CN101868798A - 基于模型的流出支持系统 - Google Patents

Abstract

基于模型的流出支持系统(10)采用模型来为区域中的占用者生成最优流出路线。该系统包括流出控制器(16)，该流出控制器(16)被连接以接收检测数据。该流出控制器(16)执行优化算法(22)以基于响应于检测数据而由流出预测模型(18)生成的基于模型的流出估计来选择流出路线。

Description

基于模型的流出支持系统

技术领域

本发明涉及流出支持系统，并且更具体地涉及用于支持流出操作的基于模型的流出控制器。

背景技术

第一响应者和其它应急人员在对紧急情形做出响应时需要做出关于资源分配的决定，包括如何协调资源来挽救建筑物内的占用者、最小化第一响应者的风险以及保护财产。另外，典型地必须在与威胁进展相一致的时间尺度上做出这些决定，这可能要求在数秒或分钟内做出决定。第一响应者往往具有关于建筑物或区域内的威胁位置和/或占用者位置的有限信息。在没有其它信息的情况下，第一响应者可能不能以最有效的方式分配资源。

另外，典型地给建筑物内的占用者提供关于离开建筑物的流出程序的静态指令。例如，流出指令可能限于建筑物内的图解出口位置的标志和/或图解出口存在的出口标志。因而，给占用者提供的流出指令仅仅基于最近的出口，而没有包含诸如所检测的威胁位置的动态数据。

发明内容

在一个方面，本公开描述了一种包括输入的流出支持系统，该输入在工作中被连接以接收检测数据。流出控制器包括优化算法和流出预测模型。该流出控制器执行该优化算法以基于响应于检测数据而由预测模型生成的基于模型的估计来选择最优流出路线。

在另一个方面，本公开描述了一种给区域提供流出支持的方法。该方法包括获取来自一个或多个检测装置的检测数据。该方法还包括基于预测模型和检测数据来生成基于模型的估计。该方法还包括根据基于模型的估计为区域内的占用者选择最优流出路线。该方法还包括基于所选择的流出路线来控制一个或多个流出指导装置以指导区域内的占用者的移动。

在另一个方面，本公开描述了一种流出控制器，该流出控制器包括：用于接收来自一个或多个占用者检测装置的占用者位置数据的装置；以及用于接收来自一个或多个威胁检测装置的威胁位置数据的装置。基于这些输入和流出模型，该流出控制器包括基于流出预测模型、占用者位置数据和流出路线来生成基于模型的流出估计的装置。该流出控制器还包括用于根据关于多个流出路线、占用者位置数据和威胁位置数据所生成的基于模型的流出估计而为区域内的占用者选择最优流出路线的装置。该流出控制器还包括用于基于所选择的流出路线来控制指导装置以指导区域内的占用者移动的装置

在另一个方面，本公开描述了一种用机器可读计算机程序代码编码的计算机可读存储媒介，所述机器可读计算机程序代码用于选择区域的最优流出路线。该计算机可读存储媒介包括用于使控制器实施包括获取来自一个或多个检测装置的检测数据的方法的指令。该方法还包括基于预测模型生成基于模型的估计以及根据基于模型的估计为区域内的占用者选择最优流出路线。

附图说明

图1是基于模型的流出控制器的框图。

图2是基于模型的流出控制器的另一个实施例的框图。

图3是用于实施基于模型的流出控制器的计算机系统的框图。

图4A是被划分成许多区的建筑物的楼层的示意图。

图4B是对建筑物楼层的各区之间的连接进行建模的图示。

图5是图解基于传感器数据、传感器模型和占用者通行模型计算占用估计的流程图。

图6是图解为计算占用估计而采用的扩展卡尔曼(Kalman)滤波器算法的流程图。

图7是被划分成许多子区域的建筑物的楼层的示意图。

图8是图解基于传感器数据和预测性威胁传播模型来计算威胁传播估计的示例性实施例的流程图。

图9是图解预测性威胁传播模型的生成的示例性实施例的流程图。

图10是图解为生成威胁传播估计而采用的算法的示例性实施例的流程图。

具体实施方式

本公开描述了一种优化建筑物或区域的流出操作的基于模型的流出控制器。在示例性实施例中，流出控制器从一个或多个传感器接收输入，该输入描述区域内的占用者的位置、区域内的所检测威胁的位置、和/或所检测的威胁的类型。流出控制器基于预测性模型和流出优化算法来生成优化的流出路线。

在示例性实施例中，预测性模型是流出预测模型，其生成关于占用者在流出期间朝选定出口的可能传播的基于模型的流出估计。具体而言，流出预测模型可以用来生成疏散所有占用者所需的时间的基于模型的估计。流出优化算法使用流出预测模型对其中朝各个出口引导占用者的各种流出情况进行实时建模。以此方式，流出优化算法能够基于所建模的情况来确定将最小化疏散所有占用者所需的时间的流出路线(即，最优流出路线)。

在另一个示例性实施例中，预测模型是威胁预测模型，其生成关于可能的威胁传播的基于模型的威胁预测估计。流出优化算法使用威胁预测模型以根据基于模型的威胁预测估计来实时地建模那些将可供占用者使用的流出路线。以此方式，流出优化算法能够确定将最小化占用者暴露于所检测威胁的流出路线(即，最优流出路线)。

基于由流出优化算法确定的优化流出路线，流出控制器把指令传送到建筑物或区域内的占用者以沿优化的流出路线引导它们。另外，优化的流出路线连同占用者数据和威胁检测数据一起可以被提供到第一响应者以引导其在定位威胁源方面的努力并且辅助对占用者的搜寻与营救。最后，流出控制器可以把输入提供到建筑物控制操作(诸如取暖、通风与空调(HVAC)系统和电梯控制系统)以最小化所检测威胁的扩散并且辅助疏散占用者。

另外，术语‘流出路线’自始至终用来描述在流出期间可供占用者使用的路径。术语‘最优流出路线’指代基于某种准则选择一个或多个可能的流出路线。然而，应当注意，术语‘流出路线’和‘最优流出路线’尽管以单数形式表示但是可以指代多个个别流出路线。也就是说，最优流出路线可以包括为位于整个区域中的占用者设计的多个个别流出路线。

图1是流出支持系统10的示例性实施例的框图，该流出支持系统10包括(一个或多个)占用者检测装置12、(一个或多个)威胁检测装置14、流出控制器16、流出预测模型18、威胁预测模型20、流出优化算法22、流出指导装置24、第一响应装置26和建筑物控制器28。流出控制器16被连接以接收来自一个或多个占用者检测装置12的占用者位置数据和来自一个或多个威胁检测装置14的威胁检测数据。

占用者检测装置12指代能够检测在整个区域中占用者的位置的传感器。这可以包括指示区域的特定房间或区内的所检测占用者存在的二进制表示(例如，房间被占用或房间未被占用)，或者可以包括关于在特定房间或区内检测的占用者数量的附加信息。可以利用各种装置来检测区域内的占用者，包括运动检测传感器、视频检测器、无源红外传感器、访问控制装置、电梯负荷测量、IT相关技术(例如，按键检测)、以及其他相关传感器装置。另外，许多占用者携带有源装置，诸如有源或无源射频识别(RFID)卡、蜂窝电话或者其他可以被检测以提供指示占用者位置的数据的装置。占用者检测装置12把占用者位置数据提供到流出预测模型18，该流出预测模型18把占用者位置数据用作在生成对疏散所有占用者所需的时间的基于模型的估计中的起点。

威胁检测装置14指代能够检测诸如烟雾、毒素、气体或其它危险或有害状况之类的威胁的存在的装置。再次，由威胁检测装置14提供的数据可以包括指示特定位置中所检测的有害状况存在的二进制表示(例如，在房间中检测到有害状况或者在房间中未检测到有害状况)。在其它实施例中，由威胁检测装置14提供的数据可以包括关于在特定位置所感测的有害状况的类型或所检测的状况的浓度(即烟雾浓度)的更详细信息。威胁检测装置14可以包括典型的威胁检测装置诸如烟雾报警器或一氧化碳报警器，或者可以包括用于威胁检测的非传统装置诸如视频装置。威胁检测装置把威胁位置数据提供到威胁预测模型20，该威胁预测模型20把威胁位置数据用作在生成对所检测威胁的预测传播的基于模型的估计中的起点。

在示例性实施例中，一些检测装置诸如视频检测装置可以用来提供占用者位置数据以及威胁检测数据。

流出预测模型18是用于预测占用者在流出状况(即，区域的疏散)期间的预期通行模式的数学、计算机模拟或统计模型。在由RobertTomastik于2007年9月19日提交的题为“System and Method forOccupancy Estimations”(代理人案号U76.500-0015)的共同待决的PCT申请序列号____中更详细地描述了流出预测模型，该申请的公开被并入本文以供参考，其中在附录A中复制了相关部分。具体而言，给定定义区域内占用者的当前位置的初始状况以及将指导那些占用者使用的出口，流出预测模型生成占用者将如何移动的基于模型的估计，包括对所有占用者离开区域所需的时间的估计。

