CN108153966B - 基于gpu的多出口势能场模型人群实时疏散仿真方法 - Google Patents

Abstract

本发明提供了一种基于GPU的多出口势能场模型人群实时疏散仿真方法，所述方法根据实际模型应用场景，提供相关的计算方法计算各个单出口模型的势能场、各个出口的宽度系数、宽度权重系数、运动个体与各出口的距离系数、距离权重系数、各出口的人群密度系数、人群密度权重系数，运动个体选择各出口的可能性、运动个体的多出口势能场。通过模拟各运动个体移动与碰撞避免，多次计算选择最佳疏散口。本发明方法应用到现实人群疏散中，有效解决现实疏散演练的弊端，并为疏散每个运动个体选择最优的疏散出口，提高疏散率，切合实际需求。

Description

基于GPU的多出口势能场模型人群实时疏散仿真方法

技术领域

本发明涉及人群安全疏散领域，更具体地，涉及一种基于GPU的多出口势能场模型人群实时疏散仿真方法。

背景技术

人群仿真是计算机图形学学科中一个研究的方向，其利用计算机仿真技术对人群群体进行建模与仿真。不仅仅限于计算机动画与模拟，还广泛应用于建筑规划设计、安全科学、机器人学、城市规划、交通工程等领域。计算机人群仿真技术综合了应用心理学、人体动力学、人工智能、物理学、社会学等学科。总体来说，人群仿真可以分为两个主要的方向：专注于模拟的真实性和专注于高质量的可视化。第一个方向主要关注于如何更准确的模拟出群体和个体的真实性，即对个体描述的真实感，使模型更符合与贴近现实生活中的人群流动与个体行走的场景，其可视化可用来更好的帮助用户理解仿真过程。第二个方向主要聚焦于高质量的渲染和动画技术，多用于电影制作，游戏制作等领域。

按照模型研究对象粒度的不同，人群仿真主要可分为两种仿真方法：宏观研究方法和微观研究方法。宏观研究方法是将人群的运动作为一个整体，从整体方面研究虚拟行人的运动特性，忽略个体行为和个体间的差异，主要包括流体力学模型、排队网络模型以及势能场模型。微观研究方法的主要代表模型为细胞自动机模型、社会力模型、格子气自动机模型等。

势能场模型中的势能被认为是每个物体潜在的释放出来的一种自然属性。它描述了在场景中物体所受到的吸引力和排斥力，并以函数的方式表示，这个函数决定了势能的性质以及群体的宏观行为模式。势能场中每一点的总势能为吸引力势能和排斥力势能的和。

拥挤人群的安全疏散问题一直是人们面对的一个公共安全问题，人群疏散过程中，在有多个出口的复杂场景中选择一个合理的出口是影响疏散效率的一个很重要的因素。现实中疏散演练繁琐不便，而紧急情况的疏散往往出现有些出口过于拥挤，有些出口利用不足的问题，疏散效率较低。

发明内容

本发明为克服上述现有技术所述的疏散效率较低的问题，提供基于GPU的多出口势能场模型人群实时疏散仿真方法。

为解决上述技术问题，本发明的技术方案如下：

S1：根据实际模型应用场景，计算各个单出口模型的势能场；

S2：计算各个出口的宽度系数和宽度权重系数；

S3：对于M个运动个体，在GPU中开启M个并行独立线程，计算运动个体与各出口的距离系数和距离权重系数；

S4：根据在GPU中开启的M个并行独立线程，计算各出口的人群密度系数和人群密度权重系数；

S5：计算运动个体选择各出口的可能性；

S6：根据在GPU中开启的M个并行独立线程，计算运动个体的多出口势能场；

S7：各运动个体移动与碰撞避免，根据计算得到的每个运动个体自身的多出口势能场，选择相对于当前位置势能减少最快的方向移动，包括左上角、上、右上角、右、右下角、下、左下角、左八个方向，上下左右四个方向的势能值变化为：

