CN107423480A - 一种人群运动仿真方法及系统 - Google Patents

Abstract

本发明公开了一种人群运动仿真方法及系统，其该方法在仿真服务器内完成，其具体过程包括：接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；利用多影响因子的K‑Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；对运动路径进行渲染并实时展示仿真效果。

Description

一种人群运动仿真方法及系统

技术领域

本发明属于人群仿真领域，尤其涉及一种人群运动仿真方法及系统。

背景技术

在人群密集型的大型公共场所中，例如：广场、校园、商场等发生拥挤、踩踏事故造成人员的伤亡的事故越来越频繁，人员的安全问题凸显。分析这类问题产生的原因主要有：

(1)事故发生前没有对场所中可能存在的隐患进行排查，也没有对人群可能出现的拥挤情况进行预测；

(2)事故发生后没有对人群采用科学有效的疏散引导行为。这类公共安全问题引起了人们的恐慌，造成了大量的财产损失，也严重干扰了城市的发展步伐。

采用计算机仿真技术模拟研究人群的群组行为，减少了对人力、物力的消耗，保障了人员的安全，为解决公共安全问题提供了有效途径。对人群进行疏散仿真的重要价值在于通过模拟人群在疏散过程中的行为特征和运动规律，研究人员可以预先对公共场所存在的风险进行评估，制定出相应的应急疏散预案，同时为建筑设计者提供科学的指导，预防和减少灾难发生时人员的伤亡。

聚类是对大量样本数据进行归类的一种多元设计方法，依据对象的特征把相似度高的对象分为一类。人群分组就是根据特征将人群归为不同的组，因此聚类在人群分组中具有非常重要的意义。Kaufman于1987年提出K-Medoids算法。K-Medoids算法属于数值聚类算法，通过计算类簇中除聚类中心外的每点到其他所有点的聚类的最小值来优化新的聚类中心。

人的社会属性决定了在行人流中存在同伴群，同伴群成员间会产生一定的运动结构和运动关系，并且关系的亲密程度会对成员的运动产生影响。通过分析行人活动的轨迹，Moussaid等人将组成员间的相互作用力引入社会模型，产生同伴群社会力模型。在同伴群模型中考虑了三个方面因素的影响：行人的视觉场的影响、群组中心的影响以及群组成员间的排斥的影响。同伴群成员间的受力可以用三个力来描述：

(1)同伴群成员视觉力：表现出行人与群体内部其他成员交流的动机。为了增强群组内部成员进行视觉语言交流的能力，成员通过视觉力不断改变自身的位置。

(2)同伴群成员聚合力：体现了同伴群成员渴望不偏离所属同伴群中心的愿望，可以对朋友和陌生人进行区分。

(3)同伴群成员间排斥力：为保持相联系的同伴群成员提供了一定的空间，来保证自身的安全性以及舒适性。

由于现有的人群仿真方法中，采用的是普通聚类算法来划分人群，但是这样导致划分因子的单一性，使得人群分类结果的不准确性，进而影响了人群仿真的准确性。

发明内容

为了解决现有技术的不足，本发明提供了一种人群运动仿真方法。

本发明依据人群的特性，结合聚类算法和社会力模型，建立一种基于关系和距离的人群分组模型。为了实现人群分组的目标，利用聚类算法依据个体信息对个体进行聚类。考虑到普通聚类算法划分因子的单一性，本发明利用一种多影响因子的K-Medoids算法，依据个体信息中包含的距离和亲密度这两种因素对个体进行聚类，确定每个个体所归属的分组。对分组后的群体利用基于亲缘关系强弱的同伴群社会力模型实现人群运动。采用这种方法降低了单一因子聚类算法分类结果的不准确性，现出了行人在运动过程中的群组行为。理论成熟简单易行，更加真实、生动的模拟了群体运动。

本发明的一种人群运动仿真方法，该方法在仿真服务器内完成，其具体过程包括：

接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；

利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；

将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；

对运动路径进行渲染并实时展示仿真效果。

进一步的，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

其中，本发明利用Maya来设计场景模型。除了Maya之外，还可以采用其他软件来设计。

进一步的，人群个体信息包括个体坐标和关系值。

进一步的，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径的具体过程为：

分别计算个体的同伴群视觉力和同伴群归属力；

将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

进一步的，同伴群成员i受到的同伴群群组力的数学表达式为：

其中，个体视觉力表达式为：

个体归属力表达式为：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为同伴群组心C_i；ω为个体i的注视方向和i到同伴群组心C_i连线的夹角；

β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。

本发明还提供了一种人群运动仿真系统。

其中，该人群运动仿真系统，包括仿真服务器，所述仿真服务器包括：

信息接收模块，其用于接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；

人群分组模块，其用于利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；

运动路径求取模块，其用于将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；

渲染及展示模块，其用于对运动路径进行渲染并实时展示仿真效果。

进一步的，在所述信息接收模块中，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

进一步的，在所述信息接收模块中，人群个体信息包括个体坐标和关系值。

进一步的，所述运动路径求取模块包括：

同伴群视觉力和同伴群归属力计算模块，其用于分别计算个体的同伴群视觉力和同伴群归属力；

个体运动求取模块，其用于将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

进一步的，同伴群成员i受到的同伴群群组力的数学表达式为：

其中，个体视觉力表达式为：

个体归属力表达式为：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为同伴群组心C_i；ω为个体i的注视方向和i到同伴群组心C_i连线的夹角；

