基于沉浸式应用场景的AI资源生成方法及数字孪生系统

技术领域

本申请涉及数字孪生技术领域，具体而言，涉及一种基于沉浸式应用场景的AI资源生成方法及数字孪生系统。

背景技术

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程，具体而言是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。随着物联网、云计算、大数据、人工智能等新一代信息技术的发展和广泛应用，数字孪生在理论层面和应用层面均取得了快速发展，逐渐延伸到多种数字化技术应用领域。数字孪生的映射关系是双向的，一方面，基于丰富的历史和实时数据和先进的算法模型，可以高效地在数字世界对物理对象的状态和行为进行反映；另一方面，通过在数字世界中的模拟试验和分析预测，可为实体对象的指令下达、流程体系的进一步优化提供决策依据，大幅提升分析决策效率。因此，在数字孪生提供的沉浸式应用场景的实体对象的交互行为过程中，需要结合沉浸式交互行为在沉浸式应用场景中生成与之匹配的数字孪生资源，因此在匹配过程中，如何保证数字孪生资源筛选的精确度，从而提高数字孪生资源生成的匹配度，是本领域亟待解决的技术问题。

发明内容

为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于沉浸式应用场景的AI资源生成方法及数字孪生系统。

第一方面，本申请实施例实施例提供一种基于沉浸式应用场景的AI资源生成方法，应用于数字孪生系统，所述方法包括：

获取与沉浸式应用场景中与沉浸式交互行为所资源关联的M个第一数字孪生资源序列，每个第一数字孪生资源序列对应一个资源关联要求，任意一个第一数字孪生资源序列对应的资源关联要求表征在以任意一个所述第一数字孪生资源序列对应的资源关联要求进行资源匹配时，任意一个所述第一数字孪生资源序列中的数字孪生资源与所述沉浸式交互行为具有资源关联关系；

获取所述M个第一数字孪生资源序列中每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征，并依据所述每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求；每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征包括所述每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息，以及所述每个数字孪生资源与所述M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息；

确定所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，并依据所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对所述M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列；

依据所述第二数字孪生资源序列向所述沉浸式应用场景对应渲染数字孪生资源。

在第一方面的一种可能的实施方式中，所述M个第一数字孪生资源序列是基于目标AI神经网络模型从多个参考数字孪生资源中确定的，所述目标AI神经网络模型包括一个第一资源关联分析单元和M-1个第二资源关联分析单元，每个第二资源关联分析单元对应一个沉浸式交互画像，所述M个第一数字孪生资源序列包括一个第一数字孪生资源序列G1和M-1个第一数字孪生资源序列G2；所述第一数字孪生资源序列G1对应的资源关联要求是依据所述第一资源关联分析单元进行设定的，每个第一数字孪生资源序列G2对应的资源关联要求是依据每个第二资源关联分析单元进行设定的；

所述获取与沉浸式应用场景中与沉浸式交互行为所资源关联的M个第一数字孪生资源序列，包括：

基于所述第一资源关联分析单元确定多个参考数字孪生资源中每个数字孪生资源的关注参数值，依据每个数字孪生资源的关注参数值和每个数字孪生资源的资源提供方设定的资源限定特征，从所述多个参考数字孪生资源中提取第一数字孪生资源序列G1；

依据所述沉浸式交互行为分析沉浸式应用场景对应的M-1个沉浸式交互画像，以及获取所述多个参考数字孪生资源中每个数字孪生资源的交互特征，所述M-1个第二资源关联分析单元与所述M-1个沉浸式交互画像相对应，一个第二资源关联分析单元对应一个沉浸式交互画像；

基于所述第二资源关联分析单元从所述多个参考数字孪生资源中调取与所述每个第二资源关联分析单元对应的沉浸式交互画像所资源关联的一个第一数字孪生资源序列G2。

在第一方面的一种可能的实施方式中，所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求包括门限价值；所述依据所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对所述M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列，包括：

如果任意一个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，大于任意一个所述数字孪生资源在对应第一数字孪生资源序列中对应的门限价值，则将任意一个所述数字孪生资源加载到第二数字孪生资源序列中。

在第一方面的一种可能的实施方式中，所述依据所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对所述M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列，包括：

获取预设的参考数字孪生资源的资源数量，以及确定所述每个第一数字孪生资源序列对应的资源配置比例；

基于所述预设的参考数字孪生资源的资源数量、所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值、所述M个第一数字孪生资源序列中的资源数量以及所述M个第一数字孪生资源序列对应的过往均值价值进行计算，生成所述第二数字孪生资源序列中数字孪生资源的资源数量；

依据所述第二数字孪生资源序列中数字孪生资源的资源数量和所述每个第一数字孪生资源序列对应的资源配置比例确定所述每个第一数字孪生资源序列对应的目标数量；所述每个第一数字孪生资源序列对应的目标数量是指所述每个第一数字孪生资源序列中可被选择加载到所述第二数字孪生资源序列中数字孪生资源的数量；

从所述每个第一数字孪生资源序列中选择目标数量个目标数字孪生资源加载到所述第二数字孪生资源序列中；

其中，任意一个第一数字孪生资源序列中的目标数字孪生资源在任意一个所述第一数字孪生资源序列中的交互生成价值符合所述目标数字孪生资源在任意一个所述第一数字孪生资源序列中对应的价值要求。

在第一方面的一种可能的实施方式中，所述依据所述每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，包括：

获取所述每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值；

依据所述每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息；

依据所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息对所述每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值进行更新，生成所述每个数字孪生资源在对应第一数字孪生资源序列中的门限价值。

在第一方面的一种可能的实施方式中，所述M个第一数字孪生资源序列中包括第x个数字孪生资源，所述第x个数字孪生资源对应第一数字孪生资源序列包括第X个第一数字孪生资源序列，X为不小于1且不大于M的整数，x为整数；

所述依据所述每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息，包括：

分别对所述第x个数字孪生资源的基础应用指标信息和所述第x个数字孪生资源与所述M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息进行特征编码；

基于神经网络模型对特征编码后的协同应用指标信息和基础应用指标信息进行更新激励估计，生成更新激励估计结果；所述更新激励估计结果中包括K种更新策略对应的K个激励值，一种更新策略对应一个激励值；任意一种更新策略对应的激励值表征在所述第x个数字孪生资源处于协同应用指标信息和基础应用指标信息时，对所述第x个数字孪生资源的初始门限价值执行任意一种更新策略所获得的激励价值；K种更新策略包括不更新、向正向更新以及向负向更新；

