CN111339668A - 基于情绪认知的人群疏散可视化方法 - Google Patents

Abstract

本发明公开了基于情绪认知的人群疏散可视化方法，包括步骤：构建人群疏散导航网格、初始化人群、紧急事件发生后计算每个个体的情绪和运动速度、根据人群运动信息计算可行走区域的人群密度并对导航网进行更新、根据基于密度信息的导航图搜索算法为每个个体规划最短路径或最快路径、以图形化的方式实现人群疏散可视化。本发明的有益效果在于：区别于传统人群疏散可视化方法，本发明有效地提高了人群疏散可视化的真实性；区别于传统的导航图算法，本发明保证了人群疏散可视化中个体行为的多样性；区别于传统的个体几何表示方法，本发明保证了人群疏散的高效性。

Description

基于情绪认知的人群疏散可视化方法

技术领域

本发明涉及计算机仿真技术领域，特别是基于情绪认知的人群疏散可视化方法。

背景技术

研究紧急情况下人群运动涉及心理学、社会学和群体动力学等复杂领域，是一个多学科 交叉的复杂系统课题。近年来，随着城市计算与群体仿真技术的不断发展，人群紧急疏散成 为现阶段计算机仿真领域的研究热点之一。结合群体动画与可视分析技术，可以进一步发掘 人群的运动模式，有助于将人群快速疏散到避难场所，减少疏散时因人群过度拥挤而造成的 踩踏事故，为建筑规划者提供有效的参考。在城市公共安全、虚拟现实、交通、机器人等各 个领域具有十分重要的研究意义。

然而，传统的群体动画模型大多侧重于路径规划和碰撞避免，难以对真实世界人群运动 进行可视化与仿真。此外，群体行为大多受到人格特质和情绪传染的影响。因此，在对面向 城市安全的人群运动进行可视化与仿真的过程中，除了考虑个体路径规划之外，其内在个性 和情绪传染也是一个需要考虑的重要因素。

在心理学领域，情绪感染的本质是情绪的交流和传递，情绪传染对个体在特定情况下的 情绪、行为和决策有很大的影响。例如，在地震或火灾紧急疏散时，情绪传染会加剧恐慌， 促使个人立即采取行动，积累恐惧和压力。过度的恐慌会使个体很难仔细思考和判断当前的 情况，导致Herd行为的增加和疏散时间的增加。此外，与积极情绪如冷静、自信、乐观等相 比，消极情绪如恐慌、焦虑、恐惧、不耐烦、生气等对人群疏散的负面影响更大。

发明内容

为了解决现有人群疏散可视化方法的不足，本发明提供了基于情绪认知的人群疏散可视 化方法，考虑了人群疏散过程中的上躯干运动、情绪传染、人群密度和路径规划，并且对这 些因素进行了量化和分析，对现有常见人群疏散可视化方法进行改进，使可视化效果更准确， 符合真实世界人群疏散情况，为城市公共安全、建筑规划、紧急演练等领域提供灵活可控的 可视化工具。

实现本发明目的的技术方案如下：

基于情绪认知的人群疏散可视化方法，包括：

步骤1：根据三维环境信息Environment、障碍物信息Obstacles以及出口信息Exits构建人群 疏散导航网格Navmesh；

步骤2：初始化人群Crowd，人群Crowd中每个个体包括人格特质Ψ、初始情绪值e⁰和初始 运动速度v⁰；其中，个体i的人格特质根据OCEAN模型得到，如下：

其中，O为开放性，C为尽责性，E为外向性，A为亲和性，N为情绪稳定性；公式(1) 表示个体i的人格特质组成，公式(2)表示个体i的每个人格分量的大小，Norm表示正态 分布，均值为μ_i∈[0,1]，标准差为σ_i∈[-0.1,0.1]；

