Deformable Elliptical Particles for Predictive Mesh-Adaptive Crowds
Notice bibliographique
Résumé
Crowd simulation is an essential tool in the modern animation toolkit with a wide variety of applications, ranging from urban planning and evacuation analysis to creating believable crowds in both film and games. Modelling the movements and behaviours exhibited in crowds of characters often relies heavily upon the fundamental representation of agents used in the simulation. We propose a mesh-adaptive deformable representation of agents to increase simulation fidelity, generate novel behaviour, and support diversity. Most existing methods use static primitive geometries to represent agents, which neglects the variety in character meshes and animation states. We present an efficient method for generating elliptical particles, which can deform to any mesh and animation state in real-time. The method is straightforward, robust, and exceptionally generalizable. We develop a novel steering methodology for our agent representation method that solves the subsequent challenges of incorporating dynamic asymmetric particle representations. The physically-based algorithm features predictive collision avoidance, incorporating an activation function that encodes the rotational uncertainty of agents. Our model exhibits realistic packing behaviour of agents under high-density conditions, as well as unpacking when the flow is unconstrained. In addition to the compelling qualitative behaviour generated by our model, we present statistical comparisons with existing methods. Our method intrinsically supports the steering of crowds of diverse mesh morphologies without ad-hoc character-specific rules, while affording artist-defined steering components in the character mesh.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».