CN106530375B - 一种个性化情绪感染的人群动画生成方法 - Google Patents
一种个性化情绪感染的人群动画生成方法 Download PDFInfo
- Publication number
- CN106530375B CN106530375B CN201610860784.4A CN201610860784A CN106530375B CN 106530375 B CN106530375 B CN 106530375B CN 201610860784 A CN201610860784 A CN 201610860784A CN 106530375 B CN106530375 B CN 106530375B
- Authority
- CN
- China
- Prior art keywords
- individual
- mood
- value
- uninfected
- infected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种个性化情绪感染的人群动画生成方法,具体步骤包括设置场景信息,场景信息包括障碍物位置和无障碍区域,在无障碍区域随机设置个体,所述个体包括未感染情绪个体和已感染情绪个体;设置个体目标位置;初始化设置未感染情绪个体和已感染情绪个体的运动速度及运动方向,运动速度满足最大速度vmax和最大加速度amax的限制,所述vmax≤7m/s,amax≤5m/s2;初始化设置未感染情绪个体的情绪值ea和恐慌值qa、已感染情绪个体的情绪值eb和恐慌值qb;所述ea=0,eb∈(0,1],qa=0,qa<qb;设定固定时间间隔为时间步,在一个时间步内,更新个体的情绪值和运动速度,根据每个时间步的个体情绪值和运动速度,生成人群动画。
Description
技术领域
本发明涉及一种个性化情绪感染的人群动画生成方法。
背景技术
大型公共场所突发事件频发,如何快速、安全的疏散人群是安全领域研究的热点问题。目前传统疏散演练方法不能真实模拟突发事件下的人群疏散。突发事件下的人群疏散中,疏散过程会出现人群情绪相互感染的现象,针对不同个性的人,情绪感染又会受到不同程度影响。模拟情绪因素影响的人群运动,不仅需要考虑情绪感染对运动的影响,还需考虑个体的个性对情绪感染的影响。因此,模拟真实的个性对情绪感染的影响具有很重要的意义,也具有很大的挑战性。目前在情绪感染的研究中,情绪感染模型大都没有考虑个性对情绪感染的影响。
发明内容
本发明为了解决上述问题,提出了一种个性化情绪感染的人群动画生成方法,该方法通过对情绪感染现象的仿真,实现了情绪感染下的人群运动,更为真实地模拟疏散过程中个体的行为,为解决公共安全问题提供了新的解决思路。
为了实现上述目的,本发明采用如下方案:
一种个性化情绪感染的人群动画生成方法,其特征在于,包括:
设置场景信息,场景信息包括障碍物位置和无障碍区域,在无障碍区域随机设置个体,所述个体包括未感染情绪个体和已感染情绪个体;个体之间的距离满足可视距离;所述可视距离小于等于30米;设置个体目标位置;
初始化设置未感染情绪个体和已感染情绪个体的运动速度及运动方向,运动速度满足最大速度vmax和最大加速度amax的限制,所述vmax≤7m/s,amax≤5m/s2;
初始化设置未感染情绪个体的情绪值ea和恐慌值qa、已感染情绪个体的情绪值eb和恐慌值qb;所述ea=0,eb∈(0,1],qa=0,qa<qb;
设定固定时间间隔为时间步,在一个时间步内,计算以未感染情绪个体为圆心,可视距离为半径的区域内所有个体的恐慌值总和,作为所述圆心处的未感染情绪个体的恐慌值积累量Q,根据所述恐慌值积累量Q更新所述圆心处的未感染情绪个体的情绪值ea;
设定固定时间间隔为时间步,在一个时间步内,根据个体的情绪值更新个体的运动速度;
根据每个时间步的个体情绪值和运动速度,生成人群动画;人群动画的停止时刻为个体运动到所述个体目标位置处。
根据所述恐慌值积累量Q更新所述圆心处的未感染情绪个体的情绪值ea的具体方法为:设置未感染情绪个体的情绪阈值T,若Q≥T,则未感染情绪个体更新为已感染情绪个体,所述情绪值ea更新为eb;若Q<T,则所述圆心处的未感染情绪个体的情绪值ea不变;所述未感染情绪个体的情绪阈值T满足对数正态分布函数。
