CN112417754A - 复杂室内结构下基于场景语义信息的人群疏散仿真方法 - Google Patents

复杂室内结构下基于场景语义信息的人群疏散仿真方法 Download PDF

Info

Publication number
CN112417754A
CN112417754A CN202011247469.7A CN202011247469A CN112417754A CN 112417754 A CN112417754 A CN 112417754A CN 202011247469 A CN202011247469 A CN 202011247469A CN 112417754 A CN112417754 A CN 112417754A
Authority
CN
China
Prior art keywords
pedestrian
path
pedestrians
danger
evacuation
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
Application number
CN202011247469.7A
Other languages
English (en)
Other versions
CN112417754B (zh
Inventor
纪庆革
林金城
郭珊珊
朱泳霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011247469.7A priority Critical patent/CN112417754B/zh
Publication of CN112417754A publication Critical patent/CN112417754A/zh
Application granted granted Critical
Publication of CN112417754B publication Critical patent/CN112417754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及人群疏散仿真领域，为复杂室内结构下基于场景语义信息的人群疏散仿真方法，首先进行目标检测，得到行人i坐标、初始速度vi，初始化仿真场景；确定危险源，以危险源为起点对危险信号的直接传递建立危险场、间接传递建立信息场；根据从危险场或信息场中获取信息的不同将行人划分为不同状态，对行人期望速度进行修正；采用pre‑ERRT算法模型建立行人疏散路径导航，对行人疏散导航路径中的疏散方向进行优化，得到最终的路径导航方向；引入行人之间的亲疏程度和行人密度信息，修正复杂室内结构下的社会力模型，计算行人加速度，加权求和得到最终速度变化量的方向及大小。该方法可实时获取复杂室内结构的场景语义信息，提高了人群疏散效率。

Description

复杂室内结构下基于场景语义信息的人群疏散仿真方法
技术领域
本发明涉及人群疏散仿真领域，具体涉及复杂室内结构下，分析并利用场景语义信息的人群疏散仿真方法。
背景技术
在本着生命至上，以人为本的价值观念的今天，人们更多的提倡生命安全。如何提高人们在危险情形下的自救措施，如何提前模拟人群疏散的状况，一直是人们不断探索的话题。人群疏散仿真是人们通过廉价的方式进行仿真，可以有效的节省成本，同时避免了将参与者置于危险之下，是最为有效的研究手段。关于人群疏散仿真场景，不少研究工作者提出来很多模型来模拟，比如社会力模型、RVO模型、势能场模型等等。这些模型都能够仿真人群疏散中的一些现象和特点，许多研究者在这些模型上也做出了很多的改进，以期望模型能更接近真实场景。
目前的室内环境中，一般安装有摄像头，同时可以进行广播通知。处于室内中的人群可以从多个方式获得信息，疏散的场景与以往比已经发生了很大的变化，因此我们认为只有很好的把握场景提供的语义信息，在对应的场景下做出相应反应，才能更真实地反应场景情况。同时在目前的研究中，大多数模型采用的室内结构都较为简单，而现实生活中建筑结构更倾向于复杂、美观化；因此，人群疏散仿真技术还应该继续考虑复杂的室内环境。
本文通过路径导航的方式来解决复杂场景下的疏散过程仿真。另外在仿真过程中，如果行人的速度过大，可能出现行人重叠的问题；如果社会力平衡，则会出现行人震荡问题，因此本文通过对社会力进行修正，可以提前减速并破坏力平衡，避免这类仿真异常。
发明内容
为解决现有技术所存在的技术问题，本发明提出复杂室内结构下基于场景语义信息的人群疏散仿真方法，该方法可以实时获取复杂室内结构的场景语义信息，有效解决了目前模型脱离实际场景，无法将语义信息真正集成于疏散仿真系统的技术问题，提高了人群疏散效率。
本发明的目的通过下述技术方案实现：复杂室内结构下基于场景语义信息的人群疏散仿真方法，包括以下步骤：
S1、对输入的视频序列进行目标检测，提取行人i的坐标，计算行人的初始速度vi，根据行人坐标和初始速度，初始化复杂室内结构的仿真场景；
