CN114545932A - 一种路径修正方法、装置、设备及可读存储介质 - Google Patents

一种路径修正方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114545932A
CN114545932A CN202210106850.4A CN202210106850A CN114545932A CN 114545932 A CN114545932 A CN 114545932A CN 202210106850 A CN202210106850 A CN 202210106850A CN 114545932 A CN114545932 A CN 114545932A
Authority
CN
China
Prior art keywords
path
evacuated
unit
route
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
CN202210106850.4A
Other languages
English (en)
Other versions
CN114545932B (zh
Inventor
王子甲
余亮
朱亚迪
王伟彤
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210106850.4A priority Critical patent/CN114545932B/zh
Publication of CN114545932A publication Critical patent/CN114545932A/zh
Application granted granted Critical
Publication of CN114545932B publication Critical patent/CN114545932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供了一种路径修正方法、装置、设备及可读存储介质，涉及虚拟现实技术领域，包括对所述疏散场景建立导航网格，待疏散人员进行全局路径规划；提取路径关键点，根据路段长度、行人密度进行局部疏散路线修正；计算移动速度和方向；向目标点移动，出现环境变化则进行路线的再修正；直至到达安全出口，得到修正后的路径。一方面利用导航网格更新体现站务人员对动态障碍物的状态变更，体现乘客对交互式虚拟环境的响应；另一方面建立路径和密度的路段评价函数，乘客根据视场范围内的环境信息进行路线调整，并且移动过程充分考虑恐慌因素和其他行人的影响，进行移动速度和移动方向的动态调整。

Description

一种路径修正方法、装置、设备及可读存储介质
技术领域
本发明涉及虚拟现实技术领域，具体而言，涉及路径修正方法、装置、设备及可读存储介质。
背景技术
城市轨道交通车站封闭复杂，在海量客流荷载冲击下，乘客群体表现出高度的不稳定性；一旦发生突发事故，系统极易崩溃。且由于系统内乘客对环境的不熟悉和恐慌等因素，人群在疏散态中存在盲目行为，诱发踩踏事故。如何充分利用环境信息为乘客规划有效的逃生路径、缩短疏散时间，成为行业的研究重点。
现有技术中虽然有不少基于虚拟现实技术的疏散研究方法或系统，但仍存在不足之处：缺乏虚拟环境中站务人员的动态信息抽取；缺乏能响应实时交互型环境信息的模型；模型动画表达性差，现有技术场景里的人物模型只是几个预设动作的机械重复，动作十分僵硬，少有考虑融入物理的角色动画，不能根据速度的变化进行实时肢体调整，容易将参与者从浸入式环境中抽离。
发明内容
本发明的目的在于提供一种路径修正方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种路径修正方法，包括：
搭建疏散场景,初始化待疏散人员，生成导航网格;
对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径；
根据全局路径提取路径关键点，建立关于路段长度和行人数量的代价函数，在各关键点间利用D*Lite算法进行局部路径修正；
根据所述路径，仿真初始化后的所述待疏散人员以及影响所述待疏散人员恐慌的因子，计算出至少一个所述待疏散人员在所述局部路径中的移动速度和移动方向；
根据所述移动速度和方向，计算得到至少一个修正后的路径规划路线。
优选地，所述搭建疏散场景,初始化待疏散人员，生成导航网格，包括：
对所述疏散场景的特征进行提取，得到所述疏散场景的三维模型；
标记出影响所述站务人员在行进过程中的静态障碍物和动态障碍物；
将所述场景中的三维模型转换为三维模型体素；
识别并生成所述三维模型体素化后的可行走区域；
根据所述可行走区域，生成导航网格，获取顶点三维坐标；
获取第一信息，所述第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新所述导航网格。
优选地，所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径，包括：
建立待疏散人员从起始位置达到所有安全出口的估值函数;
根据估值函数,执行A*算法，得到所述待疏散人员到所有出口的最小代价路径；
根据到所述最小代价路径和空间认知水平，确定全局路径。
优选地，所述在各关键点间利用D*Lite算法进行局部路径修正，包括：
提取所述待疏散人员全局路径的关键点；
建立所述关键点间关于路段长度和行人数量的代价函数；
在每一个所述路径关键点上，以下一个路径关键点为目标点，采用D*Lite算法局部路径规划,得到所述带疏散人员修正后的局部路径。
第二方面，本申请还提供了一种路径修正装置，包括搭建模块、提取模块、第一计算模块、第二计算模块和第三计算模块，其中：
搭建模块：用于搭建疏散场景,初始化待疏散人员，生成导航网格;
提取模块：用于对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径；
第一计算模块：用于根据全局路径提取路径关键点，建立关于路段长度和行人数量的代价函数，在各关键点间利用D*Lite算法进行局部路径修正；
第二计算模块：用于根据所述路径，仿真初始化后的所述待疏散人员以及影响所述待疏散人员恐慌的因子，计算出至少一个所述待疏散人员在所述局部路径中的移动速度和移动方向；
第三计算模块：用于根据所述移动速度和方向，计算得到至少一个修正后的路径规划路线。
优选地，所述搭建模块，包括第一提取单元、第一标记单元、第一转换单元、第一识别单元、建图单元和第二获取单元，其中：
第一提取单元：用于对所述疏散场景的特征进行提取，得到所述疏散场景的三维模型；
第一标记单元：用于标记出影响所述站务人员在行进过程中的静态障碍物和动态障碍物；
第一转换单元：用于将所述场景中的三维模型转换为三维模型体素；
第一识别单元：用于识别并生成所述三维模型体素化后的可行走区域；
建图单元：用于根据所述可行走区域，生成导航网格，获取顶点三维坐标；
第二获取单元：用于获取第一信息，所述第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新所述导航网格。
优选地，提取模块，包括建立单元、第一计算单元和第一获取单元，其中：
建立单元：用于建立待疏散人员从起始位置达到所有安全出口的估值函数;
第一计算单元：用于根据估值函数,执行A*算法，得到所述待疏散人员到所有出口的最小代价路径；
第一获取单元：用于根据到所述最小代价路径和空间认知水平，确定全局路径。
优选地，所述第一计算模块，包括第二提取单元、建立函数单元和算法规则单元，其中：
第二提取单元：提取所述待疏散人员全局路径的关键点；
建立函数单元：用于建立所述关键点间关于路段长度和行人数量的代价函数；
算法规划单元：用于在每一个所述路径关键点上，以下一个路径关键点为目标点，采用D*Lite算法局部路径规划,得到所述带疏散人员修正后的局部路径。
第三方面，本申请还提供了一种路径修正设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述路径修正方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于路径修正方法的步骤。
本发明的有益效果为：从解耦行人在车站疏散过程中的路径决策过程入手，根据疏散过程中影响乘客路径抉择的要素，分析紧急疏散态下的乘客路径选择。局部路径选择中，一方面利用导航网格更新体现站务人员对动态障碍物的状态变更，进而影响乘客的路径选择，体现乘客对交互式虚拟环境的响应；另一方面建立路径和密度的路段评价函数，乘客根据视场范围内的环境信息进行路线调整。移动过程充分考虑恐慌因素和其他行人的影响，进行移动速度和移动方向的动态调整。从行人决策全过程出发解决目前虚拟环境中只能静态路径规划和路径抉择因素考虑不足的问题，充分捕捉动态特性，实现虚拟环境和真实操作的动态反馈；融入基于物理的交互角色动画，行人根据目前的速度调整身体位置以及落脚点，依据刚体约束求解身体动作，实现乘客智能体动作行为对环境的实时响应，解决目前技术中动画僵硬缺乏真实感的问题。
在沉浸式虚拟环境中运用这种方法，参与者以站务人员身份浸入场景，能变更设施布局并有效降低乘客的心理恐慌程度，虚拟环境中行人路径行为上的抉择交互和角色动画的物理交互有效激起站务人员相应的应急反应，实现站务人员对疏散的影响及应急行为采集，为站务人员行为特征研究及优化车站设施布局提供有力支撑。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的路径修正方法流程示意图;
图2为本发明实施例中所述的路径修正装置结构示意图；
图3为本发明实施例中所述的路径修正设备结构示意图。
图中:701、搭建模块；7014、第一提取单元；7015、第一标记单元；7016、第一转换单元；7017、第一识别单元；7018、建图单元；7019、第二获取单元；702、提取模块；7021、建立单元；7022、第一计算单元；7023、第一获取单元；703、第一计算模块；7031、第二提取单元；7032、建立函数单元；7033、算法规则单元；704、第二计算模块； 705、第三计算模块；7051、第一因子单元；7052、第二因子单元；7053、第三因子单元；7054、计算速度单元；7055、确定单元；7056、预测位置单元；7057、距离单元；7058、计算方向单元；800、路径修正设备；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种路径修正方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、搭建疏散场景,环境建模,再初始化待疏散人员。
S101、可以理解的是，在本步骤中，使用MAYA软件建立带骨骼的乘客模型，得到虚拟环境的乘客外观模型；规划模型层面来讲，智能体被认为智能体一般被认为是能够感知环境并做出反应的智能实体，具有独立性、自主性和社会性等基本特征。将行人抽象为智能体，每个智能体都具有由相关的属性集组成的状态，可以用相应的模型机制来分析所感测的数据以产生适当的动作和决定即对环境的感知与反馈；本方法的智能体状态集如下式所示：
Figure 9324DEST_PATH_IMAGE002
式中，
Figure 956552DEST_PATH_IMAGE004
表示智能体的期望速度，服从[0.76,1.25]之间的正态分布，
Figure 803285DEST_PATH_IMAGE006
实际走形速度，
Figure 341714DEST_PATH_IMAGE008
表示恐慌程度，S表示空间认知水平，取值服从布尔分布，FOV表示智能体视场，本方法统一视场为长度
Figure 539477DEST_PATH_IMAGE010
，角度为
Figure 821553DEST_PATH_IMAGE012
，
Figure 257214DEST_PATH_IMAGE014
表示智能体的当前位置。
S102：对疏散场景的特征进行提取，得到疏散场景的三维模型；使用Unity3D、3DMax等三维设计软件对城市轨道交通车站进行1:1还原，根据实地调研还原贴图及设备设施布局，构建沉浸式虚拟环境。
S103：标记出影响站务人员在行进过程中的静态障碍物和动态障碍物；标记障碍物类型，车站内设备繁多，按其状态是否会受站务人员影响分为静态障碍物和动态障碍物两种。其中墙壁、车站立柱、屏蔽门标记为静态障碍物，移动铁马、电扶梯通道、闸机通道标记为动态障碍物。
S104：体素化模型：将场景中的三维模型转换为体素。
S105：识别并生成三维模型体素化后的可行走区域；判断体素块连续性即将实心 高度场上表面连续的地方合并，下式展示了两块区域沿
Figure DEST_PATH_IMAGE015
方向的判断依据，
Figure 169806DEST_PATH_IMAGE016
轴方向同 理，可有效降低节点数量；然后根据智能体半径、最大跨越长度、最大可行走坡度进一步剔 除不可行走区域，本方法依次取
Figure 55198DEST_PATH_IMAGE018