将所有个体分为保守型个体、稳健性个体和激进型个体;在Q≥T的情况下,若所述圆心处的未感染情绪个体为保守型个体,则更新后情绪值eb的范围为eb∈(0,e1],若所述圆心处的未感染情绪个体为稳健性个体,则更新后情绪值eb的范围为eb∈(e1,e2],若所述圆心处的未感染情绪个体为激进型个体,则更新后情绪值eb的范围为eb∈(e2,1];其中e1<e2。
设置情绪感知因子p,p∈[0,1];并设置保守型个体的p∈[0,P1],稳健性个体的p∈(P1,P2],激进型个体的p∈(P2,1];其中P1<P2,通过设置P1和P2的值,调节不同个体的人数比例。
根据个体的情绪值更新个体的运动速度的具体方法为:设置个体期望速度vpref,个体期望速度vpref随着所述个体情绪值的增大而增大,且vpref≤7m/s;设置个体期望碰撞时间,根据个体期望速度vpref和个体期望碰撞时间更新个体的运动速度。
为个体的期望碰撞时间设置用户自定义的权重值,并根据用户自定义的权重值下的个体的期望碰撞时间和个体期望速度vpref,计算得到个体的惩罚度量,根据个体惩罚度量的最小值确定个体运动速度。
所述已感染情绪个体的恐慌值满足对数正态分布函数。
所述无障碍区域为绕过障碍物的拓扑图结构,所述拓扑图由顶点和边组成。
设置未感染情绪个体设置邻居变量,记录以未感染情绪个体为圆心,可视距离为半径的区域内已感染情绪个体的数量;所述数量越大代表所述圆心处未感染情绪个体被感染的可能性越大。
本发明的有益效果:
(1)建立基于个性的情绪感染模型,将不同个性的个体与情绪感染相结合,更加贴近真实的疏散情况。
(2)将基于个性的情绪感染模型与人群运动耦合,通过真实感渲染得到预期人群动画效果。该方法能够更加真实地模拟情绪感染下的人群运动,提高疏散效率,为解决公共安全问题提供了新的解决思路。
附图说明
图1为本发明简化的流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
如图1所示为本发明简化的流程图,其中
场景初始化:场景为roadmap图,场景信息分为障碍物和无障碍区域,无障碍区域表示为图(Graph)结构,表示的是绕过障碍物的拓扑图。该拓扑图由顶点和边组成G=(V,E)。其中V表示顶点的集合,E表示边的集合,每条边e(v1,v2)∈E,其中顶点v1和顶点v2是边e的两个端点。Roadmap的边是连接顶点的,将任意两个距离为r的顶点连接,同时在连接时要保证两个顶点之间的连线不经过任何障碍物。
个体位置的初始化:综合考虑场景信息和障碍物信息,把个体随机初始化在场景范围内并避开所有的障碍物。
设置个体目标位置:如果个体到达目标位置,个体将停止运动。
情绪初始化:将个体的情绪分为已感染和未感染两种状态。未感染情绪的个体具有{e,q,Q,T}四个变量。其中e是个体的情绪值,其取值范围为e∈[0,1];q是个体的恐慌量,通过对数正态分布函数获得;Q是个体的恐慌累积量,可通过q的累加获得;T是个体的情绪阈值,也是通过对数正态分布函数获得。
对未感染个体的情绪初始化具体指标:e=0;q=0;Q=0;利用μT和并根据公式(1)计算T。
其中,μT和分别表示期望和方差,ln-N是一个以e为底的对数正态分布函数,即对数为正态分布的任意随机变量的概率分布。对数正态分布的概率密度函数为
T为符合对数正态分布的随机变量。具体的,为了获取随机数T的值,首先产生均匀分布的随机点,如果产生的点落在概率密度曲线f(T;μ,σ)的下方,则保留这些点;否则去除这些点。被保留下来的点的横坐标就服从对数正态分布。在计算T时,我们令μT=2,
已感染情绪的个体具有{e、q、T}三个变量。其中e是个体的情绪值,其取值范围为e∈[0,1];q是个体的恐慌量,通过对数正态分布函数获得;T是个体的情绪阈值,也是通过对数正态分布函数获得。
对已感染个体的情绪初始化具体指标:e∈[0,1];利用μT和并根据公式(3)计算T,利用μq和并根据公式(3)计算q;
其中,μq和分别表示期望和方差,ln-N是一个对数正态分布函数,q通过对数正态分布函数计算可得,其计算过程与T的计算过程相同。在计算q时,我们令μq=0.5,
为所有个体设置情绪感知因子p,p∈[0,1];并设置保守型个体的p∈[0,P1],稳健性个体的p∈(P1,P2],激进型个体的p∈(P2,1];其中P1<P2,通过设置P1和P2的值,调节不同个体的人数比例。
P的值 | 个性分类 | 个性特质 | e的值 | 情绪状态 |
