[发明专利]竞技性交互式动画生成方法

权利要求书

1.一种竞技性交互式动画生成方法，其特征在于包括如下步骤：

1)建立基于马尔科夫链的有限状态机模型，来模拟控制交互式运动角色的状态迁移，获得下一个时间戳角色所对应的状态；

2)在步骤1)所得到的下一个时间戳角色对应的状态的基础上，运用混合式的方法，结合基于经验性规则所定义的规则模型和基于机器学习所定义的交互式模型，来获得最符合当前角色间对峙形势的动作；

3)按照步骤2)所规划的动作索引序列对已经进行分段的运动数据单元进行参数调整和线性缝合，生成交互式动画；

所述的建立基于马尔科夫链的有限状态机模型，来模拟控制交互式运动角色的状态迁移，获得下一个时间戳角色所对应的状态步骤：

a)获取训练样本的特征集合{Φ_n}，这里的特征Φ_i＝{D_i，O_i，V_i}是用来作为评估当前对峙形势的一组向量，包括了角色之间的距离D_i，角色的朝向O_i，以及角色相对于世界坐标系的速度V_i，这些值通过视频中手工标定获得，或者通过视觉算法自动跟踪获得；

从训练样本中，获取观察值M_i所对应的样本特征集合{Φ_Mi}，首先定义观察值M_i为一组向量，包含了状态集合即平衡、防守和攻击中的不同状态所对应的视觉特征，对每个状态所对应的样本特征计算一个平均特征，公式如下：

Φ~Mi=Σn=1kMiΦnkMi,]]>

其中k_Mi是样本集合中属于观察值M_i的数量；然后在样本集合中，获得相邻样本间的迁移概率P(Φ_i|Φ_i-1)；

b)利用训练好的有限状态机模型，在生成新的状态时，计算当前的特征向量Φ_i，根据马尔科夫链算法，计算使得最优值E最小的观察值M_i所对应的状态作为下一个状态，公式如下：

E=Σi=0nψ(Φi,Mi)+ωΣi=1nP(Φi|Φi-1),]]>

其中阈值ω用来调节概率部分所占最优值中的比重，ψ()是用来计算当前的特征向量Φ_i和观察值M_i之间的匹配差值，公式如下：

其中向量＜Δdis_i，Δθ_i＞对应当前状态i的特征，＜Δdis_M，＞对应于观察值M_i的特征，是欧拉距离；

在步骤1)所得到的下一个时间戳角色对应的状态的基础上，运用混合式的方法，结合基于经验性规则所定义的规则模型和基于机器学习所定义的交互式模型，来获得最符合当前角色间对峙形势的动作步骤：

c)在混合式的方法的规则模型中，为状态集合即平衡、防守和攻击中的三种状态：平衡、攻击和防守构造模型，决定平衡和防守状态所对应的动作；其中平衡的规则模型为：

dis～N(μ，σ²)，

其中dis是角色两者之间的距离，这个距离在模拟的过程中遵守高斯分布，其中高斯参数来自于样本的分析；防守的构造模型为：

δ=et1-φ,]]>

其中δ为决定角色防守动作的值，t₁为从对手发起攻击到完成攻击的持续时间，φ为模拟人的神经系统的反应盲区阈值；其中t₁通过如下公式计算：

t1=2S11a‾,]]>

其中S₁₁是攻击角色的拳头在时间t₁内运动轨迹的模，为对应的平均加速度；攻击的模型通过角色间的距离dis阈值θ_{dis-far-middel}和θ_{dis-middle-near}来将攻击的行为划分成近、中和远三种攻击候选集合{G_near，G_middle，G_far}；

d)在混合式的方法的机器学习模型中，构造了针对组合攻击、出击选择和被击打反应这三种交互式行为的子模型，来模拟竞技性交互式运动中的这些交互行为；

在组合攻击模型的构造过程中，构造一个组合拳迁移图，图中的每个节点表示攻击动作a_i，节点之间的有向边表示两个动作之间的迁移；每一个样本在图中用e’＝(A，G，E’)来表示，A表示攻击行为的链表，G是所属的动作候选集合，E’表示这些行为之间的边；图中节点之间的迁移概率P(T_i，j)的计算公式如下：

