L’objectif du projet est de réaliser une architecture multi-échelles d’un point de vue ma-tériel c’est à dire qu’elle peut être exploitée sur un centre de calcul pour les données d’une ville ou sur un simple ordinateur pour gérer un bâtiment. Par rapport à la visualisation, nous avons également travaillé sur la gestion de rendu en fonction du matériel disponible. En effet, le dispositif de visualisation utilisé limite la quantité d’informations utiles.
Notre solution est développée autour du paradigme client / serveur. Un serveur crée le nuage de particules et celui-ci est ensuite transmis au client. Pour créer un système multi-résolution, nous avons proposé une solution adaptative en fonction du client lors de la génération du contenu, puis une solution de mise à jour multi-résolution et enfin une adaptation de la visualisation sur le client.
6.4.1 multi-résolution pour la transmission d’informations
La première solution de multi-résolution est axée sur l’identification des dispositifs de visualisation. Notre projet a pour but d’être utilisé par différentes solutions de visualisation de données comme par exemple : un téléphone portable ou une salle immersion. Pour ce faire, nous nous appuyons sur le paradigme client / serveur que nous avons mis en place. Chaque client s’identifie au serveur en transmettant son identifiant, qui correspond aux capacités de rendu du dispositif. Il est alors possible pour le serveur d’adapter le nombre de particules en fonction du dispositif client. Comme nous l’avons vu dans le chapitre pré-cédent, ce coefficient intervient lors de la génération des particules au travers du facteur
φ.
Une fois les particules générées, il faut transmettre les informations aux clients. Pour ce faire nous avons utilisé un protocole réseau bien défini. La partie la plus consommatrice en terme de quantité d’informations envoyée concerne les particules. Nous avons donc proposé une solution reposant sur la mise à jour progressive des données en fonction du support de communication utilisé afin de ne pas saturer la bande passante. Cette solution permet donc de donner une impression de mise à jour progressive de l’ensemble des par-ticules. La figure 6.12(c) présente le principe de cette diffusion d’information, la valeur du capteur mis à jour est envoyée, puis son voisinage direct et enfin un voisinage étendu. par
4. L’ensemble de ces méthodes est présenté dans la vidéo à l’adresse suivante :http://benoitlange.fr/ these/videos/visus.mp4
cette méthode, il est possible de simuler un comportement de flux dans une structure qui n’était pas destinée à cela. Cependant, comme le montrent les figures 6.12(a) et 6.12(b) la mise à jour des données donne un effet de fluide plus convaincant sur des données simu-lées que sur des données réelles.
(a) Transmission des nouvelles particules mises à jour à T = 0.
(b) Transmission des nouvelles particules mises à jour à T = 1.
(c) Principe de transmission basé sur le système de LOD.
FIGURE6.12 – Principe de fonctionnement du LOD pour la transmission avec schéma d’ex-plication et résultat obtenu.
6.4.2 multi-résolution pour la visualisation
Nous nous sommes également intéressés à la simplification de scène dans le cadre de contenu issu du bâtiment. Dans cette section, nous allons présenter les différentes ap-proches multi-résolution mises en place dans le cadre de ces travaux. Nous avons mis au point deux méthodes de simplification de nuage de particules afin de produire des
visua-lisations plus légères et ainsi créer le rendu de plusieurs pièces, voir du bâtiment tout en conservant le maximum d’informations.
La première méthode que nous avons mise en place repose sur l’agrégation de parti-cules. Pour cette méthode, chaque espace (pièce) est divisé de manière régulière afin d’ob-tenir un espace composé de sous-espaces. Chaque sous-espace possède une ou plusieurs particules. On agrège ainsi les différentes valeurs des particules et on assigne à notre espace cette valeur. On obtient ainsi un espace clusterisé. Grâce à cette approche, il est possible de gérer plusieurs niveaux de détails : soit pour des périphériques différents, soit pour des données placées plus ou moins loin dans la scène par rapport à la caméra. Cette partie des calculs est gérée par le client, ainsi il peut dynamiquement produire à la volée une vue adaptée au contexte. Le principe de la méthode est donné en figure 6.13(a). Comme il est possible de le voir, cette méthode permet de gérer différentes solutions de visualisation en fonction du contexte de la caméra. Nous avons utilisé cette méthode sur un jeu de données aléatoire. La figure 6.13(b) présente une représentation d’un espace basée sur des parti-cules avec une pondération aléatoire des partiparti-cules. La figure 6.13(c) présente le résultat de la clusterisation de notre pièce ; un lissage moyen a été appliqué sur cette vue en raison du tirage aléatoire des différentes valeurs. Enfin les figures 6.13(d) et 6.13(e) présentent le résultat de clusterisation à d’autres étapes, la surface de la pièce semble ainsi totalement lissée. Les informations importantes (valeurs élevés, valeurs faibles) ont disparues.
La seconde méthode de multi-résolution s’intéresse à extraire les informations impor-tantes des données. Dans le cadre d’un centre de calcul, l’important est d’extraire les va-leurs de température trop basses ou trop haute par exemple. Extraire ce type d’informa-tions est relativement important pour des systèmes critiques. Une panne peut avoir des conséquences matérielles et humaines importantes. Il est alors crucial de permettre d’ex-traire rapidement des informations pertinentes des données en se basant notamment sur l’extraction de points caractérisés. La méthode utilise le principe de parcours de voisinage. Pour ce faire, il est nécessaire de calculer le voisinage de chaque particule. La méthode fonctionne de la manière suivante : pour chaque particule restante dans la liste de parti-cules, leK-voisinage est exploré en fonction de la distance de l’espace par rapport à la ca-méra, la notion d’extraction de voisinage est traité dans les annexes. Parmi cet ensemble, les particules critiques sont extraites. Ainsi, un nouvel espace est défini contenant moins d’informations, mais disposant des informations cruciales de la visualisation. Dans la fi-gure 6.14(a)n, nous présentons le schéma de représentation de cette méthode, différents rendus peuvent être extraits d’un ensemble de données, notamment en explorant une cer-taine profondeur dans le graphe de données mais également en sélectionnant les données importantes à extraire. Un aperçu de ces résultats est donné en figure 6.14(c) : après sim-plification du nuage de points, le résultat obtenu met en avant les points critiques (points rouge).
(a) Schéma de la méthodologie pour l’agrégation de particules.
(b) Espace original d’une pièce.
(c) Aggrégation de l’espace présenté en figure 6.13(b) (Dis-tance=1).
(d) Aggrégation de l’espace présenté en figure 6.13(b) (Dis-tance=3).
(e) Aggrégation de l’espace présenté en figure 6.13(b) (Dis-tance=5).
FIGURE6.13 – Niveau de détails basé sur l’agrégation d’informations.