VIPER 项目使用教程
1. 项目介绍
VIPER(Volume Invariant Position-based Elastic Rods)是一个开源项目,专注于扩展基于位置的弹性杆模型,以包括弹性体积变形。通过引入每个顶点的各向同性比例(及其速度)作为额外的自由度,VIPER丰富了可能的变形空间,允许模拟体积效应,例如当杆被拉伸时横截面积的减少。
该项目通过严格的连续公式推导其弹性能量势能,并因此推导出其实现该模型的相关位置基础动力学(PBD)更新,从而实现这一模型。VIPER的GPU实现能够在140 Hz的频率下模拟高达26000个自由度。此外,VIPER展示了如何使用杆作为复杂肌肉变形的紧凑替代表示,以及如何通过将肌肉表面网格自动转换为杆束来实现碰撞检测。
2. 项目快速启动
2.1 环境配置
推荐配置:
- NVIDIA GTX1080Ti 或更好
- Ubuntu 18.04
- CUDA 10.x
2.2 初始化子模块
git clone --recursive https://github.com/vcg-uvic/viper.git
cd viper
git submodule init
git submodule update
2.3 安装依赖
sudo apt-get install cmake
sudo apt-get install xorg-dev
sudo apt-get install libboost-all-dev
sudo apt-get install libglew-dev
sudo apt-get install libcgal-dev
sudo apt-get install libtbb-dev
2.4 构建与运行
export LD_LIBRARY_PATH=/usr/local/cuda/lib64
mkdir build
cd build
cmake ..
make
./demo
2.5 使用Docker构建与运行
如果你不想设置Ubuntu 18.04环境来构建,可以使用提供的Dockerfile在容器中构建和运行。
sudo ./build_run_docker.sh
3. 应用案例和最佳实践
3.1 肌肉变形模拟
VIPER可以用于模拟复杂肌肉变形,通过将肌肉表面网格自动转换为杆束,提供了一种紧凑且高效的表示方法。
3.2 碰撞检测
通过将物体表示为杆束,VIPER可以方便地进行碰撞检测,适用于需要高精度碰撞检测的应用场景。
3.3 实时体积变形
VIPER提供了一种替代笼子的方法,用于实时体积变形。通过将杆或杆束蒙皮到表面网格,可以驱动其变形,适用于游戏开发、动画制作等领域。
4. 典型生态项目
4.1 CGAL
CGAL(Computational Geometry Algorithms Library)是一个开源的计算几何算法库,VIPER在构建过程中使用了CGAL库来处理几何计算。
4.2 Boost
Boost是一个开源的C++库集合,提供了许多高效的工具和算法,VIPER在开发过程中使用了Boost库来增强其功能。
4.3 CUDA
CUDA是NVIDIA提供的并行计算平台和API模型,VIPER利用CUDA进行GPU加速,以实现高性能的模拟计算。
通过以上步骤,你可以快速上手并深入了解VIPER项目,探索其在不同应用场景中的潜力。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00