威胁预测模型20是用于预测经过区域的预期威胁传播的数学、计算机模拟或统计模型。在由Nathan Hariharan于2007年9月19日提交的题为“System and Method for Threat Propagation Estimation”(代理人案号U76.500-0016)的共同待决的PCT申请序列号____中更详细地描述了威胁预测模型，该申请的公开被并入本文以供参考，其中在附录B中复制了相关部分。具体而言，给定定义所检测威胁的当前位置的初始状况，威胁预测模型20生成对经过区域的预期威胁传播的基于模型的估计。因此，威胁预测模型20可以用来建模威胁的可能路径，包括威胁到达区域内的各个位置将花费的时间。

优化算法22采用流出预测模型18和威胁预测模型20的预测能力来计算区域内的占用者的最优流出路线。在示例性实施例中，最优流出路线优选地最小化从建筑物中疏散所有占用者所需的时间同时还优选地最小化占用者暴露于所检测的威胁。最优流出路线可以以各种方式用来辅助区域的疏散。例如，基于所计算的优化流出路线，流出控制器16可以生成流出控制指令，所述流出控制指令经由流出指导装置24被传送到区域内的占用者，所述流出指导装置24沿最优流出路线引导占用者。流出控制器16还可以向第一响应者装置26提供数据(诸如计算的最优流出路线、占用者位置数据和威胁检测数据)，从而给第一响应者提供关于威胁位置、占用者位置和被传送到占用者的所指导离开路线的有价值信息。另外，流出控制器16可以与建筑物控制器28通信以控制从电梯控制到区域的取暖、通风与空调(HVAC)操作的操作。

在示例性实施例中，优化算法22试图计算流出路线，所述流出路线在受到所选择的流出路线应当最小化占用者暴露于所检测威胁的约束的情况下优选地最小化从区域疏散所有占用者所需的时间。在示例性实施例中，优化算法22可以以混合整数规划问题的形式来表示(formulate)。在示例性实施例中，线性混合整数规划算法用来找出使疏散所有占用者所需的总时间最小化的流出路线。另外，线性混合整数规划算法在一个或多个约束(诸如要求应当最小化占用者暴露于所检测的威胁的约束)内进行操作。

在示例性实施例中，与占用者暴露于所检测的威胁有关的约束防止选择将使占用者暴露于威胁的流出路线。在其它实施例中，对所检测威胁的暴露可能取决于所检测的威胁的类型。例如，引导占用者经过充满烟雾过道的流出路线可能在某些情况下是可接受的，而引导占用者经过被火焰破坏(breach)的流出路线可能被禁止。

因而，优化算法22与流出预测模型18和/或威胁预测模型20通信以计算最优流出路线。在示例性实施例中，优化算法22指导流出预测模型18以基于各种可能的流出情形生成基于模型的估计。例如，优化算法22可以指导流出预测模型18建模指导所有占用者朝单个出口移动的效果、以及其中指导一些占用者通过第一出口离开并且指导一些占用者通过第二出口离开的另一个模型。由占用者检测装置12提供的占用者检测数据用来初始化流出预测模型18，并且优化算法22指导流出预测模型18以建模其中占用者经过各种可用出口流出的流出情形。优化算法22选择在应当最小化占用者暴露于所检测威胁的给定约束内导致以最短的时间量疏散所有占用者的情形。可以基于关于正确的占用者位置或所检测威胁的位置的更新信息，动态地修改由优化算法22选择的最优流出路线。因此，随着状况变化可以动态修改最优流出路线。

在示例性实施例中，优化算法22与威胁预测模型20通信(或结合威胁预测模型20和流出预测模型18)以获得关于经过区域的预期或预测威胁传播的信息。在示例性实施例中，优化算法22使用威胁预测模型20提供的基于模型的威胁传播估计来确定占用者可以使用哪些出口或区以及哪些区已暴露于特定威胁以致指导占用者进入暴露区将违反优化算法22的约束之一。

在示例性实施例中，优化算法22仅基于由威胁预测模型20生成的基于模型的估计来生成最优流出路线。在另一个示例性实施例中，优化算法22基于由流出预测模型18和威胁预测模型20生成的模型组合来生成最优流出路线。因为威胁预测模型20是预测性的，所以优化算法22可以使用基于模型的威胁传播估计来做出关于哪些出口和通道可供占用者使用的决定，所述基于模型的威胁传播估计定义在将来的某个时间间隔上可能的威胁传播。例如，如果威胁预测模型20生成指示所检测威胁将在五分钟内到达楼梯井的估计，则优化算法20可以生成优化的流出路线，该优化的流出路线指导(由流出预测模型18生成的)基于模型的流出估计建议的那些占用者可以在五分钟内到达并通过楼梯井以使用该路线。然而，根据基于模型的流出估计将需要五分钟以上到达或使用楼梯井的占用者将被指导使用由优化算法22设计的可选路线以防止使那些占用者暴露于所检测威胁的可能路径。

在其他实施例中，优化算法22可以在没有预期威胁传播的预测性知识的情况下(即，在没有来自威胁预测模型20的输入的情况下)生成优化的流出路线。相反，优化算法22将仅依靠由威胁检测装置14(如果可用的话)检测的当前威胁位置和由流出预测模型18生成的占用者流出的预测性估计。同样，在其他实施例中，优化算法可以在没有预期占用者流出的预测性知识的情况下(即，在没有来自流出预测模型18的输入的情况下)生成优化的流出路线。相反，优化算法22将仅依靠由占用者检测装置12检测的当前占用者位置和由威胁预测模型20生成的威胁传播的预测性估计。

在示例性实施例中，由优化算法22确定的优化流出路线由流出控制器16用来生成流出控制指令。流出控制指令被传送到流出指导装置，该流出指导装置用来把优化的流出路线传送到位于建筑物或区域内的占用者。这些可以包括用于把指令传送到遍及建筑物的占用者的视觉或听觉装置。根据占用者的位置，由视觉或听觉装置提供的指令可以变化。由流出控制器16控制的用于把最优流出路线传送到占用者的视觉装置的示例包括可以被选择性控制以指示占用者应当行进的方向的标志或灯。视觉和听觉指令可以单独地或彼此结合地使用以把由流出控制器16确定的最优流出路线传送到占用者。

在示例性实施例中，流出控制器16还可以给第一响应者提供关于由优化算法22确定的最优流出路线的数据。第一响应者装置26可以是由第一响应者携带的被配备成与流出控制器16进行通信的便携式装置。第一响应者装置26和流出控制器16之间的通信可以是经由电信网络、无线网络或类似的通信网络。在一个示例性实施例中，由流出控制器16提供的数据可以包括视觉上图解占用者位置和所检测威胁的建筑物的视觉布局以及由流出控制器16生成的优化流出路线。这个信息辅助第一响应者把资源分布到建筑物中。例如，所检测威胁的类型允许第一响应者用正确的设备进行响应。关于威胁位置的知识允许第一响应者更具体地预定(target)资源以抑制(contain)威胁以及避免使他们自己处于危险，而关于占用者位置和所指导流出路线的知识允许第一响应者更具体地预定营救努力以最大化所挽救的人数。

在示例性实施例中，优化算法22所确定的最优流出路线被提供到第一响应者进行复查。这允许第一响应者有机会基于其经验和专长来影响和修改流出路线。

流出控制器16还可以把数据提供到建筑物控制器28，该建筑物控制器28可以包括诸如取暖、通风与空调(HVAC)控制系统和电梯控制系统之类的系统。例如，在紧急流出情况下，作为预防措施，电梯可以被自动地禁用。然而，在检测到威胁后建筑物中的电梯常常能够操作一段时间。在示例性实施例中，流出控制器16可以指导电梯控制系统继续操作电梯直到流出控制器16检测到威胁传播至电梯井中的时候。例如，在示例性实施例中，威胁检测装置14可以位于电梯井中以检测电梯井中的烟雾和/或其他试剂。在另一个示例性实施例中，由威胁预测模型20生成的威胁传播估计可以用来预测威胁将何时到达特定电梯井。基于这一估计，优化算法22可以设计优化的流出路线，该优化的流出路线在威胁使电梯井处于危险之前利用电梯井一段时间。在这个示例中，流出控制器16将把指令提供到建筑物控制器28(或电梯控制器)以使电梯在保持安全的同时继续操作。以此方式，电梯可以用作占用者的附加出口，该附加出口降低从建筑物疏散占用者所需的总时间。

另外，基于建筑物内的所感测的占用者位置和建筑物内的所检测威胁的位置，流出控制器10可以控制HVAC系统以最小化威胁朝占用者的传播。例如，如果在建筑物的一个区域中检测到化学试剂，则流出控制器10可以基于化学试剂的所检测位置通过建筑物控制器24指导HVAC控制系统以中断来自其中检测到化学试剂的区域的循环空气。这还可以用来防止或妨碍烟雾在整个建筑物中的前进。在示例性实施例中，为控制HVAC系统或其他用于控制威胁传播的系统的操作而提供的控制指令也被提供到威胁预测模型20。以此方式，基于提供到HVAC系统或类似系统的控制指令来更新威胁预测模型20以建模经过建筑物的威胁传播。

