CN107256307B - 基于知识导航的人群疏散仿真方法及系统 - Google Patents

基于知识导航的人群疏散仿真方法及系统 Download PDF

Info

Publication number
CN107256307B
CN107256307B CN201710432140.XA CN201710432140A CN107256307B CN 107256307 B CN107256307 B CN 107256307B CN 201710432140 A CN201710432140 A CN 201710432140A CN 107256307 B CN107256307 B CN 107256307B
Authority
CN
China
Prior art keywords
leader
group
module
crowd
knowledge
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
Application number
CN201710432140.XA
Other languages
English (en)
Other versions
CN107256307A (zh
Inventor
刘弘
张桂娟
陆佃杰
刘宝玺
张�浩
秦欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201710432140.XA priority Critical patent/CN107256307B/zh
Publication of CN107256307A publication Critical patent/CN107256307A/zh
Application granted granted Critical
Publication of CN107256307B publication Critical patent/CN107256307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了基于知识导航的人群疏散仿真方法及系统。该方法在仿真服务器内完成，包括构建疏散场景三维模型并获取疏散场景的所有障碍物及出口；将待疏散人群划分成若干个群组，选出每个群组的引领者；构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；引领者将其实时位置经导航agent单元传送至知识管理服务器，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；各群组将导航agent单元给出的下一位置作为目标，把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，返回上一步，直至各群组中无个体。

