CN112395769A - 面向有序活动行人运动仿真方法 - Google Patents
面向有序活动行人运动仿真方法 Download PDFInfo
- Publication number
- CN112395769A CN112395769A CN202011336397.3A CN202011336397A CN112395769A CN 112395769 A CN112395769 A CN 112395769A CN 202011336397 A CN202011336397 A CN 202011336397A CN 112395769 A CN112395769 A CN 112395769A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- model
- space
- potential field
- activities
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向有序活动行人运动仿真方法,可以根据设定空间上出行的起点O和终点D的分布情况建立行人仿真宏观和物理环境模型,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型,根据可视图算法得到每条边以及所在空间可建立元胞空间微观距离势场模型,根据元胞空间微观距离势场模型确定不受活动吸引的行人每个步长微观运动方向;对于受活动吸引的行人采用方向势场模型建立行人微观运动模型,确定每个步长其微观运动方向;其主要针对常态枢纽内复杂异质环境下行人从事各种出行活动的行为进行仿真建模,以实现对行人运动的准确仿真。
Description
技术领域
本发明涉及行人运动行为仿真技术领域,尤其涉及一种面向有序活动行人运动仿真方法。
背景技术
大多数行人仿真模型主要面向人群疏散,行人在疏散行为相对比较简单,疏散人群其主要目的是寻找最短路径期望尽快逃离危险环境,人群主要行为是跟随行为。而在常态情况(相对于疏散)下,为了出行,不同的行人在站内设施上进行接受服务和通行等有序交通行为,表现出不同的交通行为特征,也就是有序交通行为,如行人流特征,排队行为,队列选择,不同任务或者活动驱动下的行人微观运动行为(路径)等。常态情况下,因为环境复杂,行人异质,行人-空间-活动相互作用,形成常态下复杂行人行为。元胞自动机模型(CA)和社会力模型(SFM)是现有许多仿真模型的基础,但是其主要解决微观行人运动行为模型,缺乏与周围环境在宏观和中观上面的决策行为,以及在行人行为影响因素刻画上相对简单,只考虑行人周边行人的影响。后期的模型虽然考虑行人的其他行为习惯,比如跟随行为,群体行为,右行行为等,也考虑行人运动方向影响因素最短路,最少时间以及舒适度等影响。总体来说,仍然缺乏常态下多目标多活动异质环境下行人运动仿真方法。
现有技术主要的基于CA或SFM,其模型主要是聚焦微观每个步长行人运动方向,在考虑行人之间作用时,把人群看做为同质群体,在刻画行为上与实际情况有一定差距,而枢纽空间内行人活动繁多,人群有不同的目标和任务,运动行为除了受行人流影响还受行人活动影响以及正在从事活动行人的影响。现有技术在行人运动宏观上建模除了基于距离模型外,尚不能刻画活动影响下行人运动路径动态性建模。
发明内容
针对以上问题,本发明提出一种面向有序活动行人运动仿真方法,主要针对常态枢纽内复杂异质环境下行人从事各种出行活动的行为进行仿真建模。在元胞自动模型的基础上考虑异质环境特点,从宏观和微观结合的方法对行人空间进行划分,建立宏观路径模型和微观运动路径模型,并建立枢纽内多目标活动模型选择模型,构建面向多动的行人运动仿真模型。
为实现本发明的目的,提供一种面向有序活动行人运动仿真方法,包括如下步骤:
S00,方法主要针对在步行空间内受活动吸引的行人和不受活动吸引的行人进行仿真;
S10,根据设定空间上出行的起点O、活动点、终点D的分布、并建立基于元胞自动机模型的行人物理空间和环境模型、活动列表和计划安排宏观模型;
S20,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型;
S30,提取可视图算法路径模型计算得到的边建立每条边所在空间微观距离势场模型;
S40,根据元胞空间上行人和活动吸引点之间连线与行走方向间的偏离角度构建方向势场模型;
S50,对于不受活动吸引的行人,采用微观距离势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
S60,对于受活动吸引的行人,采用方向势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
在一个实施例中,所述根据设定空间上出行的起点O、活动点、终点D的分布、并建立基于元胞自动机模型的行人物理空间和环境模型包括:
获取设定空间上出行的起点O、活动点、终点D的分布情况,建立活动列表和计划安排宏观模型;
根据步行空间、活动设施分布、活动情况以及障碍物情况,初始建立基于元胞自动机模型的物流空间和环境模型。
具体地,所述人流OD分布矩阵包括:
其中,Pij表示i点到j点的出行量,i为大于或等于1且小于或等于m的整数,j为大于或等于1且小于或等于n的整数,m表示起点个数,n表示终点个数。
