CN107665269A - 基于地理信息的快速人群疏散仿真方法和装置 - Google Patents
基于地理信息的快速人群疏散仿真方法和装置 Download PDFInfo
- Publication number
- CN107665269A CN107665269A CN201710684884.0A CN201710684884A CN107665269A CN 107665269 A CN107665269 A CN 107665269A CN 201710684884 A CN201710684884 A CN 201710684884A CN 107665269 A CN107665269 A CN 107665269A
- Authority
- CN
- China
- Prior art keywords
- mrow
- road
- msubsup
- path
- msub
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Architecture (AREA)
- Game Theory and Decision Science (AREA)
- Civil Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于地理信息的快速人群疏散仿真方法和装置，所述方法包括以下步骤：获取场景的二维地图；基于所述二维地图提取地理信息，重建道路模型和建筑群模型；根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图；基于正态分布的相对速度障碍法和场景语义进行人群运动计算；结合真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染得到人群疏散仿真动画。本发明所提出的方法复杂度低，能够高效地进行人群疏散仿真。
Description
技术领域
本发明涉及三维仿真领域，尤其涉及一种基于地理信息的快速人群疏散仿真方法和装置。
背景技术
近年来，我国经济社会不断发展，人口密集场所不断增加，公共场所的人员安全疏散问题成为当今社会中一个非常重要的关注点。在紧急安全事故发生时，如何指导人群快速、安全、有序的疏散，最大程度保障人员的安全，成为公共安全领域的研究热点。利用计算机仿真技术，构建场景模型并进行人群疏散模拟是解决此类公共安全问题的关键方法之一。为了提供及时的决策支持，利用虚拟的场景模型进行人群疏散仿真，高效性和及时性显得尤为重要。因此，如何高效的构建人群仿真模型，进行快速人群运动仿真成为研究的热点问题。目前在人群疏散仿真方法的研究中，人群疏散仿真方法大多不能快速构建场景模型并提取场景语义进行高效的人群疏散仿真。
如何提高人群疏散仿真的效率，是目前需要本领域技术人员迫切解决的一个技术问题。
发明内容
为了解决上述问题，本发明提出了一种基于地理信息的快速人群疏散仿真方法。该方法通过提取二维地图中的地理信息数据来构建场景模型、提取场景语义，并利用基于正态分布的相对速度障碍法结合场景语义和全局路径导航计算人群运动，实现快速人群疏散仿真，为解决公共安全问题提供及时的决策支持。
为了实现上述目的，本发明采用如下技术方案：
一种基于地理信息的快速人群疏散仿真方法，包括以下步骤：
步骤1：获取场景的二维地图。
步骤2：基于所述二维地图提取地理信息，重建道路模型和建筑群模型。
步骤3：根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图。
步骤4：基于正态分布的相对速度障碍法和场景语义进行人群运动计算。
步骤5：结合真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染得到人群疏散仿真动画。
进一步地，所述步骤2具体包括：
步骤2.1：基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
步骤2.2：采用基于形状文法的方法生成场景的建筑群模型；
步骤2.3：将道路模型和建筑群模型合并得到场景模型。
进一步地，所述道路模型重建包括：
基于道路骨架数据和道路宽度，采用向量旋转方法得到每个构成道路的顶点；
将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，得到所有的道路多边形，实现道路模型重建。
进一步地，所述步骤3具体包括：
步骤3.1：将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
步骤3.2：针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。
进一步地，所述步骤4具体包括：
步骤4.1：根据公式(1)得到满足正态分布的n个速度值Vpref并分别赋值于n个个体；
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度；
步骤4.2：根据公式(2)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
步骤4.3：根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成；
步骤4.4：选择最短路径上距个体当前位置最近的顶点为下一临时目标点，在每一个时间步长内，更新个体i的期望速度Vi pref方向为下一个临时目标点的方向；并根据公式(3)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
