CN102693550A - 虚拟场景中的智能群体运动模拟方法 - Google Patents

Abstract

本发明涉及虚拟场景中的智能群体运动模拟方法，本发明公开了一种虚拟场景中的智能群体运动模拟方法，在群体运动模拟中，以分层模型的控制方式来对群体进行层次式的运动模拟。本发明在虚拟场景中对大规模的群体运动进行模拟，具有较强可视化。本发明主要对于有大量运动智能群体的运动领域的模拟。如学校的上学放学情景，大规模的军队运动，大规模的战争场景，大型运动会的开闭幕式，灾难发生时的人员疏散情况，交通状况等情况的可视化模拟。

Description

虚拟场景中的智能群体运动模拟方法

技术领域

本发明涉及虚拟场景中的运动模拟方法，尤其是涉及一种虚拟场景中的智能群体运动模拟方法。

背景技术

 目前许多研究者致力于模拟高度复杂的真实行人在城市环境中这个公开的难点问题的研究。我们的人工生命由具有动机的、感知的、行为的和认知的部分行人模型(也叫个体individual)构成。

 人类动画一直是计算机图形学中具有挑战性的问题。心理学家和社会学家已经对人类的行为活动进行了多年的研究。最近几年，行人模拟又受到CG研究者的广泛关注。这个课题同样引起了人工生命、建筑学和城市规划等领域的兴趣。图形研究者已经参与到可视化建筑工程规划之中，其中包括行人动画。

 在行人动画中，以前许多的研究关注于综合自然运动(natural locomotion)和路径规划，后来行为动画又进一步的受到了其它研究者的重视和发展。行为动画是整个分布式行为系统的推动力，分布式行为系统综合了鸟群、鱼群、兽群以及低等动物的行为、人的性格，群体行为等。低层次的群体交互行为在许多学科中得到了发展，动画研究者、迪斯尼电影公司和其它的工作室都热衷于将这些技术用于游牧部落战斗题材的电影中。

与本发明相关的现有技术一

现有技术一的技术方案

 中国专利，申请号为03124657．5，发明名称为《基于互联网结构的群体智能人一机决策方法》，该技术方案对虚拟场景中应用群体智能尚为空白。

现有技术二的技术方案

 Intel Corporation的John Funge、Xiaoyuan Tu和University of Toronto的Demetri Terzopoulos的论文《Cognitive Modeling：Knowledge，Reasoning and Planning for Intelligent Characters》于1999年8月在SIGGRAPH 99上发表。

 行为动画的研究向把自治的单个动画角色用于动画的交互式游戏中迈出了重要的一步。然而，目前在引导自治的自动动画角色作一些具体的工作方面还存在一些困难。该发明引入了“认知建模”(cognitive modeling)的概念来应对这些挑战。认知模型(cognitive model)在管理角色的知识、知识获取方式和如何将知识应用到设计行为等方面超越了行为模型(behavioral model)。为了帮助建立认知模型，我们开发了认知模型语言(cognitive modeling language CML)，使用CML，我们可以使角色增加领域知识，优雅地在知识中设定行为、前提条件和效果，也可以为了某种目的指导角色行为，我们的方法允许行为被自然地、本能地、简洁地、高度抽象设定。一旦有了认知性的角色，动画设计者们只需要概括性地设定行为的大体框架，通过推理，角色们可以根据预先设定的动作自动完成一系列的细节动作，我们利用了一些内部方法将感觉整合到我们基本的框架中，这样就可以让自治角色在非常复杂的动态虚拟世界中产生行为规划，我们展示了认识模型在高级角色动画和自动电影电影放映机等方面的应用。

  该发明让动画设计者指导自治角色完成动画，这需要大量准智能的角色，让我们进行表演，甚至控制摄像机与灯光。发明把认知建模分为两部分：领域知识说明和角色引导，CML是在人工智能(AI)基础上发展起来的，CML与传统AI的规划模式最大的区别在于可以让动画设计者熟练地增加领域知识和推理引擎，指导自治角色完成动画，并且它允许动画设计者以增量的方式完成动画。我们利用了在机器人群体中已经应用了的AI机制中的情景演算技术，但与机器人群体中不同的是，我们以引入内在价值表达(interval valued fluents)去处理感觉，并在高动态虚拟世界中创建了有秩序的动画，Perlin提出了给动画设计者有用的行为建模工具，我们定义并实现了认知建模语言CML并在它里面封装了一些高级的动画技术和工具，因为存在大量的合理规则我们能够提取，所以动画拍摄的自动摄像机控制可以很好的与我们的认知建模方法融合，这其实已经在目前的关于实现用层次有限自动机进行摄像机控制方面的论文中提到，该发明试着利用CML进行摄像机控制。

