(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111478652.2 (22)申请日 2021.12.0 6 (71)申请人 上海壁仞智能科技有限公司 地址 201100 上海市闵行区陈行公路238 8 号16幢13层13 02室 (72)发明人 不公告发明人 　 (74)专利代理 机构 北京市柳沈 律师事务所 11105 代理人 万里晴 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/13(2006.01) G06T 13/00(2011.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 119/14(2020.01) (54)发明名称 动画点位置或动画形状仿真方法、 设备、 系 统、 介质 (57)摘要 提供动画点位置或动画形状仿真方法、 设 备、 系统、 介质。 该方法包括： 接收期望仿真的动 画点位置或动画形状的时间点； 基于所述时间 点， 通过训练后的神经网络输出预期动画点位置 或预期动画形状， 其中训练后的神经网络是通过 如下方式训练的： 基于对动画点位置或动画形状 的运动物理仿真约束生成微分方程， 微分方程表 示受运动物理仿真约束限制的、 动画点位置或动 画形状与时间点之间的关系； 基于微分方程生成 神经网络的损失函数， 其中损失函数包括与微分 方程相关的损失； 基于损失函数训练神经网络以 基于输入的时间点来输出预期动画点位置或预 期动画形状。 用该神经网络进行动画插值， 动画 的变化满足自然的物理约束， 更加流畅、 自然、 真 实。 权利要求书2页 说明书16页 附图6页 CN 114117936 A 2022.03.01 CN 114117936 A 1.一种利用神经网络基于运动物理仿真约束的动画点位置或动画形状仿真方法， 包 括： 接收期望 仿真的一个或多个动画点 位置或动画形状的一个或多个时间点； 基于所述一个或多个时间点， 通过训练后的神经网络输出预期动画点位置或预期动画 形状， 其中所述训练后的神经网络是通过如下 方式训练的： 基于对动画点位置或动画形状的运动物理仿真约束生成微分方程， 所述微分方程表示 受所述运动物理仿真约束限制的、 所述动画点 位置或动画形状与时间点之间的关系； 基于所述微分方程生成神经网络的损失函数， 其中所述损失函数包括与所述微分方程 相关的损失； 基于所述损失函数训练所述神经网络以基于输入的时间点来输出预期动画点位置或 预期动画形状。 2.根据权利要求1所述的方法， 其中， 所述运动物 理仿真约束是能够由微分方程限定的 约束。 3.根据权利要求2所述的方法， 其中， 所述运动物 理仿真约束包括牛顿力学有关的受力 运动物理仿真约束。 4.根据权利要求1所述的方法， 其中， 所述与所述微分方程相关的损失包括所述神经网 络输出的预期动画点 位置或预期动画形状与时间点之间的关系与所述 微分方程的差异。 5.根据权利要求4所述的方法， 其中， 通过设计损失函数来表示所述神经网络输出的预 期动画点位置或预期动画形状与时间点是否满足所述微分方程， 来 实现所述与所述微分方 程相关的损失， 其中所述损失函数 是可微分的。 6.根据权利要求1所述的方法， 其中， 接收用户设置的针对一个或多个第 二时间点的设 置动画点位置或设置动画形状， 所述损失函数还包括针对所述一个或多个第二时间点的、 经过神经网络输出的预期动画点位置或预期动画形状与所述设置动画点位置或设置动画 形状之间的差异。 7.根据权利要求6所述的方法， 其中， 所述设置动画点位置或设置动画形状包括动画曲 线的起始点和终止点、 动画曲线的关键点、 动画的起始形状、 终止形状、 动画形状的关键形 状中的至少一个。 8.根据权利要求1所述的方法， 其中， 所述微分方程包括常微分方程和偏微分方程中的 一个或多个， 所述 微分方程带有一个或多个参数或不带参数。 9.根据权利要求1 ‑8中任一所述的方法， 其中， 利用反向传播方法来训练所述神经网络 以使得损失函数最小或小于预设的阈值。 10.一种利用神经网络基于运动物理仿真约束的动画点位置或动画形状仿真设备， 包 括： 接收器， 被配置为接收期望仿真的一个或多个动画点位置或动画形状的一个或多个时 间点； 仿真器， 被配置为基于所述一个或多个时间点， 通过训练后的神经网络输出预期动画 点位置或预期动画形状， 其中所述训练后的神经网络是通过如下 方式训练的：权　利　要　求　书 1/2 页 2 CN 114117936 A 2基于对动画点位置或动画形状的运动物理仿真约束生成微分方程， 所述微分方程表示 受所述运动物理仿真约束限制的、 所述动画点 位置或动画形状与时间点之间的关系； 基于所述微分方程生成神经网络的损失函数， 其中所述损失函数包括与所述微分方程 相关的损失； 基于所述损失函数训练所述神经网络以基于输入的时间点来输出预期动画点位置或 预期动画形状。 11.根据权利要求10所述的设备， 其中， 所述运动物理仿真约束是能够由微分方程限定 的约束。 12.根据权利要求11所述的设备， 其中， 所述运动物理仿真约束包括牛顿力学有关的受 力运动物理仿真约束。 13.根据权利要求10所述的设备， 其中， 所述与 所述微分方程相关的损失包括所述神经 网络输出的预期动画点 位置或预期动画形状与时间点之间的关系与所述 微分方程的差异。 14.根据权利要求13所述的设备， 其中， 通过设计损失函数来表示所述神经网络输出的 预期动画点位置或预期动画形状与时间点是否满足所述微分方程， 来实现所述与所述微分 方程相关的损失， 其中所述损失函数 是可微分的。 15.根据权利要求10所述的设备， 其中， 接收用户设置的针对一个或多个第 二时间点的 设置动画点位置或设置动画形状， 所述损失函数还包括针对所述一个或多个第二时间点 的、 经过神经网络输出的预期动画 点位置或预期动画形状与所述设置动画 点位置或设置动 画形状之间的差异。 16.根据权利要求15所述的设备， 其中， 所述设置动画点位置或设置动画形状包括动画 曲线的起始点和终止点、 动画曲线的关键点、 动画的起始形状、 终止形状、 动画形状的关键 形状中的至少一个。 17.根据权利要求10所述的设备， 其中， 所述微分方程包括常微分方程和偏微分方程中 的一个或多个， 所述 微分方程带有一个或多个参数或不带参数。 18.根据权利要求10 ‑17中任一所述的设备， 其中， 利用反向传播方法来训练所述神经 网络以使得损失函数最小或小于预设的阈值。 19.一种利用神经网络基于运动物理仿真约束的动画点位置或动画形状仿真系统， 包 括： 处理器； 存储器， 存储一个或多个计算机可执行指令， 其被处理器执行时进行如权利要求1 ‑9中 任一所述的方法。 20.一种非暂时性计算机可读介质， 存储了一个或多个计算机可执行指令， 其被处理器 执行时进行如权利要求1 ‑9中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114117936 A 3