CN109740192B - 基于阿诺德情绪模型的人群疏散仿真方法及系统 - Google Patents
基于阿诺德情绪模型的人群疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN109740192B CN109740192B CN201811518679.8A CN201811518679A CN109740192B CN 109740192 B CN109740192 B CN 109740192B CN 201811518679 A CN201811518679 A CN 201811518679A CN 109740192 B CN109740192 B CN 109740192B
- Authority
- CN
- China
- Prior art keywords
- individual
- emotion
- event
- crowd
- speed
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 208000015181 infectious disease Diseases 0.000 claims abstract description 21
- 230000036651 mood Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000009877 rendering Methods 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims abstract description 6
- 238000010168 coupling process Methods 0.000 claims abstract description 6
- 238000005859 coupling reaction Methods 0.000 claims abstract description 6
- 230000002996 emotional effect Effects 0.000 claims description 56
- 230000006399 behavior Effects 0.000 claims description 50
- 230000008447 perception Effects 0.000 claims description 16
- 230000000638 stimulation Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000037079 emotional growth Effects 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种基于阿诺德情绪模型的人群疏散仿真方法及系统,所述方法包括以下步骤:初始化场景信息、人群信息和人群中个体的情绪信息;基于阿诺德情绪理论模拟个体情绪产生和情绪感染;结合个体情绪、个体理性程度和事件类型建立个体行为决策模型;将个体情绪和个体行为决策与人群运动计算相耦合;将人群运动计算结果进行渲染得到人群疏散仿真动画。本公开通过对情绪产生和情绪感染过程进行仿真,并利用情绪因素进行人群运动选择,更真实地模拟疏散过程中个体的行为。
Description
技术领域
本公开属于人群疏散仿真技术领域,尤其涉及一种基于阿诺德情绪模型的人群疏散仿真方法及系统。
背景技术
运用人群运动仿真研究人群在突发情况下人群的运动特征与规律,能够帮助设计者对建筑物或者公共场所的人流疏散通道进行综合分析与评价,辅助建立紧急情况下人员的疏散方案,以及合理的建筑布局,以减少群体事件中拥挤、踩踏等不良事件的发生,有利于紧急情况下的人群疏散工作。在人群疏散过程中,情绪在群体情境中十分重要,外界的刺激情境会影响周围个体的情绪状态和行为,进一步影响集体行为,不良的刺激还会导致灾难性的后果。个体通过感知系统获取外界刺激信息(事件信息、个体间的情绪信息等),并通过自身的评价做出相应的情绪反应,随之产生相应的行为反应。而面对同样的信息刺激,不同的人常表现出不同的情绪恐慌程度不同,具有不同的运动行为。但现有研究大多是基于许多假设来开展的,并未对情绪心理学进行建模,情绪产生过程缺乏科学依据。同时,忽略了情绪对个体运动计算的影响,而情绪是影响人群行为的重要因素,对个体行为决策以及整个人群疏散工作至关重要。
发明内容
为克服上述现有技术的不足,本公开以阿诺德的情绪“评定-兴奋”学说为基础,提供了一种基于阿诺德情绪模型的人群疏散仿真方法,该方法通过对情绪产生和情绪感染过程进行仿真,并利用情绪因素进行人群运动选择,更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。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