P(Ti,j)=w(ai,aj)Σj=1λw(ai,aj),]]>

其中w(a_i，a_j)是在样本集合中从攻击动作a_i到a_j的迁移次数，λ是样本中从攻击动作a_i为源动作迁移出来的不同动作数量；构造好组合拳的迁移图后，在实际模拟过程中，在完成一个攻击动作a_i后，计算图中所有从a_i为源动作的迁移指数S_i，j：

S_i，j＝Suc(a_i)·P(T_i，j)·e^τ+S_i-1，i，

其中Suc()是一个二值函数，当且仅当当前的攻击动作a_i达到攻击的效果时才为1，否则为0；S_i-1，i是当前攻击前一个迁移指数；在所有的从a_i为源动作的迁移动作中，选取使当前的值S_i，j最大的a_i为下一个攻击所采取的动作，进行组合攻击，形成递归；

在出击选择模型的构造过程中，用向量x∈R^d来表示当前对峙的形势，向量t∈R^m来表示输出的攻击选择，t用x以基函数的形式进行表示：

t=Σi=1rwiφi(x)+ϵ≡WΦ(x)+ϵ,]]>

其中{φ_i(x)|i＝1，...，r}是基函数，w_i是-R^m的权值，ε是模拟误差；将φ_i和w_i分别用向量和矩阵的形式进行表示，得到-R^m基函数向量和m×n的权值矩阵W，基于已获得的样本数据{(t_k，x_k)|k＝1，...，n}，其中n为样本数据的大小；对W进行约束求值：

W:=argWmin{Σk=1n||WΦ(xk)-tk||2+R(W)},]]>

其中R()是基于矩阵W的规范式；W的求解方式用向量机算法进行求解；

在被击打反应模型的构造过程中，利用物理生成的动作片段作为反应前动作和反应后动作中间的一个过渡；首先利用动态规划算法获得假设中角色关节点轨迹，然后以所获得的轨迹为比较基准，比较数据库中所存储的运动捕获数据片段，寻找最接近的运动数据作为反应后的动作，比较的算法如下：

D(S1,S2)=Σi=1ewfi(Σu=1λwRu(Σv=1γwPu||Pv(f1i)-Pv(f2i)||+wθv||θv(f1i)-θv(f2i)||)),]]>

其中S₁和S₂为长度为e的运动捕获数据片段帧序列，每帧f_i中角色信息以向量(P₀，θ₀，...，P_n-1，θ_n-1)^T进行表示，其中P_i和θ_i为角色关节点i的位置和朝向信息；w_fi，w_pv，w_θv为帧、位置和朝向的权值，λ和r为角色关节中对于速度较为敏感的区域数量已经区域中所包含的关节数量；

按照步骤2)所规划的动作索引序列对已经进行分段的运动数据单元进行参数调整和线性缝合，生成交互式动画步骤：

e)对于通过步骤2)所获得的动作序列索引，从已获得的分段的运动数据中挑选所对应的动作片段，并根据当前的参数对动作进行调整；

对每个运动数据动作片段S，用帧序列(f₀，f₁，...，f_n)进行表示，每帧f_i中的角色的运动用向量M＝(P₀，O₀，Q₁，Q₂，...，Q_n)^T表示，其中P₀和O₀为根节点的三维坐标和朝向，Q_i为对应节点相对于根节点的位置偏移量；按照场景中所需要，对动作片段中的每帧的运动向量进行朝向和位移的调整，公式如下：

S′=Σi=0nTOM,]]>

S’为调整后的动作片段，其中T和O分别是位移和朝向的调整矩阵；

f)将调整好的动作片段序列，彼此之间进行线性的插值，在临近的两个动作片段S₁，S₂之间，选取前一个片段S₁的最末一个窗口的帧序列和S₂的段首一个窗口的帧序列窗口的大小为m′；过渡的帧序列W′通过线性的插值方法获得：

W′=Σi=1m′(w1if1i+w2if2i),]]>

其中w_1i和w_2i分别为窗口W₁和W₂中对应帧的权值，且满足w_1i和w_2i的加和始终等于1；用W′替换片段S₁和S₂中的W₁和W₂。