从所述K个激励值中选择目标激励值，并依据所述目标激励值对应的更新策略生成所述第x个数字孪生资源在所述X个第一数字孪生资源序列中的价值更新信息。

在第一方面的一种可能的实施方式中，所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息包括所述每个数字孪生资源在对应第一数字孪生资源序列中的更新参数，所述依据所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息对所述每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值进行更新，生成所述每个数字孪生资源在对应第一数字孪生资源序列中的门限价值，包括：

将所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息中的更新参数加载到门限更新规则中进行计算；

基于计算结果确定所述每个数字孪生资源在对应第一数字孪生资源序列中对应的门限价值。

在第一方面的一种可能的实施方式中，所述M个第一数字孪生资源序列中包括第x个数字孪生资源，所述第x个数字孪生资源对应第一数字孪生资源序列包括第X个第一数字孪生资源序列，X为不小于1且不大于M的整数，x为整数；如果所述第X个第一数字孪生资源序列中的数字孪生资源均是基于目标AI神经网络模型中的目标模型分支为沉浸式交互行为进行资源匹配获得的，所述目标模型分支包括第一资源关联分析单元或者任意一个第二资源关联分析单元；则所述获取所述每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值，包括：

采样Q个沉浸式应用场景，以及获取在设定在先时段内由所述目标模型分支确定出的T个过往数字孪生资源；

确定所述Q个沉浸式应用场景中，每个沉浸式应用场景与所述T个过往数字孪生资源中每个过往数字孪生资源进行交互的价值指标，生成Q*T个价值指标；

将所述Q*T个价值指标基于升序方式等分为G组，每组中包括的价值指标的数量相同，并基于每组中的多个价值指标确定每组的组级价值指标；从所述G组中确定目标组，并将所述目标组的组级价值指标输出为所述第x个数字孪生资源在所述第X个第一数字孪生资源序列中的初始门限价值。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取第一训练用数字孪生资源，以及获取所述第一训练用数字孪生资源对应的目标学习数据，所述第一训练用数字孪生资源对应的目标学习数据包括第一更新策略以及所述第一更新策略对应的第一训练用激励值；所述第一训练用数字孪生资源是M个训练用数字孪生资源序列中任意一个训练用数字孪生资源序列中的任意一个训练用数字孪生资源；所述M个训练用数字孪生资源序列中每个训练用数字孪生资源序列对应一个资源关联要求，所述每个训练用数字孪生资源序列对应的资源关联要求与所述每个第一数字孪生资源序列对应的资源关联要求相同；

依据所述第一训练用数字孪生资源以及所述第一训练用数字孪生资源对应的目标学习数据对神经网络模型进行初始化权重参数更新；

获取第二训练用数字孪生资源，并依据所述第二训练用数字孪生资源对初始化权重参数更新后的神经网络模型进行进阶权重参数更新，生成满足模型收敛条件的神经网络模型。

譬如，在第一方面的一种可能的实施方式中，所述获取所述第一训练用数字孪生资源对应的目标学习数据，包括：

获取应用指标与更新策略之间的映射知识特征；

获取所述第一训练用数字孪生资源在对应第一数字孪生资源序列中的目标基础应用指标信息；

依据所述应用指标与更新策略之间的映射知识特征，确定与所述目标基础应用指标信息对应的更新策略，并将确定的更新策略作为所述第一训练用数字孪生资源对应的第一更新策略；

基于激励值计算规则确定所述第一更新策略对应的第一训练用激励值。

譬如，在第一方面的一种可能的实施方式中，所述依据所述第一训练用数字孪生资源以及所述第一训练用数字孪生资源对应的目标学习数据对神经网络模型进行初始化权重参数更新，包括：

获取所述第一训练用数字孪生资源与所述M个训练用数字孪生资源序列中其它训练用数字孪生资源之间的协同应用指标信息，并基于所述神经网络模型依据所述第一训练用数字孪生资源与所述M个训练用数字孪生资源序列中其它训练用数字孪生资源之间的协同应用指标信息和所述第一训练用数字孪生资源在所属训练用数字孪生资源序列中的基础应用指标信息进行更新激励估计，生成所述第一训练用数字孪生资源对应的第一估计更新策略，以及所述第一估计更新策略对应的第一估计激励值；

依据所述第一估计激励值和所述第一训练用激励值之间的差异确定训练代价函数的值；

基于最小化所述训练代价函数的值的方向更新所述神经网络模型的模型权重参数。

譬如，在第一方面的一种可能的实施方式中，所述获取应用指标与更新策略之间的映射知识特征，包括：

获取过往时间段内的M个过往第一数字孪生资源序列，以及获取每个过往数字孪生资源在所属过往第一数字孪生资源序列中的基础应用指标信息；

在所述每个过往数字孪生资源处于在所属过往第一数字孪生资源序列中的基础应用指标信息时，分别采用K种更新策略对所述每个过往数字孪生资源的初始门限价值进行更新，生成所述每个过往数字孪生资源对应的更新信息，任意一个所述过往数字孪生资源对应的更新信息包括任意一个所述过往数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息、任意一个所述过往数字孪生资源经过每种更新策略更新后的基础应用指标信息以及任意一个所述过往数字孪生资源经过所述每种更新策略更新后的更新激励值之间的对应关系；

依据所述每个过往数字孪生资源对应的更新信息统计每个基础应用指标信息对应的更新信息，任意一个基础应用指标信息对应的更新信息包括采用每种更新策略下进行更新后，任意一个基础应用指标信息对应的多个更新后基础应用指标信息，以及每个更新后基础应用指标信息的出现频次，以及每个更新后基础应用指标信息对应的更新激励值；

依据每个基础应用指标信息对应的更新信息生成应用指标与更新策略之间的映射知识特征。

譬如，在第一方面的一种可能的实施方式中，所述应用指标与更新策略之间的映射知识特征是以阵列空间形式表示的，所述依据每个基础应用指标信息对应的更新信息生成应用指标与更新策略之间的映射知识特征，包括：

