一种用于VR设备的摇杆控制异常检测方法 |
|||||||
| 申请号 | CN202410145155.8 | 申请日 | 2024-02-02 | 公开(公告)号 | CN117708745B | 公开(公告)日 | 2024-04-26 |
| 申请人 | 广东控银实业有限公司; | 发明人 | 曾晓; 赵建波; 邱辉; | ||||
| 摘要 | 本 申请 涉及 深度学习 技术领域，公开了一种用于VR设备的摇杆控制 异常检测 方法。所述方法包括：获取VR设备摇杆系统的目标摇杆运动模型；进行摇杆运动 数据采集 、数据清洗和尺度归一化处理，得到目标摇杆运动数据；进行初步异常检测，得到多个目标摇杆运动异常区间并进行深度异常分析，得到多个目标摇杆运动异常点；进行异常点分类、特征编码和矩阵转换，得到摇杆运动异常特征矩阵；通过摇杆控制异常检测模型进行VR设备摇杆系统的摇杆控制异常反馈检测，得到摇杆控制异常检测结果；进行自适应异常处理，得到初始摇杆控制异常处理策略并进行策略优化，得到目标摇杆控制异常处理策略，进而提高了用于VR设备的摇杆控制异常检测准确率。 | ||||||
| 权利要求 | 1.一种用于VR设备的摇杆控制异常检测方法，其特征在于，所述用于VR设备的摇杆控制异常检测方法包括： |
||||||
| 说明书全文 | 一种用于VR设备的摇杆控制异常检测方法技术领域背景技术[0002] 在虚拟现实（VR）技术迅速发展的当下，VR设备在游戏、教育等领域的应用日益广泛。摇杆作为VR设备中最关键的交互工具之一，其精确度和稳定性对于提升用户的沉浸式体验至关重要。然而，由于复杂的物理结构和高频度的用户交互，摇杆系统很容易发生性能衰减或控制异常，如响应延迟、运动不稳定或频繁震动，这不仅影响用户体验，也会导致设备故障或安全事故。 [0003] 目前，针对摇杆控制异常的检测和处理大多依赖于传统的硬件维护和人工检测，这种方法不仅耗时耗力，而且效率低下，难以实时准确地发现和处理问题。此外，传统方法往往采取被动应对策略，只有在用户明显感知到异常或设备发生故障时才进行干预，难以做到预防性维护或及时响应。这些问题严重制约了VR设备的性能稳定性和用户体验的提升。发明内容 [0004] 本申请提供了一种用于VR设备的摇杆控制异常检测方法，进而提高了用于VR设备的摇杆控制异常检测准确率。 [0005] 本申请第一方面提供了一种用于VR设备的摇杆控制异常检测方法，所述用于VR设备的摇杆控制异常检测方法包括： [0006] 获取VR设备摇杆系统的摇杆几何参数数据，并基于格拉肖夫准则和所述摇杆几何参数数据构建所述VR设备摇杆系统的摇杆运动基准模型，以及基于预置的双层优化算法对所述摇杆运动基准模型进行摇杆运动模型优化，得到目标摇杆运动模型； [0007] 基于所述目标摇杆运动模型对所述VR设备摇杆系统进行摇杆运动数据采集，得到初始摇杆运动数据，并对所述初始摇杆运动数据进行数据清洗和尺度归一化处理，得到目标摇杆运动数据； [0008] 通过预置的异常检测阈值函数对所述目标摇杆运动数据进行初步异常检测，得到多个目标摇杆运动异常区间，并对所述目标摇杆运动异常区间进行深度异常分析，得到多个目标摇杆运动异常点； [0009] 对所述多个目标摇杆运动异常点进行异常点分类，得到第一摇杆运动异常点集合以及第二摇杆运动异常点集合，并对所述第一摇杆运动异常点集合以及所述第二摇杆运动异常点集合进行特征编码和矩阵转换，得到摇杆运动异常特征矩阵； [0010] 将所述摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型进行VR设备摇杆系统的摇杆控制异常反馈检测，得到摇杆控制异常检测结果； [0011] 基于预置的异常反馈机制对所述摇杆控制异常检测结果进行自适应异常处理，得到初始摇杆控制异常处理策略，并通过预置的遗传算法对所述初始摇杆控制异常处理策略进行策略优化，得到目标摇杆控制异常处理策略。 [0012] 本申请第二方面提供了一种用于VR设备的摇杆控制异常检测装置，所述用于VR设备的摇杆控制异常检测装置包括： [0013] 获取模块，用于获取VR设备摇杆系统的摇杆几何参数数据，并基于格拉肖夫准则和所述摇杆几何参数数据构建所述VR设备摇杆系统的摇杆运动基准模型，以及基于预置的双层优化算法对所述摇杆运动基准模型进行摇杆运动模型优化，得到目标摇杆运动模型； [0014] 处理模块，用于基于所述目标摇杆运动模型对所述VR设备摇杆系统进行摇杆运动数据采集，得到初始摇杆运动数据，并对所述初始摇杆运动数据进行数据清洗和尺度归一化处理，得到目标摇杆运动数据； [0015] 分析模块，用于通过预置的异常检测阈值函数对所述目标摇杆运动数据进行初步异常检测，得到多个目标摇杆运动异常区间，并对所述目标摇杆运动异常区间进行深度异常分析，得到多个目标摇杆运动异常点； [0016] 编码模块，用于对所述多个目标摇杆运动异常点进行异常点分类，得到第一摇杆运动异常点集合以及第二摇杆运动异常点集合，并对所述第一摇杆运动异常点集合以及所述第二摇杆运动异常点集合进行特征编码和矩阵转换，得到摇杆运动异常特征矩阵； [0017] 检测模块，用于将所述摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型进行VR设备摇杆系统的摇杆控制异常反馈检测，得到摇杆控制异常检测结果； [0018] 优化模块，用于基于预置的异常反馈机制对所述摇杆控制异常检测结果进行自适应异常处理，得到初始摇杆控制异常处理策略，并通过预置的遗传算法对所述初始摇杆控制异常处理策略进行策略优化，得到目标摇杆控制异常处理策略。 [0019] 本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的用于VR设备的摇杆控制异常检测方法。 [0020] 本申请的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的用于VR设备的摇杆控制异常检测方法。 [0021] 本申请提供的技术方案中，通过获取VR设备摇杆系统的几何参数数据，并基于格拉肖夫准则构建摇杆运动基准模型，这种方法能够精确地定义摇杆运动的理想轨迹和性能标准。这种精确的基准模型是识别和评估异常行为的关键，能够显著提高摇杆控制的精确度和可靠性。采用双层优化算法对摇杆运动模型进行优化，考虑到了摇杆的整体运动效率和用户操作的舒适度。这不仅提高了摇杆的响应性和流畅性，还优化了用户的交互体验，使得VR设备的使用更加直观和自然。基于目标摇杆运动模型进行的摇杆运动数据采集，结合数据清洗和尺度归一化处理，确保了监测数据的准确性和实时性。这使得系统能够快速识别异常情况，及时做出响应，减少故障发生的概率和对用户体验的影响。通过深度异常分析，系统能够识别出摇杆运动中的具体异常点，提供了异常原因的更深层次理解。这对于准确定位问题源头和采取针对性的维修措施至关重要。通过特征编码和矩阵转换，将异常点进行有效分类，提高了异常检测的准确度和效率。这种智能分类和特征分析为后续的异常处理提供了强有力的数据支持。采用自适应异常处理机制和遗传算法对处理策略进行优化，使得系统不仅能够针对当前的异常情况做出响应，还能基于历史数据和持续学习不断优化其异常处理策略，进而提高了用于VR设备的摇杆控制异常检测准确率。附图说明 [0022] 图1为本申请实施例中用于VR设备的摇杆控制异常检测方法的一个实施例示意图； [0023] 图2为本申请实施例中用于VR设备的摇杆控制异常检测装置的一个实施例示意图。 具体实施方式[0024] 本申请实施例提供了一种用于VR设备的摇杆控制异常检测方法，进而提高了用于VR设备的摇杆控制异常检测准确率。 [0025] 本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。 [0026] 为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中用于VR设备的摇杆控制异常检测方法的一个实施例包括： [0027] 步骤101、获取VR设备摇杆系统的摇杆几何参数数据，并基于格拉肖夫准则和摇杆几何参数数据构建VR设备摇杆系统的摇杆运动基准模型，以及基于预置的双层优化算法对摇杆运动基准模型进行摇杆运动模型优化，得到目标摇杆运动模型； [0028] 可以理解的是，本申请的执行主体可以为用于VR设备的摇杆控制异常检测装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。 [0029] 具体的，对VR设备摇杆系统进行摇杆构造参数获取，获取摇杆构造参数集合，包括摇杆的长度、角度、弯曲度等关键构造参数。根据摇杆构造参数集合计算摇杆几何参数数据。基于格拉肖夫准则和摇杆几何参数数据，确定VR设备摇杆系统的摇杆运动边界信息。格拉肖夫准则提供了一种方法确定摇杆系统在不同的运动状态下的限制。通过明确摇杆的运动边界，可以更精确地模拟摇杆在实际使用中的行为。根据确定的摇杆运动边界信息，构建VR设备摇杆系统的摇杆运动基准模型。基准模型将作为优化过程的起点，提供一个详细的摇杆运动框架，以供进一步分析和改进。