四个角落的势能值变化为：

其中：P_now表示当前势能值，P_next表示下一时刻的势能值；

GPU并行计算得到多个运动个体可能同时移动到同一个格子(位置)，对比多个碰撞运动个体的

最大的运动个体保持移动后的位置，其余运动个体按照以下方法选择向该格子未被占领的邻格子移动或者回到原地，方法如下：

其中D为整个仿真场景的面积，w为静止指数，可通过设置静止指数w来修改碰撞冲突时选择原地静止的概率；

S8：判断每一个运动个体是否到达出口区，若到达出口区则执行步骤S9，否则跳回步骤S5继续执行；

S9：多次计算判断该出口区域是否为最佳疏散口，运动个体到达出口区域后，回到步骤S5循环执行，多次计算；

S10：通过步骤S9计算后，若该出口区域的出口仍为选择可能性最高的出口，则等待离开，否则回到步骤S7重新寻找另一个更优的出口。

与现有技术相比，本发明技术方案的有益效果是：本发明提供一种基于GPU的多出口势能场模型人群实时疏散的仿真方法，将人群仿真应用于多出口的人群疏散，解决了现实疏散演练的弊端，并为疏散每个运动个体选择最优的疏散出口，提高疏散率，切合实际需求。

附图说明

图1为实施例1基于GPU的多出口势能场模型人群实时疏散仿真方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，基于GPU的多出口势能场模型人群实时疏散仿真方法，包括以下步骤：

101、根据实际模型应用场景，计算各个单出口模型的势能场，其计算方法为：

对于各个单出口模型，将除本出口外的其它出口的势能值设置为1(本出口的势能值为0，墙和行人等障碍物的势能值均为1)，在GPU中，对多个出口(假设为N)开启N个线程，在各个线程里利用Gauss-Seidel迭代法求解拉普拉斯方程组，得到各个单出口模型的势能场(假设第i个出口的单出口势能场为D_i)；

102、计算各个出口的宽度系数和宽度权重系数，其计算方法如下：

其中P_s为第i个出口的宽度系数，s_i为第i个出口的宽度，出口宽度越大，该出口的宽度系数越大，选择该出口的可能性越大。k_s为宽度指数，N表示出口个数，可通过设置出口个数N来修改P_s这个因素在多出口选择中作用的强弱；

其中a_i为第i个出口的宽度权重系数，S为所有出口宽度的和；

103、对于M个运动个体，在GPU中开启M个并行独立线程，计算运动个体与各出口的距离系数和距离权重系数，其计算方法如下：

其中P_r为运动个体与第i个出口的距离系数，r_i为运动个体与第i个出口的直线距离，该出口的距离系数越大，选择该出口的可能性越大。k_r为距离指数，可通过设置距离指数k_r来修改P_r这个因素在多出口选择中作用的强弱；

其中b_i为运动个体与第i个出口的距离权重系数，R为运动个体与所有出口距离的和；

104、根据在GPU中开启的M个并行独立线程，计算各出口的人群密度系数和人群密度权重系数，其计算方法如下：

其中P_d为第i个出口的人群密度系数，d_i为第i个出口的出口区域内的人群密度，出口区域的人群密度越小，该出口的人群密度系数越大，选择该出口的可能性越大。k_d为人群密度指数，可通过设置人群密度指数k_d来修改P_d这个因素在多出口选择中作用的强弱；

其中c_i为第i个出口的人群密度权重系数，D为所有出口区域内的人群密度的和；

105、运动个体选择各出口的可能性计算，其计算方法如下：

其中P_i为运动个体选择第i个出口的概率，它由第i个出口的出口宽度、运动个体与第i个出口的距离、第i个出口区域内的人群密度决定，这里

即运动个体选择所有出口的概率之和等于1；

106、根据在GPU中开启的M个并行独立线程，计算运动个体的多出口势能场，其计算方法如下：

其中P_j为第j个个体的多出口势能场(j＝1,2,…,M)，D_i为第i出口的单出口势能场，运动个体的多出口势能场为该运动个体对所有出口的出口选择概率与单出口势能场的乘积的叠加；

107、各运动个体移动与碰撞避免，根据计算得到的每个运动个体自身的多出口势能场，选择相对于当前位置势能减少最快的方向移动，包括左上角、上、右上角、右、右下角、下、左下角、八个方向，上下左右四个方向的势能值变化为：

