[发明专利]一种姿态预测方法和装置

说明书

本发明公开了一种姿态预测方法和装置，方法包括：按照预设采样频率，对用户运动时姿态传感器生成的姿态数据进行采样，得到原始数据集；根据原始数据集确定神经网络的层数以及各层节点数，得到训练完成的神经网络模型；在一次姿态预测过程中，将采集的预定时间段内的姿态数据输入到神经网络模型中，得到神经网络模型输出的当前时刻之后目标时刻对应的姿态数据；其中，预定时间段是由当前时刻以及当前时刻之前的预定时刻确定的时间段。可见，本发明的技术方案利用机器学习训练出的神经网络模型进行姿态预测不仅满足了效率要求，降低了计算复杂度。而且，能够捕捉历史姿态中的微小的运动模式，预测的精度高，提升了用户的沉浸感等体验。

技术领域

本发明涉及头戴显示设备技术领域，具体涉及一种姿态预测方法和装置。

背景技术

VR(Virtual Reality，虚拟现实)和AR(Augmented Reality，增强现实)技术通过控制器让用户获得可交互的沉浸式体验。控制器可位于HMD(Head Mounted Display，头戴显示设备)中，也可位于手柄中。控制器过高延迟会破坏沉浸感，尤其对于HMD这种头-眼运动反馈的设备来说，过高的延迟会引发严重的不适感和晕动症，影响用户的生理健康。一个完善的VR/AR系统通常需要结合多种优化手段以降低控制器的延迟。VR/AR的控制器中通常集成有IMU(Inertial Measurement Unit，惯性测量单元简称)等姿态传感器，并利用姿态传感器获取用户的姿态数据，通过姿态数据预测来降低用户所察觉到的系统延迟。

但是现有基于姿态传感器进行姿态预测的方案要么误差较大，精度达不到要求，要么计算复杂度高，实现起来非常困难，不能满足实际需求，用户体验不佳。

发明内容

为了解决现有虚拟现实或增强现实技术对姿态进行预测时误差较大，计算复杂度高，用户体验不佳的技术问题，本发明实施例提供了一种姿态预测方法和装置。

根据本发明的一个方面，提供了一种姿态预测方法，包括：

按照预设采样频率，对用户运动时姿态传感器生成的姿态数据进行采样，得到原始数据集；

根据原始数据集和指定预测时长确定初始神经网络模型的层数以及各层的节点数，并使用所述原始数据集对初始神经网络模型训练，以得到训练完成的神经网络模型；

在一次姿态预测过程中，将采集的预定时间段内的姿态数据输入到训练完成的神经网络模型中，得到训练完成的神经网络模型输出的当前时刻之后目标时刻对应的姿态数据；

其中，预定时间段是由当前时刻以及当前时刻之前的预定时刻确定的时间段。

可选地，根据原始数据集和指定预测时长确定初始神经网络模型的层数以及各层的节点数，并使用所述原始数据集对神经网络训练包括：

对原始数据集进行整理，生成指示预定时间段内的姿态数据以及目标时刻的姿态数据的映射关系的映射关系集；

将映射关系集中的数据输入到初始神经网络模型中，并采用监督式学习训练神经网络模型。

可选地，方法还包括：

在采用监督式学习训练神经网络模型过程中，根据训练结果调整神经网络模型的指定参数；指定参数包括：神经网络模型的层数、各层的节点数、激活函数以及损失函数。

可选地，根据训练结果调整神经网络模型的指定参数包括：

根据训练结果将神经网络模型的损失函数设置为采集的实际姿态数据值与预测姿态数据值的均方差。

可选地，方法还包括：

在神经网络模型训练完成后，提取并输出训练完成的神经网络模型的指定参数的值，以在指定终端平台上运行神经网络模型。