Предлагаемый в предыдущей статье метод имеет ряд ограничений при следующих условиях настоящего времени: условия или направленность работы должны быть следующими - могут быть смоделированы или отслежены в той или иной степени, метод не работает для действий с мгновенными результатами, и в настоящее время он не предназначен для синхронизации многочисленных пользователей в конкурентной среде (т.е. в играх).
Предсказатели
Что касается используемого предиктора, методы регрессии и искусственного интеллекта имеют как положительные, так и отрицательные стороны.
В зависимости от ситуации, один из них может подходи лучше, нежили другой. Так что изучать только один метод и отдавать ему предпочтение в априори, считаю неразумным и мало эффективным.
Регрессия
Адаптивное, каждое предсказание рождается из очереди
последних данных
Борьба за прогнозирование больших расстояний
Борьба за прогнозирование непредсказуемого движения
Быстрота расчета (от <1 до 2 мс)
Короткое время разработки
Аналитическое решение
АНН
Может опираться на прошлый опыт, строя свою модель для прогнозирования
Может адаптироваться в зависимости от опыта, но не всегда, за пределами известных ей алгоритмов эффективность немного снижается, но это только на этапе адаптации
Может использовать больше типов данных, чем позиция пользователя и обстановка
Может адаптироваться для пользователей или использовать случаи
Относительно быстро (от 2 до 4 мс)
Длительное время разработки
Аналогия: в идеале, как человеческая интуиция.
Будущая работа
Мы планируем поэкспериментировать с WAN и протестировать осуществимость этих методов в менее предсказуемой ситуации сетевого окружения. Это будет достаточно необычный опыт и не типичный для таких ситуация метод проверки. Но современные проблемы требуют современных решений. По мере продвижения нашей работы с АНН, мы планируем протестировать более широко, например, с несколькими различными пользователями или использование трекеров VIVE VR с пользовательскими объектами VR.
Обширные испытания не были столь необходимы при регрессии, потому что он всегда приспосабливается к ситуации, когда нет памяти (смещения) относительно конкретных движений, в виде АНН, например, может быть.
Мы также планируем расширить нашу работу для решения до этого не определенных задач пользователей. Чем больше появляется новых технологий, тем сложнее адаптировать и синхронизировать их с уже имеющимися, зачастую устаревшими. Благодаря нашему подходу, несколько пользователей могут быть сохранены в системе синхронизации с окружающей средой естественно.
Однако, создавая согласованность между пользователями в программе существует нетривиальная проблема, потому что каждый пользователь может иметь определенную задержку в движении туда и обратно с сервером, создавая тем самым уникальные значения латентности между каждым из них.
Метод, аналогичный "временным рамкам", (на котором я обязательно остановлюсь более подробно в другой статье) может быть следующим возможное решение до тех пор, пока клиентские вычисления могут быть минимизируется при наличии значительного количества объектов. Наконец, сведение к минимуму латентности источников, которые находятся под нашим контролем также является постоянными усилиями, но это выходит за рамки наших возможностей и объема работ.
Заключение
В этой работе мы изучили вопросы, связанные с задержками в нашей работе сетевой VR-среды и предложил метод, позволяющий, так называемое - прогностическое моделирование, как решение, чтобы свести на нет задержки.
Он был разработан для использования в интерактивном режиме среды, в которых выполняются вычислительные работы выгружен. При таком подходе мы можем драматически уменьшить предполагаемую латентность в нашем моделировании, сокращение разницы между данными, которые были отправлены в сервер и обратно в сравнении с данными с реальной клиентской стороны. Когда при использовании регрессии, частота ошибок уменьшилась на величину более чем в три раза по сравнению с среднеквадратическими отклонениями в два раза больше, и все это время, пока клиент взаимодействует с десятками, а иногда даже сотнями тысяч динамических объектов сервера. Мы также представили нашу первоначальную работу с использованием ANN в качестве предсказателей, которые, как мы полагаем, будут иметь большее значение и потенциал в качестве предсказателей регрессии в будущих усилиях.
Послесловие автора.
Очень много моих сил и времени было вложено в эту работу. Я бы очень хотела, чтобы мои наработки пригодились, помогли в дальнейшем более детально изучать данную тему: специфику, механизмы развития, особенности взаимодействия, и конечно же, способы навсегда избавиться от такой проблемы.