图2图解了流出支持系统30的另一个示例性实施例，该流出支持系统30包括(一个或多个)占用者检测装置32、(一个或多个)威胁检测装置34、占用者估计器36、占用估计算法38、占用者通行模型40、威胁估计器42、威胁传播算法44、威胁传播模型46、流出控制器48、流出预测模型50、威胁预测模型52、优化算法54、流出指导装置56、第一响应者装置58和建筑物控制器60。

在图2所示的示例性实施例中，流出控制器48被连接以接收来自占用者估计器36的占用者数据(例如，区域内的占用者位置)，该占用者估计器36基于由占用者检测装置32提供的传感器数据和由占用者通行模型40生成的基于模型的占用估计来生成占用估计。在由Robert Tomastik于2007年9月19日提交的题为“System and Method forOccupancy Estimations”(代理人案号U76.500-0015)的共同待决的PCT申请序列号____中更详细地描述了占用者估计器，该申请的公开被并入本文以供参考，其中在附录A中复制了相关部分。占用者估计器36的好处是尽管缺乏传感器数据也可提供占用估计的能力。

另外，流出控制器48被连接以接收来自威胁估计器42的威胁传播数据，该威胁估计器42基于由威胁检测装置34提供的传感器数据和由威胁传播模型46生成的基于模型的威胁传播估计来生成威胁传播估计。在由Nathan Hariharan于2007年9月19日提交的题为“Systemand Method for Threat Propagation Estimation”(代理人案号U76.500-0016)的共同待决的PCT申请序列号____中更详细地描述了威胁估计器，该申请的公开被并入本文以供参考，其中在附录B中复制了相关部分。再次，威胁估计器42的好处是尽管缺乏传感器数据也可提供威胁传播估计的能力。

如关于图1所描述，流出控制器48可以在生成最优流出路线中采用(由流出预测模型50生成的)基于模型的流出估计和/或(由威胁预测模型52生成的)基于模型的威胁预测估计。

在示例性实施例中，由占用者估计器36生成的占用者估计被用来初始化流出预测模型50。也就是说，流出预测模型50基于占用者估计器36提供的占用者估计来建模各种流出情形。如关于图1所描述的，优化算法54指导流出预测模型50来实时地生成其中建模经过不同出口疏散占用者的许多流出情形。基于这些结果，优化算法54选择优选地最小化疏散所有占用者所需的时间量(同时优选地最小化占用者暴露于所检测的威胁)的情形(即，最优流出路线)。在示例性实施例中，占用者估计器36以定义的时间步长(例如每秒一次，每30秒一次，等等)生成更新的占用估计。作为响应，每当更新的占用估计被提供到流出控制器48时，优化算法54基于更新的占用估计用流出预测模型50重新运行流出情形。以此方式，可以基于更新的占用数据来动态地修改优化的流出路线。

另外，在示例性实施例中流出控制器48提供优化的流出路线作为对占用者估计器36的反馈。因为占用者通行模型40基于区域中占用者的预期通行模式来生成基于模型的占用估计，所以给占用者通行模型40提供关于优化的流出路线(即，被传送到占用者的流出路线)的信息改进了占用者通行模型40预测占用者的通行模式的能力。也就是说，基于经由流出指导装置56而提供到占用者的流出指令来修改占用者通行模型40。以此方式，改进由占用者通行模型40生成的基于模型的占用者估计。

在示例性实施例中，流出控制器56与威胁估计器42通信(单独或结合与占用者估计器36通信)。以占用者估计器36生成的占用者估计用来初始化流出预测模型50的十分相同的方式，威胁估计器生成用来初始化威胁预测模型52的威胁传播估计。基于至少提供关于所检测威胁的当前位置的数据的威胁传播估计，威胁预测模型52实时地生成对所检测的威胁将何时传播遍及区域进行估计的基于模型的威胁预测估计。如上面关于图1所讨论的，基于威胁预测估计，优化算法54能够符合防止流出路线将占用者置于危险的约束。

在示例性实施例中，流出控制器48把被提供到建筑物控制器60的指令提供到威胁估计器42以修改所检测威胁的传播。例如，流出控制器48可以给建筑物控制器60提供指令以影响诸如HVAC系统的建筑物系统的操作从而延迟或以其它方式影响所检测威胁的传播(例如，位于具有所检测威胁的区域中的风扇可以被关断以防止风扇把威胁传播到其它区域)。给威胁估计器42提供这一信息允许威胁传播模型46被动态地修改以计及威胁将如何传播的变化。如关于图1所讨论的，这一信息也可以用来动态地修改威胁预测模型52以计及威胁将如何传播的变化。

被提供到基于占用者的流出指导装置56、第一响应者装置58和建筑物控制器60的输出包括由流出优化算法54确定的优化流出路线。另外，由流出控制器30提供的输出也可以包括关于在整个建筑物或区域中的实时和不久的将来的占用估计、所检测威胁的预测传播、以及所检测威胁的可能源头的数据。这一信息可能对第一响应者而言尤其有用以辅助分配资源和人员。具体而言，所检测威胁的可能源头可以辅助第一响应者抑制该威胁。同样，关于所检测威胁的预测传播以及在整个建筑物或区域中的不久的将来的占用估计的信息可以辅助把资源分配给那些位于预测的威胁路径中的占用者。

另外，关于在整个建筑物或区域中的实时和不久的将来的占用估计、所检测威胁的预测传播、以及所检测威胁的可能源头的数据还可以被提供到建筑物控制器56以控制诸如电梯操作和HVAC操作之类的操作。具体而言，威胁传播的不久的将来估计可以用于确定尽管检测到威胁但可以安全操作建筑物内的电梯的时间长度。另外，所检测威胁的可能源头可以用于控制HVAC操作以防止威胁传播遍及建筑物或区域。

图3图解了用于基于占用者位置数据和威胁检测数据来生成优化的流出路线的系统70。系统70包括控制器72和计算机可读媒介74。在图3所示的实施例中，控制器72执行用于计算优化的流出路线的步骤或过程。因而，所公开的发明可以以计算机或控制器实施的过程和用于实行那些过程的设备的形式来体现。本发明还可以以包含指令的计算机程序代码的形式来体现，所述指令被体现在计算机可读媒介74(诸如软盘、CD-ROM、硬盘驱动器或者任何其他计算机可读存储媒介)中，其中当计算机程序代码被加载到控制器72中并由控制器72执行时，计算机变成用于实行本发明的设备。本发明还可以以例如像数据信号的计算机程序代码的形式来体现，所述计算机程序代码存储在存储媒介74中、加载到控制器72和/或由控制器72执行，或者通过某种传输媒介诸如通过电布线或电缆、经过光纤或者经由电磁辐射进行传输，其中当计算机程序代码被加载到计算机中并由计算机执行时，计算机变成用于实行本发明的设备。当被实施在通用微处理器上时，计算机程序代码段配置微处理器以创建特定逻辑电路。

例如在图3所示的实施例中，计算机可读存储媒介74可以存储描述流出预测模型、威胁预测模型和优化算法的程序代码或指令。计算机程序代码被传送到控制器72，该控制器72执行程序代码以实施关于本发明所描述的过程和功能。

尽管已参照优选实施例描述了本发明，但是本领域的技术人员会认识到可以在不偏离本发明的精神和范围的情况下进行形式和细节上的变化。例如，已经关于响应于威胁或疏散模式生成的流出操作描述了本发明。在其它实施例中，本发明可以与其它流出操作结合使用。例如，在音乐会或体育事件之后，本发明可以用来生成最优流出路线。例如，尽管包括处理器和存储器的计算机系统被描述用于实施流出控制器，但是可以采用硬件和软件的任何数量的合适组合来执行由流出控制器采用的优化算法以及存储由优化算法采用的数据和模型。另外，计算机系统可以或可以不用来提供对所接收的传感器数据的数据处理。在一些实施例中，传感器数据可以在被作为输入提供到负责执行流出控制器功能的计算机系统之前进行预处理。在其它实施例中，计算机系统可以包括用于处理该提供的传感器数据的合适数据处理技术(例如，用于解释和分析视频检测装置提供的视频数据的视频识别软件)。

而且，贯穿说明书和权利要求书，术语‘一’的使用不应当被解释为意指“仅一个”，而是应当被广义地解释为意指“一个或多个”。在整个公开中使用的顺序编号步骤的使用不意味着这些步骤必须被执行的次序。术语“或”的使用应当被解释为包括性的，除非另外指出。

