机器学习

3D 曲面力场重建与点云显示算法研究 背景 三维曲面力场重建要解决的，是如何根据少量离散传感器的空间位置、表面方向和测量值，估计模型表面上没有传感器位置的力值，并把结果显示成连续、稳定且符合物体形状的分布。 这件事看起来像普通插值，实际包含两个性质不同的问题。第一个问题是力值应该传播到哪里。它由距离定义、曲面连通关系和传感器朝向决定。第二个问题是重建结果应该怎样显示。它由表面采样密度、颜色映射和几何位移决定。早期方案多次调整，根本原因就是把传播算法和显示载体混在一起：传播关系不正确时，仅改变颜色无法消除串色；传播关系正确时，直接在粗三角面上着色又可能产生大片色块。 最终采用的思路是先把三角模型整理成可传播的曲面图，再把每个传感器附着到模型表面，沿曲面执行有限半径的最短路径搜索，用 Wendland C² 核计算距离权重。多个传感器按连续场采样点进行归一化插值，再通过 coverage 控制支撑区域边缘的衰减。显示层不再改变模型本身，而是在灰色模型表面覆盖彩色点云，用颜色和沿法线的隆起共同表达力值。 图 Fig001：力场算法的主要演进。距离定义、边缘衰减和显示载体分别经历调整，最终形成曲面传播与点云显示的组合。 本文以左手手套三维模型作为演示对象，使用确定性的 Wave 合成力值观察动态效果。由于没有与该模型对应的真实加载实验数据，文中的结果只能说明算法行为和显示效果，不能被解释为真实设备精度验证。 从欧氏插值到曲面传播 最直接的重建方法，是计算传感器与模型顶点之间的三维直线距离，然后让距离近的传感器具有更大权重。这种方法实现简单，在平面或结构单一的缓曲面上也可能得到合理结果，但它隐含了一个不适用于复杂模型的假设：空间上接近的位置，也可以沿物体表面直接传播。 手套模型能清楚暴露这个问题。两根手指之间的空气间隙很小，手掌正反面之间也可能只有很薄的模型厚度。欧氏距离会把这些位置视为近邻，使一个传感器的影响直接到达另一根手指或模型背面。折角附近也有同样的问题。两个点的直线距离可能很短，但真实的表面路径需要绕过较长距离，甚至根本不存在连续路径。 早期的视觉修正曾把低值区域改成灰色，重新定义平滑显示与离散点显示的切换，并调整颜色过渡。这些改动提高了画面可读性，却没有改变传播距离，因此不能从根本上修复薄壁、折角和相邻部件之间的串色。 像素化重建是另一条尝试路线。它先把模型投影到高分辨率平面，在规则像素网格上插值和后处理。规则像素能够减轻原始三角面大小不均造成的色块，Gaussian 平滑也能让边缘更柔和，但单一投影难以表达任意方向、多层和自遮挡曲面。模型前后两层还可能落到相同像素位置。高分辨率重建带来的计算量也比较大。因此，这条路线适合作为视觉实验，却不适合作为一般三维模型的传播基础。 曲面传播的核心变化，是把"距离"从三维空间中的直线长度，改成模型表面的路径长度。模型顶点作为图节点，共享三角形边作为图边，边权是相邻顶点之间的几何长度。传感器先找到附近且朝向兼容的表面点，再从该点沿曲面图执行截断 Dijkstra。一个位置只有在曲面上存在合法路径，并且路径总长不超过传播半径时，才会受到该传感器影响。 这并不意味着算法完全不再使用欧氏距离。传感器的导出位置可能略微离开模型表面，因此仍要用直线距离找到附近表面作为附着点。区别在于，这个距离只用于完成传感器到表面的初始附着。附着之后的扩散范围由曲面路径决定，不能继续穿过模型内部走捷径。 曲面如何变成可计算的传播域 三角网格不能直接拿来做曲面搜索。STL 模型通常以彼此独立的三角形保存，同一个几何点可能在相邻三角形中重复出现。如果不先合并这些重复顶点，算法看到的会是大量互不连接的小三角形，最短路径也无法跨越三角形边界。 因此，曲面准备的第一步是顶点焊接。算法按照一个较小的位置容差，将坐标相同或足够接近的顶点合并为共享顶点，同时删除顶点重复或面积接近零的退化三角形。焊接容差需要与模型单位和导出精度匹配。容差过小会留下不应存在的裂缝，容差过大则可能把距离很近但实际分离的两层表面错误连接起来。 焊接之后可以根据三角形共享边建立邻接图。图边的长度取两个顶点之间的几何距离。为了避免传播穿过尖锐折角，还要比较相邻顶点法线。设相邻顶点为 $u$ 和 $v$，只有满足 $$ \mathbf{n}_u\cdot\mathbf{n}_v\ge\tau_e $$时，二者之间的边才允许参与传播。本文采用的邻接法线阈值为 $\tau_e=0.25$。这是一种硬门控：达到阈值的边可以通过，低于阈值的边完全禁止通过。它的优点是折角隔离清楚，缺点是高曲率但连续的表面也可能被切断。更平滑的替代方案是根据夹角增加路径代价，但这会引入新的衰减参数，必须通过真实数据才能判断是否更合理。 