CN111611749A - 基于rnn的室内人群疏散自动引导仿真方法及系统 - Google Patents
基于rnn的室内人群疏散自动引导仿真方法及系统 Download PDFInfo
- Publication number
- CN111611749A CN111611749A CN202010448404.2A CN202010448404A CN111611749A CN 111611749 A CN111611749 A CN 111611749A CN 202010448404 A CN202010448404 A CN 202010448404A CN 111611749 A CN111611749 A CN 111611749A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- crowd
- rnn
- pedestrian
- guiding
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本公开提出一种基于RNN的室内人群疏散自动引导仿真方法及系统,其中方法包括利用差分算法,以减少疏散时间为优化准则,优化RNN网络参数,建立实时疏散状态、引导策略和人群疏散时间之间的联系;在疏散过程中,通过获取疏散过程中的各区域人群分布密度信息作为RNN网络的输入和前λ时刻网络中间状态,得到当前时刻各个导航点之间的引导概率,进而利用基于轮盘赌的伪随机选择策略为当前时刻的行人创建下一时刻的临时运动目标,进而引导行人疏散运动,达到降低人群疏散时间的目的;本公开从影响疏散效率的关键因素之一“拥堵”入手,利用RNN建立疏散人群分布概率和疏散策略之间的映射关系,可以有效地为不熟悉场景和不能获取完整疏散信息的行人提供有效的疏散帮助,实现对突发事件室内人群安全疏散计划的科学指导。
Description
技术领域
本公开涉及人群疏散计算仿真技术领域,特别是涉及一种基于RNN的室内人群疏散自动引导仿真方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
近年来,随着各种聚集大量人群的社会公共活动不断增多,由此引发的公共安全问题引起了诸多专家学者的关注。处于相对封闭空间的密集人群往往处于高度不稳定状态,微小的异动极易引发大规模的骚乱。当发生各种紧急突发事件,人员需要紧急撤离时,容易造成严重的人员踩踏事故,导致生命和财产的损失。尤其是在人们对建筑场所结构不熟悉,以及应急管理方面不到位的情况下,行人在疏散过程中由于心理紧张而不知所措,往往进行没有目标的盲目从众跟随运动,导致疏散资源不能够被充分地利用,容易造成一些通道和出口拥挤,而另一些却闲置。由于人群疏散实验过程通常被认为存在一定的随机性,即实验过程无法再现,且参与演戏人员的安全无法得到有效的保障,因此计算机仿真技术逐渐成为研究突发事件下人群疏散的最有效方法之一。
利用计算机仿真人群疏散除了真实地模拟个体在疏散过程中的行为动作外,更重要的是能够有效地评估外在引导对于提升疏散效率的影响。一般来讲,制定合理的人群疏散引导策略除了要实时把握和分析疏散状态外,以往的疏散经验往往也具有极其重要的借鉴意义。根据实时的疏散人群分布制定相对应的引导策略,引导人群朝着正确的疏散通道运动,分流疏散人群,平衡各个通道和出口的拥挤度,加快行人的疏散速度,促进环境资源的充分利用,提高人群的整体疏散效率。
依据现有的疏散视频,发明人发现,在危机情况下,每个人都是根据获取的实时疏散信息及时调整自己运动速度和运动目标,从而尽快脱离危险环境。但如果在疏散过程中受到视野、情绪等影响,人们往往不能获取完整的疏散信息,因此不能理智的规划其运动路径,导致了行人运动的盲目性,这是造成疏散资源不能充分利用的根本原因之一。如果把行人疏散路径规划过程看成一个决策函数,则其输入为实时的疏散状态,而其输出则为选择下一时刻的临时运动目标的策略。一个良好的决策函数能够依据不同的疏散状态而产生优化的决策。综上所述,构造一个基于实时疏散状态的决策函数为行人实时提供疏散决策是解决行人运动盲目性的较好的办法。
神经网络是一种模仿生物神经网络结构和功能的数学模型或计算模型,是一门重要的机器学习技术,是目前最为火热的研究方向——深度学习的基础,常用语用于函数的估计或近似。一个标准的神经网络是由:输入层,隐藏层,输出层等构成。如果将输入层的输入特征分量看成是函数参变量,输出层的数据看作某一函数的输出值,则神经网络的学习过程就是依据输出层的教师信号建立输入和输出隐式表达式的过程。与其他机器学习方法相比较,神经网络的一个重要特性是它能够从环境中学习,通过调整内部大量节点之间相互连接的关系(权值)深入挖掘和分析输入信号与输出信号之间的内在联系。