生成一个F行K列的第一阵列空间，所述第一阵列空间的每一行表示一种基础应用指标信息，所述第一阵列空间的每一列表示一种更新策略，所述第一阵列空间各个阵列空间元素均为零；

获取游走信息，将所述游走信息与基础应用指标信息h对应的更新信息中包括的置信度进行游走匹配，确定与所述游走信息所资源关联的一个或多个目标置信度；

依据基础应用指标信息h对应的更新信息确定所述一个或多个目标置信度对应的一个或多个更新激励值；

将所述一个或多个更新激励值中最大的更新激励值对应的更新策略v输出为所述基础应用指标信息h对应的更新策略；

依据所述一个或多个更新激励值中最大的更新激励值更新所述第一阵列空间中第h行第v列的阵列空间元素，其中，h为大于1小于F的整数，v为大于1小于K的整数。

譬如，在第一方面的一种可能的实施方式中，所述依据所述应用指标与更新策略之间的映射知识特征，确定与所述目标基础应用指标信息对应的更新策略，包括：

确定策略搜索参数值；

如果所述策略搜索参数值小于指定参数值，则从所述应用指标与更新策略之间的映射知识特征中查找所述目标基础应用指标信息所在行的阵列空间元素中最大值，并将最大值对应的更新策略输出为与所述目标基础应用指标信息对应的第一更新策略；

如果所述策略搜索参数值不小于所述指定参数值，则从所述K种更新策略中随机选择一种更新策略作为与所述目标基础应用指标信息对应的第一更新策略。

譬如，在第一方面的一种可能的实施方式中，所述依据所述第二训练用数字孪生资源对初始化权重参数更新后的神经网络模型进行进阶权重参数更新，生成满足模型收敛条件的神经网络模型，包括：

对所述第二训练用数字孪生资源进行预处理得到一组目标样本数据，所述目标样本数据中包括所述第二训练用数字孪生资源的初始应用指标、目标应用指标、第二更新策略以及第二训练用激励值；其中，所述初始应用指标是依据所述第二训练用数字孪生资源在所属训练用数字孪生资源序列中的基础应用指标信息以及所述第二训练用数字孪生资源与所述M个训练用数字孪生资源序列中的其它训练用数字孪生资源之间的协同应用指标信息确定的；所述目标应用指标是在所述初始应用指标下，基于所述第二更新策略对所述第二训练用数字孪生资源在所属训练用数字孪生资源序列中的初始门限价值进行更新，并依据更新后的所述第二训练用数字孪生资源在所属训练用数字孪生资源序列中基础应用指标信息和与所述M个训练用数字孪生资源序列中的其它训练用数字孪生资源之间的协同应用指标信息确定的；所述第二训练用激励值是在所述初始应用指标下基于所述第二更新策略对所述第二训练用数字孪生资源的初始门限价值更新后所获得的激励价值；

基于初始化权重参数更新后的神经网络模型依据所述初始应用指标进行更新激励估计，生成第二估计激励值；

依据所述目标样本数据中的所述目标应用指标、所述第二更新策略、所述第二训练用激励值以及所述第二估计激励值确定进阶训练代价函数的值；

基于最小化所述进阶训练代价函数的值的方向更新初始化权重参数更新后的神经网络模型。

第二方面，本申请实施例实施例还提供一种基于沉浸式应用场景的AI资源生成系统，所述基于沉浸式应用场景的AI资源生成系统包括数字孪生系统以及与所述数字孪生系统通信连接的多个在线服务系统；

所述数字孪生系统，用于：

获取与沉浸式应用场景中与沉浸式交互行为所资源关联的M个第一数字孪生资源序列，每个第一数字孪生资源序列对应一个资源关联要求，任意一个第一数字孪生资源序列对应的资源关联要求表征在以任意一个所述第一数字孪生资源序列对应的资源关联要求进行资源匹配时，任意一个所述第一数字孪生资源序列中的数字孪生资源与所述沉浸式交互行为具有资源关联关系；

获取所述M个第一数字孪生资源序列中每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征，并依据所述每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求；每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征包括所述每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息，以及所述每个数字孪生资源与所述M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息；

确定所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，并依据所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及所述每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对所述M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列；

依据所述第二数字孪生资源序列向所述沉浸式应用场景对应渲染数字孪生资源。

第三方面，本申请实施例还提供一种数字孪生系统，所述数字孪生系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于沉浸式应用场景的AI资源生成方法。

第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的基于沉浸式应用场景的AI资源生成方法。

第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的基于沉浸式应用场景的AI资源生成方法。

本申请实施例至少具有以下有益效果：

当需要向沉浸式应用场景生成数字孪生资源时，以M个资源关联要求中每个资源关联要求查找与沉浸式交互行为所资源关联的数字孪生资源，生成M个第一数字孪生资源序列，每个第一数字孪生资源序列对应一个资源关联要求，任意一个第一数字孪生资源序列对应的资源关联要求表征以任意一个第一数字孪生资源序列对应的匹配进行资源匹配时，任意一个第一数字孪生资源序列中的数字孪生资源与沉浸式交互行为相匹配。由于M个第一数字孪生资源序列中包括很多数字孪生资源，如直接将这些数字孪生资源全部生成到沉浸式应用场景，可能会导致沉浸式互动体验下降。因此，需要从M个第一数字孪生资源序列中确定较为匹配的数字孪生资源生成到沉浸式应用场景，也即，通过获取M个第一数字孪生资源序列中每个数字孪生资源的资源应用特征，并依据每个数字孪生资源的资源应用特征确定每个数字孪生资源对应的价值要求，然后确定每个数字孪生资源的交互生成价值，并依据每个数字孪生资源的交互生成价值以及每个数字孪生资源对应的价值要求，对M个第一数字孪生资源序列进行资源选择得到第二数字孪生资源序列。其中，每个数字孪生资源的价值要求是受到该数字孪生资源所对应应用场景影响的，本申请中每个数字孪生资源的资源应用特征包括了每个数字孪生资源与其它数字孪生资源之间的协同应用指标信息以及每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息，该协同应用指标信息可以反映每个数字孪生资源所处环境应用指标，由此可知，依据每个数字孪生资源与其它数字孪生资源之间的协同应用指标信息和基础应用指标信息确定每个数字孪生资源对应的价值要求，可以提高每个数字孪生资源对应的价值要求的精确度，进而提高了数字孪生资源筛选的精确度，从而提高数字孪生资源生成的匹配度。

