基于VR场景的多路径事故模拟体验流程动态控制方法与流程

摘要: 本技术涉及虚拟现实与人机交互,特别是涉及一种基于vr场景的多路径事故模拟体验流程动态控制方法、装置、计算机设备及存储介质。背景技术:1、随着虚拟现实(vr)技术...
基于VR场景的多路径事故模拟体验流程动态控制方法与流程

本技术涉及虚拟现实与人机交互,特别是涉及一种基于vr场景的多路径事故模拟体验流程动态控制方法、装置、计算机设备及存储介质。

背景技术:

1、随着虚拟现实(vr)技术的飞速发展,其在高风险行业(如电力、石化、特种设备操作等)的事故模拟与应急演练培训中得到了广泛应用。这类vr事故模拟系统通过构建高度沉浸式的三维虚拟环境,使受训人员能够在无物理风险的环境中反复体验突发故障或事故场景,从而在安全可控的前提下,有效积累应对经验并习得标准化的应急处置流程。相较于传统的实地演练或理论授课,这种数字化培训方式在降低培训成本与物理安全风险方面展现出了显著优势。

2、目前,主流的vr事故模拟培训系统普遍采用预设固定流程或基于简单条件分支的逻辑来驱动体验进程。其核心控制逻辑通常被预先固化于场景脚本中:即在特定触发条件下,系统按部就班地播放对应的视觉特效与音频提示,引导用户完成既定的操作步骤。然而,此类“预设剧本式”的控制机制存在一个显著的局限性:其仅能反映理想化的或平均化的培训进程,却完全忽视了受训人员在面对复杂事故场景时存在的巨大个体差异。具体而言,不同用户在承受心理压力、处理多源信息以及手眼协调等方面的能力阈值千差万别。当虚拟场景中事故演变的复杂度(如并发故障数量、干扰信息密度)超出该用户当前的实际承受能力时,容易导致认知过载,不仅严重削弱了训练的有效性,甚至可能因过度惊吓或挫败感引发用户对培训的心理抵触,影响高应激场景下应急处置能力的习得效果。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够根据用户实时身心状态对虚拟场景复杂度进行自适应调整的虚拟场景的自适应控制方法、装置、计算机设备及存储介质。

2、第一方面,本技术提供了一种基于vr场景的多路径事故模拟体验流程动态控制方法。所述方法包括:

3、获取目标用户在虚拟场景中的多模态生理状态数据,以及所述虚拟场景当前的任务复杂度数据;基于所述多模态生理状态数据和所述任务复杂度数据,通过动态耦合模型确定所述目标用户的认知负荷评估结果;

4、获取所述目标用户针对预定义安全区域的视觉注视数据,以及针对目标动作的肢体操作数据;对所述视觉注视数据和所述肢体操作数据进行时空匹配分析,确定所述目标用户的注意力分配评估结果;

5、将所述认知负荷评估结果和所述注意力分配评估结果作为状态输入,通过强化学习模型输出场景参数调整策略;

6、基于所述场景参数调整策略,动态调整所述虚拟场景的信息呈现密度、故障复合度和/或任务干扰强度。

7、在其中一个实施例中,所述多模态生理状态数据包括脑电信号、心率变异性信号和皮肤电导信号中的至少两种;

8、所述任务复杂度数据包括设备参数读取量与流程步骤数的加权组合。

9、在其中一个实施例中,通过所述动态耦合模型确定所述目标用户的认知负荷评估结果,包括:

10、通过所述动态耦合模型计算动态耦合系数,所述动态耦合系数的计算公式为:

11、

12、其中,其中,为t时刻的所述动态耦合系数,为基于所述脑电信号提取的t时刻的脑电β波功率,为基于所述新路变异性信号提取的t时刻的心率变异性指标,为基于所述皮肤点到信号提取的t时刻的皮肤电导反应指标,为t时刻的当前人物复杂度评分,、和为预设权重系数;为正则化常数;

13、基于所述动态耦合系数确定所述认知负荷评估结果。

14、在其中一个实施例中,对所述视觉注视数据和所述肢体操作数据进行时空匹配分析,确定所述目标用户的注意力分配评估结果,包括:

15、基于所述视觉注视数据,确定所述目标用户在预定义安全区域的视觉注视时长占比;

16、基于所述肢体操作数据,确定所述目标用户执行正确肢体操作的正确操作时间占比;

17、基于所述视觉注视时长占比和所述正确操作时间占比,计算时空重合度;

18、基于所述时空重合度确定所述注意力分配评估结果。

19、在其中一个实施例中,基于所述时空重合度确定所述注意力分配评估结果,包括:

20、计算视觉注意力缺陷指数,所述视觉注意力缺陷指数的计算公式为:

21、

22、其中,为所述视觉注意力缺陷指数,为采样时刻总数,为第个采样时刻对应的任务阶段权重,为第个采样时刻所述目标用户在所述预定义安全区域的视觉注视时长占比,为第个采样时刻所述目标用户的正确操作时间占比,为第个采样时刻所述目标用户的总注视时长,为第个采样时刻所述目标用户的总操作时间;

23、将所述视觉注意力缺陷指数作为所述注意力分配评估结果。

24、在其中一个实施例中,所述强化学习模型的状态空间包括所述认知负荷评估结果和所述注意力分配评估结果;

25、所述强化学习模型的动作空间包括信息呈现密度调整量、故障复合度调整量和任务干扰强度调整量;

26、所述强化学习模型的奖励函数基于所述注意力分配评估结果、所述认知负荷评估结果和任务完成度构建,所述任务完成度用于表征当前任务的整体完成进度。

27、在其中一个实施例中,所述方法还包括:

28、当检测到所述多模态生理状态数据中目标生理信号的突发功率超过预设自适应阈值时,触发场景简化协议;所述目标生理信号包括肌电信号和/或脑电信号中β波段的信号,所述突发功率为所述目标生理信号在预设短时窗口内采样值的平方和;

29、所述场景简化协议包括降低所述虚拟场景的所述信息呈现密度和/或所述任务干扰强度。

30、第二方面,本技术还提供了一种基于vr场景的多路径事故模拟体验流程动态控制装置。所述装置包括:

31、数据获取模块,用于获取目标用户在虚拟场景中的多模态生理状态数据,以及所述虚拟场景当前的任务复杂度数据;获取所述目标用户针对预定义安全区域的视觉注视数据,以及针对目标动作的肢体操作数据;

32、认知评估模块,用于基于所述多模态生理状态数据和所述任务复杂度数据,通过动态耦合模型确定所述目标用户的认知负荷评估结果;

33、注意力评估模块,用于对所述视觉注视数据和所述肢体操作数据进行时空匹配分析,确定所述目标用户的注意力分配评估结果;

34、场景调节模块,用于将所述认知负荷评估结果和所述注意力分配评估结果作为状态输入,通过强化学习模型输出场景参数调整策略;基于所述场景参数调整策略,动态调整所述虚拟场景的信息呈现密度、故障复合度和/或任务干扰强度。

35、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于vr场景的多路径事故模拟体验流程动态控制方法。

36、第四方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于vr场景的多路径事故模拟体验流程动态控制方法。

37、上述基于vr场景的多路径事故模拟体验流程动态控制方法、装置、计算机设备及存储介质,通过建立“感知-评估-干预”的实时闭环控制架构,实现了事故模拟复杂度与用户实时认知状态的动态精准适配。具体而言,首先同步获取用户在虚拟场景中的多模态内在生理反应与外在任务环境负载,并利用动态耦合模型对二者进行非线性关联分析,从而准确量化用户在当前事故进程下的真实认知负荷水平,克服了单一维度评估带来的片面性问题;同时,通过对视觉注视空间指向性与肢体操作功能有效性进行时空匹配分析,构建了能够识别“视而不见”或“盲目操作”等隐性缺陷的注意力分配评估机制,从行为执行层面进一步丰富了用户状态的表征维度。在此基础上,将认知负荷与注意力分配的双维评估结果共同作为强化学习模型的输入状态,使模型能够根据用户实时的身心状态输出连续、平滑的场景参数调整策略,据此动态调节虚拟场景的信息呈现密度和任务干扰强度,使得事故演变的节奏与难度能够自适应地跟随用户的能力变化。这一机制既避免了因场景难度超越用户承受阈值而引发的认知崩溃与训练中断,也防止了因场景过于简单而导致的注意力涣散与训练失效,从而在确保应急演练心理安全性的前提下,提升复杂事故场景下应急处置训练的适应性和效率。