如果将神经网络的输入节点设为实时的疏散环境状态,而网络的输出为人群疏散的引导策略,则该神经网络可视为人群疏散的引导策略函数,且策略函数的优劣则依据其对人群疏散引导产生的疏散时间来估计。对于相同的疏散状态,其网络连接权参数不同,则产生不同的疏散引导策略序列,进一步影响人群整体的疏散时间,因此,这个人群疏散引导效率的优化问题就转变为最优引导策略函数的优化问题,即神经网络的权值优化问题。如果神经网络所表示的函数定义为由节点连接权张成的函数空间,则前述权值优化问题则可以视为在泛函空间寻找最优解函数的问题。利用神经网络产生引导策略的最大优势在于可以依据实时动态变换的状态信息,产生实时的引导策略,且神经网络通过内部大量节点之间相互连接权重也能够分析疏散状态信息(输入节点)之间的内在联系对疏散引导决策(输出节点)的影响。
发明人发现传统的BP神经网络和CNN(卷积神经网络)的输出都是只考虑前一个输入的影响而不考虑其它时刻输入的影响,而疏散过程中的疏散决策往往需要参照之前人群的运动趋势和分布状况,而RNN是一种特殊的神经网络结构,它是根据"人的认知是基于过往的经验和记忆"这一观点提出的,其不仅考虑前一时刻的输入,而且赋予了网络对前面的内容的一种'记忆'功能;RNN网络短时记忆的功能有利于充分利用近期疏散信息来制定将来的疏散策略。
发明内容
本公开为了解决上述问题,提出了一种基于RNN神经网络的室内人群疏散自动引导仿真方法及系统,考虑到人群拥堵是影响人群疏散效率重要因素,所以用以产生引导策略的神经网络的输入端为场景各区域人群密度,而网络的输出端则表示了当前位置到相邻导航点的转移概率,进而利用轮盘赌策略为当前行人产生下一时刻运动的临时目标点,逐步引导行人疏散;所述方法及系统不仅能够为安全疏散提供合理的方案,并且为建筑结构的设计,密集人群管理,突发事件安全疏散计划等提供科学指导。
根据本公开实施例的第一个方面,提供了一种基于RNN的室内人群疏散自动引导仿真方法,包括:
将疏散场景进行区域划分,获取场景中的出口位置信息、障碍物信息、导航点信息以及各区域的行人密度;
构建RNN神经网络模型,并对其进行训练,建立实时的人群疏散状态与引导策略之间的映射关系;
基于训练好的网络模型进行人群疏散仿真,在疏散过程中实时获取人群分布密度,并通过训练好的模型获得导航点之间的引导概率;
采用基于轮盘赌的伪随机策略为当前时刻的行人生成下一时刻的临时运动目标,并引导行人运动,直至完成人员疏散。
进一步的,所述疏散场景进行区域划分的规则为,将疏散场景划分为若干不包含障碍物且互不重叠的区域,所述区域构成疏散场景的可行区域,行人在可行区域内移动。
进一步的,所述导航点设置在拐角、交叉路口及出口附近,用于指示和引导行人疏散。
进一步的,所述导航点之间的引导概率体现了导航点之间引导行人疏散的可能性,定义导航点之间某一时刻的引导概率用以引导行人选择下一时刻的临时运动目标。
进一步的,所述导航点之间的引导概率定义准则为:
(1)如果两个导航点之间的连线经过障碍物,则引导概率为0;
(2)如果两个导航点之间连线存在第三个导航点,则引导概率为0;
(3)如果不存在上述两种条件的导航点,则其在t时刻引导概率由t时刻的疏散状态确定,即RNN神经网络产生的导航点之间的引导概率。
进一步的,所述人群分布密度通过计算疏散场景各区域的人群密度来获得,各个区域的人群密度表示当前时刻的疏散状态。
进一步的,构造RNN神经网络,其网络的输入层节点个数为疏散场景可行区域划分的数量,其输入层的输入为所述的当前时刻的疏散状态,其输出层表示了导航点之间的引导概率。
进一步的,当行人到达某一导航点邻域后,依据当前时刻导航点之间的引导概率,利用轮盘赌伪随机策略为行人选择下一时刻的运动目标,基于轮盘赌伪随机策略的导航点选择策略能够描述行人在疏散过程中的随机特性,并且能够从概率上确保行人能够获得较优的运动目标,降低整体的疏散时间,具体的,行人选择下一时刻的临时运动目标的计算公式如下:
根据本公开实施例的第二个方面,提供了一种基于RNN的室内人群疏散自动引导仿真系统,包括:
信息获取单元:用于实时获取疏散场景中行人的位置信息以及各个区域人群密度信息;
策略网络学习单元:以各区域密度信息作为输入,以行人疏散引导策略为输出,而网络的学习过程以降低疏散时间为优化目标;
引导疏散单元:利用信息单元获取的区域密度信息,利用策略网络计算个导航点的引导概率,进一步利用轮盘赌策略选择导航点,作为到达当前导航点行人下一时刻的运动目标;
人群运动单元:行人根据引导疏散单元所确定的下一时刻的运动目标,采用相对速度障碍技术(RVO)驱动行人运动,实现人群疏散行为的仿真。
根据本公开实施例的第三个方面,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RNN的室内人群疏散自动引导仿真方法。
与现有技术相比,本公开的有益效果是:
(1)本公开将神经网络的函数估计功能引入人群疏散当中,以便根据实时的、动态的疏散状态信息及时调整疏散路径,引导人群有组织,有目标的疏散,避开有拥堵的路段,提高疏散速度,为紧急情况下的快速人群疏散提供支持;
(2)本公开依据实时的疏散环境信息产生实时的引导策略,引导行人疏散,从而避免行人受视野所限不能全面了解疏散信息从而做出的运动误判,最终使行人避开拥堵路端,提高疏散速度;
(3)本公开利用神经网络建立人群拥堵、导航点之间的引导策略与疏散效率之间的内在联系,进而将疏散效率的优化,转化为导航点之间的引导策略的优化,进一步消除疏散拥堵对疏散效率的影响;
(4)本公开考虑到在实际疏散中,疏散状态并非稳态变换,故采用了变长时间间隔的中间状态来共同生成下一时刻的疏散策略。
(5)本公开中所有使用的行人位置可由蓝牙设备获取,而引导信息可利用手持智能终端进行推送接收,因此本公开可以用于突发事件下的室内人群疏散引导。
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是本公开实施例一中的一种基于神经网络的室内人群疏散自动引导仿真方法流程图;
图2是本公开实施例一中的导航点分布和区域划分示意图;
图3是本公开实施例一中的RNN策略网络示意图;
图4是本公开实施例一中的RNN策略网络学习示意图;
图5是本公开实施例一中的人群疏散管理流程图;
图6是本公开实施例一中的中疏散初期的人群示意图;
图7是本公开实施例一中利用策略网络引导人群疏散后期分布图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
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。
实施例一:
以下列举了本公开的一个较佳实施案例,采用基于RNN神经网络的室内人群疏散自动引导系统可以综合实时的疏散环境信息,为行人提供更优化的疏散策略,降低人群的疏散时间。
图1是本公开所述的基于RNN的室内人群疏散自动引导系统指引行人疏散的流程示意图,一种基于RNN的室内人群疏散自动引导系统方法,包括:
将疏散场景划分为若干不包含障碍物且互不重叠的区域:Ui且Ui∩Uj=φ(i≠j),所有的Ui构成了疏散场景的可行区域行人也只在可行区域A内移动,可行区域的数量定义为|U|,场景的区域划分如图2所示,其中包括浅灰色区域和深灰色区域(黑色条形区域为障碍物和墙)。
进一步的,在可行区域内定义引导疏散的导航点Ni,用于指示和引导行人疏散,参照目前超市出口指示牌的分布,导航点往往设置在拐角,交叉路口和出口附近;导航点的设置实际包含了一定的疏散先验知识,导航点的数量用|N|表示,所述导航点的区域划分如图2所示(黑色方形区域)。
进一步的,定义导航点之间(如图2所示黑色方形区域之间)t时刻的引导概率Pt(Ni,Nj)用以引导行人选择下一时刻的临时运动目标。导航点之间的引导概率体现了导航点之间引导行人疏散的可能性。如果导航点k满足如下的表达式
则表明在当前时刻引导行人朝导航点Nk运动有利于缩短疏散时间的。其中Ωi表示所有与导航点Ni之间引导概率不为0的集合。导航点之间的引导概率Pt(Ni,Nj)定义准则为:
(1)如果两个导航点之间的连线经过障碍物,则引导概率为0;
(2)如果两个导航点之间连线存在第三个导航点,则引导概率为0;
(3)如果不存在上述两种条件的导航点,则其在t时刻引导概率由t时刻的疏散状态确定;
需要进一步说明的是,一般来讲,Pt(Ni,Nk)≠Pt(Nk,Ni);
进一步的,构造RNN人工神经网络,其网络的输入层节点个数为疏散场景可行区域划分的数量,其输出层表示了导航点之间的引导概率;如图3所示,其中输入节点的个数对应于图1所示区域数量,输出节点对应于各导航点之间的引导概率。
进一步的,计算场景所有区域的人群密度,其计算工时如下:
进一步的,当行人i在时刻t进入某一导航点邻域时,将上述输入状态和(t-λ)时刻的网络中间状态送入神经网络输入端(λ为疏散时间间隔),利用网络获取t时刻导航点之间的转移概率Pt(Ni,Nk);行人进入某一导航点邻域可用下式表示:
在上式中,DS(i,j)表示行人i到导航点j之间的距离,δ为导航点邻域半径,即当行人距某一导航点小于邻域半径时,行人将接受新的运动目标,直至其撤离现场。如果行人i的位置用POS(mi)表示,导航点k位置POS(Ni),则他们之间的距离可表示如下:
进一步的,λ为疏散时间间隔,考虑到疏散过程为非稳态过程,在本发明中,时间间隔确定为如下表达式:
上述公式进一步说明,不在行人视野范围之内的导航信息无助于其运动决策。
进一步的,如果行人到达导航点邻域k邻域后,依据当前时刻导航点之间的引导概率(由RNN神经网络产生),利用轮盘赌为行人选择下一时刻的运动目标。设导航点k到达其他导航点的引导概率中,不为0的概率为Pt(Nk,Ni),其中(i=1,…,n),n为引导概率不为0的导航点总数,且其归一化之后的概率值为则行人选择下一时刻的临时运动目标如下所示:
在上述公式中,srd为[0,1]之间的随机数。基于轮盘赌的导航点选择策略不仅能够描述行人在疏散过程中的随机特性,更能够从概率上确保所有行人能够获得较优的运动目标,降低整体的疏散时间;上述步骤为行人的疏散引导过程,其前提是采用学习后的神经网络来产生实时的疏散引导策略。
由于本系统的疏散引导策略网络并不存在标准的教师信号,因此不能产生反向传播的网路调整误差,因此传统的网络学习机制并不能用于当前网络优化,为此我们以疏散时间为引导策略网络的评估值,以网络权重作为样本个体分量,进而利用差分算法来优化前述策略网络。
进一步的,RNN神经网络引导策略模型的学习流程图,如图4所示,其具体步骤如下:
步骤(2):初始化种群个体数目为Np,即Wi(i=1,…,Np),并设置个体各维取值范围[Lmin,Lmax],并依据取值范围初始化个体各维数据,可设定取值范围为[-1,1]。另外,需要初始化的参数还有:缩放因子F和交叉常数CR。
步骤(3):利用种群个体赋值策略网络权重和激励函数的阈值,并依据实时的疏散状态产生引导策略,引导人群数疏散,人群疏散疏散时间Twi作为该种群个体的适应值。
步骤(4):为每一个体生成其变异向量,其公式如下所示:
vi=wi1+F×(wi2-wi3) (8)
其中wi1,wi2,wi3分别为随机选取的不等于wi的个体。F为缩放因子
步骤(5):为每一个体产生其交叉变量ui,其分量由下式确定:
在上式中,srd为[0,1]之间的随机数,srdj为[1,D]之间的整数。
步骤(6):将每一交叉变量ui赋值决策网络,引导行人疏散,并经人群疏散时间Tui设置为ui的评估值
步骤(7):利用贪婪算法实现种群个体的更新,更新公式如下:
步骤(8):保存最优个体,检查是否满足结束条件,如果满足就终止学习,否则就转向步骤(4)
从上述步骤可以看出,整个网络节点连接权值和激励函数阈值优化的方向是尽量缩小人群的整体疏散时间。
进一步的,将保存最优个体所代表的网络节点连接权值和激励阈值赋值给网络,依据实时动态的人群区域密度分布为到达导航点的行人规划下一时刻的运动目标,引导行人运动提高疏散效率。
实施例二:
本实施例的目的是提供了一种基于RNN的室内人群疏散自动引导仿真系统。
一种基于RNN的室内人群疏散自动引导仿真系统,包括:
信息获取单元:用于实时获取疏散场景中行人的位置信息以及各个区域人群密度信息;
策略网络学习单元:以各区域密度信息作为输入,以行人疏散引导策略为输出,而网络的学习过程以降低疏散时间为优化目标;
引导疏散单元:利用信息单元获取的区域密度信息,利用策略网络计算个导航点的引导概率,进一步利用轮盘赌策略选择导航点,作为到达当前导航点行人下一时刻的运动目标;
人群运动单元:行人根据引导疏散单元所确定的下一时刻的运动目标,采用相对速度障碍技术(RVO)驱动行人运动,实现人群疏散行为的仿真。
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实现以下步骤,包括:
将疏散场景进行区域划分,获取场景中的出口位置信息、障碍物信息、导航点信息以及各区域的行人密度;
构建RNN神经网络模型,并对其进行训练,建立实时的人群疏散状态与引导策略之间的映射关系;
基于训练好的网络模型进行人群疏散仿真,在疏散过程中实时获取人群分布密度,并通过训练好的模型获得导航点之间的引导概率;
采用基于轮盘赌的伪随机策略为当前时刻的行人生成下一时刻的临时运动目标,并引导行人运动,直至完成人员疏散。
上述实施例提供的一种基于RNN的室内人群疏散自动引导仿真方法及系统完全可以实现,具有广阔应用前景。
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 (10)
1.一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,包括:
将疏散场景进行区域划分,获取场景中的出口位置信息、障碍物信息、导航点信息以及各区域的行人密度;
构建RNN神经网络模型,并对其进行训练,建立实时的人群疏散状态与引导策略之间的映射关系;
基于训练好的网络模型进行人群疏散仿真,在疏散过程中实时获取人群分布密度,并通过训练好的模型获得导航点之间的引导概率;
采用基于轮盘赌的伪随机策略为当前时刻的行人生成下一时刻的临时运动目标,并引导行人运动,直至完成人员疏散。
2.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述疏散场景进行区域划分的规则为,将疏散场景划分为若干不包含障碍物且互不重叠的区域,所述区域构成疏散场景的可行区域,行人在可行区域内移动。