其中，wi表示权重，tci′(Vi cand)表示期望碰撞时间。
根据本发明的另一方面，本发明还提供了一种基于地理信息的快速人群疏散仿真的计算机装置，包括显示器、图形处理器、存储器和处理器，其中，
基于所述显示器上的人机交互界面选择指定场景的二维地图；
所述处理器用于执行：接收场景的二维地图；
基于所述二维地图提取地理信息，重建道路模型和建筑群模型；
根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图；
基于正态分布的相对速度障碍法和场景语义进行人群运动计算，将所述人群运动计算结果以及所述道路、建筑物模型传输至图形处理器；
所述图形处理器基于真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染，得到人群疏散仿真动画传输至显示器进行显示。
进一步地，所述重建道路模型和建筑群模型包括：
基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
采用基于形状文法的方法生成场景的建筑群模型；
将道路模型和建筑群模型合并得到场景模型。
进一步地，所述道路模型重建包括：
基于道路骨架数据和道路宽度，采用向量旋转方法得到每个构成道路的顶点；
将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，得到所有的道路多边形，实现道路模型重建。
进一步地，所述建立路径语义拓扑图包括：
将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。
进一步地，所述人群运动计算包括：
根据公式(1)得到满足正态分布的n个速度值Vpref并分别赋值于n个个体；
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度；
根据公式(2)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成；
选择最短路径上距个体当前位置最近的顶点为下一临时目标点；在每一个时间步长内，更新个体i的期望速度Vi pref方向为下一个临时目标点的方向；并根据公式(3)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
其中，wi表示权重，tci′(Vi cand)表示期望碰撞时间。
本发明的有益效果：
1、本发明设计了一种基于地理信息的场景建模方法，能够从二维地图中获取道路的地理坐标信息，并利用几何变换、面片构建以及真实感处理技术快速得到场景模型；
2、本发明定义了基于地理信息的场景语义，并利用从二维地图中获取的地理信息建立路径拓扑图以提取场景语义，能够为人群运动计算提供更合理的路径规划和导航；
3、本发明提出了基于正态分布的相对速度障碍法，在相对速度障碍法中加入正态分布速度，算法复杂度低，能够高效地进行人群仿真。
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基于地理信息的快速人群疏散仿真方法的流程图；
图2基于地理信息的快速场景建模的流程图；
图3基于地理信息的快速建模过程及效果图，其中，3(a)路网骨架的交互式信息采集；3(b)路网骨架图；3(c)道路重建；3(d)路网模型；3(e)建筑群模型；3(f)模型细化；
图4道路重建示意图，其中，4(a)路网骨架；图4(b)道路重建过程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
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，本发明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。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种基于地理信息的快速人群疏散仿真方法，如图1所示，包括以下步骤：
步骤1：获取场景的二维地图。
步骤2：基于所述二维地图提取地理信息，重建道路模型和建筑群模型。
步骤2.1：基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
具体地，每个构成道路多边形的顶点采用向量旋转的方式得到，如图4(b)。首先，取直线p2p3上一点p，它到点p2的距离为其中d为该段道路的宽度。其次，使用公式(1)将点p逆时针旋转θ角得到点p8(即将向量逆时针旋转)，其中为二维坐标系中的旋转矩阵。然后，再利用公式(1)将点p8逆时针旋转180度，得到点p5的坐标值。使用上述方法依次处理道路骨架集合X中的所有坐标点，分别得到经过旋转后与其对应的道路两边的坐标点。将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，其中left_edge＝{p8i|2≤i≤n}，right_edge＝{p5i|2≤i≤n}。最后，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，构成道路多边形ri，最终计算得到所有的ri组成道路R。
步骤2.2：采用基于形状文法的方法生成场景的建筑群模型；
形状文法是一种计算机辅助设计方法，它可以根据人们的设计思想和要求，依据一定的规则产生新的形状。一个形状文法定义的形状集合称为语言，这个语言包含所有的由形状文法生成的无符号形状或带符号形状，其中的每一个形状都是通过应用形状规则从初始形状派生出来的.具体地，在本实例中通过对建筑物的组成构件进行分析，将建筑物分解，并采用CSG建模的方法，描述建筑物的生成过程。根据此生成过程，采用形状文法的形式来定义各个生成过程的具体规则，通过拉伸、平移、缩放、交、并、补等操作使得建筑物的生成形式化、具体化和自动化，借助Maya的mel脚本语言实现大规模建筑物的批量生成。