Description

基于知识导航的人群疏散仿真方法及系统
技术领域
本发明涉及人群疏散计算机仿真领域，尤其涉及一种基于知识导航的人群疏散仿真方法及系统。
背景技术
随着人们生活水平的提高，人们出行的频率逐渐增多，各类公共场所内的行人规模也逐步增大。特别是在早晚高峰通勤、重大节日的大型集会、体育赛事或其他文化公共活动时，设施内的人群往往处于密集和拥挤的状态。当建筑物内的人员密集程度较高时，行人流相互交织、相互挤压，微小的扰动可能致使人群进入不稳定的状态。如果不能及时和有效的控制，很容易导致人群拥挤践踏事故等事故的发生。
计算机仿真技术能够安全有效的对复杂条件下的运动过程进行可视化、重复性的模拟，因此该技术逐渐运用到行人疏散理论的科学研究。突发事件下的人群疏散是一项复杂的系统工程，在实际应用中通常使用疏散实验的方式获取合适的疏散预案。该方式具有针对性强、信息量丰富等特点。然而，由于存在人员安全无法保障、实验投入大等不可避免的问题，计算机仿真成为研究突发事件下人群疏散的最有效的方法。
当突发事件发生时，人们由于对所处的环境不熟悉，加上心理紧张，不知所措，常常没有目标的盲目从众跟随，而由于这种行为，很容易造成疏散通道及出口拥堵，同时有的通道及出口空闲。
而且现有的人群疏散仿真方法中虽然提及了将待疏散人群分为群组，群组内选出疏散引导者，引导者通过导航与知识库交互，获取快速到达出口的知识，但是均适用无障碍物的场景，针对有障碍的场景则不适用，并没有解决在有障碍物的情况下，如何根据拓扑知识及障碍物处的人流信息，动态规划路径，绕行有拥堵的障碍物的问题。
发明内容
为了解决上述问题，本发明提出了一种基于知识导航的人群疏散仿真方法。该方法根据疏散人群所在的位置分组，各组根据位置及其对环境的熟悉程度，选出合适的引领者。引领者通过手持手机导航，把群组所在的位置实时传送给对应的导航agent单元,然后通过导航agent单元，把信息汇集到知识管理服务器。位于知识管理服务器的管理agent单元为各组动态规划路径，并通过导航agent传送给各组的引领者，使各组在引领者的引导下，绕行有拥堵的障碍物，有目标的疏散。该方法能够有效提高公共场所中通道的利用率以及突发事件情况下的人员安全性，有利于设计疏散预案，为真实的疏散演练提供帮助。
本发明的一种基于知识导航的人群疏散仿真方法，该方法在仿真服务器内完成，具体包括：
步骤(1)：构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口；
步骤(2)：将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者；
步骤(3)：构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连；
步骤(4)：引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；
步骤(5)：各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，返回步骤(4)，直至各群组中无个体，结束人群疏散仿真。
Dirk Helbing根据人群行为特征，以牛顿力学为基础建立了社会力模型。社会力是指一个人运动时受到所处环境(包括环境中的人和物)对其施加的力，并非是直接作用在他身上的物理概念的力。社会力模型中依据行人不同的动机和在环境中受到的影响，共有三种作用力的影响：驱动力、人和人之间的作用力以及人和障碍物之间作用力。这些力的合力作用于行人，产生一个加速度。在整个个体行走过程中，以及个体和个体之间始终存在一定的力的作用。例如，驱动力会引导个体朝目标方向前进；在个体身体接触之前，人和人之间的作用力使人群中的个体避免相互碰撞；人和环境之间的作用力使人群中的个体避免与障碍物碰撞。这个阶段可以用经典牛顿第二定律来解释。表达式如下：
其中，表示个体i的运动受到自身驱动力、表示个体i与其他个体之间的作用力、表示个体i与障碍物w之间的作用力、表示扰动力。
在这四种力的共同作用下，个体的位置发生变化。mi为个体i的质量，表示个体i当前的速度，那么个体i的自身驱动力为：
在移动过程中，个体i会不断调整自己当前的实际速度期望以最大速率向着目的地移动。τi是个体i的反应时间，是目的地所在方向。
本实施例中，考虑障碍物的社会力模型为：
个体i与其他个体之间的作用力个体与障碍物之间的作用力以及扰动力与原始的社会力模型相同，唯一不同的是是组内成员与引领者之间的力。
原始的社会力模型的运动方向是从个体i指向目的地所在方向，本实施例中为组内成员i把引领者所在的位置作为运动方向因此保证了群组内的成员跟随引领者移动。
本发明将人群疏散与导航知识相结合，建立了疏散人群与导航agent、知识库之间的有机联系，及时根据疏散现场的动态场景信息调整疏散路径，使人群有组织有目标的疏散，避开有拥堵的障碍物和出口，避免了疏散人群盲目的移动。
进一步的，根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
以人群数据集X＝{xij,i＝1,2,…,N}为例：