β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。

与现有技术相比，本发明的有益效果是：

(1)针对基于关系和距离的人群分组模型，考虑到传统聚类算法划分因子的单一性，结合人群具有的群组特点，提出一种多影响因子的K-Medoids算法，处理个体信息时依据距离和亲密度对个体进行分组，采用这种聚类算法降低了单一因子聚类算法分类结果的不准确性，理论成熟简单易行。

(2)本发明利用基于亲缘关系强弱的行人同伴群社会力模型实现了具有亲密社会关系的个体在疏散过程中相互聚集。利用一个亲缘系数来反映疏散过程中群组内个体之间关系的强弱，考虑关系强弱对模型中同伴群归属力的影响。提高了群体的疏散效率，展现出真实、生动的人群疏散仿真运动。

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是本发明的人群运动仿真方法流程图；

图2是同伴群成员转角示意图；

图3是人群在场景中初始化的示意图；

图4是人群在场景中运动过程示意图；

图5是人群在场景中运动到出口附近时的示意图；

图6是人群在场景中出现群组现象的效果图；

图7是本发明的人群运动仿真系统的结构示意图。

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是本发明的一种人群运动仿真方法的流程图。

如图1所示，本发明的一种人群运动仿真方法，该方法在仿真服务器内完成，其具体过程包括：

步骤(1)：接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化。

其中，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

本发明利用Maya来设计场景模型。除了Maya之外，还可以采用其他软件来设计。

本发明的人群个体信息包括个体坐标和关系值。

步骤(2)：利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况。

其中，步骤(2)的具体过程为：

输入：聚类个数k，以及包含n个数据对象的数据集；输出：满足方差最小标准的k(k＜n)个聚类对象；

约束：(1)每个簇类至少含有一个数据对象；(2)每个数据对象必须属于且只属于一个类；主要算法流程包括：

1.选取前k个个体作为簇心(o₁,o₂,...o_i,...o_k)，令n为个体的个数；

2.利用公式(1)计算剩余个体到k个簇心的相异度dif，将余下的个体分类到相异度最小的簇中；

3.对于每个簇，利用公式(2)(3)(4)产生一个虚拟簇心o_v；

4.利用公式(1)计算簇内到虚拟簇心的相异度dif(o_v,p_i)(p_i∈Cluster_m,1≤m≤k),选min(dif(o_v,p_i))，p_i作为新的簇心；

5.所有对象分配完成后，计算差异度

6.判断差异度是否收敛，如果收敛返回c₁,c₂,c₃,...,c_k转5，否则修改簇心c_k，将每个c_k移动到其标明的类的中心返回2重复迭代。

步骤(3)：将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径。

在步骤(3)中，基于群组关系的同伴群模型。同伴群成员i受到群组力的数学表达式，见公式(5)：

个体视觉力表达式，见公式(6)：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为组心C_i。公式(7)定义了个体受视觉力的分段函数：

其中，ω为个体i的注视方向和i到同伴群组心C_i连线的夹角，若表明C_i未在行人i的视觉范围内，i受到同伴群视觉力的作用。若表明C_i在行人i的视觉范围内，i不受同伴群视觉力的作用。同伴群成员转角见图(2)。

个体归属力表达式，见公式(8)：

其中，β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。定义在真实场景中个体关系越亲密，个体间关系权重值越大，为了方便描述我们将个体间的关系抽象成为五种关系类型，关系值的量化如下：

f(d_ic,d_th)为分段函数，其表达式如公式(9)所示：

其中，d_ic为行人i到C_i的距离，阈值n为群内个体数。

个体受力，见公式(10)：

根据自身的受力情况群组中的个体个体利用公式(10)计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

步骤(4)：对运动路径进行渲染并实时展示仿真效果。

下面提供一个仿真实施例：

图3是初始化效果图，同一组个体被初始化在一定范围的区域内。图4是群体运动过程效果图，在整个运动过程中相同衣服颜色和样式的个体在渐渐的聚集，同时衣服、帽子的颜色和样式都相同的个体也呈现聚集趋势。图5是人群在场景中运动到出口附近时的示意图，图6是人群在场景中出现群组现象的效果图。因为具有亲属关系的个体与具有其他类型关系个体相比，个体间的关系值大，个体间受到的吸引力大，所以具有亲属关系个体间的聚合速度大于具有其他类型关系个体间的聚合速度。仿真实验效果较好的模拟了群组现象，群组内成员的聚集程度更高。