一种基于阿诺德情绪模型的人群疏散仿真方法,包括以下步骤:
初始化场景信息、人群信息和人群中个体的情绪信息;
基于阿诺德情绪理论模拟个体情绪产生和情绪感染;
结合个体情绪、个体理性程度和事件类型建立个体行为决策模型;
将个体情绪和个体行为决策与人群运动计算相耦合;
将人群运动计算结果进行渲染得到人群疏散仿真动画。
进一步地,所述场景信息初始化包括:输入障碍物信息并绘制场景的Roadmap图;其中,所述Roadmap图的顶点是场景内的随机点,边是连接顶点的边,保证任意两个顶点之间的连线不经过任何障碍物;
所述人群信息初始化包括:人群中个体随机初始化在场景范围内并避开所有的障碍物;
所述情绪初始化包括:将所有个体的情绪分为已感染和未感染两种状态。
进一步地,所述模拟情绪产生包括:
初始化事件源位置以及事件影响半径rd,事件发生时,所述事件影响区域内的个体产生个体情绪:
disid表示个体与事件源之间的距离;λ∈[0,1]表示事件调节因子。
进一步地,模拟情绪感染包括:
初始化事件源位置、事件影响半径rd,及个体感知半径R;
基于个体与事件源之间的距离和所述个体的感知半径,量化个体对于外界事件刺激信息的情绪值;
根据个体的感知半径和周围其他个体的情绪值,计算个体情绪感染值;
根据个体与事件源之间的距离和疏散人群规模,计算个体情绪衰减值;
结合个体对于外界事件刺激信息的情绪值、个体情绪感染值和个体情绪衰减值,计算个体情绪值。
进一步地,所述量化个体对于外界事件刺激信息的情绪值计算公式:
其中,disid表示个体与事件源之间的距离,λ∈[0,1]表示事件调节因子,Δt为事件刺激的累积时间,其值与个体情绪强度成正比;
所述个体情绪感染值计算公式:
其中,在个体i感知范围内的个体数量为num_ni,disij表示个体i与个体j之间的距离;
所述个体情绪衰减值计算公式:
其中,agentnum表示疏散人群规模;
所述个体情绪值计算公式:
进一步地,所述个体行为决策模型建立过程如下:
其中,Ei表示个体自身情绪状态、Rei表示个体理性程度,λ表示事件类型的影响,δ1、δ2表示个体行为类型调节因子;α表示事件类型的权重,β表示个体情绪的权重,γ表示个体理性程度的权重,且α+β+γ=1;
根据所述行为阈值进行行为决策,规则如下:
规则1:若Be<δ1,则个体不受事件的影响,按原计划运动;
规则2:若δ1≤Be≤δ2,则个体向事件刺激源靠近;
规则3:若Be>δ2,则个体远离事件刺激源。
进一步地,所述将个体情绪和个体行为决策与人群运动计算相耦合包括:
在每个时间步t内,计算个体下一时刻的新速度,并根据个体行为决策结果更新个体的运动方向,重复执行该步骤,直至个体到达目标位置。
进一步地,所述计算个体下一时刻的新速度包括:
利用个体最大速度和个体最大加速度来限制个体的速度,得到在下一时刻的候选速度集合AVi(Vi):
AVi(Vi)={Vi'|||Vi'||<Vi max∩||Vi'-Vi||<amaxΔt}
其中,AVi表示下一时刻的合理速度集合;Vi表示个体当前的速度;Vi′表示个体下一时刻的候选速度;vt+1表示个体下一时刻的速度;vt表示个体的当前速度;a表示个体的加速度;
利用情绪值Ei根据Vi pref(Ei)=(1+Ei)Vi pref,更新个体i的期望速度Vi pref(ei),同时保证Vi pref(ei)满足||Vi pref(ei)||≤Vi max;
利用期望速度Vi pref,在候选速度集合AVi(Vi)中选择使速度惩罚值penaltyi(Vi′)最小的候选速度,作为下一时刻个体最佳的速度Vt+1;
其中,penaltyi(Vi′)表示个体的速度惩罚值,是个体的速度惩罚因子,tci′(Vi′)是个体i与周围个体的期望碰撞时间,||Vi pref-Vi′||表示期望速度Vi pref与候选速度Vi′的差值;
进一步地,所述根据个体行为决策结果更新个体的运动方向包括:
其中,di表示个体i当前时刻的期望速度方向,Si表示个体i指向事件源圆心的方向;和表示个体i与危险区域的两个切线方向;A表示di和之间的夹角,B表示di和之间的夹角,C表示和之间的夹角,D表示di和Si之间的夹角;R表示危险区域的半径。
一个或多个实施例提供了一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于阿诺德情绪模型的人群疏散仿真方法。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于阿诺德情绪模型的人群疏散仿真方法。
以上一个或多个技术方案存在以下有益效果:
本公开对心理学模型—阿诺德“兴奋—评定”学说进行情绪建模,提出一种基于情绪心理学模型的人群疏散仿真方法。该方法首先构建一种基于阿诺德的情绪计算模型,分析了群体情绪的产生和传播过程。然后,将个体情绪因素应用于人群运动计算,提出基于情绪因素的行为决策模型,判定个体的行为类型(正常行走、趋近、远离),并在原有的RVO模型的基础上,加入情绪影响因素,建立ED-RVO(Emotion-Driven Reciprocal VelocityObstacles)模型,利用情绪改变个体的运动状态(运动方向及速度)。最后,将上述方法应用于真实感渲染平台,更直观地体现情人群疏散效果。基于情绪心理学模型的人群疏散方法能够更加逼真地模拟突发事件影响下的个体情绪产生和传播过程,以及情绪对个体行为选择和运动过程的影响,为解决公共安全问题提供了新的解决思路。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中基于阿诺德情绪模型的人群疏散仿真方法的简化流程图;
图2为本公开实施例一中行为类型为正常行走状态的示意图;
图3为本公开实施例一中行为类型为趋近状态的示意图;
图4为本公开实施例一中行为类型为远离状态的示意图;其中,图4(a)为个体i远离危险源(A+B>C),图4(b)为个体i靠近危险源(A+B=C),图4(c)为个体i远离危险源(D>90°),图4(d)为个体i靠近危险源(D<90°)。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的总体思路分成三部分:首先,对心理学模型—阿诺德“兴奋—评定”学说进行情绪建模,构建一种基于阿诺德的情绪计算模型,分析了群体情绪的产生和传播过程。其次,将个体情绪因素应用于人群运动过程,首先提出基于情绪因素的行为决策模型,判定个体的行为类型(趋近、正常行走、远离);然后将情绪因素和个体行为选择结果应用于人群运动计算,利用情绪改变个体的运动状态(运动方向及速度)。最后,将上述方法应用于真实感渲染平台,更直观地体现情人群疏散效果。真实感渲染是利用真实感渲染平台,导入场景及人群运动路径生成动画效果,能较真实直观的观察人群运动中的情绪感染现象。而基于情绪心理学模型的人群疏散方法能够更加逼真地模拟突发事件影响下的个体情绪产生和传播过程,以及情绪对个体行为和运动过程的影响。
实施例一
本实施例公开了一种基于阿诺德情绪模型的人群疏散仿真方法,如图1所示,包括以下步骤:
步骤1:初始化。这里的初始化包括对场景信息,个体的位置信息和情绪的初始化。
场景信息初始化:首先对场景障碍物进行初始化,画出场景的roadmap图。本实施例使用Roadmap表示场景语义信息,通过Roadmap将无障碍区域表示成图(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。
人群信息初始化:人群个体位置的初始化是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。
情绪初始化:对个体初始化情绪值,把所有个体的情绪分为已感染和未感染两种状态。
步骤2:基于阿诺德的情绪计算模型模拟情绪产生过程。
在基于阿诺德的情绪计算模型中,将每个个体的情绪值定义为定义Ei,其取值范围为Ei∈[0,1],并根据Ei的取值将人群划分为两类:已感染情绪个体和未感染情绪个体,用于对人群运动的计算(包括运动速度大小和方向),具体表述如下表所示:
表1情绪值和情绪状态对应关系表
Ei的值 | 情绪状态 |
0 | 无情绪 |
(0,1.0] | 有情绪 |
基于阿诺德的情绪计算模型存在两种类型的个体:已感染情绪个体(I)和未感染情绪个体(S)。在情绪产生模型中,定义事件源位置以及事件影响半径rd,一旦事件发生,在事件影响区域内的个体通过获取事件刺激信息触发个体情绪产生;在情绪感染模型中,个体能够获取事件刺激信息、他人情绪信息、自身情绪衰减信息,并将感知到的信息量化处理,以更新个体每一时刻的情绪值。这里,定义个体感知半径R,即以个体i为圆心,半径为R的圆形区域,来定义个体的感知范围,所有在圆内并且满足感知范围的个体都是个体i的邻居,个体可以得到其感知范围内的其他个体的情绪信息。具体包括:
步骤2.1:初始化事件源位置坐标、事件影响半径rd、个体感知半径R。
步骤2.2:在情绪触发阶段,利用公式(1)每个个体的情绪值。
在情绪触发过程中,个体只感知外界事件刺激,并根据个体i是否在事件发生区域,分为两种情况:(1)个体在事件影响范围内(disid<rd),只受到事件刺激的影响;(2)个体在事件影响范围(disid>rd),无法感知刺激信息。
其中,rd表示事件影响范围的半径;disid表示个体与事件源之间的距离;λ∈[0,1]表示事件调节因子,不同突发事件的严重程度有所不同,会产生不同强度的环境刺激,以调节不同事件刺激作用下的情绪增长速度。
步骤3:模拟个体情绪感染过程。
我们根据个体距离事件源的距离,将其分为三种情况,根据个体i是否在事件发生区域,分为三种情况:(1)个体在事件影响范围内(disid<rd),只受到事件刺激的影响;(2)个体在事件影响范围外,但可以感知到事件刺激(rd<disid<rd+R),受到事件刺激、他人情绪信息、自身情绪衰减的影响;(3)个体无法感知到事件刺激(disid>rd+R),只受到他人情绪信息、自身情绪衰减的影响。其中,Δt为外界刺激的累积时间,其值与个体情绪强度成正比。