其中，N是人群数据集分组数，xij是组i中的第j个个体。
每组根据个体的适应度函数值选出引领者。适应度函数值定义为：
其中，w1和w2分别是个体对环境的熟悉程度的权重和距离出口的位置的权重值,w1+w2＝1。不失一般性，设w1＝0.5，w2＝0.5。k(xij)是个体xij对场景的熟悉程度,d(xij)是xij距离出口的位置,xij是组i中的第j个个体。
各组中具有最高适应度值的个体被选择为引领者。
进一步的，所述导航agent单元包括输入接口模块、通信模块、输出接口模块、目标模块和触发器模块；
所述输入接口模块用于接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理服务器；
所述输出接口模块用于传递引领者的下一个位置至引领者；
所述目标模块用于选择疏散出口并传送至引领者；
所述触发器模块由事件-条件-动作规则组成，当检测到相关的事件发生时，根据条件执行相应的动作，其用于保证与导航agent单元相关的事件发生时，主动执行相应的操作。
进一步的，在所述步骤(4)中，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D*Lite算法，进而为各群组动态规划出到达相应出口的最佳路径。
其中，知识管理agent单元由6个模块组成，即KMA＝(输入接口,公告板,转换器，输出接口,知识更新,触发器)。
输入接口模块：通过通信模块接受由导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息。
公告板模块：公告板实时记录各导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息。
转换器模块：从公告板获取各导航agent传递的引领者的位置信息，以及各障碍物出口处的人群计数信息，执行D*Lite算法，分别为每一个引领者计算出最合适路径的下一个位置，并且通过输出接口传递给导航agent单元。
输出接口模块：把每一个引领者的最合适路径的下一个位置传递给对应的导航agent单元。
知识库更新模块：当每一次疏散完成后，更新知识库中的历史知识。
触发器模块：由事件-条件-动作规则组成。当检测到与此相关的事件发生时，根据条件执行相应的动作。触发器模块保证了与知识库管理agent相关的事件发生时，主动执行相应的操作。
进一步的，各群组动态规划出到达相应出口的最佳路径的具体过程包括：
将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
为以加权的距离+加权的人群流量作为花费值，采用D*Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。
本发明还提供了一种基于知识导航的人群疏散仿真系统。
该系统包括仿真服务器，所述仿真服务器包括：
疏散场景模型构建模块，其用于构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口；
群组划分及领导者选取模块，其用于将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者；
群组与导航agent单元关联模块，其用于构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连；
路径规划模块，其用于引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；
路径执行模块，其用于各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，直至各群组中无个体，结束人群疏散仿真。
进一步的，在所述群组划分及领导者选取模块中，根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
进一步的，所述导航agent单元包括输入接口模块、通信模块、输出接口模块、目标模块和触发器模块；
所述输入接口模块用于接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理服务器；
所述输出接口模块用于传递引领者的下一个位置至引领者；
所述目标模块用于选择疏散出口并传送至引领者；
所述触发器模块由事件-条件-动作规则组成，当检测到相关的事件发生时，根据条件执行相应的动作，其用于保证与导航agent单元相关的事件发生时，主动执行相应的操作。
进一步的，在所述路径规划模块，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D*Lite算法，进而为各群组动态规划出到达相应出口的最佳路径。
进一步的，所述路径规划模块还包括：
加权的距离计算模块，其用于将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
加权的人群流量计算模块，其用于将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