[0,p<sub>1</sub>] | 保守型 | 冷静、谨慎 | (0,0.4] | 轻度恐慌 |
(p<sub>1</sub>,p<sub>2</sub>] | 稳健型 | 随和、较冷静 | (0.4,0.8] | 中度恐慌 |
(p<sub>2</sub>,1.0] | 激进型 | 冲动、敏感 | (0.8,1.0] | 极度恐慌 |
人群运动参数初始化:初始化参数包括vpref、vmax和amax。其中,vpref是个体的期望速度,vmax和amax分别是是个体的最大速度和个体的最大加速度,是用户自定义的权重值。
利用最大速度vmax和最大加速度amax根据限制个体运动速度,得到候选速度集合AV;
AVi(Vi)={Vi′||Vi′||<Vi max∩||Vi′-Vi||<amaxΔt} (4)
其中,AVi表示个体的所有候选速度集合,所有符合条件的速度都属于AVi。在公式(4)中,候选速度集合AVi(Vi)由所有满足条件||Vi′||<Vi max∩||Vi′-Vi||<amaxΔt的候选速度Vi′组成。这里,候选速度Vi′是个体下一时刻的新速度,Vi是个体当前的速度,t表示运动时间步,||||代表向量的模,|代表集合中的候选速度所需要满足的条件。在公式(4)中,候选速度Vi′受最大速度以及最大加速度的限制,||Vi′||是候选速度Vi′的大小,为向量Vi′的模,||Vi′||<Vi max表示候选速度值不能超过个体的最大速度值,||Vi′-Vi||<amaxΔt是由速度公式vt+1=vt+at得到,即个体的候选速度也受最大加速度的限制。
下面进入情绪感染计算过程:
设置固定时间间隔为时间步,在每一个时间步内对个体的情绪值和运动速度进行计算。其中对个体情绪值的计算具体过程为:
(1)已感染情绪个体的情绪值始终不变;
(2)未感染情绪个体的情绪值根据下面的方法进行计算:
利用个体之间的距离dis计算上个时间步内个体邻居数量k:如果dis<R,则两个体成为邻居;R为可视距离,其值小于等于30米。
还可以设置未感染情绪个体设置邻居变量,记录以未感染情绪个体为圆心,可视距离为半径的区域内已感染情绪个体的数量;所述数量越大代表所述圆心处未感染情绪个体被感染的可能性越大。
利用上述邻居个体数量及其恐慌量q根据公式(5)更新未感染情绪个体的恐慌积累量Q;
在这里,t表示运动时间步;i表示个体,j表示个体i的邻居,k为个体i的邻居个数。
如果Q>=T,说明个体被感染,情绪值更新为eb:
(a)如果个体是保守型,情绪值eb=rand(0,0.4];
(b)如果个体是稳健型,情绪值eb=rand(0,0.8];
(c)如果个体是激进型,情绪值eb=rand(0.8,1];
个性分类 | e的值 | 情绪状态 |
保守型 | (0,0.4] | 轻度恐慌 |
稳健型 | (0.4,0.8] | 中度恐慌 |
激进型 | (0.8,1.0] | 极度恐慌 |
如果Q<T,则ea=0;即未感染个体没有被感染。
对个体运动速度的计算具体过程为:
如果是未感染情绪个体,则期望速度不变;如果是已感染情绪个体,则利用情绪值eb根据公式(6)和公式(7)更新||vpref||;
Vi pref(ei)=(1+ei)Vi pref (6)
||Vi pref(ei)||<=Vi max (7)
其中情绪值eb过改变期望速度值Vi pref来改变人群的运动速度。
利用期望速度vpref根据公式(8)更新得到下一时刻的速度vt+1。
其中,penaltyi是个体i的惩罚度量,是用户自定义的权重值,tci′(Vi′)是期望碰撞时间。在公式(8)中,期望碰撞时间tci′(Vi′)计算方法如下:给定候选速度Vi′,由于个体i的邻居个体j(以个体i为圆心,以个体的可视域R为半径内的所有个体)的速度为Vj,可计算个体i与任意邻居个体j产生碰撞的时间。这些碰撞时间中的最小时间即为个体i的期望碰撞时间tci′(Vi′)。显然,如果个体i和所有邻居个体不产生碰撞,期望碰撞时间为无穷大值,则其惩罚度量最小;否则,个体i与其邻居个体产生碰撞的时间越短,期望碰撞时间越小,则其惩罚度量越大,从而影响该候选速度Vi′的选择。个体的penaltyi是由期望速度与候选速度的绝对偏差以及期望避障时间共同决定,而下一时刻的新速度就是使公式(8)误差值最小的速度。
最后,如果个体没有到达目标位置,则根据当前个体位置及对应的邻居个体的情绪更新情绪和速度。否则,如果个体到达目标位置,个体将停止运动并且不再参与此次计算。