步骤3：紧急事件于t时刻发生，根据每个个体的人格特质Ψ，计算t+1时刻每个个体的情绪 e^t+1和运动速度v^t+1；其中，个体i的计算方法为：

计算个体i的情绪吸收性

与个体j的情绪传染性

其中，β∈[0,1)表示亲和性所占据的权重；γ∈[0,1)表示外向性所占据的权重；

个体i受其感知范围d内其他个体j的情绪影响，根据个体i的情绪吸收性

与个体j的情绪 传染性

计算t时刻个体i受个体j的情绪变化值，

计算个体i在t+1时刻的情绪值

其中，α∈[0,1)表示情绪衰减的强度，J表示个体i感知范围d内其他个体的总数；

计算个体i在t+1时刻的运动速度

其中，v_max为个体的最大运动速度；

步骤4：根据人群运动信息计算t+1时刻可行走区域的人群密度ρ，并对导航网格Navmesh进 行更新；

步骤5：根据基于密度信息的导航图搜索算法为每个个体规划最短路径p_short或最快路径p_fast；

步骤6：以图形化的方式实现人群疏散可视化。

进一步地，所述步骤5，根据基于密度信息的导航图搜索算法为每个个体规划最短路径 p_short或最快路径p_fast，具体为：

5.1：根据导航网格Navmesh的信息，确定个体起点位置所在的可行走区域M₀和出口位置所 在的可行走区域M_exit；

5.2：搜索个体当前所在区域M₀的相邻可行走区域，计算该区域的人群密度ρ_k，

ρ_k＝n_k/a_k； (8)

其中，n_k表示相邻的第k个可行走区域的个体数，a_k表示该可行走区域的面积；

5.3：判断与个体所在区域相邻的可行走区域的人群密度ρ_k与阈值ρ_th的大小关系，基于该密度 信息ρ_k计算导航图搜索算法的成本值F，

其中，G表示当前网格到相邻网格穿入边与穿出边的中点的距离；H表示当前网格中心点 到出口位置的距离；

5.4：从个体当前所在区域M₀开始搜索导航图，直至搜索到区域M_exit，回溯索引得到个体从当 前所在区域M₀到出M_exit的最短路径p_short或最快路径p_fast。

上述技术方案中，进一步地，所述步骤6之前，还包括根据个体胶囊体几何表示半径l+ r，利用人群密度信息计算个体躯干转动的步骤，具体为：

1)将个体i表示为胶囊体的几何结构，由一个长为l_i宽为r_i的矩形及位于矩形两侧半径为r_i的 半圆形组成；

2)当个体i所在区域的人群密度大于阈值ρ_th，t时刻体i的转动角度θ_i计算公式如下：

其中，c表示个体i沿当前路径方向的可达间隙；ω_i＝l/2+r_i表示胶囊体的半长轴。

与现有技术相比，本发明的有益效果在于：

1.区别于传统人群疏散可视化方法，本发明有效地提高了人群疏散可视化的真实性。

传统的人群疏散可视化方法通过计算个体所受的吸引力、排斥力等实现人群疏散可视化， 这样的方法在模拟人群疏散时不能真实的反映个体的运动变化。由于疏散时个体的运动受到 其心理状态的影响，本发明利用通过计算个体每时刻的情绪值，并引入基于密度的导航图算 法，为个体规划疏散时的最短路径或最快路径，使得可视化结果更加真实。

2.区别于传统的导航图算法，本发明保证了人群疏散可视化中个体行为的多样性。

传统的导航图算法通过导航网格、障碍物信息与起/终点信息，算法计算从起点到终点的 最短路径，随着个体数量的增多，狭窄的区域容易产生拥挤，从而导致个体的路径选择单一。 本发明通过改进的A*算法，基于可行走区域的密度信息为个体规划最短路径或最快路径，保 证了人群疏散可视化中个体行为的多样性。

3.区别于传统的个体几何表示方法，本发明保证了人群疏散的高效性。

传统的个体几何表示采用disc-based方法将个体表示为一个圆盘，浪费了大量的个体可 达空间，个体的几何特征一般是前后占据的空间小于左右占据的空间，因此传统的几何表示 方法降低了疏散效率。本发明基于个体的几何特征利用胶囊体的几何表示方法，并结合密度 信息实现个体的驱赶转动行为，从而使个体根据最快路径高效地到达出口。

