CN111144006A - 基于知识和情绪双重驱动的人群疏散仿真方法及系统 - Google Patents
基于知识和情绪双重驱动的人群疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN111144006A CN111144006A CN201911377258.2A CN201911377258A CN111144006A CN 111144006 A CN111144006 A CN 111144006A CN 201911377258 A CN201911377258 A CN 201911377258A CN 111144006 A CN111144006 A CN 111144006A
- Authority
- CN
- China
- Prior art keywords
- individual
- current
- knowledge
- current individual
- emotion
- 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.)
- Granted
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004088 simulation Methods 0.000 title claims abstract description 27
- 230000033001 locomotion Effects 0.000 claims abstract description 73
- 230000009977 dual effect Effects 0.000 claims abstract description 13
- 230000036651 mood Effects 0.000 claims description 23
- 230000002996 emotional effect Effects 0.000 claims description 19
- 208000015181 infectious disease Diseases 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008450 motivation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了基于知识和情绪双重驱动的人群疏散仿真方法及系统,包括:获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。更加直观地展现疏散效果。
Description
技术领域
本公开涉及人群疏散仿真技术领域,特别是涉及基于知识和情绪双重驱动的人群疏散仿真方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
随着经济的飞速发展,公共场所中人群密度和流动性大,紧急状态时常常发生拥挤踩踏事故,造成大量人员伤亡和恶劣的社会影响。模拟人群疏散也越来越受到研究者们的关注。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
目前原有的人群疏散方法中,有的研究了知识对人群运动的影响,有的研究了情绪对人群运动的影响。然而,现实中人群疏散会同时受知识和情绪的双重影响。当发生危急情况时,人们会通过了解危险源和周围环境知识选择疏散路径,同时人们自身的情绪状况决定着疏散速度。现有的人群疏散方法并没有综合考虑知识和情绪的影响,因此不能对紧急情况下的人群疏散进行逼真建模。
发明内容
为了解决现有技术的不足,本公开提供了基于知识和情绪双重驱动的人群疏散仿真方法及系统;用于分析个体知识和情绪对人群运动的影响。同时考虑了个体知识和个体情绪对人群运动的影响,而且利用西米诺夫心理学模型量化了知识对情绪的影响,更加真实地模拟了个体情绪变化和人群运动,从而提高人群疏散的逼真性。
第一方面,本公开提供了基于知识和情绪双重驱动的人群疏散仿真方法;
基于知识和情绪双重驱动的人群疏散仿真方法,包括:
获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
第二方面,本公开还提供了基于知识和情绪双重驱动的人群疏散仿真系统;
基于知识和情绪双重驱动的人群疏散仿真系统,包括:
知识量计算模块,其被配置为:获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
情绪值计算模块,其被配置为:根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
无碰撞速度计算模块,其被配置为:根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
疏散仿真运动模块,其被配置为:根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:
(1)本公开构建了个体知识模型用于分析个体知识的动态变化。首先构建了知识表示模型,然后将影响知识传播的因素结合SI模型对知识传播进行建模;
(2)本公开构建了个体情绪模型用于分析个体情绪的动态变化。该模型利用西米诺夫心理学模型量化个体知识对情绪的影响,同时还考虑了个体间情绪传播的影响;
(3)本公开构建了知识和情绪双重驱动人群运动模型模拟人群疏散。分析了个体知识和情绪对人群运动的影响,并将个体知识和情绪与RVO模型进行了结合;
(4)本公开构建了知识和情绪双重驱动的人群疏散仿真系统,更加真实地展现了模拟效果。
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为第一个实施例的方法流程图;
图2(a)为第一个实施例的三维场景示意图;
图2(b)为第一个实施例的三维场景图的二维投影平面图;
图3(a)为第一个实施例的区域图顶层图;
图3(b)为第一个实施例的区域图底层图;
图4为第一个实施例的人群运动模拟仿真结果示意图。
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。
实施例一,本实施例提供了基于知识和情绪双重驱动的人群疏散仿真方法;
如图1所示,基于知识和情绪双重驱动的人群疏散仿真方法,包括:
S1:获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
S2:根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
S3:根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
S4:根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
进一步地,所述S1中,获取个体原有的知识量,包括:获取危险源知识和环境知识。
进一步地,所述S1中,根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;具体步骤包括:
应理解的,首先介绍知识表示模型。在发生紧急情况后,人群疏散时最重要的就是了解危险源知识和所处环境的知识。因此,本公开将知识分为危险源知识kh(hazardssource knowledge)和环境知识ke(environment knowledge)。将上述知识用二元组K=(kh,ke)进行量化。每一类知识都定义为0-1的连续值。K越接近于1,表示个体的知识量越大。
危险源知识kh表示个体对自身所处环境中危险源的了解程度,包括危险源的数量、危险源的位置、危险源对个体的危害程度以及危险源的影响范围等等。个体i产生消极情绪(如恐慌)的主要原因就是对危险源的知识了解不全面。危险源知识kh越大,个体i的恐慌程度越小。但是,本公开认为当发生特别危险的事件(例如爆炸),并且个体i处于危险源影响范围内时,无论个体i自身的危险源知识kh是多少都会产生恐慌。
将环境知识ke定义为场景的区域图G。将三维场景模型图M进行二维投影,而区域图G就是场景的二维图,如图2(a)和图2(b)所示。区域图G可供M内的所有个体共享。将区域图G定义为两层图G(C(V,E),L),分别是区域图G顶层图和区域图G底层图,如图3(a)和图3(b)所示。图3(a)展示的是区域图G顶层图,是根据图2(b)二维场景图抽象出的无向图。无向图中的顶点表示二维场景图中的一个子区域,无向图中的边表示两个子区域之间相互联通。图3(b)展示的是区域图G底层图,描述的是子区域的Roadmap图。区域图G顶层图的每个顶点都是该子区域的Roadmap图。
其次,对知识传播进行建模。在知识传播中,个体知识K是随着时间的变化不断增加的。然而,知识传播会受传播者的传播距离和表达能力、接受者的理解能力等因素的影响。由于传播者的表达能力和接受者的理解能力各不相同,将其进行了数值化定义。假设接受者i的邻居j在他的影响半径r内,而且个体i和个体j之间无障碍物可以进行口语交流。传播者的表达能力ξj和接受者的理解能力都服从正态分布N(μ,σ2)。所以,ξj和可以表示为:
假设个体知识K的更新时间是等间隔的,并且在dt时间段内个体知识K是固定不变的。个体知识K较大的个体通过口语交流向其周围个体进行知识传播。本公开利用传染病模型—SI模型研究知识传播的整体特性和分布。在经典SI模型中,个体被划分为两类:易感个体S(Susceptible)和感染个体I(Infected)。在本公开中,定义个体知识大于等于必要知识的个体为感染个体,其他个体为易感个体。设β为感染率,则在dt时间段内易感个体i被感染个体j感染的概率为βdt。那么,易感个体i在dt时间段内获得的危险源知识和环境知识的大小可以分别用公式(2)和公式(3)表示。
个体i最终所拥有的知识等于个体i最初所拥有的知识与从其他个体获取的知识之和。公式(4)和公式(5)用于对个体i最终的危险源知识和环境知识进行更新。
进一步地,所述根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值步骤之前,所述根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量步骤之后,还包括:根据当前个体原有知识量,计算当前个体原有情绪值;计算当前个体受周围邻居个体影响的情绪值。
进一步地,根据当前个体原有知识量,计算当前个体原有情绪值;具体步骤包括:
其中,表示个体i在t时刻的危险源知识对情绪的影响值;表示个体i在t时刻的环境对情绪的影响值;表示当前个体原有情绪值;α表示的权重,α'表示的权重,并且α+α'=1;N为设定值,N表示动机的大小,与个体的个性有关,N∈[0,1]。注意,N的大小只会影响情绪的强度,不能决定情绪积极或消极的性质;表示个体i要实现目标自身应具备的危险源知识;表示个体i要实现目标自身应具备的环境知识。
应理解的,首先对情绪进行表示。个体情绪受个体知识和个体间情绪感染的影响。因此,将个体情绪分为个体知识对情绪的影响Ek和个体间情绪感染EC。
个体知识对情绪的影响Ek表示个体知识K对个体情绪的影响。根据西米诺夫心理学模型可知,当个体知识K大于个体实现目标所要求的知识量时便会产生积极情绪,当个体知识K小于个体实现目标所要求的知识量时便会产生消极情绪。在本公开中,知识分为危险源知识kh和环境知识ke。相应的,个体知识对情绪的影响Ek也分为危险源知识对情绪的影响Eh和环境知识对情绪的影响Ee。
个体间情绪感染EC是指个体受周围其他个体感染的情绪。发生紧急事件时,个体由于缺乏个体知识会产生恐慌情绪,这些个体会不断地将恐慌情绪传播给在其影响范围内的其他个体。但是,个体之间情绪感染的程度取决于易感个体与感染个体之间的距离。易感个体与感染个体的距离越近,受其情绪感染的程度越强。
其次,利用西米诺夫心理学模型量化个体知识对情绪的影响。西米诺夫认为个体自身拥有的知识在特定时刻为个体所用,被大脑转化为一些指令,用于评估完成某种目标的概率。实现目标的概率较大就会产生积极情绪,实现目标的概率较小就会产生消极情绪。本公开利用指数函数对西米诺夫情绪认知信息理论进行了量化。公式(6)和公式(7)分别用于计算个体i在t时刻的危险源知识对情绪的影响和环境知识对情绪的影响当个体i所了解的危险源知识和环境知识分别大于必要危险源知识和必要环境知识时,个体i的危险源知识对情绪的影响和环境知识对情绪的影响大于1,表示个体i产生积极情绪。但是每个个体的个性不同,所以个体知识产生的情绪也就不同。公式(8)用于计算个体i在t时刻的个体知识对情绪的影响的值越大,表示个体i的情绪越积极。
进一步地,计算当前个体受周围邻居个体影响的情绪值;具体步骤包括:
其中,表示个体i在t时刻受周围个体情绪感染的影响值,表示感染个体j在t时刻的个体知识对当前个体情绪的影响值,ri表示个体i的邻居集,xi表示个体i所在的位置,xj表示个体j所在的位置,||xi-xj||是个体i与个体j的欧氏距离,η∈(0,1]表示个体情绪的衰减率。
在T时间段内,个体i的情绪累积值:
应理解的,利用使用Durupinar模型分析个体间情绪感染对个体情绪变化的影响。在本公开中个体情绪值是连续的,因此使用Durupinar模型分析个体间情绪感染对个体情绪变化的影响。由于传统的Durupinar模型中个体的情绪值是假设的,因此对模型进行了改进。本公开中的情绪值是通过西米诺夫心理学模型利用个体知识计算的。本公开认为距离易感个体i越近的感染个体j对其的感染强度越强,所以感染强度与两者之间距离成反比。公式(9)用于计算易感个体i受到其他感染个体j的情绪值。
进一步地,所述S2中,根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;具体步骤包括:
其中,Ei(t)表示个体i在t时刻的最终情绪,p和p'表示由于个体个性不同受两种情绪影响的不同程度。
应理解的,计算个体情绪值。前面,利用西米诺夫心理学模型量化了个体知识对情绪的影响;然后利用Durupinar模型分析了个体之间情绪感染对情绪变化的影响。但是,由于每个个体的个性不同,个体受两种情绪的影响程度也就不同。受心理学家Jung对个性划分的启发,将个性分为以下三类:保守型、稳健型、激进型。其中,激进型的个体受其他个体情绪影响最强,其次是稳健型个体,最后是保守型个体。将这三类个性的p值进行了定义如表1所示。用公式(11)计算个体i在t时刻的最终情绪。
表1个性值的划分
进一步地,所述根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度步骤之前,所述根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值步骤之后,还包括:
根据当前个体现有情绪值,计算当前个体运动速度大小;
根据当前个体现有的知识量,计算当前个体运动方向;
根据当前个体运动速度大小和当前个体运动方向,计算出当前个体的运动速度。
进一步地,根据当前个体现有情绪值,计算当前个体运动速度大小;具体步骤包括:
其中,Vi E表示个体i运动速度的大小,E表示当前个体现有情绪值,N为设定值,N表示个体的动机,与个体i的个性有关,N∈[0,1];δ是一个常数。
应理解的,计算个体运动速度的大小。对个体运动的速度进行初始化,的大小Vi固定在[Vmin,Vmax]中,个体i的初始运动方向为然而,个体运动的速度会受到情绪的影响。当个体极度恐慌时,个体的速度可能会趋于0。当个体情绪高度积极时,个体的速度也会比正常速度慢。所以利用高斯函数(12)来描述个体情绪与个体运动最优速度的关系。
进一步地,根据当前个体现有的知识量,计算当前个体运动方向;具体步骤包括:
应理解的,计算个体运动的方向。本公开认为个体的运动方向主要是由个体知识K决定的。个体知识K越大,个体对场景的越熟悉。定义个体i的位置为Pi(xi,yi),个体i的下一个目标点位置Pg(xg,yg)。
当个体i对上述知识不熟悉时,个体i可能会沿着自己原始方向运动,也可能会沿着周围个体的运动方向运动。假设个体i遵循其原始方向运动的概率是pi,遵循其他方向的概率为1-pi。因此,个体i运动的方向可以定义为这两个方向矢量相加。个体i沿着自己原始方向运动的概率pi等于个体i的知识Ki。
当个体i熟悉知识时,说明个体对自己所处环境非常熟悉,对自己下一个目标点的位置也就非常明确。那么,个体i的运动方向为:
进一步地,根据当前个体运动速度大小和当前个体运动方向,计算出当前个体的运动速度;具体步骤包括:
进一步地,所述S3中,根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;具体步骤包括:
应理解的,计算个体的无碰撞速度。前面分析了情绪值E和个体知识K对个体运动的影响,计算出了个体的运动速度在此基础上,计算个体i的无碰撞速度。KE-RVO模型通过考虑个体i的初始速度和运动速度构建新的碰撞区域。个体i为避免与个体j冲突的速度定义如公式(15)所示。
在模拟人群运动时,如果个体i的速度Vi在个体j(或危险源)的KERVO碰撞区域外,则他们将永远不会发生碰撞,如图4所示。和分别为个体i的初始速度和运动速度,为个体j的初始速度,Ki和Kj分别表示个体i和个体j的知识。图中灰色区域代表碰撞区域,5号箭头表示个体i的原始运动方向,2号箭头表示个体远离危险源的运动方向,4号虚线箭头表示个体向下一个目标点运动的方向,1号箭头表示个体的情绪运动方向,3号箭头表示个体最终的运动方向。在的实验中,独立地为每个个体i初始一个新的速度,并根据周围环境更新其位置,直到所有个体都到达安全区域或目标。
实施例二,本实施例还提供了基于知识和情绪双重驱动的人群疏散仿真系统;
基于知识和情绪双重驱动的人群疏散仿真系统,包括:
知识量计算模块,其被配置为:获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
情绪值计算模块,其被配置为:根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
无碰撞速度计算模块,其被配置为:根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
疏散仿真运动模块,其被配置为:根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
实施例三,本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一所述方法的步骤。
实施例四,本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述方法的步骤。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于知识和情绪双重驱动的人群疏散仿真方法,其特征是,包括:
获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
3.如权利要求1所述的方法,其特征是,所述根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值步骤之前,所述根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量步骤之后,还包括:
根据当前个体原有知识量,计算当前个体原有情绪值;计算当前个体受周围邻居个体影响的情绪值。
5.如权利要求3所述的方法,其特征是,计算当前个体受周围邻居个体影响的情绪值;具体步骤包括:
其中,表示个体i在t时刻受周围个体情绪感染的影响值,表示感染个体j在t时刻的个体知识对当前个体情绪的影响值,ri表示个体i的邻居集,xi表示个体i所在的位置,xj表示个体j所在的位置,||xi-xj||是个体i与个体j的欧氏距离,η∈(0,1]表示个体情绪的衰减率;
在T时间段内,个体i的情绪累积值:
根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;具体步骤包括:
其中,Ei(t)表示个体i在t时刻的最终情绪,p和p'表示由于个体个性不同受两种情绪影响的不同程度。
6.如权利要求1所述的方法,其特征是,所述根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度步骤之前,所述根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值步骤之后,还包括:
根据当前个体现有情绪值,计算当前个体运动速度大小;
根据当前个体现有的知识量,计算当前个体运动方向;
根据当前个体运动速度大小和当前个体运动方向,计算出当前个体的运动速度。
7.如权利要求6所述的方法,其特征是,根据当前个体现有情绪值,计算当前个体运动速度大小;具体步骤包括:
其中,Vi E表示个体i运动速度的大小,E表示当前个体现有情绪值,N为设定值,N表示个体的动机,与个体i的个性有关,N∈[0,1];δ是一个常数;
根据当前个体现有的知识量,计算当前个体运动方向;具体步骤包括:
根据当前个体运动速度大小和当前个体运动方向,计算出当前个体的运动速度;具体步骤包括:
根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;具体步骤包括:
8.基于知识和情绪双重驱动的人群疏散仿真系统,其特征是,包括:
知识量计算模块,其被配置为:获取当前个体原有的知识量;根据当前个体原有的知识量和当前个体从邻居个体获取的知识量,计算出当前个体现有的知识量;
情绪值计算模块,其被配置为:根据当前个体原有情绪值和当前个体受周围邻居个体影响的情绪值,计算当前个体现有情绪值;
无碰撞速度计算模块,其被配置为:根据当前个体的运动速度、当前个体的初始速度、当前个体的现有知识量、当前个体的邻居个体的初始速度、当前个体的邻居个体的现有知识量,计算当前个体的无碰撞速度;
疏散仿真运动模块,其被配置为:根据当前个体的无碰撞速度,进行人群疏散模拟仿真运动。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377258.2A CN111144006B (zh) | 2019-12-27 | 2019-12-27 | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377258.2A CN111144006B (zh) | 2019-12-27 | 2019-12-27 | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144006A true CN111144006A (zh) | 2020-05-12 |
CN111144006B CN111144006B (zh) | 2023-04-28 |
Family
ID=70521034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377258.2A Active CN111144006B (zh) | 2019-12-27 | 2019-12-27 | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765875A (zh) * | 2021-01-04 | 2021-05-07 | 山东师范大学 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
CN113239566A (zh) * | 2021-05-27 | 2021-08-10 | 大连理工大学 | 基于智能体的融合情绪化的灾后三级层次仿真系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
EP2518711A1 (en) * | 2011-04-28 | 2012-10-31 | Thales S.A. | Multi-agent simulation system |
CN104239636A (zh) * | 2014-09-16 | 2014-12-24 | 北京航空航天大学 | 一种火灾应急疏散模拟方法 |
US20150242577A1 (en) * | 2013-02-27 | 2015-08-27 | Paula Konoske | Medical Logistics Management Program |
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 |
CN109697683A (zh) * | 2017-10-23 | 2019-04-30 | 郑州大学 | 一种危险源下的疏散方法及系统 |
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 |
-
2019
- 2019-12-27 CN CN201911377258.2A patent/CN111144006B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216951A (zh) * | 2007-12-27 | 2008-07-09 | 电子科技大学 | 虚拟场景中的智能群体运动模拟方法 |
EP2518711A1 (en) * | 2011-04-28 | 2012-10-31 | Thales S.A. | Multi-agent simulation system |
US20150242577A1 (en) * | 2013-02-27 | 2015-08-27 | Paula Konoske | Medical Logistics Management Program |
CN104239636A (zh) * | 2014-09-16 | 2014-12-24 | 北京航空航天大学 | 一种火灾应急疏散模拟方法 |
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 |
CN109697683A (zh) * | 2017-10-23 | 2019-04-30 | 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 |
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 |
Non-Patent Citations (4)
Title |
---|
GUIJUAN ZHANG等: "《Knowledge-Based Crowd Motion for the Unfamiliar Environment》" * |
HONG LIU等: "《A grouping approach based on non-uniform binary grid partitioning for crowd evacuation simulation》" * |
MINGLIANG XU等: "《miSFM: On combination of Mutual Information and Social Force Model towards simulating crowde vacuation》" * |
黄丽君等: "《地理信息驱动的快速人群疏散仿真方法》" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765875A (zh) * | 2021-01-04 | 2021-05-07 | 山东师范大学 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