仿真系统是基于XNA技术开发的跨平台仿真系统,三维实时真实感渲染平台以MS.NETFramework 4.0、XNA 4.0为平台。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种个性化情绪感染的人群动画生成方法,其特征在于,包括:
设置场景信息,场景信息包括障碍物位置和无障碍区域,在无障碍区域随机设置个体,所述个体包括未感染情绪个体和已感染情绪个体;个体之间的距离满足可视距离;所述可视距离小于等于30米;设置个体目标位置;
初始化设置未感染情绪个体和已感染情绪个体的运动速度及运动方向,运动速度满足最大速度vmax和最大加速度amax的限制,所述vmax≤7m/s,amax≤5m/s2;
初始化设置未感染情绪个体的情绪值ea和恐慌值qa、已感染情绪个体的情绪值eb和恐慌值qb;所述ea=0,eb∈(0,1],qa=0,qa<qb;
设定固定时间间隔为时间步,在一个时间步内,计算以未感染情绪个体为圆心,可视距离为半径的区域内所有个体的恐慌值总和,作为所述圆心处的未感染情绪个体的恐慌值积累量Q,根据所述恐慌值积累量Q更新所述圆心处的未感染情绪个体的情绪值ea;
并在一个时间步内,根据个体的情绪值更新个体的运动速度;根据个体的情绪值更新个体的运动速度的具体方法为:设置个体期望速度vpref,个体期望速度vpref随着所述个体情绪值的增大而增大,且vpref≤7m/s;设置个体期望碰撞时间,根据个体期望速度vpref和个体期望碰撞时间更新个体的运动速度;
根据每个时间步的个体情绪值和运动速度,生成人群动画;人群动画的停止时刻为个体运动到所述个体目标位置处。
2.根据权利要求1所述的方法,其特征在于:根据所述恐慌值积累量Q更新所述圆心处的未感染情绪个体的情绪值ea的具体方法为:设置未感染情绪个体的情绪阈值T,若Q≥T,则未感染情绪个体更新为已感染情绪个体,所述情绪值ea更新为eb;若Q<T,则所述圆心处的未感染情绪个体的情绪值ea不变;所述未感染情绪个体的情绪阈值T满足对数正态分布函数。
3.根据权利要求2所述的方法,其特征在于:将所有个体分为保守型个体、稳健性个体和激进型个体;在Q≥T的情况下,若所述圆心处的未感染情绪个体为保守型个体,则更新后情绪值eb的范围为eb∈(0,e1],若所述圆心处的未感染情绪个体为稳健性个体,则更新后情绪值eb的范围为eb∈(e1,e2],若所述圆心处的未感染情绪个体为激进型个体,则更新后情绪值eb的范围为eb∈(e2,1];其中e1<e2。
4.根据权利要求3所述的方法,其特征在于:设置情绪感知因子p,p∈[0,1];并设置保守型个体的p∈[0,P1],稳健性个体的p∈(P1,P2],激进型个体的p∈(P2,1];其中P1<P2,通过设置P1和P2的值,调节不同个体的人数比例。
5.根据权利要求4所述的方法,其特征在于:为个体的期望碰撞时间设置用户自定义的权重值,并根据用户自定义的权重值下的个体的期望碰撞时间和个体期望速度vpref,计算得到个体的惩罚度量,根据个体惩罚度量的最小值确定个体运动速度。
6.根据权利要求1所述的方法,其特征在于:所述已感染情绪个体的恐慌值满足对数正态分布函数。
7.根据权利要求1所述的方法,其特征在于:所述无障碍区域为绕过障碍物的拓扑图结构,所述拓扑图由顶点和边组成。
8.根据权利要求1所述的方法,其特征在于:设置未感染情绪个体设置邻居变量,记录以未感染情绪个体为圆心,可视距离为半径的区域内已感染情绪个体的数量;所述数量越大代表所述圆心处未感染情绪个体被感染的可能性越大。
9.根据权利要求2所述的方法,其特征在于:所述未感染情绪个体的情绪阈值T满足期望为2,方差为7的对数正态分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610860784.4A CN106530375B (zh) | 2016-09-28 | 2016-09-28 | 一种个性化情绪感染的人群动画生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610860784.4A CN106530375B (zh) | 2016-09-28 | 2016-09-28 | 一种个性化情绪感染的人群动画生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530375A CN106530375A (zh) | 2017-03-22 |