附图说明

图1为本发明方法的整体工作流程示意图。

图2为本发明方法的扁平化个体几何表示示意图。

图3为本发明方法的环境输入模块示意图。图中，黑色矩形表示障碍物，灰色多边形 网格表示生成的导航网格。

图4为本发明方法的人群初始化示意图。如图所示，人群中每个个体用图2所示的胶 囊体进行表示；仿真开始在导航网格上随机生成个体。

图5为本发明方法的情绪传染示意图。如图所示，发生紧急事件，恐慌情绪在人群中 进行传播；个体颜色的深度表示当前个体的恐慌程度，恐慌情绪累积越多，颜色越深；反之，颜色越浅。

图6为传统人群疏散可视化方法结果示意图。如图所示，传统方法既没有考虑情绪传染， 也没有考虑人群密度对疏散效率的影响，人群疏散效率较低。

图7现有基于情绪传染的人群疏散可视化方法结果示意图。如图所示，现有的基于情 绪传染的人群疏散可视化方法没有考虑人群密度和个体上躯干转动的影响；个体颜色深度表 示恐慌的程度，虽然恐慌情绪得以传播，但在狭窄区域仍然会产生拥挤。

图8为本发明方法的最短路径示意图。如图所示，阴影部分人群密度值小于0.5人/m²时，个体选择最短路径到达出口，灰色曲线表示个体的最短路径。

图9为本发明方法的最快路径示意图。如图所示，阴影部分人群密度值大于0.5人/m²时，个体选择最快路径到达出口，灰色曲线表示个体的最快路径。

具体实施方式

具体实施步骤如下所示：

步骤1：输入并配置相应三维环境信息Environment、障碍物信息Obstacles以及出口信息 Exits，构建人群疏散导航网格Navmesh，如图3所示。初始化个体i的情绪值

与速度

情 绪值

是指初始时刻设置个体的情绪值为0，即无情绪状态；疏散过程中个体的情绪值介于0 到1之间，情绪值大于0为情绪激活状态；速度

是指初始时刻为个体随机分配1.3-1.5m/s 的行走速度；如图4所示。

步骤2：基于OCEAN模型初始化个体i的人格特质Ψ_i，OCEAN模型将个体的人格特质描述为5个维度的变量，包括开放性-Openness,尽责性-Conscientiousness,外向性-Extroversion,亲和性-Agreeableness和情绪稳定性-Neuroticism；计算公式如下：

其中，公式(1)表示个体i的人格特质组成，公式(2)表示个体i的每个人格分量的大小， Norm表示正态分布，均值为μ_i∈[0,1]，标准差为σ_i∈[-0.1,0.1]。

步骤3：假定时间是等间隔的，紧急事件于t时刻发生，根据每个个体的人格特质Ψ，对 下一时刻个体的情绪e^t+1进行更新；个体i的情绪吸收性

与个体j的情绪传染性

计算公 式如下：

其中，β∈[0,1)表示亲和性所占据的权重；γ∈[0,1)表示外向性所占据的权重。

假定个体i受其感知范围d内其他个体j的情绪影响，根据个体i的情绪吸收性

与个体j 的情绪传染性

计算t时刻个体i受个体j的情绪变化值。计算公式如下：

基于情绪认知对个体i的情绪进行更新，目标是考虑情绪衰减与其他个体的情绪传染，如 图5所示，计算个体i在下一时刻t+1的情绪值

计算公式如下：

其中，α∈[0,1)表示情绪衰减的强度，J表示个体i感知范围d内其他个体的总数。

基于个体i在t时刻的情绪值，并根据最大运动速度v_max对个体i的运动速度进行更新，目 标是计算个体i在t+1时刻的运动速度

计算公式如下：

步骤4：根据人群运动信息计算t+1时刻可行走区域的人群密度ρ，并对导航网格Navmesh进行更新；

步骤5：根据基于密度信息的导航图搜索算法为每个个体规划最短路径p_short或最快路径 p_fast；

步骤6：以图形化的方式实现人群疏散可视化。

作为另一种实现的方式，所述步骤5，根据基于密度信息的导航图搜索算法，利用采用改 进的A*算法为每个个体规划最短路径p_short或最快路径p_fast，具体为：

基于个体i所在可行走区域的相邻区域人群运动信息，计算相邻可行走区域的人群密度ρ_k， 为个体规划到达出口位置P_exit的最短路径p_short或最快路径p_fast；所述最短路径p_short是指在 相邻可行走区域人群密度ρ_k小于阈值ρ_th时，通过A*算法为个体重新规划到达出口用时最短 的路径，如图6所示；所述最快路径p_fast是指在相邻可行走区域人群密度ρ_k大于阈值ρ_th时， 通过基于密度A*算法为个体重新规划到达出口用时最短的路径，如图7所示；基于密度的导 航图算法执行步骤如下：