最佳路径计算模块，其用于为以加权的距离+加权的人群流量作为花费值，采用D*Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。
与现有技术相比，本发明的有益效果是：
(1)本发明采用导航agent单元，建立了疏散人群与导航、知识库之间的有机联系，避免了疏散人群盲目的移动。
(2)本发明采用考虑障碍物的社会力模型，可以有效的实现群组移动，大大提高运行效率。人群疏散仿真时，只需要通过导航为每个组的引领个体规划路径，组内其他成员执行改进的社会力模型，以引领者作为目标移动。这就解决了大规模人群疏散计算机仿真系统为每个个体计算路径导致的速度过慢的问题。
(3)本发明采用基于知识的导航，知识管理agent单元从知识管理服务器提取的信息，通过导航agent单元传递给各组的引领者，实现分组有目标的疏散，可以绕行有拥堵的障碍物，选择拥堵较轻的路径及其出口，能够有效提高公共场所中通道的利用率以及突发事件下的人员安全性，有利于设计疏散预案，为真实的疏散演练提供帮助。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明基于知识导航的人群疏散仿真方法流程图。
图2是本发明的具有五个障碍物和一个出口的疏散场景的示意图。
图3是本发明的图2场景对应的动态带权有向拓扑图初始状态的示意图。
图4是本发明的原始的社会力模型中个体i的自身驱动力的示意图。
图5(a)是原始的社会力模型中个体i自身驱动力的运动方向示意图。
图5(b)是本发明的社会力模型中个体i自身驱动力的运动方向示意图。
图6是知识库与导航agent及疏散群体的示意图。
图7是一个初始化后的人群随机分布的情况的示意图。
图8是各群组在引领个体的带领下向出口移动的状况的实施例一。
图9是各群组在引领个体的带领下向出口移动的状况的实施例二。
图10是各群组在引领个体的带领下接近出口状况的示意图。
图11是本发明基于知识导航的人群疏散仿真系统结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明基于知识导航的人群疏散仿真方法流程图。
如图1所示，本发明的一种基于知识导航的人群疏散仿真方法，包括：
本发明的一种基于知识导航的人群疏散仿真方法，该方法在仿真服务器内完成，具体包括：
步骤(1)：构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口。
在具体实施过程中，根据疏散场景参数，构建疏散场景三维模型。
疏散场景参数包括疏散场景形状以及建筑结构信息。在本实施例中，通过疏散场景形状以及建筑结构信息进行提取疏散场景的特征，进而得到疏散场景的三维模型。
根据疏散场景的出口特征，在疏散场景三维模型中能够查询到疏散场景的所有障碍物及其疏散出口。
步骤(2)：将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者。
根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
以人群数据集X＝{xij,i＝1,2,…,N}为例：
其中，N是人群数据集分组数，xij是组i中的第j个个体。
每组根据个体的适应度函数值选出引领者。适应度函数值定义为：
其中，w1和w2分别是个体对环境的熟悉程度的权重和距离出口的位置的权重值,w1+w2＝1。不失一般性，设w1＝0.5，w2＝0.5。k(xij)是个体xij对场景的熟悉程度,d(xij)是xij距离出口的位置,xij是组i中的第j个个体。
各组中具有最高适应度值的个体被选择为引领者。
步骤(3)：构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连。
其中，所述导航agent单元由5个模块组成，即NA＝(输入接口,通信,输出接口,目标,触发器)。
输入接口模块：通过接收函数accept(CurrentX,CurrentY,CurrentZ)接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理agent。
接收函数accept(CurrentX,CurrentY,CurrentZ)的三个参数分别是引领者当前位置的平面坐标及所在的楼层数。
通信模块：负责接受和传递信息。
输出接口模块：通过影响函数influence(NextX,NextY,NextZ)传递引领者的下一个位置。
影响函数influence(NextX,NextY,NextZ)的三个参数分别是引领者下一个位置的平面坐标及所在的楼层数。
目标模块：选择疏散出口。
触发器模块：由事件-条件-动作规则组成。当检测到与此相关的事件发生时，根据条件执行相应的动作。触发器模块保证了与导航agent相关的事件发生时，主动执行相应的操作。
步骤(4)：引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者。