CN106530375B true CN106530375B (zh) | 2019-03-29 |
Family
ID=58344426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610860784.4A Active CN106530375B (zh) | 2016-09-28 | 2016-09-28 | 一种个性化情绪感染的人群动画生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530375B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665269B (zh) * | 2017-08-11 | 2021-01-08 | 山东师范大学 | 基于地理信息的快速人群疏散仿真方法和装置 |
CN107665282B (zh) * | 2017-10-11 | 2021-06-25 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
CN109697683B (zh) * | 2017-10-23 | 2023-05-02 | 郑州大学 | 一种危险源下的疏散方法及系统 |
CN108153945A (zh) * | 2017-12-11 | 2018-06-12 | 中山大学 | 一种基于多Agent的人群疏散仿真模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111976A (zh) * | 2014-06-24 | 2014-10-22 | 海南凯迪网络资讯有限公司 | 网络言论情绪态度定位方法及装置 |
CN104584017A (zh) * | 2012-08-16 | 2015-04-29 | 金格输入输出有限公司 | 用于对行为和健康变化进行建模的方法 |
CN104732203A (zh) * | 2015-03-05 | 2015-06-24 | 中国科学院软件研究所 | 一种基于视频信息的情绪识别与跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9410816B2 (en) * | 2014-05-07 | 2016-08-09 | Yahoo! Inc. | System and method for recommending pleasant routes from the sentiment of geo-tagged photographs |
US10572679B2 (en) * | 2015-01-29 | 2020-02-25 | Affectomatics Ltd. | Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response |
-
2016
- 2016-09-28 CN CN201610860784.4A patent/CN106530375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104584017A (zh) * | 2012-08-16 | 2015-04-29 | 金格输入输出有限公司 | 用于对行为和健康变化进行建模的方法 |
CN104111976A (zh) * | 2014-06-24 | 2014-10-22 | 海南凯迪网络资讯有限公司 | 网络言论情绪态度定位方法及装置 |
CN104732203A (zh) * | 2015-03-05 | 2015-06-24 | 中国科学院软件研究所 | 一种基于视频信息的情绪识别与跟踪方法 |
Non-Patent Citations (3)
Title |
---|
Reciprocal Velocity Obstacles for real-time multi-agent navigation;Jur van den Berg 等;《2008 IEEE International Conference on Robotics and Automation》;20080613;全文 |
