基于物理信息神经网络的动态场景自适应仿真生成方法

本发明属于动态场景仿真与深度学习交叉，尤其涉及基于物理信息神经网络的动态场景自适应仿真生成方法。

背景技术：

1、在动态场景仿真领域，现有技术主要分为物理引擎驱动与数据驱动两条技术路线。公开号为cn119670820b、名称为《用于自动驾驶测试场景泛化生成的生成对抗网络及方法》的发明专利公开了基于时序生成对抗网络的场景泛化方法，能够生成多样化的驾驶场景序列，但该方法未引入物理规律约束，生成结果易出现违反力学常识的异常状态，在分布外场景下泛化能力较弱，同时该方案依赖离散网格时序采样，无法实现连续时空域的场景任意点查询生成。

2、现有技术普遍存在以下四方面问题：

3、离散化仿真范式存在计算效率瓶颈：传统仿真将时间与空间离散化，通过数值迭代求解物理方程，高频动态场景需要较小的求解步长，计算开销随实体数量呈超线性增长，难以支撑大规模动态场景的快速生成，物理引擎类方法虽保真度较高，但单帧生成耗时较长，无法满足批量场景快速采样的需求，限制了仿真场景的覆盖规模与生成效率；

4、纯数据驱动方法存在物理一致性缺失：基于生成对抗网络、扩散模型的数据驱动方法直接从数据中学习场景分布，无需显式求解物理方程，生成效率较高，但缺乏物理先验的归纳偏置，易生成不符合物理规律的结果，在未见交通流模式下物理一致性出现下降，无法支撑高可靠性的仿真测试任务；

5、生成网络存在频谱适配性不足：现有隐式神经表示多采用固定频率参数的正弦激活网络，无法自适应区分场景中的静态低频分量与动态高频分量，对包括多尺度动态实体的复杂场景刻画能力有限，难以同时保证背景稳定性与运动细节精度，在包括快慢混合运动实体的场景中易出现细节模糊或伪影；

6、精度与效率缺乏动态可调机制：现有仿真方法通常采用固定精度的求解配置，无法根据应用场景的资源条件与任务需求动态权衡保真度与计算速度，难以适配从离线高保真训练到在线实时推理的多场景需求，同一模型无法兼顾不同硬件环境与任务优先级的使用要求。

7、因此需要基于物理信息神经网络的动态场景自适应仿真生成方法来解决上述问题。

技术实现思路

1、本发明实施例的目的在于提供基于物理信息神经网络的动态场景自适应仿真生成方法以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于物理信息神经网络的动态场景自适应仿真生成方法，包括以下步骤：

4、s1、对动态场景时空演化任务进行偏微分方程约束下的连续场学习任务定义，确定场景状态向量、通量张量、扩散系数、源项参数，配置空间边界条件与时间初值条件；

5、s2、搭建生成式仿真框架，所述生成式仿真框架包括隐式神经表示模块、物理残差模块和对抗性判别器模块；隐式神经表示模块接入时空坐标、隐编码、精度控制标量输入，输出单时空点位场景状态数据；

6、s3、通过三阶段渐进训练流程对生成式仿真框架内全部模块完成参数迭代优化；

7、s4、推理阶段调用隐式神经表示模块，通过变更精度控制标量数值，输出指定时空区间内场景状态序列；

8、本方案通过将动态场景重构为连续场学习任务，构建包括隐式神经表示、物理残差和对抗判别三大模块的生成框架，结合三阶段渐进训练与自适应精度调节，实现物理一致且效率可调的动态场景生成，缓解传统方法效率与保真度难以兼顾的问题。

9、进一步的技术方案，所述隐式神经表示模块包括siren网络单元和超网络单元；siren网络单元设置六层正弦激活隐藏层与单层线性输出层，隐编码经由film结构接入siren网络单元每一层网络；超网络单元依据输入隐编码逐通道生成siren网络单元对应层级频率参数；

10、本方案采用siren网络作为隐式表示的主干架构，利用正弦激活函数的高阶可导特性支撑物理残差的稳定计算，通过film机制将隐编码注入网络各层，实现基于隐编码的条件式场景生成，支持不同场景模式的快速采样。

11、进一步的技术方案，所述超网络单元为匹配siren网络单元各层级的多层感知机结构，超网络单元接收隐编码后输出层级神经元频率原始参数，原始参数经softplus激活运算输出正向频率参数；不同隐编码输入对应超网络单元输出差异化频率分布参数；

12、本方案通过超网络根据隐编码动态生成各层神经元的频率参数，经softplus激活保证频率非负，使网络可根据场景动态特性自适应调整频谱响应，适配不同运动速度的实体与不同变化速率的场景区域。

13、进一步的技术方案，所述物理残差模块包括自动微分单元和损失计算单元；自动微分单元对隐式神经表示模块输出结果求解时空偏导数，代入预设偏微分方程得到物理残差量；损失计算单元依据配置点集合残差均值、初始条件约束项、边界条件约束项加权运算生成物理损失项；

14、本方案基于自动微分机制计算场景状态的时空偏导数，代入偏微分方程得到物理残差，结合初始条件与边界条件构建完整物理损失，将物理规律以软约束形式融入训练过程，无需显式数值求解器即可注入物理先验。