具体地，在所述步骤(4)中，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D*Lite算法，进而为各群组动态规划出到达相应出口的最佳路径。
其中，知识管理agent单元由6个模块组成，即KMA＝(输入接口,公告板,转换器，输出接口,知识更新,触发器)。
输入接口模块：通过通信模块接受由导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息。
公告板模块：公告板实时记录各导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息。
转换器模块：从公告板获取各导航agent传递的引领者的位置信息，以及各障碍物出口处的人群计数信息，执行D*Lite算法，分别为每一个引领者计算出最合适路径的下一个位置，并且通过输出接口传递给导航agent单元。
输出接口模块：把每一个引领者的最合适路径的下一个位置传递给对应的导航agent单元。
知识库更新模块：当每一次疏散完成后，更新知识库中的历史知识。
触发器模块：由事件-条件-动作规则组成。当检测到与此相关的事件发生时，根据条件执行相应的动作。触发器模块保证了与知识库管理agent相关的事件发生时，主动执行相应的操作。
其中，知识库存储于知识库管理服务器内，知识库管理服务器包含三种知识：环境知识，拓扑知识以及历史知识。
环境知识是当前每个引领者的位置以及障碍物、出口处的拥堵信息。
拓扑知识是根据各引领者的位置信息，以及各障碍物出口处的人群计数信息，执行D*lite算法为每个引领者动态规划的路径信息。动态路径规划方法以每个障碍物作为结点，引领者当前位置作为起始结点，出口作为目标结点，各结点之间的连接作为边，以结点之间的距离+人流量作为边的权值，构建出路径规划动态带权有向拓扑图。
图2是本实施例的具有五个障碍物和一个出口的疏散场景。图3是图2场景对应的动态带权有向拓扑图的初始状态。
历史知识是在每次疏散完成时，记录该次疏散执行的路径。
在每个出口及障碍物处配置一个用于统计经过该障碍物及出口的个体数量的计数器。
若引领个体到达相应出口，则相应出口处的计数器加1。
知识库管理agent根据障碍物及出口处的计数器的数值，得到出口的拥挤度；其中，拥堵度等于正常情况下通过相应出口的预设个数与出口相匹配的群组内个体总数的比值。
在步骤(4)的导航规划出引领个体当前位置到达相应出口的最短路径作为最佳路径的具体实施过程中：
动态带权有向拓扑图中各个结点的信息存储到OPEN表中，D*Lite在OPEN表中维护着目标车辆与目的地之间代价最小的路径，保存2个重要的值：
(1)结点vi目前到目的地的最小时间费用g(i)；
(2)评价值h(i)。
其中Next(i)是结点vi的后续结点集合,Cost(i,j)是结点vi到vj的时间费用。.
Cost(i,j)＝w1×d(i,j)+w2×f(i,j)
其中,w1和w2是权重值，w1+w2＝1。不失一般性，我们设w1＝0.5，w2＝0.5。d(i,j)是从结点vi到vj的距离,f(i,j)是结点vj处的拥堵度。
如果f(i,j)＞2或者由于突发事件出现在结点vj处，需要行人选其它路线绕行，则设Cost(i,j)＝∞，这种情况下疏散人群将放弃通过该障碍物，选择其他的路线绕行。
假设结点vi和vj是邻居结点，即结点vi和vj之间有一条边连接。
如果h(i)＝g(i)，则称结点vj是连续结点,否则，称结点vj是非连续结点。对于非连续结点，如果在路径花费值发生变化后，路径上所有的结点仍是连续的，则说明上一次规划后的路径仍是最优路径,相关路段的花费值未受影响，否则，需要重新规划最优路径。
其中，各群组动态规划出到达相应出口的最佳路径的具体过程包括：
将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
为以加权的距离+加权的人群流量作为花费值，采用D*Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。本发明的D*Lite算法：
步骤(5)：各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，返回步骤(4)，直至各群组中无个体，结束人群疏散仿真。
Dirk Helbing根据人群行为特征，以牛顿力学为基础建立了社会力模型。社会力是指一个人运动时受到所处环境(包括环境中的人和物)对其施加的力，并非是直接作用在他身上的物理概念的力。社会力模型中依据行人不同的动机和在环境中受到的影响，共有三种作用力的影响：驱动力、人和人之间的作用力以及人和障碍物之间作用力。这些力的合力作用于行人，产生一个加速度。在整个个体行走过程中，以及个体和个体之间始终存在一定的力的作用。例如，驱动力会引导个体朝目标方向前进；在个体身体接触之前，人和人之间的作用力使人群中的个体避免相互碰撞；人和环境之间的作用力使人群中的个体避免与障碍物碰撞。这个阶段可以用经典牛顿第二定律来解释。表达式如下：
其中，表示个体i的运动受到自身驱动力、表示个体i与其他个体之间的作用力、表示个体i与障碍物w之间的作用力、表示扰动力。