3.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述导航点设置在拐角、交叉路口及出口附近,用于指示和引导行人疏散。
4.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述导航点之间的引导概率体现了导航点之间引导行人疏散的可能性,定义导航点之间某一时刻的引导概率用以引导行人选择下一时刻的临时运动目标。
5.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述导航点之间的引导概率定义准则为:当两个导航点之间的连线经过障碍物,则引导概率为0;当两个导航点之间连线存在第三个导航点,则引导概率为0;上述两种条件以外的导航点,其在t时刻引导概率由t时刻的疏散状态确定,即利用训练好的RNN神经网络获得的导航点之间的引导概率。
6.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述人群分布密度通过计算疏散场景各区域的人群密度来获得,各个区域的人群密度表示当前时刻的人群疏散状态。
7.如权利要求1所述的一种基于RNN的室内人群疏散自动引导仿真方法,其特征在于,所述RNN神经网络的输入层节点个数为疏散场景可行区域划分的数量,其输入层的输入为当前时刻的人群疏散状态,其输出层表示当前时刻导航点之间的引导概率。
9.一种基于RNN的室内人群疏散自动引导仿真系统,其特征在于,包括:
信息获取单元:用于实时获取疏散场景中行人的位置信息以及各个区域人群密度信息;
策略网络学习单元:以各区域密度信息作为输入,以行人疏散引导策略为输出,而网络的学习过程以降低疏散时间为优化目标;
引导疏散单元:利用信息单元获取的区域密度信息,利用策略网络计算个导航点的引导概率,进一步利用轮盘赌策略选择导航点,作为到达当前导航点行人下一时刻的运动目标;
人群运动单元:行人根据引导疏散单元所确定的下一时刻的运动目标,采用相对速度障碍RVO技术驱动行人运动,实现人群疏散行为的仿真。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-8任一项所述的一种基于RNN神经网络的室内人群疏散自动引导仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448404.2A CN111611749B (zh) | 2020-05-25 | 2020-05-25 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448404.2A CN111611749B (zh) | 2020-05-25 | 2020-05-25 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611749A true CN111611749A (zh) | 2020-09-01 |
CN111611749B CN111611749B (zh) | 2023-05-05 |
Family
ID=72198918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448404.2A Active CN111611749B (zh) | 2020-05-25 | 2020-05-25 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611749B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199747A (zh) * | 2020-09-29 | 2021-01-08 | 西安交通大学 | 基于排队网络的室内人员疏散方法和疏散系统 |
CN112417754A (zh) * | 2020-11-10 | 2021-02-26 | 中山大学 | 复杂室内结构下基于场景语义信息的人群疏散仿真方法 |
CN112461253A (zh) * | 2020-11-05 | 2021-03-09 | 深圳慧拓无限科技有限公司 | 一种应急撤离路径规划方法、装置、介质及电子设备 |
CN112668768A (zh) * | 2020-12-24 | 2021-04-16 | 宁波工程学院 | 基于导航点和rvo模型的人群疏散仿真方法 |
CN112733241A (zh) * | 2021-01-15 | 2021-04-30 | 中新国际联合研究院 | 基于自适应差分进化算法的公共场所护栏布局优化方法 |