在一个实施例中,所述元胞空间微观距离势场模型的微观距离势场包括:
在一个实施例中,采用行人微观运动模型进行行人运动仿真的过程包括:
先通过可视图算法得到有障碍物空间内行人宏观路径,然后计算不受活动影响行人在宏观路径的所在边构成空间上微观距离势场,使行人沿着距离势场前进;对于受活动影响的行人,行人朝着其目标方向行走,对此通过建立方向势场,使行人沿着与目标偏离最小的方向行走
上述面向有序活动行人运动仿真方法,可以根据设定空间上出行的起点O和终点D的分布情况建立行人仿真宏观和物理环境模型,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型,根据可视图算法得到每条边以及所在空间可建立元胞空间微观距离势场模型,根据元胞空间微观距离势场模型确定不受活动吸引的行人每个步长微观运动方向;对于受活动吸引的行人采用方向势场模型建立行人微观运动模型,确定每个步长其微观运动方向;其主要针对常态枢纽内复杂异质环境下行人从事各种出行活动的行为进行仿真建模。在元胞自动模型的基础上考虑异质环境特点,从宏观和微观结合的方法对行人空间进行划分,建立宏观路径模型和微观运动路径模型,并建立枢纽内多目标活动模型选择模型,构建面向多动的行人运动仿真模型,快速准确实现相应行人运动仿真。
附图说明
图1是一个实施例的面向有序活动行人运动仿真方法流程图;
图2是一个实施例的行人交通活动层次示意图;
图3是一个实施例的有向网络拓扑图;
图4是一个实施例的微观仿真流程示意图;
图5为一个实施例的面向有序活动行人运动仿真过程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的面向有序活动行人运动仿真方法流程图,包括如下步骤:
S00,方法主要针对在步行空间内受活动吸引的行人和不受活动吸引的行人进行仿真;
S10,根据设定空间上出行的起点O、活动点、终点D的分布、并建立基于元胞自动机模型的行人物理空间和环境模型、活动列表和计划安排宏观模型;
S20,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型;
S30,提取可视图算法路径模型计算得到的边建立每条边所在空间微观距离势场模型;
S40,根据元胞空间上行人和活动吸引点之间连线与行走方向间的偏离角度构建方向势场模型;
S50,对于不受活动吸引的行人,采用微观距离势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
S60,对于受活动吸引的行人,采用方向势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
上述面向有序活动行人运动仿真方法,可以根据设定空间上出行的起点O和终点D的分布情况建立行人仿真宏观和物理环境模型,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型,根据可视图算法得到每条边以及所在空间可建立元胞空间微观距离势场模型,根据元胞空间微观距离势场模型确定不受活动吸引的行人每个步长微观运动方向;对于受活动吸引的行人采用方向势场模型建立行人微观运动模型,确定每个步长其微观运动方向;其主要针对常态枢纽内复杂异质环境下行人从事各种出行活动的行为进行仿真建模。在元胞自动模型的基础上考虑异质环境特点,从宏观和微观结合的方法对行人空间进行划分,建立宏观路径模型和微观运动路径模型,并建立枢纽内多目标活动模型选择模型,构建面向多动的行人运动仿真模型,快速准确实现相应行人运动仿真。
在一个实施例中,行人交通活动层次示意图可以参考图2所示,相应枢纽步行空间内行人有序活动行为建模,涉及到宏观(战略层)、中观(战术层)和微观(运行层)等三个层面。
所述根据设定空间上出行的起点O和终点D的分布情况建立行人仿真宏观模型包括:
获取设定空间上出行的起点O和终点D的分布情况,根据起点O和终点D的分布情况确定人流OD分布矩阵;
根据人流OD分布矩阵分别进行人步行空间建模和行人活动建模,以得到行人仿真宏观模型。
具体地,所述人流OD分布矩阵包括:
其中,Pij表示i点到j点的出行量,i为大于或等于1且小于或等于m的整数,j为大于或等于1且小于或等于n的整数,m表示起点个数,n表示终点个数。
具体地,行人仿真宏观模型的构建构成包括:
(1)行人出行分布计算
OD表示空间上出行的起点和终点分布。枢纽内OD相对简单,OD起终点分别对应出入口和站台。其行人流OD分布矩阵可以用公式(1),其中为m点到n点的出行量。
对于同一个OD出行,不同属性的人有不同的活动,根据活动先后顺序,列出活动,其活动集构成出行活动链TC=[A1,A2,…An]。对于同一OD当活动链不同时,给出分流系数Kj(j个分支选择),根据某OD交通和活动出行链以及分流系数得出紧邻两个活动出行数。
(2)行人步行空间建模
行人在几何结构比较复杂的建筑物布局中行走时,需要一种方法指明其行走的路径和方向。这时可以把建筑物或者环境布局抽象为如图3所示的有向网络拓扑图,把房间抽象为一个节点①~④,连接房间的通道抽象为连接节点A到点C,其构建的网路图可用来计算行人在空间行走的路径。不同空间之间的路径可用网络图最短路径算法。如果一个房间内存在不规则的障碍物,那么房间将被这些障碍物划分成若干子空间,这时步行空间组织和路径问题可用有障碍物时路径有向网络图进行建模(如图3),其路径可采用可视图算法计算得到。