附录A

本文公开了一种用于基于传感器装置提供的数据和占用者通行模型来估计占用的系统和方法。传感器数据可以由各种不同类型的传感器装置提供，每个传感装置提供不同类型的传感器输出，所述传感器输出被分析以检测在整个区或区域中的占用者移动或位置。占用者通行模型是基于在整个区或区域中占用者的历史或预期通行模式并且可以考虑诸如区域或建筑物的布局之类的因素。例如，建筑物布局可以包括描述出口、过道、办公室的位置以及相关过道和办公室的占用限制的信息。另外，占用者通行模型可以是描述区域内占用者的预测移动或通行模式的数学模型、统计模型或者计算机模拟。占用估计器把传感器数据和占用者通行模型当作输入，并且执行算法以基于所提供的输入来生成对该区或区域的占用估计。基于传感器数据和占用者通行模型的占用估计提供比仅基于传感器数据或仅基于模型的估计结果更加准确的占用估计。除了提供对占用以及其移动与变化的更加准确的估计的好处以外，传感器数据与占用者通行模型的组合允许连续估计建筑物占用，尽管缺乏来自一个或多个传感器的数据或者暂停传输传感器数据也是如此。在其中传感器可能被禁用或毁坏的紧急情形下这可能尤其有益。

图4A和4B图解了将在整个本描述中用来辅助描述占用估计算法的示例，其中占用估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景或位置(例如，户外、火车站、飞机场等等)。图4A图解了办公楼中的单个楼层的布局。在这个实施例中，楼层平面已被划分成五个单独区(标为区101、102、103、104和105)。在其它实施例中，楼层平面可以基于个别办公室和房间的位置进行进一步的细分(即，基于地点的细分)。在这个特定实施例中，每个相邻区101-105之间以及在每个出口处的边界包括用于检测占用者从一个区到另一个区的移动的传感器(未示出)。在其它实施例中，为改善占用估计的分辨率、可靠性和/或准确性，或者如果在边界处的传感器不存在或不在运行，可以在每个区中放置附加传感器。

图4B是图解图4A中定义的五个区的图示。标为101、102、103、104和105的大圆表示五个区，而标为106、107、108、109和110的较小圆表示建筑物中的出口。连接这些区的线指示存在连接相邻区的通道或过道。

术语‘区域’在整个描述中用来指代区域以及该区域的各个分部。例如，在图4A和4B所示的示例性实施例中，术语‘区域’指代大体上的楼层平面以及指代个别子区域或区101-105。因此，生成对该区域的占用估计将包括生成对每个个别区的占用估计。

另外，术语‘占用估计’被用于整个描述中并且通常指代与占用有关的输出。因此，对区域的占用估计可以包括诸如区域内占用者的数量的平均估计的数据、与和占用的区域变化相关联的所有可能占用水平相关联的概率、指示与对占用的估计相关联的置信可靠性的数据、以及其它与占用有关的类似有用数据。因此，在图4A和4B所示的示例中，为区域生成的占用估计将包括为每个区101-105生成的任一上面列出的数据。

图5是图解被提供到占用估计算法120的输入的示例性实施例的高级框图。被提供到占用估计算法120的输入包括传感器数据z(由一个或多个传感器装置提供)、传感器模型h、以及占用者通行模型f。占用估计算法120基于传感器数据z、传感器模型h、以及占用者通行模型f导出占用估计

例如，在图4A和4B所示的示例性实施例中，占用估计算法120为五个区中的每个生成占用估计

在示例性实施例中，传感器数据z和占用估计被表示为向量，尽管在其它示例性实施例中可以以其它合适格式提供传感器数据。占用者通行模型f是用于预测在整个区域中占用者的预期通行模式的数学、计算机模拟或统计模型，其中这样的模型可以使用区域中对占用的先前估计。例如，占用者通行模型f可以应用于对建筑物的每个区中的占用的先前估计以生成对建筑物的每个区中的占用的预测估计或基于模型的估计。

然后占用估计算法120将通过应用占用者通行模型f而生成的基于模型的占用估计与传感器数据z(如果可用的话)进行组合。通过基于每个的预测可靠性给相应输入分配权重，占用估计算法120将由占用者通行模型f提供的基于模型的对占用的估计与传感器数据z进行组合。例如，如果传感器数据z被确定为是高度可靠的，则占用估计算法120给传感器数据z分配较高权重并且对应的占用估计

在很大程度上基于所提供的传感器数据z。反之，如果传感器数据z被确定为是高度不可靠的，则更多权重被给予由占用者通行模型f提供的基于模型的占用估计。

根据基于模型的占用估计、传感器数据z以及与这两者输入相关联的加权，占用估计算法120生成对区域的占用估计例如，关于图4A和4B所示的楼层平面，生成对区域的占用估计

可以包括生成对五个区101-105的每个的占用估计。另外，占用估计可以包括如下数据，诸如与五个区的每个区相关联的平均占用估计、与五个区的每个区的每个可能占用水平相关联的概率、与五个区的每个区内或之间的占用者移动有关的数据、以及与对五个区的每个区的上述估计相关联的可靠性(例如协方差值)。

另外，作为占用估计

的部分而生成的数据可以彼此相互关联。例如，区域中的占用概率可以在图形上被描述为曲线(例如，钟形曲线)，该曲线描述与每个可能占用水平相关联的可能性。曲线的峰值将表示与该区相关联的最可能占用估计，但另外，曲线的形状(例如，与曲线相关联的标准偏差)将提供与占用估计相关联的置信或可靠性的指示。在其它实施例中，占用估计

可以包括与估计相关联的置信区间、与占用估计相关联的协方差、或者其它指示与占用估计

相关联的置信或可靠性的可靠性计算。

另外，在示例性实施例中，由占用估计算法120生成的占用估计

是实时生成的，以允许占用估计用于实时应用(例如，作为第一响应者的输入)。在示例性实施例中，占用估计

可以用于法庭辩论(forensic)或者在对建筑物内的占用的事实估计后使用。在又一个示例性实施例中，占用估计

可以用来预测不久的将来的占用估计。不久的将来的占用估计可能在控制应用(诸如基于建筑物内占用者的预期的不久的将来的移动的电梯呼叫)中有用。不久的将来的占用估计也可能对第一响应者有用以提供不仅关于占用者的当前位置而且关于建筑物占用者的可能将来位置的数据。

在示例性实施例中，占用估计算法120是扩展卡尔曼滤波器(EKF)，EKF是用于基于观测和模型生成系统的状态估计的熟知算法。EKF的好处是基于所接收的传感器数据z和占用者通行模型f实时提供计算的能力。在示例性实施例中，EKF采用占用者通行模型f以基于当前或目前占用估计来生成预测的或基于模型的占用估计。在示例性实施例中，基于模型的占用估计由以下方程定义：

        x(t+1)＝f(t，x(t))+v(t)                方程1

其中x(t)表示在时间t时在区域中(例如图4A和4B所示的示例中的每个区中)的占用，f(例如，占用者通行模型)是时间t和状态x(t)的某个非线性函数，并且v(t)是过程噪声，表示占用者在区域中如何移动的不确定性。非线性函数f的结构与区域相关。因而，在与建筑物中的占用估计有关的示例中，函数f的精确形式将根据建筑物的布局(以及别的因素)而改变。另外，因为f的结构描述区域内占用者的预期通行模式，所以函数f的形式也可能基于区域的‘模式’而改变。模式定义区域的操作状态。例如，在火灾或类似的紧急情况期间，建筑物将处于流出模式(即疏散模式)，其中所有占用者被建模成向可用的出口移动。其它模式可以由时刻(例如，上午活动的建筑物模式相对下午活动的建筑物模式)或其它因素规定。

为了简单起见，以下示例假设流出模式，这是通过基于图4A和4B所图解的楼层平面的示例进行描述的。因此，以下方程描述区域(例如，图4A和4B所示的楼层平面的区)的占用者通行模型f：

x₁(t+1)＝x₁(t)+y₂₁(t)+y₃₁(t)-y₁₆(t)            方程2

其中x₁(t+1)表示在时间t+1时在区101中的状态(例如，占用者的数量)，x₁(t)表示在时间t时在区101中的占用者的先前状态，y₂₁(t)表示在时间t时从区102移动到区101的占用者的数量，y₃₁(t)表示在时间t时从区103移动到区101的占用者的数量，并且y₁₆(t)表示在时间t时经由出口106从区101移动(离开)的占用者的数量。该模型对于其中未命令占用者向出口移动的非流出模式而言将有所不同。例如，占用者的移动将不受限于从区102移动到区101，而是还将包括从区101移动到区102。占用者通行模型f的结构因此与建筑物的布局部分相关并且可以在区域之间有所不同。在基于上面示例的示例性实施例中，有关占用者从区101到出口106的流动的函数被建模为：

      y₁₆(t)＝min[x₁(t)，α*C₁₆]                    方程3

其中C₁₆表示从区101到出口106的链路的流量并且基于从区101到出口106的通道的物理特性进行选择，并且参数α是对特定设计所特有的调整参数。

在基于这个示例的实施例中，有关占用者从区102到区101的流动的函数被建模为：

y₂₁(t)＝min[a₂₁x₂(t)*β/C₂*(C₁-x₁(t))/C₁，C₂₁]   方程4

其中a₂₁是区102中的把区101中的出口作为最近出口的占用者的百分比，项β/C₂表示占用者移动穿过区102的延迟，C₂是区102的最大占用(即，C₂与对应于区102的面积成比例)，项(C₁-x₁(t))/C₁表示减缓占用者移动到该区内的区101中的拥塞，C₂₁是是从区102到101的链路容量，并且最后β是调整参数。区103和区101之间的流动将以用于建模区102和区101之间的流动的相同方式进行建模。以此方式，占用者通行模型f基于关于每个区中的占用的当前信息来做出关于特定区中的占用的预测。在其它实施例中，可以采用附加建模参数来建模通过区域的移动的附加方面。