CN113420720A (zh) * | 2021-07-21 | 2021-09-21 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN114862070A (zh) * | 2022-07-07 | 2022-08-05 | 西南交通大学 | 预测人群疏散能力瓶颈的方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN104933661A (zh) * | 2015-04-27 | 2015-09-23 | 山东科技大学 | 一种公共建筑物非均称安全通道的人群均衡撤离方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
CN107403049A (zh) * | 2017-07-31 | 2017-11-28 | 山东师范大学 | 一种基于人工神经网络的Q‑Learning行人疏散仿真方法及系统 |
CN108428243A (zh) * | 2018-03-07 | 2018-08-21 | 北京航空航天大学 | 一种基于人工神经网络的行人运动速度预测方法 |
CN109670270A (zh) * | 2019-01-11 | 2019-04-23 | 山东师范大学 | 基于多智能体深度强化学习的人群疏散仿真方法及系统 |
CN110956684A (zh) * | 2019-11-27 | 2020-04-03 | 山东师范大学 | 基于残差网络的人群运动疏散仿真方法及系统 |
CN110969561A (zh) * | 2019-12-23 | 2020-04-07 | 河北大学 | 密集人群应急疏散方法 |
-
2020
- 2020-05-25 CN CN202010448404.2A patent/CN111611749B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN104933661A (zh) * | 2015-04-27 | 2015-09-23 | 山东科技大学 | 一种公共建筑物非均称安全通道的人群均衡撤离方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
CN107403049A (zh) * | 2017-07-31 | 2017-11-28 | 山东师范大学 | 一种基于人工神经网络的Q‑Learning行人疏散仿真方法及系统 |
CN108428243A (zh) * | 2018-03-07 | 2018-08-21 | 北京航空航天大学 | 一种基于人工神经网络的行人运动速度预测方法 |
CN109670270A (zh) * | 2019-01-11 | 2019-04-23 | 山东师范大学 | 基于多智能体深度强化学习的人群疏散仿真方法及系统 |
CN110956684A (zh) * | 2019-11-27 | 2020-04-03 | 山东师范大学 | 基于残差网络的人群运动疏散仿真方法及系统 |
CN110969561A (zh) * | 2019-12-23 | 2020-04-07 | 河北大学 | 密集人群应急疏散方法 |
Non-Patent Citations (2)
Title |
---|
胡学敏;徐珊珊;康美玉;魏洁玲;白丽;: "基于人机社会力模型的人群疏散算法", 计算机应用 * |
韩延彬: "面向人群疏散的动态路径规划模型及方法研究" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199747A (zh) * | 2020-09-29 | 2021-01-08 | 西安交通大学 | 基于排队网络的室内人员疏散方法和疏散系统 |
CN112199747B (zh) * | 2020-09-29 | 2024-04-02 | 西安交通大学 | 基于排队网络的室内人员疏散方法和疏散系统 |
CN112461253A (zh) * | 2020-11-05 | 2021-03-09 | 深圳慧拓无限科技有限公司 | 一种应急撤离路径规划方法、装置、介质及电子设备 |
CN112417754A (zh) * | 2020-11-10 | 2021-02-26 | 中山大学 | 复杂室内结构下基于场景语义信息的人群疏散仿真方法 |
CN112417754B (zh) * | 2020-11-10 | 2023-10-31 | 中山大学 | 复杂室内结构下基于场景语义信息的人群疏散仿真方法 |
CN112668768A (zh) * | 2020-12-24 | 2021-04-16 | 宁波工程学院 | 基于导航点和rvo模型的人群疏散仿真方法 |
CN112733241A (zh) * | 2021-01-15 | 2021-04-30 | 中新国际联合研究院 | 基于自适应差分进化算法的公共场所护栏布局优化方法 |