(3)行人活动建模
枢纽空间内行人活动主要有购票(自动售票、人工售票)、通过闸机,步行、站台等候逗留,浏览信息板或者购买商品、上车和下车等活动。
购票、通过闸机或者上车等活动的建模主要涉及服务设施建模、服务设施特性模型(服务时间分布、服务能力、服务规则)、活动建模。活动建模主要涉及活动组织形式和影响区域,其分为有序排队以及无序围合(成拱形),对于排队初始定义队列形状和位置,对于无序围合,定义其拱形或者自定义活动影响区域。各种此类活动的建模可模拟步行空间服务设施和其服务特性。
在一个实施例中,基于有障碍物有向网络图的可视图算法路径模型的建立过程包括:
对于无障碍物的空间布局网路图,由于没有障碍物的存在,每个分隔的子空间作为一个节点,构成的网络图,可用网路图最短路算法得到OD之间的最短路径(见图3)。当存在障碍物时(见图4),OD之间由于障碍物分隔,通过可视图算法获取。
假定有向网络图记作gvis(S*),该图包括起终点,因此,有向网络图的点集可表示为S*:=S∪{pstart,pgoal},其中S表示障碍物的顶点集合,pstart为起点,pgoal为目标点。另外假定有向网络图中的弧表示为:arc(vs,vt),其中vs为弧的起点,vt为弧的终点,因此,可以通过以下算法求解:
【算法1】shortestPath(S,pstart,pgoal)
输入:障碍物多边形的点集,以及空间中起点和目标点;
输出:连接起点和目标点无冲突的最短路径;
1、构造可视化有向图gvis←visibilityGraph(S∪{pstart,pgoal});
2、给每条弧arc(vs,vt)指定权重;
3、利用Dijkstra算法计算点对(pstart,pgoal)之间的最短路。
在一个实施例中,所述元胞空间微观距离势场模型的微观距离势场包括:
具体地,元胞空间微观距离势场模型的构建过程包括:
通过可视图计算得到行人从起点到终点宏观路径后,在微观层面,基于元胞自动机模型,计算路径中每条边所在空间的微观距离势场,以模拟行人在每条边上所在空间的行走行为。行人将在沿着最短距离方向前进,因此需要构建空间上微观距离势场。
微观路径势场反映各个点与吸引点(出口或橱窗)的空间距离,其值不随时间或者其他行人而改变。微观距离势场主要考虑最短路径的因素。其公式为:
通过微观距离势场,得道每个单元格到目的地的最短距离,对于每个仿真步长,对于目标位置固定,同时也不需要排队的行人根据所处位置单元格查询领域,确定行走方向。
在一个实施例中,动态队列或以吸引点影响下方向势场模型的确定过程包括:
在常态下,步行空间内往往存在排队活动,有规则的队列,行人走向队尾目标点。而这个目标点通常是动态变化的,因此,如果利用微观距离势场模型,计算工作量较大,因此,需要考虑建立一个在统一不变的方向偏好矩阵的条件之上、并根据行人与活动地点的相对位置以及对方向进行不断调整的方向势场模型。
为了方向势场模型的通用或者是统一性,我们假定行人的运动方向可以在8个相邻单元进行选择,不限制其方向,其概率可以通过邻域的行人、障碍物以及偏离目标方向的程度等情况确定。
为了在程序中计算方便,设定一个统一的坐标系。该坐标系的横轴正方向向右,表示列增长的方向,纵坐标的正方向向下,表示行增长的方向,当前行人所处的位置为原点。详细情况参见图3。图中黑色填充圈代表当前行人,白色圆圈表示目标位置。目标方向与横坐标的夹角记为β,如果目标方向不在坐标轴上,则该夹角为锐角。假设目标点位置为(xgoal,ygoal),原点即当前行人坐标为(xcur,ycur)。用矩阵定义当前行人的周围8个邻居的夹角。夹角计算公式为:
可以通过Δy和Δx的正负或者为0判断夹角位于的象限或者邻域单元格:
ES象限:Δx>0 and Δy>0
SW象限:Δx<0 and Δy>0
WN象限:Δx<0 and Δy<0
NE象限:Δx<0 and Δy>0
E(East):Δx>0 and Δy=0,β=0°
S(South):Δx=0 and Δy>0,β=0°
W(West):Δx<0 and Δy=0,β=0°
N(North):Δx=0 and Δy<0,β=0°
这样可以根据目标方向在不同的象限,以及与各象限中45°角之间的关系相关夹角计算方法分别计算各个元胞单元格的夹角(表示行人偏离目标的角度)。
【算法2】修正夹角的计算可写成通用的算法。算法为:
①扫描周围8个邻居,得出与目标方向夹角最小的单元格的角度;
②判断该单元格是在目标方向的左侧还是右侧;
③以最小夹角所在单元格为基准,并根据②所确定的位置,以目标方向为轴,分别向逆时针和顺时针方向计算出4个单元格的夹角;
④用180度减去刚才算得的夹角得到最终的修正夹角θij,即构成方向势场模型;
在一个实施例中,行人微观运动模型的建立过程包括:
(1)基于距离的微观运动模型
对于通道内行人不受目标影响时,行人依据微观距离势场(见公式2)选择路径方向,当前行人的微观路径选择概率(见式4):
pij=NMij{exp(kSSij)}(1-nij)ξij (4)