附图说明

图1为本申请实施例实施例提供的基于沉浸式应用场景的AI资源生成方法的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

需要说明的是，以下实施例中所获得的各类数据均是在获得用户授权许可的基础上获取的。

参见图1：

步骤S101、获取与沉浸式应用场景中与沉浸式交互行为所资源关联的M个第一数字孪生资源序列。

其中，沉浸式交互行为可以是任何沉浸式交互对象在所述沉浸式应用场景针对场景目标进行交互互动产生的行为。沉浸式交互行为中可以包括发起该沉浸式交互行为的沉浸式应用场景的场景信息。

与沉浸式交互行为所资源关联的M个第一数字孪生资源序列中每个第一数字孪生资源序列对应一个资源关联要求，也就是说任意一个第一数字孪生资源序列是在以任意一个参考数字孪生资源对应的资源关联要求进行数字孪生资源匹配时确定出的、与沉浸式交互行为所资源关联的第一数字孪生资源序列。不同第一数字孪生资源序列对应的资源关联要求不相同，比如第一数字孪生资源序列1对应的资源关联要求是查找过往时间段内资源选择频次较高或者资源分享频次较高的、与沉浸式交互行为中行为意图相似的数字孪生资源；再如，资源关联要求2可以是通过沉浸式交互行为分析相关交互对象的交互画像，查找行为意图与相关交互对象的交互画像所资源关联的数字孪生资源。

基于资源关联要求的不同，这M个第一数字孪生资源序列可以被划分为一个第一数字孪生资源序列G1和M-1个第一数字孪生资源序列G2，第一数字孪生资源序列G1对应的资源关联要求从多个参考数字孪生资源的关注参数值出发为沉浸式交互行为查找匹配的数字孪生资源，关注参数值可以包括资源分享频次、资源选择频次或者其它应用指标；每个第一数字孪生资源序列G2对应的资源关联要求的主要思路是依据每个数字孪生资源的交互特征和发起沉浸式交互行为的沉浸式应用场景的沉浸式交互画像进行游走匹配。示例性的，获取与沉浸式交互行为所资源关联的M个第一数字孪生资源序列，包括：基于第一资源关联分析单元确定多个参考数字孪生资源中每个数字孪生资源的关注参数值，依据每个数字孪生资源的关注参数值和每个数字孪生资源的资源提供方设定的资源限定特征，从所述多个参考数字孪生资源中提取第一数字孪生资源序列G1；依据所述沉浸式交互行为分析沉浸式应用场景对应的M-1个沉浸式交互画像，以及获取所述多个参考数字孪生资源中每个数字孪生资源的交互特征，所述M-1个第二资源关联分析单元与所述M-1个沉浸式交互画像相对应，一个第二资源关联分析单元对应一个沉浸式交互画像；基于所述第二资源关联分析单元从所述多个参考数字孪生资源中调取与所述每个第二资源关联分析单元对应的沉浸式交互画像所资源关联的一个第一数字孪生资源序列G2。

其中，依据每个数字孪生资源的关注参数值和每个数字孪生资源的资源提供方设定的资源限定特征，从多个参考数字孪生资源中提取第一数字孪生资源序列G1，可以包括：依据每个数字孪生资源的关注参数值从多个参考数字孪生资源中初步筛选出一些与沉浸式交互行为具有资源关联关系的数字孪生资源；然后再将沉浸式应用场景的场景信息与初步筛选出数字孪生资源对应的资源限定特征进行游走匹配，将与沉浸式应用场景的场景信息所资源关联的资源限定特征的数字孪生资源加载到第一数字孪生资源序列G1中。某个数字孪生资源的资源提供方设定的资源限定特征是指用于限定该数字孪生资源可以生成到沉浸式应用场景的条件，比如一个数字孪生资源的资源限定特征可以是服装体验标签，表明该资源提供方限定了该数字孪生资源只能生成到服装体验标签下的沉浸式应用场景。

基于所述第二资源关联分析单元从多个参考数字孪生资源中调取与每个第二资源关联分析单元对应的沉浸式交互画像性匹配的一个第一数字孪生资源序列G2，包括：每个第二资源关联分析单元对应一个沉浸式交互画像，任意一个第一数字孪生资源序列G2从多个参考数字孪生资源中提取与任意一个资源关联分析单元对应的沉浸式交互画像所资源关联的交互特征对应的数字孪生资源，加载到一个第一数字孪生资源序列G2中。

步骤S102、获取M个第一数字孪生资源序列中每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征，并依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求。

值得说明的是，每个第一数字孪生资源序列中的数字孪生资源是依据每个数字孪生资源对应的资源关联要求进行游走匹配得到的，虽然每个第一数字孪生资源序列对应的资源关联要求不同，但是无法排除某些第一数字孪生资源序列对应的资源关联要求存在交集，因此可能会出现一个数字孪生资源同时存在于至少两个第一数字孪生资源序列中。因此，每个数字孪生资源对应第一数字孪生资源序列的数量为一个或多个。换言之，M个第一数字孪生资源序列中存在一个或多个第一数字孪生资源序列包括同一个数字孪生资源，同一个数字孪生资源在不同第一数字孪生资源序列中的资源应用特征是不相同的。

每个第一数字孪生资源序列可以看作是一个分支，因此，一个分支的概念等同于一个第一数字孪生资源序列。一些示例性的设计思路中，每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征可以包括每个数字孪生资源的基础应用指标信息，每个数字孪生资源的基础应用指标信息用于反映某个数字孪生资源在其所属分支中的关注参数值。

一些示例性的设计思路中，每个数字孪生资源在对应第一数字孪生资源序列的资源应用特征还可以包括每个数字孪生资源与M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息。其它数字孪生资源有些是与某个数字孪生资源属于同一个第一数字孪生资源序列的，有些是与某个数字孪生资源属于不同第一数字孪生资源序列的。

也即，每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征包括基础应用指标信息和协同应用指标信息，则依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，可以包括：获取预先设定的应用指标与价值要求的对应关系，一种应用指标对应一个价值要求；依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定该数字孪生资源的应用指标；依据应用指标与价值要求的对应关系，确定该数字孪生资源在对应第一数字孪生资源序列中的价值要求。