获取预置的双层优化算法，该算法的上层旨在优化摇杆的整体运动效率和用户操作的舒适度，而下层专注于摇杆内部机构的控制。通过双层优化方法，确保从宏观到微观的各个方面对摇杆运动模型进行全面的优化。通过双层优化算法的上层对摇杆运动基准模型进行分析，从而得到上层优化参数，这些参数关注于改善用户的操作体验和提高摇杆的整体运动响应性。通过该算法的下层对摇杆运动基准模型进行进一步分析，以获得下层优化参数，它们专注于摇杆内部机构的精细调节和控制。将上层和下层的优化参数进行综合考虑和组合，得到一组组合优化参数，这些参数将被用于对摇杆运动基准模型进行进一步的优化。通过综合优化方法，最终得到目标摇杆运动模型。 [0030] 步骤102、基于目标摇杆运动模型对VR设备摇杆系统进行摇杆运动数据采集，得到初始摇杆运动数据，并对初始摇杆运动数据进行数据清洗和尺度归一化处理，得到目标摇杆运动数据； [0031] 具体的，基于目标摇杆运动模型对VR设备摇杆系统的运动进行监测，包括收集摇杆的角度参数、速度参数以及加速度参数。这些参数反映了摇杆在各种操作条件下的实际响应。对角度参数、速度参数以及加速度参数进行参数集成，形成一个综合的数据集，即初始摇杆运动数据。集成过程不仅仅是简单的数据汇总，还需要确保不同参数之间的时间同步和相互关系得到正确表达，以确保后续分析的准确性和有效性。对初始摇杆运动数据进行数据清洗，得到标准摇杆运动数据。数据清洗的目的在于去除那些非正常运动所产生的异常数据，比如由于设备故障或外部干扰导致的数据噪声。对标准摇杆运动数据进行尺度归一化处理，解决不同参数量纲和数值范围的差异问题，得到目标摇杆运动数据。尺度归一化能够将所有参数调整到统一的标准，使得数据之间的比较和计算变得更加合理和方便。 [0032] 步骤103、通过预置的异常检测阈值函数对目标摇杆运动数据进行初步异常检测，得到多个目标摇杆运动异常区间，并对目标摇杆运动异常区间进行深度异常分析，得到多个目标摇杆运动异常点； [0033] 需要说明的是，通过预置的异常检测阈值函数对目标摇杆运动数据进行初步异常检测。根据预先设定的标准来判断摇杆运动数据中是否存在异常表现，例如运动速度、角度或加速度超出正常范围。对每个目标摇杆运动异常区间进行极值分析，在每个异常区间内找出极大值和极小值，这些极值点往往是异常发生的关键位置，指示了摇杆运动中的某种特殊情况，比如摇杆的突然停顿或过快运动。基于每个异常区间的极大值和极小值进行深度异常分析和异常点识别。综合考虑极值的大小、频率、持续时间以及它们在整个摇杆运动轨迹中的位置等多个因素，揭示摇杆运动异常的本质和成因，从而得到多个目标摇杆运动异常点。 [0034] 步骤104、对多个目标摇杆运动异常点进行异常点分类，得到第一摇杆运动异常点集合以及第二摇杆运动异常点集合，并对第一摇杆运动异常点集合以及第二摇杆运动异常点集合进行特征编码和矩阵转换，得到摇杆运动异常特征矩阵； [0035] 具体的，均值漂移聚类分析模型是一种先进的无监督学习方法，能够根据数据本身的特征自动识别出不同的聚类中心。通过将多个目标摇杆运动异常点输入该模型，并调用模型内的初始移动密度函数，可以计算出对应的两个初始聚类中心。对目标摇杆运动异常点与初始聚类中心之间进行距离计算，确定每个异常点相对于各自聚类中心的位置。通过计算得到多个特征中心距，并对这些距离进行平均值计算，得到对应的平均中心距。平均中心距是对异常点分布密度的一种度量，为聚类分析提供了重要的参数信息。根据平均中心距对初始移动密度函数的搜索半径参数进行调整，从而得到目标搜索半径参数，优化聚类过程，使得模型能够更准确地识别和分类异常点。通过将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到的目标移动密度函数将更适合当前数据集的特性。利用优化后的目标移动密度函数，再次对目标摇杆运动异常点进行聚类中心的计算，从而得到对应的两个目标聚类中心。通过两个目标聚类中心，将异常点有效地分类为第一摇杆运动异常点集合和第二摇杆运动异常点集合。对这两个异常点集合分别进行特征编码和一维矩阵转换。将每个异常点集合中的异常点转换为一系列数值特征，并将这些特征以一维矩阵的形式表达。将两个一维矩阵进行融合，得到一个包含了所有异常特征信息的综合摇杆运动异常特征矩阵。 [0036] 步骤105、将摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型进行VR设备摇杆系统的摇杆控制异常反馈检测，得到摇杆控制异常检测结果； [0037] 具体的，将摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型。