四个角落的势能值变化为：

其中：P_now表示当前势能值，P_next表示下一时刻的势能值；

GPU并行计算得到多个运动个体可能同时移动到同一个位置，对比多个碰撞运动个体的

最大的运动个体保持移动后的位置，其余运动个体按照以下方法选择向该格子未被占领的邻格子移动或者回到原地，方法如下：

其中D为整个仿真场景的面积，w为静止指数，可通过设置静止指数w来修改碰撞冲突时选择原地静止的概率；

108、判断每一个运动个体是否到达出口区，若到达出口区则执行步骤109，否则跳回步骤105继续执行；

109、多次计算判断该出口区域是否为最佳疏散口，运动个体到达出口区域后，回到步骤105循环执行，多次计算；

110、通过步骤109计算后，若该出口区域的出口仍为选择可能性最高的出口，则等待离开，否则回到步骤107重新寻找另一个更优的出口。

在所述实施过程中，首先根据实际模型应用场景，计算各个单出口模型的势能场；通过计算各个出口的宽度系数、宽度权重系数、运动个体与各出口的距离系数、距离权重系数、各出口的人群密度系数、人群密度权重系数，计算出运动个体选择各出口的可能性；计算运动个体的多出口势能场；各运动个体移动与碰撞避免；判断每一个运动个体是否到达出口区；多次计算判断该出口区域是否为最佳疏散口；重新寻找另一个更优的出口。将所述仿真模型应用到现实人群疏散中，解决了现实疏散演练的弊端，并为疏散每个运动个体选择最优的疏散出口，提高疏散率，切合实际需求。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于，包括以下步骤：

S1：根据实际模型应用场景，计算各个单出口模型的势能场；

S2：计算各个出口的宽度系数和宽度权重系数；

S3：对于M个运动个体，在GPU中开启M个并行独立线程，计算运动个体与各出口的距离系数和距离权重系数；

S4：根据在GPU中开启的M个并行独立线程，计算各出口的人群密度系数和人群密度权重系数；

S5：计算运动个体选择各出口的可能性；

S6：根据在GPU中开启的M个并行独立线程，计算运动个体的多出口势能场；

S7：各运动个体移动与碰撞避免，根据计算得到的每个运动个体自身的多出口势能场，选择相对于当前位置势能减少最快的方向移动，包括左上角、上、右上角、右、右下角、下、左下角、左八个方向，上下左右四个方向的势能值变化为：

四个角落的势能值变化为：

其中：P_now表示当前势能值，P_next表示下一时刻的势能值；

GPU并行计算得到多个运动个体可能同时移动到同一个位置，对比多个碰撞运动个体的

最大的运动个体保持移动后的位置，其余运动个体按照以下方法选择向该格子未被占领的邻格子移动或者回到原地，方法如下：

其中D为整个仿真场景的面积，w为静止指数，通过设置静止指数w来修改碰撞冲突时选择原地静止的概率；

S8：判断每一个运动个体是否到达出口区，若到达出口区则执行步骤S9，否则跳回步骤S5继续执行；

S9：多次计算判断该出口区域是否为最佳疏散口，运动个体到达出口区域后，回到步骤S5循环执行，多次计算；

S10：通过步骤S9计算后，若该出口区域的出口仍为选择可能性最高的出口，则等待离开，否则回到步骤S7重新寻找另一个更优的出口。

2.根据权利要求1所述的基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于：步骤S2中，各个出口的宽度系数和宽度权重系数的计算方法为：

其中P_s为第i个出口的宽度系数，S_i为第i个出口的宽度，k_s为宽度指数，N为出口个数，可通过设置出口个数N来修改P_s这个因素在多出口选择中作用的强弱；

其中a_i为第i个出口的宽度权重系数，S为所有出口宽度的和。

3.根据权利要求2所述的基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于：步骤S3中，运动个体与各出口的距离系数和距离权重系数的计算方法为：

其中P_r为运动个体与第i个出口的距离系数，r_i为运动个体与第i个出口的直线距离，k_r为距离指数，可通过设置距离指数k_r来修改P_r这个因素在多出口选择中作用的强弱；

其中b_i为运动个体与第i个出口的距离权重系数，R为运动个体与所有出口距离的和。

4.根据权利要求3所述的基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于：步骤S4中，各出口的人群密度系数和人群密度权重系数的计算方法如下：

其中P_d为第i个出口的人群密度系数，d_i为第i个出口的出口区域内的人群密度，k_d为人群密度指数，可通过设置人群密度指数k_d来修改P_d这个因素在多出口选择中作用的强弱；

其中c_i为第i个出口的人群密度权重系数，D为所有出口区域内的人群密度的和。

5.根据权利要求1～4中任一项所述的基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于：步骤S5中，运动个体选择各出口的可能性计算方法为：

其中P_i为运动个体选择第i个出口的概率，它由第i个出口的出口宽度、运动个体与第i个出口的距离、第i个出口区域内的人群密度决定，这里

即运动个体选择所有出口的概率之和等于1。

6.根据权利要求5所述的基于GPU的多出口势能场模型人群实时疏散仿真方法，其特征在于：运动个体的多出口势能场计算方法为：

其中P_j为第j个个体的多出口势能场(j＝1,2,…,M)，D_i为第i出口的单出口势能场。

Images