AI帮忙解决面料数字化难题，王华民团队新方法复刻面料真实效果(3)

早在2011年，王华民团队曾考虑过用数值方法来解决。

（引入校正角，结合优化算法寻找最佳弯曲刚度参数。）
之后陆陆续续有学者，在使用类似的方式。不过由于参数与形状之间的复杂关系，导致计算量庞大，整个过程困难且耗时，进展也就有所滞缓。
而又在最近几年，AI成为另一种探索方式。通过视频、图像的学习，让AI学会预测面料模拟属性。
不过因为是在一个自由开放的环境，导致数据收集与训练困难，以及准确性不是很高的问题。
用AI预测面料模拟参数
基于这样的背景，王华民团队带来了全新的思路：
在一个可控的环境下，利用AI与海量数据相结合，实现快速的模拟参数预测。（具体指代的是，面料的弯曲刚度）
首先构建一个可控的环境
，即60年代提出的Cusick悬垂测试法，将布料标本悬垂在一个圆柱形平台上。
之所以可控，是因为相较于更流行的悬臂法而言，它更省时，可以处理更复杂的面料，不容易受塑性影响，可以更直观自然地显示布料的褶皱。
这些特质对模拟环境至关重要，比如数字人服装。
但以往的认知中，悬垂法主要是用来提供弯曲刚度的各种评估指标；而不是用来进行准确的参数测量。
研究人员开发了一个深度学习系统
来解决这个问题：
先用悬垂法评估现实织物的悬垂性，在用特定模拟器找到最佳弯曲参数，以展现与现实高度一致的弯曲行为。

具体而言，使用悬垂测试仪的多视角深度图像，来捕捉面料样本的悬垂形状，将其作为DNN的特征向量进行推断，最终得到弯曲刚度参数。