  我们把认知建模看作计算机图形建模这个金字塔的顶点，与交互性的行为模型不同的是，认知模型更具有协商性(deliberative)。为了帮助动画设计者或游戏开发人员实现认知模型，我们开发了CML，这个强大的语言给了我们一种直观的方式为游戏中的角色赋予知识。比如用前面提到的“动作action"、“前置条件precondition”和“结果effects"的应用都是很直观的，当我们提供了一种为角色行为所实现的目标的高级描述后，CML会以自动的方式为角色寻找实现该目标的可行步骤，在极端的情况下，CML会像传统的程序语言一样允许我们精确描述我们所需的角色行为，CML的方便性与自动性让我们的认知建模方法更有通用性，它也是动画设计者和游戏开发者的有力工具。

  该方案是提出了用认知建模语言CML实现行为动画，但它缺乏对大量人群建模的总体因素上的考虑，没有对行人群体智能的进行整体管理。model do not experience a discrete regime change in the presence of other people)。相反，他们通过全局的路径决策，对障碍物和其他行人进行避让。同时，我们的动态势场方法也保证了路径对于当前环境是最优的，因而人绝不会阻塞在一个很小的范围内。

  我们注意到全局路径规划通常是一个不切实际的设想，因为，通常人们视野有限，并且只能感知部分地形，全局知识只是在有限视野和知识的情况下对更精确的长期规划的一个近似而已，我们还发现，全局规划假设比只具有局部知识的不真实假设更能提供一种平滑和真实的人群运动模拟，特别是在人们穿过大密度拥塞区域时，同时，我们的框架并不像基于代理方法那样全面(做了一些裁减)：为了实现优化的人群行为的实时规划，我们以每个个体最小计算代价来平衡个体可变性，为了获得两种模型的好处，代理机制能够被无缝地集成进来。

  我们的贡献是：提出一种以动态势场来驱动的新型群体模拟方式，这种动态势场将全局导航和局部碰撞规避集成到一个框架中，我们的系统使用两个非常简单但至关重要的思想：1)一个依赖于速度的表达(term)，它包括狭窄通道的形式(includes lane formation)；2)基于距离的表达，它能稳定人流。我们也展示了个体怎样能将未来的知识集成，从而产生更加智能的行为，此算法的计算开销取决于用于计算动态势场的格子单元(grid cells)的数量，在粗略离散化的情况下，我们可以以每秒几帧的速率来模拟一万人以上的场景；在精细离散化的情况下，可以以实时帧率来模拟数千人的高分辨率场景，同时，我们的模型可用于真实地展现紧急情况下的人群的反应。

  我们的模型是直接从Hughes的工作中得到灵感：我们使用一个类似的势函数来引导行人到达他们的目标。我们也采用他的技术，将行人分成组，以及使用“非期望场”(discomfort field)来处理地形参数。然而，Hughes只是对他的方程做了分析，而没有讨论如何模拟，我们通过将Hughes的连续群体场转换为一种粒子表现，解决了这个问题，这样更适合渲染，也为稳定和有效的模拟奠定了基础，粒子表现从理论基础到格子离散化策略完全贯穿于动力学中，其中，格子的离散化策略可以被精心地剪彩以满足相对于人数具有较好的格子解析度的情况，我们也在Hughes的模型基础上做了很大的改进，值得一提的是，我们在计算个体速度的时候将人流纳入考虑范围，这使我们的系统可以实现很多有趣的经验性的效果，如在人群在相反方向上交错的时候会形成分道，另外，我们改变了路径定义的最优性，以便加入距离表达(distance term)，它制约了我们在Hughes的动力学模型中观察到的摆动。