式中,Mij为方向偏好矩阵;Sij为最短距离场,其取值范围为[0,∞);kS为最短距离场的敏感系数,其取值范围为[0,∞);nij为单元格被行人占用状态;ξij用来判定单元格是否是障碍物;N为正规化数值以保证可以看出,当邻域某个单元格被行人占据,即nij=1,则该单元格被选中的概率为0;当邻域某个单元格为墙时,即ξij=0,该单元格也不可利用,其选中的概率为0;。
路径选择概率类似元胞自动机中的演化规则或者状态转移函数。该模型由于加入了概率选择,因此,其演化规则属于概率型类型。
(2)基于方向的微观运动模型
对于参与有序活动排队行为的行人,其运动方向由吸引点以及吸引点方向决定,因此引入方向势场模型(见公式3和算法2),建立当前行人微观路径选择概率模型。
pij=NMij{exp(kθθij)}(1-nij)ξij (6)
式中,θij为修正夹角;kθ为方向敏感因子,其他符号同前。
在一个实施例中,采用行人微观运动模型进行行人运动仿真的过程包括:
先通过可视图算法得到有障碍物空间内行人宏观路径,然后计算不受活动影响行人在宏观路径的所在边构成空间上微观距离势场,使行人沿着距离势场前进;对于受活动影响的行人,行人朝着其目标方向行走,对此通过建立方向势场,使行人沿着与目标偏离最小的方向行走。
本实施例中,有序活动行人运动仿真基于元胞自动机模型,利用元胞自动机微观仿真模型各个元胞转移概率函数计算行人运动方向。本方法中,先通过可视图算法(算法1),得到有障碍物空间内行人宏观路径,然后计算不受活动影响行人在宏观路径的所在边构成空间上微观距离势场(公式2),行人沿着距离势场前进;对于受活动影响的行人,行人朝着其目标方向(比如队尾)行走,对此通过建立方向势场(算法3),行人沿着与目标偏离最小的方向行走。因此,所构建的模型可以模拟宏观上路径选择行为,以及微观上行人移动行为。具体微观仿真流程见图4。本方法对于模拟步行空间设施内比如交通枢纽内行人所从事的出行活动提供了很好的微观仿真方法,可逼真模拟步行空间内行人运动行为。
在一个实施例中,上述面向有序活动行人运动仿真过程可以参考图5所示,具体实施过程如下:
(1)先初始化环境:建立方格网(0.3*0.3m)行人仿真空间,初始化设施和静态障碍物单元格属性,初始化势场和路径。
(2)初始化行人属性:行人参数,比如期望速度、不同属性行人组成结构、行人活动列表和安排表
(3)确定下一个行人有序活动或者目标点。并利用可视图计算宏观路径;
(4)根据分别对应正常通道步行行人和受有序活动吸引的行人建立微观运动模型,计算出pij。并通过考虑周边概率pij大小的碰撞模型,最终计算出运动方向。
(5)目的地判断:如果没有到达终点,选择下一个活动点或者目标点,回到(3),否则仿真结束。
本实施例由于对于常态下有序活动行人,对行人进行分类,分为暂不受活动影响的行人和受活动影响的行人,针对不同行人建立不同运动模型,克服单一模型的各类缺陷。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种面向有序活动行人运动仿真方法,其特征在于,包括如下步骤:
S10,根据设定空间上出行的起点O、活动点、终点D的分布、并建立基于元胞自动机模型的行人物理空间和环境模型、活动列表和计划安排宏观模型;
S20,在行人物理空间和环境模型中提取有障碍物有向网络图,根据有障碍物有向网络图建立可视图算法路径模型;
S30,提取可视图算法路径模型计算得到的边建立每条边所在空间微观距离势场模型;
S40,根据元胞空间上行人和活动吸引点之间连线与行走方向间的偏离角度构建方向势场模型;
S50,对于不受活动吸引的行人,采用微观距离势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
S60,对于受活动吸引的行人,采用方向势场模型建立行人微观运动模型,采用行人微观运动模型进行行人运动仿真。
2.根据权利要求1所述的面向有序活动行人运动仿真方法,其特征在于,所述根据设定空间上出行的起点O、活动点、终点D的分布、并建立基于元胞自动机模型的行人物理空间和环境模型包括:
获取设定空间上出行的起点O、活动点、终点D的分布情况,建立活动列表和计划安排宏观模型;
根据步行空间、活动设施分布、活动情况以及障碍物情况,初始建立基于元胞自动机模型的物流空间和环境模型。
5.根据权利要求1所述的面向有序活动行人运动仿真方法,其特征在于,采用行人微观运动模型进行行人运动仿真的过程包括:
先通过可视图算法得到有障碍物空间内行人宏观路径,然后计算不受活动影响行人在宏观路径的所在边构成空间上微观距离势场,使行人沿着距离势场前进;对于受活动影响的行人,行人朝着其目标方向行走,对此通过建立方向势场,使行人沿着与目标偏离最小的方向行走。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336397.3A CN112395769A (zh) | 2020-11-25 | 2020-11-25 | 面向有序活动行人运动仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011336397.3A CN112395769A (zh) | 2020-11-25 | 2020-11-25 | 面向有序活动行人运动仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395769A true CN112395769A (zh) | 2021-02-23 |