CN113420720A (zh) * | 2021-07-21 | 2021-09-21 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN113420720B (zh) * | 2021-07-21 | 2024-01-09 | 中通服咨询设计研究院有限公司 | 一种高精度低延时大型室内场馆人群分布计算方法 |
CN114862070A (zh) * | 2022-07-07 | 2022-08-05 | 西南交通大学 | 预测人群疏散能力瓶颈的方法、装置、设备及存储介质 |
CN114862070B (zh) * | 2022-07-07 | 2022-09-23 | 西南交通大学 | 预测人群疏散能力瓶颈的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611749B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611749A (zh) | 基于rnn的室内人群疏散自动引导仿真方法及系统 | |
CN104317293B (zh) | 一种改进蚁群算法的城市救援智能体动态路径规划方法 | |
CN103581188B (zh) | 一种网络安全态势预测方法及系统 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
Wang et al. | Improved multi-agent reinforcement learning for path planning-based crowd simulation | |
Yang et al. | Pedestrian evacuation under guides in a multiple-exit room via the fuzzy logic method | |
CN110737968A (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
CN106205156A (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
CN112417754B (zh) | 复杂室内结构下基于场景语义信息的人群疏散仿真方法 | |
CN110795833B (zh) | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 | |
CN111414681B (zh) | 基于共享深度强化学习的建筑物内疏散仿真方法及系统 | |
CN110442129A (zh) | 一种多智能体编队的控制方法和系统 | |
CN112231968A (zh) | 基于深度强化学习算法的人群疏散仿真方法及系统 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN112614341A (zh) | 基于群智进化蚁群算法的交通规划系统 | |
CN112950963A (zh) | 一种城市主支路交叉口自适应信号控制优化方法 | |
CN114038216A (zh) | 一种基于路网划分和边界流量控制的信号灯管控方法 | |
Jaafra et al. | Context-aware autonomous driving using meta-reinforcement learning | |
Zong et al. | Indoor evacuation model based on visual-guidance artificial bee colony algorithm | |
CN109800517A (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN117313931A (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
CN104778495A (zh) | 基于粒子群算法的贝叶斯网络优化方法 | |
Zeng et al. | Real-time traffic signal control with dynamic evolutionary computation | |
CN108595775B (zh) | 人群疏散仿真过程中障碍物几何形状的优化方法及系统 | |
CN113742925B (zh) | 一种信号控制路口行人流仿真方法 |
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 |