网格密度同样会影响曲面距离和点云连续性。如果最大三角形边长远大于传播半径，支撑区域内可能只有少量顶点，最短路径会变得粗糙，显示点也会过于稀疏。可以把目标边长定义为 $$ E_{target}=\max\left(\frac{R}{4},1\text{ mm}\right) $$当最大边长明显超过目标边长时，将一个三角形沿三条边的中点拆成四个子三角形。共享边的中点必须复用，避免细分后重新产生裂缝。细分还要设置顶点数上限，否则高面数模型可能快速膨胀。 细分后需要重新计算顶点法线。顶点法线既控制传播能否经过某条边，也决定点云隆起方向，因此不能把它当成单纯的光照数据。通常将相邻三角形的面积加权法线累加到顶点，再进行归一化。无条件执行 Laplacian 平滑并不稳妥，因为平滑会收缩几何并改变传感器到表面的物理距离。视觉上更圆润不代表几何关系更准确。 传感器附着也使用法线约束。设曲面点法线为 $\mathbf{n}_v$，传感器法线为 $\mathbf{n}_i$，只有满足 $$ \mathbf{n}_v\cdot\mathbf{n}_i\ge\tau_c $$的顶点才参与附着点选择。本文采用 $\tau_c=0.1$。在所有兼容顶点中选择与传感器中心最近的点作为种子。如果传感器到种子的初始距离已经大于传播半径，该传感器不产生曲面影响。 从种子开始执行 Dijkstra 搜索，路径距离由曲面边长累计： $$ d_i(v)=\min_{\pi:i\rightarrow v}\sum_{(u,w)\in\pi}\|\mathbf{x}_u-\mathbf{x}_w\| $$路径只能经过法线兼容的邻接边，并在距离超过半径 $R$ 时停止。这样得到的 $d_i(v)$ 是离散网格上的测地距离近似。它不完美依赖模型质量，但比直接使用穿过空间的直线距离更符合复杂表面的传播关系。 图 Fig004：传感器附着、曲面路径和紧支撑权重。欧氏距离只用于选择附近表面，实际传播距离由曲面路径决定。 离散测量如何形成连续场 得到曲面距离之后，仍然需要决定距离如何转化为权重。本文采用 Wendland C² 紧支撑核。对曲面距离 $d$ 和传播半径 $R$，令 $r=d/R$，权重定义为 ...

散点到 3D 曲面：力场重建工程算法 一、目标与边界 本文说明如何将三角网格表面的离散 Cell 采样值重建为连续、稳定且可实时渲染的 3D 曲面力场，覆盖算法输入、几何预处理、曲面距离、插值、颜色映射、缓存、渲染和验证。 算法解决以下工程问题： STL 三角面重复顶点导致表面拓扑断裂。 三维欧氏距离会穿过薄壁、折角或独立零件传播数值。 离散 Cell 数值需要连续插值，但不能因邻近 Cell 数量增加而产生虚假峰值。 覆盖边缘需要自然回落到模型基底颜色，不能出现硬截断。 几何计算与实时帧更新必须分离，以满足连续数据刷新需求。 算法输入包括三角网格、Cell 位置与法线、当前帧采样值、显示范围和重建参数；输出为与渲染顶点一一对应的颜色数组。 1.1 算法全景流程 二、曲面采样模型 2.1 曲面距离问题 目标曲面具有曲率、折角、正反面和多个独立零件，不能把它视为平面或无拓扑关系的三维点集。 核心问题是：两个点在三维空间里看起来很近，是否意味着它们沿模型表面也很近？ 2.2 Cell 语义：离散采样，不是独立力源 Cell 表示连续真实力场的离散采样点。 重建值表达附近采样值的加权平均，不把多个 Cell 的数值简单相加。 若四个相邻 Cell 都是 0.6，中间位置也应接近 0.6，不能仅因为附近有四个点就变成 2.4。 以下 12 个采样点用于说明算法在圆柱曲面上的输入形式： 点 z / mm θ / ° x / mm y / mm 归一化压力 S1 -6 -70 -5.638 37.948 0.18 S2 0 -70 -5.638 37.948 0.32 S3 6 -70 -5.638 37.948 0.46 S4 -6 -25 -2.536 34.562 0.42 S5 0 -25 -2.536 34.562 0.82 S6 6 -25 -2.536 34.562 0.68 S7 -6 25 2.536 34.562 0.55 S8 0 25 2.536 34.562 1.00 S9 6 25 2.536 34.562 0.76 S10 -6 70 5.638 37.948 0.28 S11 0 70 5.638 37.948 0.48 S12 6 70 5.638 37.948 0.36 三、Wendland C2 与归一化插值 3.1 紧支撑核 算法使用 Wendland C2 作为紧支撑权重函数： ...