Family
ID=74606279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011336397.3A Pending CN112395769A (zh) | 2020-11-25 | 2020-11-25 | 面向有序活动行人运动仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395769A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345267A (zh) * | 2021-06-03 | 2021-09-03 | 招商局检测车辆技术研究院有限公司 | 一种基于广义v2x的路口近信号区域预警方法和系统 |
CN113420415A (zh) * | 2021-05-27 | 2021-09-21 | 东南大学 | 基于感知区域舒适度的交叉口双向行人仿真方法 |
CN116910853A (zh) * | 2023-06-28 | 2023-10-20 | 深圳市蕾奥规划设计咨询股份有限公司 | Tod立体慢行空间的行人出行仿真模拟方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106302A (zh) * | 2013-01-23 | 2013-05-15 | 南京大学 | 一种基于地理元胞自动机的行人流仿真方法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN105468861A (zh) * | 2015-12-08 | 2016-04-06 | 吉林大学 | 一种基于元胞自动机的行人跟随行为仿真方法 |
CN105808852A (zh) * | 2016-03-09 | 2016-07-27 | 清华大学 | 一种基于元胞自动机的室内行人微观仿真方法 |
-
2020
- 2020-11-25 CN CN202011336397.3A patent/CN112395769A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106302A (zh) * | 2013-01-23 | 2013-05-15 | 南京大学 | 一种基于地理元胞自动机的行人流仿真方法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN105468861A (zh) * | 2015-12-08 | 2016-04-06 | 吉林大学 | 一种基于元胞自动机的行人跟随行为仿真方法 |
CN105808852A (zh) * | 2016-03-09 | 2016-07-27 | 清华大学 | 一种基于元胞自动机的室内行人微观仿真方法 |
Non-Patent Citations (3)
Title |
---|
MINGJUN LIAO等: "Modeling Passenger Behavior in Nonpayment Areas at Rail Transit Stations", 《TRANSPORTATION RESEARCH RECORD: JOURNAL OF THE TRANSPORTATION RESEARCH BOARD》, pages 101 - 108 * |
张雄飞: "《城市轨道交通需求分析与线网规划》", 西南交通大学出版社, pages: 180 - 185 * |
汪灵廪: "基于元胞自动机和背景场理论的行人行为仿真研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 6, pages 138 - 32 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420415A (zh) * | 2021-05-27 | 2021-09-21 | 东南大学 | 基于感知区域舒适度的交叉口双向行人仿真方法 |
CN113345267A (zh) * | 2021-06-03 | 2021-09-03 | 招商局检测车辆技术研究院有限公司 | 一种基于广义v2x的路口近信号区域预警方法和系统 |
CN113345267B (zh) * | 2021-06-03 | 2022-11-29 | 招商局检测车辆技术研究院有限公司 | 一种基于广义v2x的路口近信号区域预警方法和系统 |
CN116910853A (zh) * | 2023-06-28 | 2023-10-20 | 深圳市蕾奥规划设计咨询股份有限公司 | Tod立体慢行空间的行人出行仿真模拟方法及装置 |
CN116910853B (zh) * | 2023-06-28 | 2024-05-17 | 深圳市蕾奥规划设计咨询股份有限公司 | Tod立体慢行空间的行人出行仿真模拟方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395769A (zh) | 面向有序活动行人运动仿真方法 | |