该模型结合了嵌入层、门限循环网络（Gated Recurrent Unit, GRU）、二分类函数以及输出层。通过嵌入层对摇杆运动异常特征矩阵进行预处理，这个过程主要包括对矩阵进行标准化处理，以确保输入数据的一致性和标准化。标准化处理能够减少数据的偏差和方差，使得模型能够更加集中地学习数据中的关键特征。将标准运动异常特征矩阵将输入多个门限循环网络。GRU作为一种有效的循环神经网络，其主要功能是捕捉时间序列数据中的长期依赖关系。在这个环节，通过每个GRU网络对标准运动异常特征矩阵进行隐藏特征分析，提取出不同层次的隐藏异常特征。这些隐藏特征矩阵包含了摇杆运动异常的深层次信息。通过多个二分类函数分别对隐藏异常特征矩阵进行VR设备摇杆系统的摇杆控制异常分类。每个二分类函数都会基于特征矩阵生成一个独立的摇杆控制异常分类结果。通过输出层对所有二分类函数的摇杆控制异常分类结果进行综合分析。输出层在整个模型中起到汇总和综合分析的作用，将所有二分类函数的结果进行汇总和对比，以生成最终的摇杆控制异常检测结果。 [0038] 步骤106、基于预置的异常反馈机制对摇杆控制异常检测结果进行自适应异常处理，得到初始摇杆控制异常处理策略，并通过预置的遗传算法对初始摇杆控制异常处理策略进行策略优化，得到目标摇杆控制异常处理策略。 [0039] 具体的，基于预置的异常反馈机制对摇杆控制异常检测结果进行自适应处理。通过分析检测结果，自动调整处理策略，从而生成针对当前异常情况的初始摇杆控制异常处理策略。初始策略是根据摇杆的运动特性和控制系统的反馈进行定制的，确保既能有效应对当前的异常状态，又不过度干预正常操作。引入预置的遗传算法进行策略优化。遗传算法是一种模拟自然选择和遗传学原理的搜索算法，能够通过迭代进化找到问题的最优解。在这个过程中，进行策略群体的初始化，生成多个初始摇杆控制异常处理策略的变体。对这些策略进行适应度评估，即计算每个策略的目标适应度值，并将这些值与预设的第一目标值和第二目标值进行比较。比较的目的是为了区分不同的策略效果，以确保遗传算法能够选择出最有效的策略。根据适应度值的不同，将初始策略分为三个不同的群体。如果一个策略的适应度值低于第一目标值，它被归入第一异常处理策略群体；如果适应度值介于第一和第二目标值之间，则归入第二异常处理策略群体；如果高于第二目标值，则归入第三异常处理策略群体。这种分类方法有助于更精确地对策略进行优化。对第一和第二异常处理策略群体进行繁殖、交叉和变异操作，而对第三异常处理策略群体只进行交叉和变异。这些遗传操作模拟了自然选择的过程，通过组合和变异生成新的策略变体，以寻找更有效的解决方案。在这个过程中，繁殖和交叉有助于保留有效的策略特征，而变异则引入新的元素以探索的改进。对所有生成的第二摇杆控制异常处理策略进行最优化求解，以确定最终的目标摇杆控制异常处理策略。对所有策略进行综合评估和选择，找到最能有效处理摇杆控制异常的策略。确保摇杆控制系统不仅能够有效响应当前的异常状态，还能自适应地优化其响应策略，从而在未来的操作中更加稳定和可靠。 [0040] 本申请实施例中，通过获取VR设备摇杆系统的几何参数数据，并基于格拉肖夫准则构建摇杆运动基准模型，这种方法能够精确地定义摇杆运动的理想轨迹和性能标准。这种精确的基准模型是识别和评估异常行为的关键，能够显著提高摇杆控制的精确度和可靠性。采用双层优化算法对摇杆运动模型进行优化，考虑到了摇杆的整体运动效率和用户操作的舒适度。这不仅提高了摇杆的响应性和流畅性，还优化了用户的交互体验，使得VR设备的使用更加直观和自然。基于目标摇杆运动模型进行的摇杆运动数据采集，结合数据清洗和尺度归一化处理，确保了监测数据的准确性和实时性。这使得系统能够快速识别异常情况，及时做出响应，减少故障发生的概率和对用户体验的影响。通过深度异常分析，系统能够识别出摇杆运动中的具体异常点，提供了异常原因的更深层次理解。这对于准确定位问题源头和采取针对性的维修措施至关重要。通过特征编码和矩阵转换，将异常点进行有效分类，提高了异常检测的准确度和效率。这种智能分类和特征分析为后续的异常处理提供了强有力的数据支持。采用自适应异常处理机制和遗传算法对处理策略进行优化，使得系统不仅能够针对当前的异常情况做出响应，还能基于历史数据和持续学习不断优化其异常处理策略，进而提高了用于VR设备的摇杆控制异常检测准确率。 [0041] 在一具体实施例中，执行步骤101的过程可以具体包括如下步骤： [0042] （1）对VR设备摇杆系统进行摇杆构造参数获取，得到摇杆构造参数集合； [0043] （2）根据摇杆构造参数集合计算VR设备摇杆系统的摇杆几何参数数据； [0044] （3）基于格拉肖夫准则和摇杆几何参数数据确定VR设备摇杆系统的摇杆运动边界信息； [0045] （4）根据摇杆运动边界信息构建VR设备摇杆系统的摇杆运动基准模型； [0046] （5）获取预置的双层优化算法，双层优化算法中的上层用于优化摇杆的整体运动效率和用户操作的舒适度，双层优化算法中的下层用于摇杆内部机构的控制； [0047] （6）通过双层优化算法中的上层对摇杆运动基准模型进行摇杆运动模型分析，得到上层优化参数，并通过双层优化算法中的下层对摇杆运动基准模型进行摇杆运动模型分析，得到下层优化参数； [0048] （7）对上层优化参数和下层优化参数进行组合，得到组合优化参数，并通过组合优化参数对摇杆运动基准模型进行摇杆运动模型优化，得到目标摇杆运动模型。 [0049] 具体的，对VR设备摇杆系统进行分析，获取摇杆构造参数集合。收集摇杆的物理属性，如长度、直径、质量以及关节的类型等。基于摇杆构造参数集合，计算VR设备摇杆系统的摇杆几何参数数据。包括摇杆的运动范围、转动角度、以及的运动轨迹。例如，几何参数的计算会涉及到摇杆头的旋转角度和倾斜范围。基于格拉肖夫准则和摇杆几何参数数据，确定VR设备摇杆系统的摇杆运动边界信息。格拉肖夫准则是一种用于分析和计算机械系统运动自由度的方法，用于判断摇杆的运动限制。例如，利用格拉肖夫准则，可以确定一个具有特定关节设计的摇杆在各个方向上的最大运动角度。根据确定的摇杆运动边界信息，构建VR设备摇杆系统的摇杆运动基准模型。基准模型是对摇杆实际运动的一个理论模拟，它为优化算法提供了一个出发点。例如，模型可以模拟一个特定设计的摇杆在虚拟环境中的运动轨迹，包括其达到的最大速度和加速度。应用预置的双层优化算法。这个算法分为两个层次，其中上层用于优化摇杆的整体运动效率和用户操作的舒适度，下层则专注于摇杆内部机构的控制。例如，在上层优化中，算法会调整摇杆的响应速度和灵敏度，以使用户操作更加流畅和自然；而在下层优化中，算法则会调整摇杆内部的弹簧力度或阻尼系数，以确保摇杆的稳定性和可靠性。通过双层优化算法对摇杆运动基准模型进行分析，获得上层和下层的优化参数。这些参数是根据模型的性能和用户反馈来调整的。例如，上层优化会得出一个较高的灵敏度设置以提升用户体验，而下层优化则会得出一个较低的阻尼系数以减少摇杆的磨损。将上层和下层的优化参数进行组合，对摇杆运动基准模型进行进一步优化，从而得到目标摇杆运动模型。目标模型综合了上层和下层优化的结果，能够提供更为高效和准确的摇杆控制方案。例如，模型会表明，在保持较高灵敏度的同时降低阻尼系数，可以使摇杆既灵敏又稳定，从而提升整个VR系统的使用体验。 [0050] 在一具体实施例中，执行步骤102的过程可以具体包括如下步骤： [0051] （1）基于目标摇杆运动模型对VR设备摇杆系统进行摇杆运动数据采集，得到角度参数、速度参数以及加速度参数； [0052] （2）对角度参数、速度参数以及加速度参数进行参数集成，得到初始摇杆运动数据； [0053] （3）对初始摇杆运动数据进行数据清洗，得到标准摇杆运动数据，并对标准摇杆运动数据进行尺度归一化处理，得到目标摇杆运动数据。 [0054] 具体的，基于目标摇杆运动模型对VR设备摇杆系统进行运动数据采集。获取摇杆的关键运动参数，包括角度参数、速度参数以及加速度参数。对收集到的角度参数、速度参数以及加速度参数进行参数集成，得到初始摇杆运动数据。将各个独立的参数合并为一个综合的数据集，以便于后续处理。在集成过程中，需要确保数据的时间同步和一致性，以便于正确反映摇杆运动的整体特性。对初始摇杆运动数据进行数据清洗，以去除噪声和不相关的信息，得到标准摇杆运动数据。在清洗过程中，剔除由于传感器误差、环境干扰或非标准操作引起的异常数据点。例如，如果VR设备在使用过程中遭遇了意外震动，这会在数据中产生异常值，需要在数据清洗阶段被识别和剔除。对标准摇杆运动数据进行尺度归一化处理，以消除不同参数之间的量纲差异，使得数据在同一标准下可比。归一化处理确保了不同参数之间的相对关系得到保留，同时去除了量纲影响。例如，角度参数和速度参数有完全不同的量纲和数值范围，通过归一化处理，可以将这些参数转换到统一的比例尺度上，便于进行综合分析。 [0055] 在一具体实施例中，执行步骤103的过程可以具体包括如下步骤： [0056] （1）通过预置的异常检测阈值函数对目标摇杆运动数据进行初步异常检测，得到多个目标摇杆运动异常区间； [0057] （2）分别对每个目标摇杆运动异常区间进行极值分析，得到每个目标摇杆运动异常区间的极大值和极小值； [0058] （3）根据极大值和极小值对目标摇杆运动异常区间进行深度异常分析和异常点识别，得到多个目标摇杆运动异常点。 [0059] 具体的，通过预置的异常检测阈值函数对目标摇杆运动数据进行初步异常检测，快速识别存在的异常运动区间。阈值函数基于历史数据和典型操作行为建立，能够区分正常运动和潜在的异常运动。例如，函数会检测摇杆的运动速度或角度是否超出了正常使用范围。对每个目标摇杆运动异常区间进行极值分析，找到每个异常区间的极大值和极小值，这些值通常代表了异常行为的最严重点。例如，如果一个摇杆在特定时间内的运动速度突然增加到极高的水平，这个极大值就表明了一个潜在的异常。同样，极小值也表明摇杆运动的突然停止或减速。通过识别这些极值，可以更准确地界定异常区间的范围和特性。根据极大值和极小值对目标摇杆运动异常区间进行深度异常分析和异常点识别。对极值周围的数据进行分析，以确定异常的具体性质和的原因。例如，分析摇杆异常运动的时间持续性、与用户操作模式的关联性，以及异常发生前后的环境变化。通过深度分析，不仅识别出异常点，还能对异常的原因和后果进行更深入的理解。 [0060] 在一具体实施例中，执行步骤104的过程可以具体包括如下步骤： [0061] （1）将多个目标摇杆运动异常点输入预置的均值漂移聚类分析模型，并调用均值漂移聚类分析模型的初始移动密度函数对多个目标摇杆运动异常点进行聚类中心计算，得到对应的两个初始聚类中心； [0062] （2）对多个目标摇杆运动异常点与两个初始聚类中心进行距离计算，得到多个特征中心距，并对多个特征中心距进行平均值计算，得到对应的平均中心距； [0063] （3）通过平均中心距对初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数； [0064] （4）通过目标移动密度函数对多个目标摇杆运动异常点进行聚类中心计算，得到对应的两个目标聚类中心并通过两个目标聚类中心对多个目标摇杆运动异常点进行异常点分类，得到第一摇杆运动异常点集合以及第二摇杆运动异常点集合； [0065] （5）对第一摇杆运动异常点集合进行特征编码和一维矩阵转换，得到第一一维矩阵； [0066] （6）对第二摇杆运动异常点集合进行特征编码和一维矩阵转换，得到第二一维矩阵； [0067] （7）对第一一维矩阵和第二一维矩阵进行矩阵融合，得到摇杆运动异常特征矩阵。 [0068] 具体的，将多个目标摇杆运动异常点输入预置的均值漂移聚类分析模型中。这些异常点来源于摇杆的角度、速度或加速度参数的异常读数。例如，如果摇杆突然偏离正常轨迹或响应速度变得异常快，这些情况都会被记录为异常点。调用均值漂移聚类分析模型中的初始移动密度函数，对这些异常点进行聚类中心的计算。在特征空间中寻找数据密度最高的区域，这些区域的中心点即为初始聚类中心。对每个目标摇杆运动异常点与这两个初始聚类中心进行距离计算。通过计算每个异常点到聚类中心的距离，确定它们与聚类中心的关系和相似度，帮助理解异常点在整个特征空间中的分布情况。对特征中心距进行平均值计算，得到一个反映整体异常点分布状态的平均中心距。平均中心距决定了后续聚类分析的精度和范围。基于平均中心距，对初始移动密度函数的搜索半径参数进行调整，生成目标搜索半径参数。通过调整搜索半径，使得算法更好地适应异常点数据的实际分布，从而提高聚类的准确性。调整后的目标移动密度函数将被用于再次对目标摇杆运动异常点进行聚类中心计算，得到对应的两个目标聚类中心。通过两个目标聚类中心对所有目标摇杆运动异常点进行分类。将异常点分成两个不同的集合，每个集合对应一个聚类中心。例如，第一组异常点与摇杆的急剧加速有关，而第二组异常点则与摇杆的过度倾斜有关。对每组异常点进行特征编码和一维矩阵转换，将每个异常点的特征（如角度、速度和加速度的异常值）转换为一维数据形式。对两个一维矩阵进行融合，从而得到一个综合的摇杆运动异常特征矩阵。这个矩阵包含了所有关键的异常信息，是后续处理和分析的基础。例如，这个矩阵可以被用于训练机器学习模型，以预测和防止未来的摇杆运动异常，或者用于诊断摇杆系统的潜在问题。 [0069] 在一具体实施例中，执行步骤105的过程可以具体包括如下步骤： [0070] （1）将摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型，摇杆控制异常检测模型包括：嵌入层、多个门限循环网络、多个二分类函数以及输出层； [0071] （2）通过嵌入层对摇杆运动异常特征矩阵进行矩阵标准化处理，得到标准运动异常特征矩阵； [0072] （3）通过多个门限循环网络，分别对标准运动异常特征矩阵进行隐藏特征分析，得到每个门限循环网络的隐藏异常特征矩阵； [0073] （4）通过多个二分类函数分别对隐藏异常特征矩阵进行VR设备摇杆系统的摇杆控制异常分类，得到每个二分类函数的摇杆控制异常分类结果； [0074] （5）通过输出层对每个二分类函数的摇杆控制异常分类结果进行综合分析，得到摇杆控制异常检测结果。 [0075] 具体的，将摇杆运动异常特征矩阵输入到模型的嵌入层，进行标准化处理，将所有特征转换到一个统一的格式和尺度，以便于后续的网络处理。例如，如果输入的特征矩阵包含了不同摇杆运动参数的异常值（如角度、速度、加速度的异常读数），通过嵌入层将这些值转换成一个标准化的格式，确保后续网络能够有效处理这些数据。通过多个门限循环网络（GRU）对标准化后的运动异常特征矩阵进行隐藏特征的分析。GRU是一种有效的循环神经网络结构，能够处理时间序列数据，并捕捉数据中的时间依赖特征。每个GRU网络都会对输入的数据进行分析，提取出与异常检测相关的隐藏特征。例如，GRU网络会识别出某种特定模式的异常运动，这种模式与摇杆的机械故障或操作者的错误操作有关。通过多个二分类函数分别对隐藏异常特征矩阵进行处理，对VR设备摇杆系统的摇杆控制异常进行分类。二分类函数的作用是基于隐藏特征对异常进行具体分类，如将异常分为“机械故障”或“操作错误”。每个二分类函数都会基于它接收到的隐藏异常特征矩阵生成一个分类结果，这个结果反映了摇杆控制异常的具体类型。通过模型的输出层对所有二分类函数的分类结果进行综合分析，得到最终的摇杆控制异常检测结果。输出层的作用是将所有二分类函数的输出结果综合起来，提供一个全面的异常检测结果。例如，如果多个二分类函数都指向“机械故障”，则输出层会确认这是一个与摇杆硬件相关的问题，而如果结果指向“操作错误”，则表明需要对操作者的使用习惯进行调整或提供更多的操作指导。 [0076] 在一具体实施例中，执行步骤106的过程可以具体包括如下步骤： [0077] （1）基于预置的异常反馈机制对摇杆控制异常检测结果进行自适应异常处理，得到初始摇杆控制异常处理策略； [0078] （2）通过预置的遗传算法对初始摇杆控制异常处理策略进行策略群体初始化，生成多个第一摇杆控制异常处理策略； [0079] （3）分别计算每个第一摇杆控制异常处理策略的目标适应度值，并对目标适应度值与第一目标值和第二目标值进行比较，其中，第一目标值＜第二目标值； [0080] （4）若目标适应度值＜第一目标值，则将对应的第一摇杆控制异常处理策略划分至第一异常处理策略群体，若第一目标值＜目标适应度值＜第二目标值，则将对应的第一摇杆控制异常处理策略划分至第二异常处理策略群体，若第二目标值＜目标适应度值，则将对应的第一摇杆控制异常处理策略划分至第三异常处理策略群体； [0081] （5）对第一异常处理策略群体和第二异常处理策略群体进行繁殖、交叉和变异，并对第三异常处理策略群体进行交叉和变异，得到多个第二摇杆控制异常处理策略； [0082] （6）对多个第二摇杆控制异常处理策略进行最优化求解，得到目标摇杆控制异常处理策略。 [0083] 具体的，基于预置的异常反馈机制对摇杆控制异常检测结果进行自适应异常处理，生成初始摇杆控制异常处理策略。预置机制是根据摇杆控制系统的历史数据和典型用户操作行为来设计的，能够根据异常检测结果动态调整处理策略。例如，摇杆控制系统检测到异常的倾角或加速度，预置机制会根据这些异常特征来调整摇杆的响应方式，如减小灵敏度或限制某些运动范围，以避免潜在的风险。通过预置的遗传算法对初始摇杆控制异常处理策略进行策略群体初始化，生成多个第一摇杆控制异常处理策略。遗传算法是一种模仿生物进化过程的搜索算法，通过选择、繁殖、交叉和变异操作来优化解决方案。在这一阶段，生成多个不同的策略变体，每个变体代表一种的异常处理方式。例如，对于检测到的过高加速度，一个策略是减小摇杆的最大加速度，而另一个策略是增加加速度对用户输入的敏感度。之后，分别计算每个第一摇杆控制异常处理策略的目标适应度值，并将这些值与预设的第一目标值和第二目标值进行比较。目标适应度值是评价每个策略有效性的关键指标，它决定了策略在实际应用中的表现。根据适应度值的不同，将策略划分为不同的群体。若目标适应度值＜第一目标值，则将对应的第一摇杆控制异常处理策略划分至第一异常处理策略群体，若第一目标值＜目标适应度值＜第二目标值，则将对应的第一摇杆控制异常处理策略划分至第二异常处理策略群体，若第二目标值＜目标适应度值，则将对应的第一摇杆控制异常处理策略划分至第三异常处理策略群体。