一些示例性的设计思路中，价值要求可以是一个门限价值，依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，包括：获取每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值；依据每个数字孪生资源在对应第一数字孪生资源序列的资源应用特征确定对每个数字孪生资源进行门限价值更新的价值更新信息；基于价值更新信息对每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值进行更新，生成每个数字孪生资源在对应第一数字孪生资源序列中的门限价值。

步骤S103、确定每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，并依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列。

每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值是依据每个数字孪生资源的目标出价、每个数字孪生资源的估计资源选择频次和估计资源分享频次确定的，示例性的，假设某个数字孪生资源在对应第一数字孪生资源序列的交互生成价值表示为GF，该数字孪生资源在对应第一数字孪生资源序列中被召回的估计资源选择频次表示为GT、该数字孪生资源在对应第一数字孪生资源序列中被召回的估计资源分享频次表示为GR，该数字孪生资源的目标输出至表示为GY，则该数字孪生资源在对应第一数字孪生资源序列中的交互生成价值可以表示为：GF＝GY*GT*GR。

进一步地，依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列。一些示例性的设计思路中，依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，包括：依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，确定该数字孪生资源在对应第一数字孪生资源序列中是否可以被选择出加载到第二数字孪生资源序列中。示例性的，若该数字孪生资源在对应第一数字孪生资源序列中的交互生成价值大于该数字孪生资源在对应第一数字孪生资源序列中对应的价值要求所指示的门限价值，则确定该数字孪生资源可以从其对应第一数字孪生资源序列中选择出加载到第二数字孪生资源序列中，反之则不能。

步骤S104、依据所述第二数字孪生资源序列向所述沉浸式应用场景对应渲染数字孪生资源。

当需要向用户参考数字孪生资源时，以M个资源关联要求中每个资源关联要求查找与沉浸式交互行为所资源关联的数字孪生资源，生成M个第一数字孪生资源序列，每个第一数字孪生资源序列对应一个资源关联要求，任意一个第一数字孪生资源序列对应的资源关联要求表征以任意一个第一数字孪生资源序列对应的匹配进行资源匹配时，任意一个第一数字孪生资源序列中的数字孪生资源与沉浸式交互行为相匹配。由于M个第一数字孪生资源序列中包括很多数字孪生资源，如果直接将这些数字孪生资源全部生成到沉浸式应用场景，可能会导致沉浸式互动体验下降。因此，需要从M个第一数字孪生资源序列中确定较为匹配的数字孪生资源生成到沉浸式应用场景，具体实现时，获取M个第一数字孪生资源序列中每个数字孪生资源的资源应用特征，并依据每个数字孪生资源的资源应用特征确定每个数字孪生资源对应的价值要求；进一步的，确定每个数字孪生资源的交互生成价值，并依据每个数字孪生资源的交互生成价值以及每个数字孪生资源对应的价值要求，对M个第一数字孪生资源序列进行资源选择得到第二数字孪生资源序列。值得说明的是，每个数字孪生资源的价值要求是受到该数字孪生资源所对应应用场景影响的，本申请中每个数字孪生资源的资源应用特征包括了每个数字孪生资源与其它数字孪生资源之间的协同应用指标信息，该协同应用指标信息可以反映每个数字孪生资源所处环境应用指标，由此可知，依据每个数字孪生资源与其它数字孪生资源之间的协同应用指标信息确定每个数字孪生资源对应的价值要求，可以提高每个数字孪生资源对应的价值要求的精确度，进而提高了数字孪生资源筛选的精确度，从而提高数字孪生资源生成的匹配度。

下面提供本申请进一步的一种实施例，可包括如下步骤：

步骤S201、获取与沉浸式交互行为所资源关联的M个第一数字孪生资源序列。

步骤S202、获取M个第一数字孪生资源序列中每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征，资源应用特征包括基础应用指标信息和协同应用指标信息。

步骤S203、获取每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值。

每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值是依据该数字孪生资源对应第一数字孪生资源序列中过往时间段内确定出的过往数字孪生资源确定的。假设M个第一数字孪生资源序列中包括第x个数字孪生资源，第x个数字孪生资源对应第一数字孪生资源序列为第X个第一数字孪生资源序列，下面以第x个数字孪生资源为例，介绍如何确定每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值，所述第X个第一数字孪生资源序列中的数字孪生资源均是基于目标AI神经网络模型中的目标模型分支为沉浸式交互行为进行资源匹配获得的，所述目标模型分支包括第一资源关联分析单元或者任意一个第二资源关联分析单元，

一些示例性的设计思路中，确定第x个数字孪生资源在第X个第一数字孪生资源序列中的初始门限价值，包括：采样Q个沉浸式应用场景，以及获取在设定在先时段内由所述目标模型分支确定出的T个过往数字孪生资源；确定所述Q个沉浸式应用场景中，每个沉浸式应用场景与所述T个过往数字孪生资源中每个过往数字孪生资源进行交互的价值指标，生成Q*T个价值指标；将所述Q*T个价值指标基于升序方式等分为G组，每组中包括的价值指标的数量相同，并基于每组中的多个价值指标确定每组的组级价值指标；从所述G组中确定目标组，并将所述目标组的组级价值指标输出为所述第x个数字孪生资源在所述第X个第一数字孪生资源序列中的初始门限价值。其中，基于每组中的多个价值指标确定每组的组级价值指标，可以包括：将每组的多个价值指标中最大的价值指标输出为每组的组级价值指标。或者，基于每组中的多个价值指标确定每组的组级价值指标，还可以包括：将每组中的多个价值指标进行求均值计算，将求均值计算的结果作为每组的组级价值指标。

步骤S204、依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息，并基于每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息确定每个数字孪生资源在对应第一数字孪生资源序列中的门限价值。

其中，价值更新信息包括更新参数，依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息，实际是依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中的更新参数。更新参数的取值可以是0，-1以及1，一个更新参数对应一个更新策略，示例性的，更新参数0对应的更新策略是不更新，更新参数1对应的更新策略是向上更新，更新参数-1对应的更新策略是向负向更新。

一些示例性的设计思路中，基于每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息确定每个数字孪生资源在对应第一数字孪生资源序列的门限价值，可以包括：将每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息中的更新参数加载到门限更新规则中进行计算；基于计算结果确定每个数字孪生资源在对应第一数字孪生资源序列中对应的门限价值。