在情绪感染阶段,人不仅能反映外界事件对其本身的刺激,而且能将自身的情绪信息传递给周围个体。个体在其感知范围内会受到具有其他恐慌情绪个体的影响,个体会接收周围个体的情绪信息,进而产生个体情绪感染值其中,在个体i感知范围内的个体数量为num_ni;disij表示个体i与个体j之间的距离,表示随着智能体间距离的增大,个体间传递的情绪信息量越少。
步骤3.3:利用公式(4)来计算个体自身的情绪衰减值,其中,若个体直接受到外界事件刺激(disid<rd),则不考虑个体衰减现象。
这里,个体之间的情绪感染虽然在一定程度上会影响个体情绪,但随着个体与外界刺激距离的增加,个体情绪会出现衰减现象。个体情绪衰减程度同样会受到人群规模、个体与危险源距离、事件类型等因素的影响,agentnum表示人群疏散规模。
步骤3.5:对于所有个体,在每个时间步t内更新其情绪值,直到个体到达目标位置。
步骤4:个体行为决策过程;
利用公式(6)计算个体行为阈值Be,并根据该行为阈值进行行为决策,具体规则如下:
规则1:若Be<δ1,则个体不受事件的影响,仍按原计划运动;
规则2:若δ1≤Be≤δ2,则个体向刺激源靠近;
规则3:若Be>δ2,则个体远离刺激源,尽快安全撤离。
其中,定义个体行为选择主要受个体自身情绪状态Ei、个体理性程度Rei、事件类型λ的影响,大致分为三种行为模式:正常行走、趋近、绕离。其中,δ1、δ2表示个体行为类型调节因子;α表示事件类型的权重,β表示个体情绪的权重,γ表示个体理性程度的权重,且α+β+γ=1,通过调节各权重的大小,来调节各因素的影响程度。
步骤5:人群运动计算,在这一过程中,将个体行为选择结果和情绪因素应用于人群运动计算,控制整个人群的运动过程(速度大小和方向)。运动通过路径图进行导航,每一个图的顶点可看作一个临时目标点,个体的运动方向即向着临时目标点运动。
步骤5.2:利用最大速度vmax,最大加速度amax,根据运动学和动力学公式(7)来限制个体的速度,得到在下一时刻的合理速度集合AV。
AVi(Vi)={Vi'|||Vi'||<Vi max∩||Vi'-Vi||<amaxΔt} (7)
其中,Vi表示个体i的当前速度,Vi′表示个体i下一时刻的候选速度,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。||Vi′-Vi||表示候选速度相对于当前速度的变化值的大小,t表示时间步,amaxt表示单位时间内最大速度变化值。在公式中,候选速度的大小受最大速度Vmax和最大加速度amax的制约,||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。因此,||Vi′||应小于最大速度值Vmax,且其速度变化值||Vi′-Vi||也应小于amaxt。
步骤5.3:利用情绪值E根据公式(8),更新个体i的期望速度vpref,同时保证vpref满足公式(9)的要求;个体的期望速度值vpref,它是一个矢量,它的大小等于期望速度在目标方向上的值。个体的期望速度和情绪有关,个体情绪值越高,期望速度值越大。但是期望速度值并不是无限大,它始终小于最大速度值。
Vi pref(Ei)=(1+Ei)Vi pref (8)
||Vi pref(Ei)||<=Vi max (9)
步骤5.4:根据公式(10)和(11),利用期望速度vpref,在合理速度集合AV中选择使速度惩罚值penalty最小的速度,作为下一时刻个体最佳的速度Vt+1。
其中,penaltyi是个体i的惩罚度量,tci′(Vi′)是个体i与周围个体的期望碰撞时间,||Vi pref-Vi′||表示期望速度Vi pref与候选速度Vi′的差值,是个体的速度惩罚因子,的值与个体的活跃度成反比。个体的下一时刻速度Vt+1需要满足与其他个体碰撞时间最大,与期望速度的误差值最小两个条件。而情绪值Ei通过改变期望速度Vi pref来影响个体的运动。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。个体的最佳运动速度就是使得penaltyi最小的候选速度。
d_Vi pref=di (12)
d_Vi pref=Si (13)
这里,若个体是处于正常行走状态(见图2),则不做任何处理,个体继续按照原计划行走,计算公式如(12)所示;若个体是处于趋近状态(见图3),则改变该个体的原运动方向,向事件源靠近,计算公式如(14)所示。在事件发生时,若个体处于远离状态,计算公式如(13)和(14)所示,个体会根据其相对位置产生一个远离事件源的安全疏散方向dmin。在个体是远离状态时,根据个体与事件源的相对位置、事件半径大小,分为两种情况:(1)个体在事件区域外(disid>rd),如图4(a)和(b)所示;(2)个体在事件区域内(disid≤rd),如图4(c)和(d)所示。当个体位置在事件区域内时,根据个体当前的运动方向di,若个体i远离危险源(A+B>C),则保持原运动方向前进;若个体i朝靠近危险源的方向前进(A+B=C),则会产生一个远离危险的方向dmin,利用情绪值Ei对di和dmin加权求和来获得个体i的新期望速度方向d_Vi pref。当个体i在为危险区域内(disid≤rd),根据个体当前的运动方向di,若个体i远离危险源(D>90°),则保持原运动方向前进;若个体i朝靠近危险源的方向前进(D<90°),则会产生一个远离危险的方向dmin,di和dmin加权求和来获得个体i的期望速度方向d_Vi pref。
其中,使用情绪强度值Ei作为事件源对行人的威胁度;di表示个体i当前时刻的期望速度方向,Si表示个体i指向事件源圆心的方向;和表示个体i与危险区域的两个切线方向;A表示di和之间的夹角,B表示di和之间的夹角,C表示和之间的夹角,D表示di和Si之间的夹角;rd表示危险区域的半径。
步骤5.6:如果个体没有到达目标,则继续更新速度大小和方向,否则个体停止运动。
步骤6:结合真实感渲染技术,将人群运动计算结果进行渲染得到人群疏散仿真动画。
具体地,在真实感渲染平台中导入人群运动路径,生成人群运动的动画效果。该真实感渲染平台是基于XNA/MonoGame平台实现的支持跨平台的实时人群运动仿真系统。采用XNAGame Studio2013,以Microsoft Visual Studio2013为平台进行人群运动仿真。已生成的路径文件导入到该仿真平台,可以更加直观的观察人群运动效果,分析人群运动的情况。
实施例二
本实施例的目的是提供一种计算机系统。
一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
初始化场景信息、人群信息和人群中个体的情绪信息;
基于阿诺德情绪理论模拟个体情绪产生和情绪感染;
结合个体情绪、个体理性程度和事件类型建立个体行为决策模型;
将个体情绪和个体行为决策与人群运动计算相耦合;
将人群运动计算结果进行渲染得到人群疏散仿真动画。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
初始化场景信息、人群信息和人群中个体的情绪信息;
基于阿诺德情绪理论模拟个体情绪产生和情绪感染;
结合个体情绪、个体理性程度和事件类型建立个体行为决策模型;
将个体情绪和个体行为决策与人群运动计算相耦合;
将人群运动计算结果进行渲染得到人群疏散仿真动画。
以上实施例二和三中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
以上一个或多个实施例具有以下技术效果:
本公开对心理学模型—阿诺德“兴奋—评定”学说进行情绪建模,提出一种基于情绪心理学模型的人群疏散仿真方法。该方法首先构建一种基于阿诺德的情绪计算模型,分析了群体情绪的产生和传播过程。然后,将个体情绪因素应用于人群运动计算,提出基于情绪因素的行为决策模型,判定个体的行为类型(正常行走、趋近、远离),并在原有的RVO模型的基础上,加入情绪影响因素,建立ED-RVO(Emotion-Driven Reciprocal VelocityObstacles)模型,利用情绪改变个体的运动状态(运动方向及速度)。最后,将上述方法应用于真实感渲染平台,更直观地体现情人群疏散效果。基于情绪心理学模型的人群疏散方法能够更加逼真地模拟突发事件影响下的个体情绪产生和传播过程,以及情绪对个体行为选择和运动过程的影响,为解决公共安全问题提供了新的解决思路。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开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公开的保护范围以内。
Claims (3)
1.一种基于阿诺德情绪模型的人群疏散仿真方法,其特征在于,包括以下步骤:
步骤1:初始化场景信息、人群信息和人群中个体的情绪信息;
步骤2:基于阿诺德情绪理论模拟个体情绪产生;
步骤3:模拟个体情绪感染过程;
步骤4:结合个体情绪、个体理性程度和事件类型建立个体行为决策模型;
步骤5:将个体情绪和个体行为决策与人群运动计算相耦合;
在每个时间步t内,计算个体下一时刻的新速度,并根据个体行为决策结果更新个体的运动方向,重复执行该步骤,直至个体到达目标位置;
步骤6:将人群运动计算结果进行渲染得到人群疏散仿真动画;
所述场景信息初始化包括:输入障碍物信息并绘制场景的Roadmap图;其中,所述Roadmap图的顶点是场景内的随机点,边是连接顶点的边,保证任意两个顶点之间的连线不经过任何障碍物;
所述人群信息初始化包括:人群中个体随机初始化在场景范围内并避开所有的障碍物;
所述情绪信息初始化包括:将所有个体的情绪分为已感染和未感染两种状态;
所述模拟个体情绪产生包括:
初始化事件源位置、事件影响半径rd,及个体感知半径R;
事件发生时,所述事件影响区域内的个体产生个体情绪:
disid表示个体i与事件源之间的距离;λ∈[0,1]表示事件调节因子;
模拟个体情绪感染包括:
基于个体与事件源之间的距离和所述个体的感知半径,量化个体对于外界事件刺激信息的情绪值;
根据个体的感知半径和周围其他个体的情绪值,计算个体情绪感染值;
根据个体与事件源之间的距离和疏散人群规模,计算个体情绪衰减值;
结合个体对于外界事件刺激信息的情绪值、个体情绪感染值和个体情绪衰减值,计算个体情绪值;
所述量化个体对于外界事件刺激信息的情绪值计算公式:
其中,disid表示个体i与事件源之间的距离,λ∈[0,1]表示事件调节因子,Δt为事件刺激的累积时间,其值与个体情绪强度成正比;
所述个体情绪感染值计算公式:
其中,在个体i感知范围内的个体数量为num_ni,disij表示个体i与个体j之间的距离;
所述个体情绪衰减值计算公式:
其中,agentnum表示疏散人群规模;
所述个体情绪值计算公式:
所述个体行为决策模型建立过程如下:
其中,Ei(t)表示个体自身情绪值、Rei表示个体理性程度,λ表示事件调节因子,δ1、δ2表示个体行为类型调节因子;α表示事件类型的权重,β表示个体情绪的权重,γ表示个体理性程度的权重,且α+β+γ=1;
根据所述行为阈值进行行为决策,规则如下:
规则1:若Bei<δ1,则个体不受事件的影响,按原计划运动;
规则2:若δ1≤Bei≤δ2,则个体向事件源靠近;
规则3:若Bei>δ2,则个体远离事件源;
所述计算个体下一时刻的新速度包括:
利用个体最大速度Vi max和个体最大加速度amax来限制个体的速度,得到在下一时刻的候选速度集合AVi(Vi):
AVi(Vi)={Vi'|||Vi'||<Vi max∩||Vi'-Vi||<amaxΔt}
其中,AVi(Vi)表示下一时刻的候选速度集合;Vi表示个体当前的速度;Vi′表示个体下一时刻的候选速度;a表示个体的加速度;
所述根据个体行为决策结果更新个体的运动方向包括:
2.一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的基于阿诺德情绪模型的人群疏散仿真方法。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1所述的基于阿诺德情绪模型的人群疏散仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518679.8A CN109740192B (zh) | 2018-12-12 | 2018-12-12 | 基于阿诺德情绪模型的人群疏散仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518679.8A CN109740192B (zh) | 2018-12-12 | 2018-12-12 | 基于阿诺德情绪模型的人群疏散仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740192A CN109740192A (zh) | 2019-05-10 |
CN109740192B true CN109740192B (zh) | 2023-04-07 |
Family
ID=66358829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518679.8A Active CN109740192B (zh) | 2018-12-12 | 2018-12-12 | 基于阿诺德情绪模型的人群疏散仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740192B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991120A (zh) * | 2019-11-18 | 2020-04-10 | 郑州大学 | 一种排队场景下人群运动建模仿真方法 |
CN111339668B (zh) * | 2020-02-28 | 2022-05-10 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
CN114545932B (zh) * | 2022-01-28 | 2023-06-06 | 北京交通大学 | 一种路径修正方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203564634U (zh) * | 2013-03-20 | 2014-04-30 | 上海惠诚医疗科教器械股份有限公司 | 多功能智能心理放松减压舱装置 |
CN106682371A (zh) * | 2017-03-06 | 2017-05-17 | 山东师范大学 | 一种突发事件下的人群疏散仿真方法及系统 |
CN107563490A (zh) * | 2017-08-30 | 2018-01-09 | 北京理工大学 | 一种基于关注力模型的人群多样性仿真方法 |
CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 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 |
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 |
CN108665691A (zh) * | 2018-08-22 | 2018-10-16 | 张菁菁 | 一种智能防拥挤踩踏的预警与导流的系统及方法 |
-
2018
- 2018-12-12 CN CN201811518679.8A patent/CN109740192B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203564634U (zh) * | 2013-03-20 | 2014-04-30 | 上海惠诚医疗科教器械股份有限公司 | 多功能智能心理放松减压舱装置 |
CN106682371A (zh) * | 2017-03-06 | 2017-05-17 | 山东师范大学 | 一种突发事件下的人群疏散仿真方法及系统 |
CN107563490A (zh) * | 2017-08-30 | 2018-01-09 | 北京理工大学 | 一种基于关注力模型的人群多样性仿真方法 |
CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 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 |
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 |
CN108665691A (zh) * | 2018-08-22 | 2018-10-16 | 张菁菁 | 一种智能防拥挤踩踏的预警与导流的系统及方法 |
Non-Patent Citations (7)
Title |
---|
A method of emotion contagion for crowd evacuation;Cao,MX等;《PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS》;20171001;250-258 * |
Agent-based Modeling of Indoor Evacuation Behavior under Stressful Psychological State;Lu Tan等;《5th International Conference on Agents and Artificial Intelligence.ICAART 2013》;20130620;166-171 * |
人群动画中融入情绪模型的实时路径规划算法研究;杜沅泽;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160115(第01期);I138-2 * |
基于五因素人格模型的人群仿真研究;薛铸鑫等;《计算机应用与软件》;20151215;第32卷(第12期);46-50+174 * |
基于情绪感染模型的人群运动仿真研究;曹梦晓;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180115(第01期);I138-1851 * |
考虑人员行为特征的行人与疏散动力学研究;傅丽碧;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;20171115(第11期);B026-1 * |
航班延误引发的旅客群体性事件仿真研究;罗雄;《航空计算技术》;20141125;第44卷(第06期);25-29+34 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740192A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Intelligent-based multi-robot path planning inspired by improved classical Q-learning and improved particle swarm optimization with perturbed velocity | |
CN109740192B (zh) | 基于阿诺德情绪模型的人群疏散仿真方法及系统 | |