步骤2.3：将道路模型和建筑群模型合并得到场景模型。本实施例中是将道路模型和建筑群模型导入到Maya的同一场景中进行编辑从而得到最终的场景模型。
步骤3：根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图。
具体地，所述路径语义拓扑图(Roadmap图)由顶点和边组成，表示为G＝(V,E)。
其中，V表示顶点的集合，由道路骨架数据集合中的坐标点经坐标转换得到；具体地，本实施例使用的图顶点由存储道路地理坐标信息的路网骨架集合X中的坐标点xik＝(longitude,latitude)经过坐标变换而得，其中longitude表示经度坐标，latitude表示纬度坐标。如表1所示，由于提取的地理坐标是经纬度坐标，在场景中其经纬度坐标间的变化从小数点后第2位开始，变化很小不方便计算，因此需要将坐标点xik进行坐标变换。根据公式(2)(3)分别对经纬坐标进行坐标变换，其中k表示原坐标小数部分不变的位数，l表示所要取得的新坐标的整数位数。使用经坐标变换后的作为Roadmap图的顶点，表示为公式(4)，转换后的部分坐标如表2所示。
E表示边集合，每条边e(v1,v2)∈E，其中顶点v1和v2是边e的两个端点。将任意两个距离为r的顶点连接，并在连接时保证该连线不经过任意障碍物。E表示边集合，每条边e(v1,v2)∈E，其中顶点v1和v2是边e的两个端点。将任意两个距离为r的顶点连接，并在连接时保证该连线不经过任意障碍物。
基于此，所述步骤3可具体包括以下步骤：
步骤3.1：将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
步骤3.2：针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。具体地，对于V中的任意两点vp，vq执行如下判断：(a)vp，vq间的距离小于r；(b)vp，vq间的连线不经过障碍物；若条件(a)(b)都满足，则将vp，vq存储为e(vp,vq)并保存于E中，继续执行直到V中所有顶点判断完毕。
步骤4：基于正态分布的相对速度障碍法(Normal Distribution-basedReciprocal Velocity Obstacles，ND-RVO)和场景语义进行人群运动计算。
在实际运动中，人会因年龄、身体状态等因素呈现出不同的运动速度，速度处于1m/s～1.3m/s之间的人数较多，其余速度的人数分布较少。基于此，本文使用正态分布近似地描述人群的期望速度Vpref。
步骤4.1：在初始化时，根据公式(5)得到满足正态分布的n个Vpref并分别赋值于n个个体；
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度。
步骤4.2：根据公式(6)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
步骤4.3：根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成。本实施例中所述最短路径算法为Dijkstra算法。
步骤4.4：选择最短路径上距个体当前位置最近的顶点为下一临时目标点，在每一个时间步长内，更新个体i的期望速度Vi pref方向为朝向下一个临时目标点的方向；并根据公式(7)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
其中，wi表示权重，tci′(Vi cand)表示期望碰撞时间。
步骤5：结合真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染得到人群疏散仿真动画。
具体地，在真实感渲染平台中导入道路、建筑群模型以及生成的人群运动路径，生成人群运动的动画效果。该真实感渲染平台是基于XNA/MonoGame平台实现的支持跨平台的实时人群运动仿真***。采用XNA Game Studio2013，以Microsoft Visual Studio2013为平台进行人群运动仿真。已生成的场景模型、人物模型以及路径文件导入到该仿真平台，可以更加直观的观察人群运动效果，分析人群运动的情况。
实施例二
一种基于地理信息的快速人群疏散仿真的计算机装置，包括显示器、图形处理器、存储器和处理器，所述存储器中存储有计算机程序，其特征在于，
基于所述显示器上的人机交互界面选择指定场景的二维地图；
所述处理器用于执行所述计算机程序：接收场景的二维地图；
基于所述二维地图提取地理信息，重建道路模型和建筑群模型；
根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图；
基于正态分布的相对速度障碍法和场景语义进行人群运动计算，将所述人群运动计算结果以及所述道路、建筑物模型传输至图形处理器；
所述图形处理器基于真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染，得到人群疏散仿真动画传输至显示器进行显示。
所述重建道路模型和建筑群模型包括：
基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
采用基于形状文法的方法生成场景的建筑群模型；
将道路模型和建筑群模型合并得到场景模型。
