Recréer le flux d’eau pour los angeles réalité virtuelle

Les lois physiques du débit quotidien de l’eau ont été établies il y a deux siècles. Cependant, les scientifiques ont aujourd’hui du mal à simuler un débit d’eau pratiquement perturbé, par exemple lorsqu’une major ou un objet modifie le débit d’eau.

Aujourd’hui, une équipe de recherche de l’Université du Tohoku a exploité le pouvoir de l’apprentissage par renforcement profond pour reproduire l’écoulement de l’eau lorsqu’il est perturbé. L. a. copy de ce mouvement de fluide colourful, comme on l’appelle, leur a permis de recréer l’écoulement de l’eau en temps réel sur los angeles base seulement d’une petite quantité de données provenant de l’eau réelle. Cette technologie ouvre los angeles possibilité d’interactions en réalité virtuelle impliquant l’eau.

Les détails de leurs découvertes ont été publiés dans los angeles revue Transactions ACM sur les graphiques.

L. a. création d’une methodology de mesure du débit et d’une méthode de reconstruction du débit qui simule le mouvement d’un fluide colourful a été cruciale pour cette avancée.

Pour collecter des données de débit, le groupe – qui comprend des chercheurs de l’Institut de recherche sur les communications électriques (RIEC) de l’Université de Tohoku et de l’Institut des sciences des fluides – a placé des bouées dotées de marqueurs magnétiques spéciaux sur l’eau. Le mouvement de chaque bouée peut ensuite être suivi à l’aide d’un système de seize de mouvement magnétique. Cependant, cela ne représentait que los angeles moitié du processus. L’étape cruciale consistait à trouver une answer innovante pour récupérer le mouvement détaillé de l’eau à partir du mouvement d’un petit nombre de bouées.

“Nous avons surmonté ce problème en combinant los angeles simulation fluide avec un apprentissage par renforcement profond pour effectuer le processus de récupération”, explique Yoshifumi Kitamura, directeur adjoint du RIEC.

L’apprentissage par renforcement est le processus d’essais et d’erreurs par lequel l’apprentissage se produit. L’ordinateur effectue des movements, reçoit des commentaires (récompenses ou punitions) de son environnement, puis ajuste ses movements futures pour maximiser ses récompenses totales au fil du temps, tout comme il traite les chiens ayant un bon comportement. L’apprentissage par renforcement profond mix l’apprentissage par renforcement et les réseaux de neurones profonds pour résoudre des problèmes complexes.

Tout d’abord, les chercheurs ont utilisé un ordinateur pour simuler un liquide calme. Ils ont ensuite fait en sorte que chaque flotteur agisse comme une drive poussant le fluide simulé, le faisant s’écouler comme le fluide réel. L’ordinateur optimise ensuite le mode de paiement grâce à un apprentissage par renforcement profond.

Les tactics précédentes suivaient généralement les petites particules en suspension dans un liquide à l’aide de caméras. Mais il reste difficile de mesurer un flux 3-d en temps réel, notamment lorsque le liquide se trouve dans un récipient opaque ou est lui-même opaque. Grâce à los angeles technologie de seize de mouvement magnétique et de reconstruction de flux, il est désormais conceivable de mesurer un flux 3-d en temps réel.

Kitamura souligne que los angeles technologie rendra los angeles réalité virtuelle plus immersive et améliorera los angeles conversation en ligne. “Cette technologie permettra los angeles création de jeux de réalité virtuelle dans lesquels vous pourrez contrôler des objets en utilisant de l’eau et ressentir réellement l’eau dans le jeu. Nous pourrons peut-être transmettre le mouvement de l’eau en ligne en temps réel afin que ceux qui sont loin puissent vivre los angeles même expérience. mouvement réaliste de l’eau.