对第一异常处理策略群体和第二异常处理策略群体进行繁殖、交叉和变异操作，同时对第三异常处理策略群体进行交叉和变异。遗传操作模仿生物进化的过程，通过不断的迭代来提高解决方案的适应度。例如，通过交叉操作，两个效果良好的策略可以组合他们的优点，产生一个新的更有效的策略。对多个第二摇杆控制异常处理策略进行最优化求解，确定最终的目标摇杆控制异常处理策略。例如，最优化求解会确定一种策略组合，既能快速响应用户操作，又能在检测到异常时及时调整摇杆的控制参数，从而在保证安全的同时提供流畅的用户体验。 [0084] 上面对本申请实施例中用于VR设备的摇杆控制异常检测方法进行了描述，下面对本申请实施例中用于VR设备的摇杆控制异常检测装置进行描述，请参阅图2，本申请实施例中用于VR设备的摇杆控制异常检测装置一个实施例包括： [0085] 获取模块201，用于获取VR设备摇杆系统的摇杆几何参数数据，并基于格拉肖夫准则和所述摇杆几何参数数据构建所述VR设备摇杆系统的摇杆运动基准模型，以及基于预置的双层优化算法对所述摇杆运动基准模型进行摇杆运动模型优化，得到目标摇杆运动模型； [0086] 处理模块202，用于基于所述目标摇杆运动模型对所述VR设备摇杆系统进行摇杆运动数据采集，得到初始摇杆运动数据，并对所述初始摇杆运动数据进行数据清洗和尺度归一化处理，得到目标摇杆运动数据； [0087] 分析模块203，用于通过预置的异常检测阈值函数对所述目标摇杆运动数据进行初步异常检测，得到多个目标摇杆运动异常区间，并对所述目标摇杆运动异常区间进行深度异常分析，得到多个目标摇杆运动异常点； [0088] 编码模块204，用于对所述多个目标摇杆运动异常点进行异常点分类，得到第一摇杆运动异常点集合以及第二摇杆运动异常点集合，并对所述第一摇杆运动异常点集合以及所述第二摇杆运动异常点集合进行特征编码和矩阵转换，得到摇杆运动异常特征矩阵； [0089] 检测模块205，用于将所述摇杆运动异常特征矩阵输入预置的摇杆控制异常检测模型进行VR设备摇杆系统的摇杆控制异常反馈检测，得到摇杆控制异常检测结果； [0090] 优化模块206，用于基于预置的异常反馈机制对所述摇杆控制异常检测结果进行自适应异常处理，得到初始摇杆控制异常处理策略，并通过预置的遗传算法对所述初始摇杆控制异常处理策略进行策略优化，得到目标摇杆控制异常处理策略。 [0091] 通过上述各个组成部分的协同合作，通过获取VR设备摇杆系统的几何参数数据，并基于格拉肖夫准则构建摇杆运动基准模型，这种方法能够精确地定义摇杆运动的理想轨迹和性能标准。这种精确的基准模型是识别和评估异常行为的关键，能够显著提高摇杆控制的精确度和可靠性。采用双层优化算法对摇杆运动模型进行优化，考虑到了摇杆的整体运动效率和用户操作的舒适度。这不仅提高了摇杆的响应性和流畅性，还优化了用户的交互体验，使得VR设备的使用更加直观和自然。基于目标摇杆运动模型进行的摇杆运动数据采集，结合数据清洗和尺度归一化处理，确保了监测数据的准确性和实时性。这使得系统能够快速识别异常情况，及时做出响应，减少故障发生的概率和对用户体验的影响。通过深度异常分析，系统能够识别出摇杆运动中的具体异常点，提供了异常原因的更深层次理解。这对于准确定位问题源头和采取针对性的维修措施至关重要。通过特征编码和矩阵转换，将异常点进行有效分类，提高了异常检测的准确度和效率。这种智能分类和特征分析为后续的异常处理提供了强有力的数据支持。采用自适应异常处理机制和遗传算法对处理策略进行优化，使得系统不仅能够针对当前的异常情况做出响应，还能基于历史数据和持续学习不断优化其异常处理策略，进而提高了用于VR设备的摇杆控制异常检测准确率。 [0092] 本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述用于VR设备的摇杆控制异常检测方法的步骤。 [0093] 本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述用于VR设备的摇杆控制异常检测方法的步骤。 [0094] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。 [0095] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。 [0096] 以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。 |
||||||