CN112765875B (zh) * | 2021-01-04 | 2022-07-22 | 山东师范大学 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
CN113239566A (zh) * | 2021-05-27 | 2021-08-10 | 大连理工大学 | 基于智能体的融合情绪化的灾后三级层次仿真系统及方法 |
CN113239566B (zh) * | 2021-05-27 | 2021-11-09 | 大连理工大学 | 基于智能体的融合情绪化的灾后三级层次仿真系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111144006B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12005892B2 (en) | Simulating diverse long-term future trajectories in road scenes | |
Xu et al. | Crowd simulation and its applications: Recent advances | |
Von Sivers et al. | Dynamic stride length adaptation according to utility and personal space | |
US20190087668A1 (en) | Electronic device and control method thereof | |
JP7345639B2 (ja) | マルチエージェントシミュレーション | |
WO2022110611A1 (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
CN111144006A (zh) | 基于知识和情绪双重驱动的人群疏散仿真方法及系统 | |
He et al. | A review of behavior mechanisms and crowd evacuation animation in emergency exercises | |
US11580871B2 (en) | Assessment system and assessment method | |
JP2008203913A (ja) | 交通流シミュレーション装置 | |
CN112257258B (zh) | 基于Boids集群运动模型的人群运动仿真方法 | |
CN109740192B (zh) | 基于阿诺德情绪模型的人群疏散仿真方法及系统 | |
Vicovaro et al. | The psychophysics of bouncing: Perceptual constraints, physical constraints, animacy, and phenomenal causality | |
Pustejovsky et al. | Creating common ground through multimodal simulations | |
Ono et al. | Prediction of pedestrian trajectory based on long short-term memory of data | |
Petukhov et al. | Design model of a training simulator in virtual reality | |
Emam et al. | Power wheelchair driver behaviour modelling | |
Gao et al. | Experimental study on pedestrians' collision avoidance | |
Fasanmade et al. | Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction | |
Mohamad et al. | Intelligent agent simulator in massive crowd | |
Kampmann et al. | Automatic mapping of human behavior data to personality model parameters for traffic simulations in virtual environments | |
CN114417568A (zh) | 基于分数阶势场模型的多情绪人群运动仿真方法 | |
Valentin et al. | Human behaviour modelling for simulating evacuation of buildings on fire | |
Liu et al. | A simulation based on emotions model for virtual human crowds | |
Al Shamsi | School auditorium evacuation simulation |
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 |