所述道路模型重建包括：
基于道路骨架数据和道路宽度，采用向量旋转方法得到每个构成道路的顶点；
将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，得到所有的道路多边形，实现道路模型重建。
所述建立路径语义拓扑图包括：
将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。
所述人群运动计算包括：
根据公式(1)得到满足正态分布的n个速度值Vpref并分别赋值于n个个体；
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度；
根据公式(2)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成；
选择最短路径上距个体当前位置最近的顶点为下一临时目标点，在每一个时间步长内，更新个体i的期望速度Vi pref方向为下一个临时目标点的方向；并根据公式(3)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
其中，wi表示权重，tci′(Vi cand)表示期望碰撞时间。
本发明设计了一种基于地理信息的场景建模方法，能够从二维地图中获取道路的地理坐标信息，并利用几何变换、面片构建以及真实感处理技术快速得到场景模型；并利用从二维地图中获取的地理信息建立路径拓扑图以提取场景语义，能够为人群运动计算提供更合理的路径规划和导航；最后采用基于正态分布的相对速度障碍法，在相对速度障碍法中加入正态分布速度，算法复杂度低，能够高效地进行人群疏散仿真。
本领域技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。
Claims (10)
1.一种基于地理信息的快速人群疏散仿真方法，其特征在于，包括以下步骤：
步骤1：获取场景的二维地图；
步骤2：基于所述二维地图提取地理信息，重建道路模型和建筑群模型；
步骤3：根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图；
步骤4：基于正态分布的相对速度障碍法和场景语义进行人群运动计算；
步骤5：结合真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染得到人群疏散仿真动画。
2.如权利要求1所述的一种基于地理信息的快速人群疏散仿真方法，其特征在于，所述步骤2具体包括：
步骤2.1：基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
步骤2.2：采用基于形状文法的方法生成场景的建筑群模型；
步骤2.3：将道路模型和建筑群模型合并得到场景模型。
3.如权利要求2所述的一种基于地理信息的快速人群疏散仿真方法，其特征在于，所述道路模型重建包括：
基于道路骨架数据和道路宽度，采用向量旋转方法得到每个构成道路的顶点；
将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，得到所有的道路多边形，实现道路模型重建。
4.如权利要求1所述的一种基于地理信息的快速人群疏散仿真方法，其特征在于，所述步骤3具体包括：
步骤3.1：将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
步骤3.2：针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。
5.如权利要求1所述的一种基于地理信息的快速人群疏散仿真方法，其特征在于，所述步骤4具体包括：
步骤4.1：根据公式(1)得到满足正态分布的n个速度值Vpref并分别赋值于n个个体；
<mrow>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>V</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>V</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度；
步骤4.2：根据公式(2)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
<mrow>
<msup>
<mi>V</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<msup>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mo>|</mo>
<mn>0</mn>
<mo>&le;</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo><</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo><</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mi>t</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
步骤4.3：根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成；
步骤4.4：选择最短路径上距个体当前位置最近的顶点为下一临时目标点，在每一个时间步长内，更新个体i的期望速度Vi pref方向为朝向下一个临时目标点的方向；并根据公式(3)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>tc</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，wi表示权重，tc′i(Vi cand)表示期望碰撞时间。
6.一种基于地理信息的快速人群疏散仿真的计算机装置，包括显示器、图形处理器、存储器和处理器，所述存储器中存储有计算机程序，其特征在于，
基于所述显示器上的人机交互界面选择指定场景的二维地图；
所述处理器用于执行所述计算机程序：接收场景的二维地图；
基于所述二维地图提取地理信息，重建道路模型和建筑群模型；
根据所述道路骨架数据和道路之间的拓扑关系，建立路径语义拓扑图；
基于正态分布的相对速度障碍法和场景语义进行人群运动计算，将所述人群运动计算结果以及所述道路、建筑物模型传输至图形处理器；
所述图形处理器基于真实感渲染技术，将人群运动计算结果与道路、建筑群模型进行渲染，得到人群疏散仿真动画传输至显示器进行显示。
7.如权利要求6所述的一种基于地理信息的快速人群疏散仿真的计算机装置，其特征在于，所述重建道路模型和建筑群模型包括：
基于所述二维地图提取道路骨架数据，通过在所述道路骨架基础上添加道路宽度信息，完成道路模型的重建；
采用基于形状文法的方法生成场景的建筑群模型；
将道路模型和建筑群模型合并得到场景模型。
8.如权利要求7所述的一种基于地理信息的快速人群疏散仿真方法，其特征在于，所述道路模型重建包括：
基于道路骨架数据和道路宽度，采用向量旋转方法得到每个构成道路的顶点；
将得到的道路两边的坐标点分别保存到数据集合left_edge和right_edge中，将集合left_edge和right_edge中对应于同一条道路的坐标点按逆时针顺序组合，得到所有的道路多边形，实现道路模型重建。
9.如权利要求6所述的一种基于地理信息的快速人群疏散仿真的计算机装置，其特征在于，所述建立路径语义拓扑图包括：
将道路骨架数据集合中的坐标点进行去重预处理，然后进行坐标变换，并将坐标变换后的坐标点作为路径语义拓扑图顶点；
针对路径语义拓扑图中的任意两个顶点，判断两点间距离是否小于r，以及两点间连线是否经过障碍物，当且仅当距离小于r且不经过障碍物时，将所述两个点的连线作为路径语义拓扑图的边。
10.如权利要求6所述的一种基于地理信息的快速人群疏散仿真的计算机装置，其特征在于，所述人群运动计算包括：
根据公式(1)得到满足正态分布的n个速度值Vpref并分别赋值于n个个体；
<mrow>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>V</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>V</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，个体i的期望速度为Vi pref，μV表示期望速度的均值，σV决定了期望速度的分布幅度；
根据公式(2)得到运动个体下一时刻所有候选速度的集合Vcand，个体i的最大速度Vi max和最大加速度将候选速度控制在一定范围内；
<mrow>
<msup>
<mi>V</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>{</mo>
<msup>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mo>|</mo>
<mn>0</mn>
<mo>&le;</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo><</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo><</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mi>t</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Vi表示个体i的当前速度，表示个体i的第j个候选速度，t表示时间步长；
根据路径语义拓扑图，使用最短路径算法进行路径规划，选择从个体当前位置到达最终目标点的一条最短路径，该最短路径由一系列路径语义拓扑图顶点组成；
选择最短路径上距个体当前位置最近的顶点为下一临时目标点，在每一个时间步长内，更新个体i的期望速度Vi pref方向为下一个临时目标点的方向；并根据公式(3)选择使得惩罚因子penalty最小的作为个体i下一时刻的新速度，
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>tc</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>V</mi>
<mi>i</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，wi表示权重，tc′i(Vi cand)表示期望碰撞时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710684884.0A CN107665269B (zh) | 2017-08-11 | 2017-08-11 | 基于地理信息的快速人群疏散仿真方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710684884.0A CN107665269B (zh) | 2017-08-11 | 2017-08-11 | 基于地理信息的快速人群疏散仿真方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107665269A true CN107665269A (zh) | 2018-02-06 |
| CN107665269B CN107665269B (zh) | 2021-01-08 |
Family
ID=61097281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710684884.0A Active CN107665269B (zh) | 2017-08-11 | 2017-08-11 | 基于地理信息的快速人群疏散仿真方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107665269B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388752A (zh) * | 2018-03-22 | 2018-08-10 | 中国科学院计算技术研究所 | 一种群体仿真方法 |
| CN109242183A (zh) * | 2018-09-05 | 2019-01-18 | 山东师范大学 | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 |
| CN109859558A (zh) * | 2019-01-21 | 2019-06-07 | 北京科技大学 | 一种考虑人员物理影响的建筑火灾虚拟疏散训练方法 |
| CN109872392A (zh) * | 2019-02-19 | 2019-06-11 | 北京百度网讯科技有限公司 | 基于高精地图的人机交互方法和装置 |
| CN111210504A (zh) * | 2019-12-26 | 2020-05-29 | 北京邮电大学 | 一种人群运动仿真框架的构建方法及装置 |
| CN113587943A (zh) * | 2021-07-28 | 2021-11-02 | 广州小鹏自动驾驶科技有限公司 | 一种地图处理的方法和装置 |
| CN115474172A (zh) * | 2022-11-14 | 2022-12-13 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
| CN117151343A (zh) * | 2023-10-26 | 2023-12-01 | 新黎明科技股份有限公司 | 一种园区地理信息场景构建方法、***、电子设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011078580A2 (ko) * | 2009-12-24 | 2011-06-30 | 두산인프라코어 주식회사 | 건설기계의 유압제어장치 |
| CN105468801A (zh) * | 2014-09-09 | 2016-04-06 | 中国科学院深圳先进技术研究院 | 公共场所人群疏散仿真方法及*** |
| CN106096072A (zh) * | 2016-05-17 | 2016-11-09 | 北京交通大学 | 基于智能体的高密度人群仿真方法 |
| CN106530375A (zh) * | 2016-09-28 | 2017-03-22 | 山东师范大学 | 一种个性化情绪感染的人群动画生成方法 |
-
2017
- 2017-08-11 CN CN201710684884.0A patent/CN107665269B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011078580A2 (ko) * | 2009-12-24 | 2011-06-30 | 두산인프라코어 주식회사 | 건설기계의 유압제어장치 |
| CN105468801A (zh) * | 2014-09-09 | 2016-04-06 | 中国科学院深圳先进技术研究院 | 公共场所人群疏散仿真方法及*** |
| CN106096072A (zh) * | 2016-05-17 | 2016-11-09 | 北京交通大学 | 基于智能体的高密度人群仿真方法 |
| CN106530375A (zh) * | 2016-09-28 | 2017-03-22 | 山东师范大学 | 一种个性化情绪感染的人群动画生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| JAMIE SNAPE ET AL.: ""Independent Navigation of Multiple Mobile Robots with Hybrid Reciprocal Velocity Obstacles"", 《THE 2009 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
| 赵巍 等: ""人群运动仿真和疏散优化方法设计与实现"", 《***仿真学报》 * |
| 黄杨昱 等: ""基于全局路径规划的相互速度障碍物人群疏散方法"", 《计算机应用》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388752B (zh) * | 2018-03-22 | 2020-06-05 | 中国科学院计算技术研究所 | 一种适用于应急撤离的群体仿真方法 |
| CN108388752A (zh) * | 2018-03-22 | 2018-08-10 | 中国科学院计算技术研究所 | 一种群体仿真方法 |
| CN109242183A (zh) * | 2018-09-05 | 2019-01-18 | 山东师范大学 | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 |
| CN109859558A (zh) * | 2019-01-21 | 2019-06-07 | 北京科技大学 | 一种考虑人员物理影响的建筑火灾虚拟疏散训练方法 |
| CN109859558B (zh) * | 2019-01-21 | 2020-12-29 | 北京科技大学 | 一种考虑人员物理影响的建筑火灾虚拟疏散训练方法 |
| CN109872392A (zh) * | 2019-02-19 | 2019-06-11 | 北京百度网讯科技有限公司 | 基于高精地图的人机交互方法和装置 |
| CN109872392B (zh) * | 2019-02-19 | 2023-08-25 | 阿波罗智能技术(北京)有限公司 | 基于高精地图的人机交互方法和装置 |
| CN111210504A (zh) * | 2019-12-26 | 2020-05-29 | 北京邮电大学 | 一种人群运动仿真框架的构建方法及装置 |
| CN113587943A (zh) * | 2021-07-28 | 2021-11-02 | 广州小鹏自动驾驶科技有限公司 | 一种地图处理的方法和装置 |
| CN115474172A (zh) * | 2022-11-14 | 2022-12-13 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
| CN115474172B (zh) * | 2022-11-14 | 2023-01-24 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
| CN117151343A (zh) * | 2023-10-26 | 2023-12-01 | 新黎明科技股份有限公司 | 一种园区地理信息场景构建方法、***、电子设备及介质 |
| CN117151343B (zh) * | 2023-10-26 | 2024-02-13 | 新黎明科技股份有限公司 | 一种园区地理信息场景构建方法、***、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107665269B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107665269A (zh) | 基于地理信息的快速人群疏散仿真方法和装置 | |
| CN107214701A (zh) | 一种基于运动基元库的带电作业机械臂自主避障路径规划方法 | |
| CN104077797B (zh) | 三维游戏动画*** | |
| CN105894566A (zh) | 模型渲染方法及装置 | |
| CN106651926A (zh) | 一种基于区域配准的深度点云三维重建方法 | |
| KR20220025023A (ko) | 애니메이션 처리 방법 및 장치, 컴퓨터 저장 매체 그리고 전자 디바이스 | |
| CN103400372B (zh) | 一种基于Reeb图描述的三维拓扑信息提取方法 | |
| CN104615841B (zh) | 考虑遮挡效应的航天器太阳能帆板三维动态仿真方法 | |
| JP5905481B2 (ja) | 判定方法及び判定装置 | |
| CN105261062B (zh) | 一种人物分段建模方法 | |
| CN104123747A (zh) | 多方式触控三维建模方法和*** | |
| CN105045496A (zh) | 一种基于关节点变换的手势交互方法 | |
| CN103310478B (zh) | 一种多样化虚拟人群生成的方法 | |
| CN106575158A (zh) | 环境映射虚拟化机构 | |
| CN103218489B (zh) | 一种基于视频样本的模拟车辆个性化驾驶特性的方法 | |
| CN109859562A (zh) | 数据生成方法、装置、服务器及存储介质 | |
| CN107689078A (zh) | 一种基于链表排序平衡二叉树的层次包围盒树构建方法 | |
| CN103236084B (zh) | 一种大规模轨道线路的动态建模方法 | |
| CN102930599A (zh) | 一种基于双四元数的手运动的三维模拟方法 | |
| CN102693350B (zh) | 面向虚拟现实牙科操作训练的多点接触力觉反馈*** | |
| CN107704667A (zh) | 模拟集群性的人群运动仿真方法、装置和*** | |
| CN104318601B (zh) | 一种流体环境下人体运动仿真方法 | |
| Williams et al. | A time-line approach for the generation of simulated settlements | |
| CN112149287B (zh) | 一种面向负载均衡的交通仿真路网图形化分割方法及*** | |
| WO2013066339A1 (en) | Plant simulation for graphics engines |
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 |