5.1：根据三维环境信息Environment、障碍物信息Obstacles以及出口信息Exits构建人 群疏散导航网格Navmesh；

5.2：搜索个体当前所在区域M₀的相邻可行走区域，计算该区域的人群密度ρ_k，计算公式 如下：

ρ_k＝n_k/a_k； (8)

其中，n_k表示相邻的第k个可行走区域的个体数，a_k表示该可行走区域的面积。

5.3：确定个体i起点位置P₀所在的网格M₀，并将其存入OpenList开放列表；

5.4：遍历网格M₀相邻的可达网格M_{0_neighbor}，将其存入OpenList，并设置其父节点为M₀；

5.5：从OpenList中删除起点网格M₀，将其加入CloseList，其中的网格不需要再一次进 行遍历；

5.6：判断ρ_k与阈值ρ_th的大小关系，若ρ_k小于阈值则利用A*算法为个体规划最短路径 p_short；若ρ_k大于阈值则利用改进的A*算法为个体规划最快路径p_fast；计算OpenList中的网 格到达出口位置P_exit的距离度量F，计算公式如下：

其中，G表示当前网格到相邻网格穿入边与穿出边的中点的距离；H表示当前网格中心点 到出口位置的距离；

5.7：从OpenList中选择F最小的网格M_s，进行如下操作：

5.7.1：将网格M_s从OpenList中删除，加入CloseList；

5.7.2：遍历网格M_s相邻可达网格M_{s_neighbor}，如果这些网格不在OpenList，则将其加入； 计算这些网格的G值、H值和F值；

5.7.3：若这些网格中存在G值更小的三角形，则将其父节点更新为M_s；

5.8：重复以上步骤，直到遍历到出口位置P_exit；

5.9：从出口位置P_exit索引父节点直至个体的起点位置P₀，则可以根据密度信息为个体规 划最短路径p_short或最快路径p_fast。

另一种实现的方式，所述步骤6之前，还包括基于胶囊体的个体几何表示方法替代传统 disc-based方法，目的是利用人群密度信息计算个体躯干转动，从而使个体i通过转向的方式 快速穿过拥挤的人群；具体为：

1)将个体i表示为胶囊体的几何结构，由一个长为l_i宽为r_i的矩形及位于矩形两侧半径为 r_i的半圆形组成；

2)当个体i所在区域的人群密度大于阈值ρ_th，t时刻体i的转动角度θ_i计算公式如下：

其中，c表示个体i沿当前路径方向的可达间隙；ω_i＝l/2+r_i表示胶囊体的半长轴。

为验证本发明的有效性，本发明设计了两个对比试验，试验一为本发明与传统人群疏散 可视化方法的对比实验。试验二为本发明与现有的基于情绪传染的人群疏散可视化方法的对 比实验：

试验一

本试验将本发明的方法与传统人群疏散可视化方法作对比，传统人群疏散方法采用经典 的社会力模型。个体采用disc-based方法进行表示，个体个人空间半径设置为0.5m，速度大 小设置为1.3-1.5m/s之间。根据个体所受到的目标驱动力和排斥力，将个体当前所受合力定 义为：

其中，m_i表示个体i的质量；

表示t时刻个体i的期望速度；

表示个体i的目标方向；

表示t时刻个体i的实际行走速度；τ_i表示时间步长；以上几项即构成个体的目标驱动力,

表示个体i与其他个体j之间的排斥力；

表示个体i与障碍物W之间的排斥力。

图8是基于社会力模型的人群疏散可视化方法结果示意图，该方法既没有考虑情绪传染， 也没有考虑人群密度对疏散效率的影响，人群疏散效率较低，个体难以到达出口区域。

试验二

本试验将本发明的方法与现有的基于情绪传染的人群疏散可视化方法进行对比，个体采 用disc-based方法进行表示，个体个人空间半径设置为0.5m，速度大小设置为1.3-1.5m/s之 间。图9是现有基于情绪传染的人群疏散可视化方法结果示意图，如图所示，颜色深度表示 恐慌情绪的积累，虽然恐慌情绪得以传播，但由于现有的基于情绪传染的人群疏散可视化方 法没有考虑人群密度的影响，在狭窄区域仍然会陷入局部拥塞。