图7是本发明的人群运动仿真系统的结构示意图。

如图7所示，本发明的人群运动仿真系统，包括仿真服务器，所述仿真服务器包括：

(1)信息接收模块，其用于接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化。

其中，在所述信息接收模块中，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

在所述信息接收模块中，人群个体信息包括个体坐标和关系值。

(2)人群分组模块，其用于利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况。

(3)运动路径求取模块，其用于将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径。

其中，所述运动路径求取模块包括：

同伴群视觉力和同伴群归属力计算模块，其用于分别计算个体的同伴群视觉力和同伴群归属力；

个体运动求取模块，其用于将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

具体地，同伴群成员i受到的同伴群群组力的数学表达式为：

其中，个体视觉力表达式为：

个体归属力表达式为：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为同伴群组心C_i；ω为个体i的注视方向和i到同伴群组心C_i连线的夹角；

β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。

(4)渲染及展示模块，其用于对运动路径进行渲染并实时展示仿真效果。

针对基于关系和距离的人群分组模型，考虑到传统聚类算法划分因子的单一性，结合人群具有的群组特点，提出一种多影响因子的K-Medoids算法，处理个体信息时依据距离和亲密度对个体进行分组，采用这种聚类算法降低了单一因子聚类算法分类结果的不准确性，理论成熟简单易行。

本发明利用基于亲缘关系强弱的行人同伴群社会力模型实现了具有亲密社会关系的个体在疏散过程中相互聚集。利用一个亲缘系数来反映疏散过程中群组内个体之间关系的强弱，考虑关系强弱对模型中同伴群归属力的影响。提高了群体的疏散效率，展现出真实、生动的人群疏散仿真运动。

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 (10)

1.一种人群运动仿真方法，其特征在于，该方法在仿真服务器内完成，其具体过程包括：

接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；

利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；

将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；

对运动路径进行渲染并实时展示仿真效果。

2.如权利要求1所述的人群运动仿真方法，其特征在于，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

3.如权利要求1所述的人群运动仿真方法，其特征在于，人群个体信息包括个体坐标和关系值。

4.如权利要求1所述的人群运动仿真方法，其特征在于，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径的具体过程为：

分别计算个体的同伴群视觉力和同伴群归属力；

将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

5.如权利要求4所述的人群运动仿真方法，其特征在于，同伴群成员i受到的同伴群群组力的数学表达式为：

<mrow> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>o</mi> <mi>u</mi> <mi>p</mi> </mrow> </msubsup> <mo>=</mo> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>v</mi> <mi>i</mi> <mi>s</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msubsup> </mrow>

其中，个体视觉力表达式为：

个体归属力表达式为：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为同伴群组心C_i；ω为个体i的注视方向和i到同伴群组心C_i连线的夹角；

β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。

6.一种人群运动仿真系统，其特征在于，包括仿真服务器，所述仿真服务器包括：

信息接收模块，其用于接收场景模型及人群个体信息，分别对场景及人群个体信息进行初始化；

人群分组模块，其用于利用多影响因子的K-Medoids算法并依据人群中个体间的距离和关系进行分组，得到人群的分组情况；

运动路径求取模块，其用于将人群分组结果作为人群运动的初始化状态，采用基于亲缘关系强弱的同伴群模型进行局部路径规化来实现群组行为和碰撞避免，求得场景内每个个体到达选定出口的运动路径；

渲染及展示模块，其用于对运动路径进行渲染并实时展示仿真效果。

7.如权利要求6所述的人群运动仿真系统，其特征在于，在所述信息接收模块中，根据场景模块，获取场景范围、出口以及场景内障碍物的坐标信息。

8.如权利要求6所述的人群运动仿真系统，其特征在于，在所述信息接收模块中，人群个体信息包括个体坐标和关系值。

9.如权利要求6所述的人群运动仿真系统，其特征在于，所述运动路径求取模块包括：

同伴群视觉力和同伴群归属力计算模块，其用于分别计算个体的同伴群视觉力和同伴群归属力；

个体运动求取模块，其用于将个体的同伴群视觉力和同伴群归属力求和，得到同伴群群组力，并加入社会力模型，计算出个体的加速度，转化成速度后得到个体每一步的位移，实现了个体在场景中的运动。

10.如权利要求9所述的人群运动仿真系统，其特征在于，同伴群成员i受到的同伴群群组力的数学表达式为：

<mrow> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>o</mi> <mi>u</mi> <mi>p</mi> </mrow> </msubsup> <mo>=</mo> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>v</mi> <mi>i</mi> <mi>s</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mover> <mi>f</mi> <mo>&amp;RightArrow;</mo> </mover> <mi>i</mi> <mrow> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msubsup> </mrow>

其中，个体视觉力表达式为：

个体归属力表达式为：

其中，β₁为同伴群成员间进行社会交互强弱的模型参数，为当前个体i的速度向量，θ_i为行人i头部旋转的角度，即行人i的注视方向在转动θ_i后能够将中心成员包含在视线范围内，选取与距离最近的个体作为同伴群组心C_i；ω为个体i的注视方向和i到同伴群组心C_i连线的夹角；

β₂为同伴群成员之间吸引力强弱的参数，为行人i指向同伴群组心C_i的单位向量，λ_ic定义为个体i与同伴群组心C_i之间的关系值。