htc 变更位置服务器,Htc Vive利用起点位置平移解决空间大小方法

本文介绍了如何解决HTC Vive在游戏环境中起点位置平移的问题。主要分为两个步骤:一是通过编辑器调整蓝色区域的位置,二是处理运行时相机的层级结构变化。在初始化时,通过对相机父节点的重置,抵消相机从(0,0)点开始的影响。此外,文章还提及了添加手柄的方法,说明手柄不会受到空间平移加速的影响。
摘要由CSDN通过智能技术生成

Htc Vive的空间大小可以通过几个方法解决,下面跟大家讲的是起点位置平移的解决方法。

起点位置平移

分两步:

一个是视觉上,就是在游戏编辑器模式下,让玩家在蓝色区域的起点角点位置。这个容易,就是还是平移。

平移谁呢,平移蓝色区域,把刚才缩放的那个预制体的父节点做了平移,项目中的平移位置为(4.2,0,4.2)即可。这部分就搞定了。

第二部分,就是比较繁琐一点了。

说这个问题之前,需要稍微说下SteamVR插件的运行时和编辑状态的相机差别。099c73bf3cbd5a9739834080d6d138ca.png

这个是编辑器模式下的相机状态。

但是在运行时候,相机的层级结构会发生较大的变化。e81329d892d44ca3e479c91f613047cf.png

可以看到eye作为附节点,ears作为子节点,而head则被隐藏了。

具体代码处理是在SteamVR_Camera.cs中的OnEnable中处理。

部分代码:7bb377c2f79daf0c6ee2382ab876554d.png

还有ears的处理代码,设置ears的相机参数:bf03157f7c4c91c02b0cfa4f1ec2eec7.png

为什么讲了这么多结构呢?因为它影响到了玩家起点平移的算法和处理。怎么处理呢?

其实是蛮简单。给相机的父节点在初始化时候,重置一个与相机初始化一个相反的参数。

为什么呢?这正是为了抵消相机在场景中从(0,0)点作为起点的变化啊.

具体代码:b1be325beaf5bf4d2797ff422840e1d1.png

这个根据自己需要来处理的按键和时间自动开始。可以不这样用按键啥的。dedf01e3e64b758fe45d1122688c1aec.png

这里顺便说一句: 就是要添加手柄,只需要把手柄脚本放这节点下,然后设置左右手柄即可。

手柄在随后中,并不会由于位移的加速对其造成影响。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值