现有技术三的缺点

现有技术三的技术方案

    University of Washington的Adrien Treuille、Seth Cooper和Electronic

Arts的Zoran Popovi’c的论文《Continuum Crowds》2006年在SIGGRAPH 2006上发表。

    提出一种基于连续统动力学(continuum dynamics)的实时人群模型，在模型中，我们利用动态变化的势场(potential field)，考虑到了移动障碍物(如：其他人)，解决了不需要显式碰撞规避的大规模人群运动模拟问题，在我们的系统上创建的模拟以交互式的速率运行，展示了在各种环境下平滑逼真的人流，同时也非常自然地展现了紧急情况下的真实人流。

    人群广泛存在于现实世界中，因此非常有必要对此进行模拟，物理上正确的人群模型已经应用到了除计算机图形以外的心理学、交通运输、以及建筑学。本文关注的是，在十字交路口，数千个体组成的群体运动的实时合成，我们的模拟被设计来用于具有共同目标的大群体，而非每个人都有不同目标的情况。

    实时群体模拟是困难的，因为一大群人所表现出来的行为是极其复杂的。一个群体模型不仅包含个体的动作和环境的约束，同时还要解决人与人之间的交互的问题，更进一步，模型必须能够反映出这种变化环境中的智能路径规划。人们不断地调整他们的路径以响应拥塞及其它动态因素，甚至，密集的人群可以通过令人惊讶的碰撞或者个体运动的突然改变被个性化，但这种真实的反应很难模拟出来，特别是在大人群实时的环境中。

    实际上，以前所有的工作都是基于代理的，也就是说，每个个体的计算都是分别进行的。基于代理的方法使用较多的原因是：1)真实人群都是每个个体各自分别的计算自身的决定，这样的模型可以捕获每个人的特殊状态：可见性、与其它步行者的距离等局部因素；2)不同的个体可以设置不同的模拟参数，从而产生不同的复杂行为，然而基于代理的模型也存在缺陷：不容易产生出一贯真实的行为准则；对每个个体的全局路径计算很快就变为资源杀手，特别是在实时环境中，结果，大多数代理模型都将局部碰撞规避从全局路径规划中分离出来，而这两种不同目的的计算不可避免的要产生冲突。此外，局部路径规划通常会导致“近视”，从而产生不真实的人群行为，这些问题会在拥塞严重和环境变化快速的情况下将迅速恶化。

本文提出一种不基于动态代理的实时大规模人群运动合成模型，我们将运动看成一个粒子系统，以使能量最小化，并在系统中采用连续统的观点。这种方式产生一个控制所有个体同时运动的动态势场和速度场集合，我们的系统将全局路径规划和局部碰撞规避统一到了一个优化的框架(Framework)中，我们模型中的人，在其他人存在时，不会经历一个不连续的策略转换(People in our) 。

这种方法过分依赖于物理中的势场模型，对每个个体的具体规划考虑不足。尤其是个体不具有随时间和环境刺激变化的动机和缺乏心理学因素。没有明确目标的人群环境如“逛商店”或“无目的闲逛’’都不适合于这种人群模型。

现有技术四的技术方案

Oakland，CA的Solomon; Neal发明《System，method and apparatus for organizing groups of self-configurable mobile robotic agents in a multi-robotic system》2003年8月21日向美国国家知识产权局申请专利并获得批准，United States Patent编号为：6904335。

这是一个在多机器人系统(MRS)中提出了自组织移动机器人智能体系统(MRAs)。MRAs合作、学习并能与环境交互。这个系统使用了多种AI技术，其中包括遗传算法，遗传规划和进化人工神经网络去开发白发的动态行为。这种自动智能机器智能体的集体行为被应用到了诸多领域。这个系统采用混合控制架构。这个系统为也开发自动MRAs组的动态融合以实现复杂工作做了构架和改进。

昆虫与动物的社群行为对理解包括简单个体的复杂社会进程很重要，我们试图模拟生物系统的群体智能去设计机器人智能系统，这个发明超过了这些有趣的仿生模拟，因为我们的系统是有层次的，并且有缺省的操作模式，我们将在一个MRS使用简单的群体行为来实现局部的交互，但是我们主要的目标是开发复杂的合成能用于智能社会行为和动态行为融合的MRS系统，然而这个简单的群体行为在类似的系统中有严格的计算限制和通信资源，但我们的发明不会。简单的群体行为有匿名的同类简单成员(表现为统一的形式)，我们拥有简单的局部通信、最小的基本计算能力和采用简单集学习的有限的反应行为，这种生物刺激系统的局限性可以用高级的MRS进行改进来显示群体智能，我们的系统有自动的单独MRAs，这些MRAs有高计算能力、AI和通信能力、复杂的学习和模拟功能，自身的特征和在同一个系统中的群体行为，总之，我们的发明用人工智能移动机器智能体在行为功能方面模拟了人的社会行为。