S2、采用特征与深度学习相结合的方法确定危险源，以危险源为起点，对危险信号的直接传递建立危险场，对危险信号的间接传递建立信息场；根据从危险场或信息场中获取信息的不同，将行人划分为不同的行人状态，对行人期望速度大小进行修正；
S3、采用pre-ERRT算法模型建立行人疏散路径导航，并结合危险发生的位置、行人状态，对行人疏散导航路径中的疏散方向进行优化，动态改变路径选择，得到最终的路径导航方向；
S4、引入行人之间的亲疏程度和行人密度信息，修正复杂室内结构下的社会力模型；利用修正后的社会力模型计算出行人的加速度，将加速度方向和路径导航方向加权求和作为最终速度的变化量的方向，将加速度大小近似作为最终速度变化量的大小。
本发明在复杂的建筑内部结构环境下，进行场景语义信息分析，对人群疏散仿真，相对于现有技术具有如下的优点及效果：
1.实时获取复杂建筑内部结构的场景语义信息，建立了一套语义信息的利用方案，有效解决了目前模型脱离实际场景，无法将场景语义信息真正集成于疏散仿真系统的技术问题。通过对烟雾/火等场景语义信息的检测和分析，可以实时发现灾情并预警，在更理解场景的情形下进行疏散仿真，更接近真实场景，提高人群疏散效率。
2.采用计算机视觉的方法获取危险位置和危险程度，以及行人位置和行人速度等信息。与随机初始化的疏散模型相比，仿真更为真实；与单方面只提取行人信息的模型相比，获取的信息更为完整，对于信息的利用更为充分。
3.将自驱力中的期望速度大小和期望速度方向分开考虑。期望速度的大小受到获取的危险信息多少的影响，对此提出了“危险场”和“信息场”的分级异构处理方法，对于“场”的建立更为真实。期望速度的方向受到室内建筑结构的影响，同时引入了人的主观因素，使得模型能够适应不同的疏散场景。
4.在路径导航步骤中，设计了pre-ERRT算法模型，有效解决复杂室内结构导航困难以及导航不自然的问题。其中提出了多规则、多尺度的路径选择方法，充分体现了人的智能决策；可达矩阵的更新策略可以适应火灾发生、路径拥堵等现象，进行动态调整；通过预处理阶段，提高原RRT算法的执行效率，同时ERRT算法可以生成更真实的路径，自适应的步长调整可以使疏散轨迹更为圆滑，更接近危急情况下行人疏散状况。
5.将场景语义信息融入到社会力的计算中，利用行人亲疏关系、行人密度等信息修正社会力的计算，使得社会力模型可以有效减缓行人震荡和行人重叠的问题，提高仿真结果的真实性。
附图说明
图1是本发明实施例提出的人群疏散仿真方法流程图；
图2是本发明实施例建立的复杂室内结构仿真场景示意图；
图3是基于获取危险语义信息的物理仿真流程图；
图4是基于pre-ERRT算法的路径导航流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明做进一步的说明。本领域普通技术人员在没有做出创造性劳动前提下所获得所有其他实施例，都属于本发明保护的范围。
实施例
人群疏散一般发生在混乱、有危险存在的环境下，随着建筑结构的复杂程度上升，对于人群疏散的仿真变得更为复杂。本发明在这样的假设前提下，获取场景语义信息以更准确地进行仿真模拟。本发明中考虑了个体坐标、个体空间密度，危险类型和发生位置、严重程度以及建筑结构等信息，通过这些场景信息对原始社会力模型中的自驱力和社会力进行改进。如图1-4所示，本发明人群疏散仿真方法包括以下步骤：
S1、首先对输入的视频序列进行目标检测，提取行人坐标X[i]和Y[i]，其中i表示行人编号；通过光流法，可以计算行人的速度，将其作为行人的初始速度vi，利用获取的行人坐标和初始速度，初始化复杂室内结构的仿真场景，使得仿真更接近真实情形，而不再采用传统仿真中随机初始化的方法。
所建立的复杂室内结构仿真场景如图2所示，图2描述了一个双出口多房间的室内结构，也可表示同一个房间内存在多个阻隔的区域，这与我们真实的室内结构更为接近。不再采用以往研究中的一个空房间或者有设置好的若干个障碍物的简单场景。
S2、采用特征与深度学习相结合的方法确定危险源，以危险源为起点，对危险信号的直接传递建立危险场，对危险信号的间接传递建立信息场；根据从危险场或信息场中获取信息的不同，将行人划分为不同的行人状态，对行人期望速度大小进行修正。
实际疏散场景中，危险位置、危险严重程度等对于人群疏散有很大的影响，而要实时获得这些信息，只有通过计算机视觉的方法从监控视频中获取。以往实验对于危险位置的设定往往是随机的，并且没有考虑危险等级对疏散的影响。在本发明中首先将危险分为两类：静态危险和动态危险。静态危险是指危险存在的位置以及危险影响的区域相对固定的危险；动态危险是指危险存在的位置或者影响的区域可以不断变化的危险。比如火灾没有迁移时视作静态危险，当火灾发生迁移时则视作动态危险，影响的区域会不断变化。
本发明采用特征与深度学习相结合的方法，对视频帧中火焰和烟雾进行检测，可以发现室内是否发生了火灾等危险，确定危险源。由于频繁的检测会增加系统负担，带来过高的时间开销，我们认为每间隔一定时间进行检测一次即可；根据相邻两次检测的结果，计算出烟雾扩散的速度、烟雾浓度等，利用这些信息评估危险的严重程度。
