", 《中兴通讯技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110677683A (zh) * | 2019-09-30 | 2020-01-10 | 北京奇艺世纪科技有限公司 | 视频存储、视频访问方法及分布式存储、视频访问*** |
CN111212107A (zh) * | 2019-12-10 | 2020-05-29 | 中移(杭州)信息技术有限公司 | 用于cdn平台的业务处理方法及cdn*** |
CN111212128A (zh) * | 2019-12-30 | 2020-05-29 | 北京邮电大学 | 基于边缘辅助的协作式Web AR多人服务***及方法 |
CN111260540A (zh) * | 2020-01-13 | 2020-06-09 | 成都卓影科技股份有限公司 | 5g网络下的2d-3d的2.5d转换引擎 |
CN111260540B (zh) * | 2020-01-13 | 2023-06-13 | 成都卓影科技股份有限公司 | 5g网络下的2d-3d的2.5d转换引擎 |
CN111339192A (zh) * | 2020-02-21 | 2020-06-26 | 深圳供电局有限公司 | 一种分布式边缘计算数据存储*** |
CN111400381B (zh) * | 2020-02-28 | 2024-05-10 | 北京致医健康信息技术有限公司 | 一种数据存储方法、装置、计算机设备及存储介质 |
CN111400381A (zh) * | 2020-02-28 | 2020-07-10 | 北京致医健康信息技术有限公司 | 一种数据存储方法、装置、计算机设备及存储介质 |
WO2022111444A1 (zh) * | 2020-11-25 | 2022-06-02 | 摩赛恩科技(苏州)有限公司 | 质谱数据处理***及方法 |
CN114042311A (zh) * | 2021-11-15 | 2022-02-15 | 中国联合网络通信集团有限公司 | 信息处理方法、边缘服务器、电子设备、计算机介质 |
WO2023109924A1 (en) * | 2021-12-15 | 2023-06-22 | Lei Xu | Serialization system for random data access |
CN114745260A (zh) * | 2022-03-09 | 2022-07-12 | 优刻得科技股份有限公司 | 内容分发网络的计算力增强方法、装置、设备及存储介质 |
CN114745260B (zh) * | 2022-03-09 | 2024-04-02 | 优刻得科技股份有限公司 | 内容分发网络的计算力增强方法、装置、设备及存储介质 |
CN117453377B (zh) * | 2023-12-21 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 模型调度方法、终端设备以及服务器 |
CN117453377A (zh) * | 2023-12-21 | 2024-01-26 | 腾讯科技(深圳)有限公司 | 模型调度方法、终端设备以及服务器 |
CN118171743A (zh) * | 2024-05-16 | 2024-06-11 | 北京中关村软件园发展有限责任公司 | Ai智算平台管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109887098B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887098A (zh) | 一种基于分布式计算的web AR数据呈现方式 | |
Chen et al. | Intelligent resource allocation management for vehicles network: An A3C learning approach | |
Qiao et al. | A new era for web AR with mobile edge computing | |
He et al. | Software-defined networks with mobile edge computing and caching for smart cities: A big data deep reinforcement learning approach | |
Wang et al. | A survey on deploying mobile deep learning applications: A systemic and technical perspective | |
Zhang et al. | A novel edge computing architecture based on adaptive stratified sampling | |
Zhang et al. | Toward transcoding as a service: energy-efficient offloading policy for green mobile cloud | |
US10521485B1 (en) | Measuring page value | |
Zheng et al. | MEC-enabled wireless VR video service: A learning-based mixed strategy for energy-latency tradeoff | |
Huang et al. | DeepAdapter: A collaborative deep learning framework for the mobile web using context-aware network pruning | |
CN103092626A (zh) | 基于Flex和web3D技术的富互联网应用方法 | |
Hu et al. | If-rans: intelligent traffic prediction and cognitive caching toward fog-computing-based radio access networks | |
Ren et al. | Multi-objective optimization for task offloading based on network calculus in fog environments | |
Huang et al. | A geospatial hybrid cloud platform based on multi-sourced computing and model resources for geosciences | |
Chen et al. | A hybrid task scheduling scheme for heterogeneous vehicular edge systems | |
Li et al. | An intelligent collaborative inference approach of service partitioning and task offloading for deep learning based service in mobile edge computing networks | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
Zhang et al. | Dependent task offloading mechanism for cloud–edge-device collaboration | |
Shi et al. | A framework for mobile cloud computing selective service system | |
CN109617960A (zh) | 一种基于属性化分离的web AR数据呈现方法 | |
Song et al. | Dram: A drl-based resource allocation scheme for mar in mec | |
Liu et al. | Service chain caching and workload scheduling in mobile edge computing | |
Huang et al. | Service reservation and pricing for green metaverses: A stackelberg game approach | |
Chen et al. | VCMaker: Content-aware configuration adaptation for video streaming and analysis in live augmented reality | |
Huang et al. | Joint optimization of task scheduling and computing resource allocation for VR video services in 5G‐advanced networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |