基于深度强化学习的虚拟三维场景构建方法、装置及设备与流程

1.本技术涉及计算机技术领域，尤其涉及到一种基于深度强化学习的虚拟三维场景构建方法、装置及设备。


背景技术：

2.随着虚拟现实技术与网络技术的进步，以虚拟现实为依托的三维场景，在生产和生活的各个方面得到了广泛的应用，如可应用在游戏开发、城市规划、驾驶路测、房屋建造、远程教育、展品展示、军事演练等众多领域。为满足不断提高的用户需求，如何实现对虚拟三维场景的精准、快速构建成为虚拟现实中的重要研究课题。
3.目前的虚拟三维场景构建主要以人工搭建为主，没有大规模自动生成三维仿真场景的方法，另一方面，根据真实的激光雷达点云数据和全息摄影数据可以构建真实的城市三维场景，但面临着成本高、技术复杂、难以大规模扩展的问题。


技术实现要素：

4.有鉴于此，本技术提供了一种基于深度强化学习的虚拟三维场景构建方法、装置及设备，可解决目前在生成虚拟三维场景时，构建主要以人工搭建为主，没有大规模自动生成三维仿真场景的方法，另一方面，根据真实的激光雷达点云数据和全息摄影数据可以构建真实的城市三维场景，但面临着成本高、技术复杂、难以大规模扩展的问题。
5.根据本技术的一个方面，提供了一种基于深度强化学习的虚拟三维场景构建方法，该方法包括：
6.将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取所述预设虚拟三维场景中所包含实例物体的参数预测值；
7.以所述参数预测值作为迭代初值，对所述神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断所述神经网络模型训练完成；
8.利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值，其中，所述目标虚拟三维场景为所述预设虚拟三维场景中的任意一种；
9.根据所述目标参数预测值以及所述目标实例物体的预制体构建得到目标虚拟三维场景。
10.根据本技术的另一个方面，提供了一种基于深度强化学习的虚拟三维场景构建装置，该装置包括：
11.获取模块，用于将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取所述预设虚拟三维场景中所包含实例物体的参数预测值；
12.训练模块，用于以所述参数预测值作为迭代初值，对所述神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断所述神经网络模型训练完成；
13.第一确定模块，用于利用训练完成的神经网络模型确定目标虚拟三维场景下所包
含目标实例物体的目标参数预测值，其中，所述目标虚拟三维场景为所述预设虚拟三维场景中的任意一种；
14.构建模块，用于根据所述目标参数预测值以及所述目标实例物体的预制体构建得到目标虚拟三维场景。
15.根据本技术的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于深度强化学习的虚拟三维场景构建方法。
16.根据本技术的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深度强化学习的虚拟三维场景构建方法。
17.借由上述技术方案，本技术提供的一种基于深度强化学习的虚拟三维场景构建方法、装置及设备，与目前虚拟三维场景的生成方式相比，本技术可首先将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值；之后以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成；进一步的，可利用训练完成的神经网络模型确定预设虚拟三维场景中任一目标虚拟三维场景下所包含目标实例物体的目标参数预测值，最后根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。通过本技术中的技术方案，可利用强化学习结合生成对抗网络的方法自动化的生成大规模的三维场景。在本技术中，无需数据采集的成本，只需收集和搭建少数三维城市场景即可生成大量三维场景，可降低虚拟三维场景的生成成本，提高生成效率，且生成的三维场景可以无限扩展到任意的城市级。
18.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本地申请的不当限定。在附图中：
20.图1示出了本技术实施例提供的一种基于深度强化学习的虚拟三维场景构建方法的流程示意图；
21.图2示出了本技术实施例提供的另一种基于深度强化学习的虚拟三维场景构建方法的流程示意图；
22.图3示出了本技术实施例提供的一种基于深度强化学习的虚拟三维场景构建装置的结构示意图；
23.图4示出了本技术实施例提供的另一种基于深度强化学习的虚拟三维场景构建装置的结构示意图。
具体实施方式
24.本技术实施例可以基于人工智能技术实现对虚拟三维场景的构建。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延
伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
25.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
26.下文将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合。
27.针对目前在生成虚拟三维场景时，构建主要以人工搭建为主，没有大规模自动生成三维仿真场景的方法，另一方面，根据真实的激光雷达点云数据和全息摄影数据可以构建真实的城市三维场景，但面临着成本高、技术复杂、难以大规模扩展的技术问题，本技术实施例提供了一种基于深度强化学习的虚拟三维场景构建方法，如图1所示，该方法包括：
28.101、将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值。
29.在具体的应用场景中，预设虚拟三维场景可包括游戏对应的虚拟三维场景、城市对应的虚拟三维场景、道路对应的虚拟三维场景等，具体可根据实际应用场景进行设定，在此不进行具体的限定。在本技术的下述实施例步骤中，以构建道路对应的虚拟三维场景为例，对本技术中的技术方案进行说明。相应的，根据虚拟三维场景的不同，输入神经网络模型的随机噪声也存在差异。当预设虚拟三维场景为道路对应的虚拟三维场景时，可确定与道路对应虚拟三维场景匹配的随机噪声，进而将该随机噪声输入神经网络模型，以利用神经网络模型输出道路对应虚拟三维场景中所包含各个实例物体的参数预测值。
30.其中，神经网络模型为一个两层的循环神经网络，根据最开始输入的随机噪声作为随机种子获得对应的三维场景。循环神经网络中每一个时间步的输出都对应一个实例物体的参数，每预设数量个输出决定了一个实例物体的具体表现形式，最终得到若干个实例物体的参数构成整个的三维场景。
31.对于本技术的执行主体可为虚拟三维场景构建装置，可配置在客户端侧或服务端侧，在虚拟三维场景构建装置内部设置有生成场景服从的概率分布逼近于真实场景服从的概率分布的训练完成的神经网络模型，可利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值，进一步根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。
32.102、以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成。
33.对于本实施例，在具体的应用场景中，可根据参数预测值实时生成预设虚拟三维场景，进而将预设虚拟三维场景的虚拟场景图像和真实搭建出来的三维场景中的真实场景图像做对抗训练，根据判别器的判别分数决定生成的场景的真实性，以实现对神经网络模型的迭代训练，以使判别器无法辨别出自动生成的场景和真实搭建出来的，即生成场景服从的概率分布与真实场景服从的概率分布接近相同，此时判定神经网络模型训练完成，即可通过随机采样的方式得到大量不同的三维场景。
34.103、利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物
体的目标参数预测值，其中，目标虚拟三维场景为预设虚拟三维场景中的任意一种。
35.对于本实施例，在判定神经网络模型训练完成后，可进一步利用神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值，鉴于神经网络模型已通过对抗训练，故输出的目标参数预测值与真实三维场景较为匹配，不需要再次进行对抗训练，可进一步利用目标参数预测值构建得到目标虚拟三维场景。
36.104、根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。
37.在具体的应用场景中，可首先收集和搭建一些基本物体的预制体，场景中的所有物体都可以根据这些预制体用具体的参数进行实例化。对于本实施例，可进一步利用目标参数预测值对目标实例物体的预制体进行实例化处理，构建得到目标虚拟三维场景。
38.通过本实施例中基于深度强化学习的虚拟三维场景构建方法，可首先将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值；之后以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成；进一步的，可利用训练完成的神经网络模型确定预设虚拟三维场景中任一目标虚拟三维场景下所包含目标实例物体的目标参数预测值，最后根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。通过本技术中的技术方案，可利用强化学习结合生成对抗网络的方法自动化的生成大规模的三维场景。在本技术中，无需数据采集的成本，只需收集和搭建少数三维城市场景即可生成大量三维场景，可降低虚拟三维场景的生成成本，提高生成效率，且生成的三维场景可以无限扩展到任意的城市级。
39.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于深度强化学习的虚拟三维场景构建方法，如图2所示，该方法包括：
40.201、将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值。
41.对于本实施例，当预设虚拟三维场景为道路对应的虚拟三维场景时，预设虚拟三维场景中所包含实例物体可包括树木、植被、建筑物、高精路网、建筑物、交通信号灯、指示牌、河流、路灯等，参数预测值为对实例物体进行具体化处理的参数值，可包括各个实例物体的具体位置坐标、大小、旋转、颜色等。
42.202、根据参数预测值以及预设虚拟三维场景中实例物体的预制体，生成包含各个实例物体的预设虚拟三维场景。
43.在具体的应用场景中，可预先收集和搭建一些基本物体的预制体，以基于预设虚拟三维场景中实例物体的参数预测值以及对应的预制体，实现对各个实例物体的快速生成，进而构建得到预设虚拟三维场景。相应的，在搭建基本物体的预制体时，作为一种优选方式，实施例步骤具体可以包括：根据实体类数据中的实体标识和实体类别，创建具有不同材质和模型的预制体，预制体对应为不同实体类别的实例物体在三维场景中可被实例化的场景对象；将预制体按照实体标识存储至预设数据库中。
44.相应的，在执行本实施例步骤之前，还包括：确定预设虚拟三维场景中所包含实例物体的第一实体标识；按照第一实体标识在预设数据库中提取预设虚拟三维场景中实例物
体对应的第一预制体；对于本实施例，实施例步骤202具体可以包括：利用参数预测值对第一预制体进行实例化处理，构建得到包含各个三维实例物体的预设虚拟三维场景。
45.例如，确定预设虚拟三维场景中所包含实例物体的参数预测值为：a、b、c、d、e，进一步的，可根据预设虚拟三维场景中所包含实例物体的第一实体标识，在预设数据库中提取预设虚拟三维场景中实例物体对应的第一预制体包括：a、b、c、d、e。之后，可利用参数预测值a对第一预制体a进行实例化处理，得到三维实例物体a-a、利用参数预测值b对第一预制体b进行实例化处理，得到三维实例物体b-b、参数预测值c对第一预制体c进行实例化处理，得到三维实例物体c-c，参数预测值d对第一预制体d进行实例化处理，得到三维实例物体d-d，参数预测值e对第一预制体e进行实例化处理，得到三维实例物体e-e。在完成对预设虚拟三维场景中所有实例物体的实例化处理后，可构建得到包含三维实例物体a-a、b-b、c-c、d-d、e-e的预设虚拟三维场景。
46.203、将预设虚拟三维场景的虚拟场景图像与预设虚拟三维场景对应的真实场景图像进行对抗训练，得到当前判别分数。
47.对于本实施例，在具体的应用场景中，为保证神经网络模型所输出参数预测值的真实准确性，可在获取到预设虚拟三维场景后，将预设虚拟三维场景的虚拟场景图像和真实搭建出来的三维场景中的真实场景图像做对抗训练，根据判别器的判别分数决定生成的场景的真实性，以实现对神经网络模型的迭代训练，以使判别器无法辨别出自动生成的场景和真实搭建出来的，即生成场景服从的概率分布与真实场景服从的概率分布接近相同，此时判定神经网络模型训练完成，可进一步应用于具体虚拟三维场景的构建任务中。其中，判别器主要为一个卷积神经网络，在卷积神经网络中包含若干个卷积核以及最后一个全连接层和激活函数，经过若干个卷积核的计算后可得到一个特征向量，最后经过一个全连接层和激活函数后可得到一个区间[0,1]中的实数作为判别器的输出，即得到当前判别分数，根据该当前判别分数可判断神经网络模型是否完成训练。
[0048]
相应的，实施例步骤203具体可以包括：在预设虚拟三维场景中截取虚拟场景图像，将虚拟场景图像与预设虚拟三维场景对应真实场景图像输入卷积神经网络；利用卷积神经网络中的多个卷积核计算得到特征向量，利用特征向量以及卷积神经网络中的全连接层和激活函数，计算得到虚拟场景图像与真实场景图像的当前判别分数。
[0049]
当前判别分数的计算公式为：
[0050][0051]
其中，d(x)为真实场景图像的特征向量，d(g(z))为虚拟场景图像的特征向量。
[0052]
204、若当前判别分数不满足预设分数阈值，则重复执行更新神经网络模型的网络参数，利用更新网络参数后的神经网络模型输出的参数预测值重新计算当前判别分数的过程，直至判断当前判别分数满足预设分数阈值。
[0053]
在具体的应用场景中，在通过对抗训练计算得到当前判别分数后，可由这个判别分数作为强化学习的奖励反馈，训练rnn中的参数生成更合理的物体实例参数：
[0054][0055]
循环这个过程，以使判别器和神经网络模型收敛到一个均衡态，最终的判别分数等于预设分数阈值，或处于至少两个预设分数阈值确定的分值区间内，进一步判断生成场
景服从的概率分布与真实场景服从的概率分布接近相同，也就是说基本上无法辨别出自动生成的场景和真实搭建的场景，此时判断神经网络模型训练完成，即可通过随机采样的方式得到大量不同的三维场景。
[0056]
205、利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值。
[0057]
其中，目标虚拟三维场景为预设虚拟三维场景中的任意一种。
[0058]
在具体的应用场景中，在判定神经网络模型训练完成后，可将训练完成的神经网络模型应用于具体的虚拟三维场景的构建任务中，即可进一步利用神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值，鉴于神经网络模型已通过对抗训练，故输出的目标参数预测值与真实三维场景较为匹配，不需要再次进行对抗训练，可直接利用目标参数预测值构建得到目标虚拟三维场景。
[0059]
对于本实施例，实施例步骤具体可以包括：确定与目标虚拟三维场景匹配的目标随机噪声；将目标随机噪声输入训练完成的神经网络模型，得到目标虚拟三维场景下所包含目标实例物体的目标参数预测值。
[0060]
206、根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。
[0061]
与实施例步骤202对应，在执行本实施例步骤之前，还包括：确定目标虚拟三维场景中所包含目标实例物体的第二实体标识；按照第二实体标识在预设数据库中提取目标虚拟三维场景中目标实例物体对应的第二预制体；相应的，对于本实施例，实施例步骤206具体可以包括：利用目标参数预测值对第二预制体进行实例化处理，构建得到包含各个目标实例物体的目标虚拟三维场景。
[0062]
借由上述基于深度强化学习的虚拟三维场景构建方法，可首先将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值；之后以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成；进一步的，可利用训练完成的神经网络模型确定预设虚拟三维场景中任一目标虚拟三维场景下所包含目标实例物体的目标参数预测值，最后根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。通过本技术中的技术方案，可利用强化学习结合生成对抗网络的方法自动化的生成大规模的三维场景。在本技术中，无需数据采集的成本，只需收集和搭建少数三维城市场景即可生成大量三维场景，可降低虚拟三维场景的生成成本，提高生成效率，且生成的三维场景可以无限扩展到任意的城市级。
[0063]
进一步的，作为图1和图2所示方法的具体实现，本技术实施例提供了一种基于深度强化学习的虚拟三维场景构建装置，如图3所示，该装置包括：获取模块31、训练模块32、第一确定模块33、构建模块34；
[0064]
获取模块31，可用于将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值；
[0065]
训练模块32，可用于以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成；
[0066]
第一确定模块33，可用于利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值，其中，目标虚拟三维场景为预设虚拟三维场景中的任意一种；
[0067]
构建模块34，可用于根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。
[0068]
在具体的应用场景中，为实现对神经网络模型的迭代训练，训练模块32，具体可用于根据参数预测值以及预设虚拟三维场景中实例物体的预制体，生成包含各个实例物体的预设虚拟三维场景；将预设虚拟三维场景的虚拟场景图像与预设虚拟三维场景对应的真实场景图像进行对抗训练，得到当前判别分数；若当前判别分数不满足预设分数阈值，则重复执行更新神经网络模型的网络参数，利用更新网络参数后的神经网络模型输出的参数预测值重新计算当前判别分数的过程，直至判断当前判别分数满足预设分数阈值。
[0069]
在具体的应用场景中，在将预设虚拟三维场景的虚拟场景图像与预设虚拟三维场景对应的真实场景图像进行对抗训练，得到当前判别分数时，训练模块32，具体可用于在预设虚拟三维场景中截取虚拟场景图像，将虚拟场景图像与预设虚拟三维场景对应真实场景图像输入卷积神经网络；利用卷积神经网络中的多个卷积核计算得到特征向量，利用特征向量以及卷积神经网络中的全连接层和激活函数，计算得到虚拟场景图像与真实场景图像的当前判别分数。