15、进一步的技术方案，所述对抗性判别器模块包括特征融合单元和判别输出单元；特征融合单元拼接时空坐标参数与场景状态值构成输入三元组；判别输出单元为四层多层感知机结构，输出样本真实性概率值；对抗损失采用wgan-gp计算公式求解；

16、本方案的对抗判别器同时输入时空坐标与状态值，学习物理规律隐含的时空关联，区分不同时空位置下状态的物理合理性，采用wgan-gp损失提升训练稳定性，进一步优化生成结果的分布真实性与感知自然度。

17、进一步的技术方案，由训练控制模块执行三阶段渐进训练流程，流程依次为：

18、阶段一：仅采用物理损失项、初始条件损失项、边界条件损失项对隐式神经表示模块执行参数训练；

19、阶段二：叠加对抗损失项、多样性损失项，联合优化隐式神经表示模块和对抗性判别器模块；

20、阶段三：依据物理残差空间分布结果调整配置点采样权重分布；

21、本方案采用三阶段渐进训练策略，先通过物理损失学习基础物理流形，再引入对抗损失精化分布拟合，最后通过自适应采样优化配置点分布，逐步提升模型性能，缓解直接联合训练导致的模式崩溃问题。

22、进一步的技术方案，所述隐式神经表示模块还集成精度控制单元；精度控制单元调取精度控制标量，对隐式神经表示模块倒数第二层输出特征执行中心化缩放运算，运算方式为倒数第二层输出减去训练集特征均值后与精度控制标量相乘，再叠加训练集特征均值；

23、本方案通过精度控制标量缩放倒数第二层特征输出，基于训练集均值进行中心化处理后再缩放，在不改变网络结构的前提下实现精度调节，利用特征贡献的长尾特性截断低价值分量，保证精度下降的可控性。

24、进一步的技术方案，精度控制标量取值区间设置为0至1；标量取值为1时，精度控制单元不执行特征缩放；标量取值为0时，隐式神经表示模块输出固定常值结果；

25、本方案的精度控制标量取值范围为0至1，可连续无级调节，不同取值对应不同的计算量与生成精度，用户可根据硬件资源与任务需求灵活选择，无需重新训练模型即可切换不同的仿真档位。

26、进一步的技术方案，所述训练控制模块搭载采样权重计算单元；采样权重计算单元采用softmax加权公式计算配置点采样权重，权重数值与物理残差指数函数正相关，通过温度参数限定权重分布收敛范围；

27、本方案在训练第三阶段基于物理残差的空间分布自适应调整配置点采样权重，残差高的区域获得更多采样点，通过温度参数控制权重分布的集中程度，实现计算资源向误差较大区域的倾斜，提升训练效率与精度。

28、进一步的技术方案，步骤s1中，偏微分方程依托交通流理论搭建，方程包括对流项、扩散项、源项；空间边界条件包括场景出入口dirichlet边界约束、道路边缘neumann边界约束；时间初值由场景采样数据或预设布局参数确定；

29、本方案的偏微分方程基于交通流理论构建，包括对流、扩散与源项三类分量，边界条件采用dirichlet与neumann结合的形式，初值可来自真实数据或预设配置，可灵活适配不同类型的路口交通场景仿真需求。

30、与现有技术相比，本发明的有益效果是：

31、本发明，能够提升大规模动态场景的生成效率：将场景演化重构为连续场学习任务，通过隐式神经表示模块直接学习低维物理流形的参数化表示，绕开传统数值求解的逐点迭代过程，单个时空点的状态查询仅需一次网络前向计算，且支持全并行批量处理，相比传统物理引擎可降低一定比例的计算开销，属于一定规模场景的批量生成，能够支撑多场景的快速采样与测试；

32、本发明，有助于增强生成结果的物理一致性与泛化能力：通过物理残差模块将偏微分方程约束转化为软损失注入训练过程，为生成网络提供物理先验的归纳偏置，同时结合对抗性判别器模块提升数据分布拟合度，物理约束的引入使得模型在未见交通流模式下仍能保持较高的物理合理性，相比纯数据驱动方法可减少分布外场景下的性能衰减幅度，支撑更可靠的仿真测试；

33、本发明，实现多尺度场景的自适应频谱适配：通过超网络单元生成逐通道可学习频率参数，根据输入隐编码动态调整各通道的频率响应，静态背景对应低频通道权重提升，快速运动实体对应高频通道权重增大，该机制在函数空间层面实现条件式频带分配，可同时兼顾静态区域的稳定性与动态区域的细节刻画能力，减少多尺度场景下的细节丢失与伪影；

34、本发明，提供精度与效率的连续可调能力：通过精度控制单元与精度控制标量缩放隐式神经表示模块的隐藏层输出，利用网络特征贡献的长尾分布特性安全截断低贡献分量，精度控制标量可在0至1区间连续调节，无需重新训练网络即可实现不同保真度与速度的折中，适配离线高保真仿真、在线实时生成等多种应用场景，提升模型的环境适配性。

35、为了更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。