如何将各种物体融合是计算机科学中的重要研究内容，在本发明中，融合是一个组织MRAs群体的过程。我们不仅对智能机器人的群体形式感兴趣，而且也关注群体分解为子群体并重新整合，MRAs的智能融合包括自动选择、形成、组合、重组和群体的解散，每一个新的智能体代表一种新的配置，由于该系统不断的演变，MRS的突发行为导致了复杂的失去平衡的自组织系统，最后，与纯情景演算系统的融合不同，一个MRS系统的应用包含了空间几何和物理运动学的扩展。

 本发明与早期的其它发明相比具有许多优点：(1)多机器人的系统架构；(2)计算资源的结构，动态性和分配；(3)AI动态性；(4)群体协商，学习和决策结构与处理；(5)包含移动机器人的智能群体行为；(6)MRAs的动态融合这个发明具有广泛和重要的应用，从机械制造到有毒清理，从远程探索到交通协调。从纯粹的群体智能机器人的应用到工业领域。总之，该发明具有广泛的应用前景。

现有技术四的缺点

 该发明主要局限在机器人应用领域。但是在虚拟场景中，计算机的计算能力和两个Agent之间的通迅能力远远高于机器人，而且虚拟场景中可以剪切掉不在屏幕范围内的Agent，可以极大提高观察较少Agent的真实感。

发明内容

本发明的目的是提供一种在虚拟场景中对大规模的群体运动模拟的虚拟场景中的智能群体运动模拟方法。

为了达到上述目的，本发明采用如下技术方案：、一种虚拟场景中的智能群体运动模拟方法，在群体运动模拟中，以分层模型的控制方式来对群体进行层次式的运动模拟。

所述分层模型按群，组和虚拟代理来对群体进行整体划分，其中，虚拟代理是一个具有人特点的对象，组是由一组虚拟代理组成，而群则是一类组的集合，群，组，虚拟代理就组成了模拟的实体；意图对应于实体的目的，信念表示实体的内在状态，知识则用来描述模拟人群的虚拟环境的信息，而人群行为则对应于一组动作的集合，这组动作则是根据实体的意图，信念，知识和感觉来决定的，事件表示引起可以改变组行为的特定反应的事情；将整个群体的信息存放在群结构中，然后由群散发到每个组中，再由组分发到每个代理，组的大小在模拟的过程中是可以改变的，在整个组中存在一个组织者，其它的为参与者，而每个代理不能够显示地进行控制，它的行为需要遵循组的行为，每个代理有可能是组的参与者，同时也可以跑到另外一个组去。

所述虚拟代理为自治的行人模型，将自治的行人模型分解为以下4个单元进行管理和控制，每个管理控制单元分别从各自的方面主导和协调自治的行人模型，

(1)外表、动作和动机控制单元：通过对自治角色的外表、动作和动机控制，使得不同的行人产生不同的外表，多样化的动作，角色的动机是自治角色的驱动因素，不同的动机可以发出不同的一系列连续动作；

(2)感知单元：自治角色的感知由其周围的环境给定，可分为地面高度感知、静态物体感知、动态物体感知；

(3)行为控制单元：自治角色的各种行为可反应出该角色的不同动机，这些控制行为的随机性可以展现出丰富的行为内容，行为控制可分为：基本的反应行为控制、导航和动机行为控制、其它的有趣行为控制；

(4)认知控制单元：为了使角色具有学习周围环境的能力，提供这种认知能力使虚拟场景中的部分角色具有这种分析保存的功能。

本发明对每个智能体模型进行了细分，通过外表动作动机控制、感知、行为控制、认知控制等达到了细节控制的目的，而且本发明还提供了将全局路径规划和局部碰撞规避统一到了一个优化的框架。