Scandolo et al. | An anthropomorphic navigation scheme for dynamic scenarios | |
Jain et al. | MVO-based path planning scheme with coordination of UAVs in 3-D environment | |
Tian et al. | Knowledge and emotion dual-driven method for crowd evacuation | |
CN111639809B (zh) | 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统 | |
Rios-Martinez et al. | Navigating between people: A stochastic optimization approach | |
Huber et al. | Avoiding dense and dynamic obstacles in enclosed spaces: Application to moving in crowds | |
CN104317297A (zh) | 一种未知环境下机器人避障方法 | |
CN110000781B (zh) | 基于发育网络的移动机器人运动方向预先决策方法 | |
Kuo et al. | A migrant-inspired path planning algorithm for obstacle run using particle swarm optimization, potential field navigation, and fuzzy logic controller | |
Yang et al. | Social-aware navigation in crowds with static and dynamic groups | |
Zhang et al. | Knowledge-based crowd motion for the unfamiliar environment | |
Silveira et al. | Natural steering behaviors for virtual pedestrians | |
Matsuzaki et al. | Learning crowd-aware robot navigation from challenging environments via distributed deep reinforcement learning | |
Zhang et al. | Crowd evacuation simulation using hierarchical deep reinforcement learning | |
Ni et al. | Agent-based evacuation in passenger ships using a goal-driven decision-making model | |
Turan et al. | Using artificial intelligence for modeling of the realistic animal behaviors in a virtual island | |
Chao et al. | Brain inspired path planning algorithms for drones | |
Oh et al. | Scan: Socially-aware navigation using monte carlo tree search | |
CN112257258B (zh) | 基于Boids集群运动模型的人群运动仿真方法 | |
CN116562332B (zh) | 一种人机共融环境下的机器人社交性运动规划方法 | |
Li et al. | An Improved grey wolf optimizer with weighting functions and its application to Unmanned Aerial Vehicles path planning | |
Vega-Magro et al. | A flexible and adaptive spatial density model for context-aware social mapping: towards a more realistic social navigation | |
Del Sent et al. | Simulation of crowd behavior using fuzzy social force model |
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 |