[0070]
在具体的应用场景中，为实现对预制体的预先生成，如图4所示，该装置还包括：创建模块35、存储模块36；
[0071]
创建模块35，可用于根据实体类数据中的实体标识和实体类别，创建具有不同材质和模型的预制体，预制体对应为不同实体类别的实例物体在三维场景中可被实例化的场景对象；
[0072]
存储模块36，可用于将预制体按照实体标识存储至预设数据库中。
[0073]
在具体的应用场景中，如图4所示，该装置还包括：第二确定模块37、第一提取模块38；
[0074]
第二确定模块37，可用于确定预设虚拟三维场景中所包含实例物体的第一实体标识；
[0075]
第一提取模块38，可用于按照第一实体标识在预设数据库中提取预设虚拟三维场景中实例物体对应的第一预制体；
[0076]
相应的，在根据参数预测值以及预设虚拟三维场景中实例物体的预制体，生成包含各个实例物体的预设虚拟三维场景时，训练模块32，具体可用于：利用参数预测值对第一预制体进行实例化处理，构建得到包含各个三维实例物体的预设虚拟三维场景。
[0077]
在具体的应用场景中，在利用训练完成的神经网络模型确定目标虚拟三维场景下所包含目标实例物体的目标参数预测值时，第一确定模块33，具体可用于：确定与目标虚拟三维场景匹配的目标随机噪声；将目标随机噪声输入训练完成的神经网络模型，得到目标虚拟三维场景下所包含目标实例物体的目标参数预测值。
[0078]
在具体的应用场景中，如图4所示，该装置还包括：第三确定模块39、第二提取模块310；
[0079]
第三确定模块39，可用于确定目标虚拟三维场景中所包含目标实例物体的第二实
体标识；
[0080]
第二提取模块310，可用于按照第二实体标识在预设数据库中提取目标虚拟三维场景中目标实例物体对应的第二预制体；
[0081]
相应的，在根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景时，构建模块34，具体可用于利用目标参数预测值对第二预制体进行实例化处理，构建得到包含各个目标实例物体的目标虚拟三维场景。
[0082]
需要说明的是，本实施例提供的一种基于深度强化学习的虚拟三维场景构建装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
[0083]
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种非易失性存储介质，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于深度强化学习的虚拟三维场景构建方法。
[0084]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景的方法。
[0085]
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；非易失性存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于深度强化学习的虚拟三维场景构建方法。
[0086]
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。
[0087]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0088]
非易失性存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
[0089]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
[0090]
通过应用本技术的技术方案，与目前现有技术相比，本技术可首先将与预设虚拟三维场景匹配的随机噪声输入神经网络模型，获取预设虚拟三维场景中所包含实例物体的参数预测值；之后以参数预测值作为迭代初值，对神经网络模型进行迭代训练，直至生成场景服从的概率分布逼近于真实场景服从的概率分布，判断神经网络模型训练完成；进一步的，可利用训练完成的神经网络模型确定预设虚拟三维场景中任一目标虚拟三维场景下所包含目标实例物体的目标参数预测值，最后根据目标参数预测值以及目标实例物体的预制体构建得到目标虚拟三维场景。通过本技术中的技术方案，可利用强化学习结合生成对抗网络的方法自动化的生成大规模的三维场景。在本技术中，无需数据采集的成本，只需收集
和搭建少数三维城市场景即可生成大量三维场景，可降低虚拟三维场景的生成成本，提高生成效率，且生成的三维场景可以无限扩展到任意的城市级。
[0091]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0092]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。