由前述可知，每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征可以包括每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息，还可以包括每个数字孪生资源与M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息；并且，价值更新信息包括更新参数，因此，依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息可以包括：依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和/或协同应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息。

一些示例性的设计思路中，依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息，包括：预先设置应用指标与更新参数第一映射位图；依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息以及应用指标与更新参数第一映射位图确定更新参数。

其它示例性的设计思路中，依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的更新参数，包括：获取应用指标与更新策略之间的映射知识特征；依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息以及应用指标与更新策略之间的映射知识特征，确定每个数字孪生资源在对应第一数字孪生资源序列中的更新参数。

在此基础上，获取应用指标与更新策略之间的映射知识特征，可以包括：获取过往时间段内的M个过往第一数字孪生资源序列，以及获取每个过往数字孪生资源在所属过往第一数字孪生资源序列中的基础应用指标信息；在所述每个过往数字孪生资源处于在所属过往第一数字孪生资源序列中的基础应用指标信息时，分别采用K种更新策略对所述每个过往数字孪生资源的初始门限价值进行更新，生成所述每个过往数字孪生资源对应的更新信息，任意一个所述过往数字孪生资源对应的更新信息包括任意一个所述过往数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息、任意一个所述过往数字孪生资源经过每种更新策略更新后的基础应用指标信息以及任意一个所述过往数字孪生资源经过所述每种更新策略更新后的更新激励值之间的对应关系；依据所述每个过往数字孪生资源对应的更新信息统计每个基础应用指标信息对应的更新信息，任意一个基础应用指标信息对应的更新信息包括采用每种更新策略下进行更新后，任意一个基础应用指标信息对应的多个更新后基础应用指标信息，以及每个更新后基础应用指标信息的出现频次，以及每个更新后基础应用指标信息对应的更新激励值；依据每个基础应用指标信息对应的更新信息生成应用指标与更新策略之间的映射知识特征。

通过统计每个过往数字孪生资源的更新信息，可以得到每个应用指标对应的更新信息，任意一个基础应用指标信息对应的更新信息包括采用每种更新策略下进行更新后，任意一个基础应用指标信息对应的多个更新后基础应用指标信息，以及每个更新后基础应用指标信息的出现频次，以及每个更新后基础应用指标信息对应的更新激励值。比如过往数字孪生资源1的更新信息：为过往数字孪生资源1在其所属过往第一数字孪生资源序列中的基础应用指标信息为应用指标1，对过往数字孪生资源1的初始门限价值进行向负向更新后，过往数字孪生资源1由应用指标1变为应用指标a，激励值为x1；对过往数字孪生资源1的初始门限价值进行向上更新，过往数字孪生资源1的基础应用指标信息由应用指标1变为应用指标b，激励值为y1，对过往数字孪生资源1的初始门限价值进行不更新，过往数字孪生资源1由应用指标1变为应用指标c，激励值为z1；过往数字孪生资源2的更新信息为：过往数字孪生资源2的基础应用指标信息也为应用指标1，对过往数字孪生资源2的初始门限价值进行向负向更新后，过往数字孪生资源2由应用指标1变为应用指标b，激励值为x2；对过往数字孪生资源2的初始门限价值执行向上更新后，过往数字孪生资源2由应用指标2变为应用指标c，激励值为y2；对过往数字孪生资源2的初始门限价值进行不更新，过往数字孪生资源2的基础应用指标信息由应用指标1变为应用指标c，激励值为z2。对于其它过往数字孪生资源的更新信息不一一列举。

由此，可以统计应用指标1对应的更新信息：获取所有基础应用指标信息为应用指标1的过往数字孪生资源的更新信息，依据这些过往数字孪生资源的更新信息统计对应用指标1执行不更新、向上更新以及向负向更新后可能出现基础应用指标信息，以及每个基础应用指标信息的出现频次，以及每个基础应用指标信息对应的激励值。

得到每个基础应用指标信息对应的更新信息后，可以依据每个应用指标对应的更新信息生成应用指标与更新策略之间的映射知识特征。具体实现中，包括：

A1：生成一个F行K列的第一阵列空间，所述第一阵列空间的每一行表示一个基础应用指标信息，所述第一阵列空间的每一列表示一种更新策略，所述第一阵列空间的各个阵列空间元素均为零。

A2：获取游走信息，将所述游走信息与基础应用指标信息h对应的更新信息中包括的置信度进行游走匹配，确定与游走信息所资源关联的一个或多个目标置信度。

A3：依据基础应用指标信息h对应的更新信息确定一个或多个目标置信度对应的一个或多个更新激励值；将一个或多个更新激励值中最大的更新激励值对应的更新策略v输出为基础应用指标信息h对应的更新策略。通过每个应用指标的更新信息可以查找到每个目标置信度对应的激励值。

A4：依据所述一个或多个更新激励值中最大的更新激励值更新所述第一阵列空间中第h行第v列的阵列空间元素，其中，h为大于1小于F的整数，v为大于1小于K的整数。

在其它实施例中，依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息，包括：预先设置一个应用指标与更新参数第二映射位图；依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的应用指标；依据确定出的应用指标和应用指标与更新参数第二映射位图确定每个数字孪生资源在对应第一数字孪生资源序列中的更新参数。

一些示例性的设计思路中，以第x个数字孪生资源为例，第x个数字孪生资源对应第一数字孪生资源序列为第X个第一数字孪生资源序列，依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息，包括：分别对所述第x个数字孪生资源的基础应用指标信息和所述第x个数字孪生资源与所述M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息进行特征编码；基于神经网络模型对特征编码后的协同应用指标信息和基础应用指标信息进行更新激励估计，生成更新激励估计结果；所述更新激励估计结果中包括K种更新策略对应的K个激励值，一种更新策略对应一个激励值；任意一种更新策略对应的激励值表征在所述第x个数字孪生资源处于协同应用指标信息和基础应用指标信息时，对所述第x个数字孪生资源的初始门限价值执行任意一种更新策略所获得的激励价值；K种更新策略包括不更新、向正向更新以及向负向更新；从所述K个激励值中选择目标激励值，并依据所述目标激励值对应的更新策略生成所述第x个数字孪生资源在所述X个第一数字孪生资源序列中的价值更新信息。