在这四种力的共同作用下，个体的位置发生变化。mi为个体i的质量，表示个体i当前的速度，那么个体i的自身驱动力为：
在移动过程中，个体i会不断调整自己当前的实际速度期望以最大速率向着目的地移动。τi是个体i的反应时间，是目的地所在方向。
本实施例中，考虑障碍物的社会力模型为：
个体i与其他个体之间的作用力个体与障碍物之间的作用力以及扰动力与原始的社会力模型相同，唯一不同的是是组内成员与引领者之间的力。
原始的社会力模型的运动方向是从个体i指向目的地所在方向，本实施例中为组内成员i把引领者所在的位置作为运动方向因此保证了群组内的成员跟随引领者移动。
本发明将人群疏散与导航知识相结合，建立了疏散人群与导航agent、知识库之间的有机联系，及时根据疏散现场的动态场景信息调整疏散路径，使人群有组织有目标的疏散，避开有拥堵的障碍物和出口，避免了疏散人群盲目的移动。
图4是原始的社会力模型中个体i的自身驱动力
图5(a)和图5(b)可看出：本发明的社会力模型与原始的社会力模型中个体i自身驱动力的运动方向的不同。
下面提供一个仿真实施例：
由300个人在300×250的平面区域上进行计算机人群疏散仿真，如图7-图10所示。图6是知识库与导航agent及疏散群体的示意图；图7是一个初始化后的人群随机分布的情况；图8和图9是各群组在引领个体的带领下向出口移动的状况；图10是各群组在引领个体的带领下接近出口状况。由图8、图9和图10可以看出，各组根据离各出口的最短距离及拥堵状况有知识导航引导的疏散，较好的避免了在障碍物及出口处的拥堵。
图11是本发明基于知识导航的人群疏散仿真系统结构示意图。
如图11所示，本发明的基于知识导航的人群疏散仿真系统，包括仿真服务器，所述仿真服务器包括：
(1)疏散场景模型构建模块，其用于构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口。
(2)群组划分及领导者选取模块，其用于将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者；
其中，在所述群组划分及领导者选取模块中，根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
(3)群组与导航agent单元关联模块，其用于构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连；
所述导航agent单元包括输入接口模块、通信模块、输出接口模块、目标模块和触发器模块；
所述输入接口模块用于接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理服务器；
所述输出接口模块用于传递引领者的下一个位置至引领者；
所述目标模块用于选择疏散出口并传送至引领者；
所述触发器模块由事件-条件-动作规则组成，当检测到相关的事件发生时，根据条件执行相应的动作，其用于保证与导航agent单元相关的事件发生时，主动执行相应的操作。
(4)路径规划模块，其用于引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；
在所述路径规划模块，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D*Lite算法，进而为各群组动态规划出到达相应出口的最佳路径。
所述路径规划模块还包括：
加权的距离计算模块，其用于将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
加权的人群流量计算模块，其用于将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
最佳路径计算模块，其用于为以加权的距离+加权的人群流量作为花费值，采用D*Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。
(5)路径执行模块，其用于各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，直至各群组中无个体，结束人群疏散仿真。
本发明采用导航agent单元，建立了疏散人群与导航、知识库之间的有机联系，避免了疏散人群盲目的移动。
本发明采用考虑障碍物的社会力模型，可以有效的实现群组移动，大大提高运行效率。人群疏散仿真时，只需要通过导航为每个组的引领个体规划路径，组内其他成员执行改进的社会力模型，以引领者作为目标移动。这就解决了大规模人群疏散计算机仿真系统为每个个体计算路径导致的速度过慢的问题。
本发明采用基于知识的导航，知识管理agent单元从知识管理服务器提取的信息，通过导航agent单元传递给各组的引领者，实现分组有目标的疏散，可以绕行有拥堵的障碍物，选择拥堵较轻的路径及其出口，能够有效提高公共场所中通道的利用率以及突发事件下的人员安全性，有利于设计疏散预案，为真实的疏散演练提供帮助。
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 (6)