明确了危险源后，以危险源为起点建立“危险场”。现有其他模型中对于危险场的考虑往往只关注于距离，而没有考虑危险源被遮挡的情况。而事实上当危险源被遮挡时，即使距离很近也有可能没有意识到危险存在，因此本发明认为“危险场”是室内所有可以见到危险源的地方，而不是忽略了障碍物的扇形区域。关于“危险场”的建立和计算，采用类似光线传播的方法，从危险源发出信号，直到第一次触碰到障碍物为止，得到的整个区域都属于危险场。用危险因子α表示“危险场”传递信息的强弱，随着距离的增加，危险因子逐渐降低，公式计算如下：
α＝P*exp(-di)
其中di表示行人i与危险之间的距离，系数P表示危险的严重程度。
在“危险场”中，将危险因子高于一定预设阈值的区域划分为“危险区”，危险因子低于一定预设阈值的区域划分为“意识区”。危险区是指已经处于危险之中的区域，比如火灾中烟雾浓度达到一定程度的区域。在危险区之外且可以直接发现危险的区域称为意识区。处于危险区之中的行人，由于可视范围下降，呼吸困难等因素，行动减缓，在实验中将其期望速度大小减半；而处于意识区之中的行人，意识到了危险的发生，期望速度会增大，增大程度与危险因子的大小相关。因此我们将不同区域的行人设置成不同的状态，不同状态的运动情况不同，如下所示：
Figure BDA0002770514290000041
其中pi表示行人状态，常量T表示危险因子的预设阈值。
处于意识区的行人会继续向周围的行人传达危险信号，由此对处于意识区的行人建立“信息场”。个体在传播危险信号的时候可以通过声音、行为等多模态方式越过障碍物，因此“信息场”的建立与“危险场”不同。“信息场”是以信息发出者为中心，危险信号传达的一定距离为半径的圆形区域。处于信息场内的其他个体间接接收到危险信息，也会改变自己的运动状态(如期望速度的大小)，向出口移动或跟随人群移动。本发明修正自驱力中期望速度大小为：
Figure BDA0002770514290000042
其中v0表示无危险发生的情形下，设定的正常行人的最大速度大小；α表示行人i所处位置的危险因子的强度，r表示“信息场”中的行人接受信息的能力。
本步骤中，将危险信号进行了分级处理，对危险信号的直接传递建立了“危险场”，对危险信号的间接传递建立了“信号场”。根据从危险场或信息场中获取信息的不同，将行人划分了不同的行人状态，处于不同状态的行人运动状态不同。
S3、采用pre-ERRT(extended rapidly exploring random tree based onpretreatment)算法模型建立行人疏散路径导航，并结合危险发生的位置、行人状态，对行人疏散导航路径中的疏散方向进行优化，动态改变路径选择，得到最终的路径导航方向。
以往关于人群疏散仿真的研究往往设定的场景非常简单，只有墙壁或少数障碍物，这并不符合实际情况。另外个体在选择疏散方向时，也会考虑路程的长短、通道中人群密度等信息，做出智能选择。基于以上两点考虑，本发明认为目前的仿真实验中应该考虑复杂的建筑结构，同时在复杂的建筑结构中进行人群疏散仿真，应该考虑人的智能决策行为。本发明提出了在多规则、多尺度下的最优化路径选择方案，来应对复杂室内结构带来的建模困难。
处于复杂室内结构中的个体并不都能直接看到出口，因此期望速度方向并不能像传统模型中：直接以指向出口方向作为期望速度的方向。在其它基于视频数据的疏散方案中，一般通过提取行人轨迹，再进行离散化处理得到疏散路径来对人群进行导航；这种方式得到的轨迹是折线段，在实际疏散过程中，行人的真实轨迹应该比较圆滑；同时需要视频中的行人遍历所有的路径，该方法才能提取所有的疏散轨迹，需要较长的时间作为保障。所以这种方法虽然使用了视觉领域的技巧，但其实并不一定能得到很好的效果。为了准确地计算期望速度方向，本发明提出pre-ERRT算法模型进行路径导航，具体算法步骤如图4所示：
S31、对输入的视频帧进行预处理，提取通道节点和出口点；并对室内危险区和行人密度分布进行更新，对所提取的提取通道节点和出口点进行修正，实时得到空间中可达出口的节点拓扑图，作为可达矩阵路径拓扑。
首先通过视频帧的处理，得到可通行区域，将可通行区域抽象成路径节点并建模，连通中间无障碍物的路径节点，初步得到可通向出口的路径。随着时间的发展，室内的安全情况和行人密度分布会不断发生变化。当某时刻检测到室内某个位置发生危险时，有些路径会由可达状态转变为不可达状态，行人不能再从该位置通过。当路径中行人的密度值在一定阈值内且逐渐升高，说明该路径更为便利，后面的行人由于从众心理，选择该路径的可能性大；而当密度值超过一定阈值时，该路径会出现拥塞，通行率降低，此时后面的行人会考虑其他路径。基于这样一种情形，当某条路径上行人密度过高时，本发明将该路径设置为不可达。至此，可以实时得到空间中可达出口的节点拓扑图，形成可达矩阵路径拓扑。
S32、当室内发生危险时，以行人当前位置为起点，从行人对室内结构熟悉程度、路径权重、周围行人速度方向三个方面综合考虑，得到预选择的导航路径。