本发明方案与现有技术一相比的优势在于：本发明涉突破了现有技术一的群体智能人一机决策方法，填补了虚拟场景中应用群体智能的国内发明空白。

本发明方案与现有技术二相比的优势在于：本发明综合了对大量人群建模的总体因素上的考虑，对行人群体智能的进行整体管理，提出了群体行为的分层管理结构模型。

本发明方案与现有技术三相比的优势在于：本发明不仅依赖于物理中的势场模型，尤其是综合了个体不具有随时间和环境刺激变化的动机和心理学因素。例如可以实现无明确目标的人群环境如“逛商店”或“无目的闲逛”等人群模型。

本发明方案与现有技术四相比的优势在于：本发明详细考虑了虚拟场景中的群体智能的应用，虚拟场景中，计算机的计算能力和两个Agent之间的通迅能力远远高于机器人，而且虚拟场景中可以剪切掉不在屏幕范围内的Agent，可以极大提高观察较少Agent的真实感。

本发明技术方案的有益效果：

(1)将地理划分一系列相同大小的网格，将各种动态环境参数(如，人群密度)、个体的心理参数(如，不适程度)和物理参数(如，速度)离散化到这些网格中，在每个时间间隔内实时计算每个网格的参数；

(2)提出了基于态势场来驱动的新型群体模拟方式，这种动态势场将全局导航和局部碰撞规避集成到一个框架中；

(3)一种可扩展的环境描述方式，提供了在不同需求下真实地模拟人群运动的可扩展性；

(4)提供开发学习交互规则机制；

(5)让角色可以根据自己的推理引擎模拟自己看到的行为；

(6)让用户接口更易于使用，比如减少一些可能的交互行为的设置而增加预先定义认知模型的参数；

(7)用可视化编程方法的去指定复杂的动作知识；

(8)将全局路径规划和局部碰撞规避统一到了一个优化的框架(Framework)中；

(9)全局规划以基于图技术或静态势场来实现：

(10)首领／跟随者模型，通过只对首领执行全局规划，从而以一种更少的系统开销的方法，来降低了全局规划的开销；

(11)建立共有的全局知识库，代理与全局知识相结合的规划；

(12)  个体具有自身的动机，其动机模型的关键在于个体行为选择的一句是随时间和环境刺激变化的；

(13)  对个体的模拟加入心理学因素，实现拥有不同个性的个体，而其状态转换条件也是不同的。

附图说明

图1是本发明中分层模型结构示意图；

图2是本发明中群体层次关系图；

图3是本发明中自治行人模型图。

具体实施方式

本发明中涉及到的缩略语和关键术语定义：

群体智能swarm intelligence：Sante Fe Institute(SFI)的研究从生物学、经济学、数学、认识论和计算机科学等领域引入了群体智能理论。SFI的一个目的就是开发一套复杂的表示人工自动智能体的自组织计算机模型。SFI的理论学者开发的人工计算机社群群体智能模型基本上是模拟经济系统。这个群体智能模型模拟了生物系统的运行，采用了突发行为的思想去描述相对简单的昆虫的复杂社群交互行为。群体智能模型通过直接的分散规则去管理组群行为。

虚拟现实virtual reality：虚拟现实是利用电脑模拟产生一个三度空间的虚拟世界，提供使用者关于视觉、听觉、触觉等感官的模拟，让使用者如同身历其境一般，可以及时、没有限制地观察三度空间内的事物。VR是一项综合集成技术，涉及计算机图形学、人机交互技术、传感技术、人工智能等领域，它用计算机生成逼真的三维视、听、嗅觉等感觉，使人作为参与者通过适当装置，自然地对虚拟世界进行体验和交互作用。使用者进行位置移动时，电脑可以立即进行复杂的运算，将精确的3D世界影像传回产生临场感。该技术集成了计算机图形(CG)技术、计算机仿真技术、人工智能、传感技术、显示技术、网络并行处理等技术的最新发展成果，是一种由计算机技术辅助生成的高技术模拟系统。

全局路径规划global path planning：全局路径规划技术是智能机器人领域中的核心问题之一，全局路径规划是指在己知环境信息的情况下，在有限条件下规划一条由起点到终点的最优或较优路径。全局路径规划一般包括环境建模和搜索策略。

认知理论cognitive theory：认知是指认识的过程以及对认识过程的分析。美国心理学家吉尔伯特(GA．Gilbert)认为：“认知是一个人‘了解’客观世界时所经历的几个过程的总称。它包括感知、领悟和推理等几个比较独特的过程，这个术语含有意识到的意思。”认知的构造己成为现代教育心理学家试图理解的学生心理的核心问题。  认知派学习理论家认为学习在于内部认知的变化，学习是一个比S—R联结要复杂得多的过程。他们注重解释学习行为的中间过程，即目的、意义等，认为这些过程才是控制学习的可变因素。