其中，神经网络模型是用于估计某个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息的，神经网络模型的输入是某个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和某个数字孪生资源与M个第一数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息，输出是K种调更新策略，以及每种更新策略对应的激励值。神经网络模型是依据第一训练用数字孪生资源以及第一训练用数字孪生资源对应的目标学习数据进行初始化权重参数更新，然后依据第二训练用数字孪生资源进行进阶权重参数更新得到的。第一训练用数字孪生资源对应的目标学习数据中包括第一更新策略以及所述第一更新策略对应的第一训练用激励值。第一训练用数字孪生资源对应的目标学习数据是依据应用指标与更新策略之间的映射知识特征确定的。

步骤S205、确定每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，并依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的门限价值，对M个第一数字孪生资源序列进行资源选择，生成第二数字孪生资源序列。

一些示例性的设计思路中，依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求，对M个参考数字孪生资源进行资源选择，生成第二数字孪生资源序列，包括：获取所述参考数字孪生资源的总数量，以及确定每个第一数字孪生资源序列对应的资源配置比例；基于所述参考数字孪生资源的总数量、所述每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值、所述M个第一数字孪生资源序列中资源数量以及所述M个第一数字孪生资源序列对应的过往均值价值进行计算，生成第二数字孪生资源序列的资源数量；依据所述第二数字孪生资源序列的资源数量和所述每个第一数字孪生资源序列对应的资源配置比例确定每个第一数字孪生资源序列对应的目标数量；所述每个第一数字孪生资源序列对应的目标数量是指每个第一数字孪生资源序列中可被选择加载到第二数字孪生资源序列中数字孪生资源的数量；从每个第一数字孪生资源序列中选择目标数量个目标数字孪生资源加载到所述第二数字孪生资源序列中；其中，任意一个第一数字孪生资源序列中的目标数字孪生资源在任意一个所述第一数字孪生资源序列中的交互生成价值符合所述目标数字孪生资源在任意一个所述第一数字孪生资源序列中对应的价值要求。

进一步的，依据第二数字孪生资源序列的资源数量和每个第一数字孪生资源序列对应的资源配置比例确定每个第一数字孪生资源序列对应的目标数量，可以是将第二数字孪生资源序列的数字孪生资源总量分别和每个第一数字孪生资源序列对应的数字孪生资源数量占进行相乘计算，生成每个第一数字孪生资源序列对应的目标数量。

以第X个第一数字孪生资源序列为例，从每个第一数字孪生资源序列中选择目标数量个目标数字孪生资源加载到第二数字孪生资源序列中，可以包括：依次将第X个第一数字孪生资源序列中每个数字孪生资源在第X个第一数字孪生资源序列中的交互生成价值和每个数字孪生资源在该第X个第一数字孪生资源序列中的价值要求进行比较；选择出交互生成价值符合相应价值要求的数字孪生资源作为第X个第一数字孪生资源序列中的目标数字孪生资源。

步骤S206、依据第二数字孪生资源序列向沉浸式应用场景输出的参考数字孪生资源。

另外，每个数字孪生资源在对应第一数字孪生资源序列中对应的价值要求包括一个门限价值，该门限价值的确定方式：先获取到每个数字孪生资源的初始门限价值，然后依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定一个价值更新信息，基于价值更新信息对初始门限价值更新得到门限价值。一个数字孪生资源的门限价值不仅受到本身基础应用指标信息的影响，还受到所处应用场景(也就是M个第一数字孪生资源序列中其它数字孪生资源的影响)，因此，依据协同应用指标信息和基础应用指标信息确定一个数字孪生资源的门限价值，可以保证确定出的门限价值的精确度，从而可以提高数字孪生资源生成的精确度。

下面提供另一种实施例的方法步骤，可包括如下步骤：

步骤S301、获取与沉浸式交互行为所资源关联的M个第一数字孪生资源序列。

步骤S302、获取M个第一数字孪生资源序列中每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征，资源应用特征包括基础应用指标信息和协同应用指标信息。

步骤S303、获取每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值。

步骤S304、获取第一训练用数字孪生资源，以及获取第一训练用数字孪生资源对应的目标学习数据，并依据第一训练用数字孪生资源以及第一训练用数字孪生资源对应的目标学习数据对神经网络模型进行初始化权重参数更新。

神经网络模型可以是依据M个训练用数字孪生资源序列中的训练用数字孪生资源进行训练得到的，例如可以是利用M个训练用数字孪生资源序列中每个训练用数字孪生资源以及每个训练用数字孪生资源对应的目标学习数据对神经网络模型进行初始化权重参数更新，对神经网络模型进行初始化权重参数更新的目的是如果不进行初始化权重参数更新，就通过第二训练用数字孪生资源对神经网络模型进行训练，训练性能较弱。下面以M个训练用数字孪生资源序列中的第一训练用数字孪生资源为例，介绍如何对神经网络模型进行初始化权重参数更新。

依据第一训练用数字孪生资源以及第一训练用数字孪生资源对应的目标学习数据进行初始化权重参数更新，然后依据第二训练用数字孪生资源进行进阶权重参数更新得到的。第一训练用数字孪生资源对应的目标学习数据中包括第一更新策略以及所述第一更新策略对应的第一训练用激励值。第一训练用数字孪生资源对应的目标学习数据是依据应用指标与更新策略之间的映射知识特征确定的。

一些示例性的设计思路中，第一训练用数字孪生资源对应的目标学习数据可以是依据前述的应用指标与更新策略之间的映射知识特征确定的。示例性的，获取第一训练用数字孪生资源对应的目标学习数据，包括：获取所述第一训练用数字孪生资源在所属训练用数字孪生资源序列中的目标基础应用指标信息；依据所述应用指标与更新策略之间的映射知识特征中，确定与所述目标基础应用指标信息对应的更新策略，并将确定的更新策略作为所述第一训练用数字孪生资源对应的第一更新策略；基于激励值计算规则确定所述第一更新策略对应的第一训练用激励值。