人群拥挤事件中的一种情绪感染仿真模型研究;刘箴;《计算机研究与发展》;20131231;第50卷(第12期);第2580-2586页 |
虚拟人群行为建模及仿真技术研究;孙立博;《中国博士学位论文全文数据库 信息科技辑》;20120715(第7期);论文正文第58-60页 |
Also Published As
Publication number | Publication date |
---|---|
CN106530375A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530375B (zh) | 一种个性化情绪感染的人群动画生成方法 | |
CN107665282A (zh) | 基于异构情绪感染模型的人群疏散仿真方法及系统 | |
CN108230817A (zh) | 车辆驾驶模拟方法和装置、电子设备、系统、程序和介质 | |
Jiang et al. | Fuzzy clustering approach for accurate embedding dimension identification in chaotic time series | |
US20090325694A1 (en) | Macroscopic quantum effects for computer games | |
CN108428243A (zh) | 一种基于人工神经网络的行人运动速度预测方法 | |
CN105550484A (zh) | 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 | |
CN107679306B (zh) | 视频驱动的人群疏散行为仿真方法及系统 | |
CN114168796B (zh) | 一种建立飞行器高空气动力数据库的方法 | |
CN102915552A (zh) | 一种可控的火焰动画生成方法及其系统 | |
CN109543285A (zh) | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 | |
CN104778737B (zh) | 基于gpu的大规模落叶实时渲染方法 | |
CN109740192B (zh) | 基于阿诺德情绪模型的人群疏散仿真方法及系统 | |
CN103839287A (zh) | 一种用湍流方程丰富火焰模拟细节的方法 | |
Morrison | The physics of frisbees | |
CN108170995A (zh) | 一种行人运动仿真方法及系统 | |
CN101655712B (zh) | 移动机器人群集控制方法 | |
Kyriazis et al. | Binding vision to physics based simulation: The case study of a bouncing ball | |
CN114692285A (zh) | 近地面超声速橇箭分离的方法、装置、设备以及存储介质 | |
Sun et al. | Intelligent maneuvering decision system for computer generated forces using predictive fuzzy inference system | |
CN109948167A (zh) | 一种改进元胞自动机的人员疏散模型方法 | |
JP6561013B2 (ja) | マルチエージェントシミュレーション装置、マルチエージェントシミュレーション方法、及びマルチエージェントシミュレーションプログラム | |
CN114492208B (zh) | 基于神经网络的粒子系统与面几何模型碰撞受力计算方法 | |
Ishii et al. | A learning algorithm for the simulation of pedestrian flow by cellular automata | |
Mohamad et al. | Intelligent agent simulator in massive crowd |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |