Image-Driven Multiview Environmental Simulation Modeling and Dynamic Response Mechanisms for Virtual Disaster Drills
Notice bibliographique
Résumé
In response to the increasing frequency of natural disasters and public safety incidents, traditional field-based drills face significant challenges in terms of cost, safety, and scene diversity.Virtual simulation technology, however, provides a revolutionary approach for efficient, low-risk disaster drills.Nevertheless, constructing a high-fidelity, interactive virtual training environment and realizing physically credible dynamic disaster responses remain core challenges in this field.Current research in environmental modeling, such as methods like Neural Radiance Fields (NeRF), suffers from slow training and difficulties in integrating physical semantics, while high-fidelity disaster simulations incur enormous computational costs, with simplified models sacrificing realism.To address these issues, this paper focuses on two core areas: "image-driven modeling" and "dynamic response mechanisms."(1) In environmental simulation modeling, this paper innovatively optimizes and applies three-dimensional Gaussian Splatting (3DGS) techniques, enabling rapid reconstruction of geometrically accurate, visually rich, and semantically informed digital twins of scenes from multi-view images via hierarchical spatial partitioning and semantic injection.(2) In dynamic response, a hybrid framework combining physical simulation and AI acceleration is proposed, where graph neural network (GNN)-based proxy models are trained to simulate the physical evolution of disasters such as fires and floods in real time.These models are deeply coupled with particle systems and physics engines in game engines to achieve intelligent, real-time interaction between disasters, environments, and trainee behaviors.The main contributions of this paper are: (1) the introduction of a complete virtual disaster drill technology system that integrates improved 3DGS with AI-accelerated physical simulation, achieving a closed-loop from real-world perception to virtual-world interaction; (2) the introduction of enhanced appearance and geometric priors in environmental modeling, significantly improving the physical consistency and semantic completeness of reconstructed models; and (3) the development of a real-time disaster simulator based on AI proxy models, which breaks computational bottlenecks and enables immersive, interactive drills at large-scale scenes while ensuring physical credibility.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».