Figure 140966DEST_PATH_IMAGE020
式中
Figure 696712DEST_PATH_IMAGE022
和
Figure 108102DEST_PATH_IMAGE024
分别表示两区域的
Figure 749299DEST_PATH_IMAGE015
最小和最大坐标，
Figure 107599DEST_PATH_IMAGE026
取智能体的最大可 跨越长度。
S106：生成导航网格，获取顶点三维坐标；轮廓化可行走区域，构造简单多边形，分割多边形以生成可寻路的凸多边形，对凸多边形网格三角化获取高度细节，生成乘客智能体可识别的导航网格；
S107：获取第一信息，第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新导航网格。参与者使用虚拟现实操作设备变更动态障碍物状态，包括：使用移动铁马、关闭电扶梯、打开闸机，状态变更后实现网格的实时更新。
S200、对所述疏散场景进行全局路径规划，获得所述疏散场景中全局路径规划。
可以理解的是，在本步骤中，在S200还包括S201、S202和S203，其中：
S201：根据启发式搜索算法,建立待疏散人员从起始位置达到所有安全出口的估值函数;
需要说明的是，此步骤针对已知环境空间，Ａ*算法采用启发式搜索，往往能在静态环境中有效快速地求解出最优路径。A*算法启发中的估价通过一个估价函数表示（如下式所示），以确定搜索方向
Figure 252273DEST_PATH_IMAGE028
式中
Figure 303405DEST_PATH_IMAGE030
表示乘客疏散起始位置由节点
Figure 166319DEST_PATH_IMAGE032
到达安全出口的估价函数，
Figure 590960DEST_PATH_IMAGE034
表示疏散起始位置到节点
Figure 855719DEST_PATH_IMAGE036
的实际代价，
Figure 608911DEST_PATH_IMAGE038
表示节点
Figure 224700DEST_PATH_IMAGE040
到达安全出口的估价代价，本文中两节点间的代价用欧几里得距离衡量：
Figure 455961DEST_PATH_IMAGE042
式中，
Figure 106386DEST_PATH_IMAGE044
和
Figure 499321DEST_PATH_IMAGE046
分别表示节点
Figure 867985DEST_PATH_IMAGE048
、
Figure 902937DEST_PATH_IMAGE050
的空间坐标。
S202：根据估值函数,执行A*算法，得到待疏散人员的当前位置到N个出口的N条最小代价路径，N标识出口的数量。
S203：根据到所有出口的最小代价路径和空间认知水平S，确定全局路径。
需要说明的是：城市轨道交通车站存在多个安全出口，并不是所有乘客都知道距自己最近的出口。因此按空间认知水平S将乘客智能体分为两类；
即当S=1时，认为智能体能找到距离最近的出口进行逃生，比较S202得到的N条路径的代价，将代价最小的路径R*作为全局路径进行疏散：
Figure 407868DEST_PATH_IMAGE052
式中
Figure 502863DEST_PATH_IMAGE054
表示从当前位置到第
Figure 93244DEST_PATH_IMAGE056
个出口的代价，
Figure 197467DEST_PATH_IMAGE058
表示安全出口的数量。
当S=0时，认为智能体不清楚离自己最近的安全出口，随机分配S202得到的N条路径中的一条作为其全局路径。
S300、局部路径规划，在疏散过程中行人的路径不是一成不变的，过程中会根据行人密度和路线长度做出局部路径决策；
可以理解的是，在本步骤中，S300还包括S301、S302和S303，其中：
S301、提取路径关键点，为提高方法效率，提取全局路径的关键点作为路径的修正点进行局部路径规划。具体如下：
对于全局路径R*上的路径点Ni，若Ni的上一个路径点Ni-1和下一个路径点Ni+1之间的连线上没有障碍物，则Ni不是关键点，将其删除；遍历路径上的所有点就得到了只有关键点的路径KeyR*。
S302、局部路径规划：在每一个路径关键点上，以下一个路径关键点为终点进行采用D*Lite算法局部路径规划,相当于D*Lite的第一次搜索，进而得到疏散效率更高的路线。
根据影响疏散的因素包括行人密度和路线长度，此处将行人密度折算到路线上，制定两点之间的代价如下式所示：
Figure 288395DEST_PATH_IMAGE060
Figure 554291DEST_PATH_IMAGE062
表示第
Figure 631969DEST_PATH_IMAGE064
个节点的坐标，
Figure 274302DEST_PATH_IMAGE066
为i到j点之间的行人数量。 D*Lite算法以目标点位搜索起点，当前坐标点s为终点；
Figure 488246DEST_PATH_IMAGE068
表示节点
Figure 925044DEST_PATH_IMAGE070
到达当前坐标点的估价代价，用欧几里得距离衡量；用
Figure 490017DEST_PATH_IMAGE072
记录目标点到n的父节点
Figure 670463DEST_PATH_IMAGE074
的实际代价与两点之间的代价之和的最小值，
Figure 4492DEST_PATH_IMAGE076
引入关键值，包括
Figure 346612DEST_PATH_IMAGE078
和
Figure 867723DEST_PATH_IMAGE080
进行下一节点的优先级排序：
Figure 586280DEST_PATH_IMAGE082
Figure 40395DEST_PATH_IMAGE084
下一节点
Figure 818996DEST_PATH_IMAGE086
的选择满足下式：
Figure 355632DEST_PATH_IMAGE088
S303、特别地，若乘客智能体在行进过程中视域内出现导流栏及电梯状态变更，会判断是否有路径点属于可行走区域内。若存在不属于可行走区域的点，则以当前点为终点，更新受影响点及相邻节点的距离，进行D*Lite算法搜索，得到响应环境变化的二次修正路径。
S400、根据修正的路径和影响待疏散人员恐慌的因子，计算出至少一个待疏散人员在路径中的移动速度。
可以理解的是，在本步骤中，根据最小代价路径，设置疏散场景的特征参数，确定待疏散人员的恐慌因子。恐慌因子包括第一恐慌因子、第二恐慌因子和第三恐慌因子,第一恐慌因子包括待疏散人员的密度；第二恐慌因子包括待疏散人员到目标出口的距离；第三恐慌因子包括周围环境对待疏散人员的干扰程度。
上述叙述中可得知，受密集人群和环境驱使，会导致行人在疏散过程中受到恐慌情绪作用，引发速度的起伏；本方法中主要依据下式建立恐慌因子影响，S400包括S401、S402、S403和S404，其中：
S401、第一恐慌因子：计算密度对行人的影响程度
Figure 612301DEST_PATH_IMAGE090
式中，
Figure 920922DEST_PATH_IMAGE092
为周围行人密度，计算方式为视场里的行人数量与视场面积之商。
Figure 136003DEST_PATH_IMAGE094
为最大承受行人密度，取
Figure 631706DEST_PATH_IMAGE096
。
S402、第二恐慌因子：计算距离对行人的影响程度
Figure 957645DEST_PATH_IMAGE098
式中，
Figure 120773DEST_PATH_IMAGE100
为距离目标出口的距离，
Figure 241176DEST_PATH_IMAGE102
为最大距离，考虑车站对角线距离和楼梯长度取150m。
S403、第三恐慌因子：除上述因素外，尖叫声、人群停滞等也会产生一定的影响，引入
Figure 755334DEST_PATH_IMAGE104
代表其余因素的干扰，具体计算如下式所示：
Figure 619385DEST_PATH_IMAGE106
式中，
Figure 637020DEST_PATH_IMAGE108
表示恐慌因子，
Figure 193903DEST_PATH_IMAGE110
分别表示各项指标的权值，满足
Figure 929778DEST_PATH_IMAGE112
，本方法中取
Figure 597519DEST_PATH_IMAGE114
，
Figure 469660DEST_PATH_IMAGE116
，
Figure 194515DEST_PATH_IMAGE118
。
S404、根据恐慌因子，得到乘客在路径上的移动速度：
Figure 152107DEST_PATH_IMAGE120
式中
Figure 357960DEST_PATH_IMAGE122
，
Figure 350187DEST_PATH_IMAGE124
分别表示智能体的期望速度和实际走形速度，
Figure 248873DEST_PATH_IMAGE126
表示最大疏散速度，本方法中取
Figure 693761DEST_PATH_IMAGE128
。
S500、计算移动方向，为了避免与其他行人发生碰撞，需要进行移动方向计算避免碰撞，在行人的中心处定义一个圆形区域检测碰撞，半径为
Figure 703305DEST_PATH_IMAGE130
（本发明取0.4m）。可以理解的是，在本步骤中，S500包括：S501、S502、S503和S504，其中：
S501、确定绕避对象，检测视场范围内的其他行人，若进入当前行人的空间则执行下述碰撞避免。定义集合A包含所需计算碰撞避免的其他行人
Figure 815618DEST_PATH_IMAGE132
，则
Figure 619626DEST_PATH_IMAGE134
，
Figure 817389DEST_PATH_IMAGE136
式中，
Figure 99466DEST_PATH_IMAGE138
、
Figure 535126DEST_PATH_IMAGE140
分别表示第
Figure 244456DEST_PATH_IMAGE142
个和第
Figure 929515DEST_PATH_IMAGE144
个行人的位置，
Figure 277933DEST_PATH_IMAGE146
表示第
Figure 99258DEST_PATH_IMAGE148
个行人视场内的行人数量。
S502、根据空间范围预测在任意一段时间内待疏散人员的地理位置；预测
Figure 245069DEST_PATH_IMAGE150
时间后行人的位置，如果预测位置发生重叠表示存在碰撞可能性，行人将倾向于横向偏移避开碰撞。第
Figure 151845DEST_PATH_IMAGE152
个行人的预测位置由下式给出：
Figure 41303DEST_PATH_IMAGE154
式中，
Figure 185977DEST_PATH_IMAGE156
，
Figure 502689DEST_PATH_IMAGE158
分别表示预测时间
Figure 896761DEST_PATH_IMAGE160
前后的位置向量，假定预测时间内速度大小方向均不改变，取
Figure 324331DEST_PATH_IMAGE162
=0.02s。
S503、根据待疏散人员的地理位置计算出待疏散人员之间的重叠距离；计算行人间的重叠距离，计算式如下：
Figure 589091DEST_PATH_IMAGE164
式中，
Figure 342283DEST_PATH_IMAGE166
表示重叠距离。
S504、根据重叠距离计算得出待疏散人员的移动方向；计算偏移向量，计算式如下：
Figure 223651DEST_PATH_IMAGE168
式中，
Figure 186404DEST_PATH_IMAGE170
表示偏移向量。
计算行人的移动方向为：
Figure 836828DEST_PATH_IMAGE172
式中，
Figure 760921DEST_PATH_IMAGE174
和
Figure 129586DEST_PATH_IMAGE176
分别表示表示下一步和当前状态的移动向量。
S600、由于当前技术惯用手段是使用几个动画进行机械重复，容易将参与者抽离虚拟环境，因此使用基于物理的角色动画进行改进，S600包括S601、S602和S603：
S601、用于建立倒立摆模型；即连接模型的全身质心和脚部的压力中心，此处简化为跖指关节中心，摆长则为质心和压力中心的长度。所示计算，定义质心上的坐标，y轴始终与全局坐标的向上方向对齐。两平面IPM模型腿部之间的角度表示IPM腿部的方向
Figure 164538DEST_PATH_IMAGE178
，
Figure 669469DEST_PATH_IMAGE180
，
Figure 498884DEST_PATH_IMAGE182
，
Figure 354845DEST_PATH_IMAGE184
“SW”代表摆动腿，“ST”代表站立腿。另外为模拟转身引入
Figure 927909DEST_PATH_IMAGE186
和
Figure 552925DEST_PATH_IMAGE188
计算膝关节的计算角度。
S602、用于根据移动速度，通过物理引擎算法计算得出驱动角色关节在一个或多个时间步内达到所需速度的扭矩；根据移动速度计算质心的移动轨迹，计算质心的角速度和线速度用下式计算：
Figure DEST_PATH_IMAGE190
Figure DEST_PATH_IMAGE192
、
Figure DEST_PATH_IMAGE194
表示开始和结束是站立腿与y轴的角度，I为转动惯量，mg表示重力，r为摆长，
Figure DEST_PATH_IMAGE196
为开始时的角速度。
计算脚部的接地位置，计算式如下：
Figure DEST_PATH_IMAGE198
Figure DEST_PATH_IMAGE200
Figure DEST_PATH_IMAGE202
Figure DEST_PATH_IMAGE204
是站立腿的质心速度，
Figure DEST_PATH_IMAGE206
和
Figure DEST_PATH_IMAGE208
分别是摆动腿接地前后的质心速度，相应 的
Figure DEST_PATH_IMAGE209
表示其角速度，然后使用四阶龙格-库塔法进行数值求解
Figure DEST_PATH_IMAGE211
。
使用ODE（Open Dynamics Engine，开放动态物理引擎）求解计算驱动角色关节在一个或多个时间步内达到所需速度的扭矩，可以与角色所处的环境进行真实交互。
S603、用于输出驱动角色的动画信息；输出动画信息，集成至方法中，实现基于物理模拟的角色动画。执行移动，并根据速度、位置变化，反馈出相应的物理角色动画。
S700、根据得到的路径、移动速度和方向、以及物理角色动画，乘客智能体开始移动，并根据移动中的变化进行路径的再修正，S700包括S701和S702，其中：
S701：根据得到的路径、移动速度和方向、以及物理角色动画，乘客智能体向目标点进行疏散行进；
特别地，在行进过程中，乘客会根据站务人员指示有序疏散，此方法中将此现象表现为恐慌系数的降低，即当乘客视场中出现站务人员角色，恐慌系数因子变为0，移动速度为原始期望速度；
S702：用于判断待疏散人员是否达到目标点，若达到目标点，则规划结束，得到修正后的路径规划路线。
实施例2：
如图2所示，本实施例提供了一种路径修正装置，参见图2装置包括搭建模块701、提取模块702、第一计算模块 703、第二计算模块704和第三计算模块705，其中：
搭建模块701：用于搭建疏散场景,初始化待疏散人员，生成导航网格;
提取模块702：用于对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径；
第一计算模块 703：用于根据全局路径提取路径关键点，建立关于路段长度和行人数量的代价函数，在各关键点间利用D*Lite算法进行局部路径修正；
第二计算模块704：用于根据所述路径，仿真初始化后的所述待疏散人员以及影响所述待疏散人员恐慌的因子，计算出至少一个所述待疏散人员在所述局部路径中的移动速度和移动方向；
第三计算模块705：用于根据所述移动速度和方向，计算得到至少一个修正后的路径规划路线。
优选地，所述搭建模块701，包括第一提取单元7014、第一标记单元7015、第一转换单元7016、第一识别单元7017、建图单元7018和第二获取单元7019，其中：
第一提取单元7014：用于对所述疏散场景的特征进行提取，得到所述疏散场景的三维模型；
第一标记单元7015：用于标记出影响所述站务人员在行进过程中的静态障碍物和动态障碍物；
第一转换单元7016：用于将所述场景中的三维模型转换为三维模型体素；
第一识别单元7017：用于识别并生成所述三维模型体素化后的可行走区域；
建图单元7018：用于根据所述可行走区域，生成导航网格，获取顶点三维坐标；
第二获取单元7019：用于获取第一信息，所述第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新所述导航网格。
优选地，提取模块702，包括建立单元7021、第一计算单元7022和第一获取单元7023，其中：
建立单元7021：用于建立待疏散人员从起始位置达到所有安全出口的估值函数;
第一计算单元7022：用于根据估值函数,执行A*算法，得到所述待疏散人员到所有出口的最小代价路径；
第一获取单元7023：用于根据到所述最小代价路径和空间认知水平，确定全局路径。
优选地，所述第一计算模块 703，包括第二提取单元7031、建立函数单元7032和算法规则单元7033，其中：
第二提取单元7031：提取所述待疏散人员全局路径的关键点；
建立函数单元7032：用于建立所述关键点间关于路段长度和行人数量的代价函数；
算法规划单元7033：用于在每一个所述路径关键点上，以下一个路径关键点为目标点，采用D*Lite算法局部路径规划,得到所述带疏散人员修正后的局部路径。
优选地，第三计算模块705中的移动速度包括：第一因子单元7051、第二因子单元7052、第三因子单元7053和计算速度单元7054，其中：
第一因子单元7051：计算反映密度对所述待疏散人员影响的第一恐慌因子；
第二因子单元7052：计算反映距离对所述待疏散人员影响的第二恐慌因子；
第三因子单元7053：计算反映尖叫声、人群停滞等其他因素对所述待疏散人员影响的第三恐慌因子；
计算速度单元7054：根据所述第一恐慌因子、所述第二恐慌因子和所述第三恐慌因子，计算得到所述待疏散人员在路径上的移动速度。
优选地，第三计算模块705中的移动方向包括：确定单元7055、预测位置单元7056、距离单元7057和计算方向单元7058，其中：
确定单元7055：确定待绕避对象；
预测位置单元7056：根据所述待绕避对象预测在任意一段时间内所述待绕避对象的地理位置；
距离单元7057：根据所述待绕避对象的地理位置计算出所述待疏散人员之间的重叠距离；
计算方向单元7058：根据所述重叠距离计算得出所述待疏散人员的移动方向。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种路径修正设备，下文描述的一种路径修正设备与上文描述的一种路径修正方法可相互对应参照。
图3是根据示例性实施例示出的一种路径修正设备800的框图。如图3所示，该路径修正设备800可以包括：处理器801和存储器802。该路径修正设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该路径修正设备800的整体操作，以完成上述的路径修正方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该路径修正设备800的操作，这些数据例如可以包括用于在该路径修正设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该路径修正设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，路径修正设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的路径修正方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的路径修正方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由路径修正设备800的处理器801执行以完成上述的路径修正方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种路径修正方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的路径修正方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
综上所述，从解耦行人在车站疏散过程中的路径决策过程入手，根据疏散过程中影响乘客路径抉择的要素，分析紧急疏散态下的乘客路径选择。全局路径层面以A*搜索算法为基础，考虑空间认知水平和站务人员影响选择出口；局部路径选择中，一方面利用导航网格更新体现站务人员对动态障碍物的状态变更，进而影响乘客的路径选择，体现乘客对交互式虚拟环境的响应；另一方面建立路径和密度的路段评价函数，乘客根据视场范围内的环境信息进行路线调整。移动过程充分考虑恐慌因素和其他行人的影响，进行移动速度和移动方向的动态调整。从行人决策全过程出发解决目前虚拟环境中只能静态路径规划和路径抉择因素考虑不足的问题，充分捕捉动态特性，实现虚拟环境和真实操作的动态反馈。
融入基于物理的交互角色动画，行人根据目前的速度调整身体位置以及落脚点，依据刚体约束求解身体动作，实现乘客智能体动作行为对环境的实时响应，解决目前技术中动画僵硬缺乏真实感的问题。
在沉浸式虚拟环境中运用这种方法，参与者以站务人员身份浸入场景，能变更设施布局并有效降低乘客的心理恐慌程度，虚拟环境中行人路径行为上的抉择交互和角色动画的物理交互有效激起站务人员相应的应急反应，实现站务人员对疏散的影响及应急行为采集，为站务人员行为特征研究及优化车站设施布局提供有力支撑。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种路径修正方法，其特征在于，包括：
搭建疏散场景,初始化待疏散人员，生成导航网格;
对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径；
根据全局路径提取路径关键点，建立关于路段长度和行人数量的代价函数，在各关键点间利用D*Lite算法进行局部路径修正；
根据所述路径，仿真初始化后的所述待疏散人员以及影响所述待疏散人员恐慌的因子，计算出至少一个所述待疏散人员在所述局部路径中的移动速度和移动方向；
根据所述移动速度和方向，计算得到至少一个修正后的路径规划路线。
2.根据权利要求1所述的路径修正方法，其特征在于,所述搭建疏散场景,初始化待疏散人员，生成导航网格，包括：
对所述疏散场景的特征进行提取，得到所述疏散场景的三维模型；
标记出影响所述站务人员在行进过程中的静态障碍物和动态障碍物；
将所述场景中的三维模型转换为三维模型体素；
识别并生成所述三维模型体素化后的可行走区域；
根据所述可行走区域，生成导航网格，获取顶点三维坐标；
获取第一信息，所述第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新所述导航网格。
3.根据权利要求1所述的路径修正方法，其特征在于,所述对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径，包括：
建立待疏散人员从起始位置达到所有安全出口的估值函数;
根据估值函数,执行A*算法，得到所述待疏散人员到所有出口的最小代价路径；
根据到所述最小代价路径和空间认知水平，确定全局路径。
4.根据权利要求1所述的路径修正方法，其特征在于,所述在各关键点间利用D*Lite算法进行局部路径修正，包括：
提取所述待疏散人员全局路径的关键点；
建立所述关键点间关于路段长度和行人数量的代价函数；
在每一个所述路径关键点上，以下一个路径关键点为目标点，采用D*Lite算法局部路径规划,得到所述带疏散人员修正后的局部路径。
5.一种路径修正装置，其特征在于，包括：
搭建模块：用于搭建疏散场景,初始化待疏散人员，生成导航网格;
提取模块：用于对所述疏散场景进行全局路径规划，获得所述待疏散人员在所述疏散场景中的全局规划路径；
第一计算模块：用于根据全局路径提取路径关键点，建立关于路段长度和行人数量的代价函数，在各关键点间利用D*Lite算法进行局部路径修正；
第二计算模块：用于根据所述路径，仿真初始化后的所述待疏散人员以及影响所述待疏散人员恐慌的因子，计算出至少一个所述待疏散人员在所述局部路径中的移动速度和移动方向；
第三计算模块：用于根据所述移动速度和方向，计算得到至少一个修正后的路径规划路线。
6.根据权利要求5所述的路径修正装置，其特征在于，所述搭建模块，包括：
第一提取单元：用于对所述疏散场景的特征进行提取，得到所述疏散场景的三维模型；
第一标记单元：用于标记出影响所述站务人员在行进过程中的静态障碍物和动态障碍物；
第一转换单元：用于将所述场景中的三维模型转换为三维模型体素；
第一识别单元：用于识别并生成所述三维模型体素化后的可行走区域；
建图单元：用于根据所述可行走区域，生成导航网格，获取顶点三维坐标；
第二获取单元：用于获取第一信息，所述第一信息为参与者使用虚拟现实操作设备变更动态障碍物状态以实现实时更新所述导航网格。
7.根据权利要求5所述的路径修正装置，其特征在于，所述提取模块，包括：
建立单元：用于建立待疏散人员从起始位置达到所有安全出口的估值函数;
第一计算单元：用于根据估值函数,执行A*算法，得到所述待疏散人员到所有出口的最小代价路径；
第一获取单元：用于根据到所述最小代价路径和空间认知水平，确定全局路径。
8.根据权利要求5所述的路径修正装置，其特征在于，所述第一计算模块，包括：
第二提取单元：提取所述待疏散人员全局路径的关键点；
建立函数单元：用于建立所述关键点间关于路段长度和行人数量的代价函数；
算法规划单元：用于在每一个所述路径关键点上，以下一个路径关键点为目标点，采用D*Lite算法局部路径规划,得到所述带疏散人员修正后的局部路径。
9.一种路径修正设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述路径修正方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述路径修正方法的步骤。
CN202210106850.4A 2022-01-28 2022-01-28 一种路径修正方法、装置、设备及可读存储介质 Active CN114545932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106850.4A CN114545932B (zh) 2022-01-28 2022-01-28 一种路径修正方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106850.4A CN114545932B (zh) 2022-01-28 2022-01-28 一种路径修正方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114545932A true CN114545932A (zh) 2022-05-27
CN114545932B CN114545932B (zh) 2023-06-06

Family

ID=81673313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106850.4A Active CN114545932B (zh) 2022-01-28 2022-01-28 一种路径修正方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114545932B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509410A (zh) * 2011-12-07 2012-06-20 浙江大学 智能化消防疏散逃生指示系统及方法
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
CN105740510A (zh) * 2016-01-22 2016-07-06 山东师范大学 基于网格-密度-关系的疏散人群行为仿真系统及其方法
CN107330147A (zh) * 2017-05-26 2017-11-07 北京交通大学 一种地铁车站人员应急疏散仿真方法及系统
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
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN109214065A (zh) * 2018-08-14 2019-01-15 山东师范大学 基于多Agent共享Q表的人群疏散仿真方法及系统
CN109269517A (zh) * 2018-08-30 2019-01-25 中铁第四勘察设计院集团有限公司 一种用于高速铁路站台的应急疏导仿真方法及系统
CN109740192A (zh) * 2018-12-12 2019-05-10 山东师范大学 基于阿诺德情绪模型的人群疏散仿真方法及系统
CN109783856A (zh) * 2018-12-12 2019-05-21 山东师范大学 基于群体效应的应急人群疏散仿真方法及系统
CN109866798A (zh) * 2019-01-10 2019-06-11 北京交通大学 一种基于引导员的轨道交通车站乘客疏散方法
CN110543975A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于群智能算法和疏散熵的人群疏散路径优化方法
CN110795833A (zh) * 2019-10-15 2020-02-14 山东师范大学 基于猫群算法的人群疏散仿真方法、系统、介质及设备
CN111339668A (zh) * 2020-02-28 2020-06-26 西南交通大学 基于情绪认知的人群疏散可视化方法
CN111400914A (zh) * 2020-03-17 2020-07-10 山东师范大学 一种基于视域的人群分组及人群疏散仿真系统及方法
CN111639809A (zh) * 2020-05-29 2020-09-08 华中科技大学 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统
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
CN112862192A (zh) * 2021-02-08 2021-05-28 青岛理工大学 基于蚁群算法和改进社会力模型的人群疏散辅助决策系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509410A (zh) * 2011-12-07 2012-06-20 浙江大学 智能化消防疏散逃生指示系统及方法
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
CN105740510A (zh) * 2016-01-22 2016-07-06 山东师范大学 基于网格-密度-关系的疏散人群行为仿真系统及其方法
CN107330147A (zh) * 2017-05-26 2017-11-07 北京交通大学 一种地铁车站人员应急疏散仿真方法及系统
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
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN109214065A (zh) * 2018-08-14 2019-01-15 山东师范大学 基于多Agent共享Q表的人群疏散仿真方法及系统
CN109269517A (zh) * 2018-08-30 2019-01-25 中铁第四勘察设计院集团有限公司 一种用于高速铁路站台的应急疏导仿真方法及系统
CN109740192A (zh) * 2018-12-12 2019-05-10 山东师范大学 基于阿诺德情绪模型的人群疏散仿真方法及系统
CN109783856A (zh) * 2018-12-12 2019-05-21 山东师范大学 基于群体效应的应急人群疏散仿真方法及系统
CN109866798A (zh) * 2019-01-10 2019-06-11 北京交通大学 一种基于引导员的轨道交通车站乘客疏散方法
CN110543975A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于群智能算法和疏散熵的人群疏散路径优化方法
CN110795833A (zh) * 2019-10-15 2020-02-14 山东师范大学 基于猫群算法的人群疏散仿真方法、系统、介质及设备
CN111339668A (zh) * 2020-02-28 2020-06-26 西南交通大学 基于情绪认知的人群疏散可视化方法
CN111400914A (zh) * 2020-03-17 2020-07-10 山东师范大学 一种基于视域的人群分组及人群疏散仿真系统及方法
CN111639809A (zh) * 2020-05-29 2020-09-08 华中科技大学 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统
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
CN112862192A (zh) * 2021-02-08 2021-05-28 青岛理工大学 基于蚁群算法和改进社会力模型的人群疏散辅助决策系统

Also Published As

Publication number Publication date
CN114545932B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
JP4911534B2 (ja) 移動体の測位装置
Brogan et al. Realistic human walking paths
Bierlaire et al. Behavioral dynamics for pedestrians
Miao et al. Dynamic robot path planning using an enhanced simulated annealing approach
Henry et al. Learning to navigate through crowded environments
CN104239636B (zh) 一种火灾应急疏散模拟方法
Vanclooster et al. Integrating indoor and outdoor spaces for pedestrian navigation guidance: A review
Rahaman et al. CAPRA: A contour-based accessible path routing algorithm
KR20200108527A (ko) 심층 강화 학습에 기반한 자율주행 에이전트의 학습 방법 및 시스템
CN108255170A (zh) 动态地调整自动驾驶车辆的速度控制率的方法
Subakti et al. A marker-based cyber-physical augmented-reality indoor guidance system for smart campuses
Ntakolia et al. A swarm intelligence graph-based pathfinding algorithm (SIGPA) for multi-objective route planning
Sarmady et al. Modeling groups of pedestrians in least effort crowd movements using cellular automata
US20220035974A1 (en) Movement route prediction system, movement route prediction method, and recording medium
KR20170134165A (ko) 이동 로봇 제어 방법
Sabri et al. A multi-dimensional analytics platform to support planning and design for liveable and sustainable urban environment
CN113515131B (zh) 基于条件变分自动编码器的移动机器人避障方法及系统
Liu et al. A two-level path-finding strategy for indoor navigation
Boguslawski et al. 3D building interior modelling for navigation in emergency response applications
Wang et al. Combining building and behavior models for evacuation planning
Subakti et al. Engfi Gate: An Indoor Guidance System using Marker-based Cyber-Physical Augmented-Reality.
JP3534228B2 (ja) 目的地案内装置
Motta et al. Overview of smart white canes: connected smart cane from front end to back end
CN114545932A (zh) 一种路径修正方法、装置、设备及可读存储介质
Ghawana et al. 3D geospatial indoor navigation for disaster risk reduction and response in urban environment

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