Claims (3)

1.基于情绪认知的人群疏散可视化方法，其特征在于，包括：

步骤1：根据三维环境信息Environment、障碍物信息Obstacles以及出口信息Exits构建人群疏散导航网格Navmesh；

步骤2：初始化人群Crowd，人群Crowd中每个个体包括人格特质Ψ、初始情绪值e⁰和初始运动速度v⁰；其中，个体i的人格特质根据OCEAN模型得到，如下：

其中，O为开放性，C为尽责性，E为外向性，A为亲和性，N为情绪稳定性；公式(1)表示个体i的人格特质组成，公式(2)表示个体i的每个人格分量的大小，Norm表示正态分布，均值为μ_i∈[0,1]，标准差为σ_i∈[-0.1,0.1]；

步骤3：紧急事件于t时刻发生，根据每个个体的人格特质Ψ，计算t+1时刻每个个体的情绪e^t+1和运动速度v^t+1；其中，个体i的计算方法为：

计算个体i的情绪吸收性

与个体j的情绪传染性

其中，β∈[0,1)表示亲和性所占据的权重；γ∈[0,1)表示外向性所占据的权重；

个体i受其感知范围d内其他个体j的情绪影响，根据个体i的情绪吸收性

与个体j的情绪传染性

计算t时刻个体i受个体j的情绪变化值，

计算个体i在t+1时刻的情绪值

其中，α∈[0,1)表示情绪衰减的强度，J表示个体i感知范围d内其他个体的总数；

计算个体i在t+1时刻的运动速度

其中，v_max为个体的最大运动速度；

步骤4：根据人群运动信息计算t+1时刻可行走区域的人群密度ρ，并对导航网格Navmesh进行更新；

步骤5：根据基于密度信息的导航图搜索算法为每个个体规划最短路径p_short或最快路径p_fast；

步骤6：以图形化的方式实现人群疏散可视化。

2.根据权利要求1所述的人群疏散可视化方法，其特征在于，所述步骤5，根据基于密度信息的导航图搜索算法为每个个体规划最短路径p_short或最快路径p_fast，具体为：

5.1：根据导航网格Navmesh的信息，确定个体起点位置所在的可行走区域M₀和出口位置所在的可行走区域M_exit；

5.2：搜索个体当前所在区域M₀的相邻可行走区域，计算该区域的人群密度ρ_k，

ρ_k＝n_k/a_k； (8)

其中，n_k表示相邻的第k个可行走区域的个体数，a_k表示该可行走区域的面积；

5.3：判断与个体所在区域相邻的可行走区域的人群密度ρ_k与阈值ρ_th的大小关系，基于该密度信息ρ_k计算导航图搜索算法的成本值F，

其中，G表示当前网格到相邻网格穿入边与穿出边的中点的距离；H表示当前网格中心点到出口位置的距离；

5.4：从个体当前所在区域M₀开始搜索导航图，直至搜索到区域M_exit，回溯索引得到个体从当前所在区域M₀到出M_exit的最短路径p_short或最快路径p_fast。

3.根据权利要求1或权利要求2所述的人群疏散可视化方法，其特征在于，所述步骤6之前，还包括根据个体胶囊体几何表示半径l+r，利用人群密度信息计算个体躯干转动的步骤，具体为：

1)将个体i表示为胶囊体的几何结构，由一个长为l_i宽为r_i的矩形及位于矩形两侧半径为r_i的半圆形组成；

2)当个体i所在区域的人群密度大于阈值ρ_th，t时刻体i的转动角度θ_i计算公式如下：

其中，c表示个体i沿当前路径方向的可达间隙；ω_i＝l/2+r_i表示胶囊体的半长轴。

Images