群体的知识模型swarm knowledge model：人工生命由具有动机的、感知的、行为的和认知的部分行人模型(也叫个体individual)构成。我们整个模型的创新点都在以上几个部分中。比如在他们的组合中，对完全的多自治行人在城市环境中的模拟产生的一些未知的、复杂的结果。环境可以表示为层次数据结构，这样就有效的支持了对自治行人感知的查询，并能驱动他们的行为反应和维持他们进行局部和全局规划的能力。

在很多情况下，模拟的角色需要群聚移动，而不是个别行动。例如：需要模拟在一片绵羊的牧草地，如果绵羊是一整群在吃草，而不是毫无目的地闲逛，看起来会更真实，或者在一个虚拟现实场景中，有一群鸟会以场景中的其他个体或群体为猎物，同样地，那些鸟如果成群结队猎食，会比单独行动，看起来更真实一点。而这种群聚行为应该可以只经过少量修改甚至不需要修改就可以套用到蜜蜂、老鼠、或海洋生物上。

这些局部地区的动物成群结队移动、吃草或攻击的实例，是在虚拟现实中使用群聚行为的简单例子，同样的，群聚行为并不限于动物，也可以扩展到模拟人类群体行为。例如，在模拟一大群人的移动时使用群体移动行为。在此基础上，可以扩展人类的行为方式甚至心理因素。

个体角色间没有感知、交互能力的虚拟环境总是有缺陷的。因此，需要研究开发一个离散的完整(cornprehensive)群体知识模型作为自治个体(autononous individuals)知识模型，它在人造的大规模环境中有变换各种各样的行为的能力，个体知识建模用了人工生命方法对个体外表、运动、感知、行为、认知的建模。

把大量的自动虚拟个体角色置于一个巨大的虚拟环境之中，这个环境模型包括层次的数据结构，它能有效的实现许多行人之间的交互、快速地在虚拟世界中查询算法和支持角色在局部或全局规模的路径规划。

群体是由个体组成的，因而群体的行为最终都是由个体行为来展现的，这就要求个体有其本身完整的行为规划，本发明研究的系统对群体的个体进行建模，使个体有其行动的动机和对自身行为的选择，在此基础上，在一定程度上加入个体不同的心理因素，使其展现一定的性格，而个体所有的行为都通过物理和图形学的模型来实现，其行为是符合在群体约束的，并且模型中考虑力学的因素，使模拟更真实。

实时群体模拟是困难的，因为一大群人所表现出来的行为极其复杂。一个群体模型不仅包含个体的动作和环境的约束，同时还要解决人与人之间的交互的问题，更进一步，模型必须能够反映出这种变化环境中的智能路径规划，人们不断地调整他们的路径以响应拥塞及其它动态因素，甚至，密集的人群可以通过令人惊讶的碰撞或者个体运动的突然改变被个性化，但这种真实的反应很难模拟出来，特别是在大规模人群实时的环境中。

实际上，以前所有的工作都是基于代理的，也就是说，每个个体的计算都是分别进行的。在这些基于代理(agent-based)实现方法中，需要为群体中的每个个体生成一个代理，由代理来对个体的行为和动作进行规划，一方面没有考虑到群体的整体行为性，另一方面，当群体的数量增加时，由于需要对每个代理进行处理，所以计算量呈指数增长，导致该方法不适合群体众多的实时模拟。为此，本发明提出了在实时群体动画模拟中，以分层次模型的控制方式来对群体进行层次式的运动模拟(见图1、图2、图3所示)。

在这个分层模型中，本发明按群(crowd)，组(group)和虚拟代理(agent)来对群体进行整体划分。其中，虚拟代理是一个具有人特点的对象，组是由一组虚拟代理组成，而群则是一类组的集合。群(crowds)，组(groups)，虚拟代理(agents)就组成了模拟的实体(the entities of the simulation)。意图(Intentions)对应于实体的目的(比如，到银行去)，信念(beliefs)表示实体的内在状态(比如情绪状态)，而知识(knowledge)则用来描述模拟人群的虚拟环境的信息(比如，障碍物的位置)。而人群行为(Crowd behavior) 则对应于一组动作的集合(a set of actions)，这组动作则是根据实体的意图，信念，知识和感觉(perception)来决定的。最后，事件(events)表示引起可以改变组行为(group behaviors)的特定反应的事情。