其中，从所述应用指标与更新策略之间的映射知识特征中，查找与目标基础应用指标信息对对应的更新策略，包括：确定策略搜索参数值；如果所述策略搜索参数值小于指定参数值，则从所述应用指标与更新策略之间的映射知识特征中查找所述目标基础应用指标信息所在行的阵列空间元素，并将最大阵列空间元素对应的更新策略输出为与所述目标基础应用指标信息对应的更新策略；如果所述策略搜索参数值不小于所述指定参数值，则从K种更新策略中随机选择一种更新策略作为与所述目标基础应用指标信息对应的更新策略。其中，策略搜索参数值可以是一个随机数，指定参数值可以是一个预置参数值。

一些示例性的设计思路中，在步骤S304中依据第一训练用数字孪生资源以及第一训练用数字孪生资源对应的目标学习数据对神经网络模型进行初始化权重参数更新，包括：获取所述第一训练用数字孪生资源与M个训练用数字孪生资源序列中其它数字孪生资源之间的协同应用指标信息，并基于所述神经网络模型依据所述第一训练用数字孪生资源的协同应用指标信息和所述第一训练用数字孪生资源的基础应用指标信息进行更新激励估计，生成所述第一训练用数字孪生资源对应的第一估计更新策略，以及所述第一估计更新策略对应的第一估计激励值；依据所述第一估计激励值和所述第一训练用激励值之间的差异确定训练代价函数的值；基于最小化所述训练代价函数的值的方向更新所述神经网络模型的模型权重参数。

步骤S305、获取第二训练用数字孪生资源，并依据第二训练用数字孪生资源对训练处理后的神经网络模型进行进阶权重参数更新，生成满足模型收敛条件的神经网络模型。

一些示例性的设计思路中，第二训练用数字孪生资源可以是与第一训练用数字孪生资源相同的，依据第二训练用数字孪生资源对初始化权重参数更新后的神经网络模型进行进阶权重参数更新，生成满足模型收敛条件的神经网络模型，包括：对所述第二训练用数字孪生资源进行预处理得到一组目标样本数据，所述目标样本数据中包括所述第二训练用数字孪生资源的初始应用指标、目标应用指标、第二更新策略以及第二训练用激励值；其中，所述初始应用指标是依据所述第二训练用数字孪生资源的基础应用指标信息和协同应用指标信息确定的；所述目标应用指标是在所述初始应用指标下，基于所述第二更新策略对所述第二训练用数字孪生资源的初始门限价值进行更新后，依据所述第二训练用数字孪生资源的基础应用指标信息和协同应用指标信息确定的；所述第二训练用激励值是在所述初始应用指标下基于所述第二更新策略对所述第二训练用数字孪生资源的初始门限价值更新后所获得的激励价值；基于初始化权重参数更新后的神经网络模型依据所述初始应用指标进行更新激励估计，生成第二估计激励值；依据所述目标样本数据中的目标应用指标、第二更新策略、第二训练用激励值以及第二估计激励值确定进阶训练代价函数的值；基于最小化所述进阶训练代价函数的值的方向优化初始化权重参数更新后的神经网络模型。

步骤S306、基于神经网络模型依据每个数字孪生资源在对应第一数字孪生资源序列中的资源应用特征确定所述每个数字孪生资源在对应第一数字孪生资源序列中的价值更新信息。

以第x个数字孪生资源为例，第x个数字孪生资源对应第一数字孪生资源序列为第X个第一数字孪生资源序列，基于神经网络模型依据第x个数字孪生资源在第X个第一数字孪生资源序列中的资源应用特征确定第x个数字孪生资源在第X个第一数字孪生资源序列中的价值更新信息，包括：分别对所述第x个数字孪生资源的协同资源应用特征和基础应用指标信息进行特征编码；基于神经网络模型对特征编码后的协同资源应用特征和基础应用指标信息进行更新激励估计，生成更新激励估计结果；所述更新激励估计结果中包括K种更新策略对应的K个激励值，一种更新策略对应一个激励值；任意一种更新策略对应的激励值表征在所述第x个数字孪生资源处于所述资源应用特征所指示的应用指标下时，对所述第x个数字孪生资源的初始门限价值执行任意一种更新策略所获得的激励价值；K种更新策略包括不更新、向正向更新以及向负向更新；从所述K个激励值中选择目标激励值，并依据所述目标激励值对应的更新策略生成所述第x个数字孪生资源在所述X个第一数字孪生资源序列中的价值更新信息。

步骤S307、基于每个数字孪生资源在对应第一数字孪生资源序列中对应的价值更新信息对每个数字孪生资源在对应第一数字孪生资源序列中的初始门限价值进行更新，生成每个数字孪生资源在对应第一数字孪生资源序列中的门限价值。

步骤S308、确定每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值，并依据每个数字孪生资源在对应第一数字孪生资源序列中的交互生成价值以及每个数字孪生资源在对应第一数字孪生资源序列中对应的门限价值，对M个第一数字孪生资源序列进行资源选择得到第二数字孪生资源序列，并依据第二数字孪生资源序列想沉浸式应用场景对应渲染数字孪生资源。

其中，依据每个数字孪生资源在对应第一数字孪生资源序列中的基础应用指标信息和协同应用指标信息确定一个价值更新信息具体是基于神经网络模型实现的，该神经网络模型是依据预先得到的应用指标与更新策略之间的映射知识特征和第一训练用数字孪生资源初始化权重参数更新后，再依据第二训练用数字孪生资源进行进阶更新得到的。值得说明的是，先依据应用指标与更新策略之间的映射知识特征和第一训练用数字孪生资源初始化权重参数更新后，再进行进阶更新，其可以使得神经网络模型在更短时间内收敛，并且可以提高神经网络模型的精确度。

一些设计思路中，提供了一种数字孪生系统，该数字孪生系统可以是服务器，该数字孪生系统包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该数字孪生系统的处理器用于提供计算和控制能力。该数字孪生系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数字孪生系统的数据库用于存储上述方法所涉及的数据。该数字孪生系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该数字孪生系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于沉浸式应用场景的AI资源生成方法。

一些设计思路中，提供了一种数字孪生系统，该数字孪生系统可以是终端。该数字孪生系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该数字孪生系统的处理器用于提供计算和控制能力。该数字孪生系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数字孪生系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该数字孪生系统的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其它技术实现。该计算机程序被处理器执行时以实现一种基于沉浸式应用场景的AI资源生成方法。该数字孪生系统的显示单元用于形成视觉可见的画面。

一些设计思路中，提供了一种数字孪生系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。