行人对室内结构的熟悉程度，会影响行人对路径的选择。对于熟悉场景的行人，会根据先验信息对疏散方向做出智能决策。对于不熟悉场景的行人，会同时考虑危险源和周围“邻居”的速度方向，来计算自身期望速度方向。
熟悉场景的人的智能决策通过路径权重来量化。根据可达矩阵路径拓扑得到路径复杂程度和路径长度，并进而计算路径权重。路径复杂度越大，行人选择的几率越小；路径越长，行人选择的几率也越小。本发明根据路径拐弯次数等信息来量化路径复杂度，路径长度信息可以通过dijkstra算法获得。路径权重的计算公式如下：
Figure BDA0002770514290000061
其中K表示路径权重，k表示行人对室内结构的熟悉程度，c表示路径复杂度，l表示路径长度。当复杂度与路径长度增加时，路径权重因子都会减小，行人选择该路径的可能性也减小。
所以行人i的预选择导航路径方向计算公式为：
Figure BDA0002770514290000062
其中
Figure BDA0002770514290000063
表示行人i的预选择导航路径方向，neigbor(i)表示行人i可见范围内的其他行人，
Figure BDA0002770514290000064
表示行人j的速度方向，
Figure BDA0002770514290000065
表示与危险区相反的方向。当某一房间被危险堵住时，房间中的人没有可以通向出口的路径，行人会选择远离危险的方向移动。
S33、采用pre-ERRT算法对预选择的导航路径进行优化，得到光滑的导航路径作为最终的行人疏散导航路径。
通过上面的步骤已经确定整体的疏散方向，但此时的路径由折线段组成，即折线路径，作为行人导航方向会显得不真实、不自然。本发明提出pre-ERRT算法进行路径优化，与传统的RRT算法相比，做了三点改进：
1.通过智能决策得到的折线路径可以得到随机树生长的方向，避免了RRT算法全局随机带来的时间消耗。
2.将迭代步长设置为自适应的可变步长，当与目标节点距离大于阈值L且未碰撞时，步长加法增大；当与目标节点发生碰撞时，步长乘法减小；当与目标节点距离小于阈值L时，步长设置为固定值，使得迭代的步长较小，轨迹更为圆滑。
3.每帧运行RRT算法需要较大的时间开销。而行人只有在路径节点处才需要进行新一轮的路径选择，为此仅当行人进入拐弯和分岔路口的一定预设时空范围内时，才从行人位置和出口点位置同时进行快速随机树的生成，当随机树交叉时获得一条通路，为通过pre-ERRT算法得到的路径。这样可以同时获得多个行人的新的导航路径，同时多点生成随机树有效提高了算法效率。
最后在pre-ERRT算法得到的路径和预选择的导航路径(即折线路径)之间插值，使导航路径更为光滑且准确。
S34、结合行人状态，对行人疏散导航路径中的疏散方向进行优化，修正行人期望速度方向，动态改变路径选择，得到对自驱力进行修正后的路径导航方向。
在真实环境中，行人状态也会影响行人对方向的选择。当行人处于危险区时，行人会丧失方向并减缓速度，同时行人的可视范围减小；当行人处于危险区之外时，行人可以明确方向并有更好的可视范围。因此，不同状态的行人也会有不同的疏散方向选择。因此，最终修正的行人期望速度方向的计算公式如下：
Figure BDA0002770514290000071
在传统的模型中，即便行人与出口之间有障碍物，行人的期望方向依然会指向出口，直到靠近障碍物再向左边或右边移动。使用本发明的路径导航之后，行人可以直接绕过障碍物，更符合实际情形；当某一个位置发生危险时，可以动态改变路径选择，选择正确且合适的路径进行导航。
S4、引入行人之间的亲疏程度和行人密度信息，修正复杂室内结构下的社会力模型；利用修正后的社会力模型计算出行人的加速度，将加速度方向和路径导航方向加权求和作为最终速度的变化量的方向，将加速度大小近似作为最终速度变化量的大小。
在复杂的室内结构下，利用修正后的社会力模型可以得到更为真实的仿真结果。对于仿真的结果验证，可以提取视频帧中的行人轨迹进行对比。进一步，可以实现人群疏散仿真系统。该系统可以根据监控视频，实时地检测场景中是否发生了危险。当检测到危险发生时，可以提供不同位置的人以最佳的路径导航信息，避免所有人都挤向同一个出口，加快室内人群疏散速度，而不需要由人来指导疏散。同时，根据多次的仿真结果，针对危险发生的类型和位置不同，可以制定出对应的疏散方案。也可以根据仿真结果，检测建筑结构是否安全合理，以及建筑的容量有多大，如果仿真过程中大量行人长时间无法疏散，则应该改善房屋结构。当然在室内发生险情时，可以通过广播的方式告知室内所有人，在本方法中只需要简单调整信息传递框架，同样可以进行仿真。
在上面的步骤S34中，主要对自驱力进行了修正；本步骤考虑社会力的计算公式。传统社会力模型中的社会力公式如下：
Figure BDA0002770514290000081