Wendland Functions Wendland 函数是一类具有紧支集的径向基函数（Compactly Supported Radial Basis Functions），由 Holger Wendland 在其 1995 年的论文 Piecewise Polynomial, Positive Definite and Compactly Supported Radial Functions of Minimal Degree 中提出。 这类函数广泛应用于散乱数据插值（scattered data interpolation）、无网格方法（meshfree methods）等领域，其紧支撑特性使得插值矩阵具有稀疏性，显著降低了大规模问题的计算复杂度。 ← Previous Page 0 / 0 Next → 下载 PDF 正在加载 PDF 预览...

Wendland 紧支撑核的散点场重建方法 Wendland Functions（这篇笔记对 Wendland 核函数的数学构造有更完整的推导） 从散点到连续场 Wendland 并不是“力场重建”专用算法。它更像是一种通用工具：当你手里有一批离散采样点，想把它们变成一个连续场时，Wendland C2 紧支撑核可以作为一个很好的重建核。 问题可以抽象成这样：平面上有一组采样点 $$ (x_i, y_i, v_i), \quad i = 1,2,\dots,N $$其中 $(x_i,y_i)$ 是采样位置，$v_i$ 是这个位置的观测值。我们想得到一个连续函数 $f(x,y)$，让它在没有传感器的位置也能给出合理估计。压力传感器数据只是这个问题的一个例子。换成温度站点、高程采样点、点云属性，甚至仿真里的 collocation points，本质都是“散点样本 → 连续场”。 这里有一个容易混淆的点：这件事到底是“重建”，还是只是“平滑”？我的理解是，平滑更像后期修图，它不关心背后有没有真实函数，只是让数据看起来更顺；重建则先假设背后确实存在一个连续函数，而采样点只是对它的离散观测。对于压力传感器来说，我们认为背后存在一个连续压力分布 $P(x,y)$，传感器只是采到了若干个 $P(x_i,y_i)$，所以目标是从这些离散值恢复连续压力分布的近似，而不只是让图变得柔和。 这也是为什么我更愿意把这个问题叫“散点场重建”。它不是某个物理量专属的问题，而是一类数据重建问题。 为什么会选到 Wendland 从散点构造连续场的方法很多。最朴素的是最近邻：每个位置直接拿最近采样点的值。这很诚实，但画出来会像马赛克。线性插值或三角插值更自然一些，不过它往往需要明确的拓扑结构，边界处理也麻烦。点高斯叠加看起来很直觉：每个采样点盖一个光斑，所有光斑相加。但它有一个致命问题——如果不归一化，采样点密集的地方会天然更亮。亮度来自采样密度，而不是来自真实场值。 KNN-IDW 往前走了一步：找附近 K 个点，按距离倒数加权平均。它已经是“插值”的思路了，但邻居集合会随着像素位置切换，梯度大的地方容易出现细小斑点。局部平面拟合能表达局部趋势，不过不同邻域拟合出的平面一切换，就容易出现片状接缝。全局 RBF 插值理论上更完整，但需要解线性方程组，计算成本会比较高。 所以这个场景真正需要的不是“最花哨”的方法，而是同时满足几个工程约束的方法。第一，它要归一化，否则采样点密度会污染颜色。第二，它要局部计算，否则输出图像一大，每个像素都遍历所有采样点就不现实。第三，它要视觉连续，不能有块状边界、凸包、片状拼缝。Wendland C2 恰好把这几件事放在一起：它是归一化加权平均；它是紧支撑核，超出半径就严格为零；它在支撑边界处 C² 连续，不容易产生拼缝；同时它还是正定 RBF，作为插值或近似核有数学基础。 也就是说，Wendland 不是因为“它专门适合压力场”才被选中，而是因为当前任务具备这些条件：散点采样、需要连续场、采样密度可能不均匀、要求实时、要求视觉上没有明显伪影。 从旧的高斯光斑到 Wendland 核 旧的点高斯方案很容易理解：在每个采样点位置盖一个高斯光斑，然后把所有光斑相加。 $$ \text{field}{[x][y]} = \sum_i \text{value}_i \times \exp\!\left(-\frac{d_i^2}{2\sigma^2}\right) $$这里 $\text{value}_i$ 是第 $i$ 个采样点的值，$d_i$ 是像素到这个采样点的距离，$\sigma$ 控制光斑扩散范围。这个公式最大的问题就在求和符号上。两个采样点靠得近，光斑重叠区域就会叠得更亮。结果是：采样点密度越高的地方越亮，即便真实场值并没有更高。 ...