用来计算基于模型的占用估计的方程(即方程1)的第二分量是由项v(t)表示的过程噪声。过程噪声项v(t)计及占用者如何在各区之间移动的不确定性。用于建模过程噪声v(t)的直接简单办法是假设方程1中的过程噪声v(t)是零均值并且是具有与状态x(t)成比例且在各区之间无关的方差的高斯曲线(Gaussian)。在采用扩展卡尔曼滤波器的实施例中，过程噪声的协方差矩阵被设定为等于具有与当前估计的状态方差对应的元素的对角矩阵。

在示例性实施例中，占用估计算法(例如，扩展卡尔曼滤波器)还利用由以下方程描述的传感器模型h：

        z(t)＝h(t，x(t))+w(t)                    方程5

其中输出向量z(t)表示在时间t时五个区的每个区中的占用测量，函数h是传感器模型并且是时间t和占用者估计x(t)的函数，并且w(t)是传感器噪声。例如，在图4A和4B所示的实施例中，传感器装置被定位在相邻区之间的每个边界上以及在每个出口处。在示例性实施例中，针对图4A和4B所示的示例所得到的传感器模型(与区101有关)被表达为：

    z₁(t)＝z₁(t-1)+φ₂₁(t)+φ₃₁(t)-φ₁₆(t)            方程6

其中z₁(t-1)表示区101中的占用者的(基于传感器输入的)先前测量，

表示指示从区102到区101的占用者移动的传感器输出，

表示指示从区103到区101的占用者移动的传感器输出，并且

表示指示从区101到出口106的占用者移动的传感器输出。由个别传感器装置提供的传感器读数可能是错误的，并且方程6中定义的z₁(t)因此可能基于个别传感器读数中的误差而随时间累积误差。然而，在其中采用扩展卡尔曼滤波器的实施例中，传感器噪声w(t)被建模为零均值并且是白噪声的，其中方差等于仅传感器估计器(即，如果占用者估计是仅基于传感器输入而没有基于占用者通行模型)的估计方差。在示例性实施例中，通过对由个别传感器装置提供的输出(例如，

)应用传感器模型h来分析传感器数据z(t)。在另一个示例性实施例中，对传感器数据z(t)执行预处理以使得被提供到占用估计算法120的传感器数据反映基于所接收的传感器数据的区占用估计(如关于图6更详细描述的)。

图6是图解如用扩展卡尔曼滤波器实施的占用估计算法120的示例性实施例的流程图，该扩展卡尔曼滤波器组合传感器数据z(t)、传感器模型h和占用者通行模型f(t)来生成占用估计

图6的左侧图解了为更新占用的状态估计而采用的算法步骤，而图6的右侧图解了为生成协方差估计而采用的算法。协方差估计P(t|t)是与占用估计

相关联的不确定性的度量。在图6所示的示例性实施例中，传感器数据z(t)与占用估计

都没有被表示为向量，尽管在示例性实施例中一者或两者可以是向量。

在这个实施例中，计算或更新占用估计

始于(由扩展卡尔曼滤波器算法或由某种初始化程序在先前迭代中生成的)当前占用估计

如在步骤130所示。占用估计的符号表示这是基于来自时间t的观测(即，模型输出和传感器更新两者的组合)的、对于时间t的占用估计。在步骤132，占用者通行模型f(t)被应用于当前占用估计

以生成占用预测或基于模型的占用估计

也就是说，基于当前状态估计和占用者通行模型f(t)来预测下一状态的占用。符号

表示这是基于在时间t做出的观测的、对于时间t+1的状态预测(即，该更新不是基于最近观测的事件)。在步骤134，传感器模型h被应用于基于模型的占用估计

以生成测量预测

测量预测

表示以基于模型的占用预测为基础的预期传感器测量。例如，如果基于模型的占用预测预测一个占用者从区102进入区101，则测量预测z₂₁(t+1|t)将指示一个占用者被检测到从区102进入区101的预测传感器测量或观测。

在步骤136，测量预测

与实际传感器数据z(t+1)进行比较以生成由修正(innovation)变量u(t+1)表示的差信号。在这个实施例中，传感器数据z(t+1)已被预处理以提供表示在各区之间移动的所检测占用者的值。在其它实施例中，传感器模型h或某个其它函数将需要被应用于输入的传感器数据以便解释该数据以使得z(t+1)表示各区之间所检测的占用者移动。基于传感器数据z(t+1)和测量预测

之间的比较，确定修正u(t+1)。在示例性实施例中，修正u(t+1)指示(在步骤134计算的)预期传感器输出和实际观测的传感器输出之间的差。例如，使用上面描述的示例，基于模型的占用估计x₁(t+1|t)预测一个占用者从区102进入区101，导致z₂₁(t+1|t)的对应测量预测等于一。如果传感器数据z₂₁(t+1)相反等于零，则修正u₂₁(t+1)将指示预测值和实际传感器值之间的差或误差(在这种情况下误差为一)。

在步骤138，基于占用预测

修正u(t+1)以及关于协方差计算更详细讨论的加权系数W(t+1)，更新占用估计

如由这个方程所指示的，所更新的占用估计

是以基于模型的占用估计

和观测的传感器数据z(t+1)为基础的，所述占用估计

是基于占用者通行模型f(t)生成的。更新的状态估计

变成下一迭代中的当前状态估计

作为占用者通行模型f(t)和传感器数据z(t+1)两者的结果生成状态估计的好处是尽管缺乏传感器数据但还能生成指示占用的状态估计的能力。在这种情况下，预测测量和传感器数据z(t+1)之间的误差将增大，但是仍可以基于部分传感器数据z(t+1)和占用者通行模型f(t)或者如果没有传感器数据可用的话全部基于占用者通行模型f(t)，来生成占用估计

在图6所示的实施例中，协方差估计P(t|t)连同状态估计

一起被生成为输出。状态估计

指示占用的最佳猜测或估计，而协方差指示与占用估计相关联的置信水平。如上面所讨论的，术语占用估计广义上不仅指代关于区域中的实际占用者数量的估计而且指代诸如与占用者估计(例如，

)的实际数量结合计算的协方差估计P(t|t)的数据。计算或更新协方差估计P(t+1|t+1)始于当前协方差估计P(t|t)，如在步骤140所示。在步骤142，基于先前的占用估计来评价占用者通行模型f(t)以生成表示为F(t)的雅可比矩阵。在步骤144，雅可比矩阵F(t)、初始协方差估计P(t|t)和与占用者通行模型相关联的不确定性值Q(t)用来生成预测协方差P(t+1|t)。在步骤145，基于先前估计来评价传感器模型h(t)以生成表示为H(t)的雅可比矩阵。在步骤146，雅可比评价(evaluation)H(t)和与传感器模型相关联的不确定性R(t)被应用于预测协方差P(t+1|t)以生成修正协方差S(t+1)。在步骤148，修正协方差的逆S(t+1)^-1用来生成加权参数W(t+1)，该加权参数W(t+1)表示在步骤138被应用于传感器数据的加权。

如通过协方差计算所示的加权参数W(t+1)，基于传感器模型和占用者通行模型对被应用于传感器数据的置信水平进行加权，以使得更新的状态估计反映哪个输入是最可靠的确定。也就是说，如果与传感器数据z(t)相关联的置信水平高(或者基于模型的占用估计中

的置信低)，则如在步骤138应用于修正u(t+1)的滤波器增益值W(t+1)导致占用估计对传感器数据z(t)比对由占用者通行模型f(t)生成的占用预测

的结果提供更大权重。同样，如果滤波器增益值W(t+1)指示与传感器数据z(t+1)相关联的低置信(或者基于模型的占用估计中的置信高)，则所更新的状态估计将更多地受基于模型的占用估计