其中Ai、Bi为常数，rij为两个行人的半径和，dij为两个行人中心之间的距离；社会力表示两个行人之间的心理排斥力。由公式可知，随着距离的增加，行人之间的社会力逐渐减小。在复杂建筑结构之间，社会力只考虑距离因素并不合理；本发明认为只有在行人i的可视范围内的个体(即行人)才会对行人i产生影响，另外人和人之间的吸引力大小应该受到人和人之间关系的影响。本发明通过未发生危险时，人和人之间的距离，以及人和人接触次数来度量两个行人之间的亲疏程度γ。在传统的人群疏散模型中，当密度值较大时，行人更为接近，社会力的作用更为明显，此时行人会在社会力的作用下发生震荡现象。本发明认为，当两侧行人密度不同时，对行人i产生的心理力，即社会力应该是不同；引入行人之间的亲疏程度和行人密度信息使得行人受到的社会力不再动态平衡，从而避免震荡现象；同时行人会提前减速，避免行人重叠。本发明中，行人i受到的社会力可以计算为：
Figure BDA0002770514290000082
其中γ表示行人i和行人j之间的亲疏程度，ρij表示与行人i相关的行人j周围的行人密度，g(ρij)是ρij的函数，向量
Figure BDA0002770514290000083
表示行人j指向行人i的标准向量。由公式可知，周围行人密度的增大，社会力会对行人i提前出现排斥力，出现减速慢行的现象，从而减弱行人重叠。并且引入γ和ρij使得行人受到的社会力不再动态平衡，从而避免震荡现象。
利用修正后的社会力模型计算出行人的加速度，将加速度方向和路径导航方向加权求和作为最终速度的变化量的方向，将加速度大小近似作为最终速度变化量的大小。
对于仿真的结果，提取视频帧中的行人轨迹进行对比，验证模型的准确性。进一步，实现人群疏散仿真系统。该系统可以根据监控视频，实时地检测场景中是否发生了危险。当检测到危险发生时，可以提供不同位置行人的最佳路径导航信息，避免所有人都挤向同一个出口，加快室内人群疏散速度，而不需要由人来指导疏散。同时，根据多次的仿真结果，针对危险发生的类型和位置不同，可以制定出对应的疏散方案。也可以根据仿真结果，检测建筑结构是否安全合理，以及建筑的容量有多大，如果仿真过程中大量行人长时间无法疏散，则应该改善房屋结构。当然在室内发生险情时，可以通过广播的方式告知室内所有人，只需要调整我们发明方法中的信息传递框架，同样可以进行仿真。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.复杂室内结构下基于场景语义信息的人群疏散仿真方法，其特征在于，包括以下步骤：
S1、对输入的视频序列进行目标检测，提取行人i的坐标，计算行人的初始速度vi，根据行人坐标和初始速度，初始化复杂室内结构的仿真场景；
S2、确定危险源，以危险源为起点，对危险信号的直接传递建立危险场，对危险信号的间接传递建立信息场；根据从危险场或信息场中获取信息的不同，将行人划分为不同的行人状态，对行人期望速度大小进行修正；
S3、采用pre-ERRT算法模型建立行人疏散路径导航，并结合危险发生的位置、行人状态，对行人疏散导航路径中的疏散方向进行优化，动态改变路径选择，得到最终的路径导航方向；
S4、引入行人之间的亲疏程度和行人密度信息，修正复杂室内结构下的社会力模型；利用修正后的社会力模型计算出行人的加速度，将加速度方向和路径导航方向加权求和作为最终速度的变化量的方向，将加速度大小近似作为最终速度变化量的大小。
2.根据权利要求1所述的人群疏散仿真方法，其特征在于，复杂室内结构的仿真场景描述了一个双出口多房间的室内结构，同一个房间内存在多个阻隔的区域；
步骤S2建立危险场时，从危险源发出信号，直到第一次触碰到障碍物为止，得到的整个区域都属于危险场。
3.根据权利要求1所述的人群疏散仿真方法，其特征在于，步骤S2将危险分为两类：静态危险和动态危险；静态危险指危险存在的位置以及危险影响的区域相对固定的危险；动态危险指危险存在的位置或者影响的区域不断变化的危险。
4.根据权利要求1所述的人群疏散仿真方法，其特征在于，步骤S4中，利用修正后的社会力模型对行人i受到的社会力计算为：
Figure FDA0002770514280000011
其中，Ai、Bi为常数，rij为两个行人的半径和，dij为两个行人中心之间的距离，γ表示行人i和行人j之间的亲疏程度，ρij表示与行人i相关的行人j周围的行人密度，g(ρij)是ρij的函数，向量
Figure FDA0002770514280000012
表示行人j指向行人i的标准向量，neigbor(i)表示行人i可见范围内的其他行人。
5.根据权利要求4所述的人群疏散仿真方法，其特征在于，用危险因子α表示危险场传递信息的强弱，随着距离的增加，危险因子逐渐降低，公式计算如下：
α＝P*exp(-di)
其中di表示行人i与危险之间的距离，系数P表示危险的严重程度；
将危险因子高于预设阈值的区域划分为危险区，危险因子低于预设阈值的区域划分为意识区；将不同区域的行人设置成不同的状态，不同状态的运动情况不同，行人状态计算如下：
Figure FDA0002770514280000021
其中pi表示行人状态，常量T表示危险因子的预设阈值；
对处于意识区的行人建立信息场；信息场为以信息发出者为中心，危险信号传达的距离为半径的圆形区域。
6.根据权利要求1所述的人群疏散仿真方法，其特征在于，步骤S2对行人期望速度大小进行修正的公式为：
Figure FDA0002770514280000022
其中v0表示无危险发生的情形下，设定的正常行人的最大速度；α表示行人i所处位置的危险因子的强度，r表示信息场中的行人接受信息的能力。
7.根据权利要求1所述的人群疏散仿真方法，其特征在于，步骤S3包括：
S31、对输入的视频帧进行预处理，提取通道节点和出口点；并对室内危险区和行人密度分布进行更新，对所提取的提取通道节点和出口点进行修正，实时得到空间中可达出口的节点拓扑图，作为可达矩阵路径拓扑；
S32、当室内发生危险时，以行人当前位置为起点，从行人对室内结构熟悉程度、路径权重、周围行人速度方向三个方面综合考虑，得到预选择的导航路径；
S33、采用pre-ERRT算法对预选择的导航路径进行优化，得到光滑的导航路径作为最终的行人疏散导航路径；
S34、结合行人状态，对行人疏散导航路径中的疏散方向进行优化，修正行人期望速度方向，动态改变路径选择，得到对自驱力进行修正后的路径导航方向。
8.根据权利要求7所述的人群疏散仿真方法，其特征在于，步骤S31中，当某条路径上行人密度过高时，将该路径设置为不可达。
9.根据权利要求7所述的人群疏散仿真方法，其特征在于，步骤S3中路径权重的计算公式如下：
Figure FDA0002770514280000031
其中K表示路径权重，k表示行人对室内结构的熟悉程度，c表示路径复杂度，l表示路径长度；
行人i的预选择导航路径方向计算公式为：
Figure FDA0002770514280000032
其中
Figure FDA0002770514280000033
表示行人i的的预选择导航路径方向，neigbor(i)表示行人i可见范围内的其他行人，
Figure FDA0002770514280000034
表示行人j的速度方向，
Figure FDA0002770514280000035
表示与危险区相反的方向。
10.根据权利要求7所述的人群疏散仿真方法，其特征在于，步骤S33的pre-ERRT算法中：
通过预选择的导航路径得到随机树生长的方向；
将迭代步长设置为自适应的可变步长，当与目标节点距离大于阈值L且未碰撞时，步长加法增大；当与目标节点发生碰撞时，步长乘法减小；当与目标节点距离小于阈值L时，步长设置为固定值；
仅当行人进入拐弯和分岔路口的预设时空范围内时，才从行人位置和出口点位置同时进行快速随机树的生成，当随机树交叉时获得一条通路，为通过pre-ERRT算法得到的路径，从而同时获得多个行人的新的导航路径；
在pre-ERRT算法得到的路径和预选择的导航路径之间插值，使导航路径更为光滑。
CN202011247469.7A 2020-11-10 2020-11-10 复杂室内结构下基于场景语义信息的人群疏散仿真方法 Active CN112417754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011247469.7A CN112417754B (zh) 2020-11-10 2020-11-10 复杂室内结构下基于场景语义信息的人群疏散仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011247469.7A CN112417754B (zh) 2020-11-10 2020-11-10 复杂室内结构下基于场景语义信息的人群疏散仿真方法

Publications (2)

Publication Number Publication Date
CN112417754A true CN112417754A (zh) 2021-02-26
CN112417754B CN112417754B (zh) 2023-10-31

Family

ID=74781666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247469.7A Active CN112417754B (zh) 2020-11-10 2020-11-10 复杂室内结构下基于场景语义信息的人群疏散仿真方法

Country Status (1)

Country Link
CN (1) CN112417754B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926116A (zh) * 2021-03-01 2021-06-08 哈尔滨工业大学 一种基于虚拟现实的体育馆火灾疏散行为数据收集系统及其收集方法
CN113221713A (zh) * 2021-05-06 2021-08-06 新疆爱华盈通信息技术有限公司 一种多媒体播放设备的智能旋转方法、装置及计算机设备
CN113240816A (zh) * 2021-03-29 2021-08-10 泰瑞数创科技(北京)有限公司 基于ar和语义模型的城市精确导航方法及其装置
CN114545932A (zh) * 2022-01-28 2022-05-27 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
CN114580195A (zh) * 2022-03-17 2022-06-03 山东交通学院 一种公共场所火灾背景下期望与实际逃生方向偏角估算方法
CN116011361A (zh) * 2023-03-24 2023-04-25 华东交通大学 自然灾害中高密度人群的避险评估仿真方法与系统
KR102702962B1 (ko) * 2024-03-21 2024-09-04 주식회사 에스씨크리에이티브 인공지능 기반 객체 탐지(Object Detecting) 기술을 활용한 보행자 밀집 데이터 수집 방법을 이용한 재난 방지용 시뮬레이션을 제공하는 방법 및 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101694A (zh) * 2018-07-16 2018-12-28 山东师范大学 一种安全疏散标志引导的人群行为仿真方法及系统
CN109948229A (zh) * 2019-03-14 2019-06-28 南京邮电大学 一种室内人群疏散方法及系统
CN110705071A (zh) * 2019-09-24 2020-01-17 浙江树人学院（浙江树人大学） 一种融合火势预测模型的消防三维数字化预案的方法
CN111274710A (zh) * 2020-02-14 2020-06-12 青岛智能产业技术研究院 一种基于游戏的核应急疏散出口选择行为模型的构建方法
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101694A (zh) * 2018-07-16 2018-12-28 山东师范大学 一种安全疏散标志引导的人群行为仿真方法及系统
CN109948229A (zh) * 2019-03-14 2019-06-28 南京邮电大学 一种室内人群疏散方法及系统
CN110705071A (zh) * 2019-09-24 2020-01-17 浙江树人学院（浙江树人大学） 一种融合火势预测模型的消防三维数字化预案的方法
CN111274710A (zh) * 2020-02-14 2020-06-12 青岛智能产业技术研究院 一种基于游戏的核应急疏散出口选择行为模型的构建方法
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁雨淋;何小波;朱庆;林珲;胡明远;: "实时威胁态势感知的室内火灾疏散路径动态优化方法", 测绘学报, no. 12, pages 1464 *
郭银景;鲍建康;刘琦;屈衍玺;吕文红;: "AUV实时避障算法研究进展", 水下无人系统学报, no. 04 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926116A (zh) * 2021-03-01 2021-06-08 哈尔滨工业大学 一种基于虚拟现实的体育馆火灾疏散行为数据收集系统及其收集方法
CN112926116B (zh) * 2021-03-01 2023-02-17 哈尔滨工业大学 一种基于虚拟现实的体育馆火灾疏散行为数据收集系统及其收集方法
CN113240816A (zh) * 2021-03-29 2021-08-10 泰瑞数创科技(北京)有限公司 基于ar和语义模型的城市精确导航方法及其装置
CN113240816B (zh) * 2021-03-29 2022-01-25 泰瑞数创科技(北京)有限公司 基于ar和语义模型的城市精确导航方法及其装置
CN113221713A (zh) * 2021-05-06 2021-08-06 新疆爱华盈通信息技术有限公司 一种多媒体播放设备的智能旋转方法、装置及计算机设备
CN114545932A (zh) * 2022-01-28 2022-05-27 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
CN114580195A (zh) * 2022-03-17 2022-06-03 山东交通学院 一种公共场所火灾背景下期望与实际逃生方向偏角估算方法
CN114580195B (zh) * 2022-03-17 2024-05-10 山东交通学院 一种公共场所火灾背景下期望与实际逃生方向偏角估算方法
CN116011361A (zh) * 2023-03-24 2023-04-25 华东交通大学 自然灾害中高密度人群的避险评估仿真方法与系统
CN116011361B (zh) * 2023-03-24 2023-06-20 华东交通大学 自然灾害中高密度人群的避险评估仿真方法与系统
KR102702962B1 (ko) * 2024-03-21 2024-09-04 주식회사 에스씨크리에이티브 인공지능 기반 객체 탐지(Object Detecting) 기술을 활용한 보행자 밀집 데이터 수집 방법을 이용한 재난 방지용 시뮬레이션을 제공하는 방법 및 시스템

Also Published As

Publication number Publication date
CN112417754B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
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
Shao et al. Autonomous pedestrians
Hoogendoorn et al. Pedestrian behavior at bottlenecks
Pelechano et al. Modeling crowd and trained leader behavior during building evacuation
CN107463751B (zh) 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统
CN107480320B (zh) 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统
Ma et al. Dual effects of guide-based guidance on pedestrian evacuation
CN111639809A (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
CN111611749A (zh) 基于rnn的室内人群疏散自动引导仿真方法及系统
Sarmady et al. Modeling groups of pedestrians in least effort crowd movements using cellular automata
CN105808852A (zh) 一种基于元胞自动机的室内行人微观仿真方法
Chu et al. SAFEgress: a flexible platform to study the effect of human and social behaviors on egress performance
CN114862070B (zh) 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
CN111481933A (zh) 一种基于改进势场栅格法的游戏路径规划方法
CN111400914A (zh) 一种基于视域的人群分组及人群疏散仿真系统及方法
CN115577574A (zh) 一种导流栏杆位置计算方法、装置、设备及可读存储介质
Shih et al. Safest-path planning approach for indoor fire evacuation
CN111651886A (zh) 一种低能见度环境下的人群疏散方法
Yuan et al. Application of navigation grid corner point algorithm in virtual reality simulation images of indoor fire evacuation
Ruan et al. Dynamic cellular learning automata for evacuation simulation
Jacob et al. Agent based modeling and simulation of tsunami triggered mass evacuation considering changes of environment due to earthquake and inundation
Li et al. Improved social force model based on navigation points for crowd emergent evacuation
Tollner et al. Artificial intellgence based decision making of autonomous vehicles before entering roundabout
CN114964247B (zh) 基于高阶图卷积神经网络的人群感知导航方法及系统
Ünal et al. Generating emergency evacuation route directions based on crowd simulations with reinforcement learning

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