PPG 情绪识别：几条路线的取舍与实测 写在前面 这个工作并不算solid，目前正在数据收集和实测阶段，涉及的数据集也只有WESAD和DEAP，并没有很强的参考意义，请谨慎参考。 摘要 要解决的问题很简单：在手表侧只有 PPG 和三轴加速度这两类输入的前提下，能不能先估计 valence 和 arousal，再映射到 Russell 情绪模型中的象限和离散标签，从而形成一条可闭环的情绪识别链路。 当前项目一共走过三条路线。第一条是 XGBoost Feature Baseline，它使用 HRV + ACC + SQI 这类手工特征，目标是先把任务跑通，并给后续复杂模型提供一个稳定参照。第二条是 EMCNN PPG-only，它直接建模单通道 PPG 波形，是当前的默认主方案。第三条是 EMCNN + aux，在 EMCNN 的基础上再加入 ACC/SQI 辅助输入，作为实验增强路线。 在当前 WESAD LOSO 实测下，EMCNN PPG-only 是综合表现最好的方案：它同时超过了 XGBoost 基线，并且比 EMCNN + aux 保持了更好的连续回归误差。EMCNN + aux 虽然在分类指标上更强，但 VA MAE 更差，更像分类增强方案。除此之外，本文还补充了推理性能、CPU/GPU、并发、内存和显存开销的实测，目的是把“能不能识别”和“值不值得部署”放在同一张桌子上讨论。 本文不公开项目实现和数据实测，仅作交流学习。 这个工作并不算solid，目前正在数据收集和实测阶段，涉及的数据集也只有WESAD和DEAP，并没有很强的参考意义，请谨慎参考。 一、这件事到底在做什么 当前项目的目标不是做一个泛泛的“情绪分类器”，而是要在手表侧有限传感器条件下，建立一条可以闭环的 Russell 情绪建模链路。输入是 PPG + ACC，中间层输出是连续的 valence 和 arousal，最后再映射到 Russell 情绪模型中的象限和离散标签。当前仓库中的推理接口已经对应到了这条链路： 连续层：valence / arousal 决策层：quadrant 展示层：21 个 Russell 标签 + Top-3 这里有一个必须讲清楚的前提：当前项目并不预设 PPG 能直接“表达情绪”，也不假设 PPG 和 valence/arousal 之间存在简单、稳定、显式的一一对应关系。更稳妥的说法是，情绪状态会通过自主神经系统影响心率、血管张力、外周循环和节律变化，而 PPG 恰好能观测到这些变化的一部分。因此，当前项目真正检验的是这样一个工程假设：PPG/ACC 中可能存在与 valence/arousal 相关的可学习统计模式。如果这个假设成立，就有机会在手表侧形成一套弱侵入、持续性的情绪状态估计能力。 ...

ONNX - 它到底快在哪，又慢在哪 一、ONNX 是什么 ONNX（Open Neural Network Exchange）本质上是一种模型的中间表示格式（IR），类似于编译器里的 LLVM IR。 用 PyTorch 训练完一个模型之后，模型的计算逻辑是用 Python 描述的，跑推理的时候要经过 Python 解释器、PyTorch 的调度器、再到底层的 CUDA kernel。这条链路很长，开销不小。ONNX 做的事情是：把模型的计算图从 PyTorch 的世界里"导出"成一个独立的、与框架无关的静态计算图，然后交给专门的推理引擎（比如 ONNX Runtime）去执行。 打个比方：PyTorch 训练出来的模型像一份 Python 脚本，每次执行都要解释器逐行翻译；ONNX 导出后的模型像一份编译好的二进制文件，直接跑就行。 一个典型的 ONNX 文件（.onnx）里面存的是： 计算图的拓扑结构（哪些算子、怎么连接） 每个算子的类型和参数（Conv、MatMul、Relu 等） 模型的权重（以 protobuf 格式序列化） 输入输出的 shape 和数据类型 这里要注意一点：ONNX 本身只是一个格式规范，它不负责执行。真正跑推理的是 ONNX Runtime（简称 ORT）或者其他兼容 ONNX 的推理引擎（TensorRT、OpenVINO 等）。说"用 ONNX 加速"，实际上是"用 ONNX Runtime 加速"。 二、ONNX Runtime 为什么能快 理解了 ONNX 是什么之后，关键问题来了：为什么换个引擎跑就能快？ 2.1 去掉了 Python 开销 PyTorch 推理时，即使模型本身的计算是在 GPU 上跑的，Python 层面仍然有大量开销： ...