1.一种基于知识导航的人群疏散仿真方法，其特征在于，该方法在仿真服务器内完成，具体包括：
步骤（1）：构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口；
步骤（2）：将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者；
步骤（3）：构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连；
所述导航agent单元包括输入接口模块、通信模块、输出接口模块、目标模块和触发器模块；
所述输入接口模块用于接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理服务器；
所述输出接口模块用于传递引领者的下一个位置至引领者；
所述目标模块用于选择疏散出口并传送至引领者；
所述触发器模块由事件-条件-动作规则组成，当检测到相关的事件发生时，根据条件执行相应的动作，其用于保证与导航agent单元相关的事件发生时，主动执行相应的操作；
步骤（4）：引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；
步骤（5）：各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，返回步骤（4），直至各群组中无个体，结束人群疏散仿真；
在所述步骤（4）中，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D* Lite 算法，进而为各群组动态规划出到达相应出口的最佳路径；
知识管理agent单元由6个模块组成，即：
输入接口模块：通过通信模块接受由导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息；
公告板模块：公告板实时记录各导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息；
转换器模块：从公告板获取各导航agent传递的引领者的位置信息，以及各障碍物出口处的人群计数信息，执行D* Lite算法，分别为每一个引领者计算出最合适路径的下一个位置，并且通过输出接口传递给导航agent单元；
输出接口模块：把每一个引领者的最合适路径的下一个位置传递给对应的导航agent单元；
知识库更新模块：当每一次疏散完成后，更新知识库中的历史知识；
触发器模块：由事件-条件-动作规则组成，当检测到与此相关的事件发生时，根据条件执行相应的动作。
2.如权利要求1所述的基于知识导航的人群疏散仿真方法，其特征在于，在所述步骤（2）中，根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
3.如权利要求1所述的基于知识导航的人群疏散仿真方法，其特征在于，各群组动态规划出到达相应出口的最佳路径的具体过程包括：
将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
为以加权的距离+加权的人群流量作为花费值，采用D* Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。
4.一种基于知识导航的人群疏散仿真系统，其特征在于，该系统包括仿真服务器，所述仿真服务器包括：
疏散场景模型构建模块，其用于构建疏散场景三维模型并获取疏散场景的所有障碍物及疏散出口；
群组划分及领导者选取模块，其用于将待疏散人群划分成若干个群组，根据每个个体的位置及对环境的预设熟悉程度，选出每个群组的引领者；
群组与导航agent单元关联模块，其用于构建群组与导航agent单元的关联关系，每群组的引领者与一个导航agent单元相对应；其中，导航agent单元与知识管理服务器相连；
路径规划模块，其用于引领者将其实时位置经导航agent单元传送至知识管理服务器，知识管理服务器汇集各群组引领者的位置及拥堵的状况，进而为各群组动态规划出到达相应出口的最佳路径，并把引领者的下一位置通过导航agent单元传递给引领者；
路径执行模块，其用于各群组将导航agent单元给出的下一位置作为目标，执行考虑障碍物的社会力模型，并把移动后的引领者位置传递给知识管理服务器：若引领者到达相应出口，则重新选择各群组的引领者，直至各群组中无个体，结束人群疏散仿真；
所述导航agent单元包括输入接口模块、通信模块、输出接口模块、目标模块和触发器模块；
所述输入接口模块用于接收对应的引领者的位置信息，然后通过通信模块传递给知识库管理服务器；
所述输出接口模块用于传递引领者的下一个位置至引领者；
所述目标模块用于选择疏散出口并传送至引领者；
所述触发器模块由事件-条件-动作规则组成，当检测到相关的事件发生时，根据条件执行相应的动作，其用于保证与导航agent单元相关的事件发生时，主动执行相应的操作；
在所述路径规划模块，知识管理服务器汇集各群组引领者的位置及拥堵的状况后，知识管理服务器内的知识管理agent单元根据各群组所在的位置、道路上的障碍物及道路出口的拥堵信息，执行D* Lite 算法，进而为各群组动态规划出到达相应出口的最佳路径；
知识管理agent单元由6个模块组成，即：
输入接口模块：通过通信模块接受由导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息；
公告板模块：公告板实时记录各导航agent单元传递的引领者的位置信息，以及各障碍物出口处的人群计数信息；
转换器模块：从公告板获取各导航agent传递的引领者的位置信息，以及各障碍物出口处的人群计数信息，执行D* Lite算法，分别为每一个引领者计算出最合适路径的下一个位置，并且通过输出接口传递给导航agent单元；
输出接口模块：把每一个引领者的最合适路径的下一个位置传递给对应的导航agent单元；
知识库更新模块：当每一次疏散完成后，更新知识库中的历史知识；
触发器模块：由事件-条件-动作规则组成；当检测到与此相关的事件发生时，根据条件执行相应的动作。
5.如权利要求4所述的一种基于知识导航的人群疏散仿真系统，其特征在于，在所述群组划分及领导者选取模块中，根据个体间关系和距离出口的位置将待疏散人群划分成若干个群组。
6.如权利要求4所述的基于知识导航的人群疏散仿真系统，其特征在于，所述路径规划模块还包括：
加权的距离计算模块，其用于将引领个体的当前位置作为起始点，相应出口作为目标点，将起始点到达目标点的距离乘以第一权值系数，得到加权的距离；
加权的人群流量计算模块，其用于将相应出口的拥挤度乘以第二权值系数，得到加权的人群流量；
最佳路径计算模块，其用于为以加权的距离+加权的人群流量作为花费值，采用D*Lite算法动态获取当前位置到相应出口的最短路径作为最佳路径。
CN201710432140.XA 2017-06-09 2017-06-09 基于知识导航的人群疏散仿真方法及系统 Active CN107256307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710432140.XA CN107256307B (zh) 2017-06-09 2017-06-09 基于知识导航的人群疏散仿真方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710432140.XA CN107256307B (zh) 2017-06-09 2017-06-09 基于知识导航的人群疏散仿真方法及系统

