基于AI预测的多用户空间重定向漫游系统的制作方法

本发明涉及重定向漫游，特别是基于ai预测的多用户空间重定向漫游系统。

背景技术：

1、目前传统多用户vr漫游系统存在明显技术短板，多数系统仅依托单一用户实时位姿数据进行路径校正，未充分考虑多用户之间的时空运动交互影响，无法精准预判群体运动趋势。现有轨迹预测模型多采用基础单一时序网络，缺乏对多用户智能体交互关系的感知能力，难以编码用户间的动态时空干扰特征，导致运动轨迹预测精度低、滞后性明显。同时，传统路径规划算法通用性差，无法针对多用户并行漫游需求实现协同路径优化，易出现虚拟路径冲突、漫游卡顿等问题。使得多用户空间重定向漫游的空间利用率低，准确度低下且效率不高。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了基于ai预测的多用户空间重定向漫游系统。

2、实现上述目的本发明的技术方案为，进一步，在上述基于ai预测的多用户空间重定向漫游系统中，该多用户空间重定向漫游系统包括以下模块：

3、实时数据采集模块，用于实时采集多个用户在物理空间中的用户位姿数据，所述用户位姿数据包括各用户的三维空间位置、行走方向、行走速度及头部朝向；

4、运动轨迹预测模块，用于将所述用户位姿数据输入基于mai-lstm多智能体交互感知长短期记忆网络的轨迹预测模型，所述轨迹预测模型通过图注意力机制对各用户之间的时空交互影响进行显式编码，并融合个体运动惯性特征与群体交互特征，预测各用户的未来运动轨迹；

5、协同路径规划模块，用于基于未来运动轨迹，通过多智能体协同路径规划算法为各用户分别生成重定向漫游路径；

6、个性化增益调节模块，用于根据各用户的个性化眩晕敏感度参数，对所述重定向漫游路径进行增益调节，生成各用户的重定向控制指令；

7、指令输出模块，用于将所述重定向控制指令分别发送至各用户的虚拟现实显示设备，以驱动虚拟场景的视觉重定向呈现。

8、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述运动轨迹预测模块包括以下子模块：

9、个体运动编码子模块，用于将各用户的历史位姿时序数据映射为个体运动特征向量，所述个体运动编码模块采用双层lstm结构，分别对位置序列和姿态序列进行时序特征提取；

10、交互感知图编码子模块，用于以各用户为节点构建时空交互图，采用图注意力网络gat计算任意两个用户之间的交互影响权重，并将个体运动特征向量在时空交互图上进行邻域聚合，生成包含群体交互信息的增强特征向量；

11、门控特征融合子模块，用于通过可学习的门控机制将所述个体运动特征向量与增强特征向量进行自适应加权融合，生成融合特征向量；

12、交互感知解码子模块，用于将融合特征向量输入带有物理空间边界约束的lstm解码器，解码输出各用户在未来时间窗口内的预测轨迹坐标序列。

13、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述交互感知图编码子模块包括以下单元：

14、邻接矩阵构建单元，用于以各用户为节点，以用户之间的空间距离倒数构建初始邻接矩阵，当任意两个用户之间的空间距离大于预设截断距离阈值时，将二者之间的边权重置为零；

15、注意力系数计算单元，用于计算各用户对之间的相对速度向量和相对位置向量，将所述相对速度向量和相对位置向量拼接后输入注意力打分函数，生成原始注意力系数；

16、归一化处理单元，用于采用稀疏化softmax函数对所述原始注意力系数进行归一化处理，得到归一化交互影响权重，使得每个用户仅关注对其运动影响最大的k个邻近用户，其中k为预设正整数。

17、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述运动轨迹预测模块中包括以下子模块：

18、采集子模块，用于采集历史多用户漫游轨迹数据集，所述数据集包含多组用户同步行走时的位姿时序数据，并为每组数据标注用户间的真实碰撞事件标签；

19、构建子模块，用于构建复合损失函数，所述复合损失函数包括轨迹位移损失、交互一致性损失、碰撞先验损失；轨迹位移损失用于预测轨迹坐标与真实轨迹坐标之间的均方误差，交互一致性损失用于预测轨迹中用户对之间的最小距离与真实最小距离之间的差异，碰撞先验损失为判断当预测轨迹导致用户间距小于安全阈值时施加的附加惩罚项；