Gipps et al. | A micro-simulation model for pedestrian flows | |
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
US8514283B2 (en) | Automatic vision sensor placement apparatus and method | |
Lima et al. | A cellular automata ant memory model of foraging in a swarm of robots | |
Park et al. | Cooperative information-driven source search and estimation for multiple agents | |
CN109520507A (zh) | 一种基于改进rrt的无人机实时路径规划方法 | |
US9058570B2 (en) | Device and method for generating a targeted realistic motion of particles along shortest paths with respect to arbitrary distance weightings for simulations of flows of people and objects | |
CN105808852A (zh) | 一种基于元胞自动机的室内行人微观仿真方法 | |
EP1788537B1 (en) | Mobile node simulator and program therefor | |
Rahmati et al. | Learning-based game theoretical framework for modeling pedestrian motion | |
CN108985516A (zh) | 基于元胞自动机的室内路径规划方法 | |
Spartalis et al. | Ca crowd modeling for a retirement house evacuation with guidance | |
Ruan et al. | Dynamic cellular learning automata for evacuation simulation | |
WO2013164140A1 (en) | Method, apparatus and computer program product for simulating the movement of entities in an area | |
Urrea et al. | Bio-inspired topology control for knowledge sharing mobile agents | |
Su et al. | An agent-based model for evaluating the boarding and alighting efficiency of autonomous public transport vehicles | |
Holt et al. | A symbiotic simulation architecture for evaluating UAVs collision avoidance techniques | |
Cheng et al. | A modified particle swarm optimization-based human behavior modeling for emergency evacuation simulation system | |
Emami et al. | Multi-agent based solution for free flight conflict detection and resolution using particle swarm optimization algorithm | |
Lima et al. | Formal analysis in a cellular automata ant model using swarm intelligence in robotics foraging task | |
CN105069217A (zh) | 一种基于道路动态分区模型的城市救援仿真方法 | |
Shih et al. | Safest-path planning approach for indoor fire evacuation | |
Alqurashi et al. | Multi-level multi-stage agent-based decision support system for simulation of crowd dynamics | |
Chang et al. | Impasse-aware node placement mechanism for wireless sensor networks |
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 |