PLOY3D 引擎,近 3 个月样例链接与功能更新说明
PLOY3D 引擎概述
Ploy3D 是一个基于JavaScript、WebAssembly、WebGPU的国产自研3D引擎。可以在Deno运行时下作为本机应用运行,也可以在支持WebGPU的浏览器环境下运行。当然,在不支持WebGPU的浏览器环境下(如移动端微信),Ploy3D将来可降级为WebGL2.0运行。
Ploy3D开源项目建立三个月有余,更新说明:
- 引擎API定义基本稳定;
- 应用开发框架基本稳定,支持在URL中指定SDK版本、应用ID等,便于应用部署于更新;
- 内存和资源管理趋于稳健,可实时统计各种资源开销,提供安全退出接口在退出前释放所有资源,以便及时发现代码疏漏;
- 资源包和资源格式设计完善,资源包可位于内存、本地文件夹或者云端,所有资源访问基于URI,无需下载就可访问云端共享资源;
- 资源包资源缩略图快捷生成,每个资源包包含注册信息,UI菜单信息和实际资源路径等;
- 实现了基本的2D图形渲染器,接口兼容Canvas,文本绘制等;
- 4K分辨率支持、动态分辨率支持;
- 简单灵活的渲染管线自定义,并且可以运行时动态调整、渲染管线是基于帧通道的编排;
- 内置预定义渲染管线完善,支持包括Cascaded Shadow Maps、集群动态光照、SSAO、SSR、SSS、BLOOM等;
- 完全自由灵活的着色器开发框架、未来兼容着色器节点图,内置PBR着色器等;
- 引入效果体积组件管理不同区域不同时间的渲染设置;
- 场景文件等同于资源包,可同时装载和渲染无限个场景并进行交互,因此可分布式进行大世界场景搭建;
- 场景将可注册到GIS上,在浏览GIS时动态装载过滤场景,因此可以在世界各地搭建3D空间并实时更新并相互共享;
- 完善GIS实现,3D对象可定位于GIS上任意经纬度,可实时查看GIS任意经纬度空间,查看远近和角度完全自由控制,我们抹除了3D空间与GIS空间之间的差异;
- 支持无限个倾斜摄影模型的装载和绘制,并且能与GIS完美匹配,GIS支持行政区域矢量图形的填充和描边绘制;
- 完善多线程实现、能让我们云端海量资源包、倾斜摄影的海量瓦片数据、GIS大量瓦片数据的实时流畅装载、解析、渲染而没有卡顿;
- 支持GLTF文化导入为资源包、支持DAZ数字角色导入为资源包、我们基于资源包重用资源,重用网格渲染器组件可在批量实例化渲染时提高性能;
- 支持基于包围盒的射线拾取和基于屏幕空间像素的射线拾取,提供了一个变换组件控制器可随时调出;
- 实现了编辑器框架,编辑器功能将不断完善;
- 添加了一批样例应用代码;
- 代码声明文件完善、注释全面、结构清晰;
- 更多功能和设计细节请查阅我们的源码并尝试使用;
场景编辑器
样例体验
预览 | 链接 | 预览 | 链接 |
---|---|---|---|
角色渲染 | 倾斜摄影模型 | ||
骨骼蒙皮动画 | GIS地图 | ||
后期特效 | GIS+倾斜摄影模型 | ||
GIS+矢量瓦片 |

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
-
上一篇
包材推荐中的算法应用|得物技术
目录 一、业务背景 二、算法架构 规则 算法 三、算法原理 装箱 装袋 四、衍生应用 切箱 合包 箱型设计 包装方案推荐 五、作者结语 一、业务背景 任何一家电商的商品出库场景中,都涉及到打包——即把订单中的商品用包材进行包裹,常见的打包方式有装袋和装箱。 仓库打包作业主要决策两点: 包材类型:一般根据商品种类判断,比如衣服使用塑料袋、日用品使用纸箱等,具体由人工录入规则维护在系统中,针对订单输出对应可用包材类型; 包材型号:具体取决于装箱还是装袋,要求使用的纸箱的体积最小或者袋子的面积最小,并且能装下订单中的所有商品。在实操中,系统通常通过拆箱逻辑应对订单中商品较多以至最大型号都装不下的情形。 针对第二点,人工决策不仅效率低而且容易造成浪费,主要是包材型号较多,而且是折叠状态。作业人员肉眼难以甄别能装下所有商品且体积最小的型号,最保险的做法是选择较大的纸箱。这样会造成浪费包材,增加履约成本。此外空间利用率不高将导致商品在运输中容易破损,引发客诉甚至退换货。 在这样背景下,需要一套包材推荐算法来解决上述包材浪费和空间利用率不高的问题。 二、算法架构 在详细进入算法细节之前,先大致了...
-
下一篇
新一代实验分析引擎:驱动履约平台的数据决策
本文介绍了美团履约技术平台的新一代实验分析引擎,该引擎对核心实验框架进行了标准化,并融合了众多先进解决方案,有效解决小样本挑战。同时,提供了多样化的溢出效应应对策略,并针对不同业务场景提供了精准的方差和P值计算方法,以规避统计误差。希望对大家有所帮助或启发~~ 引言 自谷歌于2000年引入AB实验以来,这一方法已成为互联网公司优化产品的核心手段,使得基于数据的快速决策成为可能。但随着O2O平台经济的崛起,AB实验需面对更复杂的多边市场和强LBS属性带来的挑战。在这些平台中,消费者、服务提供者和商家的互动极大增加了实验的复杂性,传统的实验平台在小样本和溢出效应面前显得力不从心。其根本原因在于用于接收实验数据和实验配置信息并输出实验报告的实验分析引擎,仅能正确支持非常有限的一组实验设计,难以满足不同用例的实验分析需求。我们的故事便从此开始,这是我们的故事,也可能是你的解答。 1.1 AB实验的发展:从单边场景到单边与多边场景的共存 互联网经济的进步催生了商业模式的创新。我们看到了谷歌、阿里巴巴这样的公司通过向消费者直接提供内容和商品而取得成功,同时,美团、滴滴这样的平台型经济(即时服务平台...
相关文章
文章评论
共有0条评论来说两句吧...