本发明将整个群体的信息存放在群结构中，然后由群散发到每个组中，再由组分发到每个代理。组的大小在模拟的过程中是可以改变的，在整个组中存在一个组织者(leader)，其他的为参与者(members)。而每个代理不能够显示地进行控制，它的行为需要遵循组的行为。每个代理有可能是组的leader，同时也可以跑到另外一个组去。

此外，本发明提出了对自治的行人模型(虚拟代理)的控制和优化。本发明将自治的行人模型分解为以下4个单元进行管理和控制：外表、动作和动机控制单元；感知单元；行为控制单元；认知控制单元。每个管理控制单元分别从各自的方面主导和协调自治的行人模型。

(1)外表、动作和动机控制单元：通过对自治角色的外表、动作和动机控制，使得不同的行人产生不同的外表，多样化的动作。角色的动机是自治角色的驱动因素，不同的动机可以发出不同的一系列连续动作。

(2)感知单元：自治角色的感知由其周围的环境给定。可分为地面高度感知、静态物体感知、动态物体感知等。

(3)行为控制单元：自治角色的各种行为可反应出该角色的不同动机。这些控制行为的随机性可以展现出丰富的行为内容。行为控制可分为：基本的反应行为控制、导航和动机行为控制、其它的有趣行为控制等。

(4)认知控制单元：这是相对而言比较高层次的控制。为了使角色具有学习周围环境的能力，提供这种认知能力使虚拟场景中的部分角色具有这种分析保存的功能。这对增加场景角色的真实感很有帮助。

本发明主要对于有大量运动智能群体的运动领域的模拟。如学校的上学放学情景，大规模的军队运动，大规模的战争场景，大型运动会的开闭幕式，灾难发生时的人员疏散情况，交通状况等情况的可视化模拟都用可能用到本技术和方案。

Claims (3)

1.一种虚拟场景中的智能群体运动模拟方法，其特征在于：在群体运动模拟中，以分层模型的控制方式来对群体进行层次式的运动模拟。

2.根据权利要求l所述的虚拟场景中的智能群体运动模拟方法，其特征在于：所述分层模型按群，组和虚拟代理来对群体进行整体划分，其中，虚拟代理是一个具有人特点的对象，组是由一组虚拟代理组成，群则是一类组的集合，群，组，虚拟代理组成模拟的实体；意图对应于实体的目的，信念表示实体的内在状态，知识则用来描述模拟人群的虚拟环境的信息，人群行为则对应于一组动作的集合，这组动作则是根据实体的意图，信念，知识和感觉来决定的，事件表示引起可以改变组行为的特定反应的事情；将整个群体的信息存放在群结构中，然后由群散发到每个组中，再由组分发到每个虚拟代理，组的大小在模拟的过程中是可以改变的，在整个组中存在一个组织者，其它的为参与者，每个代理不能够显示地进行控制，它的行为需要遵循组的行为，每个代理有可能是组的参与者，同时也可以跑到另外一个组去。

3.根据权利要求1所述的虚拟场景中的智能群体运动模拟方法，其特征在于：所述虚拟代理为自治的行人模型，将自治的行人模型分解为4个单元进行管理和控制，每个管理控制单元分别从各自的方面主导和协调自治的行人模型，

(1)外表、动作和动机控制单元：通过对自治角色的外表、动作和动机控制，使得不同的行人产生不同的外表，多样化的动作，角色的动机是自治角色的驱动因素，不同的动机可以发出不同的一系列连续动作：

(2)感知单元：自治角色的感知由其周围的环境给定，可分为地面高度感知、静态物体感知、动态物体感知；

(3)行为控制单元：自治角色的各种行为可反应出该角色的不同动机，这些控制行为的随机性可以展现出丰富的行为内容，行为控制可分为：基本的反应行为控制、导航和动机行为控制、其它的有趣行为控制；

4)认知控制单元：为了使角色具有学习周围环境的能力，提供这种认知能力使虚拟场景中的部分角色具有这种分析保存的功能。

Images