20、训练子模块，用于利用时间反向传播算法bptt结合梯度裁剪策略对复合损失函数进行优化训练。

21、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述协同路径规划模块中包括以下子模块：

22、状态空间构建子模块，用于以各用户为独立智能体，构建多智能体系统状态空间，所述状态空间包括各用户的当前位置、预测轨迹、速度向量及方向向量；

23、代价函数构建子模块，用于构建代价函数，所述代价函数包括空间利用率代价、碰撞风险代价、重定向平滑度代价和重置频率代价的加权和；

24、信息交换子模块，用于利用分布式多智能体优化算法，在各智能体之间进行协同信息交换，迭代求解使所述代价函数最小化的各用户重定向路径。

25、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述信息交换子模块中所述分布式多智能体优化算法利用多智能体深度强化学习madrl框架，各智能体通过共享全局状态信息进行协同决策，以最小化全局代价函数。

26、进一步，在上述基于ai预测的多用户空间重定向漫游系统中，所述个性化增益调节模块中包括以下子模块：

27、标定测试子模块，用于在用户初始使用时执行眩晕敏感度标定测试，记录用户在不同重定向增益条件下的主观舒适度评分和生理响应数据；

28、向量生成子模块，用于基于标定测试结果，为各用户生成个性化眩晕敏感度特征向量；

29、动态调整子模块，用于根据所述个性化眩晕敏感度特征向量，动态调整各用户的重定向增益阈值和增益变化速率。

30、进一步，在基于ai预测的多用户空间重定向漫游方法，所述方法包括以下步骤：

31、实时采集多个用户在物理空间中的用户位姿数据，所述用户位姿数据包括各用户的三维空间位置、行走方向、行走速度及头部朝向；

32、将所述用户位姿数据输入基于mai-lstm多智能体交互感知长短期记忆网络的轨迹预测模型，所述轨迹预测模型通过图注意力机制对各用户之间的时空交互影响进行显式编码，并融合个体运动惯性特征与群体交互特征，预测各用户的未来运动轨迹；

33、基于未来运动轨迹，通过多智能体协同路径规划算法为各用户分别生成重定向漫游路径；

34、根据各用户的个性化眩晕敏感度参数，对所述重定向漫游路径进行增益调节，生成各用户的重定向控制指令；

35、将所述重定向控制指令分别发送至各用户的虚拟现实显示设备，以驱动虚拟场景的视觉重定向呈现。

36、进一步，在基于ai预测的多用户空间重定向漫游方法中，所述方法包括以步骤：

37、以各用户为独立智能体，构建多智能体系统状态空间，所述状态空间包括各用户的当前位置、预测轨迹、速度向量及方向向量；

38、构建代价函数，所述代价函数包括空间利用率代价、碰撞风险代价、重定向平滑度代价和重置频率代价的加权和；

39、利用分布式多智能体优化算法，在各智能体之间进行协同信息交换，迭代求解使所述代价函数最小化的各用户重定向路径。

40、进一步，在基于ai预测的多用户空间重定向漫游方法中，所述方法包括以步骤：

41、在用户初始使用时执行眩晕敏感度标定测试，记录用户在不同重定向增益条件下的主观舒适度评分和生理响应数据；

42、基于标定测试结果，为各用户生成个性化眩晕敏感度特征向量；

43、根据所述个性化眩晕敏感度特征向量，动态调整各用户的重定向增益阈值和增益变化速率。

44、其有益效果在于，通过实时数据采集模块全方位采集用户物理位姿与虚拟位置多维数据，涵盖三维位置、行走状态、头部朝向等参数，为轨迹预测与路径规划提供全面、精准的数据支撑，解决了传统数据采集维度单一的问题。其次，采用mai-lstm多智能体交互感知网络构建预测模型，依托图注意力机制显式编码多用户时空交互特征，融合个体运动惯性与群体交互规律，大幅提升多用户未来运动轨迹的预测精准度与实时性，有效规避运动预判滞后导致的漫游冲突问题。同时，多智能体协同路径规划算法可针对多用户并行漫游场景实现差异化路径生成，实现多用户路径智能协同避让，彻底解决传统系统路径冲突、漫游卡顿的缺陷，大幅提升多用户协同漫游的流畅性与稳定性。此外，个性化增益调节模块结合用户眩晕敏感度参数适配重定向路径，实现千人千面的漫游控制调节，有效降低vr漫游过程中的视觉眩晕问题，提升用户沉浸式体验舒适度。最终通过精准的指令输出驱动虚拟场景视觉重定向，在有限物理空间内实现大范围、高适配、高稳定的多用户虚拟漫游，极大拓展了vr多用户协同场景的应用范围与落地价值。对多用户时容易碰撞•被动响应导致体验连贯•空间利用率低（行业平均<30%）技术亮点：lstm神经网络预测用户轨迹（提前500ms2000ms干预）•多智能体协同路径规划，支持10+用户同时体验•个性化眩晕控制，坪效率提升至40%+。