的结果影响而更少地受相关传感器数据z(t)影响。例如，在其中传感器被烟尘或火灾损坏的情形下，则降低其输出的相关置信以使得占用估计更多地受对状态估计

应用占用者通行模型f(t)的结果影响。

传感器数据z(t)的加权还可以计及与用于提供传感器数据z(t)的传感器装置类型相关联的可靠性。一些传感器比其他传感器固有地更加可靠，而其他传感器可能在一些情况下是可靠的而在其他情况下是不可靠的。类似于占用者通行模型f计及建筑物的布局所用的方式，传感器模型h可以用来计及传感器装置类型的变化。例如，运动检测传感器装置可以用来检测房间是否被占用，但是不提供关于房间中的占用者数量的信息(即，二进制输出)。在这种情形下，来自运动检测传感器的指示房间未被占用的数据(即，特定房间的传感器数据z_房间(t+1)＝0)可以被认为是高度可靠的。然而，来自运动检测传感器的指示房间被占用的数据(即，特定房间的传感器数据z_房间(t+1)＝1)可以被认为是不大可靠的，因为该数据没有计及附加占用者可能存在于该房间中的可能性。在一个实施例中，传感器模型h计及传感器类型，并且基于房间的大小(或者某个其他变量)分配位于房间中的预期占用者数量。另外，与特定传感器装置提供的数据相关联的可靠性可以基于传感器装置的类型以及从传感器装置接收的输入进行选择性的修改。

在步骤150，基于滤波器增益值W(t+1)、修正协方差S(t+1)和预测协方差P(t+1|t)来更新状态协方差P(t|t)以生成更新的协方差值P(t+1|t+1)。这个值反映了占用估计值

中的置信水平。

在图6所示的实施例中，占用估计算法120组合传感器数据z(t)和基于模型的占用估计

所述基于模型的占用估计

是基于先前占用估计和占用者通行模型f(t)生成的。具体而言，这种方法对传感器数据z(t)和占用者通行模型f(t)两者应用扩展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的占用估计

该结果是高度可靠的占用估计以及提供对所提供占用估计的相关可靠性的指示的协方差估计P(t+1|t+1)。

附录B

本文公开了一种用于基于传感器装置提供的数据和威胁传播模型来估计威胁(例如烟雾、火灾、化学试剂等等)经过区域的传播的系统和方法。威胁传播模型是建模威胁(诸如烟雾或化学试剂)将如何传播经过区域的实时工具。传感器数据和威胁传播模型被作为输入提供给威胁传播算法。威胁传播算法将传感器提供的传感器数据与威胁传播模型组合以提供描述威胁经过区域的传播的威胁传播估计。

术语‘威胁传播估计’通常用来描述这样的数据，该数据描述经过区域的威胁传播或移动。威胁传播估计可以包括例如关于整个区域中的颗粒分布的估计，包括对个别子区域的分布估计、与颗粒分布的估计相关联的概率、指示与威胁传播估计相关联的置信的可靠性数据、以及关于可能的威胁源和可能的将来威胁传播的估计。另外，术语‘区域’被用在整个描述中并且广义上指代整个区域以及构成较大区域的个别子区域或单元。因而，对区域做出的威胁传播估计可以包括对区域的每个个别子区域的威胁传播估计(例如，每个个别子区域的颗粒分布)。

图7图解了将在整个本描述中用来辅助描述威胁传播算法的示例，其中威胁传播估计是对建筑物的特定楼层做出的。关于本实施例所描述的概念可以应用于各种场景或位置(例如，户外、火车站、飞机场等等)。

图7图解了被划分成标为‘aa’-‘ce’的许多个别单元或子区域的建筑物210的单个楼层的布局。威胁检测传感器212a、212b、212c和212d位于建筑物210的各个子区域中，其中威胁检测传感器212a位于子区域‘af’中、威胁检测传感器212b位于子区域‘aq’中、威胁检测传感器212c位于子区域‘bb’中、而威胁检测传感器212d位于子区域‘bs’中。在这个实施例中，基于个别房间和过道的位置来划分与建筑物210相关联的楼层平面，尽管可以根据应用以各种方式划分区域(即，区域可以被划分成更小或更大的子区域或者不同的准则可以用来把区域划分成子区域)。威胁检测传感器212a-212d可以提供指示所检测威胁的存在的二进制数据，或者可以提供更详细的信息，包括例如所检测的威胁的类型或与所检测的威胁相关联的浓度水平。

图8是图解被提供到威胁传播算法220的输入以及由威胁传播算法220生成的输出的示例性实施例的高级框图。被提供到威胁传播算法220的输入包括传感器数据z(由一个或多个传感器装置提供)、传感器模型H、以及威胁传播模型M。传感器数据z可以由一个或多个传感器装置(例如，由图7所示的传感器装置212a-212d)提供。传感器数据z在这个实施例中被表示为向量，其中该向量表示由每个威胁检测器传感器提供的威胁检测数据。在示例性实施例中，威胁检测传感器测量并提供所检测威胁的浓度水平(例如，烟雾颗粒的浓度)作为传感器数据z的一部分。浓度数据进而可以用来计算位于威胁检测传感器所处于的特定子区域中的颗粒数量。

威胁传播模型M提供一种预测威胁将如何传播经过区域的模型(关于图9进行更详细的描述)。因而，给定初始条件集(即，在一个或多个子区域中的威胁检测)，传播模型M能够做出关于威胁将如何传播经过每个子区域的实时估计。例如，基于图7所示的实施例，如果烟雾颗粒的浓度被威胁检测传感器212a检测到，则威胁传播模型M生成关于子区域‘af’(即，威胁检测传感器212a的位置)中的烟雾将如何传播到周围子区域的估计。威胁传播模型M可以考虑许多因素，诸如相邻子区域之间的互连、通风系统的操作以及诸如建筑物内的楼梯井的增压(pressurization)之类的因素。

例如，在示例性实施例中，基于考虑描述区域布局的因素来建模特定区域的计算流体动力学(CFD)模拟来生成威胁传播模型M。基于计算流体动力学模拟，可以以不同的时间间隔绘制威胁(例如，烟雾颗粒)移动的图。然而，CFD模拟是复杂且耗时的过程(例如，完成单次模拟可能花费若干小时或者甚至若干天)，因此不能用来提供威胁传播的实时估计。然而，基于颗粒移动的模拟和跟踪，可以生成模型以反映颗粒从一个子区域到相邻子区域的预期移动。例如，在示例性实施例中，响应于CFD模拟而生成马尔可夫(Markov)矩阵以描述颗粒从一个子区域到相邻子区域的移动，如由以下方程所示：

$M_{\mathrm{ij}}=\frac{N_{i\→j}}{\underset{j=1}{\mathrm{\Σ}}{N}_{i\→j}}$ 方程7

如由方程7所描述的，M_ij是表示从每个子区域到相邻子区域的颗粒移动的矩阵，N_i→j表示在指定的时间间隔期间从子区域i移动到相邻子区域j的颗粒数量，并且∑N_i→j表示在子区域i和所有邻居子区域之间的移动之和。例如，关于图7所示的示例，N_i→j可以表示从子区域‘af’移动到相邻子区域‘ag’的颗粒，并且∑N_i→j将表示从子区域‘ag’到相邻子区域‘ad’、‘ae’、‘ag’、‘ai’和‘ah’的颗粒移动之和。以此方式，方程7中的分母确保马尔可夫矩阵M_ij(即，与颗粒从一个子区域移动到相邻子区域相关联的概率)中的每行之和为一。结果是提供与在选择的时间间隔中颗粒从一个子区域传播到另一个子区域相关联的概率的马尔可夫矩阵M_ij。马尔可夫矩阵M_ij因此可以用来基于威胁的初始检测而估计经过每个子区域的威胁传播。

基于马尔可夫矩阵M_ij，可以使用以下方程来预测在将来的时间间隔威胁(例如，颗粒)经过各个子区域的传播。

         xⁿ⁺¹＝M_ijxⁿ+wⁿ                            方程8

在这个方程中，xⁿ表示在时间n时的威胁分布(例如，在时间n时在每个子区域中的烟雾颗粒分布)，xⁿ⁺¹表示在时间n+1时的威胁分布，M_ij是上面描述的马尔可夫矩阵，并且wⁿ表示过程噪声。这个方程表示如何可以部分地基于诸如马尔可夫矩阵M_ij的威胁传播模型和先前的威胁传播估计xⁿ来估计将来时刻的威胁传播的示例性实施例。以此方式，可以实时或近实时地估计威胁的传播。

如关于图10更详细描述的，威胁传播模型(例如，马尔可夫模型)M被作为输入提供给威胁传播算法220。威胁传播算法还接收由一个或多个传感器装置提供的传感器数据z作为输入。基于所接收的传感器数据z和威胁传播模型M，威胁传播算法220生成威胁传播估计

在示例性实施例中，威胁传播估计

是表示遍及所有子区域(包括那些不包括威胁检测装置的子区域)的估计的威胁分布的向量。例如，在示例性实施例中，威胁传播估计

将表示在特定时间n时遍及每个子区域(例如，如图7所示的单元‘aa’、‘ab’、‘ac’等等)的烟雾颗粒分布。应当注意，威胁传播估计是基于传感器数据z和威胁传播模型M两者。然而，如果传感器数据z不可用或者如果传感器数据z没有变化，则威胁传播估计

可以仅基于由威胁传播模型M生成的传播估计。以此方式，即使不利用传感器数据z(例如，如果传感器丢失或被威胁损坏)，威胁传播算法220也能够生成不远的将来的威胁传播估计

以及生成过去的威胁传播估计

从而估计可能的威胁源。

图9是图解关于基于计算上更复杂的模拟或模型生成(由标为230的方框表示的)威胁传播模型M的示例性实施例的流程图。以此方式，威胁传播模型230能够实时地提供准确且可靠的威胁传播估计。相比而言，威胁传播模型230所基于的计算上复杂的模拟可能花费多个小时或多天来完成关于威胁将如何传播经过区域的模拟。

在图9所示的示例性实施例中，基于复杂模型232、实时模型234和区模型236来生成威胁传播模型230。在示例性实施例中，复杂模型232是模拟颗粒如何移动经过区域的计算流体动力学模型(CFD)。复杂模型232由对其运行模拟的区域的物理布局以及区域的属性(诸如子区域之间的压差或者区域内的通风流)定义。以此方式，复杂模型232准确地模拟在不同的时间间隔上颗粒(即，威胁)经过区域的传播。基于复杂模型232所运行的模拟的结果以及在不同的时间间隔上生成的所得颗粒分布，可以生成实时模型234以定义颗粒从一个区域移动到另一个区域的预期概率。例如，在示例性实施例中，实时模型234是定义颗粒从一个子区域移动到相邻子区域的概率的马尔可夫矩阵。根据应用，实时模型234(例如，马尔可夫矩阵)的生成可能对于特定应用而言足以并且可以用作威胁传播模型230而不用进一步的增强。如上面所描述的，马尔可夫矩阵提供关于从子区域到相邻子区域的预期颗粒传播的实时估计。在另一个示例性实施例中，实时模型234是检测概率(POD)模型，其生成关于从子区域到相邻子区域的预期颗粒传播的实时估计。在这个实施例中，马尔可夫矩阵和POD模型是彼此可替换的，尽管在另一个实施例中它们可以彼此结合地使用以提供从子区域到子区域的预期颗粒传播的实时估计。

另外，在示例性实施例中，区模型236可以与实时模型234结合用来生成威胁传播模型230。具体而言，采用区模型236来提供诸如连接建筑物内的房间的走廊之类的较小区域中的威胁传播估计。在这个实施例中，实时模型234提供较大区(例如大房间或中庭)的威胁传播估计，而区模型236提供较小区(例如小房间或过道)的威胁传播估计。例如，区模型236可以把较小空间建模为一维区，其概率与相邻区域之间的威胁传播相关联。除了实时模型234以外，提供区模型236以生成威胁传播模型230，所述威胁传播模型230然后可以用来生成威胁将如何传播经过区域的所有子区域(大的和小的)的估计。

在其它实施例中，复杂模型232可以用来生成实时模型234，该实时模型234建模大和小子区域中的威胁传播，消除了对区模型236的需要。如关于图10更详细描述的，威胁传播模型230与传感器数据结合用来生成对区域或子区域的威胁传播估计。

图10是图解用于基于输入来生成威胁传播估计的威胁传播算法220的示例性实施例的流程图，该输入包括传感器数据z(n)、传感器模型H和威胁传播模型M。在图10所示的实施例中，威胁传播算法220是用扩展卡尔曼滤波器(EKF)实施的。图10的左侧图解了为更新威胁传播估计

(即，定位为经过区域的威胁或颗粒分布的估计)而采用的算法步骤，而图10的右侧图解了为生成协方差估计P(n)而采用的算法。协方差估计P(n)是与威胁传播估计

相关联的不确定性的度量。

在这个实施例中，计算或更新威胁传播估计始于初始状态或当前威胁传播估计。例如，直到检测到威胁才将开始威胁传播估计。因此，在示例性实施例中，首先检测到威胁的传感器的位置用来初始化威胁传播算法(即，被提供为先前估计

)。在另一个实施例中，不需要初始化扩展卡尔曼滤波器，因为在扩展卡尔曼滤波器的第一迭代中，由首先检测到威胁的威胁检测传感器所提供的传感器数据z(n+1)将导致更新的威胁传播估计

其将在EKF算法的下一迭代中用来初始化该系统。威胁传播估计

的符号表示这是基于来自时间n的观测(即，模型输出和传感器更新两者的组合)的、时间n时的威胁传播估计。相比而言，符号

表示传播估计是针对时间n+1，但是基于在时间n时提供的传感器数据。在图10所示的示例性实施例中，在每个时间步长用新的传感器数据来更新威胁传播估计。然而，在其它实施例中可以在将来的许多时间步长生成威胁传播估计以便预测可能的威胁路径。

在步骤240，威胁传播模型M连同过程噪声w(n)一起被应用于先前威胁传播估计

以生成威胁传播预测(即基于模型的威胁传播估计)。也就是说，基于当前威胁传播估计

和威胁传播模型M来预测将来时间步长的预期威胁移动。例如，如关于图8所描述的，威胁传播模型M可以基于计算流体动力学模拟而被构造成马尔可夫矩阵。符号

表示这是基于在时间n时做出的观测的、对于时间n+1的基于模型的预测(即，该更新不是基于最近观测的事件)。在步骤242，传感器模型H被应用于占用预测

以生成测量预测测量预测

表示基于威胁传播预测

的预期传感器测量。例如，在关于图7所描述的示例性实施例中，如果威胁传播预测

预测威胁传播到子区域‘aq’中，则测量预测z_aq(n+1|n)将指示威胁检测传感器212b应当检测到威胁的存在。

在步骤244，测量预测

与实际传感器数据z(n+1)进行比较以生成由修正(innovation)变量u(n+1)表示的差信号。在示例性实施例中，修正u(n+1)指示(在步骤242计算的)预期传感器

与实际观测的传感器输出z(n+1)之间的差别。例如，基于上面描述的示例，如果威胁传播预测

估计威胁已传播到子区域‘aq’，但是威胁检测传感器212b返回指示没有检测到威胁的值，则修正变量u_aq(n+1)将指示在预期的威胁传播与传感器所报告的威胁传播之间存在差别。修正变量用来纠正基于模型的威胁传播预测

与传感器数据z(n+1)之间的差别。

在步骤246，基于威胁传播预测修正u(n+1)以及关于协方差计算更详细讨论的增益系数K(n+1)，更新威胁传播估计

如由这个方程所指示的，所更新的威胁传播估计

是以基于模型的威胁传播预测

和所观测的传感器数据z(n+1)两者为基础的。更新的威胁传播估计

变成下一迭代中的当前状态估计

关于图10所描述的示例图解了可以生成威胁传播估计的一种方法，其中在每个时间步长基于威胁传播模型M和更新的传感器数据z(n+1)来更新威胁传播估计

在其它示例性实施例中，也可以在将来的多个时间间隔上生成威胁传播估计以说明威胁经过区域的估计传播(例如，可以在连续的时间间隔生成威胁传播估计而不用等待更新的传感器数据)。以此方式，可以在将来的许多时间步长生成威胁传播估计

以给第一响应者和其它响应者提供关于预期威胁如何传播的信息。当更新的传感器数据z(n+1)(或者是指示与威胁相关联的浓度水平的数据，或者是威胁的其它传感器报告检测)变成可用时，对威胁传播估计

进行更新。以此方式，当新的传感器数据变成可用时，改进或精细调整威胁传播估计

在图10所示的示例性实施例中，协方差估计P(n+1|n+1)连同威胁传播估计一起被生成为输出。威胁传播估计

指示关于威胁传播的最佳猜测或估计，而协方差P(n+1|n+1)指示与威胁传播估计相关联的置信水平。如上面所讨论的，术语威胁传播估计广义上不仅指代关于经过区域的预期威胁传播的估计而且指代诸如协方差估计P(n+1|n+1)的可靠性数据，该协方差估计P(n+1|n+1)是与关于整个区域中的估计威胁移动的估计结合计算的。

计算或更新协方差估计始于当前协方差估计P(n|n)。在步骤248，基于威胁传播模型M、先前协方差估计P(n|n)、威胁传播模型的雅可比评价(evaluation)M^T和与估计相关联的噪声值Q来生成协方差预测P(n+1|n)(类似于在步骤240做出的威胁传播预测)。在步骤250，基于威胁传播模型M、协方差预测P(n+1|n)、威胁传播模型的雅可比评价M^T和传感器模型来计算剩余协方差S(n+1)。基于在步骤248和250做出的计算，在步骤252使用协方差预测P(n+1|n)、威胁传播模型的雅可比评价M^T和剩余协方差的逆表示S(n+1)^-1来计算最优卡尔曼增益K(n+1)。

增益系数K(n+1)基于传感器模型R和威胁传播模型M两者表示与传感器数据相关联的置信，以使得更新的威胁传播估计

反映哪个输入是最可靠的确定。也就是说，如果与传感器数据相关联的置信水平高(或者威胁传播模型中的置信低)，则如在步骤246应用于修正值u(n+1)的增益值K(n+1)导致威胁传播估计对传感器数据z(n+1)比对由威胁传播模型M生成的威胁传播预测