Publications (2)

Publication Number Publication Date
CN107256307A CN107256307A (zh) 2017-10-17
CN107256307B true CN107256307B (zh) 2018-07-24

Family

ID=60024382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710432140.XA Active CN107256307B (zh) 2017-06-09 2017-06-09 基于知识导航的人群疏散仿真方法及系统

Country Status (1)

Country Link
CN (1) CN107256307B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214065B (zh) * 2018-08-14 2019-05-28 山东师范大学 基于多Agent共享Q表的人群疏散仿真方法及系统
CN109086550B (zh) * 2018-08-27 2019-05-28 山东师范大学 基于多Agent共享Q学习的疏散仿真方法及系统
CN109871582A (zh) * 2019-01-11 2019-06-11 山东师范大学 陌生环境中基于知识的人群疏散仿真方法、系统及介质
US11893457B2 (en) 2020-01-15 2024-02-06 International Business Machines Corporation Integrating simulated and real-world data to improve machine learning models
CN111400914A (zh) * 2020-03-17 2020-07-10 山东师范大学 一种基于视域的人群分组及人群疏散仿真系统及方法
CN114782898B (zh) * 2022-05-09 2023-04-07 山东师范大学 基于知识图谱与区域人群密度的人群拥堵预测方法及系统
CN115359568B (zh) * 2022-08-24 2023-06-02 深圳职业技术学院 行人智能体运动与应急疏散的仿真方法及计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279800B (zh) * 2013-01-10 2016-12-28 吉林大学 基于博弈论的大规模人群疏散最优逃生路线生成方法
CN105468801A (zh) * 2014-09-09 2016-04-06 中国科学院深圳先进技术研究院 公共场所人群疏散仿真方法及系统
CN105740514B (zh) * 2016-01-22 2018-08-31 山东师范大学 一种大规模人群疏散计算机仿真系统及其方法
CN105740510B (zh) * 2016-01-22 2018-08-31 山东师范大学 基于网格-密度-关系的疏散人群行为仿真系统及其方法
CN106202751B (zh) * 2016-07-15 2019-03-19 山东师范大学 文化算法与微粒群算法结合的人群疏散仿真方法及系统

Also Published As

Publication number Publication date
CN107256307A (zh) 2017-10-17

Similar Documents

Publication Publication Date Title
CN107256307B (zh) 基于知识导航的人群疏散仿真方法及系统
Zhou et al. Guided crowd evacuation: approaches and challenges
Wang et al. Next road rerouting: A multiagent system for mitigating unexpected urban traffic congestion
CN109086550B (zh) 基于多Agent共享Q学习的疏散仿真方法及系统
CN101572623B (zh) 基于主客观组合评价的网络性能综合评价方法
Wang et al. Improved multi-agent reinforcement learning for path planning-based crowd simulation
CN109818865A (zh) 一种sdn增强路径装箱装置及方法
US11057294B2 (en) Route control method and route setting device
CN111414681B (zh) 基于共享深度强化学习的建筑物内疏散仿真方法及系统
CN109059926A (zh) 跨楼层路径规划方法及系统
Renfrew et al. Traffic signal optimization using ant colony algorithm
CN111611749A (zh) 基于rnn的室内人群疏散自动引导仿真方法及系统
Costanzo et al. Implementing Cyber Physical social Systems for smart cities: A semantic web perspective
CN104022951B (zh) 一种网络服务路径的建立方法及系统
Zhang et al. Agent-based modeling for household level hurricane evacuation
Kabrane et al. Smart cities: Energy consumption in wireless sensor networks for road trafile modeling using simulator SUMO
Hamza-Lup et al. Dynamic plan generation and real-time management techniques for traffic evacuation
Kurihara Traffic-congestion forecasting algorithm based on pheromone communication model
Yu et al. Multi visual GRU based survivable computing power scheduling in metro optical networks
Kour et al. Performance analysis of mobile nodes in mobile ad-hoc networks using enhanced manhattan mobility model
CN109450587A (zh) 频谱整合处理方法、装置以及存储介质
CN112199747A (zh) 基于排队网络的室内人员疏散方法和疏散系统
Ng Routing in wireless sensor network based on soft computing technique
CN104778495A (zh) 基于粒子群算法的贝叶斯网络优化方法
Fujihara et al. Necessary condition for self-organized follow-me evacuation guidance using opportunistic networking

Legal Events

Date Code Title Description
PB01 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