的结果提供更大的权重。同样，如果增益值K(n+1)指示与传感器数据z(n+1)相关联的低置信(或者基于模型的威胁传播估计

中的置信高)，则所更新的威胁传播估计

将更多地受威胁传播预测的结果影响而更少地受相关传感器数据z(n+1)影响。例如，在其中传感器被烟雾或火灾损坏的情形下，则降低其输出的相关置信以使得威胁传播估计更多地受对状态估计应用威胁传播模型M的结果影响。

在步骤254，基于增益值K(n+1)、威胁传播模型M和预测协方差P(n+1|n)来更新状态协方差P(n|n)以生成更新的协方差值P(n+1|n+1)。这个值反映了占用估计值

中的置信水平。

在图10所示的实施例中，威胁传播算法238提供传感器数据z(n+1)和基于模型的威胁传播估计

的融合(fusing)或组合，所述基于模型的威胁传播估计

是基于威胁传播模型M生成的。具体而言，这种方法对传感器数据z(n+1)和威胁传播模型M两者应用扩展卡尔曼滤波器技术以生成把这些输入的可靠性考虑在内的威胁传播估计

该结果是高度可靠的威胁传播估计

以及提供与威胁传播相关联的可靠性的指示的协方差估计P(n+1|n+1)。在其它实施例中，可以采用除了扩展卡尔曼滤波器之外的算法来生成利用威胁检测传感器提供的传感器数据z(n+1)和威胁传播模型M两者的威胁传播估计。在其它实施例中，除了威胁传播估计和可靠性数据(例如协方差)之外的数据可以被生成为威胁传播估计的一部分。

另外，在示例性实施例中实时地生成由威胁传播算法238提供的威胁传播估计

以允许威胁传播估计

用于实时的应用(例如，作为第一响应者的输入)。这是所采用的威胁传播模型M(例如，关于图9所描述的马尔可夫模型)的类型以及用于组合传感器数据z(n+1)和威胁传播模型M的算法(例如关于图10所描述的扩展卡尔曼滤波器)两者的函数。在示例性实施例中，威胁传播估计可以用于法庭辩论(forensic)或者在威胁如何传播经过区域的事实估计后使用。在又一个示例性实施例中，威胁传播估计可以用来预测不久的将来的威胁传播估计(即，估计从将来的几秒到几分钟的各种间隔的威胁的位置)。通过预测将来威胁的传播，第一响应者或流出支持系统能够计划占用者的疏散路线。另外，在示例性实施例中，威胁传播估计可以被提供到占用者估计系统以基于占用者对威胁传播的可能响应来生成占用者估计(即，关于区域中的占用者的可能位置的估计)。

Claims (25)

1.一种流出支持系统，包括：

输入，在工作中被连接以接收占用者检测数据、威胁检测数据或者其组合；

流出控制器，在工作中被连接到该输入并且包括优化算法和预测模型，其中该流出控制器执行该优化算法以基于响应于检测数据而由预测模型生成的基于模型的估计来选择最优流出路线；以及

输出，在工作中被连接以传送由该优化算法选择的最优流出路线。

2.权利要求1的流出支持系统，其中预测模型是流出预测模型，该流出预测模型基于占用者位置数据和多个潜在流出路线来生成预测占用者流出的基于模型的流出估计。

3.权利要求2的流出支持系统，其中优化算法根据基于模型的流出估计来选择最小化疏散所有占用者所需的时间的最优流出路线。

4.权利要求1的流出支持系统，其中预测模型是威胁预测模型，该威胁预测模型基于威胁位置数据生成预测威胁传播的基于模型的威胁估计，且其中优化算法根据基于模型的威胁估计选择最小化占用者暴露于威胁的最优流出路线。

5.权利要求1的流出支持系统，还包括：

占用估计器，在工作中连接到该输入，该占用估计器执行占用估计算法，该占用估计算法基于所接收的占用者位置数据和由占用者通行模型生成的基于模型的占用估计来生成占用估计，其中该占用估计被提供到流出控制器。

6.权利要求5的流出支持系统，其中流出控制器基于优化算法选择的最优流出路线来动态地修改占用者通行模型。

7.权利要求1的流出支持系统，还包括：

威胁传播估计器，在工作中连接到该输入，该威胁传播估计器执行威胁传播算法，该威胁传播算法基于所接收的威胁位置数据和由威胁传播模型生成的基于模型的威胁传播估计来生成威胁传播估计，其中该威胁传播估计被提供到流出控制器。

8.权利要求1的系统，其中该输出在工作中被连接以把由流出控制器基于所选择的流出路线而生成的控制指令提供到基于占用者的流出指导装置，该基于占用者的流出指导装置沿所选择的流出路线引导占用者。

9.权利要求1的系统，其中基于占用者的流出指导装置包括视觉标志、听觉装置或两者的组合。

10.权利要求1的系统，其中该输出在工作中被连接以向第一响应者装置提供最优流出路线、占用者位置数据和威胁位置数据。

11.权利要求1的系统，其中该输出在工作中被连接以向建筑物控制器传送由流出控制器响应于威胁检测数据和最优流出路线而生成的建筑物控制器指令。

12.权利要求11的系统，其中建筑物控制器基于由流出控制器提供的建筑物控制器指令来控制位于区域内的电梯的操作。

13.权利要求11的系统，其中建筑物控制器基于由流出控制器提供的建筑物控制器指令来控制位于区域内的取暖、通风与空调(HVAC)系统的操作。

14.一种给区域提供流出支持的方法，该方法包括：

获取来自一个或多个装置的检测数据，其中该检测数据是占用者检测数据、威胁检测数据或其组合；

基于预测性模型和检测数据，生成基于模型的估计；

根据基于模型的估计，为区域内的占用者生成最优流出路线；以及

基于所选择的最优流出路线来控制一个或多个流出指导装置以指导区域内的占用者的移动。

15.权利要求14的方法，其中生成基于模型的估计包括基于流出预测模型、多个可能的流出路线和占用者检测数据来生成基于模型的流出估计，其中每个基于模型的流出估计包括用于基于多个可能流出情形之一疏散占用者的估计时间，且其中选择最优流出路线包括根据基于模型的流出估计来选择使疏散占用者的估计时间最小化的多个可能的流出路线之一。

16.权利要求14的方法，其中生成基于模型的估计包括基于威胁预测模型和威胁检测数据生成基于模型的威胁预测估计，且其中选择最优流出路线包括根据基于模型的威胁预测估计来选择使占用者暴露于所检测的威胁最小化的流出路线。

17.权利要求15的方法，其中生成基于模型的估计还包括基于成胁预测模型生成基于模型的威胁预测估计，且其中选择最优流出路线包括根据基于模型的威胁预测估计来选择使疏散占用者的估计时间最小化并且使占用者暴露于所检测的威胁最小化的流出路线。

18.权利要求14的方法，其中控制一个或多个流出指导装置包括控制听觉装置和视觉装置以把选择的流出路线传送到区域内的占用者。

19.一种流出控制器，包括：

用于获取来自一个或多个占用者检测装置的占用者位置数据的装置；

用于获取来自一个或多个威胁检测装置的威胁位置数据的装置；

用于基于流出预测模型、占用者位置数据和流出路线来生成基于模型的流出估计的装置；

用于根据关于多个流出路线、占用者位置数据和威胁位置数据所生成的基于模型的流出估计而为区域内的占用者选择最优流出路线的装置；以及

用于基于所选择的流出路线来提供区域内的占用者移动的指令的装置。

20.权利要求19的流出控制器，其中用于选择最优流出路线的装置是优化算法，该优化算法使得用于生成基于模型的流出估计的装置基于优化算法提供的流出路线来生成多个基于模型的流出估计。

21.权利要求20的流出控制器，其中基于模型的流出估计包括关于每个基于模型的流出估计而描述所有占用者疏散出区域所需的时间的时间数据；以及用于选择最优流出路线的装置基于时间数据选择使疏散所有占用者所需的时间最小化的流出路线。

22.权利要求21的流出控制器，其中用于选择最优流出路线的装置基于威胁位置数据选择使占用者暴露于所检测的威胁最小化的流出路线。

23.权利要求19的流出控制器，其中用于获取占用者位置数据的装置包括：

占用估计器，该占用估计器基于占用者位置数据和由占用者估计模型生成的基于模型的占用者估计来生成占用者估计，其中基于模型的流出估计是基于占用者估计生成的。

24.权利要求19的流出控制器，其中用于获取威胁位置数据的装置包括：

威胁传播估计器，该威胁传播估计器基于威胁位置数据和由威胁传播模式生成的基于模型的威胁传播估计来生成威胁传播估计，其中最优流出路线是基于威胁传播估计选择的。

25.一种用机器可读计算机程序代码编码的计算机可读存储媒介，所述机器可读计算机程序代码用于选择区域的最优流出路线，该计算机可读存储媒介包括用于使控制器实施包括如下步骤的方法的指令：

获取来自一个或多个装置的检测数据，其中该检测数据是占用者检测数据、威胁检测数据或其组合；

基于预测模型和检测数据，生成基于模型的估计；以及

根据基于模型的估计，为区域内的占用者选择最优流出路线。

Images